Автоматизация процесса определения обстановок осадконакопления по каротажным данным меловых пластов и оценка её значимости при подготовке месторождений к разработке

В связи с возросшим интересом нефтегазовых компаний к цифровизации ключевых производственных процессов была рассмотрена возможность интерпретации обстановок осадконакопления по данным гамма-каротажа на автоматическом уровне без участия специалиста по интерпретации каротажных данных, используя методы машинного обучения, а именно свёрточные нейронные сети. Целью данной работы является исследование возможности создания программного продукта, способного распознавать обстановки осадконакопления на кривых гамма-каротажа. Для достижение данной цели необходимо реализовать следующие задачи:
1. провести литературный обзор; 2. сгенерировать синтетические каротажные кривые; 3. провести обучение нескольких моделей; 4. протестировать модели; 5. предложить способы улучшения результата.

РЕФЕРАТ ………………………………………………………………………………………………… 16
ВВЕДЕНИЕ ……………………………………………………………………………………………… 17
1 Определение обстановок осадконакопления по каротажным данным …….. 18
1.1 Типовые кривые каротажа ГК …………………………………………………………….. 19
1.2 Ограничения каротажа естественной радиоактивности ……………………….. 24
1.3 Влияние обстановок осадконакопления на разработку месторождений .. 26
1.4 Применение машинного обучения в нефтегазовой отрасли …………………. 30
1.5 Основные принципы машинного обучения …………………………………………. 32
1.5.1 Свёрточные нейронные сети …………………………………………………………….. 35
1.5.1.1 «Inception» …………………………………………………………………………………….. 42
1.5.1.2 «ResNet» ……………………………………………………………………………………….. 42
1.5.1.3 «Mobilenet» …………………………………………………………………………………… 43
1.5.2 Перенос обучения…………………………………………………………………………….. 44
2. Создание моделей для определения обстановок осадконакопления ……….. 46
2.1 Подготовка данных …………………………………………………………………………….. 46
2.2 Обучение моделей ………………………………………………………………………………. 50
2.3 Тестирование моделей ………………………………………………………………………… 51
2.4 Обсуждение результатов …………………………………………………………………….. 55
2.5 Влияние изменения размеров изображения на результат ……………………… 58
3. Финансовый менеджмент, ресурсоэффективность и ресурсосбережение .. 59
3.1 Потенциальные потребители результатов исследования ……………………… 59
3.2 Диаграмма Исикавы ……………………………………………………………………………. 59
3.3 SWOT-анализ ……………………………………………………………………………………… 60
3.4 Готовность проекта к коммерциализации ……………………………………………. 61
3.5 Коммерциализация результатов исследования …………………………………….. 64
3.6 Инициация проекта …………………………………………………………………………….. 65
3.6.1 Цели и результаты проекта ………………………………………………………………. 65
3.6.2 Организационная структура проекта ………………………………………………… 67
3.6.3 Ограничения и допущения проекта…………………………………………………… 67
3.7 Планирование управления научно-техническим проектом…………………… 68
3.7.1 Иерархическая структура работ проекта …………………………………………… 68
3.7.2 Контрольные события проекта …………………………………………………………. 68
3.7.3 План проекта ……………………………………………………………………………………. 69
3.7.3.1 Проход по сети в прямом направлении ………………………………………….. 75
3.7.3.2 Проход по сети в обратном направлении ……………………………………….. 75
3.7.3.3 Расчет резервов и времени работы ……………………………………………………. 76
3.7.4 Бюджет научного исследования ……………………………………………………….. 77
3.8 Организационная структура проекта …………………………………………………… 81
3.9 Матрица ответственности …………………………………………………………………… 81
3.10 План управления коммуникациями проекта ………………………………………. 82
3.11 Реестр рисков проекта ………………………………………………………………………. 83
3.12 Заключение по разделу «Финансовый менеджмент,
ресурсоэффективность и ресурсосбережение» ………………………………………….. 83
4.1 Организационные вопросы по компоновке рабочей зоны ……………………. 84
4.2 Производственная безопасность………………………………………………………….. 84
4.2.1 Отклонение от показателей микроклимата ……………………………………….. 85
4.2.2 Освещение ……………………………………………………………………………………….. 85
4.2.3 Расчет искусственного освещения ……………………………………………………. 86
4.2.4 Повышенный уровень шума …………………………………………………………….. 88
4.2.5 Электробезопасность ……………………………………………………………………….. 89
4.2.6 Пожарная безопасность ……………………………………………………………………. 89
4.3 Безопасность жизнедеятельности ………………………………………………………… 90
4.3.1 Чрезвычайные ситуации …………………………………………………………………… 90
4.3.2 Правила работы с ПЭВМ………………………………………………………………….. 91
4.4 Заключение по разделу «Социальная ответственность» ………………………. 92
ЗАКЛЮЧЕНИЕ ……………………………………………………………………………………….. 94
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ …………………………………………. 95
ПРИЛОЖЕНИЕ А ……………………………………………………………………………………. 99
ПРИЛОЖЕНИЕ Б …………………………………………………………………………………… 106

Подводя итог, можно заключить, что свёрточные нейронные сети
(особенно архитектура «Inception») обладают большим потенциалом для
определения обстановок осадконакопления по каротажным данным. Однако,
на текущей стадии модели недостаточно хорошо справляются с определением
обстановок осадконакопления по реальным каротажным кривым, потому что
модели были натренированы на синтетических кривых, представляющие
собой идеализированные формы, которые крайне редко встречаются в
реальной жизни.
