DOI: https://doi.org/10.46690/ager.2026.03.01
تاريخ النشر: 2026-02-05
المؤلف: Changsheng Lu وآخرون
الموضوع الرئيسي: النمذجة الجيولوجية والتحليل
نظرة عامة
تتناول هذه الدراسة تعقيدات النمذجة الجيولوجية في خزانات دلتا المياه الضحلة، التي تتميز بهياكل رسوبية معقدة وتباين كبير. يقترح المؤلفون تقنية نمذجة مبتكرة تجمع بين فهم العمليات الجيولوجية والتعلم العميق، باستخدام شبكة خصومة توليدية تقدمية شرطية (CPGAN). تركز هذه الطريقة على تمثيل هندسة القنوات بدقة من خلال دمج مصادر بيانات متعددة، بما في ذلك الميزات الجيولوجية وسجلات الآبار وحجوم الاحتمالية الزلزالية. تم إجراء تحقيقات ميدانية لعضو تشانغ 6 في حوض أوردو لتحديد الخصائص الجيولوجية الرئيسية، مما أدى إلى تطوير طريقة قوية تعتمد على الكائنات لإنشاء مجموعات بيانات تدريب ثلاثية الأبعاد تلتقط أنماط القنوات الأساسية.
تشير النتائج إلى أن المنهجية المقترحة تنتج نماذج وجهات نظر جيولوجية واقعية تتماشى مع القيود المتاحة، مما يعزز دقة النمذجة وكفاءة الحساب. تسلط الاستنتاجات الرئيسية الضوء على النجاح في احتواء أنماط القنوات المعقدة من خلال النهج القائم على الكائنات المتجهة، والدمج الفعال لمصادر البيانات المتنوعة ضمن إطار عمل CPGAN، وتوافق تقديرات الاحتياطي المستمدة من النموذج مع البيانات التاريخية، مما يؤكد قابلية تطبيق الطريقة عمليًا. بينما تظهر التقنية وعدًا في نمذجة الخزانات الذكية، يُلاحظ أن أدائها يعتمد على بيانات التدريب المحددة والمعلمات، مما يقدم تحديات في قابلية النقل ويحتاج إلى تحسينات إضافية في خوارزميات التعلم العميق لنمذجة الجيولوجيا.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم للنمذجة الجيولوجية في استكشاف النفط والغاز، لا سيما في إعادة بناء الهياكل ثلاثية الأبعاد (3D) وتوزيعات الخصائص للخزانات تحت السطحية. يدمج هذا العملية الرؤى الجيولوجية مع مصادر بيانات متنوعة، بما في ذلك سجلات الآبار والمعلومات الزلزالية، لتعزيز توصيف الخزانات والنمذجة العددية وتخطيط التنمية. غالبًا ما تفشل الطرق الجيولوجية التقليدية في تكرار الأنماط الجيولوجية بدقة، مما يدفع لاستكشاف الشبكات التوليدية الخصومية (GANs) كبديل أكثر فعالية. لقد أظهرت GANs وعدًا في استخراج الميزات الجيولوجية متعددة المقاييس وتحسين الكفاءة الحسابية، لا سيما في البيئات الرسوبية المعقدة.
على الرغم من مزاياها، تواجه تطبيقات GANs في نمذجة الخزانات تحديين رئيسيين: الحاجة إلى مجموعات بيانات تدريب عالية الجودة للوجهات الرسوبية المعقدة والمتطلبات الدقيقة لدمج التكوينات الجيولوجية والقيود متعددة المصادر في عملية النمذجة. تتناول هذه الدراسة هذه التحديات من خلال التركيز على خزانات دلتا المياه الضحلة في كتلة WY من حقل AS النفطي، باستخدام شبكة خصومة توليدية تقدمية شرطية (CPGAN) لدمج الخصائص الجيولوجية مع بيانات الآبار والزلازل. تهدف الدراسة إلى تطوير منهجية جديدة وإطار تقني لمحاكاة خزانات دلتا المياه الضحلة، مما يعزز مجال النمذجة الجيولوجية.
