Опыт применения методики автоматической увязки данных геофизических исследований скважин с фотографиями керна на карбонатных и терригенных типах разреза

Введение

Привязка фотографий керна к данным каротажа – ключевой этап предварительной обработки данных. Без этого этапа невозможна дальнейшая совместная петрофизическая интерпретация результатов геофизических исследований скважин (ГИС). Традиционным подходом к выполнению увязки является использование полностью ручных инструментов (Кузнецова, 2017; Петерсилье и др., 2003). В частности, пользователь выполняет увязку каротажа как с кривой естественной радиоактивности образцов керна (Damaschke et al., 2023), так и с данными лабораторных исследований фильтрационно-емкостных свойств (ФЕС). Однако такой подход имеет ряд ограничений. Лабораторных данных может не хватать для увязки всего целевого интервала, а кривая естественной радиоактивности в некоторых случаях не обладает достаточным контрастом: характерных пиков либо нет, либо они не выражены. Такие примеры иногда встречаются при обработке чистых неглинистых карбонатных разрезов (Коссов и др., 2024).

Так как привязка осуществляется в ручном режиме, то итоговый результат во многом зависит от опыта специалиста. Кроме того, такой подход требует дополнительных временных затрат, в том числе и на проведение работ по получению кривой естественной радиоактивности и лабораторных измерений ФЕС. С развитием различных алгоритмов автоматизации (в частности, нейронных сетей) появляются всё новые инструменты, которые позволяют ускорить и упростить предварительную обработку данных. Задача привязки кривых ГИС не является исключением. Рабочие процессы, основанные на методах кросс-корреляции (Kerzner, 1984), выполняют привязку кривой естественной радиоактивности к кривым ГИС в автоматическом режиме. Алгоритмы машинного обучения также широко применяются для целей увязки из-за их возможности находить характерные формы кривых и адаптивно подстраиваться к различным данным (Torres Caceres et al., 2022; Zimmermann et al., 2018). Однако существующие методики так или иначе используют кривую естественной радиоактивности или дополнительную информацию (например, разметку данных для нейронной сети) для выполнения увязки с фотографиями керна. При этом в случае неконтрастной кривой естественной радиоактивности вышеупомянутые алгоритмы могут выполнять привязку некорректно. Ещё одним существенным ограничением является их формализм, который заключается только в минимизации какой-либо метрики схожести рассматриваемых кривых при увязке. Такие алгоритмы не позволяют использовать информацию о геологическом строении изучаемого разреза, которую несут кривые ГИС.

В связи с изложенным целями настоящей работы являлись разработка эффективной и универсальной комплексной методики автоматической увязки каротажных кривых с фотографиями полноразмерного керна, которая не требует анализа кривой естественной радиоактивности или лабораторных измерений ФЕС, и валидация данной методики на наборе данных, представленном карбонатными и терригенными породами.

Материалы и методы

В работе рассматривается набор данных, состоящий из фотографий керна терригенных и карбонатных месторождений Западной Сибири. Всего было доступно ~600 м фото керна в дневном и ультрафиолетовом освещении. Разрешение фотографий составляло ~6000 пикселей на метр. Также в работе использовались данные плотностного и нейтронного каротажа в стандартном (18 дюймов) разрешении, кривые профильной проницаемости и данные сканирования естественной гамма активности образцов керна (Th-232, U-238, K-40). Валидация методики на наборе даных, состоящем из карбонатных пород, проводилась на измеренной в лаборатории плотности по воде.

Выбор кривых плотностного и нейтронного каротажа для увязки с фотографиями керна обусловлен следующими факторами:

• плотностной и нейтронный каротаж обычно всегда доступен для анализа;

• для этих кривых есть методы повышения вертикального разрешения;

• с помощью кривых высокого разрешения можно выполнять дополнительную проверку качества привязки, т. к. они имеют разрешение, сопоставимое с фотографиями керна.