На текущий момент трудно численно определить экономическую
перспективность проекта, однако, уже сейчас можно сказать, что подобный
программный продукт существенно сократит время на обработку каротажных
данных.
Что касается предложений по улучшению результата, в первую очередь
необходимо добавить в обучающую выборку реальные каротажные кривые.
По всей видимости, данная работа может быть выполнена только совместно с
нефтегазовыми компаниями, которые будут готовы предоставить каротажные
данные. Кроме того, функционал разработки может быть дополнен
возможностью определения литофаций по каротажным кривым, что сделает
разработку более перспективной. Также следует проработать вопрос,
касающийся определения обстановок в нескольких скважинах (например, если
в одной скважине была определена эоловая дюна, вероятность нахождения
этой же обстановки должна возрастать по сравнению с другими при условии
приемлемого расстояния между скважинами, глубинами, на которых были
определены обстановки, и т.д.)
Таким образом, имеет смысл продолжать разработку, рассмотренную в
данной работе.

1. ГОСТ Р 12.1.019-2017 Система стандартов безопасности труда (ССБТ).
Электробезопасность. Общие требования и номенклатура видов защиты.
2. ГОСТ 12.1.038-82 Система стандартов безопасности труда (ССБТ).
Электробезопасность.Предельнодопустимыезначениянапряжений
прикосновения и токов (с Изменением N 1)
3. ГОСТ 12.1.004-91 ССБТ. Пожарная безопасность. Общие требования (с
Изменением №1).
4. ГОСТ 12.4.009-83 ССБТ. Пожарная техника для защиты объектов.
Основные виды. Размещение и обслуживание (с Изменением №1).
5. ГОСТ 12.1.003-83 ССБТ. Шум. Общие требования безопасности.
6. ГОСТ 12.1.019 (с изм. №1) ССБТ. Электробезопасность. Общие требования
и номенклатура видов защиты.
7. ГОСТ IEC 61140-2012 Защита от поражения электрическим током. Общие
положения безопасности установок и оборудования (с Поправкой).
8. ГОСТ 17187-81. Шумомеры. Общие технические требования и методы.
9. СанПиН 2.2.4.548–96. Гигиенические требования к микроклимату
производственных помещений.
10. СанПиН 2.2.2/2.4.1340-03 Гигиенические требования к персональным
электронно-вычислительным машинам и организации работы
11. СНиП 23-05-95*. Естественное и искусственное освещение (с Изменением
№1).
12. Федеральный закон РФ от 28 декабря 2013 г. N 426-ФЗ «О специальной
оценке условий труда».
13. Федеральный Закон Российской Федерации от 22 июля 2008 г. N 123-ФЗ
Технический регламент о требованиях пожарной безопасности.
14. Белозёров В.Б. Влияние фациальной неоднородности терригенных
коллекторов на разработку залежей углеводородов. Известия Томского
политехнического университета. Инжиниринг георесурсов. 2011
15. Белозёров В.Б., Разин А.В. Модель косослоистого строения верхнеюрского
резервуара Игольского месторождения и особенности его разработки //
Вестник ВНК. – Томск, 1998. – Вып. 1. – С. 25 – 29.
16. Градзиньский Р., Костецкая А., Радомский А. и др. Седиментология. Пер.
с польского. – М.: Недра, 1980. – 646 с.
17. Кузьмина Е.А, Кузьмин А.М. Методы поиска новых идей и решений
“Методы менеджмента качества” №1 2003 г.
18. Мазур И.И., Шапиро В.Д., Ольдерогге Н.Г. Управление проектами:
Учебное пособие. – М.: Омега-Л, 2004. – 664 с.
19. Мастрюков Б.С. Безопасность в чрезвычайных ситуациях в природно-
техногенной сфере. Прогнозирование последствий: учебное пособие / Б. С.
Мастрюков. — Москва: Академия, 2011. — 368 с.
20.МуромцевВ.С.Электрометрическаягеологияпесчаныхтел-
литологических ловушек нефти и газа. Недра, Ленинград, 1984 г., 260 стр.,
УДК: 550.8
21. Назаренко О.Б. Безопасность жизнедеятельности. Расчет искусственного
освещения. Методические указания к выполнению индивидуальных заданий
для студентов дневного и заочного обучения всех направлений и
специальностей ТПУ. – Томск: Изд. ТПУ, 2008. – 20 с.
