Обобщение с реверс-калибровкой скважинных и сейсмических данных методами машинного обучения на примере прогноза сложных резервуаров на ранней стадии геологоразведки месторождения нефти

Цель данной работы заключается в создании и применении экспертно-независимого подхода для прогнозирования вероятности распространения резервуаров углеводородов в изучаемом пространстве.

Материалы и методы. Прогноз сделан по данным сейсморазведочных работ МОГТ 3D и скважинной информации об объекте исследования на ранней стадии изученности месторождения. Использованы результаты литологической интерпретации ГИС по девяти скважинам, из них четыре скважины вскрыли объект вертикально или субвертикально, пять — с горизонтальной проходкой по различным стратиграфическим частям ачимовского комплекса, являющегося объектом исследования. В работе показан подход на основе технологического стека из алгоритмов машинного обучения с задачей бинарной классификации и метода модификации геолого-геофизического набора данных. Исследование включает в себя следующую последовательность действий: создание наборов данных для обучения, отбор признаков, реверс-калибровка данных, создание популяции моделей классификации, оценка качества классификации, оценка вклада признаков в прогноз, ансамблирование популяции моделей методом стекинга.

В результате сделан прогноз — получен трёхмерный куб калиброванных вероятностей принадлежности изучаемого пространства к классу коллектор и его производная в виде карты эффективных толщин ачимовского комплекса отложений. Проведена оценка изменения качества прогноза в зависимости от применения различных наборов данных.

Заключение. Предложенный в работе метод реверс-калибровки использует неопределенность геофизических данных как гиперпараметр глобальной настройки технологического стека, в заданных границах априорной погрешности этих данных. Показано, что метод повышает качество прогноза. Используемый в работе технологический стек из алгоритмов машинного обучения позволяет экспертно-независимо обобщить геолого-геофизические данные и использовать это обобщение для проверки гипотез и создания геологических моделей на основе вероятностного представления о резервуаре. Подход позволяет формализовать обобщение данных об объекте исследования, с использованием фактической информации, такой как литология вдоль ствола скважин и сейсмические данные. В зависимости от исходных данных подход может быть полезным инструментом для поисков и разведки геологических объектов, выявления потенциальных ресурсов, оптимизации и проектирования систем разработки месторождений. 

1. BoostARoota GitHub repository. https://github.com/chasedehan/BoostARoota

2. Prokhorenkova G., Gusev A., Vorobev A., Dorogush, Gulin A. CatBoost: unbiased boosting with categorical features. In: Bengio S., Wallach H., Larochelle H., Grauman K., Cesa-Bianchi N., Garnett R. editors. Proceedings of the 31st International Conference on Advances in Neural Information Processing Systems (NeurIPS’18). Curran Associates, 2018.

3. Ivlev D. Reservoir Prediction by Machine Learning Methods on The Well Data and Seismic Attributes for Complex Coastal Conditions. arxiv preprint arxiv:2301.03216v1 2023.

4. Bergstra james S., et al. Algorithms for hyper-parameter optimization. Advances in Neural Information Processing Systems. 2011.

5. Bergstra james, Daniel Yamins, David Cox. Making a science of model search: Hyperparameter optimization in hundreds of dimensions for vision architectures. Proceedings of The 30th International Conference on Machine Learning, 2013.

6. Ke q. Meng, T. Finley, T. Wang, W. Chen, W. Ma, q. Ye, T.-Y. Liu. Lightgbm: A highly efficient gradient boosting decision tree. In: I. Guyon, U. von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, and R. Garnett editors. Proceedings of the 30th International Conference on Advances in Neural Information Processing Systems (NeurIPS’17). Curran Associates, 2017.

7. Chen and C. Guestrin. xgboost: A scalable tree boosting system. In: B. Krishnapuram, M. Shah, A. Smola, C. Aggarwal, D. Shen, and R. Rastogi editors. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD’16), ACM Press, 2016, pp. 785–794.

8. Hollmann N., Müller S., Eggensperger K., Hutter F. TabPFN. A Transformer That Solves Small Tabular Classification Problems in a Second. arxiv preprint arxiv: 2207.01848v4, 2022.

9. Scott Lundberg, Su-In Lee. A Unified Approach to Interpreting Model Predictions. arxiv preprint arxiv:1705.07874v2, 2017.