Предлагаемый рабочий процесс для автоматической привязки реализован на языке Python 3 в виде набора скриптов и включает в себя следующие методики и инструменты:

• методика автоматического литотипирования по фотографиям керна (Abashkin et al., 2020; Seleznev et al., 2019);

• инструмент автоматической увязки каротажной кривой с фотографиями керна (Коссов и др., 2024; Коссов, Абашкин, 2024);

• алгоритм автоматического детектирования пиков (Felinger, 1998);

• различные Python библиотеки для визуализации результатов и расчёта метрики контроля качества: нормированное значение корня среднеквадратичной ошибки (NRMSE – Normalized Root Mean Square Error);

• алгоритм HRA (Heterogeneous Rock Analysis) (Słota-Valim, Lis-Śledziona, 2021; Suarez-Rivera et al., 2012), который выделяет классы горных пород со схожими петрофизическими свойствами по всему разрезу. Этот метод позволяет разделять интересующий интервал на кластеры, используя для этих целей каротажные кривые и различные статистические инструменты, включая метод главных компонент (PCA – Principal Component Analysis) (Abdi, Williams, 2010) и алгоритм кластеризации k-means;

• метод тонкослоистого анализа SHARP (Synergetic High Resolution Analysis and Reconstruction for Petrophysics Evaluation) (Allen, Bordakov, 2009; Bordakov et al., 2015; Tabanou, Antoine, 1995), который разрабатывался для повышения разрешения каротажных кривых, используя для этих целей алгоритм модальной инверсии. В качестве входных параметров алгоритм принимает исследуемую кривую и литофациальную модель разреза. Стандартным подходом к её построению является HRA на кривых электрического каротажа, однако литофациальная модель может быть получена другими способами, например методикой автоматического литотипирования по фотографиям керна (Abashkin et al., 2020; Seleznev et al., 2019);

• для проверки качества увязки применяются различные метрики (NRMSE, матрицы метрик и визуальное сравнение с результатом SHARP реконструкции).

Пределы применимости методики

Пределы применимости методики определяются ограничениями, которые накладывает алгоритм автоматической увязки (а именно алгоритм амплитудной модальной инверсии): одномерность функции отклика прибора (сглаживающий фильтр), её независимость от азимута и амплитуды сигнала. Таким образом, методика не применима для учёта загрязнения околоскважинного пространства фильтратом бурового раствора и для учёта анизотропии. Помимо стандартного ограничения на увязку в виде шага дискретизации данных (нельзя выполнить привязку точнее шага дискретизации), точность увязки зависит от размера сглаживающего фильтра (т.е. от разрешения каротажного прибора), который определяется типом увязываемой кривой (т.е. типом каротажа). Пласты мощностью меньше, чем размер сглаживающего фильтра, после свёртки неразрешимы на восстановленной кривой. Выбор оптимального положения происходит на основании значений метрики, которая рассчитывается между исходной кривой и восстановленной. При большом размере фильтра (который больше, чем ширина характерного пика) восстановленные кривые от двух различных положений привязываемого участка (положение А и положение Б) малоразличимы (рис. 1). Другими словами, размер сглаживающего фильтра задаёт коридор допустимых оптимальных положений. Например, для каротажной кривой плотности размер сглаживающего фильтра равняется 0.86 м.

Рис. 1. Различные положения привязываемого участка кривой и соответствующие им высокоразрешенные кривые. Фрагменты привязываемой кривой представлены красным цветом, чёрным цветом обозначены блоковые кривые высокого разрешения после SHARP деконволюции.

Схема рабочего процесса

Для упрощения изложения в дальнейшем рассматривается привязка каротажных данных к фотографиям керна (а не наоборот), хотя обе операции симметричны и взаимозаменяемы. Общая схема рабочего процесса представлена на рис. 2 и состоит из двух последовательных этапов: этапа глобальной увязки и этапа локальной доувязки. Вначале осуществляется построение литофациальной модели по фотографиям керна методикой автоматического литотипирования (Abashkin et al., 2020; Seleznev et al., 2019), т. к. в дальнейшем она будет необходима для выполнения привязки (раздел «Построение литологической модели»).

Рис. 2. Общая схема рабочего процесса

Затем следует этап глобальной увязки, на котором проверяется степень увязки каротажных данных между собой, и выбирается увязываемая кривая (раздел «Этап глобальной увязки»). Если каротажные кривые увязаны, то привязка выполняется по одной кривой. В противном случае необходимо выполнять увязку каждой кривой по отдельности. Далее в рамках данного этапа выполняется увязка выбранной кривой целиком и вычисляется сдвиг всей кривой на постоянную величину (в интервале нескольких метров). Данный шаг позволяет исключить случай постоянного сдвига при дальнейшем рассмотрении и сконцентрироваться на локальных доувязках. После завершения этапа глобальной увязки алгоритм возвращает соответствующую таблицу сдвигов и матрицу метрики (NRMSE).

