georesГеоресурсыGeoresources1608-50431608-5078Georesursy LLC10.18599/grs.2022.4.4geores-97Research ArticleРАЗРАБОТКА И ЭКСПЛУАТАЦИЯ МЕСТОРОЖДЕНИЙ ПОЛЕЗНЫХ ИСКОПАЕМЫХEXPLORATION AND DEVELOPMENT OF MINERAL DEPOSITSЛокализация и разработка остаточных запасов нефти с использованием геохимических исследований на основе нейросетевых алгоритмовLocalization and development of residual oil reserves using geochemical studies based on neural network algorithmsСудаковВ. А.SudakovV. A.

Владислав Анатольевич Судаков – заместитель директора института по инновационной деятельности, директор НОЦ «Моделирование ТРИЗ», Институт геологии и нефтегазовых технологий

420111, Казань, ул. Большая Красная, д. 4

Vladislav A. Sudakov – Deputy Director of the Institute for Innovations, Director of Hard-to-Recover Reserves Simulation Research and Educational Center, Institute of Geology and Petroleum Technology

Bolshaya Krasnaya str., 4, Kazan, 420111 

СафуановР. И.SafuanovR. I.

Ринат Иолдузович Сафуанов – научный сотрудник НОЦ «Моделирование ТРИЗ», Институт геологии и нефтегазовых технологий

420111, Казань, ул. Большая Красная, д. 4

Rinat I. Safuanov – Researcher, Hard-to-Recover Reserves Simulation Research and Educational Center, Institute of Geology and Petroleum Technology

Bolshaya Krasnaya str., 4, Kazan, 420111

КозловА. Н.KozlovA. N.

Алексей Николаевич Козлов – младший научный сотрудник НОЦ «Моделирование ТРИЗ», Институт геологии и нефтегазовых технологий

420111, Казань, ул. Большая Красная, д. 4

Aleksey N. Kozlov – Junior Researcher, Hard-to-Recover Reserves Simulation Research and Educational Center, Institute of Geology and Petroleum Technology

Bolshaya Krasnaya str., 4, Kazan, 420111

ankozlov.oil@gmail.comПорываевТ. М.PorivaevT. M.

Тимур Маратович Порываев – инженер НОЦ «Моделирование ТРИЗ», Институт геологии и нефтегазовых технологий

420111, Казань, ул. Большая Красная, д. 4

Timur M. Porivaev – Engineer, Hard-to-Recover Reserves Simulation Research and Educational Center, Institute of Geology and Petroleum Technology

Bolshaya Krasnaya str., 4, Kazan, 420111

ЗаикинА. А.ZaikinA. A.

Артем Александрович Заикин – научный сотрудник НОЦ «Моделирование ТРИЗ», Институт геологии и нефтегазовых технологий

420111, Казань, ул. Большая Красная, д. 4

Artem A. Zaikin – Researcher, Hard-to-Recover Reserves Simulation Research and Educational Center, Institute of Geology and Petroleum Technology

Bolshaya Krasnaya str., 4, Kazan, 420111

ЗинюковР. А.ZinykovR. A.

Рустам Анверович Зинюков – младший научный сотрудник НОЦ «Моделирование ТРИЗ», Институт геологии и нефтегазовых технологий

420111, Казань, ул. Большая Красная, д. 4

Rustam A. Zinykov – Junior Researcher, Hard-to-Recover Reserves Simulation Research and Educational Center, Institute of Geology and Petroleum Technology

Bolshaya Krasnaya str., 4, Kazan, 420111

ЛутфуллинА. А.LutfullinA. A.

Азат Абузарович Лутфуллин – заместитель начальника департамента разработки месторождений СП «ТатнефтьДобыча»

423450, Альметьевск, ул. Ленина, д. 75

Azat A. Lutfullin – Cand. Sci. (Engineering), Deputy Head of the Department of Field Development, Tatneft-Dobycha

Lenin str., 75, Almetyevsk, 423450

ФархутдиновИ. З.FarhutdinovI. Z.

Ильдар Зуфарович Фархутдинов – начальник отдела разработки нефтяных и газовых месторождений и геологоразведочных работ Центра технологического развития

423462, Альметьевск, ул. Тельмана, д. 88

Ildar Z. Farhutdinov – Head of Oil and Gas Fields Development Department

Telman str., 88, Almetyevsk, 423462

ТуляковИ. З.TylyakovI. Z.

