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

मिस्र के पश्चिमी रेगिस्तान के गहराइयों में एक भूवैज्ञानिक पहेली छिपी है जिसने उन इंजीनियरों को लंबे समय से चुनौती दी है जो इसके भीतर फंसे तेल को निकालने की कोशिश कर रहे हैं। जिस चट्टानी संरचना की बात की जा रही है, उसे 'मिडल बहारिया' के नाम से जाना जाता है, जो एक शेल-युक्त सैंड रिज़र्वोइर (shaly sand reservoir) है, यानी रेत के कणों और मिट्टी के खनिजों का एक जटिल मिश्रण। दशकों से, इस बात का अनुमान लगाने का मानक तरीका कि ऐसी चट्टानों से तेल कितनी आसानी से बह सकता है, इसकी सरंध्रता (porosity) को मापना रहा है, जो सरल शब्दों में चट्टान के भीतर खाली स्थान की मात्रा है। तर्क सीधा था: अधिक खाली स्थान का अर्थ होना चाहिए आसान प्रवाह। हालांकि, मिस्र के इन विशिष्ट रिज़र्वोयर्स में, यह सरल नियम अक्सर विफल हो जाता है। शोधकर्ताओं ने पाया है कि चट्टान के दो नमूनों में खाली स्थान की बिल्कुल समान मात्रा हो सकती है, फिर भी एक में तेल तेजी से बहता है जबकि दूसरा एक ठोस दीवार की तरह काम करता है। ऐसा इसलिए होता है क्योंकि चट्टान के भीतर मौजूद मिट्टी के खनिज प्रकार और उनकी व्यवस्था उन सूक्ष्म सुरंगों, या 'पोर थ्रोट्स' (pore throats) को अवरुद्ध कर सकती है जो खाली स्थानों को जोड़ते हैं। इन छिपे हुए अवरोधों का पूर्वानुमान लगाने के बिना, तेल कंपनियों को यह जानने में संघर्ष करना पड़ता है कि कहाँ ड्रिल करना है या वे वास्तव में कितना तेल निकाल पाएंगी।

NEAG-5 क्षेत्र पर केंद्रित एक हालिया अध्ययन में, मोहम्मद कसाब के नेतृत्व में शोधकर्ताओं की एक टीम ने केवल खाली स्थान के सरल मापन से आगे बढ़कर इस समस्या को हल करने का लक्ष्य रखा। उन्होंने खाली स्थान के मापन के साथ आधुनिक कंप्यूटर लर्निंग तकनीकों को जोड़ा ताकि यह समझा जा सके कि रिज़र्वोइर के कुछ हिस्से अच्छी तरह से प्रवाह क्यों करते हैं जबकि अन्य नहीं। टीम ने भौतिक नमूनों, जिन्हें 'कोर प्लग्स' (core plugs) कहा जाता है, का परीक्षण करके शुरुआत की, जो क्षेत्र के एक कुएं से लिए गए थे। उन्होंने चट्टान की सरंध्रता (porosity) और पारगम्यता (permeability) को मापा, जो तरल पदार्थों को संचारित करने की क्षमता है। उन्होंने यह देखने के लिए उन्नत इमेजिंग और रासायनिक विश्लेषण का भी उपयोग किया कि वास्तव में कौन से खनिज मौजूद थे और उनकी व्यवस्था कैसी थी। उन्होंने पाया कि चट्टान एकसमान नहीं थी; इसके बजाय, यह चार विशिष्ट श्रेणियों, या 'रॉक टाइप्स' में विभाजित थी, जिनमें से प्रत्येक का अपना अनूठा व्यक्तित्व था। सबसे अच्छी गुणवत्ता वाली चट्टान में मिट्टी बहुत कम थी और इसके छिद्रों के बीच बड़े, खुले संबंध थे, जिससे तेल स्वतंत्र रूप से बह सकता था। सबसे खराब गुणवत्ता वाली चट्टान विशिष्ट मिट्टी के खनिजों से भरी हुई थी जिन्होंने छिद्रों को रेखांकित किया और उनके ऊपर सेतु बना दिया, जिससे प्रभावी रूप से तेल के मार्गों को सील कर दिया गया।