Далее наступает этап локальной увязки (раздел «Этап локальной увязки»), в котором алгоритм применяется ещё раз, но уже к областям, содержащим характерные пики, выделенные вручную, либо с применением инструмента автоматического детектирования пиков (раздел «Алгоритм детектирования пиков»). Такой подход позволяет выполнять увязку с применением окон (областей) различного размера. Данный этап подразумевает итерационное применение алгоритма автоматической увязки. После выполнения каждой итерации формируется соответствующая финальная таблица сдвигов и матрица метрики, по результатам анализа которой определяется число необходимых итераций. Процесс увязки заканчивается тогда, когда все привязываемые участки кривой лежат в допустимом интервале относительного увязанного положения. После завершения локальной доувязки осуществляется контроль качества увязки по результатам SHARP реконструкции привязываемых кривых (раздел «Анализ результатов»).

Построение литологической модели

Алгоритм автоматической увязки использует литологическую колонку, которая может быть получена различными методами. В настоящей работе для этих целей применялись алгоритмы автоматического литотипирования по фотографиям керна, описанные в работах (Abashkin et al., 2020; Seleznev et al., 2019). По результатам цветового и текстурного анализа изображений были сформированы соответствующие кривые-предикторы. Методом кластеризации k-means получены литологические колонки для исследуемых карбонатных и терригенных разрезов, содержащие 5 классов литотипов (Коссов и др., 2024). Количество классов определялось с помощью различных инструментов контроля качества кластеризации (анализ парусов, значений инерции и БИК (Байесовский информационный критерий)) (Seleznev et al., 2020). При построении литологической колонки имеется возможность использовать дополнительную информацию помимо кривых-предикторов: словарь определенных литотипов, размеченные пользователем границы между литотипами и кривую профильной проницаемости. Использование кривой профильной проницаемости для расстановки границ позволило получить более надёжную литофациальную модель при обработке фотографий карбонатного разреза.

Этап глобальной увязки

Результаты геофизических исследований, выполненные в различные спуско-подъёмные операции или на различных приборах, часто оказываются несогласованными между собой. Поэтому перед привязкой рекомендуется выполнить начальный контроль качества данных ГИС – проверить начальную увязку кривых. Для этих целей также применяется итерационный алгоритм автоматической привязки. Как было показано выше в процессе автоматической привязки используется литологическая колонка, полученная методикой автоматического литотипирования, причём настоящая методика не накладывает каких-либо требований на способ построения литологической модели (в данной работе для этой цели использовалась техника автоматического литотипирования (Seleznev et al., 2020, 2019)). Поэтому если для первой кривой ГИС применить какую-либо технику кластерного анализа (например, HRA – Heterogeneous Rock Analysis (Słota-Valim, Lis-Śledziona, 2021; Suarez-Rivera et al., 2012)) и разбить исследуемый интервал на кластеры, то можно выполнить автоматическую привязку второй кривой к полученной модели. В случае увязанных данных алгоритм покажет нулевой сдвиг (с учётом погрешностей алгоритма). Если же данные разувязаны, то сдвиг будет отличный от нуля. В таком случае, прежде чем переходить к следующему шагу, необходимо выполнить либо совместную увязку кривых ГИС стандартными алгоритмами (Петерсилье и др., 2003), либо дальнейшую увязку каждой кривой по отдельности. На рис. 3 показан результат проверки увязки начальных данных ГИС одной из исследуемых скважин. Оптимальное положение (с учётом погрешности) соответствует нулевому сдвигу между кривыми, т. е. кривые увязаны. Колонка для привязки была получена методом HRA по каротажной кривой плотности.

Рис. 3. Матрица метрик для случая проверки увязки кривых между собой, синее значение – оптимальное положение, горизонтальные значения – шаги дискретизации данных (один шаг = 0.1 м). Красные линии определяют допустимый коридор погрешности увязки. Матрица имеет одну строку, т. к. обработке подвергалась вся кривая целиком.

