Профессиональное сообщество геологов и нефтяников признает необходимость использования возможностей искусственного интеллекта в решении научных и производственных задач, однако открытым остается вопрос, как именно автоматизированные средства обработки, интерпретации и анализа информации будут интегрированы в существующие процессы. Науки о Земле требуют глубоких знаний и существенной подготовки профильных специалистов. Автоматизированные системы должны перенимать и запоминать все накопленные экспертами знания и опыт, учиться у них и пытаться воспроизвести ход мышления специалиста. Для широкого включения априорных знаний в работу методов машинного обучения нужны нестандартные алгоритмические подходы.
В статье приведены примеры автоматической интеллектуальной интерпретации геолого-геофизических данных, в процессе которой учитывалось экспертное мнение специалистов ООО «Газпромнефть НТЦ». Рассмотрена литолого-фациальная интерпретация материалов геофизических исследований скважин (ГИС) Муравленковского и Приобского месторождений методами иерархической кластеризации и классификации. Подобный подход значительно повышает точность автоматизированного прогноза за счет использования карт седиментологического зонирования, построенных экспертами на основе их знаний о геологическом строении месторождения. Приведена оценка эффективности различных алгоритмов. Показана решающая роль априорного знания в качественном прогнозе.
Отдельное место в методике занимает итеративная проверка результатов прогноза коллектора в скважинах. Таким образом, можно обнаружить прослои, которые остались невыявленными при первоначальном анализе данных ГИС, и оценить распределение эффективных толщин в межскважинном пространстве. Применение предложенного подхода и на других месторождениях позволит создать искусственного помощника, который будет учиться у экспертов и помогать им в обработке данных.
Список литературы
1. Wickham H. Tidy data // The Journal of Statistical Software. – 2014. – V. 59. – P. 10.
2. Borazjani O., Ghiasi-Freez J., Hatampour A. Two intelligent pattern recognition models for automatic identification of textural and pore space characteristics of the carbonate reservoir rocks using thin section images// Journal of Natural Gas Science and Engineering. – 2016. – V. 35. – P. 944–955.
3. Hall M., Hall B. Distributed collaborative prediction: Results of the machine learning contest // The Leading Edge. – 2016. – V. 36. – № 3. – P. 267–269.
4. Tengelidi D. Fourier spectrums clustering for automated facies recognition of Field Y // 7th Saint Petersburg International Conference and Exhibition, EAGE, 2016.