Ильгиз Зуфарович Туляков – ведущий эксперт отдела разработки нефтяных и газовых месторождений и геологоразведочных работ Центра технологического развития

423462, Альметьевск, ул. Тельмана, д. 88

Ilgiz Z. Tylyakov – Leading Specialist, Oil and Gas Fields Development Department

Telman str., 88, Almetyevsk, 423462

Казанский (Приволжский) федеральный университетРоссияKazan Federal UniversityRussian FederationПАО «Татнефть»РоссияTatneft PJSCRussian Federation2022130420242445064Copyright © Судаков В.А., Сафуанов Р.И., Козлов А.Н., Порываев Т.М., Заикин А.А., Зинюков Р.А., Лутфуллин А.А., Фархутдинов И.З., Туляков И.З., 20242024Судаков В.А., Сафуанов Р.И., Козлов А.Н., Порываев Т.М., Заикин А.А., Зинюков Р.А., Лутфуллин А.А., Фархутдинов И.З., Туляков И.З.Sudakov V.A., Safuanov R.I., Kozlov A.N., Porivaev T.M., Zaikin A.A., Zinykov R.A., Lutfullin A.A., Farhutdinov I.Z., Tylyakov I.Z.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/97

На поздней стадии разработки месторождений остаточные запасы нефти претерпевают существенное изменение от подвижных до малоподвижных и неподвижных. Эти запасы в основном находятся в техногенно измененных, промытых в процессе эксплуатации, пластах и участках залежей.Поиск, локализация и разработка таких источников углеводородов является эффективным методом увеличения конечного коэффициента извлечения нефти на зрелых месторождениях, ввиду наличия готовой развитой инфраструктуры добычи, транспортировки и переработки, а также концентрации высококвалифицированных кадров.В статье рассмотрен подход, позволяющий на основе нейросетевых алгоритмов оценить объемы и локализовать остаточные запасы нефти на многопластовых месторождениях в комплексе с анализом геохимических исследований пластовых флюидов. Использование алгоритмов машинного обучения позволяет адресно подходить к разработке остаточных запасов путем автоматизированного подбора геолого-технических мероприятий. Такой подход значительно сокращает ручной труд специалистов на обработку данных и время принятия решений.

At the late stage of field development, residual oil reserves undergo a significant change from mobile to sedentary and stationary. These reserves are mainly located in technogenically and production altered, watered layers and areas of deposits.Localization and development of such sources of hydrocarbons is an effective method of increasing the final oil recovery factor in mature fields, due to the presence of a readymade developed infrastructure for production, transportation and refining, as well as the availability of highly qualified personnel.This article considers an approach that allows, based on neural network algorithms, the estimation the volumes and localization of residual oil reserves in multi-layer deposits in combination with the analysis of geochemical studies of reservoir fluids. The use of machine learning algorithms allows a targeted approach to the development of residual reserves by automated selection of wellwork. This approach significantly reduces the manual labor of specialists for data processing and decision-making time.

