Tổng quan nghiên cứu

Bồn trũng Cửu Long, với diện tích khoảng 36.000 km², là một trong những khu vực có tiềm năng dầu khí lớn nhất Việt Nam, đóng góp khoảng 3,535 tỉ tấn dầu quy đổi về tài nguyên và trữ lượng thu hồi ước tính từ 800 đến 850 triệu tấn dầu quy đổi. Trong đó, tầng móng granitoit nứt nẻ chiếm khoảng 70% trữ lượng dầu khí tại chỗ, trở thành đối tượng thăm dò và khai thác chủ lực. Mỏ X, thuộc Lô 15 bồn trũng Cửu Long, được phát hiện năm 2007 với sản lượng dầu tự phun ban đầu 21.660 thùng/ngày, là ví dụ điển hình cho tầng móng nứt nẻ có đặc tính thấm chứa phức tạp.

Đặc điểm địa chất của tầng móng mỏ X rất đa dạng, chịu ảnh hưởng của các pha hoạt động kiến tạo, biến đổi nhiệt dịch và phong hóa, tạo nên tính bất đồng nhất cao về thành phần khoáng vật và cấu trúc không gian rỗng. Điều này gây khó khăn trong việc đánh giá chính xác đặc tính thấm chứa, dẫn đến rủi ro trong dự báo trữ lượng và thiết kế khai thác. Mục tiêu nghiên cứu là ứng dụng thuật toán mạng nơron nhân tạo (ANN) để xây dựng mô hình khối dự báo phân bố độ rỗng cho tầng móng nứt nẻ mỏ X, từ đó nâng cao độ tin cậy trong thăm dò và khai thác dầu khí.

Phạm vi nghiên cứu tập trung vào tầng móng mỏ X, Lô 15, bồn trũng Cửu Long, sử dụng dữ liệu địa chấn 3D, tài liệu địa vật lý giếng khoan, và tài liệu FMI thu thập trong giai đoạn trước năm 2015. Nghiên cứu có ý nghĩa quan trọng trong việc giảm thiểu rủi ro kỹ thuật, tối ưu hóa khai thác và phát triển mỏ dầu khí tại khu vực có đặc điểm địa chất phức tạp này.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: đặc điểm địa chất – địa tầng của tầng móng granitoit nứt nẻ và thuật toán mạng nơron nhân tạo (ANN). Đá móng granitoit nứt nẻ có thành phần khoáng vật đa dạng như plagioclase (20-80%), feldspar kali (2-50%), quartz (0-40%) và các khoáng vật thứ sinh (0-15%), tạo nên cấu trúc không gian rỗng phức tạp gồm hệ thống nứt nẻ macro, vi khe nứt micro và hang hốc (vuggy). Đặc tính thấm chứa của đá móng được mô hình hóa qua các tham số: độ rỗng tổng (Φ), độ rỗng thứ sinh (Φ2), độ rỗng nứt nẻ (Φ_fr) và độ thấm (K).

Thuật toán ANN được sử dụng để xây dựng mô hình phi tuyến tính dự báo phân bố độ rỗng dựa trên dữ liệu đầu vào đa dạng như tài liệu địa chấn, địa vật lý giếng khoan (ĐVLGK) và tài liệu FMI. Mạng nơron nhân tạo gồm ba lớp chính: lớp đầu vào (Input layer), lớp ẩn (Hidden layers) và lớp đầu ra (Output layer), với quá trình huấn luyện (Training) và thực thi (Running). Thuật toán lan truyền ngược (backpropagation) được áp dụng để tối ưu hóa trọng số mạng nhằm giảm thiểu sai số dự báo.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm tài liệu địa chấn 3D xử lý theo phương pháp Controlled Beam Migration (CBM) năm 2009, dữ liệu địa vật lý giếng khoan của 8 giếng (1X, 2X, 2X-ST, 3X, 4X, 5XP, VD-1X, VD-2X), và tài liệu FMI của 3 giếng khoan (3X, 4X, 5XP). Dữ liệu được đánh giá chất lượng kỹ lưỡng trước khi sử dụng.

Phần mềm Petrel được sử dụng để xây dựng mô hình cấu trúc 3D tầng móng. Thuật toán ANN được áp dụng để liên kết dữ liệu phân tích log độ rỗng với các thuộc tính địa chấn, từ đó xây dựng mô hình khối dự báo phân bố độ rỗng. Kỹ thuật Co-kriging được sử dụng để xây dựng mô hình đặc tính chứa dựa trên kết quả dự báo độ rỗng của ANN và dữ liệu giếng khoan định hướng.

