Геологическое моделирование и проблемы освоения нефтегазовых объектов
Ответственный за рубрику – доктор геолого-минералогических наук О.М. Прищепа
Статья № 14_2020 дата поступления в редакцию 12.12.2019 подписано в печать 11.05.2020
15 с.
pdf Сейсмогеологическое моделирование с целью определения влияния полноты исходной информации и геологических условий на результат прогноза емкостных свойств коллекторов по сейсмическим данным
Статья посвящена изучению прогнозных возможностей нескольких наиболее распространённых алгоритмов машинного обучения в различных геолого-геофизических условиях. Для решения поставленной задачи рассчитано несколько синтетических моделей, имитирующих возможные условия проведения прогнозных построений для фильтрационно-емкостных свойств коллекторов. Показано, какие алгоритмы позволяют достичь наибольшего положительного эффекта.

Ключевые слова: геологическое моделирование, сейсмическое моделирование, алгоритм машинного обучения, фильтрационно-емкостные свойства коллектора.
ссылка на статью обязательна Егоров С.В., Приезжев И.И. Сейсмогеологическое моделирование с целью определения влияния полноты исходной информации и геологических условий на результат прогноза емкостных свойств коллекторов по сейсмическим данным // Нефтегазовая геология. Теория и практика. - 2020. - Т.15. - №2. - http://www.ngtp.ru/rub/2020/14_2020.html
цифровой идентификатор статьи DOI https://doi.org/10.17353/2070-5379/14_2020
Литература
   Ампилов Ю.П. От сейсмической интерпретации к моделированию и оценке месторождений нефти и газа. - Москва: Изд-во Спектр, 2008. - 384 с.
   Ампилов Ю.П., Барков А.Ю., Яковлев А.В. Применение нейронных сетей для прогноза фильтрационно-емкостных свойств по сейсмическим атрибутам и результатам акустической инверсии: стендовый доклад Р105 // Геонауки – от новых идей к новым открытиям: третья Международная выставка-конференция (г. Санкт-Петербург, 7-10 апреля 2008 г.). - СПб.: SEG-EAGE, 2008. – С. 105.
   Бакирова Э.А. Геология нефти и газа. - М.: Недра - 1990. - 240 с.
   Методические рекомендации по использованию данных сейсморазведки (2D, 3D) для подсчета запасов нефти и газа / Ю.П. Ампилов, В.М. Глоговский, В.В. Колесов, М.Б. Коростышевский, В.Б. Левянт, С.Н. Птецов. - М.: ОАО «ЦГЭ», 2006. - 39 с.
   Приезжев И.И., Егоров С.В. Гибридное обучение нейронных сетей с целью прогноза параметров нефтегазовой продуктивности горных пород // Сейсмические технологии. - 2017. - С. 205 - 208.
   Приезжев И.И., Егоров С.В. Прогноз кубов упругих свойств по данным сейсморазведки 3D и ГИС при помощи алгоритма «случайного леса» // Геофизика. - 2018. - №2. - С. 10-16.
   Приезжев И.И., Егоров С.В., Гладков Е.А. Применение алгоритмов машинного обучения для решения задач количественного прогноза ФЕС по сейсмическим и скважинным данным // Геофизика. - 2018. - №3. - С.33-38.
   Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. - М.: ДМК Пресс, 2015. - 400 с.
   Breiman L., Friedman J.H. Estimating Optimal Transformations for Multiple Regression and Correlation // Journal of American Statistical Association. - 1985. - Vol. 80. - No. 391. - P. 580-598.
   Chopra S., Marfurt K.J. Seismic attributes for prospect identification and reservoir characterization. - Tulsa: Society of Exploration Geophysicists, 2007. - 481 p.
   Herron D.A., Latimer R.B. First Steps in Seismic Interpretation // Geophysical monograph series, no. 16. - Tulsa: Society of Exploration Geophysicists, 2011. - 203 p.
   Priezzhev I., Kobrunov А. Hybrid combination genetic algorithm and controlled gradient method to train a neural network // Geophysics. – 2016. - Vol 81. – P. 35-43. DOI: https://doi.org/10.1190/geo2015-0297.1
   Schuster G.T., Chen Yu. Seismic Inversion by Newtonian Machine Learning // Research Gate GEO-2019-0434.R2: Preprint (PDF Available) April 2019. - 57 р. - https://www.researchgate.net/publication/332630844_Seismic_Inversion_by_Newtonian_Machine_Learning
   Tikhonov A.N., Arsenin V.Y. Solutions of ill-posed problems. - Washington: V.H. Winston and Sons. – 1977. – P. 259.