Алгоритм детектирования пиков

В случае наличия переменного сдвига в привязываемой кривой, данная методика позволяет его обнаружить. Для этих целей применяется этап локальной увязки, который выполняет доувязку выделенных фрагментов исходной кривой, а именно характерных пиков. Для выделения таких фрагментов разработаны подходы с использованием как ручных (с помощью выделения зон), так и автоматических инструментов (алгоритм детектирования характерных пиков, описанный в (Felinger, 1998; Massart, 1988)). С помощью зонации имеется возможность выбирать любые участки на исследуемой кривой и привязывать только их (не только интервалы с характерными пиками, но и, например, участки без дефектов при записи). В автоматическом режиме пики выделяются вместе со своей окрестностью (рис. 4). При наложении этих окрестностей друг на друга происходит их объединение в одну большую окрестность. Таким образом происходит адаптивный подбор размеров увязываемых областей в зависимости от вида обрабатываемой кривой.

Рис. 4. Фрагмент результата применения инструмента для автоматического выделения пиков для кривой плотностного каротажа (ГГК-П). Пики выделены черными точками, увязываемые области – желтыми интервалами.

Этап локальной увязки

После того, как фрагменты кривой были выделены, к ней применяется алгоритм автоматической доувязки. При этом вместо увязки всей кривой увязываются только отдельно выделенные участки, содержащие характерные пики. Такой подход улучшает точность работы алгоритма, поскольку уменьшается количество допустимых паттернов (оптимальных положений). Процесс локальной увязки происходит итеративно. По результатам выполнения каждой итерации формируются матрица метрики (NRMSE) (рис. 5) и таблица сдвигов. Число строк в таблице сдвигов равняется числу привязываемых интервалов, и равняется числу строк в матрице метрик, а число столбцов всегда постоянно и равняется двум: старые и новые глубины. С помощью матриц метрики контролируется качество увязки на каждой итерации, т. к. на ней изображены оптимальные положения всех привязываемых фрагментов кривой (выделены синим цветом). Процесс локальной увязки завершается, когда сдвиг для всех фрагментов соответствует нулевому значению (с учётом погрешностей). На матрицах метрики это проявляется в том, что все синие индикаторы лежат внутри допустимого коридора погрешности, который определяется размером сглаживающего фильтра и зависит от типа привязываемой кривой. Итеративность алгоритма исключает из рассмотрения вопрос подбора окна для локальной увязки и позволяет быть уверенным, что для всех отдельных фрагментов кривой будет найдено оптимальное положение.

Рис. 5. Пример матриц метрик (NRMSE) для двух последовательных итераций локальной увязки кривой нейтронного каротажа. Синие значения – оптимальные положения увязываемых областей, минимум метрики NRMSE. Вертикальная ось – значения глубин привязываемых областей, горизонтальная – шаги дискретизации данных (один шаг = 0.1 м). Допустимый коридор выделен красными линиями и определяется размером сглаживающего фильтра.

Анализ результатов

В настоящей работе методика была провалидирована на данных терригенных и карбонатных месторождений, причём для карбонатного типа разреза была доступна большая выборка лабораторных измерений фильтрационно-емкостных свойств. Благодаря этому была возможность оценить качество работы методики не только с помощью разработанных алгоритмов контроля качества, но и сравнением с лабораторными измерениями. Причём такая диагностика позволяет выявлять интервалы керна с перепутанной кровлей и подошвой (рис. 6).

Рис. 6. Пример обнаруженного интервала керна с перепутанной кровлей и подошвой, точками обозначены лабораторные измерения плотности

На терригенном типе разреза не было доступно лабораторных измерений, и контроль качества осуществлялся с помощью индикаторов. Индикаторы отражают изменение значения метрики NRMSE для каждого увязываемого фрагмента кривой до и после привязки. Если метрика уменьшилась, то считается, что увязанное положение фрагмента «лучше» исходного (т. е. привязанное положение лучше соответствует литологической модели), и индикатор загорается зелёным цветом. Если же метрика после увязки возрастает, то индикатор загорается красным, что сигнализирует о необходимости обратить на этот фрагмент внимание и либо исключить его из обработки, либо проверить выделенные пики, либо выполнить увязку этого интервала вручную.

