2025. — Т 17. — № 5 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/71nzvn525.html

Полный текст статьи в формате PDF (объем файла: 1.1 Мбайт)

Ссылка для цитирования этой статьи:

Балабуха, А. В. Классификация фаций коллекторов месторождений нефти и газа с высоким содержанием карбонатных пород посредством алгоритмов глубокого обучения / А. В. Балабуха, А. Н. Гульков // Вестник Евразийской науки. — 2025. — Т 17. — № 5. — URL: https://esj.today/PDF/71NZVN525.pdf (дата обращения: 12.03.2026).

Классификация фаций коллекторов месторождений нефти и газа с высоким содержанием карбонатных пород посредством алгоритмов глубокого обучения

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

Гульков Александр Нефедович
ФГАОУ ВО «Дальневосточный федеральный университет», Владивосток, Россия
Профессор Департамента нефтегазовых технологий
Доктор технических наук, профессор
РИНЦ: https://elibrary.ru/author_profile.asp?id=305768

Аннотация. Классификация фация нефтегазовых месторождений со сложной литологией является важной частью определения свойств месторождения и оценки неопределенности. В свою очередь это позволяет создать цифровую модель движения пластовых флюидов в различных фазовых состояниях, таких как газ, нефть и пластовая вода. По этой причине автоматизированное и надежное прогнозирование фаций горных пород на основе данных скважинного каротажа может позволить выбрать оптимальную стратегию разработки для всего месторождения и повысить коэффициент извлечения запасов углеводородов. В представленном исследовании была разработана структура для алгоритма глубокого обучения, позволяющая проводить автоматическую классификацию фаций горных пород. Важной особенностью работы является работа данными скважинного каротажа на месторождении с высоким содержанием карбонатных пород. В частности, авторы автоматизируют процесс классификации фаций, сосредоточившись на использовании методов глубокого обучения сверточной нейронной сети, которая показала высокую эффективность для решения задач классификации.

В ходе разработки модели была проанализирована эффективность работы классических моделей машинного обучения, таких как метод опорных векторов. В качестве исходных данных были использованы данные крупнейшего газового месторождения в Северной Америке — Хьюготон. Набор данных включает в себя внутрискважинные измерения по нескольким скважинам. Полученные результаты говорят о высокой эффективности полученной модели и возможности масштабируемости предлагаемого решения за счет хорошей генерализирующей способности предложенной модели. Такие решения особенно полезны, когда возникает необходимость получения быстрого прогноза фаций на большом объеме данных. Такой прогноз может использоваться в качестве опоры для ручной интерпретации геологами и петрофизиками при построении фильтрационных моделей месторождений нефти и газа.

Ключевые слова: фациальный анализ; месторождения нефти и газа; породы коллекторы; петрофизические свойства; неоднородность распределения фаций; пористость; проницаемость; скважинный каротаж; машинное обучение; кросс валидация

Скачать