В настоящее время вопросы изучения методологии комплексной оценки и интерпретации геолого-промысловых данных для повышения эффективности геологоразведочных работ на нефть и газ являются актуальными, особенно в условиях ухудшения структуры и качественных параметров ресурсной базы открываемых месторождений, когда освоение сложнопостроенных залежей приобретает ключевое значение. При решении этих вопросов нужно понимать, что простая интерполяция скважинных и сейсмических данных не всегда является корректной для сложнопостроенных залежей, что свидетельствует о необходимости качественного формирования исходной базы данных и применения различных автоматизированных комплексов и алгоритмов для комплексирования геолого-промысловых параметров при моделировании залежей углеводородов, в том числе и посредством применения технологий искусственного интеллекта (ИИ), что в свою очередь позволяет анализировать большие объемы разнообразных исходных данных (сейсморазведочные, геохимические, результаты бурения и добычи и др.) и снижать риски при прогнозировании перспективных нефтегазоносных структур для постановки первоочередного бурения.

Применение нейронных сетей позволяет не только автоматизировать выделение коллекторов по результатам сейсморазведки и геофизических исследований скважин (ГИС) и др., но и прогнозировать наличие и свойства коллекторов на основе сформированной базы данных, которая включает структуризацию цифрового массива информации, необходимой для решения поставленных задач, что также отмечалось в работах [1, 2].

В настоящее время, например, используются: многослойные нейронные сети — для классификации коллекторов по характеру насыщения (нефть, газ, вода и др.); иерархические нейронные сети, которые основаны на применении метода «ближайших соседей» с предварительной кластеризацией исходного обучающего массива; нейронные сети Колмогорова и др. Качественно сформированная для прогнозирования коллекторских свойств база данных по результатам сейсморазведки, исследования керна и результатов ГИС позволяет выполнять трехмерные прогнозные кубы, литологии, пористости и др. [3]. Также необходимо отметить, что алгоритмы обработки данных в условиях малой разбуренности площади и в случае большого количества скважин на длительно-разрабатываемом месторождении значительно различаются.

В рамках выполнения научной работы с учетом предыдущего опыта (2023–2024 гг.)
применения нейросетевого прогноза для территории месторождений в условиях малой разбуренности площади месторождения была обоснована необходимость анализа стандартных методик по определению ФЕС коллекторов и применению методов различных алгоритмов для качественной обработки полученных данных, методик по обучению ИИ для решения задач межскважинной интерпретации данных ГИС и определения нефтенасыщенных интервалов в пределах структур, перспективных для первоочередного разбуривания. В период исследований, проведенных в 2023–2024 гг., были определены направления и методология для комплексной обработки геолого-геофизических данных с элементами нейросетевого прогноза, а разработанный алгоритм использовался как основа для построения модели коллектора в условиях малой разбуренности площади [4, 5]. Во время исследований была отмечена необходимость анализа стандартных методик по определению ФЕС коллекторов и применения различных алгоритмов для качественной обработки полученных данных и обучения нейросети для решения задач выявления нефтенасыщенных интервалов (межскважинной интерпретации) и определения площадной нефтенасыщенности (выявления отдельных структур — перспективных для постановки поискового бурения) [6].
По результатам работ были обоснованы этапы исследований и определены методы и принципы комплексной обработки геолого-промысловых данных для нейросетевого прогноза. Основные результаты, которые были представлены в работах [4, 7], показали возможность прогноза пористости коллектора с элементами внедрения искусственного интеллекта и применения современных алгоритмов машинного обучения.

Для формирования базы данных и выделения основных направлений методологии количественной оценки коллекторов в условиях длительно-разрабатываемых месторождений и наличия многообъемной и разновариантной информации для прогноза коллектора применение методов машинного обучения является достаточно сложной задачей, для выполнения которой необходимо провести анализ особенностей геологического строения объектов исследований, анализ качества выполненных геофизических исследований в скважинах, а также анализ современного уровня методической обеспеченности интерпретации геофизических данных при оценке сложнопостроенных песчано-глинистых и карбонатных коллекторов.

