Кластеризация карбонатных коллекторов
по геофизическим данным при планировании геолого-технологических мероприятий

Привалова О.Р.
ООО «РН-БашНИПИнефть»
(ОГ ПАО «НК «Роснефть»)
В статье рассматриваются возможности кластерного анализа для оценки неоднородного карбонатного разреза. Объектом исследования являются отложения каширо-подольского возраста. Особенность объекта: литологическая неоднородность, сложная структура пустотного пространства, наличие микропоровых пород с высоким содержанием остаточной воды, значительное влияние вторичных процессов на петрофизические свойства. Осложняющим фактором для анализа перспективных интервалов является нехватка «исторических» скважинных данных: они во многих случаях отсутствуют или имеют различную степень полноты в зависимости от года бурения и стандартов хранения информации. В данном исследовании рассмотрен участок месторождения, включающий около ста скважин, различных по дате бурения, комплексу проведенных геофизических исследований и техническим условиям при каротаже. В одной скважине участка записан расширенный комплекс геофизических исследований скважин, позволяющий получить упругие свойства, в остальных имеются стандартные методы. Кластеризация помогает при анализе неоднородных и разномасштабных данных. К такой категории информации можно отнести результаты геофизических исследований, выполненных методами с различными радиусами исследований и вертикального разрешения аппаратуры. На секторном участке проведена кластеризация расширенного и ограниченного стандартного геофизического комплекса в программном продукте «РН-Петролог». При односкважинной и многоскважинной кластеризации лучшим алгоритмом зарекомендован метод К-средних. В результате кластеризации выявлены интервалы лучшего и худшего коллектора в условиях ограниченной информации.

Актуальность

Заканчивается время легко добываемых углеводородов. Повсеместно нефтяные компании переходят к освоению сложнопостроенных природных резервуаров. Сложность резервуаров заключается в разнообразии геологических условий их образования, которые влияют на емкость, проницаемость и способность удерживать флюиды. Понимание строения природных резервуаров, классификация типов являются ключевыми для оценки перспектив нефтегазоносности месторождений и эффективной разработки залежей углеводородов. К особо сложным резервуарам относятся: многопластовые залежи; неантиклинальные ловушки; низко- и сверхнизкопроницаемые породы; породы со сложной литологией и структурой пустотного пространства, в том числе карбонатные породы.
В пределах Русской плиты перспективными являются карбонатные отложения среднего карбона, распространенные повсеместно [1, 2]. В их состав входит каширо-подольский объект (КПО). Он является транзитным горизонтом для большинства месторождений Волго-Уральской нефтегазовой провинции, разрабатывающих нижележащие терригенные отложения. К особенностям КПО можно отнести: литологическую неоднородность, сложную структуру пустотного пространства, наличие микропоровых пород с высоким содержанием остаточной воды, значительное влияние вторичных процессов на петрофизические свойства. Присутствие в каширо-подольских отложениях микропоровых водоносных прослоев гипсометрически выше нефтенасыщенных затрудняет прогноз характера насыщения.
Осложняющим фактором для анализа перспективных интервалов является отсутствие «исторической» скважинной информации. Проблема возникает из-за того, что данные, необходимые для анализа и интерпретации геофизических исследований скважин (ГИС), во многих случаях отсутствуют или имеют различную степень полноты в зависимости от года бурения и стандартов хранения информации.
Требуется инструмент анализа геологической неоднородности в условиях ограниченной информации при планировании геолого-технологических мероприятий старого фонда скважин. В данной статье рассматривается использование кластерного анализа для выявления зон неоднородности и возможности дальнейшего их прогнозирования для формирования рационального подхода к вводу скважин в разработку и равномерной выработки пласта. Для анализа используется программный продукт «РН-Петролог», разработанный в Компании.

