Одной из базовых единиц геологической модели месторождения является классификация типов пород (литотипы либо петротипы), выполненная по данным геофизических исследований скважин (ГИС). При этом в условиях большого разнообразия классов данные ГИС не всегда позволяют достоверно разграничивать отложениях сложного состава по свойствам. На практике некоторые классы, несмотря на различия в генезисе, структуре, текстуре, имеют достаточно близкие физические свойства. В этом случае необходимо обоснованно сформировать оптимальный набор классов для дальнейшего их прогноза и использования при построении геологической модели. В статье для решения данной задачи рассмотрено применение комбинации методов машинного обучения, таких как алгоритмы случайного леса и иерархической кластеризации, на примере отложений пермско-триасовых кислых вулканитов Западной Сибири. При иерархической кластеризации базовая матрица признаков построена с учетом данных объемной модели, рассчитанной с помощью специализированной гибридной технологии (системы решения линейных алгебраических уравнений и генетического алгоритма), что существенно расширило возможности анализа. В результате комплексирование технологий позволило решить задачу сокращения пространства классов для их последующего прогноза по данным ГИС. С целью оценки достоверности примененных подходов проведен комплексный анализ полученных результатов. Показано, что результаты работы согласуются с данными петрографии керна, что свидетельствует о «геологичности» выделенных классов, объединяющих породы близкого вещественного состава, схожего механизма образования. Сделаны выводы о возможности применения рассмотренных технологий машинного обучения для решения схожих задач.
Список литературы
1. Руденко В.Ю., Бабаков И.В., Приезжев И.И. Применение стохастической математической модели и генетических алгоритмов при выполнении петрофизической инверсии для расчета объемной литологической модели // Геофизика. – 2020. - № 6. – С. 18-26.
2. Ward J.H. Hierarchical grouping to optimize an objective function // J. of the American Statistical Association. – 1963. – V. 58. – P. 236–244.
3. Sneath P.H.A., Sokal R.R. Numerical taxonomy: The principles and practices of numerical classification. – San-Francisco: Freeman, 1973. – 573 p.
4. Bar-Joseph Z., Gifford D.K., Jaakkola T.S. Fast optimal leaf ordering for hierarchical clustering // Bioinformatics. – 2001. – V. 17. – Issue suppl_1. – P. S22–S29. – DOI: 10.1093/bioinformatics/ 17.suppl_1.s22
5. Classification and Regression Trees / L. Breiman, J. Friedman, R. Olshen, C. Stone Wadsworth. – Belmont, CA, 1984. – 368 p.
6. Geurts P., Ernst D., Wehenkel L. Extremely randomized trees // Machine Learning, 2006. – V. 63(1). – Р. 3–42. – DOI:10.1007/s10994-006-6226-1
7. Свидетельство о регистрации программы для ЭВМ 2021610214. GSPetrophysics / В.Ю. Руденко, И.И. Приезжев; правообладатель ЗАО «МиМГО». – № 2020666891; заявл. 18.12.2020; опубл. 12.01.2021.
8. Rudenko V.J., Babakov I.V., Priezzhev I.I. Application of Genetic Algorithms for Multimineral Modeling Based on the Principle of Petrophysical Inversion // European Association of Geoscientists & Engineers - Conference Proceedings, Data Science in Oil & Gas. – Oct 2020. – V. 2020. – P. 1–6. – DOI: https://doi.org/10.3997/2214-4609.202054015
9. Rudenko V.J. Babakov I.V., Priezzhev I.I. Application of Hybrid Combination Technology Genetic Algorithm Using Well-Log Data for Multimineral Modeling with Computing of Changes in Each Mineral Endpoint // European Association of Geoscientists & Engineers – Conference Proceedings, Geomodel. – 2020. – Sep. – V. 2020. – P. 1–5. – DOI: https://doi.org/10.3997/2214-4609.202050083
10. Расчет петрофизической инверсии на основании гибридных моделей в вулканогенных породах кислого состава доюрского комплекса Западной Сибири / В.Ю. Руденко, Д.Е. Гуренцов, С.С. Гаврилов, М.Е. Смирнова // Приборы и системы разведочной геофизики. – 2021. – № 4. – С. 41–48.
11. Элланский М.М. Петрофизические связи и комплексная интерпретация данных промысловой геофизики. – М.: Недра, 1978. – 215 с.
12. Mitchell W.K., Nelson R.J. A Practical Approach To Statistical Log Analysis // SPWLA 29thAnnual Logging Symposium. 1988. June 5–8
13. Петрографический кодекс России. Магматические, метаморфические, метасоматические, импактные образования / под ред. О.А. Богатикова, О.В. Петрова, А.Ф. Морозова. – СПб.: ВСЕГЕИ, 2009. – 200 с.
