Разработка позволяет моделировать пористость коллекторов - содержащих пустоты горных пород, способных вмещать, удерживать и отдавать нефть, газ или воду при разработке. Моделирование их свойств — одна из ключевых задач при оценке месторождений, где особое значение имеет точное прогнозирование пористости пласта.
Традиционно для оценки пористости коллектора изучают керн горных пород и проводят геофизические исследования скважин. Однако в условиях сложного геологического строения данные методы имеют технические ограничения, точность прогнозирования снижается. Применение нейронных сетей и алгоритмов машинного обучения позволяет повысить качество прогнозов и точность 3D-моделирования месторождений.
В пермском политехе предложили методику оценки пористости коллекторов с использованием алгоритмов машинного обучения, основанных на результатах геофизических исследований скважин. Интеграция полученных данных в 3D-модель месторождения позволила уточнить распределение пористости и пересчитать запасы нефти.
Работа ученых ПНИПУ продемонстрировала эффективность алгоритмов машинного обучения для моделирования и прогнозирования пористости в условиях высокой геологической неоднородности. Разработанный подход автоматизирует процесс прогнозирования свойств скважин, повышая его точность и оптимизируя разработку нефтяных месторождений. В ближайшем будущем, уверены в вузе, такие технологии станут стандартными инструментами при исследовании недр, объединяя накопленные геологические знания с передовыми методами анализа данных и искусственного интеллекта.
