Революционный рабочий процесс для оценки нефтяных резервуаров: интеграция спектроскопии VNIR-LWIR и машинного обучения

В области геологоразведки, как быстро и точно найти наиболее важные образцы из сотен метров скальных сердец, всегда было большой проблемой. Исследование нефтяных и газовых коллекторов Саудовской Аравии показало перспективное решение.

В области геологической разведки быстрое и точное выявление наиболее критических образцов из сотен метров ядра уже давно является серьезной задачей. Исследование, сосредоточенное на углеводородных резервуарах в Саудовской Аравии, демонстрирует очень перспективное решение.

Примечание:

Геологическая разведкаРечь идет о серии комплексных исследований и исследовательских работ, проводимых для выявления подземных геологических условий и поиска минеральных ресурсов (например, нефти и газа, полезных ископаемых, подземных вод и т.д.). Что касается нефтегазовой сферы, то основной задачей геологоразведки является определение благоприятной зоны для концентрации нефти и газа и окончательное определение пригодных для добычи месторождений нефти и газа.

Нефтегазовый коллекторЭто подземные породы, которые имеют пространство для хранения (пористость, трещины) и способность жидкости просачиваться (проницаемость), и нефть и газ хранятся в этих пространствах. Это один из основных элементов формирования нефтегазовых месторождений. Наиболее распространенными типами нефтегазовых пород являются песчаники и карбонаты (например, известняк, доломит).

Геологическая разведка позволяет обнаруживать, очерчивать и оценивать нефте - и газоносные пласты, имеющие коммерческую ценность.

Примечание:

Геологические исследованияозначает серию всеобъемлющих исследований и исследовательской деятельности, проводимой для понимания подземных геологических условий и поиска минеральных ресурсов (таких как нефть, газ, минералы, грунтовые воды и т.д.). В контексте нефтяной промышленности основная цель геологической разведки заключается в выявлении районов, благоприятных для накопления углеводородов, и в конечном счете в поиске запасов нефти и газа для эксплуатации.

Углеводородный резервуарпредставляет собой подземный каменный блок, обладающий пространством для хранения (поры, переломы) и способностью позволять поток жидкости (проницаемость); Углеводороды хранятся в этих пространствах. Это один из основных элементов для образования накопления углеводородов. Наиболее распространенными типами пород для углеводородных резервуаров являются песчаник и карбонаты (например, вапняк, доломит).

Целью геологической разведки является открытие, определение и оценка коммерчески жизнеспособных углеводородных резервуаров.

Комплексная карта пластов горных пород в исследуемом районе (Вади Даклах) the generalized lithostratigraphy of exposed facies in the study area (Wadi Daqlah)

« Спектральный диапазон»

Основным техническим основанием этого исследования является широкополосная гиперспектральная визуализация, спектральный диапазон которой охватывает широкий диапазон от видимого света до длинноволнового инфракрасного диапазона:

Видимый свет - ближнее инфракрасное излучение (VNIR, 400 - 1000 нм):: В основном чувствительны к переходным металлическим элементам, таким как ионы железа (Fe² ⁺) в горных породах. Рассчитав индекс железа, можно быстро оценить изменения химического состава породы.

Коротковолновый инфракрасный диапазон (SWIR, 1000 - 2500 нм): Кальцит и доломит характеризуют положение долины поглощения в этой области с небольшим, но стабильным смещением около 20 нм (кальцит ~ 2345 нм, доломит ~ 2325 нм). Это различие является ключом к быстрому и точному картированию минеральных ресурсов.

Инфракрасное излучение средних волн (MWIR, 3 - 7 мкм)иДлинно - волновой инфракрасный диапазон (LWIR, 8 - 14 мкм)Содержит более сложную информацию о молекулярной вибрации карбонатных минералов. Объединив данные из этих трех инфракрасных диапазонов, исследование смогло зафиксировать незначительные различия, связанные с кристаллической структурой и гранулометрией горных пород, которые не могут быть идентифицированы только SWIR, что позволило успешно различать доломиты разных структур.

