Применение методов машинного обучения для прогнозирования пористости пород на основе данных рентгенофлуоресцентного анализа и гамма-спектрометрии

UDK: 553.98.001
DOI: 10.24887/0028-2448-2018-7-64-69
Ключевые слова: прогноз, пористость, рентгенофлуоресцентный анализ, гамма-спектрометрия, методы машинного обучения
Авт.: С.В. Шадрина (Тюменское отделение «СургутНИПИнефть»), А.А.Шадрин (Университет Осло)

Освоение нетрадиционных коллекторов углеводородных и подземных водных месторождений поставило перед специалистами целый ряд проблем, решение которых выходит за рамки традиционных методологий. Наиболее существенной среди них является невозможность прогнозирования петрофизических параметров (в частности, коэффициента пористости) в литологически не расчлененном разрезе. На примере слабо дифференцируемой вулканогенной толщи проанализирована обусловленность коэффициента пористости пород комплексом данных об их химическом составе. При использовании традиционных математико-статистических методов это весьма трудоемкая задача, требующая значительного времени и существенно более дробной петрофизической охарактеризованности. Данные факторы делают актуальным применение математических методов, позволяющих получать оценку пористости на основе характеристик породы, определение которых не зависит от состояния керна, с одной стороны. С другой стороны, такой подход позволяет учитывать геохимический механизм формирования коллекторов и флюидоупоров в нетрадиционных объектах и прогнозировать его пространственные границы. В статье выполнено сравнение различных современных методов машинного обучения для прогнозирования пористости. Наилучшую прогностическую способность показали методы, основанные на деревьях принятия решений – Random forest и Extra trees, которые в среднем обеспечили коэффициент детерминации для тестовых выборок равный 0,52, коэффициент корреляции Пирсона составил соответственно 0,722 и 0,701. Кроме того, эти методы позволяют естественным образом ранжировать факторы, используемые при прогнозировании пористости породы, по степени их влияния на точность прогноза. Полученные результаты дают возможность рассматривать методы машинного обучения как перспективный подход к прогнозированию пористости через описание механизмов вторичного минералообразования.

Список литературы

1. Стронций и барий в эндогенных процессах/ под ред. Л.К. Пожарицкая. – М.: Наука, 1973. – 215 с.

2. Портнов А.М., Кандинов М.Н. Углекислота – как диспетчер рудоотложения // Природа. – 1992. – Вып. № 11. – С. 64–69.

3. Арбузов С.И., Рихванов Л.П. Геохимия радиоактивных элементов. –

2-е изд. – Томск: Изд-во Томского политехнического университета, 2010. – 300 с.

4. Столбов Ю.М., Фомин Ю.А., Столбова Н.Ф. Возможность применения прикладной геохимии урана при исследовании процессов наложенного эпигенеза терригенных отложений Западной Сибири // Труды II Международной конференции «Геохимическое моделирование и материнские породы нефтегазоносных бассейнов России и стран СНГ». – СПб.: ВНИГРИ, 2000. – С. 160–171.

5. Шалдыбин М.В. Геохимические критерии оценки влияния процессов наложенного эпигенеза на фильтрационно-емкостные свойства обломочных пород-коллекторов (на примере нефтяных месторождений Томской области): дис. ... канд. геол.-минер. наук. – Томск, 2005. – 179 с.

6. Бочаров Е.И., Столбов Ю.М. Оценка влияния постседиментационных процессов на фильтрационно-емкостные свойства меловых отложений севера Западной Сибири // Изв. Томского политехнического университета. – 2007. – Т. 311. – № 1. – С. 64–66.

7. Закономерности распределения микроэлементов в профиле выветривания Барлакского гранитного массива. Геохимия рудных элементов в процессах выветривания, осадконакопления и катагенеза / В.М. Гавшин, Б.Л. Щербов, Ф.В. Сухоруков [и др.]. – Новосибирск: Наука, 1979. – С. 3–19.

8. Жмодик С.М. Геохимия радиоактивных элементов в процессе выветривания карбонатитов, кислых и щелочных пород. – Новосибирск: Наука, 1984. – 170 с.    




Внимание!
Купить полный текст статьи (формат - PDF) могут только авторизованные посетители сайта.