georesГеоресурсыGeoresources1608-50431608-5078Georesursy LLC10.18599/grs.2024.3.18geores-338Research ArticleГЕОЛОГО-ГЕОХИМИЧЕСКИЕ ИССЛЕДОВАНИЯ, ПОИСК, РАЗВЕДКА И РАЗРАБОТКА МЕСТОРОЖДЕНИЙ УГЛЕВОДОРОДОВGEOLOGICAL-GEOCHEMICAL RESEARCH, PROSPECTING, EXPLORATION AND DEVELOPMENT OF HYDROCARBON FIELDSОценка пространственного распределения петрофизических свойств осадочных толщ многомерными сплайнамиPrediction of the Spatial Distribution of Petrophysical Properties of Sediment Formations Using Multidimensional SplinesЛапковскийВ. В.LapkovskyV. V.

Владимир Валентинович Лапковский – доктор геол.-минерал. наук, заведующий лабораторией

630090, Новосибирск, пр. Ак. Коптюга, д. 3

Vladimir V. Lapkovsky – Dr. Sci. (Geology and Mineralogy), Head of the Laboratory

3 Ac. Koptyug av., Novosibirsk, 630090

lapkovskiivv@ipgg.sbras.ruКонторовичВ. А.KontorovichV. A.

Владимир Алексеевич Конторович –доктор геол.-минерал. наук, член-корр. РАН, заведующий лабораторией

630090, Новосибирск, пр. Ак. Коптюга, д. 3

Vladimir A. Kontorovich – Dr. Sci. (Geology and Mineralogy), Corresponding Member of the Russian Academy of Sciences, Head of the Laboratory

3 Ac. Koptyug av., Novosibirsk, 630090

KontorovichVA@ipgg.sbras.ruКанаковаК. И.KanakovaK. I.

Ксения Игоревна Канакова – младший научный сотрудник; младший научный сотрудник, ассистент

630090, Новосибирск, пр. Ак. Коптюга, д. 3

Kseniya I. Kanakova – Junior Researcher, Trofimuk Institute of Petroleum Geology and Geophysics of the Siberian Branch of the Russian Academy of Sciences; Junior Researcher, Assistant

3 Ac. Koptyug av., Novosibirsk, 630090

KanakovaKI@ipgg.sbras.ruПономареваС. Е.PonomarevaS. E.

Светлана Евгеньевна Пономарёва – ведущий программист

630090, Новосибирск, пр. Ак. Коптюга, д. 3

Svetlana E. Ponomareva – Lead Programmer, Trofimuk Institute of Petroleum Geology and Geophysics of the Siberian Branch of the Russian Academy of Sciences; Engineer

3 Ac. Koptyug av., Novosibirsk, 630090

PonomarevaSE@ipgg.sbras.ruЛунёвБ. В.LunevB. V.

Борис Валентинович Лунёв – кандидат физ.-мат. наук, старший научный сотрудник

630090, Новосибирск, пр. Ак. Коптюга, д. 3

Boris V. Lunev – Cand. Sci. (Physics and Mathematics), Senior Researcher

3 Ac. Koptyug av., Novosibirsk, 630090

LunevBV@ipgg.sbras.ruИнститут нефтегазовой геологии и геофизики им. А.А.Трофимука СО РАНРоссияTrofimuk Institute of Petroleum Geology and Geophysics of the Siberian Branch of the Russian Academy of SciencesRussian FederationИнститут нефтегазовой геологии и геофизики им. А.А.Трофимука СО РАН; Новосибирский государственный университетРоссияTrofimuk Institute of Petroleum Geology and Geophysics of the Siberian Branch of the Russian Academy of Sciences; Novosibirsk State UniversityRussian Federation202430092024263175183Copyright © Лапковский В.В., Конторович В.А., Канакова К.И., Пономарева С.Е., Лунёв Б.В., 20242024Лапковский В.В., Конторович В.А., Канакова К.И., Пономарева С.Е., Лунёв Б.В.Lapkovsky V.V., Kontorovich V.A., Kanakova K.I., Ponomareva S.E., Lunev B.V.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/338

В работе рассмотрена возможность применения многомерных аппроксимирующих и регрессионных сплайнов как с учетом пространственно привязанных данных прямых наблюдений, так и с использованием каротажных кривых, статистически связанных с моделируемыми переменными для оценки пространственной изменчивости свойств в осадочных толщах. За счет использования косвенных данных удается существенно снизить погрешность прогноза. Прогноз может строиться как для отдельных скважин, так и для межскважинного пространства, что позволяет создавать геологические разрезы прогнозируемых свойств и 3D-модели их распределения. Для доказательства эффективности рассматриваемого подхода проведены численные эксперименты на данных из стратиграфического диапазона георгиевской и васюганской свит Казанского месторождения на юго-востоке Западной Сибири. Сравнение полученного прогноза с реальными, неизвестными при его выполнении, значениями моделируемой переменной показало высокое качество модели с коэффициентами детерминации до 0,9.

