Perdite di Fango? No Problem! Vi Svelo Come l’AI Prevede la Permeabilità delle Rocce!

Ciao a tutti! Oggi voglio portarvi con me in un viaggio affascinante nel cuore della Terra, o quasi. Parleremo di rocce, petrolio e… intelligenza artificiale! Sembra un mix strano? Aspettate di sentire. Nel mio campo, l’ingegneria petrolifera, c’è un parametro che è un po’ la superstar nascosta: la permeabilità della formazione. In parole povere, ci dice quanto facilmente i fluidi (come petrolio e gas, che è quello che ci interessa!) possono muoversi attraverso le rocce laggiù sotto. Capire questo valore è fondamentale.

Perché la Permeabilità è Così Importante (e Difficile da Misurare)?

Immaginate di dover bere un frullato densissimo con una cannuccia sottile. Faticoso, vero? Ecco, una roccia poco permeabile è come quella cannuccia: rende difficile estrarre gli idrocarburi. Al contrario, un’alta permeabilità è come una cannuccia larga: tutto scorre meglio! Quindi, conoscere la permeabilità ci aiuta a:

• Capire quanto petrolio o gas possiamo aspettarci di estrarre e a che velocità.
• Gestire al meglio il giacimento, decidendo dove perforare o come migliorare l’estrazione (ad esempio con tecniche di recupero assistito, le cosiddette EOR).
• Creare modelli computerizzati affidabili del sottosuolo per fare previsioni accurate.

Il problema? Misurarla non è una passeggiata. I metodi tradizionali, come analizzare campioni di roccia (carote) o fare test specifici nel pozzo, sono costosi, richiedono tempo e spesso ci danno informazioni solo su piccole porzioni del giacimento. Le rocce, si sa, non sono tutte uguali, cambiano parecchio anche a brevi distanze (eterogeneità, la chiamiamo noi tecnici). Quindi, avere un quadro completo è una vera sfida. A volte, semplicemente, i dati mancano o non sono affidabili. E qui, vi assicuro, iniziano i grattacapi per noi ingegneri!

L’Idea Folle: Usare le Perdite di Fango!

Durante la perforazione di un pozzo, usiamo un fluido speciale, il “fango di perforazione”. Serve a tante cose: raffreddare la punta, portare in superficie i detriti di roccia, controllare la pressione. A volte, però, questo fango si “perde”, infiltrandosi nelle rocce circostanti invece di risalire. Questo fenomeno si chiama perdita di circolazione (o mud loss) ed è generalmente visto come un problema. Può succedere per vari motivi:

• Formazioni cavernose: veri e propri buchi nella roccia.
• Fratture naturali: crepe preesistenti.
• Fratture indotte: create dalla pressione del fango stesso.
• Formazioni molto permeabili: dove il fango penetra facilmente nei pori della roccia.

La gravità della perdita può variare da un piccolo trasudamento a una perdita totale, dove non torna su più nulla! Di solito, cerchiamo in tutti i modi di fermarla. Ma se… e dico se… potessimo usare i dati su queste perdite per capire qualcosa di utile? In fondo, se il fango si perde facilmente, magari significa che la roccia è molto permeabile, no? È un po’ come guardare quanta acqua assorbe una spugna per capire quanto è porosa. L’idea è nata proprio da qui: trasformare un problema in una fonte di dati!

Entra in Scena il Deep Learning: Il Cervellone Digitale

Qui entra in gioco la tecnologia che sta rivoluzionando un po’ tutto: l’intelligenza artificiale (AI), e in particolare una sua branca potentissima chiamata deep learning. Cos’è? Immaginate un sistema informatico che non viene programmato passo-passo, ma che impara dai dati. Gli mostri migliaia di esempi e lui, da solo, capisce le relazioni nascoste, anche quelle super complesse che a noi sfuggirebbero.

Negli ultimi anni, l’AI e il machine learning (ML) hanno fatto passi da gigante anche nel nostro settore, aiutandoci a interpretare l’enorme mole di dati che raccogliamo, a caratterizzare meglio i giacimenti, a prevedere la produzione, e molto altro. Molti ricercatori stanno abbandonando i vecchi modelli statistici per abbracciare questi nuovi strumenti, capaci di gestire l’incertezza e la complessità del sottosuolo.

Allora ci siamo detti: perché non dare in pasto i dati sulle perdite di fango a un modello di deep learning e vedere se riesce a stimare la permeabilità della formazione? Sembrava un’idea un po’ azzardata, perché nessuno, a quanto ne sapevamo, ci aveva provato prima usando specificamente questi dati.

