В данном исследовании проводится оценка эффективности метода опорных векторов для автоматизированной классификации литофаций по данным геофизических исследований скважин на примере месторождения с высокой геологической неоднородностью. Основной целью работы была оптимизация и тестирование модели для последующего использования в построении фильтрационных моделей. Особенностью статьи является автоматизация процесса подбора оптимальных параметров модели машинного обучения. В ходе работы был выполнен подбор оптимальных гиперпараметров модели (Gamma = 1, C = 10), что позволило достичь точности 71 % на отложенной выборке и значительно повысить точность с учетом соседей до 93 %. Обученная модель была применена к данным независимой тестовой скважины, не участвовавшей в обучении. Абсолютная точность прогноза составила 51 %, что ожидаемо due to geological variability and measurement uncertainties. Однако ключевым результатом является сохранение моделью высокой точности с учетом соседей (89 %), что свидетельствует о ее способности корректно идентифицировать переходные зоны между фациями — наиболее сложную задачу классификации. Для наглядной демонстрации результатов построена каротажная диаграмма с сравнением фактических и прогнозных фаций. Показано, что последующее укрупнение мелких интервалов предсказанных фаций позволяет повысить абсолютную точность модели до 60 %. Полученные результаты подтверждают практическую применимость предложенного подхода в качестве эффективного инструмента для поддержки интерпретации геологов и петрофизиков при моделировании сложнопостроенных коллекторов.
This study evaluates the effectiveness of the support vector machine (SVM) method for automated lithofacies classification using well logging data, demonstrated on a field with high geological heterogeneity. The primary objective of the work was to optimize and test the model for subsequent use in constructing flow simulation models. A distinctive feature of the paper is the automation of the process for selecting optimal parameters of the machine learning model. During the research, optimal hyperparameters of the model were selected (Gamma = 1, C = 10), which allowed achieving 71 % accuracy on the hold‑out dataset and significantly increasing the accuracy with neighbour consideration up to 93 %. The trained model was applied to data from an independent test well that was not involved in the training process. The absolute prediction accuracy amounted to 51 %, which is expected due to geological variability and measurement uncertainties. However, the key result is that the model maintained high accuracy with neighbour consideration (89 %), demonstrating its ability to correctly identify transitional zones between facies — the most challenging aspect of the classification task. To visually demonstrate the results, a well log diagram was constructed, comparing actual and predicted facies. It is shown that subsequent aggregation of small intervals of predicted facies allows increasing the absolute model accuracy up to 60 %. The obtained results confirm the practical applicability of the proposed approach as an effective tool to support geologists’ and petrophysicists’ interpretation when modelling complex reservoirs.