Slik avslører AI skjulte ressurser i gamle brønner

I norske havområder står det tusenvis av brønner som allerede er boret, logget og analysert. Mange er klassifisert som «tørre» eller marginale. Likevel viser ny teknologi at disse gamle brønnene kan skjule betydelige, oversette hydrokarboner – såkalt missed pay. Med moderne kunstig intelligens (KI) og maskinlæring kan vi nå hente ut ny innsikt fra gamle data – raskt, skalerbart og med langt lavere kostnad enn før.

For operatører på norsk sokkel betyr dette mer enn bare teknologisk nysgjerrighet. Det handler om økt utvinning, bedre lønnsomhet i modne områder og mer bærekraftig bruk av eksisterende infrastruktur. I denne artikkelen – som del av serien «AI i Norsk Olje og Gass: Digital Transformasjon» – ser vi på hvordan KI brukes til å avdekke verdier i gamle brønner, hva dette krever av datakvalitet og organisasjon, og hvordan du konkret kan ta teknologien i bruk.

Fra tørre brønner til digitale gullgruver

I Nordsjøen er det boret rundt 1250 letebrønner. Over halvparten er klassifisert som tørre. Tradisjonelt har slike brønner fått merkelappen «uinteressante» når de først er vurdert. Men i praksis er de fulle av data: brønnlogger, trykk- og væskeinformasjon, kjernebeskrivelser og ofte også seismikk i nærområdet.

To utviklingstrekk gjør disse dataene ekstremt verdifulle i 2025:

• Digitalisering av undergrunnsdata – logger, seismikk og tolkninger er i stadig større grad standardisert, strukturert og tilgjengelige i felles datalagre.
• Modne KI- og maskinlæringsmetoder – algoritmer for mønstergjenkjenning, klassifisering og prediksjon er nå robuste nok til industrielle anvendelser i olje- og gass.

Et konkret eksempel er studien hvor 545 letebrønner i Nordsjøen ble analysert med maskinlæring for å identifisere oversette hydrokarbonintervaller. Resultatet: rundt 350 potensielle «missed pay»-intervaller ble identifisert og klassifisert etter tykkelse og reservoarkvalitet. Dette er ikke nødvendigvis ferdige funn – men det er en helt ny letemodell: leting i eksisterende data.

Hvordan KI finner «missed pay» i brønnlogger

Fra manuell tolking til automatisert mønstergjenkjenning

Tradisjonell brønnloggtolking er tidkrevende og avhenger tungt av erfarne geologer og petrofysikere. De ser på loggkurver for blant annet:

• resistivitet
• gammastråling
• tetthet
• nøytron
• soniske målinger

Basert på dette tolker de litologi, porøsitet, væskemettning og reservoarkvalitet. I en hektisk letekampanje blir analysene gjerne fokusert på de mest lovende sonene – og mindre tydelige signaler kan bli ignorert.

Maskinlæring angriper samme problem på en annen måte:

1. Treningsdata: Man tar et sett brønner der reservoarsonene er godt kjent og klassifisert (olje, gass, vann, ikke-reservoar).
2. Funksjonsuttrekk: Algoritmen «lærer» sammenhengen mellom loggverdier og kjente reservoaregenskaper (litologi, porøsitet, vannmetning osv.).
3. Prediksjon: Modellen brukes så på hundrevis av andre brønner for å klassifisere hvert enkelt intervall – inkludert soner som tidligere ble vurdert som uinteressante.
4. Filtrering: Intervaller som oppfyller kriterier for gode reservoaregenskaper og potensiell hydrokarbonmetning markeres som kandidater – altså mulig «missed pay».

Det viktige er ikke at KI erstatter geologen, men at den prioriterer hvor geologen bør se nærmere. På den måten blir eksperttiden brukt der verdipotensialet er størst.

