Прогнозирование распределения электрофаций пласта Ю1 с использованием машинного обучения: методический подход для условий сложной сейсмогеологической обстановки
Сентюрев Н.В., Медведев Н.Р.
Тюменский индустриальный университет
Тюменский индустриальный университет
В статье предложен методический подход к прогнозированию распределения электрофаций пласта Ю1 верхнеюрских отложений на основе методов машинного обучения. Исследование направлено на решение задачи автоматизированной интерпретации больших объемов данных геофизических исследований скважин (ГИС) в условиях, когда традиционный сейсмофациальный анализ оказывается малоинформативным из-за влияния баженовской свиты. Разработанный подход реализован в среде визуального программирования Orange Data Mining с использованием искусственной нейронной сети типа MLP, обученной на массиве из 485 скважин. Валидация модели на независимой выборке показала точность классификации 88,4 %. Метод позволил выполнить прогноз электрофаций для 45 ранее неинтерпретированных скважин. На основе этих данных сформирован детальный прогнозный сценарий пространственного распределения фаций, формирующий надежную основу для построения высокодетализированной фациальной модели и уточнения контуров продуктивных тел.
Введение
Современная нефтегазовая геология характеризуется нарастающим объемом разнородных данных при одновременном усложнении объектов изучения. Этот парадокс создает вызов для традиционных методов интерпретации, эффективность которых часто ограничена субъективными факторами и высокой трудоемкостью рутинных операций. Особенно остро проблема стоит при детальном фациальном моделировании терригенных резервуаров, где точность построения геологической модели напрямую влияет на экономику разработки [3]. В этих условиях методы машинного обучения (МО) становятся необходимым инструментом, позволяющим выявлять сложные нелинейные зависимости в многомерных массивах данных, таких как комплексы кривых ГИС, и минимизировать влияние человеческого фактора [2].
Актуальность работы усиливается спецификой сейсмогеологических условий исследуемого участка. Наличие в разрезе аномального бажена (рис. 1), создающего интенсивную амплитудную аномалию, существенно искажающего сейсмический образ вышележащих отложений, включая целевой пласт Ю1, делает стандартный сейсмофациальный анализ малоэффективным, что согласуется с выводами, полученными в предыдущих исследованиях авторов по другим
объектам [1]. Таким образом, возникает необходимость в разработке альтернативных, не зависимых от сейсмики подходов к построению детальных фациальных моделей. Целью данной работы являются разработка и апробация методики прогнозирования электрофаций пласта Ю1 на основе машинного обучения для построения достоверной фациальной модели в условиях ограниченной информативности сейсмических данных.
объектам [1]. Таким образом, возникает необходимость в разработке альтернативных, не зависимых от сейсмики подходов к построению детальных фациальных моделей. Целью данной работы являются разработка и апробация методики прогнозирования электрофаций пласта Ю1 на основе машинного обучения для построения достоверной фациальной модели в условиях ограниченной информативности сейсмических данных.
Рис. 1. Срез амплитудной RGB декомпозиции и распределение сейсмофаций в интервале пласта Ю1
Объект исследований, данные и методика
Объектом исследований является пласт Ю1 верхнеюрских отложений, формирование которого происходило в келловейском веке в условиях обширной морской трансгрессии. Территория представляла собой мелководный морской бассейн, в котором вдоль побережья формировались протяженные песчаные гряды, разделенные глинистыми перемычками. Распределение песчаного материала контролировалось комбинацией факторов: поставкой осадков дельтовыми потоками, их последующей переработкой волновой деятельностью и вдольбереговыми течениями, а также эрозией в периоды кратковременных регрессий. Подобная обстановка благоприятна для формирования как структурных, так и структурно-литологических ловушек углеводородов.
Материалы и методика
Исходными материалами для исследования послужили данные по 485 скважинам, включающие стандартный комплекс кривых ГИС и результаты интерпретации электрофаций, выполненные экспертами-геофизиками. Электрофации, отражающие литолого-фациальную принадлежность пород по их геофизическому отклику, использовались в качестве целевых переменных.
Все вычислительные эксперименты и моделирование были реализованы в среде визуального программирования для анализа данных и машинного обучения Orange Data Mining [4, 6]. Выбор данной платформы обусловлен ее доступностью, открытым исходным кодом и удобством создания наглядных рабочих процессов (workflow) для геологов, не являющихся профессиональными программистами [7, 8].
