Исследователи из Сколтеха представили модель, которая упростит планирование разработки нефтяных месторождений. С её помощью можно получить полезную информацию о скважине — например, сравнить её с уже разработанными скважинами поблизости, чтобы спрогнозировать актуальные для нефтедобычи свойства и повысить эффективность бурения. Исследование опубликовано в журнале первого квартиля IEEE Geoscience and Remote Sensing Letters.

Процесс разработки нефтяных и газовых месторождений можно разделить на три этапа: месторождение находят, оценивают и разрабатывают. Оценка касается, например, объёмов и распределения запасов углеводородов. На этом этапе бурят разведочные скважины и спускают в них зонды, которые фиксируют большое количество показателей — от радиоактивности пласта до подвижности грунтовых вод. Затем эту информацию используют для принятия решений по разработке.

«Сейчас после оценки месторождения мы получаем большой массив разрозненных данных, и непонятно, что с ним делать. Целью нашего исследования было построить такую модель, которая на основе всех этих данных будет создавать математическое представление — вектор, который полностью описывает скважину», ­— объясняет первый автор работы, инженер-исследователь Сколтеха Александр Марусов.

Вектор, который выдаёт модель, в сжатом виде содержит полезную информацию о скважине. Помимо гипотез о её свойствах, модель поможет решить проблему неправильного направления бурения: при продвижении вглубь пласта важно оставаться в рамках одного типа породы. Если пересечь границу с другим типом, то придётся начинать заново, в другом направлении, а это требует больших затрат.

«Наша модель поможет определить текущий тип породы и скорректировать процесс бурения. Точность предсказания типа породы на основе наших представлений составила 82%, а предыдущий лучший результат — 59%. Наша разработка поможет принимать решение о разработке месторождения быстрее и эффективнее», — добавляет Марусов.

Обучение модели производилось с помощью метода самообучения (self-supervised learning), который отличается от традиционных подходов машинного обучения. Для последних нужны данные с разметкой, то есть снабжённые дополнительным описанием, а режим самообучения этого не требует. Например, зонд может регистрировать в разведочной скважине излучение или другие сигналы геофизических процессов. Самообучение позволяет использовать эти данные как есть, без разметки.

«Методы самообучения разделяют на контрастивные и неконтрастивные. Мы применяли неконтрастивные — в таких методах используются только пары одинаковых объектов. В качестве примера таких объектов можно привести интервалы сигналов из одной и той же скважины», ­— рассказывает учёный.