2025. — Т 17. — № 2 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/02nzvn225.html

Полный текст статьи в формате PDF (объем файла: 628.7 Кбайт)

Ссылка для цитирования этой статьи:

Балабуха, А. В. Моделирование распределения фаций нефтяного месторождения с использованием алгоритмов машинного обучения / А. В. Балабуха, П. В. Глушан // Вестник Евразийской науки. — 2025. — Т 17. — № 2. — URL: https://esj.today/PDF/02NZVN225.pdf (дата обращения: 17.02.2026).

Моделирование распределения фаций нефтяного месторождения с использованием алгоритмов машинного обучения

Балабуха Алексей Владимирович
ФГАОУ ВО «Дальневосточный федеральный университет», Владивосток, Россия
Аспирант
E-mail: dein500@mail.ru
ORCID: https://orcid.org/0009-0006-4014-7076

Глушан Павел Владимирович
ФГАОУ ВО «Дальневосточный федеральный университет», Владивосток, Россия
Аспирант
E-mail: glushan.pv@dvfu.ru
ORCID: https://orcid.org/0009-0000-0028-649X

Аннотация. В представленной работы были проведены эксперименты по использованию алгоритмов классификации данных для моделирования распределения фаций нефтяного месторождения по данным скважинного каротажа. В работы была проведена настройка гиперпараметров используемых моделей посредством кросс-валидации с использованием каждой из исследуемых разведывательных скважин в качестве валидационной. Это позволило повысить интерпретируемость получаемых результатов. В ходе исследований была оценена эффективность двух распространенных алгоритмов классификации данных, таких как метод опорных векторов и метод случайного леса. В представленном исследовании было проведено сравнение результатов классификации с использованием исключительно данных скважинного каротажа с результатами полученными после обогащения данных геологическими признаками. В первом эксперименте ограничения на основе геологически выделенных правил были использованы как дополнительные признаки в качестве входных данных. В этом эксперименте были использованы ключевые геологические признаки, которые петрофизик или геолог может выделить на основе откликов скважинного каротажа. Во втором исходные данные были обогащены геологическими признаками на основе интерпретации характеристик месторождения, таких как размер зерен пласта коллектора, размер пор, а также процентное содержание глины. Такие переменные были использованы в качестве независимых переменных для повышения точности классификации и согласованности результатов классификации с геологической интерпретацией. Эксперименты по добавлению шума в исходные данные подтвердили устойчивость разработанной модели к выбросам в данных и случайному шуму. Главной задачей представленного исследования является определение геологических признаков, которые могут позволить повысить точность классификации и кластеризации фаций пласта коллектора месторождения нефти и газа на основе данных скважинного каротажа. Также важной особенностью представленного исследования является оценка устойчивости разрабатываемой модели к неопределенности, связанной с ошибкой измерений и наличием транзитных зон смены пар соседствующих фаций вдоль ствола скважин.

Ключевые слова: машинное обучение; фации; классификация петрофаций; алгоритм случайного леса; алгоритм опорных векторов; моделирование месторождения; проницаемость

Скачать