Применение нейронных сетей для комплексного фациального анализа
на основе данных ГИС и сейсмики
(на примере Шаимского НГР)
на основе данных ГИС и сейсмики
(на примере Шаимского НГР)
Медведев Н.Р.
Тюменский индустриальный университет
В работе представлены результаты применения методов машинного обучения для построения детальной фациальной модели сложнопостроенного терригенного резервуара в условиях ограниченного объема эталонных данных. Исследование выполнено на территории Шаимского нефтегазоносного района, где целевой интервал представлен отложениями меандрирующих и ветвящихся русел, характеризующихся высокой литологической неоднородностью. Для решения задачи использован комплексный подход, сочетающий анализ данных геофизических исследований скважин (ГИС) и сейсморазведки 3D. Классификация фаций по данным ГИС выполнена с помощью алгоритмов машинного обучения в среде Orange Data Mining. На эталонных скважинах, имеющих полный комплекс исследований керна и ГИС, проведено обучение модели методом контролируемой классификации. Полученная модель применена для прогнозирования фаций по данным ГИС в скважинах, где отсутствует керн. Для объемного прогнозирования распространения фаций использованы возможности сейсмической атрибутизации и машинного обучения в программных комплексах OpendTect и IP Сейсмик. Проведено сравнение результатов прогноза, полученных исключительно по данным ГИС,
и прогноза, интегрированного с сейсмическими данными. Показана высокая сходимость результатов в точках расположения скважин, что подтверждает репрезентативность и устойчивость примененных методов. Установлено, что расхождения между подходами возрастают при экстраполяции в межскважинное пространство, что подчеркивает критическую важность интеграции сейсмических данных для построения достоверной модели.
и прогноза, интегрированного с сейсмическими данными. Показана высокая сходимость результатов в точках расположения скважин, что подтверждает репрезентативность и устойчивость примененных методов. Установлено, что расхождения между подходами возрастают при экстраполяции в межскважинное пространство, что подчеркивает критическую важность интеграции сейсмических данных для построения достоверной модели.
Введение
Современная интерпретация данных геолого-геофизических исследований сталкивается
с парадоксом: при росте объемов собираемых данных количество скважин, имеющих полный комплекс исследований (керн, ГИС, сейсмика), часто остается ограниченным. Эта проблема особенно остро стоит при изучении сложнопостроенных терригенных резервуаров, где высокая латеральная и вертикальная неоднородность требует построения детальных фациальных моделей. Традиционные методы интерпретации в таких условиях становятся трудоемкими и подвержены влиянию субъективного фактора. Выходом является применение методов машинного
обучения (МО), способных выявлять сложные, нелинейные зависимости в данных и экстраполировать эталонную информацию на скважины без керна и межскважинное
пространство [4, 5].
с парадоксом: при росте объемов собираемых данных количество скважин, имеющих полный комплекс исследований (керн, ГИС, сейсмика), часто остается ограниченным. Эта проблема особенно остро стоит при изучении сложнопостроенных терригенных резервуаров, где высокая латеральная и вертикальная неоднородность требует построения детальных фациальных моделей. Традиционные методы интерпретации в таких условиях становятся трудоемкими и подвержены влиянию субъективного фактора. Выходом является применение методов машинного
обучения (МО), способных выявлять сложные, нелинейные зависимости в данных и экстраполировать эталонную информацию на скважины без керна и межскважинное
пространство [4, 5].
Целью данной работы является апробация комплексного подхода к фациальному анализу на основе нейронных сетей, использующего интеграцию данных ГИС и сейсморазведки для условий Шаимского НГР с малым массивом эталонных данных.
Рис. 1. Стратиграфические RGB срезы. Определение целевого интервала
Объект исследований, данные и методика
Объектом исследований является среднеюрский терригенный комплекс в пределах Шаимского НГР, представленный пластами Ю3–Ю4. Целевой интервал сложен отложениями фаций ветвящихся и меандрирующих русел, представленных русловыми песчаниками, галечниками, алеврито-глинистым материалом, прослоями углей и фрагментами корневой системы. Характерной особенностью является наличие русловых врезов, заполненных песчаным материалом.
Для исследований использован массив данных, включающий:
- данные ГИС по 160 скважинам;
- результаты литолого-петрофизических исследований керна для 11 скважин («эталонные скважины»);
- данные 3D-сейсморазведки.
Рис. 2. Классификация тел руслового генезиса с привлечением нейросетей
Методика работы включала два основных этапа:
1. Классификация фаций по данным ГИС в среде Orange
На основе эталонных скважин была обучена модель нейронной сети (метод контролируемого обучения) для классификации литофаций по комплексу кривых ГИС. Обучение контролировалось и валидировалось методом перекрестного исключения (cross-validation) эталонных скважин. Обученная модель применена для прогнозирования фаций в остальных 149 скважинах.
