proneftPROНЕФТЬ. Профессионально о нефтиPROneft. Professionally about Oil2587-73992588-0055«Газпром нефть»10.51890/2587-7399-2026-11-1-147-154proneft-612Research ArticleЦИФРОВЫЕ ТЕХНОЛОГИИDIGITAL TECHNOLOGIESНейросетевая архитектура для решения задач геологической классификации в рамках идеологии Explainable AINeural network architecture for solving geological classification problems within the framework of Explainable AI ideologyhttps://orcid.org/0000-0002-4623-5708МагадеевЕ. БMagadeevE. B.

Евгений Борисович Магадеев - доктор физико-математических наук, MBA, заместитель директора по инновациям

450015, г. Уфа, ул. Карла Маркса, д. 37

Eugene B. Magadeev — Dr. Sci. (Phys. and Math.), MBA, Chief Innovation Officer

37, Karl Marx str., Ufa, 450015

magadeev.ev@geotec.ruРемеевИ. С.RemeevI. S.

Илдар Сагитович Ремеев - кандидат физико-математических наук, директор

450015, г. Уфа, ул. Карла Маркса, д. 37

Ildar S. Remeev - Cand. Sci. (Phys. and Math.), Chief Executive Officer

37, Karl Marx str., Ufa, 450015

ООО НПЦ «ГеоТЭК»РоссияScientific and production center “GeoTEC”Russian FederationООО НПЦ «ГеоТЭ»РоссияScientific and production center “GeoTEC”Russian Federation202617052026111147154Copyright © Магадеев Е.Б., Ремеев И.С., 20262026Магадеев Е.Б., Ремеев И.С.Magadeev E.B., Remeev I.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://proneft.elpub.ru/jour/article/view/612

Введение. Хотя системы искусственного интеллекта уже неоднократно применялись для решения задач геологической классификации, их повсеместное внедрение сдерживается непрозрачностью работы традиционных нейросетей.Цель. Разработать новую нейросетевую архитектуру, предназначенную для решения задач геологической классификации (определения стратиграфии, литологии, выделения коллекторов и т.д.), в основу которой были бы заложены принципы объяснимости и верифицируемости получаемых результатов.Материалы и методы. Поставленная цель достигается за счет того, что на вход сети помимо каротажных кривых, записанных в изучаемой скважине, также подается «учебник», представляющий собой набор каротажных кривых и известных результатов интерпретации для нескольких (желательно ближайших) скважин месторождения. Обученная сеть выявляет наличие сходства в поведении кривых в окрестности отдельно взятых квантов глубины в различных скважинах, благодаря чему для каждого кванта изучаемой скважины удается указать примеры схожих геологических ситуаций, представленных в «учебнике», на основании которых и выставляются искомые метки классов. Механизм выявления сходства опирается на использование нейросетей с рекуррентными слоями, которые отображают кванты глубины на множество нормированных векторов с учетом нелокальных особенностей поведения кривых.Результаты. Предлагаемая система искусственного интеллекта не только позволяет решить задачи геологической классификации в автоматическом режиме, но также позволяет пользователю видеть примеры из «учебника», обосновывающие выставление нейросетью тех или иных меток. Это существенно упрощает задачу проверки (и при необходимости корректировки) получаемых результатов перед их утверждением, что обеспечивает высокий уровень надежности при взаимодействии пользователя с системой. Кроме того, на основе разработанной архитектуры дополнительно удается решить задачи гармонизации архивных данных, а также автоматизированного подбора скважин окружения с подходящими геологическими условиями.Заключение. Вероятно, развиваемый в работе подход к созданию нейросетевых архитектур позволит преодолеть имеющиеся препятствия на пути к повсеместному внедрению систем искусственного интеллекта в нефтегазовой сфере, поскольку он наиболее полно отвечает требованиям к прозрачности и безопасности применения таких систем.