программный комплекссверточная нейронная сетьнейросетевые алгоритмынефтяное месторождениелокализация запасов нефтигеохимические исследованияподбор геолого-технических мероприятийsoftware packageconvolutional neural networkneural network algorithmsoil fieldlocalization of oil reservesgeochemical studiesselection of geological and technical measuresРабота выполнена при поддержке Минобрнауки России в рамках соглашения № 075-15-2022-299 о предоставлении гранта в форме субсидий из федерального бюджета на осуществление государственной поддержки создания и развития научного центра мирового уровня «Рациональное освоение запасов жидких углеводородов планеты»This work was supported by the Ministry of Science and Higher Education of the Russian Federation under agreement No. 075-15-2022-299 within the framework of the development program for a world-class Research Center “Efficient development of the global liquid hydrocarbon reserves”.ReferencesБагманова С.В. и др. (2019). Геология Волго-Уральской нефтегазоносной провинции. Оренбург: ОГУ, 127 с.Aanonsen, Sigurd I., Geir Nævdal, Dean S. Oliver, Albert C. Reynolds, and Brice Vallès (2009). The ensemble Kalman filter in reservoir engineering – a review. SPE J, 14(3), pp. 393–412. https://doi.org/10.2118/117274-PAГладков Е.А., Гладкова Е.Е. (2008). Неоднозначность геолого-технологической информации в процессе адаптации гидродинамической модели. Бурение и нефть, 10, с. 40–41.Al-AbdulJabbar A. et al. (2018). Predicting formation tops while drilling using artificial intelligence. SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition. https://doi.org/10.2118/192345-MSЕрмолина А.В., Соловьева А.В. (2017). Характеристика факторов, влияющих на нефтеотдачу пласта. Геология, география и глобальная энергия, 4, с. 43–48.Bagmanova S.V. et al. (2019). Geology of the Volga-Ural oil and gas province. Orenburg: OGU, 127 p. (In Russ.)Зайцев М.В., Михайлов Н.Н., Туманова Е.С. (2021). Модели нелинейной фильтрации и влияние параметров нелинейности на дебит скважин в низкопроницаемых коллекторах. Георесурсы, 23(4), с. 44–50. https://doi.org/10.18599/grs.2021.4.5Barber D. (2012). Bayesian reasoning and machine learning. Cambridge University Press, p. 610. https://doi.org/10.1017/CBO9780511804779Закревский K.E. (2009). Геологическое 3D моделирование. Москва: ООО ИПЦ Маска, 376 с.Bebis G., Georgiopoulos M. (1994). Feed-forward neural networks. IEEE Potentials, 13(4), pp. 27–31. https://doi.org/10.1109/45.329294Зиновьев А.М. и др. (2013). Исследование реологических свойств и особенностей фильтрации высоковязких нефтей месторождений Самарской области. Вестник Самарского государственного технического университета. Серия: Технические науки, 2, с. 197–205.Charnyi I.A. (1963). Underground hydrodynamics. Moscow: Gostoptekhizdat, 397 p. (In Russ.)Игнатенко А.М., Макарова И.Л., Копырин А.С. (2019). Методы подготовки данных к анализу слабоструктурированных временных рядов. Программные системы и вычислительные методы, 4, с. 87–94. https://doi.org/10.7256/2454-0714.2019.4.31797Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of control, signals and systems, 2(4), pp. 303–314. https://doi.org/10.1007/BF02551274Кайгородов С.В. (2022). Типичные ошибки при создании гидродинамических моделей. Часть I. Ремасштабирование геологической модели. PROНЕФТЬ. Профессионально о нефти, 2, с. 52–58.Einicke G.A. (2012). Smoothing, Filtering and Prediction: Estimating the Past, Present and Future. Rijeka, Croatia: Intech, 286 p.Костиков Д.В., Петров А.Н., Лялин В.Е. (2007). Подготовка исходных данных для задачи интерпретации геофизических исследований скважин с помощью многослойной нейронной сети. Труды Международного симпозиума «Надежность и качество», т. 1, с. 123–128.Ermolina A.V., Solovieva A.V. (2017). Characterization of the factors influencing the oil recovery of the formation. Geologiya, geografiya i global’naya energiya = Geology, geography and global energy, 4, pp. 43–48. (In Russ.)Муслимов Р.Х. (2012). Нефтеотдача: прошлое, настоящее, будущее. Казань: Фэн, 663 с.Evensen G. (1994). Sequential data assimilation with a non-linear quasigeostrophic model using Monte Carlo methods to forecast error statistics. J Geophys Res, 99(C5), pp. 10143–10162. https://doi.org/10.1029/94JC00572Рыжов А.