Table of Contents

Введение: Критическая потребность в недрах

Точное картирование недр является основой принятия решений в области разведки энергии, гражданской инфраструктуры, управления подземными водами и поглощения углерода. В идеальных условиях - однородные осадочные слои с мягкими провалами - традиционные геофизические методы работают превосходно. Однако большинство самых ценных в мире месторождений и критических инженерных объектов лежат под сложными геологическими условиями: сильно поврежденные и раздробленные ландшафты, соляные диапиры, вулканические вторжения, резко погруженные пласты и гетерогенные карбонатные резервуары. Эти настройки искажают, рассеивают и ослабляют геофизические сигналы, приводя к неоднозначным или вводящим в заблуждение моделям. Традиционные подходы часто достигают своих пределов, когда сталкиваются с такой сложностью, что приводит к сухим скважинам, перерасходу средств или экологическим опасностям. За последнее десятилетие появился набор инновационных методов для решения этой проблемы. Объединив сбор данных высокой точности, передовую числовую инверсию и искусственный интеллект, геофизики теперь могут решать функции, которые ранее были невидимыми. В этой статье рассматриваются ключевые инновации, приводящие к революции в картировании недр, детализируя их принципы, преимущества и

Традиционные методы и их ограничения в сложных участках

В течение десятилетий картирование недр опиралось на хорошо зарекомендовавший себя инструментарий: профилирование сейсмических отражений, томография электрического сопротивления (ERT), магнитотеллурица (MT), гравитационные и магнитные съемки и буровая вырубка. Каждый метод предлагает уникальные идеи, но все страдают от хорошо документированных недостатков при применении в сложной геологии.

Сейсмическая рефлексия: резолюция против компромисса проникновения

Сейсмическое отражение остается рабочей лошадкой разведки нефти и газа. Путем генерации акустических волн и записи отражений от недр он производит 2D и 3D изображения геологических структур. В простых слоистых последовательностях сейсмические данные могут разрешать неисправности с броском в несколько метров и идентифицировать стратиграфические ловушки с высокой степенью уверенности. Однако в сложных условиях, таких как пояса тяги, субсолевая игра или карбонатные платформы, сейсмическая визуализация резко ухудшается. Скоростная анизотропия, сильные боковые изменения скорости, рассеяние от шероховатых интерфейсов и кратные от высокоскоростных слоев создают серьезные артефакты. Обычные рабочие процессы обработки - укладка NMO, миграция Кирхгофа - предполагают плавные скоростные поля и не в состоянии справиться с быстрыми боковыми изменениями. В результате структурные цели могут быть неправильно расположены, сейсмические амплитуды могут нести неправильные литологические интерпретации, а модели резервуаров, построенные из этих данных, по своей сути неопределенны.

Электрические и электромагнитные методы: глубина и ограничения разрешения

ERT и MT чувствительны к контрастам в сопротивлении, что делает их эффективными для картирования грунтовых вод, месторождений полезных ископаемых и геотермальных резервуаров. Тем не менее в сложной геологии - например, сильно раздробленная вулканическая порода со смешанной пористостью - распределение сопротивления может быть чрезвычайно изменчивым в масштабах, меньших, чем разрешение массива. Алгоритмы инверсии, которые предполагают плавные переходы сопротивления, производят размытые изображения. В областях с тонкими слоями с высокой резистентностью (например, базальтовые шапки над отложениями), электрические методы борются за разрешение как шапки, так и основной цели. MT также страдает от статических сдвигов, вызванных неоднородностями около поверхности, которые должны быть исправлены с использованием дополнительных данных. Эти ограничения часто заставляют практиков полагаться на данные скважины для ограничения моделей, но скважины пробуют только крошечную часть недр.

Бороздка скважин и анализ ядра: высокое разрешение, скудное покрытие

Проволочная рубка обеспечивает прямые измерения физических свойств при высоком вертикальном разрешении (сантиметры). Анализ ядра дает сверхточные данные о пористости, проницаемости и минералогии. Тем не менее, одна скважина представляет собой точку в пространстве. В гетерогенных образованиях, таких как извилистые плавные каналы, карстифицированные карбонаты или структурно сложные складные пояса, корреляция между скважинами становится спекулятивной. Стоимость бурения дополнительных скважин для снижения неопределенности является непомерной, особенно в глубоких или морских средах. Масштабирование от ядра до сейсмической шкалы вносит значительные ошибки, когда геологическая неоднородность не захватывается редким контролем скважины.

