Цифровые инструменты позволяют вскрывать новые горизонты недр


Б. Белозеров, начальник департамента цифровых технологий и геологической экспертизы НТЦ Газпром нефти, рассказывает о новейших цифровых решениях для эффективного изучения недр

Технологии BigData и машинного обучения, новейшие методы моделирования открывают новые возможности для изучения и разработки нефтегазовых месторождений, для получения и обработки большого количества геологической, физико-химической и иной информации и для принятия оптимальных решений на ее основе.

По данным Научно-технического центра (НТЦ) Газпром нефти, внедрение интеллектуальных систем и цифровых инструментов на всех этапах разведки и разработки месторождений позволяет увеличить чистый дисконтированный доход (NPV) активов до 20%.

О наиболее актуальных цифровых проектах в области изучения и разработки месторождений, многие из которых еще находятся в стадии испытаний, в беседе с корреспондентом «НиК» Ириной Роговой рассказывает начальник департамента цифровых технологий и геологической экспертизы НТЦ «Газпром нефти» Б. Белозеров.

Б. Белозеров: Цифровые инструменты позволяют вскрывать новые горизонты недр

– Сегодня, пожалуй, наиболее пристальное внимание Газпром нефти и НТЦ уделяется созданию инструментов для оптимизации производственных процессов в секторе разведки и добычи. Для этого направления нами разработана линейка уникальных цифровых решений, в числе которых есть абсолютные ноу-хау. Например, это проект «Цифровой керн», который представляет собой цифровую лабораторию исследований кернового материала.

НТЦ Газпром нефти ежегодно проводит лабораторный анализ порядка 3 тыс. метров керна и около 500 проб пластовых флюидов. Полученные данные позволяют выполнять достоверную оценку запасов месторождения, тем самым снижая различные риски и повышая доходность проектов.

Цифровой керн

Почему именно этот проект мы считаем одним из наиболее важных по направлению «Разработка месторождений», и в первую очередь - для трудноизвлекаемых запасов? Потому что на сегодняшний день не существует других способов изучить свойства низкопроницаемого пласта.

Во-первых, это очень долго. Во-вторых, в любом случае нет возможности на 100% воссоздать в эксперименте точно такие же гидродинамические условия и процессы, как внутри пласта в реальности. Хотя мы собрали большой объем информации по образцам керна именно на основе лабораторных экспериментов, которые у нас проводятся в огромных количествах. Но получение данных в лаборатории - это слишком дорогой и долгий процесс.

В чем еще существенный недостаток лабораторных методов исследования керна? Изучив опытным путем один образец, мы, так или иначе, разрушаем его, то есть теряем исходные физико-химические свойства и не можем на том же образце воспроизвести какие-либо новые действия. Поэтому в рамках «Цифрового керна» мы запустили проект «Цифровая фильтрационная лаборатория», который нацелен на создание прототипной модели, или так называемого «цифрового двойника» пласта.

В чем суть: мы извлекаем из скважины керн, помещаем в томограф высокого разрешения и получаем, условно говоря, цифровую копию продуктивного пласта. При этом вся его структура и особенности воспроизведены с высокой степенью детализации. С помощью такой цифровой копии мы можем в дальнейшем моделировать различные эксперименты. Например, процесс фильтрации флюида через образец керна. Или смоделировать воздействие на него различных реагентов и т.д.

Данная методика позволяет, во-первых, получить достаточно быстрое решение, потому что мы имеем дело с моделью эксперимента, во-вторых, отпадает необходимость проводить реальные испытания: достаточно изучить свойства и поведение цифрового двойника пласта, затем отправить в лабораторию образцы керна, на которых можно провести валидацию - исследовать точечные процессы для подтверждения и донастройки модели. И если физический эксперимент выявил какие-то отклонения, мы адаптируем те или иные параметры модели и уже на цифровых двойниках керна проводим дальнейшие исследования. Данная методика будет востребована для изучения всех низкопроницаемых объектов, то есть для всех наших трудноизвлекаемых запасов - в первую очередь баженовских и ачимовских залежей.