1. Классификация фаций по данным ГИС в среде Orange
На основе эталонных скважин была обучена модель нейронной сети (метод контролируемого обучения) для классификации литофаций по комплексу кривых ГИС. Обучение контролировалось и валидировалось методом перекрестного исключения (cross-validation) эталонных скважин. Обученная модель применена для прогнозирования фаций в остальных 149 скважинах.
2. Объемный фациальный анализ с интеграцией сейсмических данных
Для прогнозирования пространственного распределения фаций использованы программные комплексы OpendTect и IP Сейсмик. В OpendTect проведена спектральная декомпозиция для выделения русел, однако попытка построения объемной фациальной модели не увенчалась успехом. Наилучшие результаты получены в IP Сейсмик. На основе стратиграфических RGB-атрибутов был определен оптимальный интервал (Ю3–Ю4), и с использованием встроенных алгоритмов машинного обучения рассчитан куб вероятности принадлежности к классу «русловой песчаник». На заключительном этапе эталонные данные по скважинам были использованы для обучения и валидации сейсмической фациальной модели.
Для прогнозирования пространственного распределения фаций использованы программные комплексы OpendTect и IP Сейсмик. В OpendTect проведена спектральная декомпозиция для выделения русел, однако попытка построения объемной фациальной модели не увенчалась успехом. Наилучшие результаты получены в IP Сейсмик. На основе стратиграфических RGB-атрибутов был определен оптимальный интервал (Ю3–Ю4), и с использованием встроенных алгоритмов машинного обучения рассчитан куб вероятности принадлежности к классу «русловой песчаник». На заключительном этапе эталонные данные по скважинам были использованы для обучения и валидации сейсмической фациальной модели.
Рис. 3. Классификация тел руслового генезиса с привлечением нейросетей
Применение алгоритмов машинного обучения в среде Orange позволило с высокой достоверностью распространить фациальную характеристику с 11 эталонных скважин на весь массив из 160 скважин. Визуальный анализ и перекрестная проверка подтвердили адекватность работы модели.
Анализ результатов, полученных в IP Сейсмик, показал четкую связь между аномалиями сейсмических атрибутов и распространением русловых тел. Обучение сейсмической модели на эталонных скважинах позволило получить карту распределения фаций, которая коррелирует с результатами, полученными исключительно по данным ГИС.
Анализ результатов, полученных в IP Сейсмик, показал четкую связь между аномалиями сейсмических атрибутов и распространением русловых тел. Обучение сейсмической модели на эталонных скважинах позволило получить карту распределения фаций, которая коррелирует с результатами, полученными исключительно по данным ГИС.
Ключевым результатом стало прямое сопоставление двух независимых прогнозов: на основе ГИС (Orange) и на основе интегрированного анализа ГИС и сейсмики (IP Сейсмик). В точках расположения скважин наблюдается однозначная корреляция результатов, что подтверждает надежность и непротиворечивость обоих подходов. Это позволяет использовать полученные результаты в качестве основы для построения трехмерной геологической модели.
Рис. 4. Сопоставление классификаций по скважинным данным и сейсмике
Важным наблюдением является то, что при удалении от точек скважин расхождения между прогнозами, основанными только на ГИС и на интегрированном подходе, увеличиваются. Это является закономерным результатом и подчеркивает критическую важность интеграции сейсмических данных для экстраполяции фациальной характеристики в межскважинное пространство, особенно в условиях редкой сети скважин.
Проведенное исследование демонстрирует эффективность комплексного применения методов машинного обучения и современного программного обеспечения для решения актуальной геологической задачи — построения детальной фациальной модели в условиях дефицита эталонных данных.
В ходе работы был успешно апробирован методический подход, включающий:
• анализ и формирование массива данных керна и ГИС для обучения нейронных сетей;
• использование среды Orange для эффективного прогнозирования фаций по данным ГИС на скважины без керна;
• применение отечественного программного обеспечения (IP Сейсмик) для построения объемной фациальной модели с интеграцией сейсмических данных;
• сопоставление и валидацию результатов, полученных по разным независимым методам (анализ только ГИС и интегрированный анализ ГИС+сейсмика).
Установленная высокая сходимость результатов в точках скважин подтверждает корректность примененных методов и позволяет рекомендовать данный подход для использования в аналогичных геологических условиях. Наблюдаемое увеличение расхождений между прогнозами в межскважинном пространстве доказывает необходимость интеграции всех видов геолого-геофизической информации для построения наиболее достоверных и точных геологических моделей.
