В МФТИ научились экономично предсказывать проницаемость горных пород
МФТИ — Московский физико-технический институт ·
Учёные из Московского физико-технического института совместно с коллегами из Ирана создали нейросетевой алгоритм, позволяющий прогнозировать фильтрационные свойства горных пород на основе их структурных характеристик. Разработка оценивает проницаемость, учитывая направление движения жидкости и газа. Это критически важно для изучения горных пород, почвы и других геологических материалов. Статья опубликована в научном журнале Advances in Water Resources. Проницаемость – один из ключевых параметров, определяющих экономическую эффективность разработки месторождений. От неё зависит, сколько нефти или газа можно извлечь из пласта, и насколько быстро загрязнения могут распространяться в подземных водах. Однако традиционные подходы к определению проницаемости требуют либо длительных лабораторных испытаний керна, либо ресурсоёмких суперкомпьютерных вычислений на основе трёхмерных томографических изображений. Большинство существующих методов дают лишь усреднённое значение, игнорируя анизотропию – способность породы пропускать жидкость быстрее в одном направлении, чем в другом. Оценка полного тензора проницаемости (описания способности анизотропной пористой среды пропускать жидкости и газы), включающего девять компонентов, сопряжена с ещё более высокими вычислительными затратами. В отличие от существующих методов, рассчитывающих только среднюю проницаемость, новая разработка показывает её направленные характеристики: например, в какую сторону жидкость движется быстрее, а в какую – медленнее. Для обучения нейросети исследователи применили набор данных, включавший 998 синтетических трёхмерных изображений пористых сред. В качестве исходных данных использовали не сами объёмные изображения, а компактные статистические характеристики – корреляционные функции. Методы описания структуры давно разрабатываются в Центре и коллектив поддерживает целый набор открытых пакетов для расчёта различных корреляционных функций, оценки репрезентативности и других функций. Это позволило резко сократить вычислительные затраты: после обучения нейросеть выдаёт результат за доли секунды, тогда как классические методы математического моделирования требуют существенно больших вычислительных ресурсов. При этом средняя абсолютная процентная ошибка прогноза нашего алгоритма составляет 16,6%, что сопоставимо с результатами более ресурсоёмких подходов» отметил соавтор исследования, старший научный сотрудник Центра вычислительной физики МФТИ Кирилл Герке.Вместо полных 3D-изображений нейросеть получает на вход статистические характеристики порового пространства – корреляционные функции, рассчитанные вдоль трёх осей. После сжатия данных до 250 ключевых параметров алгоритм предсказывает все девять компонентов тензора проницаемости. Модель обучена на синтетических данных, эталонные значения для которых получены методом прямого гидродинамического моделирования. Мы уже многие годы разрабатываем подходы для эффективного описания структуры пористых сред, можно сказать – выделения ДНК структуры. Это позволяет не только сравнивать различные образцы между собой, но и использовать такие дескрипторы как входные данные для тренировки нейронных сетей. Мне кажется, что данный подход станет популярным в будущем. А мы уже переходим на выбор возможных значений проницаемости для новых материалов и оценку свойств коллекторов нефти и газа» отметила соавтор исследования, старший научный сотрудник Центра вычислительной физики МФТИ Марина Карсанина. Предложенная система впервые демонстрирует возможность надёжного прогнозирования полного тензора проницаемости, включая его внедиагональные компоненты, на основе компактных статистических представлений, а не исходных воксельных изображений. Это открывает перспективы для быстрой оценки фильтрационных свойств при массовом анализе образцов, например, в нефтегазовой отрасли для экспресс-оценки коллекторов, а также в гидрогеологии и почвоведении для моделирования миграции загрязнителей. В настоящий момент метод валидирован на синтетических данных.