A Machine Learning Based Approach for Electrofacies and Permeability Prediction in Heterogeneous Shaly Sand Reservoirs: A Case Study from the NEAG-5 Field, Egypt
本研究提出了一种将电测井岩相建模与矿物学数据相结合的集成机器学习工作流，通过将估算值基于不同的储层岩石类型而非使用单一的全场统一关系进行约束，显著提高了埃及 NEAG-5 油田非均质泥质砂岩储层渗透率预测的准确性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在埃及西部沙漠的深处，隐藏着一个长期以来令试图开采其中石油的工程师们感到困惑的地质谜题。这个问题涉及被称为中巴哈里亚（Middle Bahariya）的岩层，它是一种나含砂页岩储层，是沙粒与粘土矿物的复杂混合物。几十年来，估算石油在岩石中流动难易程度的标准方法是测量其孔隙度，即岩石内部空隙的总量。其逻辑非常直观：空隙越多，流动应该越容易。然而，在埃及这些特定的储层中，这一简单规则经常失效。研究人员发现，两块岩石样本可能拥有完全相同的空隙总量，但一块能让石油奔涌而出，而另一块却像一堵坚实的墙一样阻碍流动。这是因为岩石内部粘土矿物的类型和排列方式可能会堵塞连接这些空隙的微小通道，即孔喉。由于缺乏预测这些隐藏堵塞的方法，石油公司难以确定在哪里钻探，也难以准确预知实际能回收多少石油。
在最近一项针对 NEAG-5 油田的研究中，由 Mohamed Kassab 领导的研究小组决定不再仅仅关注空隙总量，而是通过更深入的观察来解决这一问题。他们将传统的岩石分析与现代计算机学习技术相结合，以理解为什么储层的某些部分流动性良好，而其他部分却不行。团队首先检查了从该油田一口井中采集的物理岩石样本，即岩芯柱。他们测量了岩石的孔隙度和渗透率（即岩石传输流体的能力）。他们还利用先进的成像和化学分析技术，精确观察了存在的矿物种类及其排列方式。他们发现，这种岩石并非均匀一致，而是分为四个截然不同的类别，即四种“岩石类型”，每种类型都有其独特的个性。质量最好的岩石含粘土量极低，且孔隙之间的连接宽大开放，允许石油自由流动；而质量最差的岩石则被特定的粘土矿物所填塞，这些矿物衬在孔隙内并横跨在孔隙之上，有效地封锁了石油的路径。
研究人员意识到，由于岩石过于多样化，单一的公式无法描述整个储层。为了解决这个问题，他们转向了一种称为“索引化与概率化自组织映射”的机器学习方法。这个计算机程序就像一个精密的分类器，通过分析标准测井数据（即岩石自然电学和密度特性的测量值），来识别在任何给定深度存在哪种岩石类型。通过利用已知的物理岩石样本对计算机进行训练，团队教会了它如何识别测井数据中与不同岩石类型相对应的隐藏模式。一旦计算机能够区分出有芯井中的高质量岩石和低质量岩石，他们便将这一知识应用到整个油田，包括那些没有采集物理岩石样本的井。这使他们能够绘制出一张详细的储层流动能力图，根据特定的岩石类型而非仅仅根据总空隙量来预测渗透率。
这种方法的应用结果比以往的方法有了显著提升。当团队对整个油田使用单一的广义公式时，他们的预测往往偏差巨大，其统计误差率留下了相当大的不确定性。然而，当他们将数据拆分为四种特定的岩石类型并为每组应用定制化的预测时，准确度大幅跃升。误差率显著下降，预测值与实际值之间的相关性也变得更加强劲。研究证实，伊利石（illite）、高岭石（kaolinite）和蒙脱石（smectite）等粘土矿物的存在是导致流动差异的主要驱动因素。在最好的岩石类型中，这些粘土几乎不存在；而在最差的岩石类型中，它们占据了近一半的岩石体积，从而扼杀了流动。
这项工作表明，了解储层的具体矿物组成与测量其空隙总量同样重要。通过将岩石的物理特性与其矿物组成联系起来，并利用机器学习识别测井数据中的这些模式，研究人员提供了一种更可靠的预测石油流动的方法。这种方法使工程师能够将从少量钻取的岩芯中获得的详细信息扩展到整个油田，从而勾勒出地下景观的清晰全貌。研究结果表明，对于像 NEAG-5 油田这样具有非均质性的储层，将岩石视为一系列截然不同的类型而非一个单一均匀的整体，是实现准确预测的关键。这种方法为表征全球类似的复杂储层提供了一条切实可行的路径，确保关于钻探和生产的决策是基于对岩石真实本质的现实理解。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。