georesГеоресурсыGeoresources1608-50431608-5078Georesursy LLC10.18599/grs.2022.2.21geores-148Research ArticleСтатьиПрименение методов машинного обучения в обработке данных геофизических исследований скважин отложений викуловской свитыMachine learning applications for well-logging interpretation of the Vikulov FormationСахнюкВ. И.SakhnyukV. I.

Владлен Игоревич Сахнюк – магистрант кафедры геологии и геохимии горючих ископаемых

119234, Москва, ул. Ленинские горы, д. 1

Vladlen I. Sakhnyuk – Graduate student, Petroleum Geology Department

1, Leninskie gory, Moscow, 119234

vladlensakhnyuk@yandex.ruНовиковЕ. В.NovikovE. V.

Евгений Владимирович Новиков – магистрант кафедры геологии и геохимии горючих ископаемы

119234, Москва, ул. Ленинские горы, д. 1

Evgeniy V. Novikov – Graduate student, Petroleum Geology Department

1, Leninskie gory, Moscow, 119234

ШарифуллинА. М.SharifullinA. M.

Александр Маратович Шарифуллин – магистрант кафедры геологии и геохимии горючих ископаемых

119234, Москва, ул. Ленинские горы, д. 1

Alexander M. Sharifullin – Graduate student, Petroleum Geology Department

1, Leninskie gory, Moscow, 119234

БелохинВ. С.BelokhinV. S.

Василий Сергеевич Белохин – кандидат физ.-мат. наук, научный сотрудник кафедры геологии и геохимии горючих ископаемых

119234, Москва, ул. Ленинские горы, д. 1

Vasiliy S. Belokhin – PhD (Physics and Mathematics), Researcher, Petroleum Geology Department

1, Leninskie gory, Moscow, 119234

АнтоновА. П.AntonovA. P.

Алексей Петрович Антонов – кандидат физ.-мат. наук, доцент кафедры математического анализа, руководитель НОЦ ПАО «НК «Роснефть» по цифровым технологиям в нефтегазовой отрасли на базе кафедры геологии и геохимии горючих ископаемых

119234, Москва, ул. Ленинские горы, д. 1

Alexey P. Antonov – PhD (Physics and Mathematics), Associate Professor of Mathematical Analysis Department, Head of Rosneft Research Center

1, Leninskie gory, Moscow, 119234

КарпушинМ. Ю.KarpushinM. U.

Михаил Юрьевич Карпушин – геолог, сотрудник кафедры геологии и геохимии горючих ископаемых

119234, Москва, ул. Ленинские горы, д. 1

Mikhail U. Karpushin – Geologist, Researcher, Petroleum Geology Department

1, Leninskie gory, Moscow, 119234

БольшаковаМ. А.BolshakovaM. A.

Мария Александровна Большакова – кандидат геол.- мин. наук, старший научный сотрудник кафедры геологии и геохимии горючих ископаемых

119234, Москва, ул. Ленинские горы, д. 1

Maria A. Bolshakova – PhD (Geology and Mineralogy), Senior Researcher, Petroleum Geology Department

1, Leninskie gory, Moscow, 119234

АфонинС. А.AfoninS. A.

Сергей Александрович Афонин – кандидат физ.-мат. наук, доцент кафедры вычислительной математики

119234, Москва, ул. Ленинские горы, д. 1

Sergey A. Afonin – PhD (Physics and Mathematics), Associate Professor, Department of Computational Mathematics

1, Leninskie gory, Moscow, 119234

СауткинР. С.SautkinR. S.

Роман Сергеевич Сауткин – кандидат геол.-мин. наук, старший научный сотрудник кафедры геологии и геохимии горючих ископаемых

119234, Москва, ул. Ленинские горы, д. 1

Roman S. Sautkin – PhD (Geology and Mineralogy), Senior Researcher, Petroleum Geology Department

1, Leninskie gory, Moscow, 119234

СусловаА. А.SuslovaA. A.

