Ученые научили нейросеть предсказывать подземное давление с точностью 99,5%
0
23
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.
Знаете ли вы, что земные недра — это не мертвая толща камня, а живой, динамичный мир, где миллионы лет действуют колоссальные силы. Континенты движутся, сталкиваются и расходятся, словно гигантские льдины в океане. Эти процессы рождают горы, вызывают землетрясения и создают внутри Земли сложнейшую систему напряжений.
Там, на глубине нескольких километров, горная порода сжата со всех сторон. Сверху давит вес вышележащих слоев — это вертикальное давление, рассчитать его относительно просто. Но есть и более коварная сила — горизонтальное напряжение. Оно возникает из-за того, что земная кора никогда не находится в покое. Например, Гималайские горы до сих пор растут, потому что Индийская плита врезается в Евразийскую. Именно такие тектонические процессы создают колоссальное боковое сжатие в недрах, с которым приходится иметь дело специалистам, которые бурят скважины, чтобы добраться до месторождений нефти и газа. Для них эти гигантские тектонические силы превращаются из абстрактной геологии в главную практическую проблему: как пробурить канал сквозь сжатую породу и удержать его открытым, не разрушив ни инструмент, ни сам пласт?
Чтобы понять, с чем им приходится сталкиваться, достаточно вспомнить песочницу. При копании в сухом песке стенки ямы начинают осыпаться, а во влажном держат форму — вода скрепляет песчинки. В скважине роль воды играет буровой раствор: его закачивают внутрь, чтобы он противодействовал давлению породы и удерживал стенки от обрушения. Если он слишком слабо давит, стенки обрушатся и буровой прибор сломается. Если очень сильно — пласт деформируется, и нефть с газом бесконтрольно вырвутся наружу. Ошибка всего в несколько процентов — и многомиллионные потери, остановка работ, а иногда и экологическая катастрофа.
Сегодня, чтобы измерить горизонтальные напряжения, применяют несколько способов. Один из них — лабораторные исследования кусочков породы (керна), которые поднимают из скважины на поверхность. Но такие образцы есть далеко не по всей длине глубине — их отбирают лишь в отдельных интервалах, а когда извлекают, естественное напряжение исчезает, и восстановить его можно лишь приблизительно.
Другой метод — геофизические исследования. В скважину опускают приборы, которые непрерывно измеряют свойства породы: скорость звука, плотность, пористость. Данных получается очень много, но сами по себе они не дают готового ответа. Чтобы рассчитать по ним горизонтальные напряжения, нужны сложные математические формулы, которые часто используют упрощения, например, не учитывают тектонические силы.
Поэтому сегодня все чаще для расчетов начинают применять нейросети. Они хорошо находят скрытые закономерности в больших массивах данных. Но у существующих моделей есть недостатки: они часто «переобучаются», то есть отлично работают на знакомых скважинах, но ошибаются на новых, из-за чего точность прогноза колеблется в пределах 65–85%. К тому же они работают медленно: на один расчет уходят десятки секунд, что в условиях бурения непозволительно долго.
Для решения этой проблемы ученые Пермского Политеха совместно с коллегами из Китая разработали гибридную модель на основе искусственного интеллекта, которая позволяет предсказывать горизонтальные напряжения в горных породах с точностью 99,5%, используя только стандартные данные геофизических исследований скважин.
— 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, — рассказал Дмитрий Мартюшев, профессор кафедры «Нефтегазовые технологии», доктор технических наук.
Ученые обучали нейросеть на огромном массиве данных — более 10 тысяч 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».
Представьте, что вы учитесь предсказывать дождь. Вам дают много данных: температуру, влажность, день недели и даже результаты футбольного матча. Если пытаться учитывать все подряд, можно найти случайные совпадения — например, заметить, что после победы любимой команды часто идет дождь. Это и является «шумом»: связь есть, но случайная, и на новых данных она не сработает. Традиционные нейросети часто попадают в такую ловушку: они запоминают и реальные закономерности, и случайности. Поэтому на новых скважинах ошибаются. Разработанная модель сама определяет, какие параметры действительно важны, а какие лишь случайно совпали. Она игнорирует «футбол» и учитывает только то, что действительно влияет на результат. Поэтому на новых, незнакомых объектах она не ошибается.
— 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, — поделился 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.
На снимке справа: состояние образца керна до и после разрушения во время испытаний на глубине 4210 м
Источник фото: пресс-служба ПНИПУ