Построение структурной модели геологической среды на основе данных современной аэрогеофизической съемки и сейсморазведки МОГТ-2D

Построение структурно-тектонической модели среды на ранних этапах ГРР связано с существенными неопределенностями, обусловленными редкой сетью сейсмических профилей. Выбор того или иного алгоритма интерполяции времен и скоростей пробега сейсмических волн без привлечения дополнительной априорной информации может существенно влиять на результат структурных построений.
Цель. С целью детализации структурной модели, минимизации неопределенностей и геологических рисков на ранних стадиях ГРР был разработан подход по восстановлению морфологии горизонтов в межпрофильном пространстве сейсмических данных, с привлечением в качестве априорной информации современных аэрогеофизических методов.
Материалы и методы. Для решение поставленной задачи применялись методы машинного обучения с учителем. На модельных данных были протестированы наиболее популярные алгоритмы машинного обучения. Сделан вывод о применимости и ограничениях использованных алгоритмов. Подробно описаны основные этапы решения поставленной задачи. Рассмотрены основные категории неопределенностей, сопровождающих структурный прогноз, возможности их выявления и количественной оценки. Описаны подходы по анализу влияния признаков на результаты прогноза, в том числе для гибких моделей машинного обучения. Для автоматизации плохоформализуемых процедур, таких как селекция признаков и оптимизация гиперпараметров моделей машинного обучения, предложен подход на основе эвристического алгоритма поиска. Все вычисления выполнены на языке программирования Python с использованием открытых библиотек.
Результаты. На примере модельных и реальных данных продемонстрирована существенная детализация структурного плана горизонтов, полученных на основании прогноза с учетом априорной информации, в сравнении с классическими алгоритмами интерполяции.
Заключение. Достигнутые результаты позволяют сделать вывод о высокой эффективности привлечения дистанционных геофизических методов на этапе структурных построений ранних стадий ГРР. Подобный комплексный анализ позволяет получить более достоверную геологическую модель, сфокусировать внимание на перспективных объектах с меньшими геологическими рисками при планировании дальнейших детальных геолого-разведочных работ.

1. Шерифф Р., Гелдарт Л. Сейсморазведка. Обработка и интерпретации данных. Т. 2. м.: мир, 1987. — 400 с.

2. Боганик Г.Н., Гурвич И.И. Сейсморазведка: Учебник для вузов. Тверь: Изд-во АИС, 2006. — 744 с.

3. Gardner G.H.F., Gardner L.W., Gregory A.R. Formation velocity and density — the diagnostic basics for stratigraphic traps // Geophysics. — 1974. — V. 39. — P. 770–849.

4. Рожков А.С. Определение плотности, скорости и границ слоистой геологической среды околоскважинного пространства с криволинейными границами раздела // Журнал «Геофизические исследования». — 2016. — Т. 17. — № 4. — С. 67–77.

5. Шрайбман В.И., Жданов М.С., Витвицкий О.В. Корреляционные методы преобразования и интерпретации геофизических аномалий. м: Недра, 1977. — 237 с.

6. Колмаков А.В. методы машинного обучения в задачах комплексной интерпретации данных потенциальных полей и сейсморазведки // ГеоЕвразия-2021. Геологоразведка в современных реалиях. 2021. — Том II. — С. 76–80.

7. Колмаков А.В., Трусов А.А., Мейснер А.Л., Григорьев Г.С. моделирование морфологии отражающих горизонтов в межпрофильном пространстве по данным потенциальных полей методами глубокого обучения // ГеоЕвразия-2020. Современные технологии изучения и освоения недр Евразии. — 2021. — Том III. — С. 76–80.

8. Shklyaruk A., Kuznetsov K., Atutyunyan D. Lygin I. Algorithms for constructing structural surfaces by geophysical data based on neural networks // Engineering and Mining Geophysics. — 2021. — P. 1–6.

9. Гулин В.Д., Ананьев В.В., Григорьев Г.С., Зайцев С.В. и др. Применение алгоритмов машинного обучения для восстановления структурного каркаса по данным потенциальных полей в зонах отсутствия данных сейсморазведки // материалы 48-й сессии международного научного семинара им. Д. Г. Успенского–В.Н. Страхова, 2022. — С. 90–94.

10. Блох Ю.И. Интерпретация гравитационных и магнитных аномалий. — Учебное пособие для студентов и вузов. — 2009. — 232 с.

11. Geo I/O for Subsurface. Random grids [Electronic Resource]. Access: https://code.agilescientific.com/gio/userguide/Random_grids.html

12. Andrew Trask, Felix Hill, Scott Reed, Jack Rae, Chris Dyer, Phil Blunsom. Neural Arithmetic Logic Units // In Advances in Neural Information Processing Systems. — 2018. — V. 31. — P. 8046–8055.

13. Scott M., Lundberg and Su-In Lee. A unified approach to interpreting model predictions // In Advances in Neural Information Processing Systems. — 2017. — P. 4765–4774.

14. Lloyd S Shapley. A value for n-person games // In: Contributions to the Theory of Games 2.28. — 1953. — Р. 307–317.

15. Roberts D. R., Bahn V., Ciuti S., Boyce M.S., Elith J., Guillera-Arroita G., Hauenstein S., Lahoz-Monfort J.J., Schroeder B., Thuiller W., Warton D.I., Wintle B.A., Hartig F., Dormann C.F. Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure // ECOGRAPHY. — 2017. — V. 40 (8). — P. 913–929.