Tổng quan nghiên cứu

Bồn trũng Cửu Long là một trong những bể trầm tích quan trọng nhất của Việt Nam về dầu khí, đóng góp khoảng 30% trữ lượng và 95% sản lượng khai thác dầu khí quốc gia. Mỏ X, thuộc Lô 15-Y trong bồn trũng này, có diện tích khoảng 84,3 km² với chiều dài 15 km và chiều rộng 3 km, là đối tượng nghiên cứu chính của luận văn. Đá móng nứt nẻ trong khu vực này có vai trò quan trọng trong việc chứa dầu khí, tuy nhiên đặc điểm địa chất phức tạp với hệ thống đứt gãy và nứt nẻ dày đặc gây khó khăn trong việc dự báo phân bố độ rỗng và độ thấm.

Mục tiêu nghiên cứu là xây dựng mô hình phân bố độ rỗng và độ thấm cho tầng móng nứt nẻ thuộc mỏ X, nhằm nâng cao độ tin cậy trong dự báo trữ lượng và tối ưu hóa khai thác. Phạm vi nghiên cứu tập trung vào khu vực mỏ X, Lô 15-Y, bồn trũng Cửu Long, với dữ liệu thu thập từ các giếng khoan, tài liệu địa chất, địa vật lý và khai thác trong giai đoạn từ năm 2000 đến 2017.

Nghiên cứu có ý nghĩa khoa học trong việc tổng hợp và đánh giá các phương pháp mô hình hóa phổ biến như mô hình khối liên tục tương đương, mạng nơron nhân tạo (ANN), mô hình Halo và Halo cải tiến, đồng thời ứng dụng các phương pháp này để xây dựng mô hình phân bố độ rỗng và độ thấm phù hợp với đặc điểm địa chất phức tạp của tầng móng nứt nẻ. Về thực tiễn, kết quả nghiên cứu giúp giảm thiểu rủi ro trong công tác dự báo khai thác, hỗ trợ thiết kế giếng khoan và quản lý mỏ hiệu quả hơn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên ba lý thuyết và mô hình nghiên cứu chính:

  1. Mô hình khối liên tục tương đương: Phương pháp này giả định độ rỗng giảm tuyến tính theo chiều sâu từ mặt nóc móng, dùng để tính toán trữ lượng ban đầu. Tuy nhiên, nó không phản ánh được tính bất đồng nhất và phức tạp của hệ thống đứt gãy-nứt nẻ.

  2. Mạng nơron nhân tạo (Artificial Neural Network - ANN): Đây là phương pháp học máy dựa trên dữ liệu đầu vào là các thuộc tính địa chấn và đầu ra là giá trị độ rỗng tại các giếng khoan. ANN cho phép mô phỏng các mối quan hệ phi tuyến phức tạp giữa các thuộc tính địa chất và địa vật lý, giúp dự báo độ rỗng và độ thấm với độ chính xác cao hơn.

  3. Mô hình Halo và Halo cải tiến: Mô hình này dựa trên sự phân bố độ rỗng giảm theo chiều sâu và khoảng cách đến các đứt gãy. Halo cải tiến bổ sung phân loại đứt gãy theo hướng và đặc tính để mô phỏng chính xác hơn sự phân bố thuộc tính trong tầng móng nứt nẻ.

Các khái niệm chính bao gồm: độ rỗng thứ sinh (độ rỗng do nứt nẻ và khoáng vật thứ sinh), độ thấm (khả năng dẫn lưu của đá móng), hệ thống đứt gãy-nứt nẻ, và các thuộc tính địa chấn như biến đổi, envelope, chaos, ant tracking, và dominant frequency dùng để nhận diện cấu trúc móng.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm: tài liệu địa chất, địa vật lý giếng khoan, dữ liệu địa chấn 3D, kết quả phân tích mẫu lõi và thử via từ các giếng khoan thuộc mỏ X, Lô 15-Y, bồn trũng Cửu Long. Dữ liệu khai thác lịch sử cũng được sử dụng để kiểm tra và hiệu chỉnh mô hình.

Phương pháp phân tích gồm:

  • Tính toán độ rỗng thứ sinh tại các giếng khoan dựa trên phương pháp thể tích, kết hợp các thông số neutron, mật độ và vận tốc sóng địa chấn.
  • Xây dựng mô hình phân bố độ rỗng và độ thấm bằng ba phương pháp: mô hình khối liên tục tương đương, mạng nơron nhân tạo ANN, và mô hình Halo/Halo cải tiến.
  • Luyện mạng ANN với dữ liệu đầu vào là các thuộc tính địa chấn được lựa chọn dựa trên hệ số tương quan với dữ liệu địa vật lý giếng khoan.
  • Phân loại và xử lý hệ thống đứt gãy dựa trên dữ liệu địa chấn để làm đầu vào cho mô hình Halo.
  • Đối chiếu kết quả mô hình với dữ liệu thử via và lịch sử khai thác để đánh giá chất lượng mô hình.

Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ năm 2015 đến 2017, với cỡ mẫu gồm hơn 10 giếng khoan có dữ liệu đầy đủ, sử dụng phần mềm Basroc 3.0 và các công cụ xử lý địa chấn hiện đại.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Phân bố độ rỗng thứ sinh tại giếng khoan: Độ rỗng thứ sinh tính toán tại các giếng dao động trong khoảng 1,5% đến 10%, với giá trị trung bình khoảng 4%. Độ rỗng giảm theo chiều sâu từ mặt nóc móng, tuy nhiên có sự biến động lớn theo phương ngang do ảnh hưởng của hệ thống đứt gãy.

  2. Hiệu quả mô hình ANN: Mô hình ANN đạt hệ số tương quan R khoảng 0,85 giữa giá trị độ rỗng dự báo và dữ liệu thực tế tại giếng khoan, cao hơn so với mô hình khối liên tục tương đương (R khoảng 0,65). Mô hình ANN cũng cho phép dự báo độ thấm với sai số trung bình dưới 15%.

  3. Mô hình Halo và Halo cải tiến: Mô hình Halo cải tiến cho kết quả phân bố độ rỗng phù hợp hơn với dữ liệu thực tế, đặc biệt khi phân loại đứt gãy theo hướng và mức độ hoạt động. Độ rỗng giảm dần theo khoảng cách đến đứt gãy, với giá trị giảm khoảng 30-50% khi ra xa đứt gãy 500 m.

  4. Kiểm tra mô hình với lịch sử khai thác: Kết quả phục hồi lịch sử khai thác tại các giếng trong khu vực Đông Bắc mỏ X cho thấy mô hình Halo cải tiến và ANN có khả năng dự báo lưu lượng khai thác chính xác hơn, sai số dưới 10%, trong khi mô hình khối liên tục tương đương có sai số lên đến 25%.

Thảo luận kết quả

Nguyên nhân của sự khác biệt giữa các phương pháp là do mô hình khối liên tục tương đương không phản ánh được tính bất đồng nhất và ảnh hưởng của hệ thống đứt gãy-nứt nẻ trong tầng móng. Trong khi đó, ANN tận dụng được các thuộc tính địa chấn đa dạng và dữ liệu giếng khoan để mô phỏng phi tuyến các mối quan hệ phức tạp, giúp nâng cao độ chính xác dự báo. Mô hình Halo cải tiến bổ sung phân loại đứt gãy giúp mô hình hóa phân bố độ rỗng theo không gian thực tế hơn.

So sánh với các nghiên cứu trong nước và quốc tế, kết quả này phù hợp với xu hướng ứng dụng mạng nơron nhân tạo và mô hình Halo trong mô hình hóa tầng móng nứt nẻ, đồng thời khẳng định tính ưu việt của việc kết hợp nhiều phương pháp để giảm thiểu rủi ro và tăng độ tin cậy trong dự báo.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh độ rỗng dự báo và thực tế tại các giếng khoan, biểu đồ phân bố độ rỗng theo khoảng cách đến đứt gãy, và bảng tổng hợp sai số dự báo lưu lượng khai thác giữa các mô hình.

Đề xuất và khuyến nghị

  1. Áp dụng mô hình Halo cải tiến kết hợp ANN trong quản lý mỏ: Khuyến nghị các công ty dầu khí sử dụng mô hình Halo cải tiến phối hợp với mạng nơron nhân tạo để xây dựng mô hình phân bố độ rỗng và độ thấm cho tầng móng nứt nẻ, nhằm nâng cao độ chính xác dự báo trữ lượng và tối ưu hóa khai thác trong vòng 1-2 năm tới.

  2. Tăng cường thu thập và xử lý dữ liệu địa chấn chất lượng cao: Đề xuất đầu tư nâng cấp công nghệ thu thập và xử lý dữ liệu địa chấn 3D, đặc biệt là các thuộc tính địa chấn như Ant Tracking, Envelope, và Dominant Frequency để cải thiện chất lượng dữ liệu đầu vào cho mô hình ANN, thực hiện trong vòng 1 năm.

  3. Phát triển hệ thống giám sát và hiệu chỉnh mô hình khai thác liên tục: Thiết lập hệ thống giám sát khai thác và cập nhật mô hình dự báo dựa trên dữ liệu khai thác thực tế, giúp hiệu chỉnh mô hình kịp thời, giảm sai số dự báo xuống dưới 10%, áp dụng cho toàn bộ mỏ trong 3 năm tới.

  4. Đào tạo và nâng cao năng lực chuyên môn cho cán bộ kỹ thuật: Tổ chức các khóa đào tạo chuyên sâu về mô hình hóa địa chất và kỹ thuật mạng nơron nhân tạo cho đội ngũ kỹ sư và nhà nghiên cứu, nhằm nâng cao năng lực áp dụng các phương pháp hiện đại trong quản lý mỏ, thực hiện định kỳ hàng năm.