Геологические особенности объекта

Нефтегазоносность КПО подтверждена на многих месторождениях Республики Башкортостан. Рассмотрим анализ неоднородности КПО на примере одного из крупнейших месторождений нефти.
Седиментация каширо-подольских отложений происходила в мелководно-морских условиях повышенной солености, что привело к литологической неоднородности и активному развитию вторичных процессов.
При обобщении литолого-петрографического описания пород выделены основные литотипы по литологическому признаку, размерам пустот и зерна. Типизация пород известняков выполнена по модифицированной классификации Danhema [3]. В разрезе преимущественно представлены чередования маломощных прослоев литотипов — мадстоун и вакстоун (преобладающие), характеризующие породы с ухудшенными фильтрационно-емкостными свойствами (ФЕС), а также пак- и грейнстоунами. Классификация доломитов проведена по зернистости породы.
По результатам микроскопии и компьютерной томографии породы разделены на типы с учетом структуры пустотного пространства. В зависимости от размера пор выделены три типа коллектора: микропоровый, поровый и каверново-поровый. Фильтрационные свойства увеличиваются от микропорового до каверново-порового типа коллектора. В пределах рассматриваемого месторождения каверново-поровый тип приурочен к кровельной части пласта С2кш1. Подробно современная петрофизическая модель описана в [3].
Наличие микропоровых пород создает уникальную ситуацию — переслаивание
нефте- и водонасыщенных интервалов в разрезе скважины. А наличие нескольких типов коллектора с различной электрической характеристикой затрудняет корректную оценку насыщения. Ранее принятое значение граничного («нефть–вода») удельного электрического сопротивления (УЭС), равное 5 Ом·м, может соответствовать нефтенасыщенному каверново-поровому коллектору с пористостью 20 % и водонасыщенному микропоровому коллектору с
пористостью 18 % [2]. Необходимо определять характер насыщения для каждого типа коллектора раздельно, по собственным критериям с учетом потоковых экспериментов на керне.
Лабораторные исследования показали пониженную подвижность флюида в микропоровых коллекторах по сравнению с поровым типом [3].
Анализ результатов опробований интервалов, находящихся выше условного водонефтяного контакта в наклонно-направленных эксплуатационных скважинах возвратного фонда, позволил сделать вывод о подавляющем преобладании в притоке водной фазы, если суммарная толщина микропоровых прослоев будет более сорока процентов от общей толщины.
Подводя итог перечислению геологических особенностей разреза КПО, хочется подчеркнуть важность дифференцированного подхода к коллектору. Требуется определить интервалы с различными петротипами, рассчитать петрофизические свойства, используя собственные корреляционные связи для каждого типа. Для оценки характера насыщения также используются собственные критерии границы «нефть–вода».
С целью подбора кандидатов для геолого-технологических мероприятий после стандартной интерпретации всего разреза, в нефтенасыщенной части оценивается качество коллектора и его латеральное распространение в пределах исследуемого участка. Также оценивается доля микропоровых пород, наличие которых ухудшает извлечение нефти.

Исходные данные для анализа геологической неоднородности

Активное бурение скважин на месторождении началось в середине прошлого века, когда основным объектом разработки являлась нижележащая терригенная толща нижнего карбона. Объект КПО являлся транзитным и изучался стандартным комплексом геофизических исследований, включающим метод потенциала самопроизвольной поляризации (ПС), кажущегося сопротивления (КС) (потенциал-зонд (ПЗ)), гамма-каротаж (ГК) и нейтронный гамма-каротаж (НГК). Для контроля состояния ствола скважины проводился механический каверномер, регистрирующий диаметр скважины (ДС).
Основные проблемы качества входных данных: ограниченный комплекс ГИС; использование при исследованиях в скважинах нестандартизованной аппаратуры и отсутствие автоматического ввода поправок на различающиеся скважинные условия в историческом фонде. Например, в скважинах 253, 259, 260, 521, 812 и др. кривые ГК и НГК зарегистрированы в импульсах в минуту. В скважине 2316: ГК записан в мкр/ч, нейтронный каротаж — в импульсах в минуту.
В скважине 11183l1: НГК — в у.е., ГК — в мкр/ч.
Чем меньше методов ГИС регистрируется в скважине, тем сложнее создать адекватную интерпретационную модель сложнопостроенного коллектора с полиминеральной матрицей и несколькими типами пустотного пространства. Отсутствие исторических данных об условиях в процессе каротажа, таких как скорость записи, размер радиоактивного источника, сопротивление бурового раствора или промывочной жидкости, затруднеют корректировку исходного материала.
Для минимизации влияния качества исходных геофизических данных проводится стандартизация исходных кривых ГИС. На рисунке 1 приведен пример статистической оценки естественной радиоактивности (метод ГК) в скважинах, где интенсивность зарегистрирована в импульсах в минуту — а, в микрорентгенах в час — б. На рисунке 1в представлена гистограмма двойного разностного параметра ГК, применяемого для исключения скважинного влияния.
Рис. 1. Гистограммы распределения естественной радиоактивности: а — зарегистрированы в импульсах в минуту;
б — зарегистрированы в микрорентгенах в час; в — двойной разностный параметр Агк, в долях единицы
После начала освоения объекта КПО была разработана и осуществлена программа доисследования месторождения, включающая проведение расширенного комплекса геофизических исследований в скважинах-пилотах. Учитывая сложный минеральный состав скелета породы, наличие вторичной пустотности, в комплекс ГИС добавлены многозондовые электрические методы (двухзондовый (2БК) или пятизондовый боковой каротаж (5БК)), широкополосная акустика (АКШ), литоплотностной каротаж (ГГКлп), ядерно-магнитный каротаж (ЯМК). Количество таких скважин — около процента от всего фонда месторождения. Сопоставление данных ГИС и керна позволило выделить качественные критерии выделения всех типов коллектора. Для порового и каверново-порового характерна равномерная дифференциация УЭС различных зондов, для микропорового типа — снижение УЭС по сравнению с вмещающими породами. Микропоровый тип выделяется по кривой релаксации ЯМК не только низким значением, но также формой сигнала, имеющего узкий диапазон.
Для анализа геологической неоднородности рассмотрен участок месторождения, включающий свыше ста скважин, различных по дате бурения, комплексу проведенных геофизических исследований и техническим условиям при каротаже. В одной скважине участка записан расширенный комплекс ГИС, позволяющий получить упругие свойства (рисунок 2, треки 7–9), в остальных имеются стандартные методы. Характеристики параметров представлены в таблице 1. Можно отметить слабую дифференциацию петрофизических параметров в пределах пласта.
Рис. 2. Методы ГИС и РИГИС в скважине 11183l1
Табл. 1. Статистический анализ входных данных
Входными данными для расчета петро-упругих параметров являются данные акустического (АК) и плотностного гамма-гамма (ГГК) каротажей — интервальные времена пробега продольных (DTP) и поперечных (DTS) волн и объемная плотность соответственно. Ранее отмечалось, что петроупругие свойства зависят как от матрицы, так и от флюидов, заполняющих пустотное пространство. Типизация с использованием петроупругих параметров показала эффективность разделения на высокопроницаемый каверново-поровый, среднепроницаемый поровый и микропоровый коллекторы. Выделенные кластеры соответствуют структуре пустотного пространства, определенной на керне [3–5].
Для скважин с ограниченным комплексом ГИС недостаток данных требуется компенсировать статистическими методами.

