Сравнение эффективности методов машинного обучения для решения задачи количественного прогноза по данным сейсморазведки

Введение. Одной из ключевых задач для сейсморазведки является прогноз геологического строения изучаемых пластов. В частности, оценка мощности коллекторов на основании имеющейся скважинной статистики. Подобная задача является стандартной в рамках динамического анализа волнового поля и зачастую решается путем построения прогнозной модели на основании имеющейся геолого­геофизической информации, в том числе по известным значениям эффективной мощности в скважинах.

Цель. Оценка эффективности методов машинного обучения при решении задачи прогноза мощности коллекторов по данным сейсморазведки. Современный анализ данных зачастую использует эту категорию методов для построения различных прогнозных моделей. Сейсмическая интерпретация, в свою очередь, связана с использованием относительно простых линейных моделей. Это делает актуальным определение прироста качества от использования сложных моделей предсказания.

Материалы и методы. Для исследования использован относительно хорошо изученный бурением участок одного из месторождений в Западной Сибири. Рассматриваемая территория полностью покрыта данными 3D-сейсморазведки, для построения модели имеются 170 скважин, в которых определено значение эффективной мощности.

В рамках исследования рассмотрен как стандартный подход с применением линейной регрессии, так и более сложные алгоритмы машинного обучения, такие как многомерная регрессия, метод случайного леса, метод ближайших соседей и нейронная сеть. Для оценки качества предсказания имеющаяся выборка скважин разделена на обучающую и валидационную, состоящие из 80 и 90 скважин соответственно. Все вычисления реализованы с использованием открытых библиотек языка программирования python.

Результаты. Получены распределения ожидаемой точности прогноза для каждого из рассмотренных методов. В тексте статьи подробно описан алгоритм работы, а также выполненные тесты для подбора параметров каждого алгоритма.

Заключение. Полученные результаты позволяют сделать вывод об эффективности использования методов машинного обучения. Все рассмотренные сложные алгоритмы позволяют получить более точный прогноз эффективной мощности по сравнению с подходом линейной регрессии. Наиболее значительный прирост точности наблюдается при использовании нейронной сети и составляет 23 %.

1. Meckel L.D., Nath A.K. Geologic considerations for stratigraphic modelling and interpretation. In Seismic Stratigraphy — Applications to Hydrocarbon Exploration, ed. C. E. Payton. AAPG Memoir, 1977, no. 26, pp. 417-438.

2. Linear Models [Electronic Resource]. Access: https://scikit-learn.org/stable/modules/linear_model.html#lasso

3. Decision Trees [Electronic Resource]. Access: https://scikit-learn.org/stable/modules/tree.html#regression

4. Nearest Neighbors [Electronic Resource]. Access: https://scikit-learn.org/stable/modules/neighbors.html

5. Neural network models (supervised) [Electronic Resource]. Access: https://scikit-learn.org/stable/modules/neural_net-works_supervised.html