Для обоснования этапов исследований и формирования базы данных принято решение проводить работы в 3 основных этапа: 1-й этап — получение первичных лабораторных и геофизических данных (исследование керна и ФЕС) с итоговым проведением критического анализа полноты и качества исходных каротажных данных, результатов анализа керна, результатов опробования и испытания пластов, а также их комплексирование для обоснования петрофизических моделей количественной интерпретации сложнопостроенных коллекторов, что требует разработки методики автоматизированной обработки данных геофизических исследований скважин и их количественной оценки, разработки технологии анализа результатов петроупругого моделирования карбонатных и терригенных сложнопостроенных коллекторов с применением алгоритмов машинного обучения; 2-й этап — на основании полученных данных провести обоснование полигона исследований и сделать выбор конкретных скважин для последующего обучения нейросети прогнозированию коллектора нижнепермского продуктивного комплекса территории юго-запада Башкортостана; 3-й этап — разработка алгоритмов комплексной качественной и количественной интерпретации ГИС для установленных литотипов нижнепермского продуктивного комплекса и определение основного комплекса программ обработки полученных данных (петрофизических и ГИС), написание кода для обучения нейросети прогнозу нефтегазоносности и апробация разработанных алгоритмов.

Для формирования базы данных и оценки промышленной нефтегазоносности были выбраны площади месторождений юго-западного и западного Башкортостана, где вскрыты нижнепермские отложения. В дальнейшем сформированная база данных планируется для обучения нейросети прогнозу карбонатных коллекторов в условиях выбранного полигона. Полигон исследований включает зоны нефтегазонакопления: Ново-Серафимовско-Рятамакско-Ермекеевскую зону
(с востока, юго-востока примыкает к Туймазинскому месторождению нефти);
Тарказинско-Чегодаевскую зону (с юго-запада примыкает к Шкаповскому структурному выступу, где расположены Шкаповское, Белебеевское, Знаменское и Бехтинское месторождения нефти) [8]; Бижбуляк-Тюр-Седякскую зону (примыкает с востока, юго-востока к Тарказинско-Чегодаевской зоне); крупную зону нефтегазонакопления — Кинзебулатовский антиклинорий (Цветаевское месторождение) и зону сочленения Восточно-Оренбургского валообразного поднятия, Бузулукской впадины и Павловской седловины (Капитоновское месторождение). В статье будут представлены результаты исследований и первичной обработки данных по площадям Тарказинско-
Чегодаевской зоны нефтегазонакопления.

Тарказинско-Чегодаевская зона приурочена к юго-западному борту крупной Шкаповско-Белебеевско-Знаменской зоны нефтегазонакопления [9, 10]. На западе Тарказинско-Чегодаевская зона продолжается в пределах Оренбургской области, а на востоке прослеживается до с. Бижбуляк и контактирует с Бижбулякской зоной. В пределах зоны кровля репера К4 погружается с северо-востока на юго-запад, от абсолютной отметки –250 м в своде Шкаповской антиклинали до –337,6 м на юго-западной части площади. Необходимо отметить, что на юго-западном крыле Сухореченской структуры вскрыта аномально низкая отметка –330 м в скв. № 99 Чегодаевской площади, что на 40 м ниже, чем в ближайших соседних скважинах. Структура имеет субширотное простирание (размеры ее 2,5×1 км) и сложную конфигурацию с элементами перехода на северо-западное простирание [10, 11].

В пределах выбранного полигона перспективными на получение промышленных притоков нефти являются практически все локальные структуры. Среди локальных структур наиболее крупной является Бижбулякская (по замкнутой изогипсе –280 м, ее размеры составляют 4×2 км, амплитуда поднятия 11 км). Разрывная тектоника представлена Сергиевско-Демским грабено-
образным прогибом девонского заложения, простирающимся вдоль ее восточной границы [11]. В пермских отложениях этот прогиб практически не выделяется. Вместе с тем возможно при геологоразведочном бурении обнаружение разрывных нарушений, которые могут служить экранами для залежей нефти. Также могут быть встречены органогенные постройки рифогенного типа с хорошими коллекторами, содержащими залежи нефти и газа промышленного значения. Цветаевское нефтяное месторождение в тектоническом отношении приурочено к восточному борту Предуральского прогиба, где восточнее полосы нижнепермских рифовых массивов расположен Кинзебулатовский антиклинорий, представляющий систему антиклинальных складок так называемого кинзебулатовского типа. Капитоновское месторождение приурочено к сложноорганизованной зоне сочленения Восточно-Оренбургского валообразного поднятия, Бузулукской впадины (ее части, осложненной Камелик-Чаганской системой дислокаций) и Павловской седловины.