Методика работы включала несколько последовательных этапов, реализованных в виде workflow в Orange. На первом этапе был сформирован и подготовлен единый массив данных: для каждой скважины по интервалу пласта Ю1 были усреднены значения кривых ГИС с помощью соответствующих виджетов, что позволило перейти от анализа временных рядов к табличным данным. Далее общий массив был случайным образом разделен на обучающую (70 % скважин,
339 объектов) и контрольную (30 % скважин, 146 объектов) выборки с использованием виджета Data Sampler. Контрольная выборка была полностью изолирована от процесса обучения и использовалась исключительно для объективной оценки качества построенной модели.
339 объектов) и контрольную (30 % скважин, 146 объектов) выборки с использованием виджета Data Sampler. Контрольная выборка была полностью изолирована от процесса обучения и использовалась исключительно для объективной оценки качества построенной модели.
Для решения задачи классификации было проведено сравнительное тестирование трех алгоритмов машинного обучения, доступных в Orange: метода k-ближайших соседей (KNN),
алгоритма случайного леса (Random Forest) и многослойного перцептрона с обратным распространением ошибки (MLP) [5, 6].
Наилучшие результаты в ходе предварительного тестирования с использованием виджета Test and Score продемонстрировал алгоритм MLP, который и был выбран для дальнейшего углубленного обучения и итогового прогноза. Обученная модель была применена для прогнозирования электрофаций (рис. 2).
алгоритма случайного леса (Random Forest) и многослойного перцептрона с обратным распространением ошибки (MLP) [5, 6].
Наилучшие результаты в ходе предварительного тестирования с использованием виджета Test and Score продемонстрировал алгоритм MLP, который и был выбран для дальнейшего углубленного обучения и итогового прогноза. Обученная модель была применена для прогнозирования электрофаций (рис. 2).
Рис. 2. Распределение скважин по типу электрофаций: а — исходное; б — результат прогноза с исключением из обучения 30 % скважин
Валидация итоговой модели на независимой контрольной выборке подтвердила ее высокую эффективность. Некорректный прогноз типа электрофации был получен для 17 скважин из 146, что соответствует общей точности модели 88,4 %. Анализ характера ошибок показал, что в большинстве случаев модель ошибочно относила скважины к смежным классам электрофаций, имеющим схожие параметры кривых ГИС (рис. 3).
Рис. 3. Скважины с неверным результатом классификации электрофаций
Например, наблюдалась взаимная путаница между прибрежными песчаными фациями и фациями подводных валов. Это свидетельствует не о недостатке метода, а об объективной сложности разделения определенных генетических типов отложений исключительно по данным ГИС, что является известной проблемой в промысловой геофизике.
Ключевым практическим результатом стало применение обученной модели
для восполнения пробелов в исходных данных (рис. 4).
для восполнения пробелов в исходных данных (рис. 4).
Рис. 3. Скважины с неверным результатом классификации электрофаций
Для 45 скважин на исследуемом участке изначально отсутствовала экспертная интерпретация электрофаций. Прогноз, выполненный моделью, позволил включить эти скважины в общую фациальную схему. Полученное распределение электрофаций по всему фонду скважин (включая спрогнозированные) логично вписывается в существующие геологические представления о строении участка и демонстрирует непротиворечивую пространственную закономерность. На основе этих данных сформирован детальный прогнозный сценарий пространственного распределения фаций пласта Ю1 в границах исследуемой площади. Полученные результаты формируют надежную основу для последующего построения высокодетализированной фациальной модели и позволяют более обоснованно выделять зоны развития песчаных коллекторов, корректируя контуры потенциально продуктивных тел.
Проведенное исследование подтвердило эффективность применения методов машинного обучения для решения задачи прогнозирования электрофаций и построения детальных фациальных моделей в условиях, когда использование сейсмических данных затруднено.
Разработанная методика, основанная на применении нейронной сети MLP и реализованная в среде Orange Data Mining, показала высокую точность (88,4 %) при валидации на независимой выборке. Полученные результаты имеют конкретную практическую ценность: метод позволил выполнить интерпретацию для 45 ранее неохарактеризованных скважин. На основе прогноза сформирован детальный сценарий распределения фаций, который служит прямой и надежной основой для построения формализованной фациальной модели исследуемого участка.
