The Lower Cretaceous reservoir of the Starogroznenkoye oil and gas field as an object of geological modeling
Abstract
Relevance. The implementation of automated technologies and artificial intelligence in the interpretation of geological and petrophysical data significantly improves the accuracy and reliability of oil and gas reserve estimates, as well as optimizes exploration and development processes. The creation of 3D models based on machine interpretation of well logging data, laboratory analysis of actual material, and seismic surveys of complex geological systems such as the Albian-Aptian deposits of the Terek-Sunzha region, characterized by highly complex structures and heterogeneous rock properties, allows for a more complete understanding of their structural and reservoir properties, which is highly relevant for a region with fields in the depletion stage of proven reserves. Aim. The study aims to develop and implement an automated, multifactor methodology for interpreting geological and geophysical information using modern machine learning, neural networks, and 3D modeling technologies, accounting for structural-mineralogical heterogeneity and filtration-capacity properties of rocks. Methods. A comprehensive approach integrating modern machine learning and geoinformation technologies. The methodology is divided into three stages: 1. Digitization and processing of archival core, welllogging, and well-testing data to create a unified digital database. Lithotype identification and correlation with well-logging data; 2. Automated well-logging and core interpretation using ESKS-TABC technology in Gintel software with neural network algorithms for data reinterpretation. Machine learning for reservoir classification; 3. 3D geological modeling: development of preliminary correlation and petrophysical models. Results. A comprehensive database integrating interpreted geological and geophysical data across entire reservoir intervals, processed using ESKS-TABC technology. This database will serve as the foundation for lithological-facial geological modeling, incorporating neural network technologies for interwell property prediction.
References
Афанасьев В.С., Афанасьев С.В., Афанасьев А.В. и др. Методика автоматизированного восстановления свойств пород в терригенном разрезе по данным ГИС в системе Gintel (Методика ТАВС). – М: ООО «Геоинформационные технологии и системы», 2009. – 100 с.
Афанасьев В.С., Афанасьев С.В., Варягов С.А., Красовский А.В., Меньшиков С.Н. Литолого-фациальное геологическое моделирование на примере Медвежьего газоконденсатного месторождения. – Новосибирск: СО РАН, 2021. – 144 с.
Афанасьев С.В. Технология комплексной переинтерпретации данных геофизических исследований скважин при создании трехмерной геологической модели длительно разрабатываемой залежи. // Нефтяное хозяйство. – 2005. – № 2. – С. 12–17.
Бачаева Т.Х., Даукаев А.А. Минерально-сырьевая база, проблемы и перспективы развития нефтегазового комплекса Чеченской Республики. // Вестник КНИИ РАН. Серия: Естественные и технические науки. – 2024. – № 2(17). – С. 160–170. DOI: 10.34824/ VKNIIRAN.2024.17.2.013.
Генераленко О.С., Шелепов И.В., Ермакова О.Э., Моторин И.В., Воробьева Г.Н., Парамошина Д.Д. Интегрированный подход к построению геологических моделей на основе фациального анализа. // Георесурсы. – 2024. – Т. 26. № 3. – С. 33–42. DOI: 10.18599/ grs.2024.3.5.
Даукаев А.А., Бачаева Т.Х. Геологоразведочные работы на нефть и газ на территории Чеченской Республики: состояние и перспективы развития. // Вестник КНИИ РАН. – 2021. – № 3(7). – С. 34–40. DOI: 10.34824/VKNIIRAN.2021.7.3.004.
Игилманов Б.Б. Подсчет запасов углеводородов на основе 3д модели в симуляторе тНавигатор. Применение workflow для оптимизации работы. // Yessenov Science Journal. – 2022. – No. 2(43). – pp. 88–94. DOI: 10.56525/OAHL5595.
Керимов И.А., Борисенко З.Г., Даукаев А.А., Гайсумов М.Я., Абубакарова Э.А., Чимаева Х.Р. Геология нефтяных месторождений Терско-Сунженской нефтегазоносной области: справочник. Грозный: Академия наук Чеченской Республики, 2010. – 254 с.
Керимов И.А., Даукаев А.А., Бачаева Т.Х. Старогрозненское месторождение нефти и газа (к 120-летию начала освоения). // Вестник Академии наук Чеченской Республики. – 2013. – № 3(20). – С. 115–124.
