МФТИ и ученые из Ирана создали нейросеть для прогноза проницаемости горных пород

Алгоритм оценивает, как жидкость и газ движутся сквозь породу в разных направлениях, и выдаёт результат за доли секунды. Пока метод проверен только на синтетических данных.

Ученые Московского физико-технического института совместно с коллегами из Ирана создали нейросетевой алгоритм. Он прогнозирует фильтрационные свойства горных пород по их структуре и оценивает проницаемость с учётом направления движения жидкости и газа. Статья опубликована в журнале Advances in Water Resources.

Проницаемость определяет, сколько нефти или газа можно извлечь из пласта и как быстро загрязнения распространяются в подземных водах. Традиционно её определяют долгими лабораторными испытаниями керна или суперкомпьютерными расчётами по трёхмерным томографическим изображениям. Большинство методов дают усреднённое значение и не учитывают анизотропию, то есть разную способность породы пропускать жидкость в разных направлениях. Полный тензор проницаемости из девяти компонентов требует ещё больших вычислений.

Нейросеть обучили на 998 синтетических трёхмерных изображениях пористых сред. На вход она получает не сами изображения, а корреляционные функции, рассчитанные вдоль трёх осей. После сжатия данных до 250 ключевых параметров алгоритм предсказывает все девять компонентов тензора. Эталонные значения получены методом прямого гидродинамического моделирования. После обучения результат выдаётся за доли секунды. Средняя абсолютная процентная ошибка прогноза составляет 16,6%; по словам соавтора Кирилла Герке, это сопоставимо с более ресурсоёмкими подходами.

По словам соавтора Марины Карсаниной, коллектив переходит к выбору возможных значений проницаемости для новых материалов и оценке свойств коллекторов нефти и газа. Авторы видят перспективы для экспресс-оценки коллекторов в нефтегазовой отрасли, а также для гидрогеологии и почвоведения при моделировании миграции загрязнителей. В настоящий момент метод проверен только на синтетических данных.

Коммерсантъ: наука