The spatial variability of properties in sedimentary deposits can be assessed using approximation methods. A small number of direct measurements or their extremely uneven distribution leads to significant model errors. This article explores the possibility of using multidimensional approximation and regression splines, both considering spatially referenced direct observation data and using well log curves statistically linked to the modeled variables. It is possible to significantly reduce the forecast error by utilizing indirect data. The results can be computed for individual wells as for inter-well space, allowing for the creation of geological cross-sections of predicted properties and 3D models of their distribution. In order to demonstrate the effectiveness of the proposed approach, computational experiments were conducted using data from the stratigraphic range of the Georgievskaya and Vasyuganskaya formations in the Kazan field in southeastern West Siberia. Comparing the obtained forecast with the real, unknown values of the modeled variable at the time of its implementation showed a high quality model with determination coefficients up to 0.9.

петрофизический прогнозкаротажмногомерные сплайнырегрессионные сплайнытрехмерные моделигеофизические программные комплексыpetrophysical forecastwell loggingmultidimensional splinesregression splinesthreedimensional modelsgeophysical software packagesРабота выполнена в рамках научной темы FWZZ-2022-0009 «Цифровые геолого-геофизические модели и оценка перспектив нефтегазоносности осадочных бассейнов Арктической зоны Сибири и республики Саха (Якутия); усовершенствование геолого-геофизических методов исследований» Государственной программы ФНИ. Авторы выражают благодарность рецензентам за ценные замечания и предложения, которые способствовали повышению уровня работы.The work was carried out within the framework of the scientific topic FWZZ-2022-0009 “Digital geological and geophysical models and assessment of oil and gas potential of sedimentary basins of the Arctic zone of Siberia and the Republic of Sakha (Yakutia); improvement of geological and geophysical research methods” of the State Program of the Federal Federal Scientific Research.ReferencesБезходарнов В.В., Чичинина Т.И., Коровин М.О., Трушкин В.В. (2021). Прогнозирование фильтрационно-ёмкостных свойств пород по данным сейсморазведки на основе многомерного вероятностного анализа. Российская нефтегазовая техническая конференция SPE, SPE-206595-RU. https://doi.org/10.2118/206595-MSBezkhodarnov V.V., Chichinina T.I., Korovin M.O., Trushkin V.V. (2021). Prediction of Reservoir Properties from Seismic Data by Multivariate Geostatistics Analysis. SPE, SPE-206595-RU. (In Russ.) https://doi.org/10.2118/206595-MSГильманов Я.И. (2020). Опыт ООО «ТННЦ» в определении пористости образцов керна. Нефтепромысловое дело, (9), с. 35–41. https:// doi.org/10.30713/0207-2351-2020-9(621)-35-41Demiyanov V.V., Savelieva E.A. (2010). Geostatistics: Theory and Practice. Moscow: Nauka, 327 p. (In Russ.)Головацкая И.В., Гулин Ю.А., Еникеева Ф.Х., Велижанин В.А., Журавлев Б.К., Козяр В.Ф., Ручкин А.В., Резванов Р.А. (1984). Определение емкостных свойств и литологии пород в разрезах нефтегазовых скважин по данным радиоактивного и акустического каротажа (наставление по интерпретации с комплектом палеток). Калинин, ВНИГИК, 111 с.Boer L.D.D., Doyen Ph.M., Rothenhofer H. (1999). 3-D seismic porosity modeling using a new form of cokriging. World Oil, 5(220) pp. 77–80.Гурбатова И.П., Михайлов Н.Н. (2011). Масштабные и анизотропные эффекты при экспериментальном определении физических свойств сложнопостроенных коллекторов. Каротажник, (7), с. 138–145.Doyen P.M. (2007). Seismic Reservoir Characterization: An Earth Modelling Perspective. EAGE, 255 p. https://doi.org/10.3997/9789073781771Демьянов В.