Типизация геолого-геофизических разрезов на основе анализа каротажных данных с использованием искусственных нейронных сетей на примере месторождений Нюрольской впадины

Использование искусственных нейронных сетей в качестве инструмента анализа геолого-геофизических данных и выделения типов разрезов продуктивных пластов.

Содержание С.

Введение ……………………………………………………………………………………………………… 15
1 Анализ предметной области и актуальность выполняемой работы …………….. 17
2 Анализ геологической изученности района исследований …………………………. 23

2.1 Географическое расположение и изученность территории …………………… 23
2.2 Геологическое строение территории исследования ………………………………. 25

2.2.1 Палеозойские отложения ……………………………………………………………….. 25
2.2.2 Мезозойские отложения ………………………………………………………………… 26

2.2.2.1 Юрская система ………………………………………………………………………… 26
2.2.2.2 Меловая система ……………………………………………………………………….. 29
2.2.3 Палеогеновая система ……………………………………………………………………. 31
2.2.4 Четвертичная система ……………………………………………………………………. 32

2.3 Тектоника……………………………………………………………………………………………. 32
2.4 Нефтегазоносность ……………………………………………………………………………… 35

3 Анализ данных………………………………………………………………………………………….. 37
4 Описание классификатора …………………………………………………………………………. 42
5 Анализ результатов исследования……………………………………………………………… 48

5.1 Анализ результатов решения задачи классификации ……………………………. 48
5.2 Анализ результатов выделения реперных горизонтов ………………………….. 53

6 Финансовый менеджмент, ресурсоэффективность и ресурсосбережение……. 57

6.1 Анализ преимуществ реализации проекта ……………………………………………. 57
6.2 Планирование управления научно-техническим проектом …………………… 58

6.2.1 План проекта …………………………………………………………………………………. 58
6.2.2 Определение трудоёмкости выполнения работ ………………………………. 61
6.2.3 Бюджет научного исследования …………………………………………………….. 64

6.2.3.1 Расчет заработной платы …………………………………………………………… 64
6.2.3.2 Размер обязательных отчислений в фонды ………………………………… 65
6.2.3.3 Расчет подоходного налога ……………………………………………………….. 66
6.2.3.4 Расчет затрат на амортизацию специального оборудования ……….. 66
6.2.3.5 Расчет материальных затрат ………………………………………………………. 67
6.2.3.6 Формирование бюджета затрат проекта …………………………………….. 67
6.2.4 Реестр рисков проекта …………………………………………………………………… 68

6.3 Определение эффективности исследования …………………………………………. 70

7 Социальная ответственность …………………………………………………………………….. 73

7.1 Производственная безопасность ………………………………………………………….. 74

7.1.1 Вредные факторы ………………………………………………………………………….. 75

7.1.1.1 Освещение ………………………………………………………………………………… 75
7.1.1.2 Микроклимат ……………………………………………………………………………. 78
7.1.1.3 Ионизирующие излучения …………………………………………………………. 79
7.1.1.4 Психосоматические аспекты работы ………………………………………….. 80
7.1.2 Опасные факторы ………………………………………………………………………….. 82

7.1.2.1 Поражение электрическим током ………………………………………………. 82
7.1.2.2 Статическое электричество ……………………………………………………….. 83
7.1.2.3 Короткое замыкание ………………………………………………………………….. 84
7.2 Экологическая безопасность ……………………………………………………………….. 85
7.3 Безопасность в чрезвычайных ситуациях …………………………………………….. 85
7.4 Правовые и организационные вопросы обеспечения безопасности ………. 87

Заключение …………………………………………………………………………………………………. 90
Список публикаций студента ……………………………………………………………………….. 91
Список используемых источников ……………………………………………………………….. 92
Приложение А …………………………………………………………………………………………….. 96

