Разработан и программно реализован вычислительный алгоритм на основе искусственной нейронной сети для литологической интерпретации данных геофизических исследований скважин (ГИС) в интервалах баженовской свиты, заключающийся в определении минерально-компонентного состава пород. В выполненных исследованиях использовалась классификация литологических типов пород, основанная на современном представлении о распределении породообразующих минеральных и минералоидных компонентов (глинистые, кремнистые, карбонатные минералы и органическое вещество). На примере центрального участка Салымского месторождения с применением разработанного алгоритма по комплексу данных ГИС и использованием результатов лабораторных литологических и геохимических исследований кернового материала построены модели содержания породообразующих компонентов баженовской свиты. Выделены основные типы пород: силициты, аргиллиты, карбонаты и микститы (смешанные кремнисто-глинисто-карбонатные породы), в том числе обогащенные органическим веществом. Рассчитанные с использованием искусственной нейронной сети содержания породообразующих компонентов хорошо согласуются с результатами детальных литолого-геохимических исследований керна. На основе полученных литологических моделей построены корреляционные схемы баженовской свиты, которые позволили проследить вертикальную и латеральную изменчивость ее минерально-компонентного состава. Определены средние содержания глинистых, кремнистых, карбонатных минералов, пирита, альбита и органического вещества. Отмечена значительная пространственная неоднородность разрезов баженовской свиты, которая обусловлена поликомпонентным составом и сложным распределением различных типов пород, определяющими ее основные характерные особенности в пределах локального участка месторождения. Полученные результаты выполненных исследований могут быть полезны при изучении строения разрезов баженовской свиты в скважинах, из которых керновый материал не отбирался.
Список литературы
1. Частотная дисперсия электрофизических характеристик и электрическая анизотропия пород баженовской свиты по данным электрокаротажа / М.И. Эпов, В.Н. Глинских, А.М. Петров [и др.] // Нефтяное хозяйство. – 2019. – № 9. – С. 62–64. – DOI: 10.24887/0028-2448-2019-9-62-64
2. Куляпин П.С., Соколова Т.Ф. Прогноз коллекторов в разрезе баженовской свиты по материалам керна и геофизических исследований скважин // Изв. Томского политехнического университета. – 2015. – Т. 326. – № 1. – C. 118 – 133.
3. Cybenko G. Approximation by superpositions of a sigmoidal function // Mathematics of control, signals and systems. – 1989. – Т. 2. – № 4. – С. 303–314.
4. Al-Mudhafar W.J. Integrating well log interpretations for lithofacies classification and permeability modeling through advanced machine learning algorithms // Journal of Petroleum Exploration and Production Technology. – 2017. – Т. 7. – № 4. – P. 1023–1033.
5. Многомерный анализ данных ГИС и керна как инструмент петрофизической типизации пород бажено-абалакского комплекса / А.В. Хабаров, И.О. Ошняков, И.О. Александрова [и др.] // Каротажник. – 2019. – T. 300. – № 6. – C. 86–102.
6. Классификация пород Баженовской свиты / А.Э. Конторович, П.А. Ян, А.Г. Замирайлова [и др.] // Геология и геофизика. – 2016. – Т. 57. – № 11. – С. 2034–2043.
7. Kingma D.P., Ba J. Adam. A method for stochastic optimization // ArXiv:1412.6980. – 2014.
8. Goodfellow I., Bengio Y., Courville A. Deep learning. – Cambridge: MIT press. – 2016. – Т. 1. – № 2 – 787 p.
9. Особенности литологического состава основных типов разрезов баженовской свиты / В.Г. Эдер, А.Г. Замирайлова, Ю.Н. Занин, И.А. Жигульский // Геология нефти и газа. – 2015 – № 6 – С. 96–106.
