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

Diep onder de Westelijke Woestijn van Egypte ligt een geologisch raadsel dat ingenieurs al lang uitdaagt bij het proberen te ontsluiten van de olie die erin gevangen zit. De gesteenteformatie in kwestie, bekend als de Middle Bahariya, is een schalieachtig zandreservoir, een complexe mengeling van zandkorrels en kleimineralen. Decennialang was de standaardmethode om te schatten hoe gemakkelijk olie door dergelijk gesteente kan stromen, het meten van de porositeit, wat simpelweg de hoeveelheid lege ruimte binnenin het gesteente is. De logica was recht door zee: meer lege ruimte zou moeten betekenen dat de stroming gemakkelijker verloopt. Echter, in deze specifieke Egyptische reservoirs faalt deze eenvoudige regel vaak. Onderzoekers hebben ontdekt dat twee gesteenteprofielen exact dezelfde hoeveelheid lege ruimte kunnen hebben, terwijl de ene olie laat passeren terwijl de andere fungeert als een massieve muur. Dit gebeurt omdat het type en de rangschikking van de kleimineralen binnen het gesteente de minuscule tunnels, of poriehalzen, die de lege ruimtes met elkaar verbinden, kunnen blokkeren. Zonder een manier om deze verborgen blokkades te voorspellen, worstelen oliemaatschappijen met de vraag waar ze moeten boren of hoeveel olie ze daadwerkelijk kunnen winnen.

In een recente studie gericht op het NEAG-5 veld, zette een team onderzoekers onder leiding van Mohamed Kassab zich scharpe om dit probleem op te lossen door verder te kijken dan eenvoudige metingen van lege ruimte. Ze combineerden traditionele gesteenteanalyse met moderne computerleertechnieken om te begrijpen waarom sommige delen van het reservoir goed stromen en andere niet. Het team begon met het onderzoeken van fysieke gesteentemonsters, bekend als kernblokken, genomen uit een put in het veld. Ze maten de porositeit en permeabiliteit van het gesteente, wat het vermogen van het gesteente is om vloeistoffen door te laten. Ze gebruikten ook geavanceerde beeldvorming en chemische analyse om precies te zien welke mineralen aanwezig waren en hoe ze gerangschikt waren. Wat zij ontdekten, was dat het gesteente niet uniform was; in plaats daarvan viel het uiteen in vier duidelijke categorieën, of rots types, elk met zijn eigen unieke persoonlijkheid. Het beste kwaliteit gesteente had zeer weinig klei en grote, open verbindingen tussen de poriën, waardoor olie vrij kon stromen. Het slechtste kwaliteit gesteente was verstopt met specifieke kleimineralen die de poriën bekleedden en eroverheen brugden, waardoor de paden voor olie effectief werden afgesloten.

De onderzoekers realiseerden zich dat een enkele formule het hele reservoir niet kon beschrijven omdat het gesteente te gevarieerd was. Om dit op te lossen, maakten ze gebruik van een machine learning-methode genaamd een geïndexeerde en geprobabiliseerde zelforganiserende kaart. Dit computerprogramma fungeerde als een geavanceerde sorteerder die gegevens uit standaard putlogs analyseerde — metingen van de natuurlijke elektrische en dichtheidseigenschappen van het gesteente — om te identificeren welk van de vier gesteentetypes aanwezig was op een bepaalde diepte. Door de computer te trainen op de fysieke gesteentemonsters die ze al kenden, leerde het team de computer de verborgen patronen in de logs te herkennen die overeenkwamen met de verschillende gesteentetypes. Zodra de computer het onderscheid kon maken tussen het hoogwaardige en het laagwaardige gesteente in de geboorde kernput, pasten ze deze kennis toe op de rest van het veld, inclusen de putten waar geen fysieke gesteentemonsters waren genomen. Dit stelde hen in staat om een gedetailleerde kaart te maken van de doorstromingscapaciteit van het reservoir, waarbij de permeabiliteit werd voorspeld op basis van het specifieke gesteentetype in plaats van alleen de totale hoeveelheid lege ruimte.

De resultaten van deze aanpak vormden een significante verbetering ten opzichte van eerdere methoden. Wanneer het team een enkele, brede formule voor het hele veld gebruikte, waren hun voorspellingen vaak met een grote marge onjuist, met een statistische foutmarge die aanzienlijke onzekerheid achterliet. Echter, toen ze de gegevens scheidden in de vier specifieke gesteentetypes en een op maat gemaakte voorspelling voor elke groep toepasten, steeg de nauwkeurigheid spectaculair. De foutmarge daalde aanzienlijk en de correlatie tussen de voorspelde en werkelijke waarden werd veel sterker. De studie bevestigde dat de aanwezigheid van kleimineralen zoals illiet, kaoliniet en smectiet de primaire drijfveer was van de verschillen in doorstroming. In de beste gesteentetypes waren deze kleien bijna afwezig, terwijl ze in de slechtste gesteentetypes bijna de helft van het volume van het gesteente uitmaakten, waardoor de doorstroming werd verstikt.

Dit werk demonstreert dat het begrijpen van de specifieke minerale samenstelling van een reservoir even belangrijk is als het meten van de lege ruimte. Door de fysieke eigenschappen van het gesteente te koppelen aan de minerale samenstelling en machine learning te gebruiken om deze patronen in putlogs te identificeren, boden de onderzoekers een betrouwbaardere manier om de doorstroming te voorspellen. Deze methode stelt ingenieurs in staat om de gedetailleerde informatie verkregen uit een paar geboorde kernen uit te breiden naar het gehele veld, waardoor een veel duidelijker beeld van het ondergrondse landschap ontstaat. De bevindingen suggerken dat voor heterogene reservoirs zoals die in het NEAG-5 veld, het behandelen van het gesteente als een verzameling van afzonderlijke types in plaats van een enkel uniform blok de sleutel is tot een nauwkeurige voorspelling. Deze aanpak biedt een praktisch pad voorwaarts voor het karakteriseren van soortgelijke complexe reservoirs over de hele wereld, waardoor wordt gewaarborgd dat de beslissingen over boren en productie gebaseerd zijn op een realistisch begrip van de ware aard van het gesteente.