В статье рассмотрен подход к автоматизации анализа геологических процессов методом нейросетевого моделирования, позволяющим выполнять прогноз фаций и петротипов в скважинах без керна и с ограниченным комплексом геофизических исследований скважин (ГИС). В ходе работы применены нестандартные подходы, которые дали возможность использовать весь набор исходных данных, включая исторический фонд скважин с частично утерянными данными. Цикл анализа и подготовки данных, обучение сети и дальнейшее моделирование фаций и литотипов в скважинах включали следующие этапы: 1) нормировка исходных геолого-геофизических данных в скважинах; 2) описание кернового материала и выделение фаций, характеризующих обстановку осадконакопления, а также выделение литологических типов коллектора и неколлектора; 3) уточнение петрофизической модели с учетом новых данных; анализ и обоснование выделения литологических групп, петротипов по ГИС для обоснования индивидуальных зависимостей проницаемости от пористости; 4) оценка возможности прогноза выделенных на керне фаций методами ГИС на основе статистического анализа и нейронных сетей; 5) группировка скважин по существующему набору данных ГИС, формирование матрицы обучающих выборок; 6) обучение сети, распознавание фаций, выделенных по материалам седиментологического анализа керна, методами ГИС по выборке скважин без керна; 7) оценка полученных результатов прогнозирования фаций и петротипов в скважинах путем сопоставления факт – прогноз, а также в проверочной скважине, которая не участвовала в обучении. Показано, что качественное обучение сети дает возможность получить верный результат, позволяющий использовать весь набор данных, в том числе частично искаженные или зашумленные.
Список литературы
1. Барабошкин Е.Ю. Практическая седиментология. Терригенные резервуары. Пособие по работе с керном. – Тверь: ГЕРС, 2011. – 152 с.
2. Зверев К.В, Редина С.А. Сейсмофациальное и петрофациальное моделирование пластов сиговской свиты как инструмент снятия неопределенностей при построении 3D геологической модели резервуара // Proнефть. Профессионально о нефти. – 2019. – № 4(14). – С. 20–25.
3. Сергеев А.П., Тарасов Д.А. Введение в нейросетевое моделирование. – Екатеринбург, Изд-во Уральского университета, 2017. – 26–31 с.
4. Качурин С.И. Анализ применимости многослойной нейронной сети для распознавания литологической структуры скважины по данным геофизических исследований: автореф. дис. ... канд. техн. наук. – Ижевск, 2003. – 24 с.
5. Родина С.Н. Применение нейросетевого подхода при интерпретации каротажных данных // Вестник Воронежского гос. университета. – 2007. – № 2. – С. 184–188.