Анна Анатольевна Суслова – кандидат геол.-мин. наук, ведущий научный сотрудник кафедры геологии и геохимии горючих ископаемых

119234, Москва, ул. Ленинские горы, д. 1

Anna A. Suslova – PhD (Geology and Mineralogy), Leading Researcher, Petroleum Geology Department

1, Leninskie gory, Moscow, 119234

Московский государственный университет имени М.В. ЛомоносоваРоссияLomonosov Moscow State UniversityRussian Federation202214042024242230238Copyright © Сахнюк В.И., Новиков Е.В., Шарифуллин А.М., Белохин В.С., Антонов А.П., Карпушин М.Ю., Большакова М.А., Афонин С.А., Сауткин Р.С., Суслова А.А., 20242024Сахнюк В.И., Новиков Е.В., Шарифуллин А.М., Белохин В.С., Антонов А.П., Карпушин М.Ю., Большакова М.А., Афонин С.А., Сауткин Р.С., Суслова А.А.Sakhnyuk V.I., Novikov E.V., Sharifullin A.M., Belokhin V.S., Antonov A.P., Karpushin M.U., Bolshakova M.A., Afonin S.A., Sautkin R.S., Suslova A.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.geors.ru/jour/article/view/148

В настоящее время интерпретация результатов геофизических исследований скважин производится геофизиками-интерпретаторами, которые предварительно обрабатывают данные и нормируют кривые. Процесс подготовки каротажных кривых может занимать большое количество времени особенно в случаях, когда приходится интерпретировать данные по сотням и тысячам скважин. В данной работе исследуется применимость методов машинного обучения в задаче определения литофизических типов по каротажным кривым. В статье рассмотрены три группы алгоритмов: случайный лес, градиентный бустинг и нейронные сети, а также разработана собственная метрика, которая учитывает особенности литофизической типизации исследуемого объекта и основывается на мере близости литофизических типов для фиксированного комплекса методов геофизических исследований скважин. В результате исследования показано, что алгоритмы машинного обучения способны предсказывать литологию по стандартному набору каротажных диаграмм без нормировки на опорные пласты, что может существенно сократить время на предварительную подготовку кривых.

Nowadays well logging curves are interpreted by geologists who preprocess the data and normalize the curves for this purpose. The preparation process can take a long time, especially when hundreds and thousands of wells are involved. This paper explores the applicability of Machine Learning methods to geology tasks, in particular the problem of lithology interpretation using well-logs, and also reveals the issue of the quality of such predictions in comparison with the interpretation of specialists. The authors of the article deployed three groups of Machine Learning algorithms: Random Forests, Gradient Boosting and Neural Networks, and also developed its own metric that takes into account the geological features of the study area and statistical proximity of lithotypes based on log curves values.As a result, it was proved that Machine Learning algorithms are able to predict lithology from a standard set of well logs without calibration on reference layers, which significantly saves time spent on preliminary preparation of curves.

