Карбонатные отложения являются важными и перспективными объектами изучения, однако особенности их геологического строения и значительная изменчивость свойств горных пород создают определенные трудности при выделении продуктивных интервалов. При традиционном подходе интервалы коллекторов выделяются на основе петрофизического моделирования и применения данных расширенного комплекса геофизических исследований скважин (ГИС). Петрофизическое моделирование позволяет определить основные характеристики пород по результатам лабораторных исследований образцов керна. Тем не менее, в ряде случаев (например, при отсутствии в скважине данных специальных методов каротажа и керновых исследований) качество прогноза коллекторских свойств существенно снижается вплоть до невозможности применения моделей на практике. Для решения таких задач на изучаемых месторождениях необходимо использование новых методов интерпретации данных ГИС. В статье предлагается подход к восстановлению данных акустического и плотностного каротажей на основе применения методов искусственного интеллекта в автоматизированном многоскважинном режиме. Это позволит автоматизировать процесс интерпретации геофизической информации и повысить эффективность петрофизического моделирования в карбонатном разрезе. Полученные результаты открывают перспективы для дальнейшего применения искусственного интеллекта в геофизике.
Список литературы
1. Влияние аномальной радиоактивности на выделение эффективных толщин в карбонатных отложениях артинского яруса / А.Р. Сербаева, Е.А. Качкаева, Д.Д. Сулейманов, Г.Р. Аминева // Нефтяное хозяйство. – 2023. –№ 11. – С. 73–77. –http://doi.org/10.24887/0028-2448-2023-11-73-77
2. Комплексная интерпретация материалов ГИС каширо-подольских отложений с применением нейронных сетей / О.Р. Привалова, Д.Д. Гаделева, Г.И. Минигалиева [и др.] // Нефтегазовое дело. – 2021. – Т.19. – № 1. – С. 69–76. – http://doi.org/10.17122/ngdelo-2021-1-69-76.
3. Плас Д.В. Python для сложных задач: наука о данных и машинное обучение. – СПб.: Питер, 2018. – 576 с. – ISBN 978-5-496-03068-7.
4. Казарян А.А., Лубянская Е.А. Подходы к автоматизации поиска интервалов разрушенного ствола скважины при построении интерпретационной модели по данным ГИС // Сборник научных материалов XXIV Уральской молодежной научной школы по геофизике. – 2023. – С. 89–93. – ISBN 978-5-903258-47-5.
5. Казарян А.А., Лубянская Е.А., Марков А.В. Выделение коллекторов с применением алгоритмов машинного обучения // Сборник материалов международной научно-практической конференции «ГеоСочи-2024. Новые идеи и технологии разведочной и промысловой геофизики». – 2024. – C. 110–113. –
ISBN 978-5-6051693-3-8.
6. Кузнецова И.О., Малютов Д.А. Принцип работы и архитектура нейронных сетей // Евразийская интеграция: современные тренды и перспективные направления. – 2024. – Т.7. – С. 106–111. – http://doi.org/10.24412/cl-37031-2024-2-106-111
7. Применение методов машинного обучения для петрофизической интерпретации сложнопостроенного геологического разреза / М.А. Басыров,
А.В. Сергейчев, И.Д. Латыпов [и др.] // Нефтяное хозяйство. – 2024. – № 3. – С. 20–25. – http://doi.org/10.24887/0028-2448-2024-3-20-25
