«Геология, геофизика и разработка нефтяных и газовых месторождений»

Выявление геологических несогласий при помощи DTW-анализа данных геофизических исследований скважин

УДК: 519.688:550.3:553.9
DOI: -

Авторы:

¹ ООО "ЛУКОЙЛ-Инжиниринг", Пермь, Россия

Ключевые слова: алгоритм динамической трансформации временной шкалы, динамическое временное выравнивание, геологические несогласия, геофизические исследования скважин (ГИС), скважинные исследования, автоматизация, межскважинная корреляция, стратиграфические нарушения, нефтегазовая геология, стратиграфия

Аннотация:

Рассматривается применение метода динамического временного выравнивания (Dynamic Time Warping, DTW) для автоматизированного выявления геологических несогласий по данным геофизических исследований скважин. Описывается математическая основа и логика алгоритма DTW, методы предварительной обработки данных, включая медианную фильтрацию, нормализацию и сглаживание скользящим средним. Особое внимание уделяется выбору оптимальных параметров алгоритма и их влиянию на результаты анализа. Показана важность многовариантного анализа с использованием различных шаблонов шага и уровней сглаживания для повышения надежности интерпретации. Приводятся результаты апробации метода на реальных данных гамма-каротажа двух скважин, где были успешно выделены четыре устойчивые зоны геологических несогласий. Исследование показывает, что сочетание DTW-анализа с комплексным анализом данных позволяет существенно повысить объективность и воспроизводимость результатов при интерпретации геологических нарушений. Предложенный подход может быть полезен для автоматизации обработки больших массивов скважинных данных в нефтегазовой геологии и других областях геологоразведки.

Список литературы:

1. Гулин А.Б., Керимов Г.Г. Применение методов машинного обучения для интерпретации данных ГИС // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2022. – № 9(369). – С. 48-54. – DOI: 10.33285/2413-5011-2022-9(369)-48-54

2. Мусин К.А., Закомалдин Е.А. Автоматическая интерпретация данных ГИС с применением возможностей машинного обучения // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2023. – № 9(381). – С. 38–41. – DOI: 10.33285/2413-5011-2023-9(381)-38-41

3. Потехин Д.В., Путилов И.С. Применение нейронных сетей для интерпретации геофизических исследований скважин пермокарбоновой залежи Усинского месторождения нефти // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2022. – № 4(364). – С. 24–27. – DOI: 10.33285/2413-5011-2022-4(364)-24-27

4. Тунев И.С., Барях В.А. Автоматизация межскважинной корреляции с использованием алгоритма динамической трансформации временной шкалы: опыт применения // Недропользование. – 2025. – Т. 25. – № 2. – С. 8–16. – DOI: 10.15593/2712-8008/2025.2.2

5. Rabiner L.R., Juang B.H. Fundamentals of speech recognition. – Prentice-Hall, 1993. – 494 p.

6. Giorgino T. Computing and Visualizing Dynamic Time Warping Alignments in R: The DTW Package // Journal of Statistical Software. – 2009. – Vol. 31. – № 7. – Pp. 1–24. – DOI: 10.18637/jss.v031.i07

7. Matching Incomplete Time Series with Dynamic Time Warping: An Algorithm and an Application to Post-Stroke Rehabilitation / P. Tormene, T. Giorgino, S. Quaglini, M. Stefanelli // Artificial Intelligence in Medicine. – 2008. – Vol. 45. – № 1. – Pp. 11–34. – DOI: 10.1016/j.artmed.2008.11.007