tumnigИзвестия высших учебных заведений. Нефть и газOil and Gas Studies0445-01083033-8174Industrial University of Tyumen10.31660/0445-0108-2022-5-14-35tumnig-1055Research ArticleГЕОЛОГИЯ, ПОИСКИ И РАЗВЕДКА МЕСТОРОЖДЕНИЙ НЕФТИ И ГАЗАGEOLOGY, PROSPECTING AND EXPLORATION OF OIL AND GAS FIELDSТипизация пород доюрского основания по керну и прогноз вещественного состава с помощью нейросетевого моделирования на основе карт КохоненаTyping pre-Jurassic base rocks by core data and predicting rocks composition by using neural simulation based on Self-Organizing MapsЕлишеваО. В.ElishevaO. V.

Ольга Владимировна Елишева, эксперт по геологии

Тюмень

Olga V. Elisheva, Expert in Geology

Tyumen

ovelisheva@tnnc.rosneft.ruШиловаЮ. В.ShilovaYu. V.

Юлия Владимировна Шилова, заведующий сектором

Тюмень

Yulia V. Shilova,  Chief Sector (petrochysicist)

Tyumen

СидоровД. А.SidorovD. A.

Дмитрий Анатольевич Сидоров, эксперт

Тюмень

Dmitry A. Sidorov, Expert

Tyumen

МельниковаМ. Н.MelnikovaM. N.

Мария Николаевна Мельникова, главный специалист

Тюмень

Maria N. Melnikova, Chief Specialist

Tyumen

ООО «Тюменский нефтяной научный центр»РоссияTyumen Petroleum Scientific Center LLCRussian Federation202203122022051435Copyright © Елишева О.В., Шилова Ю.В., Сидоров Д.А., Мельникова М.Н., 20222022Елишева О.В., Шилова Ю.В., Сидоров Д.А., Мельникова М.Н.Elisheva O.V., Shilova Y.V., Sidorov D.A., Melnikova M.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tumnig.tyuiu.ru/jour/article/view/1055

   В статье приведены результаты изучения пород доюрского основания на территории Кирилкинской площади Уватского района юга Тюменской области. Показано, что для того, чтобы в интервале доюрского комплекса пород (ДЮК) прогнозировать коллекторы в межскважинном пространстве по сейсмическим материалам МОГТ 3D, необходима корректная увязка волнового поля с вещественным составом пород (коллектор-неколлектор). Поскольку интервал ДЮК обычно изучен керном фрагментарно (в кровле и на забое), в статье рассматривается вариант применения технологии нейросетевого моделирования на основе использования параметров геофизического исследования скважин (ГИС) для восстановления вещественного состава пород ДЮК. Так как методически подходы восстановления вещественного состава пород по данным каротажа опираются на комплекс количественных показателей кривых для каждого типа пород, большое значение имеет сам подход разделения пород ДЮК на петротипы. В данной работе выделение петротипов выполнялось не только на основе вещественного состава пород, но и учитывались их фильтрационно-емкостные свойства и геофизическая характеристика по каротажу. Прогноз вещественного состава на основе ГИС выполнялся в несколько этапов. На первом было выполнено выделение петротипов по данным керна, что позволило все типы пород, описанные в скважинах, сгруппировать в шесть основных макропетротипов. Затем для каждого петротипа на основе анализа кроссплотов «ГИС-ГИС» был выделен комплекс оптимальных значений параметров ГИС, что позволило провести нейросетевое моделирование на основе карт Кохонена и восстановить состав ДЮК для дальнейшего прогноза коллекторов по сейсмическим данным.

   The article describes the study of the pre-Jurassic base rocks in the territory of the Kirilkinskaya area of Uvat district in the south of Tyumen region. It was demonstrated that in order to predict net reservoirs in the interwell space within the pre-Jurassic rock complex using 3D seismic CDP data, correct tie-in of the wave field with the material composition (net reservoir vs. non-reservoir) of the rocks is needed. Since the pre-Jurassic interval is usually only fragmentarily studied by the core (at the top and at the bottomhole), the article considers the option of using neural simulation technology based on well logging parameters to restore the material composition of the pre-Jurassic rocks. Since the approaches to the restoration of the material composition of rocks according to well logging data are based on a set of quantitative indicators of the curves for each type of rocks, the approach of dividing the preJurassic rocks into petrotypes is of great importance. In this study, the petrotypes were separated not only on the basis of the material composition of rocks, but the reservoir properties and logging-based properties were also taken into account. Logging-based material composition was estimated in several stages. At the first stage, petrotypes were separated from core data, which allowed to group all types of rocks described in the wells into six main petrotypes. Then, for each petrotype, based on the analysis of log-log cross-plots, a set of optimal logging parameters was identified. This allowed running a neural simulation based on Self-Organizing Maps and restoring the material composition of the pre-Jurassic complex for further net reservoir prediction from seismic data.