22. Нежданов А.А. Типы карбонатных конкреций и их роль в изучении
нефтегазоносных толщах Западной Сибири // Конкреционный анализ
углеродсодержащих формаций. – Тюмень, 1995. – Вып. 201. – С. 95 – 102.
23. Руководство к своду знаний по управлению проектами (Руководство
PMBOK), 4-е издание, 2008 г.
24. Albumentations [https://github.com/albumentations-team/albumentations].
25. Image Augmentations [https://github.com/aleju/imgaug].
26. Adeel N., Shabeer A., Sarfraz H. «Sedimentary facies interpretation of Gamma
Ray (GR) log as basic well logs in Central and LowerIndus Basin of Pakistan»,
geodesy and geodynamics 2016, vol 7 no 6, 432e443.
27. Al-Dajani A. F., Burns D., Toksoz M. N, Saggaf M. «Aeolian and Fluvial
Depositional Systems Discrimination in Wireline Logs Unayzah Formation, Central
Saudi Arabia» SEG Annual Meeting. 2000.
28. Alom M. Z., Hasan M., Yakopcic C. and etc. «Inception Recurrent
Convolutional Neural Network for Object Recognition» Conference on Computer
Vision and Pattern Recognition. 2017.
29. Belozerov B., Bukhanov N., Egorov D., Zakirov A. and etc. «Automatic Well
Log Analysis Across Priobskoe Field Using Machine Learning Methods»
Conference: SPE Russian Petroleum Technology Conference. 2018.
30. Bestagini P., Lipari V., Tubaro S. «A Machine Learning Approach to Facies
Classification Using Well Logs» SEG International Exposition and Annual Meeting.
2017.
31. Bize-Forest N., Lima L., Baines V., Boyd A. «Using machine-learning for
depositional facies prediction in a complex carbonate reservoir» SPWLA 59th
Annual Logging Symposium. 2018.
32. Brazell S., Bayeh A., Ashby M., Burton D. «A Machine-Learning-Based
Approach to Assistive Well-Log Correlation» Petrophysics. 2019.
33. Brownlee J.: «Master Machine Learning Algorithms», 2016.
34. Cant D. «Subsurface Facies Analysis», Geological Survey of Canada, 1992.
35. Chevitarese1 D., Szwarcman1 D., Silva1 R. M. D. «Transfer Learning Applied
to Seismic Images Classification» Search and Discovery Article. 2018.
36. Dubois M. K., Bohling G. C., Chakrabarti S. «Comparison of four approaches
to a rock facies classification problem» Computers & Geosciences. 2007.
37. Dunham M. W., Malcolm A., Welford J. K. «Improved well log classification
using semi-supervised algorithms» Conference: SEG Technical Program Expanded
Abstracts. 2019.
38. Gkortsas V., Liang L. «Automatic electrofacies classification from well logs»
Conference: SEG Technical Program Expanded Abstracts. 2019.
39. Hall B. «Facies classification using machine learning» The Leading Edge. 2016.
40. Hall M., Hall B.: «Distributed collaborative prediction: Results of the machine
learning contest» The Leading Edge. 2017.
41. Howard A., Zhu M., Chen B., Kalenichenko D. and etc. «MobileNets: Efficient
Convolutional Neural Networks for Mobile Vision Applications» ArXiv. 2017
42. Jobe T.D., Brazil E V., Khait M. «Geological feature prediction using image-
based machine learning» Petrophysics. 2018.
43. Kaiming H., Zhang X., Ren S., Sun J. «Deep residual learning for image
recognition» In Proceedings of the IEEE conference on computer vision and pattern
recognition, pp. 770-778. 2016.
44. Maniar H., Ryali S., Kulkarni M. S., Abubakar A. «Machine learning methods
in Geoscience» Conference: SEG Technical Program Expanded Abstracts. 2018.
45. Mei J., Peng S. «Sedimentary Microfacies Identification Using Principal
Component Analysis and Neural Network Based on Genetic Algorithm» Fourth
International Symposium on Computational Intelligence and Design. 2011.
46. Saner S., Cagatay M. and etc. «Relationship between shale content and grain-
size parameters in the Safania sandstone reservoir, NE Saudi Arabia», Journal of
Petroleum Geology, vol. 19(3), 1996, pp. 305-320.
47. Selley R. «Concepts and Methods of Subsurface Facies Analysis», American
Association of Petroleum Geologists, Volume 9, 1978.
48. Snøtun H. «Using Machine Learning to Create Data» Offshore Technology
Conference. 2018.
49. Wang D., Peng J., Yu Q., Chen Y., Yu H. «Support Vector Machine Algorithm
for Automatically Identifying Depositional Microfacies Using Well Logs»
Sustainability. 2019.