2588-0101 Вестник Евразийской науки The Eurasian Scientific Journal ООО «Издательство «Мир науки» https://esj.today/70NZVN125.html Обогащение данных для решения задачи классификации фаций месторождений нефти с использованием геологически выделенных признаков Data enrichment for solving the problem of oil field facies classification using geologically extracted features Балабуха Алексей Владимирович Балабуха Алексей Владимирович Balabukha Alexey Vladimirovich dein500@mail.ru https://orcid.org/0009-0006-4014-7076 Глушан Павел Владимирович Глушан Павел Владимирович Glushan Pavel Vladimirovich glushan.pv@dvfu.ru https://orcid.org/0009-0000-0028-649X ФГАОУ ВО «Дальневосточный федеральный университет» (Владивосток, Россия) Far Eastern Federal University (Vladivostok, Russia) 25 04 2025 2025 17 1 70NZVN125 28 02 2025 11 04 2025 2025 Балабуха Алексей Владимирович, Глушан Павел Владимирович Balabukha Alexey Vladimirovich, Glushan Pavel Vladimirovich CC BY 4.0 https://esj.today/70NZVN125.html

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.

The objective of the presented work is to demonstrate how geologically identified features can improve the quality of oil and gas field facies classification using machine learning algorithms and uncertainty assessment. Traditional interpretation of lithofacies based on well logging data performed by an expert can be subject to distortion and is a labor-intensive process that takes a long time for large data sets. In the presented work, a methodology for automating facies analysis based on well logging data of oil and gas fields was proposed. Uncertainty assessment in field facies interpretation is quite complex, but can be very important for the decision-making process on field development strategy. Based on this, automation of the facies classification process using machine learning algorithms can improve the efficiency of using field data available at the exploration stage. Also, the objective of the presented work is to simplify the interpretation of large volumes of data, which is becoming an increasingly important task for the modern oil and gas industry. The use of automated classification and clustering of deposit facies can also allow for a more accurate quantitative assessment of uncertainty, which in turn will allow for more possible alternatives of deposit structure and sedimentation conditions to be taken into account. In this paper, methods were investigated for increasing the efficiency of the most popular data classification algorithms by enriching borehole logging data with features identified based on the geological structure of the deposit.

 Ключевые слова машинное обучение классификация петрофаций алгоритм случайного леса алгоритм опорных векторов кросс-валидация автоматизация фациального анализа скважинный каротаж Keywords machine learning petrofacies classification random forest algorithm support vector machine cross-validation automation of facies analysis well logging Шишаев Г.Ю., Матвеев И.В., Еремян Г.А., Демьянов В.В., Кайгородов С.В. Геологически обоснованная автоматизированная адаптация гидродинамических моделей на примере реального месторождения // Нефтяное хозяйство. — 2020. — № 6. — С. 58–61. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. (2019). CatBoost: unbiased boosting with categorical features. // Machine Learning — 2019 — URL: https://arxiv.org/abs/1706.09516. Mohamed I.M., Mohamed S., Mazher I. et al. (2019). Formation lithology classification: insights into machine learning methods. // SPE Annual Technical Conference — 2019 — URL: https://onepetro.org/SPEATCE/proceedings-abstract/19ATCE/19ATCE/D021S033R005/217664. Konoshonkin D.V. Machine Learning Clustering of Reservoir Heterogeneity with Petrophysical and Production Data / D.V. Konoshonkin, G.Yu. Shishaev, I.V. Matveev [et al.] // SPE Europec featured at 82nd EAGE Conference and Exhibition — Dallas: SPE, 2020. — URL: https://www.researchgate.net/publication/341920840_Machine_Learning_Clustering_of_Reservoir_Heterogeneity_with_Petrophysical_and_Production_Data. Ушаков С.Н. Классификация кривых ПС каротажа / С.Н. Ушаков, М.А. Сальников, А.Ю. Кайда; науч. рук. Е.И. Губин // Наука и практика: проектная деятельность — от идеи до внедрения материалы IХ региональной научно-практической конференции, Томск, 2020. — Томск: ТУСУР, 2020. — С. 71–73. Viggen E.M., Merciu I.A., Løvstakken L. et al. Automatic interpretation of cement evaluation logs from cased boreholes using supervised deep neural networks // Journal of Petroleum Science and Engineering — 2020 — № 195 — URL: https://www.researchgate.net/publication/342630351_Automatic_interpretation_of_cement_evaluation_logs_from_cased_boreholes_using_supervised_deep_neural_networks. Peyret A.P., Ambía J., Torres-Verdín C. et al. Automatic Interpretation of Well Logs with Lithology-Specific Deep-Learning Methods. // SPWLA 60th Annual Logging Symposium — 2019 — URL: https://www.researchgate.net/publication/336223929_AUTOMATIC_INTERPRETATION_OF_WELL_LOGS_WITH_LITHOLOGY-SPECIFIC_DEEP-LEARNING_METHODS. Matveev I., Shishaev G., Eremyan G., Konoshonkin D., Demyanov V., Kaygorodov S. Geology realism control in automated history matching // ECMOR XVII — 2020 — URL: https://www.researchgate.net/publication/348530031_Geology_Realism_Control_in_Automated_History_Matching. Begashaw G.B., Yohannes Y.B. Review of Outlier Detection and Identifying Using Robust Regression Model // International Journal of Systems Science and Applied Mathematics. — 2020. —Т. 5. — №. 1 — С. 4–11. Исакова Т.Г. Прогнозная оценка фильтрационной способности тонкослоистых коллекторов викуловской свиты по результатам исследования керна и ГИС. / Т.Г. Исакова, Т.Ф. Дьяконова, А.Д. Носикова, Г.А. Калмыков, А.В. Акиньшин, В.М. Яценко — DOI: 10.18599/grs.2021.2.17 / Георесурсы — 2021 — Т. 23, № 2 — С. 170–178.