طرق
في هذا القسم، يتم توضيح المنهجية المستخدمة لتقييم التقنية المقترحة. تم اختيار مجموعة من ثلاثين صورة تدريب بشكل عشوائي من مجموعة البيانات، حيث أنتج كل منها 100 تجسيد جيولوجي باستخدام إحصائيات النقاط المتعددة (MPS) ووحدات محاكاة المؤشرات المتسلسلة ضمن برنامج Petrel 2022. من كل مجموعة من 100 نموذج، تم اختيار ثلاثين تجسيدًا بشكل عشوائي للتحليل. تم تقييم جودة النماذج المنتجة بواسطة طرق مختلفة باستخدام مقياس المسافة المقطوعة متعددة المقاييس. أظهرت النتائج أن التجسيدات التي تم إنشاؤها بواسطة شبكة الخصومة التوليدية الشرطية (CPGAN) أظهرت نمط توزيع يتطابق بشكل أقرب مع مجموعات صور التدريب مقارنة بالطرق التقليدية.
بالإضافة إلى ذلك، تم تقييم الكفاءة الحسابية لكل نهج من خلال قياس متوسط زمن التوليد لكل تجسيد عبر دقة الشبكة المختلفة. تكشف النتائج، الملخصة في الجدول 3، أن طريقة CPGAN تظهر مزايا حسابية كبيرة، حيث تحقق تسريعًا يتراوح بين مرتبتين إلى ثلاث مراتب (عشرة أضعاف إلى مئة ضعف) مقارنة بالتقنيات الجيولوجية التقليدية. تم إجراء التجارب على نظام مزود بمعالج Intel Core i7-13700KF من الجيل الثالث عشر (3.40 GHz) وذاكرة RAM سعة 64.0 جيجابايت (4,200 MHz)، باستخدام النسخة GPU من LibTorch لاستنتاج CPGAN دون بطاقة رسومية مخصصة.
نتائج
ركزت نتائج الدراسة على تطبيق شبكة خصومة توليدية تقدمية شرطية (CPGAN) للنمذجة الجيولوجية في منطقة تبلغ مساحتها 50 كم²، تستهدف تحديدًا كتلة وانغياو. تم تعريف نطاق النمذجة كـ 7,700 م × 6,500 م × 43.5 م، وتم تقسيمه إلى شبكة من 155 × 130 × 87 خلية، بدقة 50 م × 50 م × 0.5 م. لاستيعاب منطقة الدراسة الأكبر مقارنة بمجموعة بيانات التدريب، تم تطبيق عوامل قياس 1.61 و2.03 و2.72 على أبعاد المتجه الكامن المدخل. أنتج المولد مخرجات بدقات مختلفة، مما أسفر في النهاية عن أربعة تجسيدات عشوائية لنموذج الميكروفاسيس الرسوبي لدلتا المياه الضحلة، والتي تم تحليلها بصريًا من حيث الهيكل الداخلي والاتساق الجيولوجي.
أظهرت النماذج المحاكاة ارتباطًا قويًا مع الأنماط الجيولوجية التي تم تعلمها أثناء التدريب، كاشفة عن ميزات مثل القنوات الموزعة المتفرعة والمتقاربة، بالإضافة إلى نمط تكديس عمودي نموذجي للرمال والطين القنوي. ومن الجدير بالذكر أن توافق الفئات المحاكاة مع حجم الاحتمالية الزلزالية أكد التكامل الفعال للبيانات الزلزالية، حيث تتوافق مناطق فئات الخليج الموزعة مع مناطق منخفضة الاحتمالية والقنوات تحت الماء مع مواقع عالية الاحتمالية. على الرغم من أنها تم إنشاؤها من نفس بيانات الآبار والزلازل، أظهرت التجسيدات تباينًا في ترتيبات القنوات والهامش، مما يعكس عدم اليقين الجيولوجي. سمح دالة الخسارة الشرطية لـ CPGAN بالحفاظ على الأنماط الجيولوجية مع الالتزام بقيود الآبار، مما يبرز مزاياها على التقنيات التقليدية المعتمدة على البكسل، التي غالبًا ما تكافح لتحقيق توازن بين دقة البيانات وسلامة الجيولوجيا في الظروف ذات العينات الكثيفة.
