tumnigИзвестия высших учебных заведений. Нефть и газOil and Gas Studies0445-01083033-8174Industrial University of Tyumen10.31660/0445-0108-2024-5-117-131tumnig-1252Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, АВТОМАТИЗАЦИЯ И УПРАВЛЕНИЕ В НЕФТЕГАЗОВОЙ ОТРАСЛИINFORMATION TECHNOLOGIES, AUTOMATION AND MANAGEMENT IN THE OIL AND GAS INDUSTRYРешение задачи динамической интерпретации сейсмических данных при помощи методов машинного обученияThe solution of the task of dynamic interpretation of seismic data using machine learning methodshttps://orcid.org/0000-0002-9651-1758ВокинаВ. Р.VokinaV. R.

Виктория Руслановна Вокина, специалист, магистрант

Управление развития интеллектуальных технологий

Тюмень

Victoria R. Vokina, specialist, Master Student

Intelligent Systems Development Department

Tyumen

vrvokina@tnnc.rosneft.ruhttps://orcid.org/0009-0009-5125-7379АвдюковА. С.AvdyukovA. S.

Алексей Сергеевич Авдюков, специалист, магистрант

Управление развития интеллектуальных технологий

Тюмень

Alexey S. Avdyukov, specialist, Master Student

Intelligent Systems Development Department

Tyumen

https://orcid.org/0009-0007-6897-488XЛесивА. А.LesivA. A.

Анастасия Александровна Лесив, специалист, магистрант

Управление развития интеллектуальных технологий

Тюмень

Anastasia A. Lesiv, specialist, Master Student

Intelligent Systems Development Department

Tyumen

https://orcid.org/0009-0003-9482-929XКрупкинИ. А.KrupkinI. A.

Игорь Андреевич Крупкин, специалист, магистрант

Управление развития интеллектуальных технологий

Тюмень

Igor A. Krupkin, specialist, Master Student

Intelligent Systems Development Department

Tyumen

https://orcid.org/0009-0008-4153-6174ЕмельяновА. Н.EmelyanovA. N.

Андрей Николаевич Емельянов, доцент

ВИШ EG, базовая кафедра ООО «Тюменский нефтяной научный центр»

Тюмень

Andrey N. Emelyanov, Associate Professor

EG HES, Basic Department of Tyumen Petroleum Research Center LLC

Tyumen

ООО «Тюменский нефтяной научный центр»РоссияTyumen Petroleum Research Center LLCRussian FederationТюменский индустриальный университетРоссияIndustrial University of TyumenRussian Federation20242010202405117131Copyright © Вокина В.Р., Авдюков А.С., Лесив А.А., Крупкин И.А., Емельянов А.Н., 20242024Вокина В.Р., Авдюков А.С., Лесив А.А., Крупкин И.А., Емельянов А.Н.Vokina V.R., Avdyukov A.S., Lesiv A.A., Krupkin I.A., Emelyanov A.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/1252

   В статье рассматривается проблема динамической интерпретации сейсмических данных с использованием моделей машинного обучения Extremely Randomized Trees (Extra Trees), Gradient Boosting (GB) и Adaptive Boosting (AdaBoost) в применении к указанной задаче. В статье проанализированы некоторые существующие решения поставленной задачи. Описано преимущество выбранных моделей машинного обучения и проведены исследования точности по метрике — среднеквадратическое отклонение от истинных значений. В процессе предварительного анализа исследований, проводимых на смежные темы, авторами данной статьи было выявлено, что вопрос динамической интерпретации и предсказания данных с использованием приведенных в статье методов машинного обучения не был освещен, что и стало основным объектом работы. Далее формализовано применение упомянутых ранее моделей, описаны их особенности и преимущества применимо к решаемой задаче. Исследованы несколько распространенных методов машинного обучения, позволяющих находить функциональные зависимости между входными параметрами, проведены вычислительные эксперименты для оценки их применимости и сравнительного анализа алгоритмов. По результатам экспериментов был сделан вывод, что метод Extra Trees в большей мере подходит для практического применения относительно решаемой задачи, поскольку демонстрирует наиболее высокую точность подбора функциональной зависимости и динамической интерпретации.

   This article examines the problem of dynamically interpreting seismic data using machine learning models, which include Extremely Randomized Trees (Extra Trees), Gradient Boosting (GB), and Adaptive Boosting (AdaBoost) for the given problem. The study analyzes some existing solutions of the problem and describes the advantages of these machine learning models. Accuracy is estimated using the root mean square error metric. The authors found that dynamic interpretation and prediction of seismic data using these machine learning methods had not been extensively explored in research on related topics, which became the main focus of the study. The article formalizes the use of the mentioned models and highlights features and advantages for the given problem. Several common machine learning methods were investigated to find functional relationships between input parameters. Computational experiments were conducted to evaluate their applicability and compare the algorithms. The results show that the Extra Trees method is the most suitable for practical use for the given problem, as it demonstrates the highest accuracy in determining functional relationships and dynamic interpretation.