Đối tượng nên tham khảo luận văn

  1. Các kỹ sư địa chất và địa vật lý dầu khí: Luận văn cung cấp phương pháp và công cụ mới trong mô hình hóa phân bố độ rỗng-thấm, giúp họ nâng cao hiệu quả trong thiết kế giếng khoan và dự báo trữ lượng.

  2. Nhà quản lý và hoạch định chiến lược khai thác mỏ: Các kết quả và đề xuất giúp họ đưa ra quyết định chính xác hơn về kế hoạch phát triển mỏ, tối ưu hóa khai thác và giảm thiểu rủi ro tài chính.

  3. Các nhà nghiên cứu và sinh viên ngành kỹ thuật dầu khí: Luận văn là tài liệu tham khảo quý giá về ứng dụng mạng nơron nhân tạo và mô hình Halo trong nghiên cứu địa chất móng nứt nẻ, đồng thời cung cấp cơ sở lý thuyết và thực nghiệm chi tiết.

  4. Các công ty dịch vụ dầu khí và công nghệ địa chất: Thông tin về các phương pháp mô hình hóa và xử lý dữ liệu địa chấn giúp họ phát triển sản phẩm và dịch vụ phù hợp với yêu cầu thực tế của ngành dầu khí Việt Nam.

Câu hỏi thường gặp

  1. Mô hình khối liên tục tương đương có ưu điểm gì?
    Phương pháp này đơn giản, dễ áp dụng và nhanh chóng cho việc tính toán trữ lượng ban đầu. Tuy nhiên, nó không phản ánh được tính bất đồng nhất và phức tạp của hệ thống đứt gãy-nứt nẻ, nên không phù hợp cho mô phỏng động.

  2. Tại sao mạng nơron nhân tạo (ANN) được ưu tiên sử dụng?
    ANN có khả năng học và mô phỏng các mối quan hệ phi tuyến phức tạp giữa dữ liệu địa chấn và địa vật lý, giúp dự báo độ rỗng và độ thấm chính xác hơn, đặc biệt trong môi trường địa chất phức tạp như tầng móng nứt nẻ.

  3. Mô hình Halo cải tiến khác gì so với mô hình Halo truyền thống?
    Halo cải tiến bổ sung phân loại đứt gãy theo hướng và mức độ hoạt động, giúp mô phỏng phân bố độ rỗng theo không gian chính xác hơn, giảm sai số dự báo và tăng độ tin cậy của mô hình.

  4. Dữ liệu nào là quan trọng nhất để xây dựng mô hình phân bố độ rỗng-thấm?
    Dữ liệu địa chấn 3D chất lượng cao, các thuộc tính địa chấn đặc trưng, dữ liệu địa vật lý giếng khoan, kết quả phân tích mẫu lõi và thử via là các nguồn dữ liệu quan trọng nhất để xây dựng mô hình chính xác.

  5. Làm thế nào để kiểm tra chất lượng mô hình phân bố độ rỗng-thấm?
    Chất lượng mô hình được kiểm tra bằng cách đối chiếu kết quả mô hình với dữ liệu thử via tại giếng khoan và phục hồi lịch sử khai thác, đánh giá sai số dự báo lưu lượng và độ phù hợp với dữ liệu thực tế.

Kết luận

  • Luận văn đã tổng hợp và đánh giá các phương pháp mô hình hóa phân bố độ rỗng-thấm cho tầng móng nứt nẻ, bao gồm mô hình khối liên tục tương đương, mạng nơron nhân tạo ANN, và mô hình Halo cải tiến.
  • Mô hình ANN và Halo cải tiến cho kết quả dự báo độ rỗng và độ thấm chính xác hơn, phù hợp với đặc điểm địa chất phức tạp của mỏ X, Lô 15-Y, bồn trũng Cửu Long.
  • Kết quả mô hình được kiểm chứng bằng dữ liệu thử via và lịch sử khai thác, với sai số dự báo lưu lượng dưới 10% đối với mô hình ANN và Halo cải tiến.
  • Nghiên cứu góp phần nâng cao hiệu quả quản lý và khai thác mỏ, giảm thiểu rủi ro trong dự báo trữ lượng và thiết kế giếng khoan.
  • Đề xuất áp dụng kết hợp các phương pháp mô hình hóa hiện đại, tăng cường thu thập dữ liệu địa chấn chất lượng cao và đào tạo chuyên môn cho cán bộ kỹ thuật trong giai đoạn tiếp theo.

Hành động tiếp theo là triển khai áp dụng mô hình Halo cải tiến phối hợp ANN trong quản lý mỏ, đồng thời phát triển hệ thống giám sát và hiệu chỉnh mô hình dựa trên dữ liệu khai thác thực tế để tối ưu hóa hiệu quả khai thác.