машинное обучениегеофизические исследования скважининтерпретация каротажаmachine learningwell logginglogging interpretationИсследование выполнено при финансовой поддержке ПАО «НК «Роснефть» в рамках научного проекта – грант на тему «Применение методов машинного обучения в обработке данных геофизических исследований скважин».The study was carried out with the financial support of Rosneft Oil Company as part of the scientific project – a grant on the topic “Application of machine learning methods in the processing of well logging data”.ReferencesИсакова Т.Г., Дьяконова Т.Ф., Носикова А.Д., Калмыков Г.А., Акиньшин А.В., Яценко В.М. (2021). Прогнозная оценка фильтрационной способности тонкослоистых коллекторов викуловской свиты по результатам исследования керна и ГИс. Георесурсы, 23(2), c. 170–178. https://doi.org/10.18599/grs.2021.2.17Breiman L. (2001). Random Forests. Machine Learning 45, p. 5–32. https://doi.org/10.1023/A:1010933404324Рашка С., Мирджалили В. (2020). Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2. 3-е изд. сПб: ооо «Диалектика», 848 с.Friedman J. (2001). Greedy function approximation: A gradient boosting machine. Ann. Statist., 29(5), pp. 1189–1232. https://doi.org/10.1214/aos/1013203451Breiman L. (2001). Random Forests. Machine Learning 45, p. 5–32. https://doi.org/10.1023/A:1010933404324Haykin S. (1994). Neural Networks: A Comprehensive Foundation. Prentice Hall PTR, Upper Saddle River.Friedman J. (2001). Greedy function approximation: A gradient boosting machine. Ann. Statist., 29(5), pp. 1189–1232. https://doi.org/10.1214/aos/1013203451Isakova T.G., Dyakonova T.F., Nosikova A.D., Kalmykov G.A., Akinshin A.V., Yatsenko V.M. (2021). Predictive assessment of the fluid loss properties of thin-layer reservoirs of Vikulovskaya series based on the results of core and well logs. Georesursy = Georesources, 23(2), pp. 170–178. https://doi.org/10.18599/grs.2021.2.17Haykin S. (1994). Neural Networks: A Comprehensive Foundation. Prentice Hall PTR, Upper Saddle River.Merembayev T. Yunussov R. and Amirgaliyev Y. Machine learning algorithms for classification geology data from well logging. 14th International Conference on Electronics Computer and Computation (ICECCO), pp. 206–212. https://doi.org/10.1109/ICECCO.2018.8634775Merembayev T. Yunussov R. and Amirgaliyev Y. Machine learning algorithms for classification geology data from well logging. 14th International Conference on Electronics Computer and Computation (ICECCO), pp. 206–212. https://doi.org/10.1109/ICECCO.2018.8634775Mohamed I.M., Mohamed S., Mazher I. et al. (2019). Formation lithology classification: insights into machine learning methods. SPE Annual Technical Conference. https://doi.org/10.2118/196096-MSMohamed I.M., Mohamed S., Mazher I. et al. (2019). Formation lithology classification: insights into machine learning methods. SPE Annual Technical Conference. https://doi.org/10.2118/196096-MSPeyret A.P., Ambía J., Torres-Verdín C. et al. (2019). Automatic Interpretation of Well Logs with Lithology-Specific Deep-Learning Methods. SPWLA 60th Annual Logging Symposium. https://doi.org/10.30632/T60ALS-2019_SSSSPeyret A.P., Ambía J., Torres-Verdín C. et al. (2019). Automatic Interpretation of Well Logs with Lithology-Specific Deep-Learning Methods. SPWLA 60th Annual Logging Symposium. https://doi.org/10.30632/T60ALS-2019_SSSSRaschka S., Mirjalili V. (2019). Python machine learning. Machine Learning and Deep Learning with Python, scikit-learn and TensorFlow 2. Birmingham: Packt Publishing Ltd, 741 p.Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. (2019). CatBoost: unbiased boosting with categorical features. https://doi.org/10.48550/arXiv.1706.09516Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. (2019). CatBoost: unbiased boosting with categorical features. https://doi.org/10.48550/arXiv.1706.09516Schmidhuber J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, pp. 85–117. https://doi.org/10.1016/j.neunet.2014.09.003Schmidhuber J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, pp. 85–117. https://doi.org/10.1016/j.neunet.2014.09.003Viggen E.M., Merciu I.A., Løvstakken L. et al. (2020). Automatic interpretation of cement evaluation logs from cased boreholes using supervised deep neural networks. Journal of Petroleum Science and Engineering, 195. https://doi.org/10.1016/j.petrol.2020.107539Viggen E.M., Merciu I.A., Løvstakken L. et al. (2020). Automatic interpretation of cement evaluation logs from cased boreholes using supervised deep neural networks. Journal of Petroleum Science and Engineering, 195. https://doi.org/10.1016/j.petrol.2020.107539Wu P., Jain V., Kulkarni M.S. et al. (2018). Machine learning–based method for automated well log processing and interpretation. SEG Technical Program Expanded Abstracts. https://doi.org/10.1190/segam2018-2996973.1Wu P., Jain V., Kulkarni M.S. et al. (2018). Machine learning–based method for automated well log processing and interpretation. SEG Technical Program Expanded Abstracts. https://doi.org/10.1190/segam2018-2996973.1

The authors declare that there are no conflicts of interest present.