Integrasjon av brønndata og seismikk

Et ytterligere steg er å kombinere brønndata med seismikk ved hjelp av KI. I Fram-området i nordlige Nordsjøen er det for eksempel bygget tredimensjonale datasett som estimerer:

• litologi
• porøsitet
• vannmetning

i hele volumet mellom brønnene. Maskinlæringsmodellen lærer sammenhengen mellom seismiske attributter og kjente brønnverdier, og generaliserer denne informasjonen utover brønnbanene.

Dette gir et mye rikere bilde av undergrunnen enn enkelte brønnpunkter alene. For leteteam og reservoaringeniører betyr det:

• bedre beslutningsgrunnlag for sidesteg og nye tilleggsbrønner
• mer presise volumestimater
• raskere iterasjoner mellom geologi, geofysikk og reservoarteknikk

Forretningsverdien: mer funn, lavere leterisiko

Nye fat fra gamle data

Når KI-analyser peker ut oversette hydrokarbonintervaller, åpnes flere lønnsomme muligheter:

• Sidesteg i eksisterende brønner: Billigere enn nye letebrønner, og ofte med tilgang til eksisterende infrastruktur.
• Tilleggsbrønner i produserende felt: Kan øke utvinningsgraden betydelig i modne felt.
• Revitalisering av tidligere «tørre» strukturer: Brønner som tidligere ble kategorisert som tørre, kan vise seg å ha mindre, men kommersielt interessante lommer.

I en tid hvor norsk sokkel er moden og mange felt nærmer seg haleproduksjon, er dette særlig interessant. Å hente ut mer fra eksisterende felt gir ofte bedre økonomi enn å utvikle helt nye, marginale funn langt fra infrastruktur.

Bærekraft og samfunnsøkonomi

Fra et samfunnsperspektiv er dette også godt i tråd med norske mål om effektiv og ansvarlig ressursforvaltning:

• Mindre arealfotavtrykk: Flere fat fra eksisterende felt og infrastruktur betyr færre nye innretninger.
• Lavere utslipp per fat: Produksjon fra brønner og felt som allerede er i drift har ofte lavere klimafotavtrykk per enhet enn nye, f fjerntliggende prosjekter.
• Bedre ressursutnyttelse: Når flere av de opprinnelige ressurssene i et felt produseres, forbedres total ressursrenten for staten.

AI i olje- og gass er dermed ikke bare et spørsmål om digitalisering – det er et sentralt virkemiddel for bærekraftig produksjon og bedre samfunnsøkonomi.

Hva må på plass? Data, kompetanse og arbeidsprosesser

Datagrunnlag: kvalitet inn, kvalitet ut

KI-prosjekter står og faller på datakvalitet. For å lykkes med «missed pay»-analyser bør selskapene:

• sikre standardiserte loggsett for flest mulig brønner
• rydde opp i metadata, dybde-referanser og enheter
• ha tydelige petrofysiske referansemodeller for ulike områder
• lagre data sentralt og tilgjengelig i moderne dataplattformer

En praktisk tilnærming er å starte med ett pilotområde – for eksempel et begrenset område i Nordsjøen med mange brønner og godt seismikkgrunnlag – og bygge opp en «golden dataset» der.

Tverrfaglige team: geolog møter data scientist

De mest vellykkede initiativene innen AI i norsk olje og gass kjennetegnes av tverrfaglighet. For «missed pay»-prosjekter bør teamet typisk inkludere:

• geologer og geofysikere
• petrofysikere
• reservoaringeniører
• data scientists / ML-ingeniører
• IT/data platform-ressurser

Geologene definerer hvilke variabler som er geologisk meningsfulle, og kvalitetssikrer resultatene. Data scientists sørger for robuste modeller, skalerbar infrastruktur og gode evalueringsmetoder. Sammen kan de bygge løsninger som faktisk brukes i lete- og feltplanleggingsprosessen.