Методика анализа

Статистические методы, включая кластерный анализ, широко используются при изучении геологических объектов [6, 7].
Кластерный анализ (cluster analysis) — многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающая (классифицирующая) объекты по сравнительно однородным группам. Задача кластеризации относится к статистической обработке, а также к широкому классу задач обучения без учителя. Алгоритмы кластеризации эффективны для решения геологических задач типизации разреза по геофизическим данным. В ПО «РН-Петролог» разработан модуль кластеризации многомерного пространства. Его назначение — в повышении качества и эффективности интерпретации данных керна и ГИС.
Задача тестирования секторной модели — разделить разрез КПО на петротипы (кластеры), оценить эффективность статистической процедуры и понять физический и геологический смысл каждого отдельного кластера.
Поскольку на выбранном участке присутствуют скважины с различной освещенностью методами ГИС, то возможны несколько вариантов проведения кластерного анализа. Схематично этапы выбора модели кластеризации изображены на рисунке 3.
Рис. 3. Схема кластеризации в зависимости от исходных данных
Вариант первый: если типизация разреза уже проведена в единичных скважинах по керновым, геофизическим или промысловым данным или имеется скважина с расширенным комплексом ГИС. Далее использовать выделенные интервалы как обучающую выборку, т.е. предобученную модель.
Второй и третий варианты предусмотрены для скважин с ограниченным комплексом ГИС. Если проводился предварительный анализ и количество кластеров оценено (например, на керне или соседнем участке-аналоге), возможно задать их число при выборе алгоритма кластеризации.
ПО «РН-Петролог» предусматривает методы K-Means, Mini-Batch K-Means, Gaussian Mixture Model и SOM.
Метод k-средних (k-means) — наиболее популярный метод кластеризации. Действие алгоритма таково, что он стремится минимизировать суммарное квадратичное отклонение точек кластеров от центров этих кластеров.
В качестве альтернативы алгоритму K-средних для кластеризации больших наборов данных был предложен алгоритм мини-пакетов K-средних (Mini-Batch K-Means). Преимущество этого алгоритма заключается в снижении вычислительных затрат за счет использования не всего набора данных на каждой итерации, а только подвыборки фиксированного размера. Gaussian mixture models — это тип вероятностных моделей, которые предполагают, что точки данных генерируются из смеси гауссовых распределений. Это обобщение k-means кластеризации, которое включает информацию о структуре ковариации данных.
В третьем случае, если разрез малоизучен или количество методов ограничено, рекомендуется применить алгоритмы DBSCAN или SOM с автоматическим определением количества кластеров.
Алгоритм DBSCAN (Density-Based Spatial Clustering of Applications with Noise) определяет количество кластеров на основе плотности данных. Он группирует точки в кластеры, если они находятся в плотных областях, и помечает точки в разреженных областях как шум. Алгоритм SOM (Self Organizing map) проецирует высокоразмерные данные на двумерную карту, сохраняя топологические отношения между данными. Это позволяет визуализировать и интерпретировать данные.
Оценить качество кластеризации позволяют графики и таблицы статистики.
Метод PCA (principal component analysis) позволяет снизить размерность данных, преобразуя исходные признаки в новое пространство меньшей размерности. Первая главная компонента — это направление в многомерном пространстве данных, которое объясняет наибольшую дисперсию данных. Другими словами, это направление, вдоль которого данные наиболее разбросаны. Вторая главная компонента — это направление, которое объясняет вторую по величине дисперсию данных. Оно перпендикулярно первой компоненте и объясняет максимальную дисперсию данных, которая не объясняется первой. Графики статистики PCA обычно показывают первые две главные компоненты, поскольку они объясняют наибольшую часть дисперсии данных. Эти графики можно использовать для визуализации данных и выявления закономерностей и структур.