В заключении следует отметить, что решение задачи типизации геолого-
геофизических разрезов с применением нейронных сетей является
нетривиальной задачей. Решения, полученные при реализации данного проекта,
имеют высокую точность и ускоряют процесс обработки данных
геофизических исследований.
Актуальность проведенного исследования заключается в том, что
методы машинного обучения позволяют производить интерпретацию
каротажных данных автоматически с приемлемой точностью.
Для решения задачи классификации отложений горных пород были
использованы 5 различных классификаторов, два из которых дали наиболее
точные результаты. А именно классификатор на основе искусственной
нейронной сети, а также классификатор на основе каскада сетей. Наилучшим
был признан классификатор, на основе каскада сетей дающий общую точность
в 88.7% при наиболее высокой скорости обучения классификатора.
Задача выделения реперных горизонтов была решена с применением
классификатора на основе скрытых Марковских моделей. Данный тип
классификатора наилучшим образом подходит для обработки многомерных
последовательностей различных мощностей, которыми являются реперные
горизонты. Следует отметить, что его преимущество заключается в хорошей
точности, даже при обучении на малой обучающей выборке.
В целом точность полученных результатов при решении поставленных
задача достаточно высока, однако планируется дальнейшая доработка
разработанного программного комплекса.
Список публикаций студента

1 Канаев И.С. Методы интенсификации газоотдачи угольных пластов и их
применение в России / Проблемы геологии и освоения недр: труды XX
Международного симпозиума имени академика М.А. Усова студентов и
молодых ученых, посвященного 120-летию со дня основания Томского
политехнического университета, Томск, 4-8 Апреля 2016. – Томск: Изд-во
ТПУ, 2016. – Т. 2 – C. 350-352.
2 Канаев И.С. Месторождения газа в акватории Баренцева моря.
Штокмановское месторождение / Проблемы геологии и освоения недр:
труды XVII Международного симпозиума имени академика М.А. Усова
студентов и молодых учёных, посвященного 150-летию со дня рождения
академика В.А. Обручева и 130-летию академика М. А. Усова, основателей
Сибирской горно-геологической школы: в 2 т., Томск, 1-6 Апреля 2013. –
Томск: Изд-во ТПУ, 2013. – Т. 1 – C. 734-736.
3 Kanaev, I. Technogenic influence on the environment from ancient times to the
present / Творчество юных – шаг в успешное будущее: материалы VI
Межрегиональной научной студенческой конференции с элементами
научной школы имени профессора М.К. Коровина, Томск, 25-28 Ноября
2013. – Томск: Изд-во ТПУ, 2014. – C. 205-207.
4 Канаев, И.С. Особенности разработки нефтяных месторождений в акватории
Баренцева моря / Творчество юных – шаг в успешное будущее: материалы V
Межрегиональной научной студенческой конференции с элементами
научной школы имени профессора М.К. Коровина, Томск, 20-24 Ноября
2012.

