Эра умной разведки

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» Борис Белозеров.

Борис 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.

Технология интерпретации микроскопических изображений керна, во-первых, позволяет получать большой массив дополнительной информации, которой раньше в принципе не было в распоряжении исследователей.

Например, с помощью компьютерного анализа фотографий можно получать более точные распределения цветности, пористости и другие важные показатели и физические свойства изучаемого пласта.

Во-вторых, удлиняя цепочку изучения керна, мы тем самым создаем модель его цифрового двойника, который может бессрочно храниться на сервере и быть доступным по первому требованию. То есть геологи теперь могут не выезжать в поля, а исключительно по фотографиям в системе поиска аналогов вернуться к тому или иному образцу породы и сопоставить его свойства с образцами из множества других скважин, в том числе из других регионов нефтегазодобычи. Это значительно сокращает как скорость геофизического исследования скважин (ГИС), так и неопределенность данных по месторождению.

Сама возможность понять физическую структуру разрабатываемого участка по одной или нескольким фотографиям существенно снижает потенциальные риски и затраты при освоении месторождения. Потому что в арсенале специалистов-геологов и петрофизиков появляются дополнительные знания не только о микроскопическом строении пласта, но и о лучших практиках ГИС и разработки скважин. С помощью нового инструментария эти знания могут быть извлечены из архива и реплицированы на других объектах компании. Система интерпретации изображений керна уже была применена на Восточно-Мессояхском месторождении.

А в целом наша задача состоит в том, чтобы создать единое хранилище данных о месторождениях. Потому что ключевая проблема всей мировой нефтянки, а не только отечественной, – это создание базы оцифрованных и так называемых «размеченных», или отрисованных, изображений, которые служат основой для методов машинного обучения.

Дело в том, что вся работа современных нейросетей так или иначе построена на сопоставлении данных. Именно таких данных сегодня катастрофически не хватает в отрасли. Поэтому в рамках НТЦ в настоящее время мы отдельно работаем над созданием базы оцифрованной и размеченной информации, на которой затем сможем использовать все современные технологии машинного обучения, обработки данных и т.д.

Умная разведка

«Когнитивный геолог» также один из новейших цифровых проектов НТЦ, который позволяет оптимизировать процесс обработки геофизической информации и геологических данных, от полевой съемки до получения итогового результата ГРР.

Основная задача «когнитивного геолога» – интеграция различных данных, получаемых на всех этапах геологоразведки, включая сейсмику, поисковое бурение, отбор керна, аэрофотосъемку и т.д. Вся информация поступает на обработку в единую базу. С помощью методов машинного обучения и искусственного интеллекта мы фактически заменяем большое количество рабочих моделей для каждого из типов информации на одну метамодель, которая позволяет нам на каждый момент времени получать объективное знание о степени перспективности той или иной зоны разведки.

Сфера применения – любой геологоразведочный проект, где необходимо провести геофизическую съемку, пробурить поисковую скважину и найти перспективный участок, на котором можно будет вести добычу с наибольшей эффективностью.

То есть функция «Когнитивного геолога» – максимально изучить регион разведки и потенциальной добычи в как можно более сжатые сроки. До сих пор проекты ГРР у нас в среднем занимали от 3 до 5 лет. Причем большая часть времени уходила как раз на обработку и анализ полученных материалов.

Автоматизированный процесс интерпретации данных позволяет сократить время полевых изысканий до полугода – максимум года.

Например, мы получаем значительную экономию, имея доступ к ранее собранным результатам сейсмики с близлежащих месторождений или в соседних регионах с похожими условиями. Затем с помощью все тех же методов машинного обучения подбираем такие критерии оценки, которые автоматически выделяют из данного блока геофизической информации наиболее перспективные зоны.

