Автор: Медведев Н.Р.
Применение нейронных сетей для комплексного фациального анализа на основе данных ГИС и сейсмики (на примере Шаимского НГР)
DOI: 10.24412/2076-6785-2025-6-40-43
Аннотация
В работе представлены результаты применения методов машинного обучения для построения детальной фациальной модели сложнопостроенного терригенного резервуара в условиях ограниченного объема эталонных данных. Исследование выполнено на территории Шаимского нефтегазоносного района, где целевой интервал представлен отложениями меандрирующих и ветвящихся русел, характеризующихся высокой литологической неоднородностью. Для решения задачи использован комплексный подход, сочетающий анализ данных геофизических исследований скважин (ГИС) и сейсморазведки 3D. Классификация фаций по данным ГИС выполнена с помощью алгоритмов машинного обучения в среде Orange Data Mining. На эталонных скважинах, имеющих полный комплекс исследований керна и ГИС, проведено обучение модели методом контролируемой классификации. Полученная модель применена для прогнозирования фаций по данным ГИС в скважинах, где отсутствует керн. Для объемного прогнозирования распространения фаций использованы возможности сейсмической атрибутизации и машинного обучения в программных комплексах OpendTect и IP Сейсмик. Проведено сравнение результатов прогноза, полученных исключительно по данным ГИС, и прогноза, интегрированного с сейсмическими данными. Показана высокая сходимость результатов в точках расположения скважин, что подтверждает репрезентативность и устойчивость примененных методов. Установлено, что расхождения между подходами возрастают при экстраполяции в межскважинное пространство, что подчеркивает критическую важность интеграции сейсмических данных для построения достоверной модели.
Материалы и методы
Для построения фациальной модели применен комплексный подход. На эталонных скважинах с полным комплексом ГИС и керна проведена контролируемая классификация в Orange Data Mining. Обученная модель использована для прогноза фаций по ГИС. Для объемного моделирования применены сейсмическая атрибутика и машинное обучение в OpendTect и IP Сейсмик. Выполнено сравнение прогнозов по ГИС и интегрированного подхода.
Ключевые слова
машинное обучение, нейронные сети, фациальный анализ, сейсмическая атрибутика, данные ГИС, Orange Data Mining, OpendTect, IP Сейсмик, Шаимский НГР
Вернуться к списку статей
Аннотация
В работе представлены результаты применения методов машинного обучения для построения детальной фациальной модели сложнопостроенного терригенного резервуара в условиях ограниченного объема эталонных данных. Исследование выполнено на территории Шаимского нефтегазоносного района, где целевой интервал представлен отложениями меандрирующих и ветвящихся русел, характеризующихся высокой литологической неоднородностью. Для решения задачи использован комплексный подход, сочетающий анализ данных геофизических исследований скважин (ГИС) и сейсморазведки 3D. Классификация фаций по данным ГИС выполнена с помощью алгоритмов машинного обучения в среде Orange Data Mining. На эталонных скважинах, имеющих полный комплекс исследований керна и ГИС, проведено обучение модели методом контролируемой классификации. Полученная модель применена для прогнозирования фаций по данным ГИС в скважинах, где отсутствует керн. Для объемного прогнозирования распространения фаций использованы возможности сейсмической атрибутизации и машинного обучения в программных комплексах OpendTect и IP Сейсмик. Проведено сравнение результатов прогноза, полученных исключительно по данным ГИС, и прогноза, интегрированного с сейсмическими данными. Показана высокая сходимость результатов в точках расположения скважин, что подтверждает репрезентативность и устойчивость примененных методов. Установлено, что расхождения между подходами возрастают при экстраполяции в межскважинное пространство, что подчеркивает критическую важность интеграции сейсмических данных для построения достоверной модели.
Материалы и методы
Для построения фациальной модели применен комплексный подход. На эталонных скважинах с полным комплексом ГИС и керна проведена контролируемая классификация в Orange Data Mining. Обученная модель использована для прогноза фаций по ГИС. Для объемного моделирования применены сейсмическая атрибутика и машинное обучение в OpendTect и IP Сейсмик. Выполнено сравнение прогнозов по ГИС и интегрированного подхода.
Ключевые слова
машинное обучение, нейронные сети, фациальный анализ, сейсмическая атрибутика, данные ГИС, Orange Data Mining, OpendTect, IP Сейсмик, Шаимский НГР