Для формирования базы данных были проведены исследования и проанализированы результаты по поисково-разведочным скважинам Тарказинско-Чегодаевской зоны нефтегазонакопления. На Тарказинско-Чегодаевской площади для выявления нефтегазоносных структур на нижнепермские отложения пробурены скважины со сплошным отбором керна в скважинах: 1, 2, 102, 102а, 102б,
которые планируется использовать как эталон для изучения литотипов коллекторов и формирования базы данных, включая эмпирические расчеты, необходимые для выявления алгоритмов зависимостей параметров, установленных в результате петрофизических, геофизических исследований и статистической обработки полученных данных. В скважине 1 вскрыты все изучаемые горизонты. По данным комплексной интерпретации ГИС разрез сложен преимущественно доломитами (пласт К3). В пласте К4 имеет место чередование доломитов и известняков. Эффективная пористость коллекторов представлена межзерновыми порами, трещинами и пустотами выщелачивания. Соотношение коллекторов трещинно-кавернозного и смешанного типов примерно одинаковое. Коллекторы межзернового типа распространены в меньшей степени. Коэффициенты общей пористости продуктивных коллекторов изменяются от 10,8 до 19,7 %. Наиболее высокие величины вторичной пористости получены для коллекторов пласта К4 и отдельных интервалов разреза в артинском ярусе. По данным ГИС нефтенасыщенными являются породы пласта К4 кунгурского и частично артинского ярусов. Сакмарский ярус сложен водонасыщенными доломитами и известняками, за исключением небольшого интервала в кровле (491,3–492,6 м) (рис. 1).

Основные результаты исследований представлены в качестве примера в районе скважины 102 в таблице 1, аналогичные исследования были проведены в скважинах 1, 2, 102, 102а, 102б с учетом исследования первичного и расширенного комплекса ГИС.

По результатам исследований макро- и микроописания пород-коллекторов можно сделать заключение о литолого-петрографическом составе пород, слагающих разрез отложений Тарказинско-Чегодаевской зоны нефтегазонакопления, и отметить, что основная масса образцов представлена в основном доломитами, доломито-ангидритизированными, в меньшей степени известковистыми разностями. Присутствие ангидрита в породе сильно влияет на коллекторские свойства, ухудшая их. Нефтепроявления в породах приурочены как к мелкопористым разностям, так и к кавернозным, наблюдаются в вертикальных трещинах. В кернах присутствует битум.

Минералогическая плотность лежит в пределах 2,73–2,95 г/см³, при пористости, превышающей
16–18 %, минералогическая плотность практически не изменяется и равна 2,82–2,84 г/см³, что соответствует плотности доломита. На рисунке 2 приведены зависимости плотностей сухого и насыщенного пластовой водой образцов от пористости. Анализ зависимостей показывает, что плотность сухого и насыщенного образцов уменьшается с увеличением пористости. Корреляционная зависимость наблюдается только для сухого образца. Следовательно, для моделирования насыщенного образца необходимо использовать насыщаемую воду, возможно, в другом диапазоне минерализации (большем, чем 20 г/л), хотя для доломитов ангидритизированных и трещиноватых коэффициент корреляции составил ≈0,6 (что в целом при малом количестве исследований проб может быть принято для дальнейших исследований).

