Применение машинного обучения как основа экспертной системы для ачимовских отложений Западной Сибири

Отложения ачимовской толщи являются перспективным источником восполнения ресурсной базы и поддержания добычи. Объекты, связанные с данными отложениями, обладают крайне сложным строением и высокой неоднородностью как в плане, так и в разрезе. На данный момент накоплен определенный опыт изучения и разработки ачимовских отложений. Эффективное изучение и разработка таких объектов, как ачимовская толща, требует индивидуального технологического и методологического подхода. С точки зрения методологии исследования наиболее рациональным и всеобъемлющим является подход системного анализа, суть которого заключается в выделении и изучении свойств геологических тел-систем, компоненты которых обладают определенными структурными и генетическими связями [6]. В основе системного подхода лежит идея ранговой иерархии объектов и детальности исследований. Так, пошагово усложняя представления о строении объекта, возможно достичь понимания об особенностях его структуры в целом. Уже на ранних этапах геологоразведочных работ, в условиях недостатка информации необходимо иметь полное представление об особенностях геологического строения объекта, влияющих на дальнейшую разработку и экономику проектов. Кроме того, для качественного составления программ исследования, достоверного прогноза свойств объектов и выбора оптимальных методов и стратегий разработки необходима последовательная систематизация и интеллектуальный анализ имеющейся информации. Все это может быть достигнуто путем создания экспертной системы, позволяющей интегрировать знания и опыт о целевом объекте на различных уровнях, провести интеллектуальную обработку имеющейся неполной и зачастую неточной информации, предложить аналоги и технологические решения, используя алгоритмы машинного обучения и анализа данных. Основой экспертной системы является база знаний. В данной работе рассмотрено применение машинного обучения при создании базы знаний как ее основы.

1. Reading H.G., Richards M. Turbidite system in deep-water basin margins classified by grain size and feeder system // American Association of Petroleum Geologists Bulletin. – 1994. – Vol. 78. – P. 792–822.

2. Zavala C., Carvajal J., Marcano J., Delgado M. Sedimentological iIndexes: A new tool for regional studies of hyperpycnal systems. AAPG Search and Discovery Article #90079©2008 AAPG Hedberg Conference, Ushuaia-Patagonia, Argentina. 2008.

3. Zavala C., Marcano J., Carvajal J., Delgado M. Genetic indices in hyperpycnal systems: A case study in the Oligocen – early Miocen Merecure Formation, Maturin Subbasin, Venezuela // R.M. Slatt, C. Zavala (eds.). Sediment transfer from the shelf to deep water – Revisting the delivery system. AAPG Studies in Geology. – 2011. – Vol. 61. – P. 53–73.

4. Zavala C., Pan S.X. Hyperpycnal flow and hyperpycnites: Origin and distinctive characteristics // Lithologic Reservoirs. – 2018. – Vol. 30(1). – P. 1–27.

5. Муромцев В.С. Электрометрическая геология песчаных тел литологических ловушек нефти и газа. – Л.: Недра, 1984. – 260 с. (М-во геологии СССР. Всесоюз. нефт. науч.-исслед. геол. развед. ин-т).

6. Горбунов С.А., Нежданов А.А, Пономарeв В.А., Туренков Н.А. Геология и нефтегазоносность ачимовской толщи Западной Сибири. М.: Академия горных наук, 2000. – 247 с.

7. Liaw А., Wiener M. Classification and Regression by random Forest // R. News. – 2002. – Vol. 2/3. – P. 18. http://www.bios.unc.edu/~dzeng/BIOS740/ randomforest.pdf

8. https://towardsdatascience.com/why-and-how-to-cross-validate-a-model-d6424b45261f