«Геология, геофизика и разработка нефтяных и газовых месторождений»

Применение методов машинного обучения для оценки пористости карбонатных пород-коллекторов

УДК: 550.8.013:622.276.031.011.431.2
DOI: 10.33285/2413-5011-2023-11(383)-56-61

Авторы:

¹ Пермский национальный исследовательский политехнический университет, Пермь, Россия

Ключевые слова: машинное обучение, геофизические исследования скважин, пористость, методы прогнозирования, случайный лес, градиентный бустинг, линейная регрессия

Аннотация:

Карбонатные коллекторы характеризуются сложным строением, цикличностью осадконакопления, неравномерным развитием вторичных процессов, что обусловливает их высокую неоднородность свойств. Стандартный подход к определению фильтрационно-емкостных свойств по стволу скважины на основе методов геофизических исследований скважин не всегда позволяет осуществлять достоверный прогноз. В данной статье представлен подход на основе использования методов машинного обучения для прогноза пористости пород карбонатного резервуара. Пористость в данном случае определяется не по одному методу геофизических исследований скважин, а по комплексу различных методов. В рамках исследования выявлены параметры, оказывающие наибольшее влияние на пористость. На основе данных параметров осуществлялся прогноз пористости различными методами машинного обучения, решающими задачи регрессии. Рассчитаны метрики оценки качества алгоритмов и выполнено их сравнение между собой. Представлены рекомендации и выводы о возможности и рациональности применения данных моделей на практике.

Список литературы:

1. Изучение неоднородности и анизотропии проницаемости сложно построенного карбонатного резервуара / С.В. Галкин, А.А. Кочнев, С.Н. Кривощеков [и др.] // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2023. – № 3(375). – С. 25–32. – DOI: 10.33285/2413-5011-2023-3(375)-25-32

2. Уточнение куба проницаемости геолого-гидродинамических моделей в условиях различного объёма исходных данных / Н.Д. Козырев [и др.] // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2021. – № 5. – С. 24–29. – DOI: 10.33285/2413-5011-2021-5(353)-24-29

3. Шиверский Г.В., Кривощеков С.Н. Перспективы применения методов искусственного интеллекта в нефтегазовой геологии // Master’s Journal. – 2022. – № 2. – С. 57–67. – EDN MXLKEW

4. Применение методов машинного обучения для поиска пропущенных продуктивных интервалов и прогноза "скрытых" петрофизических свойств / Ю.Д. Кантемиров [и др.] // Росгеология. В поисках новых открытий. – 2019. – С. 24–26.

5. Использование нейросетевых алгоритмов при прогнозе петрофизических свойств тонкослоистого разреза по данным сейсморазведки и ГИС (на примере ачимовских отложений месторождения в ЯНАО) / Р.Б. Яневиц [и др.] // Геология, геофизика и разработка нефтяных и газовых месторождений. – М.: ОАО "ВНИИОЭНГ", 2017. – № 7. – С. 40–54.

6. Feng R., Grana D., Balling N. Variational inference in Bayesian neural network for well-log prediction // Geophysics. – 2021. – Vol. 86. – № 3. – Pp. M91-M99. – DOI: 10.1190/geo2020-0609.1

7. The implementation of machine learning in lithofacies classification using multi well logs data / S. Saroji [et al.] // Aceh International Journal of Science and Technology. – 2021. – Vol. 10. – № 1. – Pp. 9–17. – DOI: 10. 9-17. 10.13170/aijst.10.1.18749

8. Well Log data augmentation influence at accuracy of machine learning interpretation / A. Semenikhin [et al.] // EAGE/AAPG Digital Subsurface for Asia Pacific Conference. – European Association of Geoscientists & Engineers. – 2020. – № 1. – Pp. 1–3. – DOI: 10.3997/2214-4609.202075029

9. Расторгуев М.Н. Использование дискриминантного анализа для интерпретации данных газового каротажа на примере Павловского нефтяного месторождения // Недропользование. – 2019. – Т. 19. – № 1. – С. 39–55.

10. Щербенев А.В. Использование вероятностно-статистических методов для деления пород на проницаемую и непроницаемую части (на примере терригенных отложений визейского яруса Софьинского месторождения) // Недропользование. – 2017. – Т. 16. – № 1. – С. 14–22.

11. Restoration of seismic data using inpainting and edge connect / M. Radosavljevic [et al.] // SPE Russian Petroleum Technology Conference. – SPE, 2021. – DOI: 10.2118/206523-MS

12. Application of Artificial Intelligence Methods for Predicting Water Saturation from New Seismic Attributes / C.H. Sambo [et al.] // Offshore Technology Conference Asia. – OTC, 2018. – DOI: 10.4043/28221-MS

13. Application of machine learning for lithology-on-bit prediction using drilling data in real-time / T. Zhekenov [et al.] // SPE Russian Petroleum Technology Conference. – SPE, 2021. – DOI: 10.2118/206622-MS

14. An adaptive data driven model for characterizing rock properties from drilling data / H. Zhou [et al.] // 2011 IEEE International Conference on Robotics and Automation. – IEEE, 2011. – Pp. 1909–1915.

15. Scikit-learn: Машинное обучение на Phyton. 1.1. Linear Models. 1.1.1. Ordinary Least Squares [Электронный ресурс]. – URL: https://scikit-learn.org/stable/modules/ linear_model.html#linear-models (дата обращения: 31.03.2023)

16. К методике оценки перспектив нефтегазоносности Соликамской депрессии по характеристикам локальных структур / В.И. Галкин, И.А. Козлова, А.В. Растегаев [и др.] // Нефтепромысловое дело. – М.: ОАО "ВНИИОЭНГ", 2010. – № 7. – С. 12–17.

17. Scikit-learn: Машинное обучение на Phyton. 1.1. Linear Models. 1.1.3. Lasso [Электронный ресурс]. – URL: https://scikit-learn.org/stable/modules/linear_model.html#lasso (дата обращения: 31.03.2023)

18. Scikit-learn: Машинное обучение на Phyton. sklearn. ensemble. Gradient Boosting Regressor [Электронный ресурс]. – URL: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.GradientBoostingRegressor.html (дата обращения: 31.03.2023).

19. Scikit-learn: Машинное обучение на Phyton. sklearn. ensemble. Random Forest Regressor [Электронный ресурс]. – URL: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html#sklear... (дата обращения: 31.03.2023).

20. Косков В.Н. Теоретические основы дисциплины "Геофизические исследования скважин" и методика выполнения квалификационных работ: учеб.-метод. пособие. – Пермь: Изд-во Пермского нац. исслед. политехнич. ун-та, 2016. – 121 с.