1Tschannen, V., Delescluse, M., Rodriguez, M., and Keuper, J. “Facies
classification from well logs using an inception convolutional network,” 2017.
2 Bestagini, P., Lipari, V., Tubaro, S. and Milano, P. “A machine learning
approach to facies classification using well logs”/ SEG International
Exposition and 87th Annual Meeting / pp. 2137–2142, 2017.
3 Malvić, T., Velić, J., Horváth, J., and Cvetković, M. “Neural networks in
petroleum geology as interpretation tools,” Cent. Eur. Geol., vol. 53, no. 1, pp.
97–115, 2010.
4 Хаустов П.А., Тезисы диссертации на соискание ученой степени к.т.н. по
теме: “Алгоритмы распознавания рукописных символов в условиях малой
обучающей выборки”, Томск, ТПУ, 2017.
5 Ma, Y.Z. “Lithofacies clustering using principal component analysis and
neural network: Applications to wireline logs” Math. Geosci., vol. 43, no. 4,
pp. 401–419, 2011.
6 Seth Willis Bassett, B. “Teaching a Computer Geology: Automated
Lithostratigraphic Classification Using Machine Learning Algorithms,” DMT
Meet., vol. 17, 2017.
7 Gupta, I., S. Rai, C., C. H. Sondergeld, and D. Devegowda, “Rock Typing in
Eagle Ford, Barnett, and Woodford Formations,” Proc. 5th Unconv. Resour.
Technol. Conf., no. October 2017, pp. 1–17, 2017.
8 ШайбаковР.А.,“Использованиенейросетевогоаппаратадля
идентификации границ геологических объектов,” Молодой ученый, 168с.,
стр. 8-11, 2012.
9 Bougher, B. C. “Prediction of stratigraphic units from spectral co-occurance
coefficients of well logs,” CSEG Annu. Conv., pp. 1–5, 2015.
10 Гафуров Д. О., Гафуров О. М., Конторович В. А. “Интерпретация данных
геофизическихисследованийТалаканскогонефтегазоконденсатного
месторождения обучаемыми нейронными сетями, прогноз строения
осинского горизонта,” Технологии сейсморазведки, 104с., стр. 85–92,
2014.
11 Калинина Л.М., Тезисы диссертации на соискание ученой степени к.г.-
м.н. по теме: “Геологическое строение, условия формирования и
нефтегазоносность келловея и Оксфорда Западной Сибири в области
перекода морскик отложений в континентальные,” Новосибирск, 2005.
12 КорсуньВ.В.,“Новыеданныеогеологическомстроениии
нефтегазоносности Урманско-Арчинской зоны в Томской области,”
Нефтяное хозяйство–2006.№12, стр. 52–56.
13 Зиганшина Р. А., Сидельник А. В. “Взаимосвязь новейших сдвигов и
геодинамики с нефтеносностью (на примере красноленинского свода и
нюрольской впадины, западная сибирь),” Труды четвертой тектонической
конфереции,стр. 39–45, 2016.
14 Контоpович В. А., “Сейcмогеологичеcкие кpитеpии нефтегазоноcноcти
зоны контакта палеозойcкиx и мезозойcкиx отложений Западной Сибири
(На пpимеpе Чузикcко-Чижапcкой зоны нефтегазонакопления),” Геология
и Геофизика–2007.№5, стр. 538–547.
15 Демин В.Ю., Наумов Ю.А., Абалтусов Н.В., “Борьба с поглощением
бурового раствора при разбуривании карбонатного коллектора на
Арчинском месторождении” Инженерная практика, 80с., pp. 70–75, 2015.
16 Воробьева С. А. Методы распознавания речи // Молодой ученый. – 2016.
– №26. – С. 136-141.
17 Cesar de Souza. Sequence Classifiers in C# / [Электронный доступ] /
CodeProject,2013.–Режимдоступа:
https://www.codeproject.com/articles/541428/sequence,(датаобращения:
17.08.2018).
18 Ng A., Jordan M. On Discriminative vs. Generative Classifiers: A comparison
of logistic regression and Naive Bayes // In Advances in Neural Information
Processing Systems 14. 2002. pp. 841– 848.
19 Паламарь И.Н., Юлин С.С. Порождающая графическая вероятностная
модель на основе главных многообразий // Тр. СПИИРАН. 2014. № 2. С.
227-247.
20 Романенко А.А. Выравнивание временных рядов: прогнозирование с
использованием DTW / А.А. Романенко // Машинное обучение и анализ
данных. – 2001. – № 1 [Электронный ресурс]. – Режим доступа:
http://jmlda.org/papers/doc/2011/no1/Romanenko2011Dynamic.pdf(дата
обращения: 17.08.2018).
21 Савельев В.А. «Компьютерные» болезни и их профилактика / Компьютер
пресс. – 2006. – N6. – С. 66-72.
22 СНиП 23-05-95. Естественное и искусственное освещение / М.: Минстрой
России, 2016. – 103 с.
23 СанПиН 2.2.2/2.4.1340-03. Гигиенические требования к персональным
электронно-вычислительным машинам и организации работы.– М.:
Информационно-издательский центр Минздрава России, 2003.–18с.
24 ГОСТ 12.1.005-88 Система стандартов безопасности труда (ССБТ).
Общие санитарно-гигиенические требования к воздуху рабочей зоны.–
М.: Минздрав СССР, 1988. – 20 с.
25 СанПиН 2.2.4.548-96. Гигиенические требования к микроклимату
производственных помещений. – М.: Информационно-издательский
центр Минздрава России, 1997. – 11 с.
26 СанПиН 2.6.1.2523-09. Нормы радиационной безопасности НРБ-99/2009.
– М.: Информационно-издательский центр Минздрава России, 2009.–70 с.
27 СанПиН 2971-84. Санитарные нормы и правила защиты населения от
воздействия электрического поля, создаваемого воздушными линиями
электропередачипеременноготокапромышленнойчастоты.–М.:
Минздрав СССР, 1984. – 8 с.
28 ГОСТ 27016-86. Дисплеи на электронно-лучевых трубках. Общие
технические условия.–М.: Госстандарт СССР, 1986.–12 с.