петротипы ДЮКтуринская серия триасанейросетевое моделирование на основе карт Кохоненатехнологии нейросетевого моделирования на основе ГИСpre-Jurassic petrotypesTurinsky Triassic seriesneural simulation based on Self-Organizing Mapslogging-based neural simulation technologiesReferencesРесурсы юга Западной Сибири / С. А. Моисеев [и др.] – Текст : непосредственный // Нефтегазовая вертикаль. – 2005. – № 7. – С. 38–41.Moiseev, S. A., Elisheva, O. V., Ryzhkova, S. V., & Grekova, L. S. (2005). Resursy yuga Zapadnoy Sibiri. Neftegazovaya vertikal', (7), 2005, pp. 38-41. (In Russian).Зубков, М. Ю. Вторичные коллекторы в доюрском комплексе Урьевского месторождения / М. Ю. Зубков, А. Ш. Ситдиков. – Текст : непосредственный // Геология нефти и газа. – 1994. – № 4. – С. 5–9.Zubkov, M. Yu., & Sitdikov, A. Sh. (1994). Vtorichnye kollektory v doyurskom komplekse Ur'evskogo mestorozhdeniya. Geologiya nefti i gaza, (4), pp. 5-9. (In Russian).Беспалова, С. Н. Оценка влияния разломов на геологические особенности залежей и продуктивность коллекторов газовых месторождений Западной Сибири / С. Н. Беспалова, О. В. Бакуев. – Текст : непосредственный // Геология нефти и газа. – 1995. – № 7. – С. 16–21.Bespalova S. N., & Bakuev, O. V. (1995). Evaluation of fault effect on geological features of pools and gas fields reservoir productivity in Western Siberia. Geologiya nefti i gaza, (7), pp. 16-21. (In Russian).Геращенко, А. А. Петрографические и геохимические особенности пород ДЮК Тевлинско-Русскинского месторождения / А. А. Геращенко. – Текст : непосредственный // Пути реализации нефтегазового потенциала ХМАО : сборник трудов 7-й научно-практической конференции «Пути реализации нефтегазового потенциала ХМАО», Ханты-Мансийск, 02–05 декабря 2003 г. – Ханты-Мансийск : Издательский дом «ИздатНаукаСервис». – С. 229–232.Gerashchenko, A. A. (2003). Petrograficheskie i geokhimicheskie osobennosti porod DYuK Tevlinsko-Russkinskogo mestorozhdeniya. Puti realizatsii neftegazovogo potentsiala KhMAO: sbornik trudov 7-y nauchno-prakticheskoy konferentsii "Puti realizatsii neftegazovogo potentsiala KhMAO". Khanty-Mansiysk, December, 02-05, 2003. Khanty-Mansiysk, IzdatNaukaServis Publ., рр. 229-232. (In Russian).Ухлова, Г. Д. Построение геологических моделей продуктивных пластов неокома центральной части Западно-Сибирской НГП по комплексу атрибутов сейсмической записи / Г. Д. Ухлова, С. Н. Варламов, И. М. Кос. – Текст : непосредственный // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2006. – № 10. – С. 78–91.Ukhlova, G. D., Varlamov, S. N., & Kos, I. M. (2006). Postroenie geologicheskikh modeley produktivnykh plastov neokoma tsentral'noy chasti Zapadno-Sibirskoy NGP po kompleksu atributov seysmicheskoy zapisi. Geology, Geophysics and Development of Oil and Gas Fields, (10), pp. 78-91. (In Russian).Бекренёв, Р. К. Тестирование оптимизации алгоритма AVAZ инверсии на синтетических данных / Р. К. Бекренёв, Г. А. Дугаров, Т. В. Нефедкина. – DOI: 10.33764/2618-981X-2021-2-1-354-361. – Текст : непосредственный // Интерэкспо Гео-Сибирь. – 2021. – Т. 2, № 1. – С. 354–361.Bekrenev, R. K., Dugarov, G. A., & Nefedkina, T. V. (2021). Testing of an optimization algorithm for AVAZ inversion on synthetic dataset. Interexpo GEO-Siberia, 2(1), pp. 354-361. (In Russian). DOI: 10.33764/2618-981X-2021-2-1-354-361Мармалевский, Н. Я. Примеры применения миграции дуплексных волн для изучения зон трещиноватости / Н. Я. Мармалевский, И. Ю. Хромова, З. В. Горняк. – Текст : непосредственный // Збiрник наукових прац УкрДГЗI. – 2011. – № 4. – С. 162–170.Marmalevsky, N. Ya., Khromova, I. Yu., & Gornyak, Z. V. (2011). Examples of the use of duplex wave migration for the study of fracture zones. Zbirnik naukovikh prats UkrDGZI, (4), pp. 162-170. (In Russian).