Применение методов машинного обучения в обработке данных геофизических исследований скважин отложений викуловской свиты

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.

1. Исакова 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.2021.2.17

2. Рашка 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.

3. Breiman L. (2001). Random Forests. Machine Learning 45, p. 5–32. https://doi.org/10.1023/A:1010933404324

4. Friedman J. (2001). Greedy function approximation: A gradient boosting machine. Ann. Statist., 29(5), pp. 1189–1232. https://doi.org/10.1214/aos/1013203451

5. Haykin S. (1994). Neural Networks: A Comprehensive Foundation. Prentice Hall PTR, Upper Saddle River.

6. 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.2018.8634775

7. Mohamed 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-MS

8. Peyret 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_SSSS

9. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. (2019). CatBoost: unbiased boosting with categorical features. https://doi.org/10.48550/arXiv.1706.09516

10. Schmidhuber J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, pp. 85–117. https://doi.org/10.1016/j.neunet.2014.09.003

11. Viggen 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.2020.107539

12. Wu 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