ИИ поможет точнее рассчитывать горное давление при бурении сложных скважин

Ученые Пермского Политеха совместно с китайскими коллегами разработали гибридную ИИ-модель для прогноза горизонтальных напряжений в горных породах. По данным разработчиков, алгоритм показывает точность 99,5% и использует стандартные данные геофизических исследований скважин, сообщает EnergyLand.Info.

Горизонтальные напряжения — один из ключевых факторов риска при бурении нефтегазовых скважин. Если давление бурового раствора рассчитано неверно, возможны обрушение стенок ствола, повреждение инструмента, остановка работ или аварийный выброс пластовых флюидов. Для сложных месторождений, где на напряженное состояние пород влияют тектоника, разломы и неоднородность массива, ошибка даже в несколько процентов может привести к серьезным последствиям.

Сейчас горизонтальные напряжения определяют по керну или рассчитывают по данным геофизических исследований скважин. Оба подхода имеют ограничения: керн отбирается только на отдельных интервалах, а расчетные формулы часто используют упрощения и не полностью учитывают тектонические силы. Нейросетевые модели уже применяются для таких задач, но, по оценке авторов разработки, многие из них дают точность 65–85% и хуже работают на новых скважинах.

Новая модель объединяет нейросеть с самонастраиваемой структурой и математический метод поиска оптимального решения. Алгоритм анализирует девять параметров, непрерывно измеряемых в скважине: скорость звука, плотность породы, электрическое сопротивление, естественную радиоактивность, пористость и другие показатели. На их основе система рассчитывает минимальное и максимальное горизонтальное напряжение.

Модель обучали на массиве из более чем 10 тыс. замеров, полученных в трех скважинах Джунгарского бассейна на северо-западе Китая. Этот район отличается сложным геологическим строением: породы находятся под влиянием тектонических процессов, разломов и неодинакового бокового сжатия на разных глубинах. По словам разработчиков, аналогичные условия характерны и для многих российских территорий, включая Западную и Восточную Сибирь, шельф Сахалина, Урал и Кавказ.

Ключевая особенность алгоритма — способность отделять значимые параметры от «шума». Это должно снижать риск переобучения, когда нейросеть хорошо работает на знакомых данных, но ошибается на новых объектах. При тестировании на скважинах, не участвовавших в обучении, ошибка прогноза составила менее 1%, а время расчета сократилось на 87% по сравнению с существующими аналогами.

Для нефтегазовой отрасли такая разработка может быть полезна при проектировании бурения, подборе плотности бурового раствора и планировании гидроразрыва пласта. Более точный прогноз напряженного состояния массива позволяет снизить вероятность аварий, корректнее управлять раскрытием трещин при ГРП и повысить эффективность разработки трудноизвлекаемых запасов.

Практический эффект будет зависеть от того, как модель покажет себя на российских месторождениях с другой литологией, глубинами, пластовыми давлениями и качеством геофизических данных. Но сам подход важен для отрасли: ИИ постепенно переходит от вспомогательной аналитики к инженерным расчетам, от которых напрямую зависят безопасность бурения и экономика разработки сложных залежей.