Gli scienziati di Skoltech e i loro colleghi del settore hanno trovato un modo per utilizzare l'apprendimento automatico per prevedere con precisione la conduttività termica delle rocce, un parametro cruciale per un migliore recupero dell'olio. La ricerca, supportato da Lukoil-Engineering LLC, è stato pubblicato in Giornale geofisico internazionale .
Conducibilità termica della roccia, o la sua capacità di condurre il calore, è fondamentale sia per modellare un bacino petrolifero sia per progettare metodi di recupero avanzato del petrolio (EOR), il cosiddetto recupero terziario che consente a un operatore di un giacimento petrolifero di estrarre una quantità di greggio significativamente maggiore rispetto all'utilizzo di metodi di base. Un metodo EOR comune è l'iniezione termica, dove l'olio nella formazione viene riscaldato con vari mezzi come vapore, e questo metodo richiede una conoscenza approfondita dei processi di trasferimento di calore all'interno di un serbatoio.
Per questo, bisognerebbe misurare la conducibilità termica della roccia direttamente in situ, ma questo si è rivelato un compito arduo che non ha ancora prodotto risultati soddisfacenti utilizzabili nella pratica. Quindi scienziati e professionisti si sono rivolti a metodi indiretti, che deducono la conduttività termica della roccia dai dati di registrazione del pozzo che forniscono un'immagine ad alta risoluzione delle variazioni verticali nelle proprietà fisiche della roccia.
"Oggi, tre problemi fondamentali escludono ogni possibilità di misurare la conducibilità termica direttamente all'interno di intervalli non di carotaggio. È, in primo luogo, il tempo necessario per le misurazioni:gli ingegneri petroliferi non possono far sospendere il pozzo per molto tempo, in quanto economicamente irragionevole. In secondo luogo, la convezione indotta del fluido di perforazione influenza drasticamente i risultati delle misurazioni. E infine, c'è la forma instabile dei pozzi, che ha a che fare con alcuni aspetti tecnici delle misurazioni, ", afferma Yury Meshalkin, studente di Ph.D. della Skoltech e primo autore del documento.
I metodi ben noti basati su log possono utilizzare equazioni di regressione o modelli teorici, ed entrambi hanno i loro svantaggi che hanno a che fare con la disponibilità dei dati e la non linearità nelle proprietà delle rocce. Meshalkin e i suoi colleghi hanno messo l'uno contro l'altro sette algoritmi di apprendimento automatico nella gara per ricostruire la conduttività termica dai dati registrati nel modo più accurato possibile. Hanno anche scelto un modello teorico di Lichtenecker-Asaad come punto di riferimento per questo confronto.
Utilizzando i dati di un vero pozzo di un giacimento di petrolio pesante situato nel bacino di Timan-Pechora nel nord della Russia, i ricercatori hanno scoperto che, tra i sette algoritmi di apprendimento automatico e regressione lineare multipla di base, Random Forest ha fornito le previsioni più accurate e basate su log della conduttività termica delle rocce, anche battendo il modello teorico.
"Se guardiamo alle esigenze pratiche di oggi e alle soluzioni esistenti, Direi che il nostro miglior risultato basato sull'apprendimento automatico è molto accurato. È difficile dare una valutazione qualitativa in quanto la situazione può variare ed è vincolata a determinati giacimenti petroliferi. Ma credo che i produttori di petrolio possano utilizzare tali previsioni indirette della conduttività termica delle rocce nel loro progetto EOR, "Note di Meshalkin.
Gli scienziati ritengono che gli algoritmi di apprendimento automatico siano un quadro promettente per previsioni rapide ed efficaci della conduttività termica delle rocce. Questi metodi sono più semplici e robusti e non richiedono parametri aggiuntivi al di fuori dei comuni dati di ben log. Così, possono “migliorare radicalmente i risultati delle indagini geotermiche, modellazione del bacino e del sistema petrolifero e ottimizzazione dei metodi EOR termici, " conclude il giornale.