Е. и др. (2013). Физическое и математическое моделирование многофазной фильтрации при проектировании разработки нефтяной оторочки Ен-Яхинского НГКМ. Вести газовой науки, 1(12), с. 126–137.Gladkov E.A., Gladkova E.E. (2008). Ambiguity of geological and technological information in the process of adaptation of the hydrodynamic model. Burenie i neft, 10, pp. 40–41. (In Russ.)Семячков А.И. (2009). Фильтрационная неоднородность трещиноватых пород. Москва: Горная книга, 151 с.Hamam H., Ertekin T.A. (2018). Generalized varying oil compositions and relative permeability screening tool for continuous carbon dioxide injection in naturally fractured reservoirs. SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition. https://doi.org/10.2118/192194-MSСтаровойтов В.В., Голуб Ю.И. (2021). Нормализация данных в машинном обучении. Информатика, 18(3), с. 83–96. https://doi.org/10.37661/1816-0301-2021-18-3-83-96Ignatenko A.M., Makarova I.L., Kopyrin A.S. (2019). Methods for preparing data for the analysis of semi-structured time series. Programmnye sistemy i vychislitel’nye metody, 4, pp. 87–94. (In Russ.) https://doi.org/10.7256/2454-0714.2019.4.31797Степанов С.В., Соколов С.В., Ручкин А.А., Степанов А.В., Князев А.В., Корытов А.В. (2018). Проблематика оценки взаимовлияния добывающих и нагнетательных скважин на основе математического моделирования. Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика, 4(3), с. 146-164. https://doi.org/10.21684/2411-7978-2018-4-3-146-164Kaigorodov S.V. (2022). Typical mistakes when creating hydrodynamic models. Part I. Geological model upscaling. Proneft, 2, pp. 52–58. (In Russ.)Чарный И.А. (1963). Подземная гидрогазодинамика. Москва: Гостоптехиздат, 397 с.Kidner D.B. (2003). Higher-order interpolation of regular grid digital elevation models. International Journal of Remote Sensing, 24(14), pp. 2981–2987. https://doi.org/10.1080/0143116031000086835Aanonsen, Sigurd I., Geir Nævdal, Dean S. Oliver, Albert C. Reynolds, and Brice Vallès (2009). The ensemble Kalman filter in reservoir engineering – a review. SPE J, 14(3), pp. 393–412. https://doi.org/10.2118/117274-PAKostikov D.V., Petrov A.N., Lyalin V.E. (2007). Preparation of initial data for the problem of interpreting geophysical well surveys using a multilayer neural network. Proc. Int. Symp. Reliability and Quality, v. 1, pp. 123–128. (In Russ.)Al-AbdulJabbar A. et al. (2018). Predicting formation tops while drilling using artificial intelligence. SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition. https://doi.org/10.2118/192345-MSLi S., Chen J., Xiang J. (2020). Applications of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data. Neural computing and applications, 32(7), pp. 2037–2053.https://doi.org/10.1007/s00521-019-04341-3Barber D. (2012). Bayesian reasoning and machine learning. Cambridge University Press, p. 610. https://doi.org/10.1017/CBO9780511804779Liu B., Li,Y., Li G., & Liu A. (2019). A spectral feature based convolutional neural network for classification of sea surface oil spill. ISPRS International Journal of Geo-Information, 8(4), p. 160. https://doi.org/10.3390/ijgi8040160Bebis G., Georgiopoulos M. (1994). Feed-forward neural networks. IEEE Potentials, 13(4), pp. 27–31. https://doi.org/10.1109/45.329294Lydia A., Francis S. (2019). Adagrad – an optimizer for stochastic gradient descent. Int. J. Inf. Comput. Sci., 6(5), pp. 566–568.Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of control, signals and systems, 2(4), pp. 303–314. https://doi.org/10.1007/BF02551274Minmin Cai, Núria Jiménez, Martin Krüger, Huan Guo, Yao Jun, Nontje Straaten, Hans H. Richnow (2015). Potential for aerobic and methanogenic oil biodegradation in a water flooded oil field (Dagang oil field), Fuel, 141, pp. 143–153. https://doi.org/10.1016/j.fuel.2014.10.035Einicke G.A. (2012). Smoothing, Filtering and Prediction: Estimating the Past, Present and Future. Rijeka, Croatia: Intech, 286 p.Muslimov R.Kh. (2012). Oil recovery: past, present, future. Kazan: Fen, 663 p. (In Russ.)Evensen G. (1994). Sequential data assimilation with a non-linear quasigeostrophic model using Monte Carlo methods to forecast error statistics. J Geophys Res, 99(C5), pp. 10143–10162. https://doi.org/10.1029/94JC00572Novikova S., Rizvanova Z., Ziniukov R., Usmanov S. (2020). Prospects