В статье рассмотрены технологии автоматического распознавания форм графиков стандартного гамма-каротажа (ГК) для оперативного построения фациальных моделей терригенных отложений. Каротажные диаграммы дают информацию об изменении гранулометрического состава отложений во времени и, в зависимости от обстановки осадконакопления, характеризуются индивидуальными формами. Это позволяет предварительно определять генезис отложений и устанавливать их фациальную принадлежность с дальнейшим уточнением по керновым материалам.
Алгоритм распознавания форм каротажных кривых, разработанный с использованием нейронных сетей, показан на примере дельтового резервуара, включающего две стандартные фации: канальную и баровую. Канальная фация характеризуется цилиндрическими формами ГК, баровая – воронковидной. Обучение нейронной сети проводилось на контрольной выборке, состоявшей из 15 скважин, по которым экспертом-седиментологом были выделены разнофациальные песчаные тела дельтового резервуара. Для повышения достоверности распознавания форм каротажных кривых в работу нейронной сети введены следующие дополнительные процедуры: 1) корректировка библиотеки обучения (перенос части нестандартных кривых в класс неопределенных); 2) расширение библиотеки обучения за счет добавления к имеющимся каротажным образам нескольких их сглаженных вариантов; 3) упрощение способа хранения образов – вместо цветных кодированных изображений в нейронной сети стали использоваться черно-белые, что ускорило ее обучение.
Разработанная методика автоматизированного распознавания форм каротажных кривых позволяет оптимизировать процессы седиментологического анализа и обеспечить построение реалистичной геологической модели месторождения с фациальной нагрузкой. Ее использование дает возможность оперативно выделять разнофациальные песчаные тела с распространением фильтрационно-емкостных свойств в пределах границ каждой фации, и на основе этого осуществлять пространственный контроль геологической неоднородности объектов разработки.
Список литературы
1. Рыкус М.В., Рыкус Н.Г. Седиментология терригенных резервуаров углеводородов. - Уфа: Мир печати, 2014. - 324 с.
2. Муромцев В.С. Электрометрическая геология песчаных тел – литологических ловушек нефти и газа. – Л.: Недра, 1984. 260 с.
3. Обстановки осадконакопления и фации. Т. 1/ под ред. Х. Рединга. – М.: Мир, 1990. – 352 с.
4. Байков В.А., Бакиров Н.К., Яковлев А.А. Математическая геология. Т. I. Введение в геостатистику. – М.- Ижевск: Изд-во «ИКИ», 2012. – 228 с.
5. Воскобойников Ю.Е., Гочаков А.В., А. Б. Колкер А.Б. Фильтрации сигналов и изображений: фурье и вейвлет алгоритмы (с примерами в Mathcad). – Новосибирск: НГАСУ (Сибстрин), 2010. – 188 с.
6. Применение методов вейвлет-анализа в задачах автоматической обработки данных гидродинамических исследований скважин / В.А. Байков, И.С. Афанасьев, А.В. Сергейчев, [и др.] // Нефтяное хозяйство. – 2012. – № 11. – С. 34-37.
7. Douglas D., Peucker T. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature // The Canadian Cartographer. – 1973. – № 10(2). – Р. 112 – 122.
8. LeCun Y., Bottou L., Haffner P. Gradient-based learning applied to document recognition // Proceedings of the IEEE. – 1998. – №86 (11). – Р. 2278 - 2324.
9. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. – СПб.: Питер, 2018. – 480 с.
10. Воронцов К.В. Машинное обучение (курс лекций)
