Опыт использования нейронных сетей Колмогорова при прогнозе карт эффективных толщин и построении объемной модели клиноформного резервуара в Западной Сибири

UDK: 519.868:55
DOI: 10.24887/0028-2448-2021-12-11-15
Ключевые слова: машинное обучение, нейронные сети, сейсмические атрибуты, клиноформные отложения
Авт.: Д.С. Брюшина (Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»)), А.А. Спирин (Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»)), И.И. Приезжев (РГУ нефти и газа (НИУ) имени И.M. Губкина), А.С. Хайдаров (Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»)), И.И. Хисамутдинов (Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»))

В статье представлен опыт применения алгоритмов машинного обучения на цифровых данных одного из месторождений Западной Сибири. Приведены примеры результатов классического анализа, выполненного для поиска связей, и работы нейронных сетей в рамках создания постоянно действующей концептуальной 3D геологической модели. При анализе месторождений со сложным клиноформным строением часто возникает проблема подбора единого площадного сейсмического атрибута для прогнозирования эффективных толщин и фильтрационно-емкостных свойств (пористости, насыщенности и др.) в межскважинном пространстве. Одним из вариантов решения этой проблемы может стать использование карт (или кубов) трендов, сгенерированных при помощи нейронных сетей. В качестве анализируемых данных использованы сейсмический амплитудный куб; структурные поверхности, ограничивающие интервал поиска и участвующие в генерации низкочастотной модели. Основой для обучения нейронной сети стали материалы геофизических исследований скважин и значения эффективных толщин, снятые в точках скважин. В результате проведения расчетов сгенерированные карты и «кубы» для прогнозирования искомого параметра (эффективные толщины) в вариантах Р10, Р50, Р90, а также получены значения среднеквадратичного отклонения. Оценка качества полученных результатов выполнена путем подбора оптимальных параметров алгоритма, а также путем сравнения результатов  концептуальными представлениями и фактическими скважинными данными. В рамках статьи рассмотрены методика настройки алгоритмов машинного обучения и способы оценки качества результатов. Выполнено сравнение классических атрибутов и атрибутов, сгенерированных нейронными сетями. Получены прогнозные карты эффективных толщин (2D), а также кубы (3D) для месторождения Западной Сибири. Преимущества применения описанной методики подтверждено результатами бурением скважин.

Список литературы

1. Priezzhev I.I. New age, Kolmogorov full functional neural network usage for nonlinear predictive seismic inversion  // EAGE. Saint Petersburg 2020. –  V. 2020. – P. 1–5. – DOI: https://doi.org/10.3997/2214-4609.202053084

2. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одного переменного и сложения // Доклады Академии наук СССР. – 1957. – Т. 114. – С. 953–956.

3. Kobrunov A. Priezzhev I. Hybrid combination genetic algorithm and controlled gradient method to train a neural network // Geophysics. – 2016. – V. 81 (4). – P. 1–9. – DOI:10.1190/geo2015-0297.1.

4. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. – М.: Наука, 1979. – 223 c.


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