Предложен способ типизации сложных геологических разрезов ачимовских отложений с применением классификации и кластеризации по геологическим, геомеханическим, петрофизическим параметрам для дальнейшего применения полученных результатов при прогнозе показателей разработки на новых участках бурения нефтяных месторождений и подборе технологий для геолого-технических мероприятий. В качестве целевого объекта рассмотрены восемь пластов ачимовских отложений Приобского месторождения, характеризующихся сложным минерально-компонентным составом, низкими фильтрационно-емкостными свойствами (ФЕС) и плохой связностью коллекторов. По данным геофизических исследований скважин и изучения кернового материала рассчитаны ФЕС, индекс хрупкости, минеральные макрокомпоненты, на основе которых получены интегральные характеристики разреза для каждой скважины: толщина интервалов коллектора, средние значения ФЕС. В качестве геологической разметки использована экспертная оценка фациального зонирования осадконакопления. Решена задача классификации при помощи нейронных сетей LSTM. Выполнена кластеризация на основе метода k-средних «без учителя» по интегральным характеристикам разреза с учетом весов, показано, что выбранный способ кластеризации с учетом весов, позволяет прогнозировать фациальные зоны осадконакопления. В результате на фонде скважин Приобского месторождения, характеризующихся уникальными добычными характеристиками, получена разметка классов для пластов ачимовских отложений.
Список литературы
1. Калмыков Г.А. Методика определения минерально-компонентного состава терригенных пород в разрезах нефтегазовых скважин по данным комплекса ГИС, включающего спектрометрический ГК: дисс. ... канд. техн. наук. – М., ВНИИгеосистем, 2001.
2. Особенности построения объемной минералогической модели для пород со сложным компонентным составом / О.В. Надеждин, Г.Г. Елкибаева, Л.Р. Шагимарданова [и др.] // Нефтяное хозяйство. – 2020. – № 5. – С. 36–40. - http://doi.org/10.24887/0028-2448-2020-5-36-41
3. Paatero P., Tapper U. Positive matrix factorization: A non-negative factor model with optimal utilization of error estimates of data values // Environmetrics. – 1994. – V. 5. – no. 2. – P. 111–126. – https://doi.org/10.1002/ENV.3170050203
4. Меркулов В.П., Посысоев А.А. Оценка пластовых свойств и оперативный анализ каротажных диаграмм. – Томск: ТПУ, 2004. – 176 c.
5. Hochreiter S., Schmidhuber J. Long short-term memory // В: Neural computation. – 1997. – 9.8. – P. 1735–1780. - DOI: https://doi.org/10.1162/neco.1997.9.8.1735
6. Gorban A.N., Zinovyev A.Y. Principal Graphs and Manifolds // Handbook of Research on Machine Learning Applications and Trends: Algorithms, Methods and Techniques. – 2009. – Р. 28–59.
7. Воронцов К.В. Лекции по алгоритмам кластеризации и многомерного шкалирования. htpp: // www.ccas.ru/voron/download/Clustering.pdf (дата обращения: 17.04.2015).
8. Автоматизированный интеллектуальный помощник в выборе систем разработки объектов с трудноизвлекаемыми запасами / А.В. Сергейчев, К.В. Торопов, М.С. Антонов [и др.] // Нефтяное хозяйство. – 2020. – № 10. – 2020. – С. 76–81. - https://doi.org/10.24887/0028-2448-2020-10-76-81
