В последние годы возрастает значимость вовлечения в разработку трудноизвлекаемых запасов, сосредоточенных в коллекторах сложного строения, которые не могут быть выделены стандартным способом по граничному значению открытой пористости в силу необходимости обоснования моделей порового пространства и оценки пористости по данным геофизических исследований скважин (ГИС), а также граничного значения для различных типов коллекторов. Метод ядерно-магнитного каротажа (ЯМК) дает возможность выделить все типы коллекторов в разрезе, поскольку его показания зависят главным образом от содержания свободного флюида в горной породе, и он напрямую позволяет оценить эффективную пористость в разрезе. В статье предлагается способ моделирования эффективной пористости по данным радиоактивного комплекса ГИС с использованием методов машинного обучения на данных фактических замеров ЯМК в разрезе ачимовской толщи. Применение методов машинного обучения дает возможность учитывать вариативность исходных данных и обеспечивает более детализированное описание участков экстремумов каротажных кривых по сравнению с линейными моделями. Особенностью подхода является применение ансамблирования моделей нейронных сетей и лесов деревьев решений. Подход позволил дополнительно выделить интервалы коллекторов, провести переоценку эффективных толщин и рассмотреть перспективы изучаемых толщ.
Список литературы
1. Ханин А.А. Породы-коллекторы нефти и газа нефтегазоносных провинций СССР. – М.: Недра, 1973. – 304 с.
2. Булгаков Р.Б. Исследования геологического разреза скважин. Т. 2. – Уфа: Информреклама, 2010. – 240 с.
3. Дахнов В.Н. Геофизические методы определения коллекторских свойств и нефтегазонасыщения горных пород. – М.: Недра, 1985. – 310 с.
4. Coates G.R., Xiao L., Prammer M.G. Nuclear magnetic resonance. Principles and application. – Houston: Halliburton Energy Service, 1999. – 346 p.
5. Комплексная интерпретация материалов ГИС каширо-подольских отложений с применением нейронных сетей / О.Р. Привалова, Д.Д. Гаделева, Г.И. Минигалиева [и др.] // Нефтяное хозяйство. – 2021. – № 1. – С. 69–76. - http://doi.org/10.17122/ngdelo-2021-1-69-76
6. Mitchell T.M. Machine Learning. – McGraw-Hill, 1997. – 414 p.
7. Hamada G., Ahmed E., Chao N. Artificial Neural Network (ANN) Prediction of Porosity and Water Saturation of Shaly Sandstone Reservoirs // Advances in Applied Science Research. - 2018. – No. 8. - P. 26-31. - https://www.primescholars.com/articles/artificial-neural-network-ann-prediction-of-porosity-and-water-saturation-of-shaly-sandstone-reservoirs.pdf
