A Machine Learning Based Approach for Electrofacies and Permeability Prediction in Heterogeneous Shaly Sand Reservoirs: A Case Study from the NEAG-5 Field, Egypt
Questo studio presenta un flusso di lavoro di apprendimento automatico integrato che combina la modellazione delle elettrofacies con i dati mineralogici per migliorare significativamente l'accuratezza della previsione della permeabilità nei serbatoi eterogenei di arenaria argillosa del campo NEAG-5 in Egitto, condizionando le stime su distinti tipi di roccia di serbatoio anziché utilizzare una singola relazione valida per l'intero campo.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
In profondità sotto il Deserto Occidentale dell'Egitto giace un enigma geologico che ha a lungo messo alla prova gli ingegneri che cercano di liberare il petrolio intrappolato all'interno. La formazione rocciosa in questione, nota come Middle Bahariya, è un serbatoio di sabbia argillosa, una complessa miscela di grani di sabbia e minerali argillosi. Per decenni, il modo standard per stimare quanto facilmente il petrolio possa scorrere attraverso tale roccia è stato misurarne la porosità, che è semplicemente la quantità di spazio vuoto all'interno della roccia. La logica era semplice: più spazio vuoto dovrebbe significare un flusso più facile. Tuttavia, in questi specifici serbatoi egiziani, questa semplice regola spesso fallisce. I ricercatori hanno scoperto che due campioni di roccia possono avere esattamente la stessa quantità di spazio vuoto, eppure uno permette al petrolio di scorrere velocemente mentre l'altro agisce come un muro solido. Ciò accade perché il tipo e la disposizione dei minerali argillosi all'interno della roccia possono bloccare i minuscoli tunnel, o colli di bottiglia (pore throats), che collegano gli spazi vuoti. Senza un modo per prevedere questi blocchi nascosti, le compagnie petrolifere faticano a sapere dove trivellare o quanto petrolio potrebbero effettivamente recuperare.
In uno studio recente focalizzato sul campo NEAG-5, un team di ricercatori guidato da Mohamed Kassab si è posto l'obiettivo di risolvere questo problema guardando oltre le semplici misurazioni dello spazio vuoto. Hanno combinato l'analisi tradizionale della roccia con moderne tecniche di apprendimento computazionale per comprendere perché alcune parti del serbatoio fluiscano bene e altre no. Il team ha iniziato esaminando campioni fisici della roccia, noti come carote (core plugs), prelevati da un pozzo nel campo. Hanno misurato la porosità e la permeabilità della roccia, ovvero la capacità della roccia di trasmettere fluidi. Hanno anche utilizzato tecniche avanzate di imaging e analisi chimica per vedere esattamente quali minerali fossero presenti e come fossero disposti. Ciò che hanno scoperto è che la roccia non era uniforme; invece, rientrava in quattro categorie distinte, o tipi di roccia, ognuna con la propria personalità unica. La roccia di migliore qualità aveva pochissima argilla e ampie connessioni aperte tra i suoi pori, permettendo al petrolio di scorrere liberamente. La roccia di qualità peggiore era intasata da specifici minerali argillosi che rivestivano i pori e creavano ponti attraverso di essi, sigillando efficacementmente i percorsi per il petrolio.
I ricercatori si sono resi conto che una singola formula non poteva descrivere l'intero serbatoio perché la roccia era troppo varia. Per risolvere il problema, si sono rivolti a un metodo di machine learning chiamato mappa auto-organizzante indicizzata e probabilistica (indexed and probabilized self-organizing map). Questo programma informatico agiva come un sofisticato smistatore, analizzando i dati provenienti dai log di pozzo standard — misurazioni delle proprietà elettriche e di densità naturali della roccia — per identificare quale dei quattro tipi di roccia fosse presente a una determinata profondità. Addestrando il computer sui campioni fisici di roccia che già conoscevano, il team gli ha insegnato a riconoscere i modelli nascosti nei log che corrispondevano ai diversi tipi di roccia. Una volta che il computer è stato in grado di distinguere tra la roccia di alta qualità e quella di bassa qualità nel pozzo carotato, hanno applicato questa conoscenza al resto del campo, compresi i pozzi in cui non erano stati prelevati campioni fisici di roccia. Ciò ha permesso loro di creare una mappa dettagliata della capacità di flusso del serbatoio, prevedendo la permeabilità in base al tipo specifico di roccia piuttosto che solo alla quantità totale di spazio vuoto.
I risultati di questo approccio sono stati un significativo miglioramento rispetto ai metodi precedenti. Quando il team ha utilizzato una singola formula ampia per l'intero campo, le loro previsioni erano spesso errate per un ampio margine, con un tasso di errore statistico che lasciava una considerevole incertezza. Tuttavia, quando hanno separato i dati nei quattro tipi di roccia specifici e hanno applicato una previsione su misura per ogni gruppo, l'accuratezza è aumentata drasticamente. Il tasso di errore è diminuito significamente e la correlazione tra i valori previsti e quelli reali è diventata molto più forte. Lo studio ha confermato che la presenza di minerali argillosi come illite, caolinite e smectite era il principale motore delle differenze di flusso. Nei tipi di roccia migliori, queste argille erano quasi assenti, mentre nei tipi di roccia peggiori, costituivano quasi la metà del volume della roccia, soffocando il flusso.
Questo lavoro dimostra che comprendere la composizione minerale specifica di un serbatoio è importante tanto quanto misurare il suo spazio vuoto. Collegando le proprietà fisiche della roccia alla sua composizione minerale e usando il machine learning per identificare questi modelli nei log di pozzo, i ricercatori hanno fornito un modo più affidabile per prevedere dove il petrolio può scorrere. Questo metodo consente agli ingegneri di estendere le informazioni dettagliate ottenute da poche carote perforate all'intero campo, creando un quadro molto più chiaro del paesaggio sotterraneo. I risultati suggeriscono che per i serbatoi eterogenei come quello del campo NEAG-5, trattare la roccia come una collezione di tipi distinti piuttosto che come un unico blocco uniforme è la chiave per una previsione accurata. Questo approccio offre una via pratica da seguire per la caratterizzazione di serbatoi complessi simili in tutto il mondo, garantendo che le decisioni prese sulla trivellazione e la produzione siano basate su una comprensione realistica della vera natura della roccia.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.