Инновационные методы в подповерхностном картировании

Современные инновации направлены на устранение фундаментальных ограничений традиционных методов путем повышения плотности данных, точности инверсии и вычислительной мощности. Следующие методы находятся на переднем крае картирования сложных геологических условий.

Полноволновая инверсия (FWI)

Полноволновая инверсия представляет собой сдвиг парадигмы в сейсмической визуализации. В отличие от обычной миграции, которая использует только кинематическую информацию (время перемещения), FWI использует всю сейсмическую форму волны - амплитуду, фазу и частоту - для реконструкции подземных свойств, таких как скорость, плотность и затухание Р-волн. Метод итеративно минимизирует несоответствие между наблюдаемыми и синтетическими сейсмограммами, обновляя начальную модель скорости.

Как FWI преодолевает сложность

В сложных ландшафтах с резкими контрастами скорости, высокоугольными разломами или солевыми телами лучевая томография не может захватить детальную структуру скорости. FWI, особенно при применении в области времени для ранних прибытий и в области частоты для более глубокой структуры, может разрешать аномалии скорости до порядка 10-20 м в горизонтальной степени. Например, в субсолевой визуализации в Мексиканском заливе, FWI значительно улучшил разграничение крутых солевых флангов и тонких осадочных плотов, которые были невидимы с помощью устаревших методов. Ключевыми факторами являются мощные суперкомпьютеры, которые могут обрабатывать миллиарды неизвестных и доступность низкочастотных данных из широкополосных сейсмических источников. В то время как вычислительно требовательные, FWI теперь регулярно производит модели скорости с разрешением, приближающимся к разрешению журналов скважин во многих настройках.

Текущие ограничения и направления исследований

FWI остается чувствительным к исходной модели и к шуму. В районах с сильными упругими эффектами (анизотропия, затухание) или твердым морским дном акустическое приближение, используемое во многих реализациях FWI, может вводить ошибки. Недавние исследования расширяют FWI до эластичных и вязкоупругих составов, а машинное обучение используется для выбора оптимальных стартовых моделей и параметров регуляризации. Несмотря на эти проблемы, FWI стал золотым стандартом для построения скоростной модели в сложной геологии, причем многие поставщики предлагают его в качестве производственной услуги.

Машинное обучение и искусственный интеллект

Интеграция машинного обучения (ML) и искусственного интеллекта (AI) в подповерхностное картирование ускорилась за последние пять лет. Эти методы преуспевают в поиске закономерностей в высокоразмерных, шумных данных - именно проблема, представленная сложной геологией.

Надзорное обучение для классификации фаций и обнаружения ошибок

Свёрточные нейронные сети (СНС), обученные на ручных сейсмических объёмах, могут автоматически идентифицировать неисправности, солевые тела и осаждения. В структурно сложных областях, где ручная интерпретация утомительна и субъективна, обнаружение неисправностей с помощью ИИ обеспечивает согласованные результаты с высоким разрешением. Например, основанные на CNN объёмы вероятности неисправностей могут выявить тонкие геометрии связи, которые контролируют миграцию жидкости. Процесс обучения является жаждущим данных, но синтетические сейсмические модели, генерируемые из реалистичных геологических сценариев, предоставляют обильные маркированные примеры.

Неконтролируемые и полуконтролируемые подходы к обнаружению аномалий

В пограничных бассейнах или сложных условиях, где данные скудны, неконтролируемые методы, такие как автокодеры и самоорганизующиеся карты, могут кластеризовать сейсмические атрибуты для выделения аномальных областей, таких как газовые дымоходы, зоны высокой пористости или коридоры трещин. Эти методы не требуют априорной интерпретации и могут выявить особенности, упущенные при обычном анализе. Заметным приложением является отображение карстовых коллапсных признаков в карбонатных резервуарах, где деградация внутренней структуры создает отличительную сейсмическую текстуру.