«Спектральный диапазон»

Основной технической основой этого исследования является гиперспектральное изображение полного диапазона, охватывающее широкий спектр от видимого до длинноволнного инфракрасного:

Видимый-близкий инфракрасный (VNIR, 400-1000 нм)Этот диапазон в первую очередь чувствителен к переходным металлическим элементам, таким как железо (Fe²). ⁺) в скалах. Расчет индекса железа позволяет быстро оценивать изменения химического состава породы.

Коротковолновый инфракрасный (SWIR, 1000-2500 нм)Ключевым выводом исследования является последовательное, приблизительно 20-нанометровое сдвиг в характерных положениях нижнего уровня поглощения между кальцитом и доломитом в этом регионе (кальцит ~ 2345 нм, доломит ~ 2325 нм). Это различие имеет решающее значение для быстрого и точного составления карты распределения минералов.

Средневолнный инфракрасный (MWIR, 3-7μm)иДолговолновый инфракрасный (LWIR, 8-14)μм)Эти диапазоны содержат более сложную информацию о молекулярных вибрациях из карбонатных минералов. Интегрируя данные из этих трех инфракрасных интервалов, исследование смогло обнаружить тонкие различия, связанные со структурой кристаллов породы и размером зерна, которые не могут быть различены только с помощью SWIR, тем самым успешно дифференцируя доломиты с различными текстурами.

Спектральные характеристики доломита (зеленого) и кальцита (синего): характерное положение пика поглощения доломита составляет около 2325 нм, а характерное положение пика поглощения кальцита - около 2345 нм.

Спектральная подпись доломита (зеленый) и кальцита (синий) с характерным положением полосы поглощения около 2325 нм (пунктирная зеленая линия) для доломита и 2345 нм (пунктирная синяя линия) для кальцитов.

« Рабочий процесс анализа данных на основе гиперспектральных изображений»

Традиционный геологический отбор проб можно рассматривать как "эмпирическую" модель, которая в значительной степени зависит от наблюдений невооруженным глазом и субъективных суждений экспертов. В этом исследовании предлагается более объективный, более эффективный и воспроизводимый набор решений « на основе данных», рабочие процессы которых четко отражают аналитическую логику от макро - до микроскопических:

Первый шаг:Глобальное сканирование, картирование минераловИсследовательская группа начала с использования характеристик диапазона SWIR для быстрого сканирования 50 - метровых кернов, чтобы получить высокоточную карту распределения минералов, которая четко определяет целевую область для окаменения белых облаков.

Шаг второй:Выявление структурных различийПосле блокировки доломитовой области, синтезируя спектральную информацию SWIR, MWIR и LWIR и используя алгоритмы анализа основных компонентов (PCA), система может увеличить тонкие микроспектральные различия, связанные со структурой кристалла и размером частиц. Эти различия невозможно различить невооруженным глазом.

Шаг третий:Определение оптимальной точки отбора пробОсновываясь на спектральных различиях, алгоритм кластеризации K - means автоматически делит пиксели доломита на четыре категории. Затем система учитывает спектральные центры для каждой категории и рекомендует в качестве репрезентативной точки отбора проб расположение кернов ближе всего к этим центрам.

«Рабочий процесс, основанный на данных, основанный на гиперспектральном изображении»

Традиционный геологический отбор проб может рассматриваться как модель, основанная на опыте, в значительной степени зависящая от визуального наблюдения экспертов и субъективного суждения. Это исследование предлагает более объективное, эффективное и воспроизводимое решение, основанное на данных. Рабочий процесс четко демонстрирует аналитическую логику, переходящую от макро до микро:

1. Полное сканирование и картография минералов:Исследовательская группа сначала использовала спектральные особенности SWIR для быстрого сканирования 50-метрового ядра, создав высокоточную карту распределения минералов, которая четко определила целевые доломитированные зоны.