В., Савельева Е.А. (2010). Геостатистика: теория и практика. М.: Наука, 327 с.Gilmanov Ya. I. (2020). Experience of TNNC LLC in determining the porosity of core samples. Neftepromyslovoe delo, 9(621), pp. 35–41. (In Russ.) https://doi.org/10.30713/0207-2351-2020-9(621)-35-41Канаков М.С., Лапковский В.В., Конторович В.А., Канакова К.И., Шорохов Ю.С. (2022). Программный комплекс интерпретации сейсмических и скважинных данных W-SEIS. Геофизические технологии, (2), с. 77–91. https://doi.org/10.18303/2619-1563-2022-2-77Golovackaya I.V., Gulin Yu.A., Enikeeva F.H., Velizhanin V.A., Zhuravlev B.K., Kozyar V.F., Ruchkin A.V., Rezvanov R.A. (1984). Determination of capacitive properties and lithology of rocks in sections of oil and gas wells based on radioactive and acoustic logging data (interpretation manual with a set of palettes). Kalinin: VNIGIK, 111 p. (In Russ.)Лапковский В.В., Лунёв Б.В., Антипов М.П., Волож Ю.А., Писаренко Ю.А., Фомина В.В. (2023). Трехмерное моделирование солянокупольных структур по данным детального бурения в Прикаспии. Георесурсы, 25(4), c. 192–202. https://doi.org/10.18599/grs.2023.4.18Gurbatova I.P., Mihaylov N.N. (2011). Scale and anisotropic effects in the experimental determination of the physical properties of complex reservoirs. Karotazhnik, 7, pp. 138–145. (In Russ.)Лапковский В.В., Конторович В.А., Канакова К.И., Пономарева С.Е., Лунев Б.В. (2024) Фундаментальные, глобальные и региональные проблемы геологии нефти и газа: Материалы Всероссийской научной конференции, посвященной 90-летию со дня рождения академика РАН А.Э. Конторовича с. 129-132 https://dx.doi.org/10.53954/9785604990070_129Kanakov M.S., Lapkovsky V.V., Kontorovich V.A., Kanakova K.I., Shorohov Yu.S. (2022). W-SEIS interpretation software for seismic and well drilling data. Russian Journal of Geophysical Technologies, (2), 77–91. (In Russ.) https://doi.org/10.18303/2619-1563-2022-2-77Методические рекомендации по подсчету геологических запасов нефти и газа объемным методом. (2003). Под ред. В.И. Петерсилье, В.И. Пороскуна, Г.Г. Яценко. М.: ВНИГНИ; Тверь: Тверьгеофизика. 267 с.Khassanov D.I., Lonshakov M.A. (2020). Investigation of the scale effect and the concept of a representative volume element of rocks in relation to porosity. Georesursy = Georesources, 22(4), pp. 55–69. https:// doi.org/10.18599/grs.2020.4.55-69Роженко А.И. (2018). Сравнение радиальных базисных функций. Сибирский журнал вычислительной математики, 21(3), с. 273–292. https://doi.org/10.15372/SJNM20180304Lapkovsky V.V., Lunev B.V., Antipov M.P., Volozh Yu.A., Pisarenko Yu.A., Fomina V.V. (2023). 3D modeling of salt domes according to detailed drilling data in the Precaspian region. Georesursy = Georesources, 25(4), pp. 192–202. (In Russ.) https://doi.org/10.18599/grs.2023.4.18Роженко А.И. (2005). Теория и алгоритмы вариационной сплайн-аппроксимации. Новосибирск: ИВМиМГ СО РАН, 244 с.Lie K.-A. (2019). An Introduction to Reservoir Simulation Using MATLAB/GNU Octave: User Guide for the MATLAB Reservoir Simulation Toolbox (MRST). Cambridge: Cambridge University Press, 678 p. https:// doi.org/10.1017/9781108591416Хасанов Д.И., Лоншаков М.А. (2020). Исследование масштабного эффекта и понятия элементарного представительного объёма горных пород применительно к пористости. Георесурсы, 22(4), c. 55–69. https:// doi.org/10.18599/grs.2020.4.55-69Liu J., Zhao L., Xu M., Zhao X., You Y., Geng J. (2023). Porosity prediction from prestack seismic data via deep learning: incorporating a lowfrequency porosity model. Journal of Geophysics and Engineering, 20(5), pp. 1016–1029. https://doi.org/10.1093/jge/gxad063Шаповалов М.