Physics-Informed Explainable Machine Learning for Tight Sandstone Facies Prediction from Conventional Well Logs: A Blind-Well Comparative Study Krishna-Godavari Basin, INDIA

Profondamente sotto la superficie terrestre, nei vasti bacini sedimentari che custodiscono l'energia del mondo, i geologi affrontano una sfida persistente: trovare petrolio e gas intrappolati in rocce che si rifiutano di lasciarli fluire. Per decenni, l'esplorazione si è concentrata su serbatoi porosi, simili a spugne, dove i fluidi si muovono facilmente. Oggi, mentre quei bersagli facili diminuiscono, l'industria sta rivolgendo la sua attenzione ai serbatoi "tight" (compatti). Si tratta di formazioni rocciose in cui i pori sono così piccoli e le connessioni tra essi così strette che il petrolio o il gas rimangono bloccati in posizione, richiedendo enormi sforzi ingegneristici per l'estrazione. Identificare queste zone "tight" è difficile perché gli strumenti utilizzati per guardare sottoterra — lunghe stringhe di sensori calate nei pozzi — forniscono spesso segnali confusi. Una roccia che appare come un buon serbatoio in una lettura del sensore potrebbe essere in realtà un blocco denso e impermeabile, e viceversa. Questa ambiguità rende difficile sapere dove perforare o dove spendere milioni di dollari per fratturare la roccia e liberare l'energia.

Nel bacino di Krishna-Godavari, sulla costa orientale dell'India, un ricercatore ha affrontato questo problema insegnando ai computer a vedere ciò che gli esperti umani faticano a distinguere. Si sono concentrati su un tipo specifico di roccia chiamato arenaria compatta (tight sandstone), che si trova in profondità nel sottosuolo ed è composta da una miscela di argillite, siltite e sabbia pulita. L'obiettivo era creare un sistema in grado di analizzare i dati standard dei sensori di un pozzo e prevedere con precisione quale tipo di roccia stesse attraversando. Per farlo, non si è limitato a fornire al computer i numeri grezzi dai sensori. Al contrario, ha prima utilizzato le leggi della fisica per trasformare quei numeri grezzi in nuove descrizioni più significative del comportamento della roccia, come la sua rigidità o la sua resistenza alla compressione. Ha poi addestrato diversi tipi di algoritmi di apprendimento per riconoscere i modelli di questi tipi di roccia e ha testato il sistema su pozzi che non aveva mai visto prima, per garantire che non stesse solo memorizzando le risposte.

Il ricercatore ha lavorato con i dati di cinque pozzi nel bacino, tre dei quali erano stati accuratamente etichettati da geologi che conoscevano esattamente quale tipo di roccia fosse presente ad ogni profondità. Gli altri due pozzi sono stati tenuti nascosti, fungendo da test cieco per vedere se il computer potesse applicare quanto appreso a una nuova località. Il ricercatore ha confrontato due approcci. Il primo approccio utilizzava solo le misurazioni standard, come la radioattività naturale della roccia, la sua resistenza elettrica e la velocità con cui viaggiano le onde sonore attraverso di essa. Il secondo approccio prendeva le stesse misurazioni e aggiungeva uno strato di proprietà calcolate derivate dalla fisica, come la capacità della roccia di immagazzinare energia o la sua resistenza alla rottura. Ha testato quattro diversi modelli di machine learning, inclusi metodi che costruiscono molti alberi decisionali e altri che imparano correggendo i propri errori, per vedere quale combinazione funzionasse meglio.

I risultati hanno mostrato una chiara differenza tra i due approcci. Quando i modelli si affidavano solo alle letture standard dei sensori, riuscivano a identificare i tipi di roccia con un successo moderato, raggiungendo un'accuratezza media di circa il 66-68 percento. Spesso venivano confusi da rocce che apparivano simili nei sensori ma che erano in realtà diverse. Tuttavia, quando ai modelli sono state fornite le descrizioni aggiuntive basate sulla fisica, le loro prestazioni sono aumentate significativamente. L'accuratezza media è salita tra l'81 e l'84 percento. Ancora più importante, la capacità di identificare correttamente le zone specifiche di "arenaria compatta", che sono le più critiche e difficili da trovare, è migliorata drasticamente. Nei casi migliori, i modelli identificavano correttamente queste zone compatte quasi ogni volta, con un tasso di successo superiore al 97 percento. Questo miglioramento non è stato un colpo di fortuna; i test statistici hanno confermato che il guadagno era reale e costante, e che l'aumento delle prestazioni era così grande da rendere altamente improbabile che fosse avvenuto per caso.

Per capire perché l'approccio basato sulla fisica funzionasse così bene, il ricercatore ha utilizzato una tecnica che agisce come un riflettore, rivelando quali indizi specifici il computer stava usando per prendere le sue decisioni. Ha scoperto che le sole letture standard dei sensori erano spesso ambigue, ma le proprietà calcolate fornivano un quadro più chiaro della struttura interna della roccia. Ad esempio, la rigidità della roccia e la sua risposta alla pressione aiutavano a distinguere un'arenaria compatta e densa da una sabbia pulita e porosa, anche quando le loro letture di base nei sensori erano quasi identiche. Lo studio ha inoltre sviluppato un modo per misurare quanto il computer fosse sicuro in ogni previsione. Quando i diversi modelli discordavano tra loro, o quando la loro fiducia era bassa, il sistema segnalava quelle sezioni per la revisione umana. Ciò crea una rete di sicurezza, garantendo che i geologi concentrino la loro attenzione sulle parti più incerte del pozzo piuttosto che fidarsi ciecamente di un computer.

Questo lavoro dimostra che combinare i dati dei sensori tradizionali con i calcoli basati sulla fisica crea una mappa molto più affidabile del mondo sotterraneo. Suggerisce che la chiave per sbloccare questi serbatoi difficili non risiede solo in sensori migliori, ma in modi migliori di interpretare i dati che tali sensori forniscono. Insegnando alle macchine a comprendere le proprietà fisiche della roccia, invece dei semplici numeri grezzi, l'industria può fare previsioni più accurate su dove siano intrappolati l'olio e il gas. Lo studio conclude che questo metodo è uno strumento potente per caratterizzare questi serbatoi complessi, a condizione che i modelli siano testati rigorosamente su nuovi pozzi per garantire che stiano imparando davvero la geologia e non stiano solo memorizzando i dati. Le scoperte offrono una via chiara per l'esplorazione delle formazioni profonde e compatte che probabilmente alimenteranno i bisogni energetici nei decenni a venire.