Результаты привязки нейтронного каротажа для терригенного типа разреза представлены на рис. 7. Красным цветом обозначена исходная непривязанная кривая, синим – результат после привязки к литологической колонке. Зелёным и красным цветом обозначены соответствующие индикаторы для привязываемых фрагментов. Справа представлены соответствующие матрицы метрики (NRNSE) для каждой итерации локальной доувязки. Матрицы метрики показывают, что для локальной доувязки было достаточно совершить три итерации алгоритма, после которых все увязываемые фрагменты лежат внутри допустимого коридора, определяемого размером сглаживающего фильтра нейтронного каротажа. После выполнения увязки был проведён контроль качества методом индикаторов, по результатам которого верно привязались пять из шести интервалов (обозначены зелёным цветом). Красный индикатор сигнализирует о том, что данный пик следует увязать вручную.

Рис. 7. Результат привязки для терригенного типа разреза. Красная кривая – кривая ННКт (нейтрон-нейтронный каротаж по тепловым нейтронам) до увязки, синяя – привязанная

Результаты привязки плотностного каротажа для карбонатного типа разреза представлены на рис. 8. Красным цветом также обозначена исходная непривязанная кривая, синим – результат после привязки к литологической колонке. Фиолетовая линия на литологической колонке – кривая профильной проницаемости, которая использовалась для выделения границ между литотипами. Чёрными точками обозначены лабораторные измерения плотности образцов керна.

Рис. 8. Результат привязки для карбонатного типа разреза. Красная кривая – каротажная кривая ГГК-П (гамма-гамма-плотностной каротаж) до увязки, синяя – привязанная, чёрными точками обозначены лабораторные данные, фиолетовая линия – кривая профильной проницаемости.

Зелёным цветом обозначены соответствующие индикаторы для привязываемых фрагментов. Справа представлены соответствующие матрицы метрики (NRNSE) для каждой итерации локальной доувязки. Матрицы метрики показывают, что для локальной доувязки было достаточно совершить три итерации алгоритма, после которых все увязываемые фрагменты лежат внутри допустимого коридора, определяемого размером сглаживающего фильтра плотностного каротажа. После выполнения увязки был проведён контроль качества сравнением с лабораторными данными и методом индикаторов, по результатам которого верно привязались все увязываемые участки кривой (обозначены зелёным цветом).

Следует учитывать, что на данных примерах выполнялась привязка кривых ГИС к фотографиям керна ради упрощения изложения. Для привязки керна к кривым ГИС достаточно в полученной матрице сдвигов поменять столбцы местами и применить новую матрицу к фотографиям.

Выводы

Применение предложенного подхода позволило впервые решить проблему сопоставления глубины кривых ГИС с фотографиями полноразмерного керна в автоматическом режиме. Алгоритм демонстрирует высокое качество увязки для данных, сдвинутых как на постоянную, так и на переменную величину. В предложенном подходе используется алгоритм автоматической литотипизации, который позволяет получать надёжную литологическую колонку по фотографиям полноразмерного керна и данным компьютерной томографии, причём привязка осуществляется с учётом наилучшего соответствия кривых ГИС данной модели. Применение литологической колонки во время увязки позволяет учитывать геологическое строение разреза, что улучшает точность работы алгоритма. Следует отметить, что разработанный рабочий процесс также позволяет выполнять привязку керна к данным ГИС, что может быть актуально при неполном выносе керна. В таких случаях процедура увязки проводится аналогично описанному методу, с той лишь разницей, что алгоритм обрабатывает только те участки каротажной кривой, которые охарактеризованы керном. Результатом работы методики является таблица сдвигов, которая в дальнейшем может быть дополнена или изменена экспертом и применена к кривой или группе кривых (при привязке керна к ГИС надо в таблице сдвигов поменять столбцы местами). Методика показала высокое качество увязки на данных терригенных и карбонатных месторождений. По результатам обработки набора данных, представленного карбонатными и терригенными породами, была выполнена привязка кривых плотностного и нейтронного каротажа, и осуществлена валидация результатов. Точность привязки определяется размерами сглаживающих фильтров исследуемых кривых и составляет ~80 см и ~60 см для плотностного и нейтронного каротажа соответственно. Ввиду того, что операции деконволюции выполняются за очень короткое время, предложенный алгоритм можно рассматривать как инструмент для быстрой проверки степени увязки начальных данных, что также расширяет области использования методики. Таким образом, данный подход может быть полезен для улучшения точности геофизических исследований скважин и определения фильтрационно-емкостных свойств тонкослоистых пропластков горных пород в околоскважинном пространстве.