Wetenschappers van Skoltech en hun branchegenoten hebben een manier gevonden om machine learning te gebruiken om de thermische geleidbaarheid van gesteenten nauwkeurig te voorspellen, een cruciale parameter voor een betere oliewinning. Het onderzoek, ondersteund door Lukoil-Engineering LLC, werd gepubliceerd in de Geofysisch tijdschrift internationaal .

Rots thermische geleidbaarheid, of het vermogen om warmte te geleiden, is de sleutel tot zowel het modelleren van een aardoliebekken als het ontwerpen van methoden voor verbeterde oliewinning (EOR), de zogenaamde tertiaire winning waarmee een exploitant van een olieveld aanzienlijk meer ruwe olie kan winnen dan met basismethoden. Een veelgebruikte EOR-methode is thermische injectie, waarbij de olie in de formatie op verschillende manieren wordt verwarmd, zoals stoom, en deze methode vereist uitgebreide kennis van warmteoverdrachtsprocessen binnen een reservoir.

Voor deze, men zou de thermische geleidbaarheid van gesteenten direct in situ moeten meten, maar dit is een ontmoedigende taak gebleken die nog geen bevredigende resultaten heeft opgeleverd die in de praktijk bruikbaar zijn. Dus wetenschappers en beoefenaars wendden zich tot indirecte methoden, die de thermische geleidbaarheid van gesteente afleiden uit bronregistratiegegevens die een beeld met hoge resolutie geven van verticale variaties in fysieke eigenschappen van gesteenten.

"Vandaag, drie kernproblemen sluiten elke kans uit om de thermische geleidbaarheid direct binnen niet-kernintervallen te meten. Het is, ten eerste, de tijd die nodig is voor metingen:petroleumingenieurs kunnen u de put niet lang laten wachten, omdat het economisch onredelijk is. Ten tweede, geïnduceerde convectie van boorvloeistof heeft een drastische invloed op de meetresultaten. En tenslotte, er is de onstabiele vorm van boorgaten, wat te maken heeft met enkele technische aspecten van metingen, "Skoltech Ph.D.-student en de eerste auteur van het artikel, Yury Meshalkin, zegt.

Bekende, goed op logs gebaseerde methoden kunnen gebruikmaken van regressievergelijkingen of theoretische modellering, en beide hebben hun nadelen die te maken hebben met de beschikbaarheid van gegevens en niet-lineariteit in gesteenteeigenschappen. Meshalkin en zijn collega's zetten zeven algoritmen voor machine learning tegen elkaar in de race om de thermische geleidbaarheid zo nauwkeurig mogelijk te reconstrueren uit putregistratiegegevens. Ze kozen ook een theoretisch model van Lichtenecker-Asaad als maatstaf voor deze vergelijking.

Met behulp van echte brongegevens van een zwaar olieveld in het Timan-Pechora-bekken in het noorden van Rusland, onderzoekers ontdekten dat, onder de zeven machine-learning-algoritmen en elementaire meervoudige lineaire regressie, Random Forest leverde de meest nauwkeurige, op goed logboeken gebaseerde voorspellingen van de thermische geleidbaarheid van gesteenten, zelfs het theoretische model verslaan.

"Als we kijken naar de praktische behoeften van vandaag en bestaande oplossingen, Ik zou zeggen dat ons beste resultaat op basis van machine learning zeer nauwkeurig is. Het is moeilijk om een ​​kwalitatieve beoordeling te geven, aangezien de situatie kan variëren en beperkt is tot bepaalde olievelden. Maar ik geloof dat olieproducenten dergelijke indirecte voorspellingen van de thermische geleidbaarheid van gesteenten kunnen gebruiken in hun EOR-ontwerp, "Mesalkin merkt op.

Wetenschappers zijn van mening dat algoritmen voor machinaal leren een veelbelovend raamwerk zijn voor snelle en effectieve voorspellingen van thermische geleidbaarheid van gesteenten. Deze methoden zijn eenvoudiger en robuuster en vereisen geen extra parameters buiten de algemene bronlogboekgegevens. Dus, ze kunnen "de resultaten van geothermische onderzoeken radicaal verbeteren, bekken- en petroleumsysteemmodellering en optimalisatie van thermische EOR-methoden, ’, besluit de krant.