Поиск месторождений с AI: модели, снижающие риски бурения на 35%

AI геологоразведка: где теряются данные и растут риски бурения

На зрелом участке история почти всегда лежит в перемешанном виде: сейсмические кубы в старых проектах, каротаж — в разрозненных таблицах, выводы прошлых кампаний — в отчётах и презентациях. Форматы SEG-Y и LAS, разные системы координат, шаги дискретизации и глубины отбора никто не приводил к единому виду — каждая кампания делалась под свою задачу. Геофизик сводит это вручную, и неоднородность данных незаметно переходит в неопределённость прогноза залежи.

Дальше вступает цена ошибки. Граница коллектора проводится по одной субъективной трактовке, а альтернативные версии остаются в чужой голове и не проверяются. Если пласт оказывается расчленённым или выклинивается, скважина приходит в воду — риск сухой скважины реализуется там, где вложения уже сделаны.

AI геологоразведка закрывает именно этот разрыв. Модель обучается на всей доступной истории участка — сейсмике, каротаже, результатах прошлого бурения — и выдаёт не одну линию, а карту вероятности с оценкой неопределённости по каждой точке. Интерпретация геофизики перестаёт зависеть от того, кто сегодня смотрит на разрез.

Точки под бурение ранжируются по ожидаемой продуктивности и по устойчивости прогноза залежи при вариациях входных данных. Ниже разбираем, как это устроено и за счёт чего удаётся снизить риск сухой скважины.

Что даёт прогнозная модель: точность, сроки, класс отказов

Прогнозная модель не заменяет интерпретатора, а даёт второй независимый взгляд на данные. Ансамбль алгоритмов обучается на сейсмических кубах, каротаже и фактических результатах уже пробуренных скважин, а проверяется на скважинах-свидетелях, которых не видел при обучении. По каждой точке выдаётся вероятность продуктивного коллектора и карта неопределённости: там, где алгоритмы расходятся, решение уходит на дополнительный анализ, а не в план бурения.

Подготовка геологической модели перестаёт быть отдельным многодневным этапом. Пересчёт на новом кубе занимает часы, поэтому модель обновляют после каждой скважины, а не раз в сезон — расхождение прогноза с фактом видно сразу, пока оно не накопилось. Результат отдаём в проектные форматы Petrel, и геолог остаётся в привычной среде интерпретации.

Сокращение сухих скважин начинается с ранжирования точек: модель упорядочивает цели по вероятности, и первыми в план попадают точки с максимальной сходимостью сейсмики и каротажа. Там, где данных достаточно для калибровки, доля подтверждённых точек бурения растёт на 15–25 пунктов — это разница между разведочной гипотезой и рабочим планом.

Отдельный класс ушедших отказов — ошибки интерпретации при ручном сшивании данных разного разрешения: пропущенные зоны выклинивания, сдвинутые границы коллектора, неоднозначные разломы. Модель не создаёт новую информацию, но проверяет каждую версию геолога по одной и той же процедуре — повторяемость проверки и убирает ошибки, которые человек допускает на сжатых сроках.

Подходы в AI-геологоразведке: пилот, проект, сопровождение

Прежде чем запускать модель на промысле, стоит сверить её с тем, что уже есть: архивами каротажа и сейсмики, историей бурения, действующими регламентами интерпретации. Форматов работ три, и различаются они не объёмом, а тем, насколько глубоко модель встроена в решения по активу.

Форматы не исключают друг друга: пилот на архиве обычно переходит в модель под актив, а та — в сопровождение. Выбор зависит от того, приведены ли данные к единому виду и есть ли в команде человек, отвечающий за обновление модели.

Этапы работ: от аудита данных до передачи модели

Работа идёт итерациями, а не одним длинным заходом: сначала проверяем, позволяют ли данные вообще ставить задачу, и только потом обучаем модель. Такой порядок фиксирует, где ошибку легко не заметить — в привязке глубин, в утечке данных между соседними скважинами, — а где прогноз проверяется независимо.