Метод t-sne — метод нелинейного снижения размерности, который сохраняет локальную структуру данных, то есть близкие точки в исходном пространстве остаются близкими и в новом пространстве. Лучше PCA подходит для представления нелинейных связей и сложных многомерных распределений.
Также используются расчетные критерии, позволяющие количественно определить, насколько хорошо объекты вписываются в свои кластеры.
Silhouette score — это метрика качества кластеризации, которая измеряет, насколько похож объект на объекты своего кластера по сравнению с объектами других кластеров. Значения варьируются от –1 до 1, где более высокие значения указывают на лучшее разделение кластеров. Математически Silhouette score для отдельного объекта i определяется как:
где a(i) — среднее расстояние от объекта i до всех других объектов в том же кластере (внутрикластерное расстояние); b(i) — минимальное среднее расстояние от объекта i до объектов в любом другом кластере (межкластерное расстояние). Общий Silhouette score для модели — это среднее значение всех s(i) для каждого объекта в наборе данных.
Индекс Калински-Харабаша (Calinski-Harabasz Score, СН) известен как критерий отношения дисперсий. Высокий индекс CH указывает на хорошее разделение кластеров и их плотность, что свидетельствует о лучшей структуре кластеризации. CH рассчитывается как отношение суммы межкластерной дисперсии к сумме внутрикластерной дисперсии, нормализованное по числу кластеров и числу точек в кластере.
где B — сумма квадратов межкластерных расстояний (межкластерная дисперсия); W — сумма квадратов внутрикластерных расстояний (внутрикластерная дисперсия); k — количество кластеров; n — общее количество точек данных.
Индекс Davies-Bouldin Score вычисляет компактность как расстояние от объектов кластера до их центроидов, а отделимость — как расстояние между центроидами. Более низкие значения индекса указывают на лучший результат кластеризации.

Результаты и рекомендации

В пределах выбранного участка реализована кластеризация несколькими алгоритмами. Входными данными являются данные каротажа скважин, а выходными — соответствующие кластерам флаговые дискретные массивы.
Кластеризация в скважине 11183l1 выполнена по расширенному комплексу (вариант 1 схемы,
рис. 3). Входными данными для кластерного анализа послужили рассчитанные упругие модули (Юнга E, сдвига G, упругости K), нейтронная пористость, плотность и интервальное время пробега продольной волны.
Использовался алгоритм k-средних (k-means) как наиболее распространенный для возможности сравнения результатов с другими продуктами. При выборе количества кластеров можно выбрать точное количество или задать диапазон (например, от 2 до 15). Предварительные итерации кластеризации (в диапазоне от 2 до 8) определили рекомендуемое алгоритмом количество кластеров — пять. Опираясь на результаты [3, 4], выбрано пользовательское разделение на 6 кластеров, соответствующее типам пород (включающим коллекторы и неколлекторы) — каверно-поровому, поровому, микропоровому. Радиальная диаграмма (рис. 4а) показывает на распределение параметров ГИС, а флаговая кривая кластеров расположена на треке 11
рисунка 2. В порядке ухудшения свойств кластеры характеризуются следующим образом. Лучший кластер — пятый, ему соответствуют высокие интервальное время пробега волны, общая пористость, минимальные упругие параметры, тип коллектора — каверново-поровый. Кластер 2 — поровый коллектор. Далее кластер 4 — поровый тип коллектора с ухудшенными ФЕС. Неколлектор соответствует первому кластеру. Третий кластер соотносится с коллекторами микропорового типа. Шестой кластер — микропоровая порода-неколлектор.
Рис. 4. Оценка качества кластеризации в скв.11183l1: а — радиальная диаграмма распределения параметров ГИС в кластерах;
б — разложение данных на 2 главных компоненты; в — сжатие данных методом t-SNE