Come Abbiamo Fatto: Dati Sintetici e Reti Neurali

Per testare la nostra idea, avevamo bisogno di dati. Tanti dati. E dovevamo essere sicuri che fossero collegati nel modo giusto (perdita di fango legata alla permeabilità, ma anche ad altri fattori). Siccome raccogliere dati reali controllati è complicato, abbiamo usato un simulatore di giacimento (un software super avanzato chiamato Eclipse E100) per generare i nostri dati.

Abbiamo creato 810 scenari diversi, simulando la perforazione attraverso vari strati di roccia, cambiando parametri come:

• Profondità
• Tipo di formazione rocciosa
• Spessore dello strato
• Densità e viscosità del fango
• Ovviamente, la permeabilità della roccia (che era il valore che volevamo poi far prevedere all’AI)

Per ogni scenario, il simulatore calcolava quanta perdita di fango si sarebbe verificata (da piccole perdite a perdite significative, fino a 250 barili all’ora!). Abbiamo fatto in modo che le relazioni tra i dati fossero realistiche (es. la viscosità del fango che aumenta con la densità, come succede davvero).

Poi, abbiamo preso questi dati e li abbiamo usati per addestrare due tipi specifici di modelli di deep learning:
1. 1D-CNN (One-Dimensional Convolutional Neural Network): Un tipo di rete neurale molto bravo a trovare pattern in sequenze di dati, come i nostri dati di perforazione.
2. DJINN (Deep Jointly Informed Neural Network): Un approccio ancora più nuovo che combina la potenza delle reti neurali con la logica degli alberi decisionali. Una specie di “super-ibrido” intelligente.

Abbiamo “allenato” questi modelli mostrandogli l’80% dei nostri dati (input: profondità, tipo roccia, spessore, proprietà fango, tasso perdita fango; output: permeabilità) e abbiamo tenuto da parte il restante 20% per vedere se avevano imparato bene (la fase di test).

I Risultati? Funziona alla Grande!

E ora, il momento della verità. I nostri “cervelloni digitali” ce l’hanno fatta? Assolutamente sì! Entrambi i modelli hanno dimostrato di poter stimare la permeabilità con un’accuratezza davvero notevole, basandosi solo sui dati di perforazione e sulla perdita di fango.

Per darvi un’idea, usiamo un indice chiamato R² (R-quadro): più è vicino a 1, migliore è la previsione.

• Il modello 1D-CNN ha ottenuto un R² di 0.970 sui dati di training e 0.964 su quelli di test.
• Il modello DJINN ha fatto ancora meglio: R² di 0.978 sul training e 0.972 sul test!

Questi numeri sono altissimi! Significano che i modelli riescono a spiegare oltre il 96-97% della variabilità della permeabilità usando i dati che gli abbiamo fornito. Abbiamo anche analizzato altri indicatori di errore (come RMSE, MAE, MAPE) e tutti hanno confermato l’ottima performance, con DJINN leggermente superiore a 1D-CNN. È interessante notare che i modelli sembrano funzionare particolarmente bene per valori di permeabilità più alti, che sono spesso quelli più critici da identificare.

Cosa Significa Tutto Questo? Una Nuova Freccia al Nostro Arco!

Questa ricerca, per me, è entusiasmante perché apre una strada nuova. Dimostra che un dato spesso considerato solo un fastidio operativo – la perdita di fango – può diventare una fonte preziosa di informazioni sulla formazione rocciosa, se analizzato con gli strumenti giusti come il deep learning.

Immaginate le possibilità: potremmo ottenere stime di permeabilità quasi in tempo reale, mentre si perfora, usando dati che già raccogliamo! Questo darebbe a noi ingegneri petroliferi uno strumento in più per prendere decisioni migliori, ottimizzare la perforazione, progettare completamenti più efficaci e, in definitiva, gestire i giacimenti in modo più efficiente ed economico.

Certo, questo è uno studio basato su dati simulati. Il prossimo passo sarà validare questi modelli con dati reali provenienti da pozzi veri. Ma i risultati sono incredibilmente promettenti. Abbiamo dimostrato che l’accoppiata “dati di perdita fango + deep learning” ha un potenziale enorme.

Insomma, la prossima volta che sentirete parlare di “perdite di fango”, non pensate solo a un problema. Potrebbe essere la chiave per svelare uno dei segreti più importanti nascosti nelle profondità della Terra, grazie a un piccolo aiuto dall’intelligenza artificiale! Non è affascinante?

Fonte: Springer