of geochemical monitoring on the basis of borehole oil samples at bypassed oil reserves localization. Int. Multidis. Sci. GeoConf. SGEM, pp. 739–744. https://doi.org/10.5593/sgem2020/1.2/s06.094Hamam H., Ertekin T.A. (2018). Generalized varying oil compositions and relative permeability screening tool for continuous carbon dioxide injection in naturally fractured reservoirs. SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition. https://doi.org/10.2118/192194-MSNurgaliev D., Ziniukov R., Sudakov V., Fakhriev, N., Averyanov A. (2021). Evaluation of the applicability of biodegradationMarkers for identification of the bypassed oil zones. 21st Int. Multidis. Sci. GeoConf. SGEM, pp. 935–941. https://doi.org/10.5593/sgem2021/1.1/s06.113Kidner D.B. (2003). Higher-order interpolation of regular grid digital elevation models. International Journal of Remote Sensing, 24(14), pp. 2981–2987. https://doi.org/10.1080/0143116031000086835Nurgaliev et al. (2006). Variation of i-butane/n-butane ratio in oils of the Romashkino oil field for the period of 1982–2000: Probable influence of the global seismicity on the fluid migration. Journal of Geochemical Exploration, 89(1–3), pp. 293–296. https://doi.org/10.1016/j.gexplo.2005.12.022Li S., Chen J., Xiang J. (2020). Applications of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data. Neural computing and applications, 32(7), pp. 2037–2053.https://doi.org/10.1007/s00521-019-04341-3O’Shea K., Nash R. (2015). An introduction to convolutional neural networks. arXiv preprint arXiv:1511.08458.Liu B., Li,Y., Li G., & Liu A. (2019). A spectral feature based convolutional neural network for classification of sea surface oil spill. ISPRS International Journal of Geo-Information, 8(4), p. 160. https://doi.org/10.3390/ijgi8040160Ribeiro M.I. (2004). Kalman and extended kalman filters: Concept, derivation and properties. Institute for Systems and Robotics, 46 p.Lydia A., Francis S. (2019). Adagrad – an optimizer for stochastic gradient descent. Int. J. Inf. Comput. Sci., 6(5), pp. 566–568.Rifai A.P., Aoyama H., Tho N.H., Dawal S.Z.M., Masruroh N.A. (2020). Evaluation of turned and milled surfaces roughness using convolutional neural network. Measurement, 161, 107860. https://doi.org/10.1016/j.measurement.2020.107860Minmin Cai, Núria Jiménez, Martin Krüger, Huan Guo, Yao Jun, Nontje Straaten, Hans H. Richnow (2015). Potential for aerobic and methanogenic oil biodegradation in a water flooded oil field (Dagang oil field), Fuel, 141, pp. 143–153. https://doi.org/10.1016/j.fuel.2014.10.035Rukundo O. (2021). Evaluation of Rounding Functions in Nearest Neighbor Interpolation. International Journal of Computational Methods, 18(08), 2150024. https://doi.org/10.1142/S0219876221500249Novikova S., Rizvanova Z., Ziniukov R., Usmanov S. (2020). Prospects of geochemical monitoring on the basis of borehole oil samples at bypassed oil reserves localization. Int. Multidis. Sci. GeoConf. SGEM, pp. 739–744. https://doi.org/10.5593/sgem2020/1.2/s06.094Ryzhov A.E. et al. (2013). Physical and mathematical modeling of multiphase filtration in the design of the development of the oil rim of the Yen-Yakhinskoye oil and gas condensate field. Vesti gazovoi nauki, 1(12), pp. 126–137. (In Russ.)Nurgaliev D., Ziniukov R., Sudakov V., Fakhriev, N., Averyanov A. (2021). Evaluation of the applicability of biodegradationMarkers for identification of the bypassed oil zones. 21st Int. Multidis. Sci. GeoConf. SGEM, pp. 935–941. https://doi.org/10.5593/sgem2021/1.1/s06.113Semyachkov A.I. (2009). Filtration heterogeneity of fractured rocks. Moscow: Gornaya kniga, 151 p. (In Russ.)Nurgaliev et al. (2006). Variation of i-butane/n-butane ratio in oils of the Romashkino oil field for the period of 1982–2000: Probable influence of the global seismicity on the fluid migration. Journal of Geochemical Exploration, 89(1–3), pp. 293–296. https://doi.org/10.1016/j.gexplo.2005.12.022Starovoitov V.V., Golub Yu.I. (2021). Data normalization in machine learning. Informatics, 18(3), pp. 83–96. (In Russ.) https://doi.org/10.37661/1816-0301-2021-18-3-83-96O’Shea K., Nash R. (2015). An introduction to convolutional neural networks. arXiv preprint arXiv:1511.08458.Stepanov S.V., Sokolov S.V., Ruchkin A.A., Stepanov A.V., Knyazev