2.Выявление текстуальных различийПосле идентификации доломитных регионов система усилила тонкие спектральные различия, связанные со структурой кристалла и размером зерна, интегрируя спектральную информацию из SWIR, MWIR и LWIR и применяя анализ основных компонентов (PCA). Эти различия совершенно невозможно обнаружить невооруженным глазом.

3. Поиск оптимальных точек отбора пробНа основе спектральных различий алгоритм кластеризации K-средних автоматически классифицировал пиксели доломита на четыре категории. Затем система рассчитала спектральный центроид для каждой категории и рекомендовала расположения ядра, ближайшие к этим центроидам, в качестве наиболее представительных точек отбора проб.

А. Стандартизированная матрица смешения, показывающая классификацию структуры доломитов на основе литографического анализа и анализа гиперспектральных изображений (сравнение). В. Аналитическая карта корреляции между индексом железа и концентрацией железа, рассчитанная с помощью гиперспектральных изображений, для тех же образцов керна, взятых в точках отбора проб (которые используются также в лабораторных исследованиях ICP - OES).

А. Нормализованная матрица путаницы, показывающая классификацию текстуры доломита из петрографического анализа и классификации на основе HSI. В. Корреляция между индексом железа, полученным от HSI, и концентрацией Fe для тех же проб, которые используются для лабораторных измерений ICP-OES.

А. Классификация и распределение различных типов доломитов по кернам. Репрезентативный спектр доломитов всех классов в диапазонах B. видимой ближней инфракрасной - коротковолновой инфракрасной (VNIR - SWIR), C. средневолновой (MWIR) и D. длинноволновой (LWIR).

А. Классификация и распределение различных типов доломитов вдоль бурового ядра. Представительские спектры для каждого класса в VNIR-SWIR (B), MWIR (B) и LWIR (C).

« Заключение»

Подводя итог, основные моменты этого документа заключаются в том, что он демонстрирует полный рабочий процесс, основанный на данных, от глобального сканирования до отбора проб, предлагая новые идеи для геологических исследований; В то же время он прорвался сквозь рутину, интегрируя многодиапазонные данные VNIR - SWIR - MWIR - LWIR, обеспечивая тонкое отображение карбонатных пород от идентификации минералов до структурной классификации.

Это не только имеет прямую ценность для нефтегазовой отрасли, но и указывает направление для будущих детальных характеристик в таких областях, как разведка полезных ископаемых.

Если вы хотите узнать о системах визуализации в видимом - ближнем инфракрасном, коротковолновом инфракрасном и даже средневолновом или длинноволновом инфракрасном диапазонах, пожалуйста, свяжитесь с нами!

«Вывод»

В целом, главные моменты этой статьи двойны: она демонстрирует полный рабочий процесс, основанный на данных, от сканирования полной сцены до отбора проб, обеспечивая новую парадигму для геологических исследований; Кроме того, он нарушает конвенцию, интегрируя многополосные данные VNIR-SWIR-MWIR-LWIR для достижения тонкой характеристики карбонатных пород, переходя от идентификации минералов до классификации текстуры.

Это имеет прямую ценность для нефтяной промышленности и также указывает на путь для подробной характеристики в будущих приложениях, таких как разведка полезных ископаемых.

Если вы заинтересованы в гиперспектральных системах изображения, охватывающих диапазоны VNIR, SWIR или даже MWIR и LWIR, пожалуйста, не стесняйтесь связаться с нами!

Документ /СтатьяА.

Gairola, G. S., Thiele, S. T., Khanna, P., Ramdani, A. I., Gloaguen, R., & Vahrenkamp, V. (2024). Гиперспектральный метод, основанный на данных, для отбора проб диагенетических карбонатных тканей – тематическое исследование с использованием аналога отхода от резервуаров арабского-D юрского периода, Саудовская Аравия. Морская и нефтяная геология, 161, 106691.