2025. — Т 17. — № 1 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/70nzvn125.html

Полный текст статьи в формате PDF (объем файла: 688.7 Кбайт)

Ссылка для цитирования этой статьи:

Балабуха, А. В. Обогащение данных для решения задачи классификации фаций месторождений нефти с использованием геологически выделенных признаков / А. В. Балабуха, П. В. Глушан // Вестник Евразийской науки. — 2025. — Т 17. — № 1. — URL: https://esj.today/PDF/70NZVN125.pdf (дата обращения: 18.05.2025).

Обогащение данных для решения задачи классификации фаций месторождений нефти с использованием геологически выделенных признаков

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. Целью представленной работы является демонстрация того, как признаки, выделенные геологически, могут повысить качество классификации фаций месторождений нефти и газа с использованием алгоритмов машинного обучения и оценкой неопределенности. Традиционная интерпретация литофаций по данным скважинного каротажа, выполняемая экспертом, может быть подвержена искажению и является трудоемким процессом, который занимает длительное время для больших наборов данных. В представленной работе была предложена методика автоматизации фациального анализа по данным скважинного каротажа нефтяных и газовых месторождений. Оценка неопределенности в интерпретации фаций месторождения довольно сложна, но может быть очень важна для процесса принятия решений по стратегии разработки месторождения. Исходя из этого, автоматизация процесса классификации фаций с использованием алгоритмов машинного обучения может позволить повысить эффективность использование данных о месторождении, доступных на этапе разведки. Также целью представленной работы является упрощение интерпретации больших объемов данных, что становится все более важной задачей для современной нефтегазовой отрасли. Использование автоматизированной классификации и кластеризации фаций месторождения может также позволить получить более точную количественную оценку неопределенности, что в свою очередь позволит учесть больше возможных альтернатив строения месторождения и условий осадконакопления. В представленной работе были исследованы методы повышения эффективности применения наиболее популярных алгоритмов классификации данных с помощью обогащения данных скважинного каротажа признаками, выделенными исходя геологического строения месторождения.

Ключевые слова: машинное обучение; классификация петрофаций; алгоритм случайного леса; алгоритм опорных векторов; кросс-валидация; автоматизация фациального анализа; скважинный каротаж

Скачать