Применение методов машинного обучения при построении объемной литологической модели
УДК: 536+550.3
DOI: -
Авторы:
ВАХИТОВА Г.Р.
1,
ПРАЯ Э.Д.1,
РЮКОВ Р.И.1,
КАЗАРЯН А.А.1
1 Уфимский университет науки и технологий, Уфа, Россия
Ключевые слова: машинное обучение, прогноз петрофизических свойств, акустический каротаж, плотностной каротаж, интерпретация каротажа, метод линейной регрессии, объемная литологическая модель
Аннотация:
Построение объемной литологической модели горных пород является важной задачей, особенно в отложениях со сложным геологическим строением, которые характеризуются многокомпонентным минеральным составом. В настоящее время решение этой задачи основано на применении алгоритма численной инверсии данных геофизических исследований скважин (ГИС). Для успешного построения объемной литологической модели необходимо иметь полную геолого-геофизическую информацию. При этом от количества и качества исходных данных зависит достоверность модели. Вместе с тем в скважинах зачастую по разным причинам выполняется ограниченный комплекс ГИС. В этой связи становится актуальным вопрос полноты комплекса каротажных данных. Решение этого вопроса возможно путем восстановления (прогноза) недостающих данных при помощи различных методов машинного обучения. Чаще всего это касается таких свойств, как плотность и интервальное время. В данной статье показана возможность прогноза объемной модели литологии с применением алгоритмов машинного обучения.
Список литературы:
1. Применение методов машинного обучения в обработке данных геофизических исследований скважин отложений викуловской свиты / В.И. Саханюк, Е.В. Новиков, А.М. Шарифуллин [и др.] // Георесурсы. – 2022. – Т. 24, № 2. – С. 230–238. – DOI: 10.18599/grs.2022.2.21
2. Потехин Д.В., Галкин С.В. Применение технологии машинного обучения при моделировании распределения литотипов на пермокарбоновой залежи нефти Усинского месторождения // Записки горного института. – 2023. – Т. 259. – С. 41–51. – DOI: 10.33285/2073-9028-2023-3(312)-41-51
3. Гафуров Д.О. Методика комплексной интерпретации геолого-геофизических данных обучаемыми нейронными сетями на примере Талаканского нефтегазоконденсатного месторождения: автореф. дис. … канд. геол.-минер. наук: 25.00.16. – Томск, 2013. – 22 с.
4. Малыгин И.В. Методы машинного обучения в геофизических задачах с дефицитом данных: автореф. дис. … канд. техн. наук: 25.00.10. – М., 2021. – 25 с.
5. Lin W.Ch., Tsai Ch.F., Zhong J.R. Deep learning for missing value imputation of continuous data and the effect of data discretization // Knowledge-Based Systems. – 2022. – Vol. 239, Issue 10. – DOI: 10.1016/j.knosys.2021.108079
6. Prediction of permeability from well logs using a new hybrid machine learning algorithm / M. Matinkia, R. Hashami, M. Mehrad [et al.] // Petroleum. – 2022. – Vol. 9, Issue 1. – DOI: 10.1016/j.petlm.2022.03.003
7. Prediction of Water Saturation from Well Log Data by Machine Learning Algorithms: Boosting and Super Learner / F. Moghaddam, M. Ostadhassan, M.A. Sadri [et al.] // J. of Marine Science and Engineering. – 2021. – Vol. 9, Issue 6. – P. 666. – DOI: 10.3390/jmse9060666
8. Вахитова Г.Р., Касимов А.М. Автоматическое восстановление каротажных диаграмм различными методами аппроксимации // Геонауки: время перемен, время перспектив: сб. ст. 10-й юбилейной науч.-практ. конф. – СПб., 2023. – С. 467–470.
9. Федосеев А.А., Глинских В.Н., Казаненков В.А. Относительное содержание породообразующих компонентов и основные литологические типы пород баженовской свиты и ее стратиграфических аналогов по данным геофизических исследований скважин и керна // Нефтегазовая геология. Теория и практика. – 2018. – Т. 13, № 2. – DOI: 10.17353/2070-5379/15_2018
Назад в номер