Том 337 № 4 (2026)
DOI https://doi.org/10.18799/24131830/2026/4/5066
Прогнозирование модуля Юнга по данным бурения на нефтяном месторождении СТ, шельф Вьетнама
Актуальность. Прогнозирование модуля Юнга по данным бурения имеет большое значение для повышения эффективности и безопасности нефтегазовых операций, особенно в сложных геологических условиях. Рассматривается насущная потребность в экономически эффективных методах определения геомеханических характеристик в режиме реального времени, снижающих зависимость от дорогостоящих традиционных методов. Целью исследования является разработка методологии, использующей машинное обучение и искусственный интеллект для точного прогнозирования модуля Юнга с применением данных параметров бурения скважин на месторождении CT шельфа Вьетнама. Объектом исследования являются горные породы и грунты, встречающиеся в скважинах. Особое внимание уделяется параметрам бурения, таким как нагрузка на долото, крутящий момент, скорость вращения и механическая скорость бурения. Методы: передовые методы машинного обучения, включая глубокие нейронные сети и ансамблевые методы, для анализа и отображения нелинейных связей между данными бурения и модулем Юнга. Модели обучаются и проверяются с использованием эталонных данных, полученных в результате испытаний керна и геофизических исследований скважин, с предварительной обработкой данных для снижения шума и повышения точности прогнозирования. Результаты. Применяя алгоритмы машинного обучения, исследовательская группа успешно разработала модели для прямого прогнозирования модуля Юнга по параметрам бурения, измеряемым в режиме реального времени при бурении скважин на нефтяном месторождении CT, шельф Вьетнама. Модель, использующая нейронную сеть обратного распространения, продемонстрировала превосходные результаты, достигнув коэффициента корреляции до 0,94 и среднеквадратичной ошибки всего 0,483 при слепом тестировании на новой скважине в пределах исследуемого участка.
Для цитирования: Ву Хонг Зыонг, Нгуен Тиен Хунг, Ву Тьет Тхак, Нгуен Минь Хоа, Нгуен Суан Зуи. Прогнозирование модуля Юнга по данным бурения на нефтяном месторождении СТ, шельф Вьетнама. Известия Томского политехнического университета. Инжиниринг георесурсов, 2026, Т. 337, № 4, С. 64-74.
Ключевые слова:
модуль Юнга, геомеханика, данные бурения, машинное обучение, месторождение СТ
Библиографические ссылки:
REFERENCES / СПИСОК ЛИТЕРАТУРЫ
1. Brady B.H.G., Brown E.T. Rock mechanics for underground mining. 3rd ed. with corrections. Springer, 2004. 628 p.
2. Malkowski P., Ostrowski L. The methodology for the Young modulus derivation for rocks and its value. Procedia Engineering, 2017, vol. 191, pp. 134–141.
3. Hoek E., Brown E.T. Empirical strength criterion for rock masses. Journal of the Geotechnical Engineering Division, 1980, vol. 106 (9), pp. 1013–1035.
4. Castagna J. P., Batzle M. L., Kan T. K., Backus M. M. Rock physics – the link between rock properties and AVO response. Offset-dependent reflectivity – Theory and practice of AVO analysis, SEG, 1993, pp. 135–171.
5. Zoveidavianpoor M. An integrated approach in determination of elastic rock properties from well log data in a heterogeneous carbonate reservoir. Journal of Petroleum Science and Engineering, 2017, vol. 153, pp. 314–324.
6. Palmstrom A., Singh R. The deformation modulus of rock masses: comparisons between in situ tests and indirect estimates. Tunnelling and Underground Space Technology, 2001, vol. 16, pp. 115–131.
7. Mogi K. Experimental rock mechanics. 1st ed. CRC Press, 2006. 375 p.
8. Tariq Z., Elkatatny S., Mahmoud M., Abdulazeez A. A holistic approach to develop new rigorous empirical correlation for static Young's modulus. Abu Dhabi International Petroleum Exhibition & Conference. Abu Dhabi, UAE, 2016. SPE-183545-MS. https://doi.org/10.2118/183545-MS
9. Sharifi J., Nooraiepour M., Amiri M., Mondol N.H. Developing a relationship between static Young’s modulus and seismic parameters. Journal of Petroleum Exploration and Production Technology, 2023, vol. 13, pp. 203–218.
10. Tu X., He Z., Huang Y., Zhang Z., Yang M., Zhao J. An overview of large AI models and their applications. Visual intelligence, 2024, vol. 2 (34). DOI: https://doi.org/10.1007/s44267-024-00065-8
11. Almeida J.S. Predictive non-linear modeling of complex data by artificial neural networks. Current Opinion in Biotechnology, 2002, vol. 13 (1), pp. 72–76.
12. Gong Y., Mehana M., Xiong F., Xu F., El-Monier I. Towards better estimations of rock mechanical properties integrating machine learning techniques for application to hydraulic fracturing. SPE Annual Technical Conference and Exhibition. Calgary, Alberta, Canada, 2019. SPE-195884-MS.
13. Ajah N.J., Dosunmu A., Akaolisa C.C.Z., Dagogo T. Analysis of elastic geomechanical properties derived from well log and seismic data, using Artificial Intelligence (ANN): a case study of “AJAH” field offshore Niger Delta. IOSR Journal of Applied Geology and Geophysics, 2020, vol. 8 (1), pp. 19–27.
14. Mahmoud A.A., Elkatatny S., Ali A., Moussa T. Estimation of static Young’s modulus for sandstone formation using artificial neural networks. Energies, 2019, vol. 12 (11), 2125.
15. Mahmoud A.A., Gamal H., Elkatatny S., Chen W. Real-time evaluation of the dynamic Young’s modulus for composite formations based on the drilling parameters using different machine learning algorithms. Frontiers in Earth Science, 2022, vol. 10, 1034704.
16. Elkatatny S., Tariq Z., Mahmoud M., Abdulraheem A., Mohamed I. An integrated approach for estimating static Young’s modulus using artificial intelligence tools. Neural Computing and Applications, 2019, vol. 31 (12), pp. 4123–4135.
17. Krenker A., Bešter J., Kos A. Introduction to the artificial neural networks. Artificial Neural Networks: Methodological Advances and Biomedical Applications. Ed. by K. Suzuki. InTech, 2011. pp. 1–18.
18. Smith J. Application of neural networks in geomechanical property prediction. Journal of Petroleum Science and Engineering, 2020, vol. 185, pp. 106–115.
19. Fawagreh K., Gaber M.M., Elyan E. Random forests: from early developments to recent advancements. Systems Science & Control Engineering, 2014, vol. 2 (1), pp. 602–609.
20. Johnson L. Random Forest applications in rock mechanics prediction. Geophysics, 2021, vol. 86 (3), pp. 45–56.
21. Al-Anazi A., Gates I.D. A support vector machine algorithm to classify lithofacies and model permeability in heterogeneous reservoirs. Engineering Geology, 2010, vol. 114 (3–4), pp. 267–277.
22. Lee K. Support vector machines for geomechanical parameter estimation. Journal of Rock Mechanics and Geotechnical Engineering, 2019, vol. 11 (4), pp. 789–799.
23. Vu H.D., Nguyen M.H., Nguyen T.H., Nguyen T.V. Prediction of penetration rate and optimization of weight on a bit using artificial neural networks. Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering, 2024, vol. 335, no. 3, pp. 192–203. (In Russ.). DOI: https://doi.org/10.18799/24131830/2024/3/4376