Инверсия и интеграция с геофизическим моделированием

Помимо распознавания образов, ИИ используется в качестве прямого инверсионного двигателя. Глубокие нейронные сети, обученные на парах журналов импеданса и сейсмических следов, могут прогнозировать эластичные свойства от изменения амплитуды с помощью данных о смещении (AVO). В сложной геологии, где детерминированная инверсия терпит неудачу из-за сильной неуникальности, вероятностные инверсии ML обеспечивают оценки неопределенности. Кроме того, генеративные состязательные сети (GAN) могут создавать реалистичные 3D геологические модели, обусловленные разреженной скважиной и сейсмическими данными, что позволяет оценивать риск Монте-Карло.

Внешняя ссылка: Всесторонний обзор приложений ML в геофизике разведки можно найти на SEG The Leading Edge .

Распределенное акустическое зондирование (DAS)

Распределенное акустическое зондирование использует стандартные волоконно-оптические кабели в качестве плотных непрерывных массивов датчиков вибрации. Лазерный допрашивающий на поверхности посылает импульсы света вниз по волокну; обратно рассеянный свет несет информацию об изменениях напряжения вдоль кабеля. Измеряя фазовый сдвиг обратного рассеяния Рэлея, DAS может обнаруживать акустические сигналы на длинах калибровки 1-10 м над километрными кабелями. Эта технология изменила способ получения сейсмических данных в сложных ландшафтах.

Преимущества перед обычными сейсмическими лучами

Традиционные геофонные массивы дорого развертываются и обслуживаются на больших площадях, особенно в грубой топографии или экологически чувствительных регионах. DAS использует существующие телекоммуникационные кабели или специально развернутое волокно в скважинах с минимальным поверхностным следом. В хорошо организованном мониторинге DAS может быть зацементирован за корпусом, обеспечивая постоянное изображение с высоким разрешением ближней ствола и прилегающих образований. Очень высокая пространственная плотность (тысячи каналов на километр) позволяет реконструировать волновое поле и визуализацию VSP с исключительным разрешением.

Тематические исследования: DAS в комплексной геологии

В сланцевой игре Eagle Ford волокно DAS, развернутое в горизонтальной скважине, использовалось для записи микросейсмических событий во время гидравлического разрыва. Плотная массивная матрица фиксировала не только местоположение, но и фокусные механизмы событий, выявляя сложную разветвляющуюся сеть трещин, контролируемую ранее существовавшими разломами. Другой яркий пример — газовое месторождение Гронингена в Нидерландах, где DAS установлена в неглубоких скважинах, отслеживает индуцированную сейсмичность от уплотнения резервуара. Высокий временный отбор позволяет обнаруживать события до величины -1, обеспечивая понимание реактивации разломов, которые смещены всего на 10-20 м. Для глубокого геотермального исследования в трещинном граните (например, на скважинах Soultz-sous-Forêts EGS во Франции) DAS в инъекционных скважинах использовался для отслеживания путей потока жидкости и картирования проницаемых зон переломов, которые обычные спиннерные съемки не могли разрешить.

Интеграция с FWI и машинным обучением

Массивные объемы данных, производимые DAS — иногда терабайты в день — являются естественными для обработки ИИ. Обнаружение событий в реальном времени и местоположение с использованием глубокого обучения теперь возможно. Кроме того, непрерывные записи могут использоваться в пассивной FWI, используя окружающий шум и микросейсмику в качестве источников для создания моделей скорости высокого разрешения между скважинами в сложных резервуарах. Исследования продолжаются для уменьшения уровня шума DAS, который в настоящее время выше, чем геофоны, но улучшения в лазерной стабильности и специальных волоконных покрытиях сужают разрыв. Внешний справочник: Для подробного обзора технологии DAS см. USGS DAS Research .

