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

Diep onder het aardoppervlak, in de uitgestrekte sedimentaire bekkens die de energie van de wereld bevatten, staan geologen voor een hardnekkige uitdaging: het vinden van olie en gas die gevangen zitten in gesteente dat weigert te stromen. Decennialang richtte de exploratie zich op poreuze, sponsachtige reservoirs waar vloeistoffen gemakkelijk doorheen bewegen. Vandaag de dag, nu die gemakkelijke doelwitten slinken, richt de industrie haar aandacht op "tight" (strakke) reservoirs. Dit zijn gesteentelagen waar de poriën zo klein zijn en de verbindingen tussen hen zo nauw, dat de olie of het gas op zijn plaats wordt vergrendeld, wat enorme technische inspanningen vereist om het te extraheren. Het identificeren van deze strakke zones is moeilijk omdat de instrumenten die worden gebruikt om ondergronds te kijken — lange strengen sensoren die in boorgaten worden neergelakt — vaak verwarrende signalen geven. Een gesteente dat op een sensoraflezing lijkt op een goed reservoir, kan in werkelijkheid een dicht, ondoordringbaar blok zijn, en vice versa. Deze ambiguïteit maakt het moeilijk om te weten waar men moet boren of waar men miljoenen dollars aan moet uitgeven om het gesteente te breken en de energie vrij te laten.

In het Krishna-Godavari-bekken aan de oostkust van India pakte een onderzoeker dit probleem aan door computers te leren wat menselijke experts moeilijk van elkaar kunnen onderscheiden. Ze richtten zich op een specifiek type gesteente genaamd strak zandsteen, dat diep onder de grond ligt en gemengd is met schalie, siltsteen en schoon zand. Het doel was om een systeem te creëren dat naar standaard sensordata van een put kon kijken en nauwkeurig kon voorspellen welk type gesteente het passeerde. Om dit te doen, voerde de onderzoeker niet alleen de ruwe getallen van de sensoren in de computer. In plaats daarvan gebruikte hij eerst de wetten van de fysica om die ruwe getallen te transformeren naar nieuwe, meer betekenisvolle beschrijvingen van het gedrag van het gesteente, zoals hoe stijf het is of hoe het weerstand biedt tegen compressie. Vervolgens trainde hij verschillende soorten leeralgoritmen om de patronen van deze gesteentetypes te herkennen en testte het systeem op putten die hij nog nooit eerder had gezien, om te garanderen dat het niet simpelweg de antwoorden uit het hoofd leerde.

De onderzoeker werkte met gegevens van vijf putten in het bekken, waarvan er drie zorgvuldig waren gelabeld door geologen die precies wisten welk type gesteente op elke diepte aanwezig was. De andere twee putten werden verborgen gehouden als een blinde test om te zien of de computer kon toepassen wat hij had geleerd op een nieuwe locatie. De onderzoeker vergeleken twee benaderingen. De eerste benadering gebruikte alleen de standaardmetingen, zoals de natuurlijke radioactiviteit van het gesteente, de elektrische weerstand en de snelheid waarmee geluidsgolven erdoorheen reizen. De tweede benadering nam diezelfde metingen en voegde daar een laag aan toe van berekende eigenschappen afgeleid van de fysica, zoals het vermogen van het gesteente om energie op te slaan of de weerstand tegen breken. Ze testten vier verschillende machine learning-modellen, waaronder methoden die veel beslissingsbomen bouwen en andere die leren door hun eigen fouten te corrigeren, om te zien welke combinatie het beste werkte.

De resultaten toonden een duidelijk verschil tussen de twee benaderingen. Wanneer de modellen alleen vertrouwden op de standaard sensoraflezingen, konden ze de gesteentetypes met matig succes identificeren, met een gemiddelde nauwkeurigheid van ongeveer 66 tot 68 procent. Ze raakten vaak in de war door gesteenten die op de sensoren op elkaar leken, maar in werkelijkheid verschillend waren. Echter, wanneer de modellen de aanvullende natuurkundige beschrijvingen kregen, steeg hun prestatie aanzienlijk. De gemiddelde nauwkeurigheid steeg naar tussen de 81 en 84 procent. Nog belangrijker was dat het vermogen om specifiek de "strakke zandsteen" zones te identificeren, die het meest kritiek en moeilijkst te vinden zijn, drastisch verbeterde. In de beste gevallen identificeerden de modellen deze strakke zones bijna elke keer, met een succespercentage van meer dan 97 procent. Deze verbetering was geen toeval; statistische tests bevestigden dat de winst echt en consistent was, waarbij de verbetering in prestatie zo groot was dat het zeer onwaarschijnlijk was dat dit door toeval was gebeurd.

Om te begrijpen waarom de natuurkundige benadering zo goed werkte, gebruikte de onderzoeker een techniek die werkt als een spotlight, waardoor zichtbaar werd welke specifieke aanwijzingen de computer gebruikte om zijn beslissingen te nemen. Hij ontdekte dat de standaard sensoraflezingen alleen vaak ambigu waren, maar de berekende eigenschappen boden een duidelijker beeld van de interne structuur van het gesteente. Bijvoorbeeld, de stijfheid van het gesteente en de manier waarop het reageerde op druk hielpen om een strak, dicht zandsteen te onderscheiden van een schoon, poreus zandsteen, zelfs wanneer hun basis sensoraflezingen bijna identiek waren. De studie ontwikkelde ook een manier om te meten hoe zelfverzekerd de computer was in elke voorspelling. Wanneer de verschillende modellen met elkaar in strijd waren, of wanneer hun vertrouwen laag was, markeerde het systeem deze secties voor menselijke controle. Dit creëert een vangnet, waardoor geologen hun aandacht kunnen richten op de meest onzekere delen van de put in plaats van blindelings op een computer te vertrouwen.

Dit werk demonstreert dat het combineren van traditionele sensordata met natuurkundige berekeningen een veel betrouwbaardere kaart van de ondergrondse wereld creëert. Het suggereert dat de sleutel tot het ontsluiten van deze moeilijke reservoirs niet alleen ligt in betere sensoren, maar in betere manieren om de data die die sensoren leveren te interpreteren. Door machines te leren de fysieke eigenschappen van het gesteente te begrijpen, in plaats van alleen de ruwe getallen, kan de industrie nauwkeuriger voorspellen waar de olie en het gas gevangen zitten. De studie concludeert dat deze methode een krachtig hulpmiddel is voor het karakteriseren van deze complexe reservoirs, mits de modellen rigoureus worden getest op nieuwe putten om te garanderen dat ze werkelijk de geologie leren en niet alleen de data memoriseren. De bevindingen bieden een duidelijke weg voorwaarts voor de exploratie van de diepe, strakke formaties die waarschijnlijk de energiebehoeften in de komende decennia zullen voeden.