A.V., Korytov A.V. (2018). The problems of assessing the mutual influence of production and injection wells based on mathematical modeling. Vestnik Tyumenskogo gosudarstvennogo universiteta. Fiziko-matematicheskoe modelirovanie. Neft, gaz, energetika, 4(3), pp. 146-164. (In Russ.) https://doi.org/10.21684/2411-7978-2018-4-3-146-164Ribeiro M.I. (2004). Kalman and extended kalman filters: Concept, derivation and properties. Institute for Systems and Robotics, 46 p.Ta, J., Li S., Chen J., Liu C., Wang Y. (2021). Mineral prospectivity prediction via convolutional neural networks based on geological big data. Journal of Earth Science, 32(2), pp. 327–347. https://doi.org/10.1007/s12583-020-1365-zRifai A.P., Aoyama H., Tho N.H., Dawal S.Z.M., Masruroh N.A. (2020). Evaluation of turned and milled surfaces roughness using convolutional neural network. Measurement, 161, 107860. https://doi.org/10.1016/j.measurement.2020.107860Tan J., NourEldeen N., Mao K., Shi J., Li Z., Xu T., Yuan Z. (2019). Deep learning convolutional neural network for the retrieval of land surface temperature from AMSR2 data in China. Sensors, 19(13), 2987. https://doi.org/10.3390/s19132987Rukundo O. (2021). Evaluation of Rounding Functions in Nearest Neighbor Interpolation. International Journal of Computational Methods, 18(08), 2150024. https://doi.org/10.1142/S0219876221500249Toro-Vizcarrondo C., Wallace T.D. (1968). A test of the mean square error criterion for restrictions in linear regression. Journal of the American Statistical Association, 63(322), pp. 558–572. https://doi.org/10.1080/01621459.1968.11009275Ta, J., Li S., Chen J., Liu C., Wang Y. (2021). Mineral prospectivity prediction via convolutional neural networks based on geological big data. Journal of Earth Science, 32(2), pp. 327–347. https://doi.org/10.1007/s12583-020-1365-zWen Xian-Huan, and Wen H. Chen (2006). Real-time reservoir model updating using ensemble Kalman filter with confirming option. SPE J., 11(04), pp. 431–442. https://doi.org/10.2118/92991-PATan J., NourEldeen N., Mao K., Shi J., Li Z., Xu T., Yuan Z. (2019). Deep learning convolutional neural network for the retrieval of land surface temperature from AMSR2 data in China. Sensors, 19(13), 2987. https://doi.org/10.3390/s19132987Zaikin A., Salimov R. (2019). An application of Kalman filter model to reservoir pressure maintenance. Int. Multidis. Sci. GeoConf. SGEM, (1.2), pp. 627–634. https://doi.org/10.5593/sgem2019/1.2/S06.079Toro-Vizcarrondo C., Wallace T.D. (1968). A test of the mean square error criterion for restrictions in linear regression. Journal of the American Statistical Association, 63(322), pp. 558–572. https://doi.org/10.1080/01621459.1968.11009275Zaitsev M.V., Mikhailov N.N., Tumanova E.S. (2021). Non-linear filtration models and the effect of nonlinearity parameters on flow rates in low-permeability reservoirs. Georesursy = Georesources, 23(4), pp. 44–50. https://doi.org/10.18599/grs.2021.4.5Wen Xian-Huan, and Wen H. Chen (2006). Real-time reservoir model updating using ensemble Kalman filter with confirming option. SPE J., 11(04), pp. 431–442. https://doi.org/10.2118/92991-PAZakrevskii K.E. (2009). Geological 3D modeling. Moscow: Maska, 376 p. (In Russ.)Zaikin A., Salimov R. (2019). An application of Kalman filter model to reservoir pressure maintenance. Int. Multidis. Sci. GeoConf. SGEM, (1.2), pp. 627–634. https://doi.org/10.5593/sgem2019/1.2/S06.079Zhou, Zhuang, Shengyang Li, and Yuyang Shao (2018). Crops classification from sentinel-2A multi-spectral remote sensing images based on convolutional neural networks. IGARSS 2018-2018 IEEE Int. Geoscience and Remote Sensing Symposium. https://doi.org/10.1109/IGARSS.2018.8518860Zhou, Zhuang, Shengyang Li, and Yuyang Shao (2018). Crops classification from sentinel-2A multi-spectral remote sensing images based on convolutional neural networks. IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. https://doi.org/10.1109/IGARSS.2018.8518860Zinoviev A.M. et al. (2013). Investigation of rheological properties and filtration features of high-viscosity oils from the fields of the Samara region. Vestnik Samarskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Tekhnicheskie nauki, 2, pp. 197–205. (In Russ.)

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