Cỡ mẫu nghiên cứu gồm 8 giếng khoan với dữ liệu độ rỗng và các thuộc tính địa chấn liên quan. Phương pháp chọn mẫu dựa trên tính đại diện và chất lượng dữ liệu. Phân tích thống kê, so sánh chéo và kiểm định hệ số tương quan được thực hiện để đánh giá độ chính xác mô hình. Timeline nghiên cứu kéo dài từ thu thập dữ liệu, xây dựng mô hình đến kiểm định kết quả trong khoảng thời gian từ năm 2009 đến 2015.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Mô hình dự báo độ rỗng bằng ANN đạt độ chính xác cao: Hệ số tương quan giữa độ rỗng dự báo bằng ANN và dữ liệu ĐVLGK (BASROC) đạt 0.89, cho thấy mô hình ANN có khả năng dự báo phân bố độ rỗng chính xác và tin cậy.

  2. Phân bố độ rỗng liên quan chặt chẽ đến hệ thống đứt gãy: Kết quả mô hình cho thấy các vùng có giá trị độ rỗng cao thường tập trung quanh các đới đứt gãy chính, phù hợp với đặc điểm kiến tạo tầng móng mỏ X.

  3. Mô hình Co-kriging cải thiện độ tin cậy mô hình địa chất 3D: Việc kết hợp mô hình ANN với kỹ thuật Co-kriging giúp xây dựng mô hình đặc tính chứa có độ phù hợp cao với dữ liệu giếng khoan và thuộc tính địa chấn, tăng cường độ chính xác trong dự báo trữ lượng.

  4. So sánh các mặt cắt mô hình cho thấy sự phù hợp cao: Các mặt cắt ngang độ rỗng ANN, mô hình địa chất và thuộc tính địa chấn RMS_Amp, Sweetness có sự tương đồng rõ rệt, minh chứng cho tính nhất quán của mô hình.

Thảo luận kết quả

Nguyên nhân chính của độ chính xác cao trong mô hình dự báo độ rỗng là do sự kết hợp hiệu quả giữa dữ liệu đa nguồn (địa chấn, giếng khoan, FMI) và thuật toán ANN có khả năng xử lý mối quan hệ phi tuyến phức tạp. Kết quả phù hợp với các nghiên cứu quốc tế về ứng dụng mạng nơron nhân tạo trong đánh giá đặc tính thấm chứa đá móng nứt nẻ.

So sánh với các phương pháp truyền thống như Halo hay Discrete Fracture Network (DFN), mô hình ANN giảm thiểu rủi ro dự báo sai trữ lượng và phân bố độ rỗng nhờ khả năng học từ dữ liệu thực tế và tự điều chỉnh trọng số mạng. Việc áp dụng Co-kriging bổ sung thêm tính chính xác bằng cách sử dụng dữ liệu giếng khoan định hướng, giúp mô hình địa chất 3D phản ánh đúng đặc điểm không gian của tầng móng.

Dữ liệu có thể được trình bày qua biểu đồ hệ số tương quan, mặt cắt ngang mô hình độ rỗng, bản đồ phân bố đứt gãy và các bảng so sánh giá trị độ rỗng giữa các phương pháp. Điều này giúp minh họa rõ ràng sự phù hợp và hiệu quả của mô hình trong thực tế khai thác.

Đề xuất và khuyến nghị

  1. Triển khai áp dụng mô hình ANN trong quy trình thăm dò và khai thác: Các công ty dầu khí nên tích hợp mô hình dự báo độ rỗng ANN vào quy trình đánh giá trữ lượng để nâng cao độ chính xác và giảm thiểu rủi ro kỹ thuật. Thời gian thực hiện trong vòng 1-2 năm, chủ thể là các phòng kỹ thuật thăm dò.

  2. Mở rộng thu thập và cập nhật dữ liệu đa nguồn: Tăng cường thu thập dữ liệu địa chấn 3D, giếng khoan và FMI để cập nhật mô hình liên tục, đảm bảo mô hình phản ánh đúng biến động địa chất thực tế. Thời gian liên tục, chủ thể là các đơn vị khai thác và nghiên cứu.

  3. Đào tạo chuyên sâu về thuật toán ANN và phần mềm Petrel: Tổ chức các khóa đào tạo nâng cao năng lực cho kỹ sư địa chất và kỹ thuật dầu khí về ứng dụng ANN và phần mềm mô hình hóa để đảm bảo vận hành hiệu quả mô hình. Thời gian 6-12 tháng, chủ thể là các trường đại học và công ty dầu khí.