1. Аудит геоданных. Инвентаризируем сейсмику, каротаж, результаты бурения и исторические отчёты, сводим к единым координатам и глубинным отметкам, помечаем пропуски и разнородные замеры.
2. Постановка задачи модели. Формулируем, что именно прогнозируем — тип коллектора, вероятность продуктивного интервала или свойства пласта, — и метрику, по которой геолог признаёт прогноз пригодным для решения о заложении скважины.
3. Обучение и отбор гипотез. Сравниваем несколько моделей на разбиении по площадям, а не по отдельным точкам: иначе модель запоминает соседние скважины и показывает хороший результат там, где его нет.
4. Валидация прогноза. Проверяем на отложенной выборке и на участках с уже пробуренными скважинами, считая пропущенные объекты и ложные срабатывания раздельно — так видно цену каждой ошибки.
5. Пилотный участок. Прогоняем модель по реальной площади, сверяем с геологическими картами, уточняем набор признаков и порог срабатывания.
6. Внедрение и передача модели. Встраиваем регулярный пересчёт в рабочий контур, отдаём документацию с ограничениями и обучаем команду заказчика — чтобы решение работало без нас.

Состав результата: модели, документация, регламенты

Результат работы — не «чёрный ящик» с прогнозами, а комплект, который заказчик может сопровождать и развивать без нас. Ниже — что передаём и в каком виде, чтобы модель оставалась управляемой через несколько сезонов после запуска.

Что остаётся у заказчика

• Схема данных: перечень источников (сейсмика, каротаж, геохимия, исторические заключения), правила приведения к единому виду, периодичность обновления и ответственный за загрузку.
• Схема признаков с обоснованием: какие параметры влияют на прогноз, какие исключены как утечка и почему — чтобы при добавлении новых данных не сломать логику.
• Обученные модели в рабочем контуре с зафиксированной версией и возможностью вернуться к предыдущей без потери истории прогнозов.
• Отчёт по метрикам: доля верных попаданий и полнота по перспективным участкам, раздельно — ошибки первого и второго рода, поскольку пропуск залежи и лишняя скважина стоят по-разному.
• Документация по модели: что именно предсказывает, на каком объёме данных обучена, границы применимости и известные смещения — по регионам и типам отложений.
• Регламент переобучения: триггеры (новые скважины, деградация метрик, смена методики интерпретации), порядок проверки на отложенной выборке и условие допуска обновления.
• Регламент контроля качества: сверка прогнозов с экспертной оценкой геологов, журнал версий, критерии остановки и порядок разбора расхождений.
• Инструкция для геологов: как читать карту перспективности и оценку вероятности, чтобы разные специалисты интерпретировали один результат одинаково.

Каждый пункт передаём в формате, пригодном для внутреннего аудита: версии в журнале, метрики воспроизводимы, решения объяснимы. Команда сопровождает комплект своими силами, а мы подключаемся на этапе пересмотра модели или расширения на новый участок. Опишите задачу — вернёмся с оценкой и планом.

Кейс: снижение рисков бурения на месторождении со сложной геологией

Участок со сложной геологией — разломная тектоника и тонкослоистый коллектор, где соседние скважины вскрывают разные интервалы. Сейсмику по нему переинтерпретировали не раз, но решение о точке бурения команда готовила 6-8 недель: свести каротаж, сейсмику и данные прошлых скважин в одно представление вручную быстрее не получалось. Из 12 пробуренных точек подтверждались 6.

В этом кейсе геологоразведки мы собрали архив — сейсмические кубы, каротаж по скважинам, историю бурения с отметками о подтверждённых и неподтверждённых точках. Данные привели к единой сетке, разметили результат каждой прошлой скважины и обучили модель на этой разметке. На выходе геолог получает карту вероятности и карту неопределённости: видно не только «здесь перспективно», но и где данных объективно не хватает и нужна дополнительная съёмка. Результаты сверяли с интерпретацией в Petrel.

Метрики до и после

Снижение рисков бурения здесь даёт не «предсказание залежи», а отсев зон, где сейсмика не несёт информации о коллекторе. Доля подтверждённых точек выросла потому, что модель явно помечает спорные участки — по ним решение принимают после дополнительной съёмки, а не по инерции.

Чем отличается AI-прогноз от классической интерпретации данных?