शोधकर्ताओं को एहसास हुआ कि एक एकल सूत्र पूरे रिज़र्वोइर का वर्णन नहीं कर सकता क्योंकि चट्टान बहुत विविध थी। इसे ठीक करने के लिए, वे मशीन लर्निंग पद्धति की ओर मुड़े जिसे 'इंडेक्स्ड एंड प्रोबिलाइज्ड सेल्फ-ऑर्गनाइजिंग मैप' (indexed and probabilized self-organizing map) कहा जाता है। यह कंप्यूटर प्रोग्राम एक परिष्कृत सॉर्टर (छँटनी करने वाले यंत्र) की तरह कार्य करता था, जो मानक वेल लॉग्स—चट्टान के प्राकृतिक विद्युत और घनत्व गुणों के माप—से डेटा का विश्लेषण करता था ताकि यह पहचाना जा सके कि किसी दिए गए गहराई पर कौन सा रॉक टाइप मौजूद है। टीम ने कंप्यूटर को उन भौतिक चट्टानी नम жеों पर प्रशिक्षित किया जिन्हें वे पहले से जानते थे, ताकि वह लॉग्स में उन छिपे हुए पैटर्न को पहचान सके जो विभिन्न रॉक टाइप्स से संबंधित थे। एक बार जब कंप्यूटर कोर वाले कुएं में उच्च-गुणवत्ता और निम्न-गुणवत्ता वाली चट्टान के बीच अंतर करने में सक्षम हो गया, तो उन्होंने इस ज्ञान को पूरे क्षेत्र में लागू किया, जिसमें वे कुएं भी शामिल थे जहाँ कोई भौतिक चट्टानी नमूने नहीं लिए गए थे। इसने उन्हें रिज़र्वोइर की प्रवाह क्षमता का एक विस्तृत मानचित्र बनाने की अनुमति दी, जो केवल खाली स्थान की कुल मात्रा के बजाय विशिष्ट रॉक टाइप के आधार पर पारगम्यता का पूर्वानुमान लगाता है।

इस दृष्टिकोण के परिणाम पिछले तरीकों की तुलना में एक महत्वपूर्ण सुधार थे। जब टीम ने पूरे क्षेत्र के लिए एक एकल, व्यापक सूत्र का उपयोग किया, तो उनके पूर्वानुमान अक्सर बड़े अंतर से गलत थे, जिसमें एक सांख्यिकीय त्रुटि दर थी जो काफी अनिश्चितता छोड़ देती थी। हालाँकि, जब उन्होंने डेटा को चार विशिष्ट रॉक टाइप्स में अलग किया और प्रत्येक समूह के लिए एक अनुकूलित पूर्वानुमान लगाया, तो सटीकता नाटकीय रूप से बढ़ गई। त्रुटि दर काफी कम हो गई, और अनुमानित और वास्तविक मूल्यों के बीच सहसंबंध बहुत मजबूत हो गया। अध्ययन ने पुष्टि की कि इलाइट (illite), कॉओलिनाइट (kaolinite) और स्मेक्टाइट (smectite) जैसे मिट्टी के खनिजों की उपस्थिति प्रवाह में अंतर का प्राथमिक चालक थी। सबसे अच्छे रॉक टाइप्स में, ये मिट्टी के खनिज लगभग अनुपस्थित थे, जबकि सबसे खराब रॉक टाइप्स में, वे चट्टान के आयतन का लगभग आधा हिस्सा बनाते थे, जिससे प्रवाह बाधित हो जाता था।

यह कार्य दर्शाता है कि रिज़र्वोइर के विशिष्ट खनिज मेकअप को समझना उसके खाली स्थान को मापने जितना ही महत्वपूर्ण है। चट्टान के भौतिक गुणों को उसके खनिज संरचना से जोड़कर और इन पैटर्न को पहचानने के लिए मशीन लर्निंग का उपयोग करके, शोधकर्ताओं ने यह अनुमान लगाने का एक अधिक विश्वसनीय तरीका प्रदान किया है कि तेल कहाँ बह सकता है। यह विधि इंजीनियरों को कुछ ड्रिल किए गए कोर से प्राप्त विस्तृत जानकारी को पूरे क्षेत्र तक विस्तारित करने की अनुमति देती है, जिससे भूमिगत परिदृश्य की एक स्पष्ट तस्वीर बनती है। निष्कर्ष बताते हैं कि NEAG-5 क्षेत्र जैसे विषम (heterogeneous) रिज़र्वोयर्स के लिए, चट्टान को एक एकल समान ब्लॉक के बजाय विशिष्ट प्रकारों के संग्रह के रूप में देखना सटीक भविष्यवाणी की कुंजी है। यह दृष्टिकोण दुनिया भर के समान जटिल रिज़र्वोयर्स के लक्षण वर्णन के लिए एक व्यावहारिक मार्ग प्रदान करता है, यह सुनिश्चित करता है कि ड्रिलिंग और उत्पादन के बारे में लिए गए निर्णय चट्टान की वास्तविक प्रकृति की यथार्थवादी समझ पर आधारित हों।