Широкую область задач для проекта мы видим в оптимизации поиска перспективных зон труднодоступных месторождений. Как я уже отмечал, применение для ТРИЗ стандартных методов интерпретации данных, которые сейчас повсеместно используются, невозможно. Например, обрабатывая сейсмику с ТРИЗ традиционными методами, мы не получаем четкого ответа, с какими пластами нам придется работать. Сейчас вся получаемая информация одновременно интегрируется и интерпретируется. За счет этого мы значительно сокращаем время разведки и получаем больше данных. С помощью нового инструмента у нас появилась возможность «прогнать» старые данные или получить недостающие по новым перспективным толщинам. Кроме того, мы сокращаем на 2-3 года процесс получения ответа на главный вопрос любого проекта геологоразведки – куда нам бурить ту или иную скважину.

Умное бурение

Внедрение интеллектуальных систем в процесс бурения относится к числу приоритетных направлений разработок НТЦ «Газпром нефти» в силу того, что компания ежегодно бурит более тысячи скважин. Это самые капиталоемкие проекты в разработке месторождений. В рамках НТЦ в 2012 году был создан Центр управления бурением «ГеоНавигатор», на базе которого внедряются новейшие технологии, в том числе цифровые. Последние цифровые решения по бурению реализуются совместно с IBM и Сколковским институтом науки и технологий (Сколтехом). Мы назвали этот проект «Умное бурение», по аналогии с другими когнитивными моделями в НТЦ.

Зачастую мы бурим горизонтальную скважину протяженностью 2,5 км с погружением до 1,5-2 км. И нам необходимо ее привести в нефтяной толще, шириной от 5 до 7 м. А нужная информация о том, где находится бур, начинает поступать только по прошествии какого-то времени. Именно для этих целей мы создаем цифровой инструмент (на основе методов машинного обучения, нелинейных регрессий и т.д.), который позволит трансформировать данные о работе механизмов в информацию о динамике продвижения бура в пласте. То есть по сути, используя косвенную информацию, можно будет определять состав пласта и понимать – находимся мы в нужной толще или вышли за ее пределы и должны срочно скорректировать направление движения.

Проект «Умное бурение» тестируется пока только в пилотном варианте на ряде месторождений «Газпром нефти».

Что касается технологий заканчивания скважин, то здесь роль цифровых методов существенно возрастает, так как сама по себе технология заканчивания – очень дорогостоящая вещь. Цифровые технологии именно в этом сегменте бурения пока еще не внедряются широко, но перспективы для их применения есть, и большие.

Первое и самое быстрое, что можно сделать, – создать геомеханические модели. Мы можем в данном случае применять также метамоделирование или машинное обучение, чтобы геохимическая модель работала в реальном режиме и могла в любой момент давать информацию из скважины.

Второе направление – поиск оптимального заканчивания на основе лучших практик. Допустим, мы уже пробурили тысячу скважин и где-то получили оптимальное заканчивание (которое при минимальной скорости при одинаковых свойствах пласта дает лучшие показатели работы скважины), а где-то оно было наиболее удачным. Соответственно, мы можем, описав прошлый опыт с помощью графиков и многомерных моделей, совместить его с лучшими результатами практики на других объектах, в том числе других компаний. Тем самым модель будет постоянно оптимизироваться.

Везде, где стоит задача оптимизации чего-то бы то ни было, цифровые решения идут всегда впереди прочих. В конце первого квартала 2018 года в ходе реконструкции скважины на Южно-Приобском месторождении «Газпромнефть-Хантос» (ХМАО) было завершено бурение бокового ствола с горизонтальным окончанием длиной более 700 метров, что является рекордным показателем для компании. Общая длина скважины составила 3,6 тыс. метров.

Беседовала Ирина Роговая

Продолжение следует: в части «ЭРА умной добычи» представители НТЦ «Газпром нефти» расскажут о цифровых проектах на стадии разработки месторождений, в том числе выработанных, и о вариантах цифровой поддержки воздействия на пласт. Скоро на портале "Нефть и Капитал"!