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

エジプトの西部砂漠の遥か下に、そこに閉じ込められた石油を解き放とうとする技術者たちを長年悩ませ続けている地質学的な謎が横たわっています。問題となっている岩石層は「ミドル・バハリヤ」として知られる泥岩混じりの砂岩貯留層であり、砂粒と粘土鉱物が複雑に混ざり合ったものです。数十年にわたり、このような岩石の中を石油がいかに容易に流れるかを推定する標準的な方法は、その岩石の「孔隙率（こうげきりつ）」、つまり岩石内部にある空隙の量を測定することでした。その論理は単純明快でした。空隙が多ければ多いほど、流れは容易になるはずだというものです。しかし、このエジプト特有の貯留層においては、この単純なルールがしばしば通用しません。研究者たちは、全く同じ量の空隙を持ちながら、一方は石油を勢いよく流し、もう一方はまるで固い壁のように機能するという、二つの岩石サンプルが存在することを突き止めました。これは、岩石内部の粘土鉱物の種類や配列が、空隙同士をつなぐ微細なトンネル、すなわち「孔隙喉部（こうげきこうぶ）」を塞いでしまうために起こります。これらの隠れた閉塞を予測する方法がないため、石油会社はどこに掘削すべきか、あるいは実際にどれほどの石油を回収できるのかを知るのに苦慮しています。

最近、NEAG-5鉱区に焦点を当てた研究において、モハメド・カサブ率いる研究チームは、単なる空隙量の測定を超えた視点を持つことで、この問題の解決に乗り出しました。彼らは、伝統的な岩石分析と現代的なコンピュータ学習技術を組み合わせ、なぜ一部の貯留層は流れが良く、他の部分はそうではないのかを理解しようと試みました。チームはまず、この鉱区の井戸から採取された「コアプラグ」と呼ばれる物理的な岩石サンプルの調査から始めました。彼らは岩石の孔隙率と、流体を透過させる能力である「浸透率」を測定しました。また、高度なイメージング技術と化学分析を用いて、どのような鉱物が存在し、それらがどのように配置されているかを正確に確認しました。そこで彼らが発見したのは、岩石が均一ではなく、それぞれ独自の個性を持つ4つの明確なカテゴリー、すなわち「岩石タイプ」に分類されるということでした。最も品質の高い岩石は粘土が非常に少なく、孔隙間の接続が大きく開いており、石油が自由に流れる状態にありました。最も品質の低い岩石は、特定の粘土鉱物が孔隙の縁を覆ったり、孔隙をまたいで架橋したりして、石油の経路を事実上封鎖していました。

研究者たちは、岩石があまりにも多様であるため、単一の公式では貯留層全体を説明できないことに気づきました。これを解決するために、彼らは「インデックス化および確率化された自己組織化マップ（indexed and probabilized self-organizing map）」と呼ばれる機械学習手法を用いました。このコンピュータプログラムは、洗練された仕分け役のように機能し、標準的なウェルログ（岩石の自然な電気的特性や密度特性の測定値）からデータを分析し、どの深さにどの4つの岩石タイプが存在するかを特定しました。チームは、既知の物理的な岩石サンプルを用いてコンピュータを訓練することで、異なる岩石タイプに対応するウェルログ内の隠れたパターンを認識させるようにしました。コンピュータがコア採取された井戸における高品質および低品質の岩石を判別できるようになった段階で、彼らはこの知識を、物理的な岩石サンプルが採取されていない他の井戸を含む、鉱区全体へと適用しました。これにより、彼らは単なる総空隙量ではなく、特定の岩石タイプに基づいた浸透率を予測する、詳細な流動能力のマップを作成することができました。

このアプローチによる結果は、従来の方法よりも大幅な改善を示しました。チームが鉱区全体に対して単一の広範な公式を用いた場合、その予測はしばしば大きな誤差を生じ、統計的な誤差率はかなりの不確定性を残すものでした。しかし、データを4つの特定の岩石タイプに分離し、各グループに合わせた個別の予測を適用したところ、精度は劇的に向上しました。誤差率は大幅に低下し、予測値と実際の値との相関関係は格段に強まりました。この研究により、イライト、カオリナイト、スメクタイトといった粘土鉱物の存在が、流動性の違いを生む主要な要因であることが裏付けられました。最高の品質を持つ岩石タイプでは、これらの粘土はほとんど存在しませんでしたが、最低の品質を持つ岩石タイプでは、粘土が岩石の体積の半分近くを占め、流れを窒息させていました。

この研究は、貯留層の具体的な鉱物組成を理解することが、空隙量を測定することと同じくらい重要であることを示しています。岩石の物理的特性をその鉱物組成に結びつけ、機械学習を用いてウェルログ内のこれらのパターンを特定することで、研究者たちは石油がどこを流れるかを予測するための、より信頼性の高い方法を提供しました。この手法により、わずかな数の掘削コアから得られた詳細な情報を、鉱区全体へと拡張することが可能になり、地下の景観をより鮮明に描き出すことができます。今回の知見は、NEAG-5鉱区のような不均質な貯留層においては、岩石を単一の均一なブロックとしてではなく、明確に異なるタイプの集合体として扱うことが、正確な予測への鍵であることを示唆しています。このアプローチは、複雑な貯留層の特性評価における実用的な道筋を提示しており、掘削や生産に関する決定が、岩石の真の性質に対する現実的な理解に基づいたものとなることを保証するものです。