Ю., Хамитуллин И.М., Шакиров Р.Р., Филиппова К.Е., Брегида А.А. (2023). Использование сейсмической инверсии для прогноза коллектора в интервале прибрежно-континентальных отложений юрского комплекса. Георесурсы, 25(3), c. 49–56. https://doi.org/10.18599/grs.2023.3.7Methodological recommendations for calculating geological reserves of oil and gas by the volumetric method (2003). Ed. V.I. Petersilie, V.I. Poroskun, G.G. Yacenko. Moscow – Tver: VNIGNI, Tver’geofizika, 267 p. (In Russ.)Boer L.D.D., Doyen Ph.M., Rothenhofer H. (1999). 3-D seismic porosity modeling using a new form of cokriging. World Oil, 5(220) pp. 77–80.Rozhenko A.I. (2005) Theory and algorithms of variational spline approximation. Novosibirsk: IVMiMG SO RAN, 243 p. (In Russ.)Doyen P.M. (2007). Seismic Reservoir Characterization: An Earth Modelling Perspective. EAGE, 255 p. https://doi.org/10.3997/9789073781771Rozhenko A.I. (2018) Comparison of radial basis functions. Sib. zhurn. vychisl. Matematiki = Siberian Journal of Numerical Mathematics, 3(21), pp. 273–292. (In Russ.) https://doi.org/10.1134/S1995423918030047Lie K.-A. (2019). An Introduction to Reservoir Simulation Using MATLAB/GNU Octave: User Guide for the MATLAB Reservoir Simulation Toolbox (MRST). Cambridge: Cambridge University Press, 678 p. https:// doi.org/10.1017/9781108591416Shapovalov M.Yu., Khamitullin I.M., Shakirov R.R., Filippova K.E., Bregida A.A. (2023). Reservoir characterization in coastal-continental environment of the Jurassic complex based on seismic data inversion. Georesursy = Georesources, 25(3), pp. 49–56. (In Russ.) https://doi.org/10.18599/grs.2023.3.7Liu J., Zhao L., Xu M., Zhao X., You Y., Geng J. (2023). Porosity prediction from prestack seismic data via deep learning: incorporating a lowfrequency porosity model. Journal of Geophysics and Engineering, 20(5), pp. 1016–1029. https://doi.org/10.1093/jge/gxad063Su Z., Cao J., Xiang T., Fu J., Shi S. (2023). Seismic prediction of porosity in tight reservoirs based on transformer. Frontiers in Earth Science, 11, 1137645. https://doi.org/10.3389/feart.2023.1137645Su Z., Cao J., Xiang T., Fu J., Shi S. (2023). Seismic prediction of porosity in tight reservoirs based on transformer. Frontiers in Earth Science, 11, 1137645. https://doi.org/10.3389/feart.2023.1137645Wood D.A. (2020). Predicting porosity, permeability and water saturation applying an optimized nearest-neighbour, machine-learning and data-mining network of well-log data. Journal of Petroleum Science and Engineering, 184, 106587. https://doi.org/10.1016/j.petrol.2019.106587Wood D.A. (2020). Predicting porosity, permeability and water saturation applying an optimized nearest-neighbour, machine-learning and data-mining network of well-log data. Journal of Petroleum Science and Engineering, 184, 106587. https://doi.org/10.1016/j.petrol.2019.106587Yu Z., Sun Y., Zhang J., Zhang Y., Liu Z. (2023). Gated recurrent unit neural network (GRU) based on quantile regression (QR) predicts reservoir parameters through well logging data. Frontiers in Earth Science, 11, 1087385. https://doi.org/10.3389/feart.2023.1087385Yu Z., Sun Y., Zhang J., Zhang Y., Liu Z. (2023). Gated recurrent unit neural network (GRU) based on quantile regression (QR) predicts reservoir parameters through well logging data. Frontiers in Earth Science, 11, 1087385. https://doi.org/10.3389/feart.2023.1087385Yu Z., Sun Y., Zhang J., Zhang Y., Liu Z. (2023). Gated recurrent unit neural network (GRU) based on quantile regression (QR) predicts reservoir parameters through well logging data. Frontiers in Earth Science, 11, 1087385. https://doi.org/10.3389/feart.2023.1087385

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