Ученые создали нейросеть, предсказывающую подземное давление

Ученые Пермского национального исследовательского политехнического университета (ПНИПУ) 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 данные стандартных геофизических исследований скважин.
Одна из проблем, с которой сталкиваются специалисты, занимающиеся бурением и эксплуатацией нефтегазовых скважин, — необходимость точной оценки горизонтальных напряжений в недрах, связанных с тектоническими движениями земной коры. 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: на один расчет уходят десятки секунд, что в условиях бурения непозволительно долго.
Разработка, представленная авторами, объединяет оба этих 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 один из авторов исследования, профессор кафедры «Нефтегазовые технологии» ПНИПУ, доктор технических наук Дмитрий Мартюшев.
Ученые обучали нейросеть на огромном массиве данных: более 10 тысяч замеров, сделанных в трех скважинах Джунгарского бассейна на северо-западе Китая. Этот район 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 много, 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».
«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 узнать, 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.
По оценкам ученых, предложенный гибридный алгоритм может стать перспективным инструментом для нефтегазовой отрасли, снижая аварийность при бурении, сокращая затраты и обеспечивая безопасность разработки сложных месторождений.

Источник: Официальный ресурс Министерства образования и науки Российской Федерации