Интегрированные рабочие процессы: объединение инноваций для достижения максимального эффекта

Наиболее мощные решения для картографирования недр сегодня не полагаются на одну технику, а вместо этого интегрируют несколько типов данных и алгоритмов. Интегрированный рабочий процесс может начинаться с FWI с использованием широко-азимутальных сейсмических данных для построения модели скорости высокого разрешения. Затем данные DAS из вертикальной наблюдательной скважины используются для уточнения этой модели через эластичную FWI. Параллельно классификаторы машинного обучения, обученные на основе данных ядра и журнала, предсказывают фации в межлунных регионах. Полученная геологическая модель может быть проверена с использованием резистентности и данных MT, где развернуты, с каждым набором данных, переключающим различные чувствительности.

Углеродная улавливание и хранение (CCS)

В проекте CCS в физиологическом водоносном горизонте со сложными отсеками разломов оператор использовал FWI на сейсморазведке с замедлением времени для мониторинга миграции шлейфа CO2. DAS, установленный в специальном мониторинге, хорошо обеспечивал данные непрерывного давления и насыщения. Результаты сейсмической инверсии затем были поданы в модель глубокого обучения, которая предсказывала критические изменения напряжения на пересекающихся разломах, снижая риск утечки. Этот интегрированный подход дал гораздо более четкую картину поведения системы, чем мог бы иметь любой один метод.

Горнодобывающие и геотермальные приложения

При разведке полезных ископаемых под толстым вулканическим покровом наземные электромагнитные методы страдают от слабого сигнала к шуму. Объединение FWI на скудных сейсмических линиях с редким активным источником с инверсией глубокой инверсии бортовых магнитных данных успешно выявило проводящие сульфидные тела на глубинах, превышающих 500 м. Для улучшенных геотермальных систем (EGS) интеграция микросейсмического мониторинга DAS с зонами переломов под флагом ИИ и моделями скорости на основе FWI позволяет операторам нацеливать интервалы стимуляции с повышенной уверенностью, снижая индуцированный риск сейсмичности и улучшая связь с теплообменником.

Проблемы и будущие направления

Несмотря на эти замечательные достижения, остаются значительные препятствия. Вычислительная стоимость 3D-эластичного FWI с ослаблением по-прежнему непомерно высока для многих академических и малых пользователей. Модели машинного обучения требуют тщательной проверки, чтобы обеспечить их обобщение до невидимых геологических настроек. Методы снижения шума DAS совершенствуются, но еще не находятся на уровне постоянных узлов морского дна. Кроме того, интеграция данных в различных физических областях - сейсмических, электромагнитных, журналов скважин - остается математической проблемой, потому что каждый метод имеет различную шкалу разрешения и чувствительность.

Заглядывая вперед, несколько новых тенденций обещают продвинуть оболочку дальше. Квантовые вычисления могут в конечном итоге ускорить FWI на несколько порядков величины. Физики-информированные нейронные сети (PINN) разрабатываются для решения волнового уравнения без дискретизации сетки, потенциально позволяя инверсию в реальном времени. Распределенное датчик температуры (DTS) в сочетании с DAS может обеспечить одновременное тепловое и акустическое наблюдение. Что более важно, движение к программному обеспечению с открытым исходным кодом и стандартизированным форматам данных снижает барьер для междисциплинарного сотрудничества, что позволяет более быстрое внедрение этих методов в сложных средах по всему миру.

Заключение

Картирование недр в сложных геологических условиях уже не надежда, а быстро развивающаяся реальность. Инновации, такие как полная волнообразная инверсия, машинное обучение и распределенное акустическое зондирование, преодолевают конкретные слабости традиционных подходов, в то время как их интеграция обеспечивает синергию, которая намного превышает сумму ее частей. Геофизики сегодня могут решать структурные и стратиграфические сложности с беспрецедентными деталями, обеспечивая более безопасное бурение, более эффективную добычу ресурсов и лучшее управление окружающей средой. По мере того, как эти технологии созревают и становятся более доступными, оставшиеся проблемы - вычислительный масштаб, слияние данных и обобщение моделей - будут решаться тем же совместным духом, основанным на данных, который привел к этой трансформации. Подповерхность, когда-то область двусмысленности, становится местом все более ясного видения.