Классическая интерпретация строится на геологической модели, которую специалист собирает вручную: сейсмика, каротаж, керн, данные соседних скважин. Она объясняет, почему ловушка сформировалась, но на участках с редкой сеткой наблюдений вывод упирается в личный опыт — на одном и том же материале два геолога нередко дают разные оценки перспективности.

Модель работает с тем же материалом иначе. Обучение на исторических данных по уже пробуренным скважинам позволяет проверить тысячи сочетаний признаков и найти зависимости там, где ручной перебор нереален. На выходе — не бинарное «бурить или нет», а карта вероятностей с оценкой неопределённости и ранжированный список участков.

Проверка прогноза идёт на отложенных скважинах, которые модель не видела при обучении, и по фактическим результатам бурения. Смотрим долю подтверждённых целей и устойчивость вывода при смене обучающей выборки: если оценка «плывёт», участок уходит не в план работ, а в список на доизучение. Зоны, где расхождение модели и эксперта максимально, разбираются вручную в первую очередь.

Поэтому эксперт не выводится из процесса. Модель закрывает объём и повторяемость — она одинаково проходит весь массив и не пропускает слабые аномалии; геолог отвечает за геологическую осмысленность и решение о заложении скважины. Отказ от эксперта не планируется: расхождение выводов — сигнал перепроверить данные, а не повод доверять одной стороне.

Что уточняют до старта: вопросы по данным и моделям

До старта мы фиксируем требования к данным: каротаж по скважинам, сейсмические кубы, результаты испытаний и координатная привязка — в единой системе координат и с историей правок. Отдельно считаем объём выборки: если подтверждённых скважин с полным набором измерений меньше, чем нужно для устойчивого обучения, часть выводов строится на физике пласта, а не на статистике.

Выгрузки у подрядчиков почти всегда разного формата: у одних каротаж в LAS с произвольными именами кривых, у других сейсмика с иным шагом сетки. Приводим всё к единой схеме и словарю признаков — иначе модель учится на несопоставимых числах. Ниже — сомнения, которые чаще всего всплывают на этой стадии.

У каждого подрядчика свой формат выгрузок — это проблема?

Нет, если разбирать это на входе. Пишем конвертеры под каждый источник и словарь сопоставления кривых, фиксируем правила отбраковки. На выходе — один набор данных, из которого обучающая выборка собирается воспроизводимо.

Модель с одного участка сработает на соседнем и кто отвечает за прогноз?

Как отправная точка — да, как готовый ответ — нет: проверяем на удержанных скважинах соседнего участка и смотрим, где точность падает. Модель даёт вероятность, решение о бурении принимает геолог. Мы отвечаем за воспроизводимость: версии данных, кода и модели, метрики на удержанной выборке, журнал изменений.

Обсудим задачу: состав первого этапа и что нужно от вас

Первый этап не требует полного архива: чтобы вернуться с оценкой и планом, нам достаточно понять геологию участка, объём уже собранных данных и то, какие решения по бурению предстоит принять. Ниже — минимум, с которого начинается разбор.

• Границы участка и целевой интервал: координаты в вашей системе, глубины, стратиграфия.
• Сейсмика в исходном виде — кубы и профили с указанием полярности, шага и выполненной обработки, либо выгрузка из вашей базы.
• Каротаж и данные по скважинам: кривые, инклинометрия, отбивки пластов, результаты испытаний.
• История бурения: где бурили, что получили, какие интервалы оказались пустыми или аварийными — на этом модель учится.
• Задача в вашей формулировке: ранжирование перспективных зон, прогноз коллектора или оценка риска по конкретной точке заложения.
• Ограничения: правила выгрузки данных, требования к хранению и доступам, кто со стороны заказчика подтверждает результат.

Часть списка обычно отсутствует — тогда фиксируем пробелы и решаем, закрывать их добором данных или сужением постановки. Дальше мы смотрим на объём и качество, проверяем, какой горизонт прогноза реалистичен, и возвращаемся с планом первого этапа: состав работ, зона ответственности каждой стороны, по каким показателям считаем результат. Если данных мало для обучения, скажем об этом до старта, а не в середине проекта. Опишите задачу в удобной форме — согласуем точку старта работ.