مناقشة
تقدم الدراسة نهجًا جديدًا لنمذجة القنوات الموزعة تحت الماء في خزانات دلتا المياه الضحلة، مع التركيز بشكل خاص على غياب مجموعات البيانات المتخصصة في حقل AS النفطي. تم تطوير نموذج مفاهيمي استنادًا إلى الأنماط الترسيبية الموثقة، مما أسفر عن ثلاثة أنواع من الميكروفاسيس: القناة الرئيسية، هوامش القناة الجانبية، وخليج الموزعات. تعزز الدراسة منهجية المحاكاة من خلال دمج تقنية نمذجة الكائنات القائمة على المتجهات مع إطار عمل Fluvsim، مما يسمح بتمثيل دقيق لديناميات القناة، بما في ذلك التفرع والتقارب، من خلال كيانات خطية ثلاثية الأبعاد. يسهل هذا التقدم إدارة التفاعلات المعقدة للقنوات ويحسن دقة محاكاة العمليات الرسوبية.
علاوة على ذلك، تقدم الدراسة إطار عمل شبكة خصومة توليدية تقدمية شرطية (CPGAN) التي تجمع بشكل فعال بين بيانات متعددة المصادر، بما في ذلك المعلمات الجيولوجية والمعلومات الزلزالية، لتوليد نماذج وجهات نظر واقعية. تم بناء مجموعة بيانات التدريب بدقة 96 × 64 × 32 خلية، باستخدام بيانات من الخارج الميداني من تشكيل يانشينغ الثلاثي لإبلاغ هندسة القناة. يتضمن هيكل CPGAN كل من الشروط العالمية وقيود الآبار والزلازل، مما يمكّن من توليد تجسيدات وجهات نظر متعددة متساوية الاحتمالية تتماشى مع قيود البيانات الصعبة. تم التحقق من المنهجية من خلال حسابات الاحتياطي، مما يظهر مسامية فعالة تتراوح بين 3.4% إلى 24.4% وتتوافق بشكل وثيق مع البيانات التاريخية من حوض أوردو. بشكل عام، تؤسس هذه الدراسة إطار عمل قوي لنمذجة الخزانات الذكية، مما يبرز إمكانياتها لتعزيز دقة وكفاءة النمذجة في السياقات المحدودة بالبيانات، مع الاعتراف أيضًا بالحاجة إلى تحسينات إضافية في قابلية نقل الخوارزميات والاستمرارية الجيولوجية.
DOI: https://doi.org/10.46690/ager.2026.03.01
Publication Date: 2026-02-05
Author(s): Changsheng Lu et al.
Primary Topic: Geological Modeling and Analysis
Overview
This research addresses the complexities of geological modeling in shallow-water delta reservoirs, which are characterized by intricate sedimentary architectures and significant heterogeneity. The authors propose an innovative modeling technique that combines geological process understanding with deep learning, specifically utilizing a Conditional Progressive Generative Adversarial Network (CPGAN). This approach focuses on accurately representing channel geometries by integrating multiple data sources, including geological features, well logs, and seismic probability volumes. Field investigations of the Chang 6 Member in the Ordos Basin were conducted to identify key geological characteristics, leading to the development of a robust object-based method for generating three-dimensional training datasets that capture essential channel patterns.
The findings indicate that the proposed methodology effectively produces geologically realistic facies models that adhere to available constraints, thereby enhancing modeling accuracy and computational efficiency. Key conclusions highlight the successful encapsulation of complex channel patterns through the vector object-oriented approach, the efficient integration of diverse data sources within the CPGAN framework, and the alignment of model-derived reserve estimates with historical data, confirming the method’s practical applicability. While the technique shows promise for intelligent reservoir modeling, it is noted that its performance is dependent on specific training data and parameterization, presenting challenges for transferability and necessitating further improvements in deep learning algorithms for geomodeling.
Introduction
The introduction of the research paper emphasizes the critical role of geological modeling in oil and gas exploration, particularly in reconstructing the three-dimensional (3D) structures and property distributions of subsurface reservoirs. This process integrates geological insights with various data sources, including well logs and seismic information, to enhance reservoir characterization, numerical modeling, and development planning. Traditional geostatistical methods often fall short in accurately replicating geological patterns, prompting the exploration of generative adversarial networks (GANs) as a more effective alternative. GANs have shown promise in extracting multi-scale geological features and improving computational efficiency, particularly in complex sedimentary environments.
Despite their advantages, the application of GANs in reservoir modeling faces two main challenges: the need for high-quality training datasets for intricate sedimentary facies and the requirement to accurately incorporate geological configurations and multi-source constraints into the modeling process. This study addresses these challenges by focusing on shallow-water delta reservoirs in the WY Block of the AS Oilfield, utilizing a conditional progressive generative adversarial network (CPGAN) to integrate geological characteristics with well and seismic data. The research aims to develop a novel methodology and technical framework for simulating shallow-water delta reservoirs, thereby advancing the field of geological modeling.