Таким образом, применение машинного обучения представляет собой надежный альтернативный подход к фациальному анализу для территорий со сложной сейсмогеологической обстановкой. Разработанный workflow, реализованный в среде Orange, может быть успешно адаптирован для изучения аналогичных объектов на других месторождениях Западно-Сибирской нефтегазоносной провинции.
Таким образом, применение машинного обучения представляет собой надежный альтернативный подход к фациальному анализу для территорий со сложной сейсмогеологической обстановкой. Разработанный workflow, реализованный в среде Orange, может быть успешно адаптирован для изучения аналогичных объектов на других месторождениях Западно-Сибирской нефтегазоносной провинции.
- Медведев 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.
- Потехин Д.В., Галкин С.В. Применение технологии машинного обучения при моделировании распределения литотипов на пермокарбоновой залежи нефти Усинского месторождения // Записки Горного института. 2023. Т. 259. С. 41–51.
- Старцев В.А., Буслаев Г.В., Коноплянников А.В. Анализ опыта применения методов машинного обучения при бурении нефтяных и газовых скважин // Строительство нефтяных и газовых скважин на суше и на море. 2023. № 9. С. 15–24.
- Alkroosh I.S., Bahadori M., Nikraz H., Bahadori A. Regressive approach for predicting bearing capacity of bored piles from cone penetration test data. Journal of Rock Mechanics and Geotechnical Engineering, 2015, Vol. 7, issue 5, P. 584–592. (In Eng).
- Anemangely M., Ramezanzadeha A., Amiria H., Hoseinpour S.-Ah. Machine learning technique for the prediction of shear wave velocity using petrophysical logs. Journal of Petroleum Science and Engineering, 2019, Vol. 174, P. 306–327. (In Eng).
- Demšar J., Tomaž Curk T., Erjavec A. et al. Orange: data mining toolbox in Python. Journal of Machine Learning Research, 2013, Vol. 14, P. 2349–2353. (In Eng).
- Pochet A., Pedro H.B. Diniz, Lopes H., Gattass M. Seismic fault detection using convolutional neural networks trained on synthetic data. IEEE Geoscience and Remote Sensing Letters, 2019, Vol. 16, issue 3, P. 352–356. (In Eng).
- Zhang P.Y., Sun J.M., Jiang Y.J., Gao J.S. Deep learning method for lithology identification from borehole images. 79th EAGE Conference and Exhibition, 2017, P. 1–5. (In Eng).
Сентюрев Н.В., Медведев Н.Р.
Тюменский индустриальный университет, Тюмень, Россия
medvedevnr@gmail.com
Тюменский индустриальный университет, Тюмень, Россия
medvedevnr@gmail.com
Для построения модели использованы данные 485 скважин, включающие кривые ГИС и экспертные электрофации. Рабочий процесс реализован в среде Orange Data Mining. Массив случайно разделен на обучающую (70 %) и контрольную (30 %) выборки. Проведено сравнительное тестирование алгоритмов KNN, Random Forest и MLP. Наилучший алгоритм (MLP) применен для прогноза электрофаций в неинтерпретированных скважинах.
прогнозирование электрофаций, машинное обучение, пласт Ю1, верхнеюрские отложения, сейсмогеологические условия, геологическая модель, Orange Data Mining
Сентюрев Н.В., Медведев Н.Р. Прогнозирование распределения электрофаций пласта Ю1
с использованием машинного обучения: методический подход для условий сложной сейсмогеологической обстановки // Экспозиция Нефть Газ. 2025. № 7. C. 84–87.
DOI: 10.24412/2076-6785-2025-7-84-87
с использованием машинного обучения: методический подход для условий сложной сейсмогеологической обстановки // Экспозиция Нефть Газ. 2025. № 7. C. 84–87.
DOI: 10.24412/2076-6785-2025-7-84-87
04.12.2025
УДК 553.9
DOI: 10.24412/2076-6785-2025-7-84-87
DOI: 10.24412/2076-6785-2025-7-84-87
Рекомендуемые статьи
© Экспозиция Нефть Газ. Научно-технический журнал. Входит в перечень ВАК
+7 (855) 222-12-84