Стратиграфическое расчленение разреза по данным геофизических исследований скважин (ГИС) является основой всех видов геологических работ. При достаточно хорошем понимании геологического строения региона и особенностей залегания пластов стратиграфическая корреляция является рутинной задачей. Для облегчения работы специалистов предложен алгоритм автоматической корреляции, при реализации которого необходимо выбрать несколько опорных скважин, равномерно распределенных по площади. Как правило, принимается 20 % общего числа рассматриваемых скважин. В опорных скважинах корреляцию пластов проводит геолог, между ними – выбранный алгоритм, состоящий из нескольких этапов. На первом этапе осуществляется построение трехмерной геологической поверхности по данным опорных скважин. Это позволяет получить первое приближение стратиграфической границы. Далее в окрестности найденного первого приближения проводится детализация положения стратиграфической границы, для чего анализируется схожесть поведения кривых ГИС. В статье рассматриваются два подхода к оценке схожести: первый — классический метод, использующий целевую функцию, зависящую от коэффициента корреляции; второй — корреляция с применением нейронной сети. В рамках исследования были проведены эксперименты по оценке качества и производительности предложенных методов. Модели, использующие автоэнкодеры, показали относительно хорошие результаты при анализе тестовых данных. Эти подходы могут значительно ускорить работу геологов при проведении стратиграфической корреляции.
Список литературы
1. Hinton G.E., Salakhutdinov R.R. Reducing the dimensionality of data with neural networks // Science. – 2006. – V. 313. – № 5786. – Р. 504–507. - http://doi.org/10.1126/science.1127647
2. Ma H., Wei Y., Cui X. Image Denoising with Convolutional Autoencoders // IEEE International Conference on Systems, Man and Cybernetics (SMC). – 2018. –
Р. 3076–3081.
3. Qian S., Zhang S., Jia R. A New Method for Environmental Sound Classification Based on Convolutional Autoencoder // 14th IEEE Conference on Industrial Electronics and Applications (ICIEA). – 2019. – Р. 2644–2649.
4. Signature Verification Using A «Siamese» Time Delay Neural Network / J. Bromley, J.W. Bentz, L. Bottou [et al.] // International Journal of Pattern Recognition and Artificial Intelligence. – 1993. – V. 07 (04). – P. 669–688. - https://doi.org/10.1142/s0218001493000339
5. DeepFace: Closing the Gap to Human-Level Performance in Face Verification/ Y. Taigman, M. Yang, M. Ranzato, L. Wolf // IEEE Conference on Computer Vision and Pattern Recognition. – 2014. - https://doi.org/10.1109/cvpr.2014.220
6. Mueller J., Thyagarajan А. Siamese Recurrent Architectures for Learning Sentence Similarity // Proceedings of the AAAI Conference on Artificial Intelligence. – 2016. - V. 30 (1). – https://doi.org/10.1609/aaai.v30i1.10350
7. Koch G., Zemel R., Salakhutdinov R. Siamese neural networks for one-shot image recognition // ICML deep learning workshop. – 2015. – V. 2. – https://www.cs.cmu.edu/~rsalakhu/papers/oneshot1.pdf