  4. Phát triển hệ thống giám sát và đánh giá mô hình định kỳ: Thiết lập hệ thống giám sát hiệu quả mô hình dự báo độ rỗng và điều chỉnh kịp thời dựa trên dữ liệu khai thác thực tế nhằm tối ưu hóa khai thác mỏ. Thời gian thực hiện hàng năm, chủ thể là các phòng kỹ thuật khai thác.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư địa chất và kỹ thuật dầu khí: Nghiên cứu cung cấp phương pháp ứng dụng ANN trong đánh giá đặc tính thấm chứa tầng móng, giúp tối ưu hóa thiết kế giếng khoan và khai thác.

  2. Nhà quản lý dự án dầu khí: Tham khảo để hiểu rõ hơn về rủi ro kỹ thuật và các giải pháp nâng cao độ tin cậy trong dự báo trữ lượng, từ đó đưa ra quyết định đầu tư chính xác.

  3. Giảng viên và sinh viên chuyên ngành địa chất dầu khí: Tài liệu tham khảo quý giá về ứng dụng công nghệ mạng nơron nhân tạo trong nghiên cứu địa chất dầu khí hiện đại.

  4. Các nhà nghiên cứu và chuyên gia công nghệ địa vật lý: Cung cấp cơ sở lý thuyết và thực nghiệm về tích hợp dữ liệu địa chấn, giếng khoan và thuật toán ANN trong mô hình hóa địa chất 3D.

Câu hỏi thường gặp

  1. Thuật toán ANN là gì và tại sao được chọn cho nghiên cứu này?
    ANN là mạng nơron nhân tạo mô phỏng hệ thần kinh sinh học, có khả năng học và dự báo các mối quan hệ phi tuyến phức tạp. Nó được chọn vì phù hợp với tính chất đa biến và phi tuyến của dữ liệu địa chất tầng móng nứt nẻ.

  2. Dữ liệu đầu vào cho mô hình ANN gồm những gì?
    Dữ liệu bao gồm tài liệu địa chấn 3D, dữ liệu địa vật lý giếng khoan (ĐVLGK), tài liệu FMI và các thông số thạch học, giúp mô hình học và dự báo chính xác đặc tính thấm chứa.

  3. Mô hình ANN có thể áp dụng cho các mỏ khác không?
    Có thể, nhưng cần điều chỉnh và huấn luyện lại mạng với dữ liệu đặc thù của từng mỏ để đảm bảo độ chính xác và phù hợp với đặc điểm địa chất riêng biệt.

  4. Kỹ thuật Co-kriging đóng vai trò gì trong nghiên cứu?
    Co-kriging giúp kết hợp dữ liệu dự báo độ rỗng từ ANN với dữ liệu giếng khoan định hướng, nâng cao độ chính xác và tính thực tiễn của mô hình địa chất 3D.

  5. Lợi ích thực tiễn của mô hình này trong khai thác dầu khí là gì?
    Mô hình giúp dự báo chính xác phân bố độ rỗng, giảm rủi ro kỹ thuật, tối ưu hóa thiết kế giếng khoan và kế hoạch khai thác, từ đó nâng cao hiệu quả kinh tế và kỹ thuật của mỏ.

Kết luận

  • Mô hình ANN đã được xây dựng thành công để dự báo phân bố độ rỗng tầng móng nứt nẻ mỏ X với hệ số tương quan cao 0.89 so với dữ liệu thực tế.
  • Phân bố độ rỗng có mối liên hệ chặt chẽ với hệ thống đứt gãy, phản ánh đúng đặc điểm kiến tạo phức tạp của tầng móng.
  • Kỹ thuật Co-kriging kết hợp với ANN giúp xây dựng mô hình địa chất 3D có độ tin cậy cao, hỗ trợ hiệu quả cho công tác thăm dò và khai thác.
  • Nghiên cứu góp phần giảm thiểu rủi ro kỹ thuật và nâng cao hiệu quả khai thác dầu khí tại bồn trũng Cửu Long.
  • Đề xuất triển khai áp dụng mô hình trong thực tế, mở rộng thu thập dữ liệu và đào tạo chuyên sâu để phát huy tối đa hiệu quả nghiên cứu.

Tiếp theo, cần tiến hành cập nhật dữ liệu mới, mở rộng ứng dụng mô hình cho các mỏ khác và phát triển hệ thống giám sát mô hình định kỳ. Đề nghị các đơn vị liên quan phối hợp triển khai để nâng cao hiệu quả thăm dò và khai thác dầu khí tại khu vực.