Szanse na stosunkowo duże złoża węglowodorów istnieją w Karpatach oraz na Niżu Polskim w utworach czerwonego spągowca i być może dewonu. Ich cechą wspólną jest zaleganie na głębokościach poniżej 3 km. Duże koszty wierceń na tych głębokościach oraz typ potencjalnych złóż (niekonwencjonalne i o niskich przepuszczalnościach) są przyczynami, dla których problemem zasadniczym jest opłacalność ich eksploatacji. Realna analiza ekonomiczna wymaga opracowania modelu złoża (wraz z charakterystyką petrofizyczną skał, liczbą potencjalnych odwiertów), a ten z kolei wymaga wykonania kompletu badań geofizyki otworowej i kompletu badań laboratoryjnych (petrograficznych, petrofizycznych). Dodatkowo ze względu na głębokości i rodzaj skał takie parametry jak przepuszczalność, przepuszczalność względna, przepływy oryginalnych płynów złożowych czy analizy geomechaniczne muszą być wykonywane w symulowanych warunkach złożowych. Analizy w symulowanych warunkach złożowych trwają bardzo długo, są również kosztowne. Kolejnym parametrem warunkującym opłacalną eksploatację jest ilość węglowodorów, które można pozyskać. Należy również uwzględnić potencjalne szczelinowania. Optymalnym rozwiązaniem byłoby wykonanie wstępnego modelu złoża na podstawie pierwszego wiercenia. Czy jest to możliwe? Tak, jeśli stworzymy odpowiednie bazy danych dla poszczególnych basenów sedymentacyjnych. Warunkiem koniecznym jest istnienie w bazie danych poprawnej statystycznie liczby badań wykonanych w warunkach otworowych oraz wszystkich innych dostępnych badań. Wtedy, wykorzystując metody sztucznej inteligencji, można dokonać wydzielenia klas podobieństwa skał (ang. rock typing), oszacować parametry skał dla całego złoża i przeprowadzić analizę ekonomiczną na podstawie bazy danych z rozwiercanego basenu sedymentacyjnego oraz wyników badań rdzeni i profili geofizycznych z pierwszego odwiertu. Bazy danych powinny rosnąć w miarę prac w poszczególnych basenach sedymentacyjnych. Podsumowując, można stwierdzić, że kluczem dla udostępniania tego typu złóż będą analizy w symulowanych warunkach złożowych i bazy danych (big data) pozwalające na zastosowanie metod sztucznej inteligencji.
We are entering the second stage of prospecting hydrocarbons in Poland. The potential volume of gas in various types of unconventional reservoirs is huge. Deep lying sediments in the Carpathians and in the Polish Lowland (the Rotliegend Basin and the Devonian) are prospective gas basins, but it is possible to find them deeper than 3000 m. Additionally, in contrast with shale gas, other types of unconventional reservoirs provide a big chance for profitable exploitation, however it requires application of complex, modern methods of investigation and very careful calculation of all prices connected with facilities of such types of reservoirs. Deeper targets means great drilling costs. Unconventional type means that compressibility of rocks and reservoir fluids, as well as high temperatures and pressures, must be taken into account. These two factors result in the main problem being economical profitability. Real economical analysis is possible after creating a numerical reservoir model with evaluation of the volume of hydrocarbons, the number of necessary wells and the potential production rate. The numerical model requires well logs and laboratory analyses. A part of laboratory analyses must be performed in simulated reservoir conditions. These analyses are expensive and time consuming. So, is it possible to reduce the costs and the time of model creation? For example, is it possible to create a full numerical model on the basis of the first well. Yes, if we have an appropriate data base (date base from the sedimentary basin in which we found a reservoir with a statistically correct number of core analyses performed in simulated reservoir conditions). In such a situation we can apply artificial intelligence methods and rock typing methods and evaluate petrophysical parameters for the whole reservoir. To sum up, the key to proper evaluation and exploitation scheduling will be the analyses performed in simulated reservoir conditions and big data.