В настоящее время использование литологии для усреднения свойств горной породы является общим подходом при построении моделей механических свойств. В то же время при построении литологической модели напрямую не учитываются упругие свойства горных пород. В статье рассмотрено применение алгоритмов кластеризации для построения модели механических фаций. В качестве основы для кластеризации используются данные акустического каротажа. Процедура кластеризации проводится в пространстве динамических упругих модулей и приводит к разбиению разреза по вертикали на слои с похожими акустическими свойствами. В качестве основных используются распространенные алгоритмы машинного обучения, которые обеспечивают необходимое управление (выбор количества кластеров, автоматический расчет количества кластеров) и детерминированность решения. Кроме того, реализован метод голосования на основе всех используемых алгоритмов. Алгоритмы кластеризации реализованы в ПК «РН-СИГМА» в виде отдельного модуля. На одном практическом примере показано влияние минимальной допустимой толщины прослоев на результат кластеризации. Проведено сравнение результатов кластеризации по механическим фациям с результатами построения механической модели по литотипам, показаны общие свойства и различия. На основании построенной модели кластеризации выполнен дизайн гидроразрыва пласта для доманиковых отложений одного из месторождений. Показано влияние способа разбиения на результат моделирования гидроразрыва. Кроме того, показано, что время расчета существенно снижается при использовании кластеризации по сравнению с равномерным разбиением расчетной сетки по высоте. Использование инструмента кластеризации позволяет либо сократить время расчета конкретного дизайна гидроразрыва пласта, либо повысить его точность посредством увеличения дискретизации без увеличения времени расчета.
Список литературы
1. Николенко С.И., Тулупьев А.Л. Самообучающиеся системы. – М.: МЦНМО, 2009. – 288 с.
2. Мандель И.Д. Кластерный анализ. – М.: Финансы и Статистика, 1988. – 176 с.
3. Lance G.N., Williams W.T. A general theory of classificatory sorting strategies: 1. Hierarchical systems // Comp. J. – 1967. – № 9. – P. 373–380.
4. Integration K-Means Clustering Method and Elbow Method For Identification of The Best Customer Profile Cluster / M.A. Syakur, B.K. Khotimah [et al.]// IOP Conf. Series: Materials Science and Engineering. – 2018. – № 336. – P. 1–6.
5. Олдендерфер М.С., Блэшфилд Р.К. Кластерный анализ. Факторный, дискриминантный и кластерный анализ. – М.: Финансы и статистика, 1989. – 215 с.
6. Rand W.M. Objective criteria for the evaluation of clustering methods // Journal of the American Statistical Association. – 1971. – № 66 (336). – P. 846–850. – doi:10.2307/2284239.
7. Novikov A. PyClustering: Data Mining Library // Journal of Open Source Software. – 2019. – № 4(36). – 1230 p. – https://pyclustering.github.io/docs/0.9.2/html/index.html
8. Kuhn H.W. The Hungarian Method for the assignment problem // Naval Research Logistics Quarterly. – 1955. – V. 2. – Issue 1–2. – P. 83–97. – https://doi.org/10.1002/nav.3800020109
