Прямой нейросетевой прогноз коллекторских свойств пласта по данным сейсморазведки на примере клиноформных отложений Западной Сибири

В рамках выполнения задач по проектированию разработки перспективных площадей по ряду причин была выявлена проблема невозможности применения классических методов геологического моделирования с применением сейсмофациального анализа для количественной оценки коллекторских свойств продуктивных пластов.

В связи с этим проведено тестирование методик и алгоритмов машинного обучения, реализованных в специализированном ПО IP_Seismic (ООО «Лаборатория Приезжева»).

Цель. Основными целями работ являлись разработка проектов по вводу новых скважин, расчет экономической целесообразности и рентабельности финансовых затрат на основе трехмерной геологической модели месторождения.

Методы. В работе использовались алгоритмы машинного обучения на основе полнофункциональных функций Колмогорова, реализованные в обособленном программном обеспечении IP_seismic, а также методики геологического моделирования в программе Petrel.

Результаты. Результатом работы стала корректировка программы разработки и реализация некоторого количества бизнес-кейсов. В текущей статье приводятся различные типовые примеры применения методик машинного обучения, на основе которых были предложены дополнительные скважины к бурению, программы снятия рисков, реализация альтернативной системы разработки.

Заключение. В рамках работы представлены нетипичные способы решения задачи поиска перспективных зон для бурения посредством применения нейросетевого прогнозирования. Протестирована передовая математическая основа, заложенная в специализированное ПО, которое впоследствии и было задействовано для подготовки решения. На основе выработанной методологии представлены примеры успешного использования подхода для корректировки и проектирования программ эксплуатационного бурения, которые могут тиражироваться на иные объекты разработки. 

1. Kobrunov A., Priezzhev I. Hybrid combination genetic algorithm and controlled gradient method to train a neural network // Geophysics. — 2016. — vol. 81. — № 4. — Pp. 1–9.

2. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных // Доклады Академии наук СССР. — 1957. — № 14(5). — С. 953–956.

3. Priezzhev I., Shmaryan L., Bejarano G. Non-linear multi trace seismic inversion using neural network and genetic algorithm — “Genetic Inversion” // Annual Meeting St Petersburg, EAGE, Extended Abstracts. — 2008.

4. Tikhonov A.N., Arsenin V.Y. Solutions of ill-posed problems / V.H. Winston and Sons, Washington D.C., 1977.

5. Priezzhev I.I. New age, Kolmogorov full functional neural network usage for nonlinear predictive seismic inversion / EAGE, Saint Petersburg, 2020] // Geosciences: Converting Knowledge into Resources. Saint Petersburg, Russia, 6–9 April. — 2020.

6. Приезжев И.И. Нейронные сети нового поколения на основе теоремы Колмогорова и их применение для прогнозно-инверсионных построений // ГеоЕвразия, Москва, 3–5 февраля. — 2020