«Нефтепро-
мысловое дело»

Прогноз петрофизических свойств горных пород с использованием алгоритмов машинного обучения

УДК: 550.8.053+550.8.056
DOI: -

Авторы:

¹ Уфимский университет науки и технологий, Уфа, Россия

Ключевые слова: машинное обучение, прогноз петрофизических свойств, акустический каротаж, интерпретация каротажа, метод случайного леса, глубокие нейронные сети

Аннотация:

В настоящее время машинное обучение является активным мощным инструментом, который закрепился в нефтегазовой отрасли и стал ее неотъемлемой частью при работе с результатами геофизических исследований скважин (ГИС). Методы машинного обучения способны ускорить (сократить время, исключить человеческий фактор) процесс работы со скважинными данными как на этапе предварительной обработки и нормировки "сырых" кривых, так и на этапе интерпретации (например, при определении работающих интервалов по результатам ГИС или литофизических типов по каротажным кривым). Кроме этого изучаются методы улучшения результатов ГИС на качественном уровне (сглаживание "зашумленных" кривых различными методами фильтрации, их восстановление в интервалах отсутствия данных и т. д.). Все это делает машинное обучение одним из приоритетных и наиболее развиваемых направлений в нефтегазовом деле. В настоящее время для решения задач прогноза распространения коллекторов, устойчивости ствола скважины остро стоит вопрос восстановления петрофизических свойств продуктивных интервалов, в частности плотности горных пород и интервального времени, с привлечением моделей машинного обучения.

Объектом исследования являются вертикальные скважины Оренбургского месторождения, в которых выполнен комплекс геофизических исследований различными методами: радиоактивными (гамма-каротаж, гамма-гамма-каротаж), электрическими (боковой и микробоковой каротажи, индукционный каротаж, боковое каротажное зондирование, микрозонды), нейтронными (нейтронный гамма-каротаж, нейтрон-нейтронный каротаж) и акустическими (акустический каротаж). Массивы исходных данных содержат результаты скважинных измерений по глубине.

Цель данной работы – построение механизма предсказания (прогноза) петрофизических свойств горных пород при помощи методов машинного обучения на примере скважины с неполными данными геофизических исследований.

Результатом данного исследования является методика (механизм) прогноза, позволяющая автоматически анализировать массивы с зарегистрированными данными ГИС, обнаруживать в этих массивах интервалы глубин с отсутствием данных и предсказывать форму каротажных данных при помощи алгоритма машинного обучения "случайный лес" (Random Forest).

Список литературы:

1. Enhanced Reservoir Characterization for Optimizing Completion Decisions in the Permian Basin Using a Novel Field-Scale Workflow including Wells with Missing Data / A.P. Garcia, L.M. Hernandez, A. Jagadisan [et al.] // Unconventional Resources Technology Conference, Denver (Colorado, USA), 22–24 July 2019. – DOI: 10.15530/urtec-2019-317

2. Применение методов машинного обучения в обработке данных геофизических исследований скважин отложений викуловской свиты / В.И. Сахнюк, Е.В. Новиков, А.М. Шарифуллин [и др.] // Георесурсы. – 2022. – № 24(2). – С. 230–238. – DOI: 10.18599/grs.2022.2.21

3. Cuddy S. Using Fuzziness to Repair Borehole Electrical Logs // InSite. CWLS Magazine. – 2006. – № 5. – Р. 9–12.

4. Вахитова Г.Р., Касимов А.М. Автоматическое восстановление каротажных диаграмм различными методами аппроксимации // Геонауки: время перемен, время перспектив: сб. ст. в ГеоЛиб 10-й Междунар. конф. "Геомодель". – СПб., 2023. – С. 467–470.

5. Accelerating and Enhancing Petrophysical Analysis with Machine Learning: A Case Study of an Automated System for Well Log Outlier Detection and Reconstruction / R. Akkurt, T.T. Conroy, D. Psaila [et al.] // SPWLA 59th Annual Logging Symposium, London, UK, 2–6 June 2018. – SPWLA-2018-BB.

6. Shier D. Well log normalization: Methods and guidelines // The SPWLA J. of Formation Evaluation and Reservoir Description. – 2004. – Vol. 45(3). – P. 268–280.

7. Merembayev T., Yunussov R., Amirgaliyev Y. Machine Learning Algorithms for Classification Geology Data from Well Logging // 14th International Conference on Electronics Computer and Computation (ICECCO), Kaskelen, Kazakhstan, 29 Nov. – 1 Dec. 2018. – P. 206–212. – DOI: 10.1109/ICECCO.2018.8634775

8. Formation Lithology Classification: Insights into Machine Learning Methods (SPE-196096-MS) / I.M. Mohamed, S.M. Mohamed, I. Mazher, Ch. Pieprzica // SPE Annual Technical Conference and Exhibition, Calgary, Alberta, Canada, 23 Sept. 2019. – DOI: 10.2118/196096-MS

9. Hydrocarbon Index Identification in Lateral Section of Horizontal Wells Using Machine Learning (SPE-201382-MS) / M. Toktarov, M.A. Siddiqui, I. Permata, S. Khakimov // SPE Annual Technical Conference & Exhibition, Denver, Colorado, USA, 5–7 Oct. 2020. – DOI: 10.2118/201382-MS

10. Automatic Interpretation of Well Logs with Lithology-Specific Deep-Learning Methods / A.P. Peyret, J.A. Garrido, C. Torres-Verdin, J. Strobel // SPWLA 60th Logging Symposium, the Woodlands, Texas, USA, 15–19 June 2019. – DOI: 10.30632/T60ALS-2019_SSSS

11. Machine learning-based method for automated well log processing and interpretation / P. Wu, V. Jain, V. Kulkarni, A. Abubakar // SEG International Exposition and Annual Meeting, Anaheim, California, USA, 14 Oct. 2018. – Р. 2041–2045. – DOI: 10.1190/segam2018-2996973.1