Автор: Сентюрев Н.В. , Медведев Н.Р.
Прогнозирование распределения электрофаций пласта Ю1 с использованием машинного обучения: методический подход для условий сложной сейсмогеологической обстановки
DOI: 10.24412/2076-6785-2025-7-84-87
Аннотация
В статье предложен методический подход к прогнозированию распределения электрофаций пласта Ю1 верхнеюрских отложений на основе методов машинного обучения. Исследование направлено на решение задачи автоматизированной интерпретации больших объемов данных геофизических исследований скважин (ГИС) в условиях, когда традиционный сейсмофациальный анализ оказывается малоинформативным из-за влияния баженовской свиты. Разработанный подход реализован в среде визуального программирования Orange Data Mining с использованием искусственной нейронной сети типа MLP, обученной на массиве из 485 скважин. Валидация модели на независимой выборке показала точность классификации 88,4 %. Метод позволил выполнить прогноз электрофаций для 45 ранее неинтерпретированных скважин. На основе этих данных сформирован детальный прогнозный сценарий пространственного распределения фаций, формирующий надежную основу для построения высокодетализированной фациальной модели и уточнения контуров продуктивных тел.
Материалы и методы
Для построения модели использованы данные 485 скважин, включающие кривые ГИС и экспертные электрофации. Рабочий процесс реализован в среде Orange Data Mining. Массив случайно разделен на обучающую (70 %) и контрольную (30 %) выборки. Проведено сравнительное тестирование алгоритмов KNN,
Random Forest и MLP. Наилучший алгоритм (MLP) применен для прогноза электрофаций в неинтерпретированных скважинах.
Ключевые слова
прогнозирование электрофаций, машинное обучение,
пласт Ю1, верхнеюрские отложения, сейсмогеологические условия, геологическая модель, Orange Data Mining
Вернуться к списку статей
Аннотация
В статье предложен методический подход к прогнозированию распределения электрофаций пласта Ю1 верхнеюрских отложений на основе методов машинного обучения. Исследование направлено на решение задачи автоматизированной интерпретации больших объемов данных геофизических исследований скважин (ГИС) в условиях, когда традиционный сейсмофациальный анализ оказывается малоинформативным из-за влияния баженовской свиты. Разработанный подход реализован в среде визуального программирования Orange Data Mining с использованием искусственной нейронной сети типа MLP, обученной на массиве из 485 скважин. Валидация модели на независимой выборке показала точность классификации 88,4 %. Метод позволил выполнить прогноз электрофаций для 45 ранее неинтерпретированных скважин. На основе этих данных сформирован детальный прогнозный сценарий пространственного распределения фаций, формирующий надежную основу для построения высокодетализированной фациальной модели и уточнения контуров продуктивных тел.
Материалы и методы
Для построения модели использованы данные 485 скважин, включающие кривые ГИС и экспертные электрофации. Рабочий процесс реализован в среде Orange Data Mining. Массив случайно разделен на обучающую (70 %) и контрольную (30 %) выборки. Проведено сравнительное тестирование алгоритмов KNN,
Random Forest и MLP. Наилучший алгоритм (MLP) применен для прогноза электрофаций в неинтерпретированных скважинах.
Ключевые слова
прогнозирование электрофаций, машинное обучение,
пласт Ю1, верхнеюрские отложения, сейсмогеологические условия, геологическая модель, Orange Data Mining
