Маркирование горизонтальных скважин производится с помощью маркеров-репортёров из квантовых точек, стабилизированных полимерной оболочкой. Квантовые точки – это нанокристаллы размером в 1-2 нанометра, полученные при помощи коллоидного синтеза и покрытые слоем адсорбированных поверхностно-активных молекул. Квантовые точки, получаемые методом коллоидного синтеза на основе халькогенидов кадмия, флуоресцируют в разных областях электромагнитного спектра в зависимости от своего размера. Маркеры-репортеры, созданные из квантовых точек, обладают уникальной способностью поглощать энергию в широком диапазоне спектра и испускать узкий спектр световых волн, который может регистрироваться методами проточной цитометрии. По сравнению с органическими красителями-флюорофорами, также использующимися в целях трассирования в нефтяной индустрии, квантовые точки являются более химически устойчивыми с интенсивностью флюоресценции на несколько порядков выше.
Использование квантовых точек в технологии трассирования скважин обусловлено большим количеством возможных комбинаций при синтезе маркеров-репортеров (более 60), называемых сигнатурами. При этом, для каждой ступени или интервала используется своя уникальная сигнатура углеводородной и водной фаз пластового флюида. Общая схема работы маркерной технологии представлена на Рисунке 1.
Рисунок 1. Единичный цикл маркерной диагностики работы скважин.
Первым этапом цифровизации технологии явилось технологии является использование специального программного обеспечения с алгоритмами машинного обучения для обеспечения высокой точности и производительности интерпретации забойных данных.
Оборудование проточной цитометрии видит маркер точкой в 15-ти мерном пространстве координат, в связи с чем проанализировать ручным методом массив данных цитофлуорометрии с использованием программного обеспечения, поставляемого с цитофлуориметром, является чрезвычайно сложной задачей. Особенную сложность этой задаче придает наличия большого числа сигналов и большого числа кодов маркеров-репортеров в анализируемом образце. Также возможны ошибки, возникающие в результате «человеческого фактора».
Для точного и скоростного определения маркеров в образцах пластового флюида используется инновационный подход обработки данных, в основе которого лежит искусственный интеллект или машинное обучение, использующее алгоритмы “Random Forest” [3]. Упрощенно принцип действия можно описать следующим образом: первоначально нейронную сеть обучают на «чистых» образцах маркеров-репортеров и строится так называемое «дерево принятия решений», где на каждом этапе глубины происходит сортировка параметров по определенному признаку, например, флуоресцирует частица зеленым светом или не флуоресцирует. Глубина дерева может быть разнообразной. Таких деревьев, различающихся по структуре, создается огромное множество. В результате, проходя по такому дереву, маркер нужного кода попадает в строго определенную «корзину». Алгоритмы, обучившись, понимают в какую корзину должен попадать каждый конкретный код. Затем смесь из большого числа маркеров исследуется на созданном дереве и сортируется, то есть алгоритм считает сколько маркеров какого типа было в смеси. Каждое дерево выносит свое решение, или, условно говоря, «голосует» по составу смеси. Использование для обучения смывки именно с маркированных материалов, которые были размещениы в скважине или пласте, позволяет добиться высокой точности в интерпретации данных.
Алгоритмы машинного обучения позволяют обрабатывать большой массив данных с заданной точностью в короткие временные рамки, при этом исключая «человеческий фактор». [ссылка 4 на SPE статью].
В отличии от традиционных методов исследований горизонтальных скважин, требующих внутрискважинную операцию, анализ образцов проб пластового флюида позволяет увеличить объём данных в десятки раз. Также вместо единоразовой картинки по работе скважин недропользователь получает информацию непрерывно на протяжении нескольких лет.
По данным разных источников исследуется лишь малая часть фонда исследованных горизонтальных скважин 5-10%. При этом одним из лучших результатов считается 25% фонда исследованных скважин, достигнутых на Салымсквом месторождении [4]. Скудное и нерегулярное получение данных ПГИ не обеспечивает системного подхода при контроле за разработкой объекта. Системный подход при разработке играет ключевое значение для получения максимального чистого дисконтируемого дохода и обуславливается изменчивостью в пространстве коллекторских свойств резервуара, его границ, насыщенности флюидами, физико-химических свойств нефти.
Особенности изменения параметров залежи между скважинами являются в значительной степени неопределенными и могут быть уточнены лишь при системном подходе. Без системного подхода наблюдаемые факты – результаты различного рода измерений и исследований – остаются просто набором разрозненных сведений и, в лучшем случае, могут служить основой для проведения геолого-технических мероприятий на отдельных скважинах.