Смольянинова К.И. Коллекторские особенности пород нижнего мела Терско-Сунженского нефтеносного района на глубинах свыше 3000 м. // Изучение коллекторов нефти и газа, залегающих на больших глубинах. Выпуск-124. – М.: Недра, 1977. – С. 130–132.
Шнурман Г.А., Демушкина Н.В., Терентьев В.Ю., Афанасьев В.С., Гаранин А.Б. Методика выделения и оценки альб-аптских терригенных коллекторов Терско-Сунженской антиклинальной зоны по данным ГИС. // Геология нефти и газа. – 1989. – № 1. – С. 40–43.
Эзирбаев Т.Б. Обзор технологий комплексной обработки переинтерпретации данных геофизических исследований скважин для детального расчленения разреза и переоценки запасов углеводородов. // Геология и геофизика Юга России. – 2021. – Т. 11. № 2. – С. 118–136. DOI: 10.46698/VNC.2021.40.15.009.
Эзирбаев Т.Б., Гацаева С.С.-А., Абдулшахидова Х.А. Анализ зависимости пористости нижнемеловых коллекторов Терско-Сунженской нефтегазоносной области от петрофизических параметров. // Геология и геофизика Юга России. – 2024. – Т. 14. № 2. – С. 194–206. DOI: 10.46698/VNC.2024.29.28.015.
Abu-Hashish M., Wanas H.A., Madian E. 3D geological modeling of the Upper Cretaceous reservoirs in GPT oil field, Abu Sennan area, Western Desert, Egypt. // Journal of Petroleum Exploration and Production Technology. – 2019. – Vol. 10. Issue 3. – рp. 1–23. DOI: 10.1007/s13202-019-00780-9.
Han J.-X., Xue L., Wei Y.-Sh., Qi Y.-D., Wang J.-L., Liu Y.-T., Zhang Y.-Q. Physicsinformed neural network-based petroleum reservoir simulation with sparse data using domain decomposition. // Petroleum Science. – 2023. – Vol. 20. Issue 6. – рр. 3450–3460. DOI: 10.1016/j. petsci.2023.10.019.
Hu Y., Xin X., Yu G., Deng W. Deep insight: an efficient hybrid model for oil well production forecasting using spatio-temporal convolutional networks and Kolmogorov–Arnold networks. // Scientific Reports. – 2025. – Vol. 15. No. 8221. – pp 1–19. DOI: 10.1038/s41598025-91412-2.
Illarionov E., Temirchev P., Voloskov D., Kostoev R., Simonov M., Pissarenko D., Orlov D., Koroteev D. End-to-end neural network approach to 3D reservoir simulation and adaptation. // Journal of Petroleum Science and Engineering. – 2022. – Vol. 208. Part A. DOI: 10.1016/j. petrol.2021.109332.
Mankhemthong N., Phanratana C., Udphuay S. Lithologic modeling using VES method for subsurface structure delineation with geological constraints, eastern margin of Chiang Mai Basin and southwestern margin of Mae On Depression, San Kamphaeng District, Chiang Mai Province, northern Thailand. // Geosciences Journal. – 2020. – Vol. 25. Issue 4. – рр. 479–494.
DOI: 10.1007/s12303-020-0037-4.
Shao Y.-l., Zheng A.-l., He Y., Xiao K.-Y. 3D Geological modeling and Its application under complex geological conditions. // Procedia Engineering. – 2011. – Vol. 12. – рp. 41–46. DOI: 10.1016/j.proeng.2011.05.008.
Simon W. Houlding geological interpretation and modeling. // 3D Geoscience Modeling. – 1994. – рр. 113–129. DOI: 10.1007/978-3-642-79012-6_7.
Sircar A., Yadav K., Rayavarapu K., Bist N., Oza H. Application of machine learning and artificial intelligence in oil and gas industry. // Petroleum Research. – 2021. – Vol. 6. Issue 4. – pр. 379–391. DOI: 10.1016/j.ptlrs.2021.05.009.
Thistiakov A., Shvalyuk E., Okosun K., Spasennykh M., Stenin A. Advanced well logging interpretation for reliable electrotyping of low-permeable and low-resistivity formation. // Georesources. – 2024. – Vol. 26. Issue 4. – pp. 163–175. DOI: 10.18599/grs.2024.4.20.
English
Русский