Помимо экономии времени и средств, «Цифровой керн» дает нам главное преимущество - доступ к свойствам пласта на микроуровне.

Потому что во многих случаях из-за слишком малых размеров поровых каналов провести реальные испытания невозможно. В том числе нельзя в лабораторных условиях быстро и надежно обеспечить необходимое давление внутри пор, чтобы получить объективные данные о скорости фильтрации флюидов или воды. Такие испытания в реальном режиме могут занимать около 9-12 месяцев. Процесс долгий потому, что мы имеем дело с микроскопическими размерами пор. Цифровые методы все это компенсируют и позволяют получать более точные и качественные данные о свойствах пласта с любыми характеристиками проницаемости.

Второй существенный плюс - мы можем неограниченно «проводить» (моделировать) цифровые эксперименты, чтобы получить максимум данных о характеристиках пласта и подобрать к нему оптимальные решения. Прежде всего, нас интересуют оптимальные условия фильтрации, чтобы понимать, с какой скоростью обеспечить закачку воды на скважинах для максимального извлечения нефти из пласта. Если в среднем мы можем достать из пласта порядка 40% потенциальных запасов (в силу разных особенностей месторождения), то с помощью методов увеличения нефтеотдачи (МУН) процент извлечения можно поднять до 60-80% - в зависимости от того, какую химическую композицию применять, в каких пропорциях, в каком объеме и т.д.

Поэтому мы видим большие перспективы применения «цифрового керна» в решении такой задачи, как сфокусированный отбор химических композиций для разработки методов увеличения нефтеотдачи.

С помощью цифровой модели можно подобрать к пластам такие же точечные подходы, как, например, в персонифицированной медицине, когда методы диагностики и лечения подбираются строго с учетом индивидуальных особенностей организма.

Мы дополнили базовый инструментарий «Цифрового керна» опцией молекулярного моделирования - когда программа не просто воссоздает флюид и скорость его течения, а показывает, каким образом молекулы нефти, воды и других компонентов внутрискважинной среды и молекулы введенных химических веществ взаимодействуют между собой. Проанализировав все варианты, мы можем с помощью методов машинного обучения подобрать наиболее сбалансированный вариант химической композиции, уникальный для конкретной скважины или участка месторождения.

Кроме того, мы можем положить цифровую копию кернового материала на сервер и хранить ее сколько угодно долго - до тех пор, когда снова возникнет потребность в этом материале: для уточнения или получения новых данных или для построения модели разработки пластов с похожими свойствами.

«Цифровой керн» - один из недавних проектов НТЦ. В настоящее время мы дополняем его различными необходимыми опциями.

Интерпретация микроизображений керна

Геологическое изучение труднодоступных месторождений связано с исследованием и сравнительным анализом большого количества образцов пород, в том числе на микроуровне. Это необходимо для получения наиболее полной информации о структуре пласта и, прежде всего, о фильтрующих свойствах микроскопических пор и зерен. В этом случае самым ценным источником данных служат многочисленные изображения срезов керна, полученные в результате микрофотосъемки.

Например, по распределению зерен на снимке можно определить, в каких условиях образовывалась та или иная порода, как будет фильтроваться из них флюид.

Это довольно узкая область знаний, поэтому раньше информацию такого рода могли использовать, условно говоря, полтора-два специалиста в компании, которые непосредственно занимаются этим направлением. Совместно с коллегами из Инжинирингового центра МФТИ мы разработали такой инструмент, который на основе технологий компьютерного зрения может анализировать и интерпретировать огромное количество микроскопических фотоснимков срезов пласта. Компьютер сам находит и выделяет нужные сегменты на изображении породы, отмечая все важные показатели и свойства, которые затем могут использовать в своей работе геологи или петрофизики. Точно так же работают, например, различные графические программы по распознаванию лиц.

Продолжить