Integrasjon i beslutningsprosesser

AI-innsikt har begrenset verdi hvis den blir liggende i et dashbord. For å hente ut forretningsverdi bør selskapene:

• koble KI-resultater direkte inn i prospektporteføljer og letebudsjetter
• bruke «missed pay»-kart som ett av kriteriene i feltmodningsprosesser
• definere klare beslutningsporter: når utløser et KI-funn en sidestegsbrønn, og når gjør det ikke?

Dette er kjernen i digital transformasjon: ikke bare nye verktøy, men endrede måter å jobbe og ta beslutninger på.

Slik kommer du i gang med AI på gamle brønner

For operatører og rettighetshavere som vil utnytte potensialet i gamle brønner, kan en stegvis tilnærming se slik ut:

1. Kartlegg dataene

   • Lag oversikt over tilgjengelige brønnlogger, kjerne- og testdata i utvalgte områder.
   • Vurder datakvalitet og hull.

2. Velg pilotområde

   • Prioriter et område med mange brønner, eksisterende infrastruktur og rom for sidesteg eller tilleggsbrønner.

3. Bygg tverrfaglig prosjektteam

   • Sikre både fagkompetanse (G&G, reservoar) og analytisk kompetanse (data science, ML).

4. Etabler en første KI-modell

   • Start med enkel klassifisering av reservoar/ikke-reservoar og indikasjoner på hydrokarbonmetning.
   • Valider mot kjente funn og historikk.

5. Integrer seismikk der det er mulig

   • Utvid modellen til å inkludere seismiske attributter og prediksjon i 3D-volum.

6. Operasjonalisér

   • Koble funn direkte inn i lete- og boreplanlegging.
   • Følg opp med konkrete borebeslutninger der det er forretningsmessig forsvarlig.

7. Skaler til flere områder

   • Når metoden er bevist, rull den ut til flere lisensområder og regioner på sokkelen.

Gjennom en slik tilnærming bygger selskapet ikke bare én modell, men en kapabilitet innen AI i undergrunnsanalyse som kan brukes bredt – fra letevirksomhet til reservoaroptimalisering og CO₂-lagring.

Del av en større digital transformasjon på norsk sokkel

Arbeidet med å bruke KI på gamle brønner er én brikke i et større bilde. I serien «AI i Norsk Olje og Gass: Digital Transformasjon» ser vi hvordan lignende metoder nå brukes til:

• prediktivt vedlikehold på plattformer og undervannsutstyr
• optimalisering av produksjon i sanntid
• bedre risikostyring og sikkerhet
• planlegging av CO₂-lagring og havvindprosjekter

Felles for alle disse initiativene er at de:

• utnytter eksisterende data bedre
• reduserer risiko og kostnader
• øker verdiskapingen per investert krone og per tonn CO₂-utslipp

Når norske selskaper nå konkurrerer globalt – både om kapital, prosjekter og talent – vil de som behersker datadrevet leting og produksjon ha et klart fortrinn.

Konklusjon: Gamle brønner, ny innsikt – med AI som motor

KI og maskinlæring har allerede vist at de kan avdekke hundrevis av potensielle «missed pay»-soner i brønner som har vært analysert før. Dette demonstrerer tydelig at ny teknologi kan gi dypere innsikt fra gamle data, og at norsk sokkel fortsatt har et betydelig ressurspotensial.

For olje- og gasselskaper betyr dette en konkret mulighet til å:

• øke utvinningsgraden i eksisterende felt
• redusere leterisiko ved å bruke mer av de dataene som allerede er samlet inn
• styrke lønnsomheten og samtidig støtte målene om mer bærekraftig produksjon

Spørsmålet er derfor ikke lenger om AI vil endre måten vi leter og produserer på norsk sokkel, men hvor raskt hvert enkelt selskap klarer å ta denne teknologien i bruk i praksis.

Neste steg for deg er å se på egne brønndata: Hvor ligger deres skjulte ressurser – og hvordan kan AI hjelpe dere å finne dem før konkurrentene gjør det?