Тематический рубрикатор статей

Георесурсы T.24.№2.2022
Стр.
Скачать статью

Применение методов машинного обучения в обработке данных геофизических исследований скважин отложений викуловской свиты

В.И. Сахнюк, Е.В. Новиков, А.М. Шарифуллин, В.С. Белохин, А.П. Антонов, М.Ю. Карпушин, М.А. Большакова, С.А. Афонин, Р.С. Сауткин, А.А. Суслова

Оригинальная статья

DOI https://doi.org/10.18599/grs.2022.2.21

230-238
rus.

open access

Under a Creative Commons license
В настоящее время интерпретация результатов геофизических исследований скважин производится геофизиками-интерпретаторами, которые предварительно обрабатывают данные и нормируют кривые. Процесс подготовки каротажных кривых может занимать большое количество времени особенно в случаях, когда приходится интерпретировать данные по сотням и тысячам скважин. В данной работе исследуется применимость методов машинного обучения в задаче определения литофизических типов по каротажным кривым. В статье рассмотрены три группы алгоритмов: случайный лес, градиентный бустинг и нейронные сети, а также разработана собственная метрика, которая учитывает особенности литофизической типизации исследуемого объекта и основывается на мере близости литофизических типов для фиксированного комплекса методов геофизических исследований скважин.

В результате исследования показано, что алгоритмы машинного обучения способны предсказывать литологию по стандартному набору каротажных диаграмм без нормировки на опорные пласты, что может существенно сократить время на предварительную подготовку кривых.
 
машинное обучение, геофизические исследования скважин, интерпретация каротажа
 
  • Исакова Т.Г., Дьяконова Т.Ф., Носикова А.Д., Калмыков Г.А., Акиньшин А.В., Яценко В.М. (2021). Прогнозная оценка фильтрационной способности тонкослоистых коллекторов викуловской свиты по результатам исследования керна и ГИС. Георесурсы, 23(2), c. 170–178. https://doi.org/10.18599/grs.2021.2.17
  • Рашка С., Мирджалили В. (2020). Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2. 3-е изд. СПб: ООО «Диалектика», 848 с.
  • Breiman L. (2001). Random Forests. Machine Learning 45, p. 5–32. https://doi.org/10.1023/A:1010933404324
  • Friedman J. (2001). Greedy function approximation: A gradient boosting machine. Ann. Statist., 29(5), pp. 1189–1232. https://doi.org/10.1214/aos/1013203451
  • Haykin S. (1994). Neural Networks: A Comprehensive Foundation. Prentice Hall PTR, Upper Saddle River.
  • Merembayev T. Yunussov R. and Amirgaliyev Y. Machine learning algorithms for classification geology data from well logging. 14th International Conference on Electronics Computer and Computation (ICECCO), pp. 206–212. https://doi.org/10.1109/ICECCO.2018.8634775
  • Mohamed I.M., Mohamed S., Mazher I. et al. (2019). Formation lithology classification: insights into machine learning methods. SPE Annual Technical Conference. https://doi.org/10.2118/196096-MS
  • Peyret A.P., Ambía J., Torres-Verdín C. et al. (2019). Automatic Interpretation of Well Logs with Lithology-Specific Deep-Learning Methods. SPWLA 60th Annual Logging Symposium. https://doi.org/10.30632/T60ALS-2019_SSSS
  • Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. (2019). CatBoost: unbiased boosting with categorical features. https://doi.org/10.48550/arXiv.1706.09516 
  • Schmidhuber J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, pp. 85–117. https://doi.org/10.1016/j.neunet.2014.09.003
  • Viggen E.M., Merciu I.A., Løvstakken L. et al. (2020). Automatic interpretation of cement evaluation logs from cased boreholes using supervised deep neural networks. Journal of Petroleum Science and Engineering, 195. https://doi.org/10.1016/j.petrol.2020.107539
  • Wu P., Jain V., Kulkarni M.S. et al. (2018). Machine learning–based method for automated well log processing and interpretation. SEG Technical Program Expanded Abstracts. https://doi.org/10.1190/segam2018-2996973.1
  •  
Владлен Игоревич Сахнюк – магистрант кафедры геологии и геохимии горючих ископаемых
Московский государственный университет имени М.В. Ломоносова
Россия, 119234, Москва, ул. Ленинские горы, д. 1
 
Евгений Владимирович Новиков – магистрант кафедры геологии и геохимии горючих ископаемых
Московский государственный университет имени М.В. Ломоносова
Россия, 119234, Москва, ул. Ленинские горы, д. 1
 
Александр Маратович Шарифуллин – магистрант кафедры геологии и геохимии горючих ископаемых
Московский государственный университет имени М.В. Ломоносова
Россия, 119234, Москва, ул. Ленинские горы, д. 1
 
Василий Сергеевич Белохин – кандидат физ.-мат. наук, научный сотрудник кафедры геологии и геохимии горючих ископаемых
Московский государственный университет имени М.В. Ломоносова
Россия, 119234, Москва, ул. Ленинские горы, д. 1
 
Алексей Петрович Антонов – кандидат физ.-мат. наук, доцент кафедры математического анализа, руководитель НОЦ ПАО «НК «Роснефть» по цифровым технологиям в нефтегазовой отрасли на базе кафедры геологии и геохимии горючих ископаемых, Московский государственный университет имени М.В. Ломоносова
Россия, 119234, Москва, ул. Ленинские горы, д. 1
 
Михаил Юрьевич Карпушин – геолог, сотрудник кафедры геологии и геохимии горючих ископаемых, Московский государственный университет имени М.В. Ломоносова
Россия, 119234, Москва, ул. Ленинские горы, д. 1
 
Мария Александровна Большакова – кандидат геол.-мин. наук, старший научный сотрудник кафедры геологии и геохимии горючих ископаемых, Московский государственный университет имени М.В. Ломоносова
Россия, 119234, Москва, ул. Ленинские горы, д. 1
 
Сергей Александрович Афонин – кандидат физ.-мат. наук, доцент кафедры вычислительной математики, Московский государственный университет имени М.В. Ломоносова
Россия, 119234, Москва, ул. Ленинские горы, д. 1
 
Роман Сергеевич Сауткин – кандидат геол.-мин. наук, старший научный сотрудник кафедры геологии и геохимии горючих ископаемых, Московский государственный университет имени М.В. Ломоносова
Россия, 119234, Москва, ул. Ленинские горы, д. 1
 
Анна Анатольевна Суслова – кандидат геол.-мин. наук, ведущий научный сотрудник кафедры геологии и геохимии горючих ископаемых, Московский государственный университет имени М.В. Ломоносова
Россия, 119234, Москва, ул. Ленинские горы, д. 1
 

Для цитирования:

Сахнюк В.И., Новиков Е.В., Шарифуллин А.М., Белохин В.С., Антонов А.П., Карпушин М.Ю., Большакова М.А., Афонин С.А., Сауткин Р.С., Суслова А.А. (2022). Применение методов машинного обучения в обработке данных геофизических исследований скважин отложений викуловской свиты. Георесурсы, 24(2), c. 230–238. DOI: https://doi.org/10.18599/grs.2022.2.21

For citation:

Sakhnyuk V.I., Novickov E.V., Sharifullin A.M., Belokhin V.S., Antonov A.P., Karpushin M. U., Bolshakova M.A., Afonin S.A., Sautkin R.S., Suslova A.A. (2022). Machine learning applications for well-logging interpretation of the Vikulov Formation. Georesursy = Georesources, 24(2), pp. 230–238. DOI: https://doi.org/10.18599/grs.2022.2.21

© 2024 Коллектив авторов