Перспективы исследований связаны с совершенствованием методики за счет применения более сложных архитектур нейронных сетей (в частности, сверточных для анализа сейсмических образов) и разработкой комплексных технологических схем обработки данных, позволяющих минимизировать субъективный фактор на всех этапах интерпретации.
• анализ и формирование массива данных керна и ГИС для обучения нейронных сетей;
• использование среды Orange для эффективного прогнозирования фаций по данным ГИС на скважины без керна;
• применение отечественного программного обеспечения (IP Сейсмик) для построения объемной фациальной модели с интеграцией сейсмических данных;
• сопоставление и валидацию результатов, полученных по разным независимым методам (анализ только ГИС и интегрированный анализ ГИС+сейсмика).
Установленная высокая сходимость результатов в точках скважин подтверждает корректность примененных методов и позволяет рекомендовать данный подход для использования в аналогичных геологических условиях. Наблюдаемое увеличение расхождений между прогнозами в межскважинном пространстве доказывает необходимость интеграции всех видов геолого-геофизической информации для построения наиболее достоверных и точных геологических моделей.
Перспективы исследований связаны с совершенствованием методики за счет применения более сложных архитектур нейронных сетей (в частности, сверточных для анализа сейсмических образов) и разработкой комплексных технологических схем обработки данных, позволяющих минимизировать субъективный фактор на всех этапах интерпретации.
- Әбдіманап Ғ.С., Бостанбеков К.А., Алимова А.Н. и др. Кластеризация литотипов на основе визуальных признаков кернов с помощью сверточных нейронных сетей и K-Means // Вестник нефтегазовой отрасли Казахстана. 2024. Т. 6. № 2. С. 25–38.
- Жидков Р.Ю., Абакумова Н.В., Ракитина Н.Н. Оценка точности и достоверности инженерно-геологических моделей на основе принципов машинного обучения // Геоэкология. Инженерная геология, гидрогеология, геокриология. 2023. № 6. С. 4–15.
- Оксенчук Т.А. Применение машинного обучения в геологии // Вестник науки. 2025. Т. 4. № 6. С. 1286–1294.
- Ali M., Jiang R., Ma H. et al. Machine learning – A novel approach of well logs similarity based on synchronization measures to predict shear sonic logs. Journal of Petroleum Science and Engineering, 2021, Vol. 203, Article 108602. (In Eng)
- Hall B. Facies classification using machine learning. The Leading Edge, 2016, Vol. 35, issue 10, P. 35-45. (In Eng).
- Oliver D. Diagnosing reservoir model deficiency for model improvement. Journal of Petroleum Science and Engineering, 2020, Vol. 193, Article 107363. (In Eng)
- Wu X., Liang L et al. FaultSeg3D: Using synthetic data sets to train an end-to-end convolution neural network for 3D seismic fault segmentation. Geophysics, 2019, Vol. 84, issue 3, P. IM35–IM45. (In Eng).
- Zhang P.Y., Sun J.M. et al. Deep learning method for lithology identification from borehole images. 79th EAGE Conference and Exhibition. 2017. P. 1–5. (In Eng).
Медведев Н.Р.
Тюменский индустриальный университет,
Тюмень, Россия
medvedevnr@gmail.com
Тюменский индустриальный университет,
Тюмень, Россия
medvedevnr@gmail.com
Для построения фациальной модели применен комплексный подход. На эталонных скважинах с полным комплексом ГИС и керна проведена контролируемая классификация в Orange Data Mining. Обученная модель использована для прогноза фаций по ГИС. Для объемного моделирования применены сейсмическая атрибутика и машинное обучение в OpendTect и IP Сейсмик. Выполнено сравнение прогнозов по ГИС и интегрированного подхода.
машинное обучение, нейронные сети, фациальный анализ, сейсмическая атрибутика, данные ГИС, Orange Data Mining, OpendTect, IP Сейсмик, Шаимский НГР
Медведьев Н.Р. Применение нейронных сетей для комплексного фациального анализа на основе данных ГИС и сейсмики (на примере Шаимского НГР) // Экспозиция Нефть Газ. 2025. № 6. C. 40–43. DOI: 10.24412/2076-6785-2025-6-40-43
25.09.2025
УДК 553.9
DOI: 10.24412/2076-6785-2025-6-40-43
DOI: 10.24412/2076-6785-2025-6-40-43
Рекомендуемые статьи
© Экспозиция Нефть Газ. Научно-технический журнал. Входит в перечень ВАК
+7 (855) 222-12-84