Прогнозирование интенсивности трещиноватости в скважинах карбонатного пласта методами машинного обучения: на примере газового месторождения в Республике Узбекистан

Аннотация: В статье представлен опыт прогнозирования интенсивности трещиноватости в скважинах газового месторождения Сурхандарьинской области Республики Узбекистан с использованием искусственных нейронных сетей (ИНС). Коллекторские свойства продуктивного карбонатного пласта имеют двойственную природу: проницаемость системы естественных трещин превосходит проницаемость поровой матрицы на несколько порядков, тогда как основная емкость коллектора сосредоточена в матрице. Построение достоверной модели трещиноватости является необходимым условием для рационального проектирования разработки месторождения. Исследования электрическим микросканированием проведены только на 30% фонда скважин, что обусловило необходимость синтетического прогноза трещиноватости для остальных скважин на основе данных ограниченного комплекса ГИС. Традиционные методы поиска зависимостей, такие как регрессионный анализ, не позволили установить надежные корреляционные связи между интенсивностью трещиноватости и методами ограниченного комплекса ГИС. Модель ИНС обучена на данных 7 скважин с расширенным комплексом ГИС, включающим электрическое микросканирование. Экспериментальным путем определены оптимальные параметры архитектуры ИНС: количество слоев, число нейронов в каждом слое, функции активации и скорость обучения. Оптимальные архитектуры с двумя и тремя скрытыми слоями продемонстрировали высокую точность прогнозирования с коэффициентом детерминации 0,93 для обучающей и 0,90 для тестовой выборки. Примененный подход позволил существенно расширить информационную базу для построения модели трещиноватости, верифицировать пространственные тренды на большом количестве скважинных пластопересечений и, в конечном итоге, повысить достоверность гидродинамического моделирования двойной среды месторождения.