A Machine Learning Based Approach for Electrofacies and Permeability Prediction in Heterogeneous Shaly Sand Reservoirs: A Case Study from the NEAG-5 Field, Egypt

Tief unter der Westlichen Wüste Ägyptens liegt ein geologisches Rätsel, das Ingenieure, die versuchen, das dort gefangene Öl zu erschließen, schon lange vor Herausforderungen stellt. Bei der fraglichen Gesteinsformation, bekannt als Middle Bahariya, handelt es sich um ein schieferiges Sandreservoir, eine komplexe Mischung aus Sandkörnern und Tonmineralen. Jahrzehntelang war die Standardmethode, um abzuschätzen, wie leicht Öl durch solch ein Gestein fließen kann, die Messung seiner Porosität – also schlichtweg der Menge an leerem Raum innerhalb des Gesteins. Die Logik dah- dahinter war geradlinig: Mehr Leerraum sollte einen leichteren Fluss bedeuten. Doch in diesen spezifischen ägyptischen Reservoirs versagt diese einfache Regel oft. Forscher haben herausgefunden, dass zwei Gesteinsproben exakt die gleiche Menge an Leerraum aufweisen können, während die eine das Öl hindurchrauschen lässt, während die andere wie eine feste Wand wirkt. Dies geschieht, weil die Art und Anordnung der Tonminerale innerhalb des Gesteins die winzigen Tunnel oder Porenverengungen (Pore Throats) blockieren können, welche die leeren Räume miteinander verbinden. Ohne eine Möglichkeit, diese verborgenen Blockaden vorherzusagen, haben Ölgesellschaften Schwierigkeiten zu wissen, wo sie bohren sollen oder wie viel Öl sie tatsächlich fördern können.

In einer kürzlich durchgeführten Studie mit Fokus auf das Feld NEAG-5 setzte sich ein Forscherteam unter der Leitung von Mohamed Kassab zum Ziel, dieses Problem zu lösen, indem es über die einfachen Messungen des Leerraums hinausblickte. Sie kombinierten traditionelle Gesteinsanalysen mit modernen Techniken des maschinellen Lernens, um zu verstehen, warum einige Teile des Reservoirs gut fließen und andere nicht. Das Team begann mit der Untersuchung physischer Gesteinsproben, sogenannter Kernproben (Core Plugs), die aus einem Bohrloch in dem Feld entnommen wurden. Sie maßen die Porosität und Permeabilität des Gesteins, also die Fähigkeit des Gesteins, Fluide zu übertragen. Zudem nutzten sie fortschrittliche Bildgebungsverfahren und chemische Analysen, um genau zu sehen, welche Minerale vorhanden waren und wie sie angeordnet waren. Was sie entdeckten, war, dass das Gestein nicht einheitlich war; stattdessen unterteilte es sich in vier verschiedene Kategorien oder Gesteinstypen, die jeweils ihre eigene „Persönlichkeit“ besaßen. Das qualitativ hochwertigste Gestein hatte sehr wenig Ton und große, offene Verbindungen zwischen seinen Poren, was dem Öl erlaubte, frei zu fließen. Das qualitativ schlechteste Gestein war mit spezifischen Tonmineralen verstopft, die die Poren auskleideten und diese überbrückten, wodurch die Pfade für das Öl effektiv versiegelt wurden.

Die Forscher erkannten, dass eine einzige Formel das gesamte Reservoir nicht beschreiben konnte, da das Gestein zu variabel war. Um dies zu beheben, wandten sie eine Methode des maschinellen Lernens an, die als „indexed and probabilized self-organizing map“ bezeichnet wird. Dieses Computerprogramm fungierte wie ein hochentwickelter Sortierer, der Daten aus Standard-Bohrlochmessungen (Well Logs) – Messungen der natürlichen elektrischen und Dichte-Eigenschaften des Gesteins – analysierte, um zu identifizieren, welcher der vier Gesteinstypen in einer bestimmten Tiefe vorlag. Indem das Team den Computer mit den physischen Gesteinsproben trainierte, die sie bereits kannten, brachte es dem Programm bei, die verborgenen Muster in den Bohrlochmessungen zu erkennen, die mit den verschiedenen Gesteinstypen korrespondierten. Sob-schein die Fähigkeit des Computers, zwischen dem hochwertigen und dem minderwertigen Gestein im gekohrten Bohrloch zu unterscheiden, wandten sie dieses Wissen auf den Rest des Feldes an, einschließlich der Bohrungen, bei denen keine physischen Gesteinsproben entnommen worden waren. Dies ermöglichte es ihnen, eine detaillierte Karte der Durchflusskapazität des Reservoirs zu erstellen, wobei die Permeabilität basierend auf dem spezifischen Gesteinstyp statt nur nach der gesamten Menge an Leerraum vorhergesagt wurde.

Die Ergebnisse dieses Ansatzes stellten eine signifikante Verbesserung gegenüber bisherigen Methoden dar. Wenn das Team eine einzige, breite Formel für das gesamte Feld verwendete, waren ihre Vorhersagen oft um eine weite Spanne daneben, wobei die statistische Fehlerrate eine beträchtliche Unsicherheit hinterließ. Als sie jedoch die Daten in die vier spezifischen Gesteinstypen trennten und eine maßgeschneiderte Vorhersage für jede Gruppe anwandten, stieg die Genauigkeit drastisch an. Die Fehlerrate sank signifikant und die Korrelation zwischen den vorhergesagten und den tatsächlichen Werten wurde wesentlich stärker. Die Studie bestätigte, dass das Vorhandensein von Tonmineralen wie Illit, Kaolinit und Smektit der primäre Treiber für die Unterschiede im Fluss war. In den besten Gesteinstypen waren diese Tone nahezu abwesend, während sie in den schlechsten Gesteinstypen fast die Hälfte des Gesteinsvolumens ausmachten und den Fluss erstickten.

Diese Arbeit zeigt, dass das Verständnis der spezifischen mineralischen Zusammensetzung eines Reservoirs genauso wichtig ist wie die Messung seines Leerraums. Durch die Verknüpfung der physikalischen Eigenschaften des Gesteins mit seiner mineralischen Zusammensetzung und der Nutzung von maschinellem Lernen zur Identifizierung dieser Muster in Bohrlochmessungen lieferten die Forscher einen zuverlässigeren Weg, um den Fluss von Öl vorherzusagen. Diese Methode ermöglicht es Ingenieuren, die detaillierten Informationen, die aus wenigen gebohrten Kernen gewonnen wurden, auf das gesamte Feld zu übertragen und so ein viel klareres Bild der unterirdischen Landschaft zu erstellen. Die Ergebnisse legen nahe, dass für heterogene Reservoire wie das im Feld NEAG-5 der Schlüssel zu einer genauen Vorhersage darin liegt, das Gestein nicht als einen einzigen einheitlichen Block, sondern als eine Sammlung distinkter Typen zu behandeln. Dieser Ansatz bietet einen praktischen Weg nach vorn zur Charakterisierung ähnlicher komplexer Reservoire weltweit und stellt sicher, dass Entscheidungen über Bohrung und Produktion auf einem realistischen Verständnis der wahren Natur des Gesteins basieren.