Недра Земли динамичны. Из-за движения тектонических плит в горных породах возникает колоссальное горизонтальное давление. Для специалистов, которые бурят скважины на нефть и газ, это главная проблема, так как буровой раствор должен точно противодействовать этому давлению. Даже небольшая ошибка в расчете грозит обрушением стенок скважины, поломкой дорогостоящего инструмента, остановкой работ и экологической катастрофой. Сегодня такие напряжения измеряют двумя способами: по образцам пород либо с помощью геофизических формул, которые часто не учитывают тектонические силы. Нейросети ускоряют расчет, но дают точность лишь 65–85% и работают медленно. Для решения этой проблемы ученые Пермского Политеха совместно с китайскими коллегами разработали гибридную модель на основе ИИ. Она предсказывает горизонтальные напряжения с точностью 99,5%, используя стандартные данные геофизических исследований скважин. Об этом CNews сообщили представители ПНИПУ.

«Разработка представляет собой гибридный алгоритм, который объединяет два подхода. Первый — это нейросеть с самонастраиваемой структурой. Второй — специальный математический метод, который помогает ей быстро находить наиболее точное решение. Модель анализирует сразу девять параметров, которые непрерывно измеряют в скважине: скорость звука, плотность породы, ее электрическое сопротивление, естественную радиоактивность, пористость и другие показатели. На их основе алгоритм вычисляет минимальное и максимальное горизонтальное напряжение», — сказал Дмитрий Мартюшев, профессор кафедры «Нефтегазовые технологии», доктор технических наук.

Ученые обучали нейросеть на огромном массиве данных — более 10 тыс. замеров, сделанных в трех скважинах Джунгарского бассейна на северо-западе Китая. Это месторождение считается геологически сложным, так как за миллионы лет там сталкивались тектонические плиты, образовались горы и разломы, а породы сжаты с боков с разной силой на разных глубинах. Именно в таких непростых условиях традиционные методы расчета часто дают сбой. В России подобных территорий большинство, например, в Западной и Восточной Сибири, на шельфе Сахалина, Урале и Кавказе.

В работе с такими сложными данными алгоритм учился находить закономерности. В отличие от традиционных нейросетей, которые часто «переобучаются», то есть отлично запоминают данные на знакомых скважинах, но теряются и начинают ошибаться, когда сталкиваются с новой, незнакомой породой. Разработанная же модель сама определяет, какие из девяти параметров действительно влияют на горизонтальное давление, а какие лишь создают «шум» и только мешают точному прогнозу. Это позволяет ей уверенно работать даже на тех скважинах, где она никогда не «тренировалась».

«При тестировании на скважинах, которые не участвовали в обучении, точность модели составила 99,5%. Это значит, что ошибка прогноза составляет менее одного процента. При этом время расчета сократилось на 87% по сравнению с существующими аналогами», — сказал Дмитрий Мартюшев.

Применение алгоритма позволяет заранее, до начала бурения, точно знать, с какой силой порода сжата с боков. Это помогает инженерам рассчитать идеальный вес бурового раствора, чтобы стенки скважины не обрушились и не случилось аварийного выброса нефти или газа.

Кроме того, точное знание горизонтальных напряжений критически важно при гидравлическом разрыве пласта — технологии, которая позволяет добывать трудноизвлекаемую нефть. В скважину под давлением закачивают жидкость, создавая трещины в породе, чтобы открыть путь для нефти и газа. Их направление зависит от того, как порода сжата с боков. Зная это, инженеры могут направить трещины именно туда, где сосредоточены запасы, а не в пустые породы или соседние скважины. Это повышает эффективность добычи и снижает риски.

Следовательно, разработка ученых позволяет отказаться от дорогостоящих и трудоемких методов измерения горизонтальных напряжений, заменяя их быстрым и точным ИИ-решением. Гибридный алгоритм может стать перспективным инструментом для нефтегазовой отрасли, снижая аварийность при бурении, сокращая затраты и обеспечивая безопасность разработки сложных месторождений.

Короткая ссылка