Methods
In this section, the methodology employed to evaluate the proposed technique is outlined. A total of thirty training image groups were randomly selected from the dataset, each generating 100 geological realizations using the Multiple Point Statistics (MPS) and sequential indicator simulation modules within Petrel 2022 software. From each set of 100 models, thirty realizations were randomly chosen for analysis. The quality of the models produced by different methods was assessed using the Multi-Scale Sliced Wasserstein Distance metric. Results indicated that the realizations generated by the Conditional Generative Adversarial Network (CPGAN) exhibited a distribution pattern that more closely matched the training image groups compared to traditional methods.
Additionally, the computational efficiency of each approach was evaluated by measuring the average generation time per realization across various grid resolutions. The findings, summarized in Table 3, reveal that the CPGAN method demonstrates significant computational advantages, achieving accelerations of one to two orders of magnitude (tenfold to hundredfold) relative to conventional geostatistical techniques. The experiments were conducted on a system equipped with a 13th Gen Intel Core i7-13700KF processor (3.40 GHz) and 64.0 GB of RAM (4,200 MHz), utilizing the GPU variant of LibTorch for CPGAN inference without a dedicated graphics card.
Results
The results of the study focused on the application of a Conditional Progressive Generative Adversarial Network (CPGAN) for geological modeling in a 50 km² area, specifically targeting the Wangyao Block. The modeling domain was defined as 7,700 m × 6,500 m × 43.5 m, discretized into a grid of 155 × 130 × 87 cells, with a resolution of 50 m × 50 m × 0.5 m. To accommodate the larger study area compared to the training dataset, scaling factors of 1.61, 2.03, and 2.72 were applied to the input latent vector dimensions. The generator produced outputs at various resolutions, ultimately yielding four stochastic realizations of the shallow-water delta sedimentary microfacies model, which were visually analyzed for internal architecture and geological consistency.
The simulated models demonstrated a strong correlation with the geological patterns learned during training, revealing features such as bifurcating and converging subaqueous distributary channels, as well as a typical vertical stacking pattern of channel sands and mudstones. Notably, the alignment of the simulated facies with the seismic probability volume confirmed the effective integration of seismic data, with regions of distributary bay facies corresponding to low-probability areas and subaqueous channels to high-probability locations. Despite being generated from the same well and seismic data, the realizations exhibited heterogeneity in channel and margin arrangements, reflecting geological uncertainty. The CPGAN’s conditional loss function allowed for the preservation of geological patterns while adhering to well constraints, highlighting its advantages over traditional pixel-based techniques, which often struggle to balance data fidelity with geological integrity in densely sampled conditions.
Discussion
The research presents a novel approach for modeling subaqueous distributary channels in shallow-water delta reservoirs, particularly addressing the absence of specialized datasets in the AS Oilfield. A conceptual model was developed based on documented depositional patterns, resulting in three microfacies types: the main channel, lateral channel margins, and distributary bays. The study enhances the simulation methodology by integrating a vector-based object modeling technique with the Fluvsim framework, allowing for accurate representation of channel dynamics, including bifurcation and convergence, through 3D vector line entities. This advancement facilitates the management of complex channel interactions and improves the fidelity of sedimentary process simulations.
Furthermore, the research introduces a Conditional Progressive Generative Adversarial Network (CPGAN) framework that effectively combines multi-source data, including geological parameters and seismic information, to generate realistic facies models. The training dataset was constructed with a resolution of 96 × 64 × 32 cells, utilizing field outcrop data from the Triassic Yanchang Formation to inform channel geometry. The CPGAN architecture incorporates both global conditioning and well-seismic constraints, enabling the generation of multiple equiprobable facies realizations that adhere to hard data limitations. The methodology was validated through reserve calculations, demonstrating effective porosity ranging from 3.4% to 24.4% and aligning closely with historical data from the Ordos Basin. Overall, this research establishes a robust framework for intelligent reservoir modeling, highlighting its potential to enhance modeling accuracy and efficiency in data-limited contexts, while also acknowledging the need for further improvements in algorithmic transferability and geological continuity.