машинное обучениесейсмикадинамическая интерпретацияExtra TreesGradient BoostingAdaptive Boostingсейсмические атрибутыпористостькартыmachine learningseismic datadynamic interpretationExtra TreesGradient BoostingAdaptive Boostingseismic attributesporositymapsReferencesАмани, М. М. М. Применение методов геостатистики в факторно-регрессионном прогнозировании пористости коллекторов по сейсмическим атрибутам / М. М. М. Атамани. – Текст : непосредственный // Молодежь и современные информационные технологии : сборник трудов XVI Международной научно-практической конференции студентов, аспирантов и молодых ученых, 3–7 декабря 2018 года, Томск. – Томск: Томский политехнический университет, 2019. – С. 156–157.Amani, M. M. M. (2019). Primenenie metodov geostatistiki v faktorno-regressionnom prognozirovanii poristosti kollektorov po seysmicheskim atributam. Molodezh' i sovremennye informatsionnye tekhnologii : sbornik trudov XVI Mezhdunarodnoy nauchno-prakticheskoy konferentsii studentov, aspirantov i molodykh uchenykh. Tomsk, TPU Publ., pp. 156-157. (In Russian).Tarantola, A. Inverse problem theory and methods for model parameter estimation / A. Tarantola. – DOI: 10.1137/1.9780898717921. – Direct text. – Philadelphia: Society for industrial and applied mathematics, 2005. – 342 p.Tarantola, A. (2005). Inverse problem theory and methods for model parameter estimation. Philadelphia, Society for industrial and applied mathematics, 342 p. (In English). DOI: 10.1137/1.9780898717921Successful leveraging of image processing and machine learning in seismic structural interpretation : A review / Z. Wang, H. Di, M. A. Shafiq [et al.]. – DOI: 10.1190/tle37060451.1. – Direct text // The Leading Edge. – 2018. – Vol. 37, Issue 6. – P. 451–461.Wang, Z., Di, H., Shafiq, M. A., Alaudah, Y., & AlRegib, G. (2018). Successful leveraging of image processing and machine learning in seismic structural interpretation : A review. The Leading Edge, 37(6), pp. 451-461. (In English). DOI: 10.1190/tle37060451.1Obinnaya Chikezie Victor, N. Automated Seismic Interpretation : Machine Learning Technologies are Being used to Develop Automated Seismic Interpretation to Identify Geological Features, Such as Faults and Stratigraphic Horizons / N. Obinnaya Chikezie Victor, L. Oghenechodja Daniel. – DOI: 10.51483/IJAIML.3.2.2023.74-98. – Direct text // International Journal of Artificial Intelligence and Machine Learning. – 2023. – Vol. 3, Issue 2. – P. 74–98.Obinnaya Chikezie Victor, N., & Oghenechodja Daniel, L. (2023). Automated Seismic Interpretation: Machine Learning Technologies are Being Used to Develop Automated Seismic Interpretation to Identify Geological Features, Such as Faults and Stratigraphic Horizons, 3(2), pp. 74-98. (In English). DOI: 10.51483/IJAIML.3.2.2023.74-98Integration of Multiple Bayesian Optimized Machine Learning Techniques and Conventional Well Logs for Accurate Prediction of Porosity in Carbonate Reservoirs / S. Alatefi, R. Abdel Azim, A. Alkouh, G. Hamada. – DOI: 10.3390/pr11051339. – Direct text // Processes. – 2023. – Vol. 11, Issue 5. – P. 1339–1361.Alatefi, S., Abdel Azim, R., Alkouh, A., & Hamada, G. (2023). Integration of multiple bayesian optimized machine learning techniques and conventional well logs for accurate prediction of porosity in carbonate reservoirs. Processes, 11(5), рр.1339-1361. (In English). DOI: 10.3390/pr11051339Dietterich, T. G. Ensemble Methods in Machine Learning / T. G. Dietterich. – DOI: 10.1007/3-540-45014-9_1. – Direct text // International Workshop on Multiple Classifier Systems. – Berlin, Heidelberg: Springer Berlin Heidelberg, 2000. – P. 1–15.Dietterich, T. G. (2000). Ensemble methods in machine learning. In International workshop on multiple classifier systems, pp. 1-15. Berlin, Heidelberg, Springer Berlin Heidelberg. (In English). DOI: 10.1007/3-540-45014-9_1Polikar, R. Ensemble based systems in decision making / R. Polikar. – DOI: 10.1109/MCAS.2006.1688199. – Direct text // IEEE Circuits and Systems Magazine. – 2006. – Vol. 6, Issue 3. – P. 21–45.Polikar, R. (2006). Ensemble based systems in decision making. IEEE Circuits and systems magazine, 6(3), рр. 21-45. (In English). DOI: 10.1109/MCAS.2006.1688199Opitz, D. Popular ensemble methods : An empirical study / D. Opitz, R. Maclin. – DOI: 10.1613/jair.614. – Direct text // Journal of Artificial Intelligence