Синтезирование и восстановление каротажных кривых с помощью алгоритмов машинного обучения

Информация, получаемая при исследовании скважины акустическими и плотностными методами, является ценной при дальнейшей интерпретации литологии, подсчете запасов и создания геологической модели. К сожалению, не на всем фонде скважин проводиться специальный комплекс ГИС, в который включены акустические и плотностные каротажи. Обычно синтез данных кривых производится с использованием эмпирических зависимостей, которые, во-первых, дают не всегда точный результат, а во-вторых, не могут применяться повсеместно. В работе предлагается использовать алгоритмы машинного обучения для синтезирования кривых ГИС, ввиду высокой точности получаемых результатов, повсеместного использования и анализа скрытых связей между множеством параметров.

ВВЕДЕНИЕ……………………………………………………………..……16

1. ПОСТАНОВКА ПРОБЛЕМЫ ИССЛЕДОВАНИЯ……………….17

2. ГЕОЛОГИЧЕСКАЯ ХАРАКТЕРИСТИКА ОБЪЕКТОВ
ИССЛЕДОВАНИЯ…………………………………………………19

3. ВОССТАНОВЛЕНИЕ ДАННЫХ ПРИ ПОМОЩИ
ЭМПИРИЧЕСКИХ ЗАВИСИМОСТЕЙ………………………….22

4. ОПИСАНИЕ ОСНОВ И АЛГОРИТМОВ МАШИННОГО
ОБУЧЕНИЯ………………………………………………………….27

5. АНАЛИЗ УСТОЙЧИВОСТИ СИНТЕТИЧЕСКИХ
КАРОТАЖНЫХ КРИВЫХ И ИХ ПРОИЗВОДНЫХ…………….43

6. ФОРМИРОВАНИЕ ПРИЗНАКОВОГО ПРОСТРАНСТВА………45

7. ТЕСТИРОВАНИЕ АЛГОРИТМОВ НА ПРОМЫСЛОВЫХ
ДАННЫХ…………………………………….………………..….…46

8. АНАЛИЗ РЕЗУЛЬТАТОВ СИНТЕЗИРОВАНИЯ………………..49

9. ФИНАНСОВЫЙ МЕНЕДЖМЕНТ,
РЕСУРСОЭФФЕКТИВНОСТЬ И РЕСУРСОСБЕРЕЖЕНИЕ……55

10.СОЦИАЛЬНАЯ ОТВЕТСВЕННОСТЬ……………………………62

ЗАКЛЮЧЕНИЕ…………………………………………………….…..…..…69

СПИСОК ЛИТЕРАТУРЫ………………………………………………..…..72

ПРИЛОЖЕНИЕ А…………………………………………………….…..…..75
ПРИЛОЖЕНИЕ В……………………………………………………..……76

ПРИЛОЖЕНИЕ С…………………………………………………………..77

ПРИЛОЖЕНИЕ Д……………………………………………….………….79

ПРИЛОЖЕНИЕ Е……………………………………………………………80

ПРИЛОЖЕНИЕ Ж……………………………………………….………….81

ПРИЛОЖЕНИЕ З…………………………………………………………….89

ПРИЛОЖЕНИЕ И………..………………………………………….………91

ПРИЛОЖЕНИЕ К…………………….…………………………….……….93

ПРИЛОЖЕНИЕ Л……………………………….…………………………..95

ПРИЛОЖЕНИЕ М……………………………….…………………………..96

ПРИЛОЖЕНИЕ Л……………………………….…………………………..103

В работе рассмотрены и решены следующие задачи:
1. восстановление кривых плотностного и акустического каротажа с
помощью алгоритмов машинного обучения на реальном объекте
разработки;
2. сравнение результатов синтезирования кривых методами машинного
обучения и эмпирических уравнений;
3. сравнение точности прогнозирования данных ГИС алгоритмами
случайного леса и нейронной сети;
4. обоснование эффективности и универсальности применения методов
машинного обучения;
5. оценка экономического прироста и снижения негативного влияние на
окружающую среду.

Каротажные кривые синтезированы как на тренировочном объекте
(Шестаковский комплекс (4)), так и на действующем объекте разработки
(Крапивинское месторождение (5)). Сходимость эталонной и восстановленной
кривой лучше на данных Шестаковского комплекса, нежели чем на данных
Крапивинского месторождения, ввиду малого объема признакового
пространства и синтетической природы кривых (данные идеальны, шумы и
выбросы отсутствуют). Корреляция кривых, синтезированных на
Крапивинском месторождении, очень высокая, более 90 %, для алгоритма
случайного леса даже при минимальной базе тренировочной выборке, 10%, и
неудовлетворительная для нейронной сети, 40%, Приложение И. Принимая
последнее во внимание, рекомендуется в дальнейшем использовать алгоритм
случайного леса для прогнозирования кривых ГИС, или же нейронной сети, но
с тщательной настройкой признакового пространства и параметров вариации,
ввиду сильной чувствительности метода к флуктуации кривых входящих в
признаковое пространство.
Прогноз данных ГИС при помощи алгоритма случайного леса имеет
лучшую сходимость, чем кривые, спрогнозированные эмпирическим путем т.к.
в процессе прогнозирования данных ГИС, алгоритм случайного леса
генерирует множество ответов, кластеризует их на группы и усредняет
результаты. Группа, дающая наибольшую сходимость данных, формирует
окончательный результат.
Доказано, эмпирика имеет ряд ограничений и не может использоваться
повсеместно из-за её привязки к определенным кривым ГИС, отсутствия
керновых данных на ряде скважин и невозможности учесть все физические
факторы. Примером превосходства использования алгоритмов машинного
обучения над эмпирическими зависимостями для задач синтезирования
является сходимость кривых плотностного каротажа на скважине 508
Крапивинского месторождения алгоритмом случайного леса составляет 98%.
Синтезирование плотностного каротажа с помощью уравнения Гарднера-
Кастанье невозможно ввиду отсутствия данных для синтеза. Корреляция
акустического каротажа- 97% для случайного леса, -57% с использованием
методики Зеляева и 51% уравнения Фауста.
Алгоритмы машинного обучения являются универсальными, в связи с
простотой их использования, возможностью работы как с большим объемом
признакового пространства, так и с малым (6), прогнозированием данных
различных каротажных кривых независимо от их физической сущности, а
также возможность внедрить их на различные объекты разработки(5), где
эмпирические зависимости не работают. Главы 7 и 8, подтверждают
эффективность внедрения данных алгоритмов и подчеркивают невозможность
применения эмпирических зависимостей на Крапивинском месторождении.
Экономический прирост в самых приближенных оценках дает 168052.4
рублей со скважины (9), что также свидетельствует о целесообразности
применения МО для получения данных, тем самым значительно сокращая
время и затраты и, как результат, увеличивая экономический прирост проекта.
Синтез геофизической информации методами МО снижает до нуля
негативное влияние на окружающую среду (10), в связи с отсутствием
негативных фактов.