Применение методов машинного обучения для поиска пропущенных продуктивных интервалов и прогноза фильтрационно-емкостных свойств / Ю. Д. Кантемиров [и др.]. – Текст : непосредственный // Каротажник. – 2021. – № 8 (314). – С. 17–26.Kantemirov, Yu. D., Khabarov, A. V., Oshnyakov, I. O., Koshelev, M. B., Akinshin, A. V., & Kalabin, A. A. (2021). Using methods of computer-aided learning to search for skipped intervals and forecast filtration and capacity properties. Karotazhnik, (8 (314)), pp. 17-26. (In Russian).Современные возможности машинного обучения при интерпретации данных геофизических исследований скважин / К. К. Измайлов [и др.]. – Текст : непосредственный // Каротажник. – 2021. – № 8 (314). – С. 5–16.Izmailov, K. K., Novikova, M. S., Dmitrievsky, M. V., Kantemirov, Yu. D., & Akinshin, A. V. (2021). Up-to-date opportunities of computer-aided learning in well logging data interpretation. Karotazhnik, (8 (314)), pp. 5-16. (In Russian).Кохонен, Т. Самоорганизующиеся карты : [нейронное моделирование, варианты самоорганизующихся карт, физиологическая интерпретация SOM, обучающееся векторное квантование, применение самоорганизующихся карт, средства программного обеспечения для SOM] / Т. Кохонен ; перевод с английского В. Н. Агеева, под редакцией Ю. В. Тюменцева. – Москва : Бином. Лаборатория знаний, 2008. – 655 с. – Перевод изд.: Self-organizing maps / Teuvo Kohonen. Berlin [et al.], 2001. – Текст : непосредственный. DOI: 10.1007/978-3-642-56927-2Kohonen, T. (2001). Self-organizing maps. 3rd edition. Berlin [et al.], Springer, 502 p. (In English). DOI: 10.1007/978-3-642-56927-2Родина, С. Н. Применение нейросетевого подхода при интерпретации каротажных данных / С. Н. Родина, К. Ю. Силкин. – Текст : непосредственный // Вестник Воронежского государственного университета. Серия : Геология. – 2007. – № 2. – С. 184–188.Rodina, S. N., & Silkin, K. Yu. (2007). Application of artificial neural net-works for well-log data interpretation. Proceedings of Voronezh State University. Series: Geology, (2), pp. 184-188. (In Russian).Inversion of nuclear well-logging data using neural networks / E. Aristodemou, C. Pain, C. de Oliveira [et al.]. – DOI 10.1111/j.1365-2478.2005.00432.x. – Direct text // Geophysical Prospecting. – 2005. – Vol. 53, Issue 1. – P. 103–120.Aristodemou, E., Pain, C., Oliveira, C., Goddard, T., & Harris, Ch. (2005). Inversion of nuclear well-logging data using neural networks. Geophysical Prospecting, 53 (1), pp. 103-120. (In English). DOI: 10.1111/j.1365-2478.2005.00432.xLithofacies identifycation using multiple adaptive resonance theory neural networks and group decision expert system / H.-Ch. Chang, D. C. Kopaska-Merkel, H.-Ch. Chen, S. R. Durrans. – DOI: 10.1016/S0098-3004(00)00010-8. – Direct text // Computer & Geoscience. – 2000. – Vol. 26, Issue 5. – P. 591–601.Chang, H.-Ch., Kopaska-Merkel, D. C., Chen, H.-Ch., & Durrans, S. R. (2000). Lithofacies identification using multiple adaptive resonance theory neural net-works and group decision expert system. Computer & Geoscience, 26(5), pp. 591-601. (In English). DOI: 10.1016/S0098-3004(00)00010-8

The authors declare that there are no conflicts of interest present.