Introduction. Although artificial intelligence systems have been repeatedly applied to solve geological classifi ation problems, their widespread adoption is hindered by the opacity of traditional neural networks.Aim. To develop a new neural network architecture designed to solve problems of geological classification (determination of stratigraphy, lithology, identification of reservoirs, etc.), which would be based on the principles of explainability and verifiability of the results obtained.Materials and methods. The set goal is achieved due to the fact that in addition to the well logging curves recorded in the studied well, a “textbook” is also fed to the network input, which is a set of well logging curves and known interpretation results for several (preferably the nearest) wells of the field. The trained network identifies the presence of similarities in the behavior of curves in the vicinity of individual depth quanta in different wells, due to which, for each quantum of the studied well, it is possible to indicate examples of similar geological situations presented in the “textbook”, on the basis of which the desired class labels are set. The mechanism for identifying similarities is based on the use of neural networks with recurrent layers that map depth quanta onto a set of normalized vectors taking into account non-local features of the curve behavior.Results. The proposed artificial intelligence system not only allows solving geological classification problems automatically, but also allows the user to see examples from the “textbook” that justify the neural network’s setting of certain labels. This significantly simplifies the task of checking (and, if necessary, adjusting) the results obtained before their approval, which ensures a high level of reliability in the user’s interaction with the system. In addition, based on the developed architecture, it is possible to additionally solve the problems of harmonizing archival data, as well as automated selection of wells in the environment with suitable geological conditions.Conclusion. It is likely that the approach to creating neural network architectures developed in this work will help overcome existing obstacles to the widespread implementation of artificial intelligence systems in the oil and gas sector, since it most fully meets the requirements for transparency and safety of using such systems.

геологическая классификациямашинное обучениеExplainable AIавтоматическая стратиграфиянейронная сетьгармонизация архивных данныхgeological classifi cationmachine learningExplainable AIautomatic stratigraphyneural networkharmonization of archival dataReferencesWu X., Nyland E. Automated stratigraphic interpretation of well-log data. Geophysics. 1987, no. 52, pp. 1665–1676. https://doi.org/10.1190/1.1442283Wu X., Nyland E. Automated stratigraphic interpretation of well-log data. Geophysics. 1987, no. 52, pp. 1665–1676. https://doi.org/10.1190/1.1442283Adadi A., Berrada M. Peeking inside the black-box: A survey on explainable artificial intelligence (XAI). IEEE Access. 2018, no. 6, pp. 52138–52160. https://doi.org/10.1109/ACCESS.2018.2870052Adadi A., Berrada M. Peeking inside the black-box: A survey on explainable artificial intelligence (XAI). IEEE Access. 2018, no. 6, pp. 52138–52160. https://doi.org/10.1109/ACCESS.2018.2870052Confalonieri R., Coba L., Wagner B., Besold T.R. A historical perspective of explainable artificial intelligence. WIREs Data Mining and Knowledge Discovery. 2021, no. 11(1), e1391. https://doi.org/10.1002/widm.1391Confalonieri R., Coba L., Wagner B., Besold T.R. A historical perspective of explainable artificial intelligence. WIREs Data Mining and Knowledge Discovery. 2021, no. 11(1), e1391. https://doi.org/10.1002/widm.1391Guidotti R., Monreale A., Ruggieri S., Turini F., Giannotti F., Pedreschi D. A survey of methods for explaining black box models. ACM computing surveys. 2019, no. 51(5), pp. 1–42. https://doi.org/10.1145/3236009Guidotti R., Monreale A., Ruggieri S., Turini F., Giannotti F., Pedreschi D. A survey of methods for explaining black box models. ACM computing surveys. 2019, no. 51(5), pp. 1–42. https://doi.org/10.1145/3236009Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence. 2019, no. 1, pp. 206–215. https://doi.org/10.1038/s42256-019-0048-xRudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence. 2019, no. 1, pp. 206–215. https://doi.org/10.1038/s42256-019-0048-x

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