Пористость исследованных образцов лежит в пределах 1–25 %, в основном 10–20 %.
При сопоставлении коэффициентов проницаемости и пористости связь между ними не прослеживается (рис. 3), что связано с различием структуры порового пространства, а именно, при нормальном сочетании пористости и проницаемости образцов имеются образцы с высокой тонкопористой структурой и сравнительно низкой проницаемостью и образцы с низкой пористостью, но не имеющие тонкопроводящих каналов, образование которых, по всей видимости, связано с растворением сульфатов. Однако для интервалов доломитов коэффициент корреляции составил ≈0,86 (что может быть использовано при разработке алгоритмов выбора интервалов с наличием доломитов).

Исследования петрофизических свойств выполнялись на цилиндрических образцах керна диаметром 30 мм. Моделью пластовой воды служил раствор NaCl с минерализацией 20 г/л. Литолого-петрографическая характеристика пород составлялась на основании визуального макроописания образцов и петрографического описания шлифов, результатов химического анализа, ФЕС определялась согласно ГОСТ 26450.1-85 «Породы горные. Метод определения коэффициента открытой пористости жидкостенасыщением». Удельное электрическое сопротивление (УЭС) образцов керна вычислялось по данным измерения электрического напряжения на образце и эталонном резисторе, включенных последовательно в общую цепь генератора переменного напряжения частотой 500 Гц. УЭС вычислялось по формуле:

где U₀, U_обр — измеренное значение напряжения на образце и образцовом резисторе, В; R₀ — сопротивление образцового резистора, Ом·м; S, l — площадь поперечного сечения (м²) и длина (м) образца.

Коэффициент остаточной водонасыщенности лежит в пределах 17–87 % при проницаемости 0,0003–0,065 мкм². Содержание остаточной воды зависит от одной из характеристик порового пространства — числа тонких пор. Число тонких, практически не фильтрующих поровых каналов в пределах данного класса изменяется в широком диапазоне от 5 до 85 % и предопределяет отсутствие связи между пористостью и остаточной водонасыщенностью (рис. 4).

Можно отметить, что только для выделения интервалов чистых доломитов можно использовать данную зависимость. Однако на практике стоит задача выделения разных литологических интервалов, следовательно, вероятно, для применения машинного обучения с использованием данной зависимости необходимо подбирать уравнение нелинейной регрессии с наибольшим коэффициентом корреляции (возможно для основных литотипов коллекторов, для каждого отдельно). Ранее (при построении ряда зависимостей с участием данных по Тарказинско-Чегодаевской площади по скв. 1) зависимость параметра насыщения от остаточной водонасыщенности была описана уравнением регрессии вида:

Аналогичные выводы можно сделать по полученным зависимостям коэффициента эффективной пористости от открытой пористости, что свидетельствует о существовании корреляции для литотипов чистых доломитов, где коэффициент корреляции составил ≈0,53, что, вероятно, не даст хороших результатов для машинного обучения с использованием данной зависимости, и также рекомендуется подбирать уравнение нелинейной регрессии с наибольшим коэффициентом корреляции (возможно для основных литотипов коллекторов, для каждого отдельно) (рис. 5).

По сопоставлению содержания доломита, известняка и нерастворимого остатка с пористостью выявлена зависимость между пористостью и содержанием доломита для пород нижнепермских отложений. Для высокопористых образцов ˃ 13 % содержание кальцита не превышает 10 %, содержание нерастворимого остатка уменьшается с ростом доломитизации и увеличением открытой пористости (рис. 6, 7).

Нерастворимый остаток представлен ангидритами, гипсами, глиной и, возможно, органическим веществом. Однако коэффициент корреляции для чистых доломитов не превышает 0,2, что свидетельствует о невозможности применения данных зависимостей в алгоритмах машинного обучения, поэтому будут проведены исследования по детализации литотипов и выделению разновидностей доломитов в зависимости от количественных параметров пустотного пространства.

Дополнительно к представленным результатам планируется обработать и получить корреляционные зависимости между параметрами ГИС, на основании чего провести дополнительный анализ и эмпирические расчеты для выделения разновидностей литотипов (кластеризации) с учетом ранее выделенных Г.М. Золоевой, Е.Е. Алтуховым, Н.Е. Лазуткиной и др. (РГУ нефти и газа им. И.М. Губкина [12, 13]) классов с применением программы классификации объектов без обучения для выделения сходных по литологическому составу объектов.