Research. – 1999. – Vol. 11. – P. 169–198.Opitz, D., & Maclin, R. (1999). Popular ensemble methods: An empirical study. Journal of artificial intelligence research, 11, рр.169-198. (In English). DOI: 10.1613/jair.614Bühlmann, P. Boosting with the L2 Loss : regression and classification / P. Bühlmann, B. Yu. – DOI: 10.1198/016214503000125. – Direct text // Journal of the American Statistical Association. – 2003. – Vol. 98, Issue 462. – P. 324–339.Bühlmann, P., & Yu, B. (2003). Boosting with the L 2 loss: regression and classification. Journal of the American Statistical Association, 98(462), рр. 324-339. (In English). DOI: 10.1198/016214503000125Freund, Y. A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting / Y. Freund, R. E. Schapire. – DOI: 10.1006/jcss.1997.1504. – Direct text // Journal of Computer and System Sciences. – 1997. – Vol. 55, Issue 1. – P. 119–139.Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of computer and system sciences, 55(1), рр. 119-139. (In English). DOI: 10.1006/jcss.1997.1504CatBoost : unbiased boosting with categorical features / L. Prokhorenkova, G. Gusev, A. Vorobev [et al.]. – DOI: 10.48550/arXiv.1706.09516. – Direct text // In Advances in Neural Information Processing Systems. – 2018. – Vol. 31. – P. 6638–6648.Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. Advances in neural information processing systems, 31, pp. 6638-6648. (In English). DOI: 10.48550/arXiv.1706.09516Friedman, J. H. Greedy Function Approximation : A Gradient Boosting Machine / J. H. Friedman. – DOI: 10.1214/aos/1013203451. – Direct text // The Annals of Statistics. – 2001. – Vol. 1. – P. 1189–1235.Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 1, pp. 1189-1235. (In English). DOI: 10.1214/aos/1013203451Geurts, P. Extremely randomized trees / P. Geurts, D. Ernst, L. Wehenkel. – DOI: 10.1007/s10994-006-6226-1. – Direct text // Machine learning. – 2006. – Vol. 63. – P. 3–42.Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees // Machine learning, 63, pp. 3-42. (In English). DOI: 10.1007/s10994-006-6226-1Breiman, L. Random Forests / L. Breiman. – DOI: 10.1023/A:1010933404324. – Direct text // Machine Learning. – 2001. – Vol. 45. – P. 5–32.Breiman, L. (2001). Random Forests. Machine Learning, 45, pp. 5-32. (In English). DOI: 10.1023/A:1010933404324Scikit-learn : Machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort [et al.]. – DOI: 10.5555/1953048.2078195. – Direct text // Journal of Machine Learning research. – 2011. – Vol. 12. – P. 2825–2830.Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O.,... Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of machine Learning research, 12, pp. 2825-2830. (In English). DOI: 10.5555/1953048.2078195The Elements of Statistical Learning : Data Mining, Inference, and Prediction / T. Hastie, R. Tibshirani, J. H. Friedman, J. H. Friedman. – Direct text // New York: Springer. – 2009. – Vol. 2. – P. 1–758.Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. New York, Springer, 2, pp. 1-758. (In English).GridSearchCV. – Text : electronic // Scikit-learn : website. – URL: https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html (accessed: 06. 02. 2024).GridSearchCV. Scikit-learn. (In English). Available at: https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.htmlBiau, G. A random forest guided tour / G. Biau, E. Scornet. – DOI: 10.1007/s11749-016-0481-7. – Direct text // Test. – 2016. – Vol. 25. – P. 197–227.Biau, G., & Scornet, E. (2016). A random forest guided tour. Test, 25, pp. 197-227. (In English). DOI: 10.1007/s11749-016-0481-7Long, P. M. Random classification noise defeats all convex potential boosters / P. M. Long, R. A. Servedio. – DOI: 10.1007/s10994-009-5165-zs. – Direct text // Mach Learn. – 2010. – Vol. 78. – P. 287–304.Long, P. M., & Servedio, R. A. (2010). Random classification noise defeats all convex potential boosters. Mach Learn, 78, pp. 287-304. (In English). DOI: 10.1007/s10994-009-5165-zsNatekin, A. Gradient boosting machines, a tutorial / A. Natekin, A. Knoll. – Text : electronic // Frontiers in Neurorobotics. – 2013. – Vol. 7, Issue 21. – doi: 10.3389/fnbot.2013.00021.Natekin, A., & Knoll, A. (2013). Gradient Boosting Machines, a Tutorial. Frontiers in Neurorobotics, 7(21). (In English). DOI: 10.3389/fnbot.2013.00021

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