Далее проведена типизация скважин с ограниченным комплексом ГИС (использовались параметры ПС, КС, Агк, Ангк) без обучения. Кластеризация проведена всеми реализованными в ПО «РН-Петролог» методами. Алгоритмы анализа предлагают разделение от одного до шести кластеров в зависимости от метода (табл. 2). В колонке «Количество кластеров» указано оптимальное число, предложенное программой. По критериям Silhoutte Score, Calinski-Harabasz Score, Davies-Bouldin Score лучшим алгоритмом можно назвать метод k-средних (вариант 2
схемы, рис. 3). Значение критерия Silhoutte Score равное от 0,25 до 0,5 говорит о приемлемой структуре кластеров, которая требует дополнительного анализа. Критерий Davies-Bouldin Score, говорящий о компактности кластера, — наилучший при алгоритме SOM (вариант 3 схемы, рис. 3), но количество кластеров не удовлетворяет описанию геологической неоднородности. Алгоритм DBSCAN, автоматически определяющий количество кластеров на основе плотности данных, не решил поставленной задачи разделения разреза, отнеся все точки данных к одной группе.
Далее сопоставляются петрофизические свойства в пределах кластеров и прослеживаются интервалы наилучшего коллектора. Необходимо отметить особенность кластерного анализа без обучения. Поскольку алгоритмы группируют входные данные в дискретные кластеры на основе дисперсии или плотности, то наименования и физический смысл кластеров при различном наборе входной информации будут отличаться. На рисунке 5 представлен геолого-геофизический разрез на секторном участке месторождения с результатами кластеризации методом k-means с разделением на 6 кластеров. Разрез представлен в абсолютных глубинах и выровнен на кровлю пласта С2кш1, к которому приурочен каверново-поровый тип коллектора (кластер 3).
Рис. 5. Геолого-геофизический разрез на секторном участке месторождения. В легенде — номера кластеров
Можно отметить, что он встречен во всех скважинах. Сопоставив результаты стандартной интерпретации (интервалы коллектора) и кластерного анализа (качество коллектора), можно распространить перспективные участки в геологической модели для расчета эффективности предложенных геолого-технологических мероприятий.
Привалова О.Р.

ООО «РН-БашНИПИнефть» (ОГ ПАО «НК «Роснефть»), Уфа, Россия; Уфимский университет науки и технологий, Уфа, Россия

PrivalovaOR@bnipi.rosneft.ru

Методом анализа неоднородного карбонатного разреза выбрана кластеризация. Алгоритмы K-Means, Mini-Batch K-Means, Gaussian Mixture Model и SOM реализованы в корпоративном программном продукте «РН-Петролог». В скважине с расширенным комплексом геофизических исследований кластеризация проведена по упругим параметрам. В остальных скважинах — по стандартному геофизическому комплексу. Результаты анализа позволяют выделить интервалы наилучшего коллектора для планирования геолого-технологических мероприятий.
каширо-подольские отложения, кластеризация, карбонаты, структура пустотного пространства, микропористость
Привалова О.Р. Кластеризация карбонатных коллекторов по геофизическим данным при планировании геолого-технологических мероприятий // Экспозиция Нефть Газ. 2025. № 7. С. 88–94. DOI: 10.24412/2076-6785-2025-7-88-94

11.11.2025
УДК 553.98+519.237.8
DOI: 10.24412/2076-6785-2025-7-88-94
Рекомендуемые статьи
Геология
Интеграция фациального анализа в гидродинамическую модель
В статье описан процесс построения геолого-гидродинамической модели с учетом внедрения фациального анализа
Геология
Ловушки сверхвязкой нефти Мелекесской впадины
В работе приведены закономерности пространственной локализации ловушек сверхвязкой нефти казанского яруса Мелекесской впадины
© Экспозиция Нефть Газ. Научно-технический журнал. Входит в перечень ВАК
+7 (855) 222-12-84
office@runeft.ru