tumnigИзвестия высших учебных заведений. Нефть и газOil and Gas Studies0445-01083033-8174Industrial University of Tyumen10.31660/0445-0108-2025-6-43-56ZCFTVQtumnig-1373Research ArticleГЕОЛОГИЯ, ПОИСКИ И РАЗВЕДКА МЕСТОРОЖДЕНИЙ НЕФТИ И ГАЗАGEOLOGY, PROSPECTING AND EXPLORATION OF OIL AND GAS FIELDSТипизация пород ачимовской толщи методами машинного обучения на основе построения их объемно-компонентной моделиTyping of rocks of the Achimov sequence by machine learning methods based on the construction of their volumetric-component modelМахмутовИ. Р.MakhmutovI. R.

Махмутов Ильшат Римович, эксперт по петрофизике; аспирант

Тюмень

Ilshat R. Makhmutov, Petrophysics Expert; Postgraduate Student

Tyumen

irmakhmutov@rn-gir.rosneft.ruhttps://orcid.org/0000-0002-3133-2193ТуренкоС. К.TurenkoS. K.

Туренко Сергей Константинович, доктор технических наук, профессор, заведующий кафедрой прикладной геофизики

Тюмень

Sergey K. Turenko, Doctor of Engineering Sciences, Professor, Head of Department of Applied Geophysics

Tyumen

turenkosk@tyuiu.ruООО «РН-Геология Исследования Разработка»РоссияRN – Geology Research Development LLCRussian FederationТюменский индустриальный университетРоссияIndustrial University of TyumenRussian Federation202519012026064356Copyright © Махмутов И.Р., Туренко С.К., 20262026Махмутов И.Р., Туренко С.К.Makhmutov I.R., Turenko S.K.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/1373

Отложения ачимовской толщи севера Западной Сибири являются классическим примером сложнопостроенного коллектора, для которого традиционные методы петрофизической интерпретации часто оказываются недостаточно эффективными по причине высокой геологической неоднородности, выражающейся в широкой вариации минерального состава и фильтрационно-емкостных свойств пород. Основным методом повышения достоверности геологической интерпретации данных геофизических исследований скважин (ГИС) в таких отложениях служит выполнение литологической типизации пород. В статье предлагается подход к литологической типизации пород, основанный на построении их объемно-компонентной модели (ОКМ). На первом этапе построено две ОКМ, количество компонент которых обосновано согласно двум наборам данных ГИС – расширенного (ГК, ННКт, ГГКп, ГГКлп, ИНГКс) и стандартного (ГК, ННКт, ГГКп, ГГКлп). На втором этапе полученные модели используются в качестве входных данных для настройки алгоритмов машинного обучения с целью выполнения литотипизации пород. Разработанный подход позволяет повысить достоверность прогноза литотипов в скважинах без керна в сравнении с применением стандартного статистического анализа по исходным кривым ГИС.

Achimov sequence sediments in northern West Siberia are a classic example of a complex-built reservoir. Traditional petrophysical interpretation methods often fall short for such reservoir due to high geological heterogeneity, which manifests in wide variety in mineral composition and reservoir properties. The main method for enhancing the reliability of geological interpretation of well log data (WLD) in these sediments is robust lithological typing of the rocks. In this article, the authors suggest an approach to lithological typing based on the development of a Volumetric-Component Model (VCM). In the first stage, the researchers built two VCMs. The number of components for each model is determined using two distinct sets of WLD: an extended set (including Gamma Ray, Neutron Porosity, Litho-Density, Elemental Spectroscopy) and a standard set (Gamma Ray, Neutron Porosity, Litho-Density). In the second stage, these VCMs serve as input data for configuring machine learning algorithms aimed at lithological typing of the rocks. This approach improves the accuracy of lithotype predictions in wells without core compared to the traditional statistical analysis performed directly on original well log curves.

ачимовские отложениялитофизическая типизацияобъемно-компонентная модель породимпульсный нейтронный гамма-каротаж спектрометрическиймашинное обучениеAchimov sedimentslithophysical typingvolumetric rock modelelemental spectroscopy toolmachine learningReferencesПрименение современных методов ГИС и алгоритмов машинного обучения при обосновании типизации пород на месторождениях Ванкорского кластера / И. Р. Махмутов, А. А. Евдощук, Д. В. Грандов [и др.]. – DOI 10.31087/0016-7894-2020-6-77-86. – Текст : непосредственный // Геология нефти и газа. – 2020. – № 6. – С. 77–86.Makhmutov, I. R., Evdoshchuk, A. A., Grandov, D. V., Plitkina Yu. A., Amosova, I. N., & Volkov, V. A. (2020). Substantiation of rocks typification in the fields of the Vankor cluster: application of modern well logging methods and machine learning algorithms. Russian oil and gas geology (6), pp. 77-86. (In Russian). DOI: 10.31087/0016-7894-2020-6-77-86.New Method for Determining Mineralogy and Matrix Properties from Elemental Chemistry Measured by Gamma Ray Spectroscopy Logging Tool / R. Freedman, S. Herron, V. Anand [et al.]. – Text : direct // SPE. Reservoir Evaluation & Engineering. – 2015. – Vol. 18, Issue 04. – P. 599–608.Freedman, R., Herron, S., Anand, V., Herron, M., May, D., & Rose, D. (2015). New Method for Determining Mineralogy and Matrix Properties from Elemental Chemistry Measured by Gamma Ray Spectroscopy Logging Tools. SPE Reservoir Evaluation & Engineering, 18(04), pp. 599-608. (In English).Развитие рынка отечественных высокотехнологичных геофизических приборов / И. М. Ракаев, Э. В. Гадельшин, И. А. Ханафин [и др.]. – DOI 10.24887/0028-2448-2022-12-78-82. – Текст : непосредственный // Нефтяное хозяйство. – 2022. – № 12. – С. 78–82.Rakaev, I. M., Gadelshin, E. V., Khanafin, I. A., Basyrov, M. A., Zyryanova, I. A., Yatsenko, V. M., … & Kopylov, S. I. (2022). Developing market of domestic hi-tech well survey appliances. Oil industry, (12), pp. 78-82. (In Russian). DOI: 10.24887/0028-2448-2022-12-78-82.Doveton, J. H. Principles of Mathematical Petrophysics. – New York : Oxford University Press. – 2014. – 253 p.Doveton, J. H. (2014). Principles of Mathematical Petrophysics. New York, Oxford University Press Publ., 253 p. (In English).Алексеев, А. Д. Методические основы построения объемных петрофизических моделей нетрадиционных и сложнопостроенных коллекторов по результатам специальных исследований керна / А. Д. Алексеев, А. Е. Гаврилов. – DOI 10.24887/2587-7399-2019-3-25-34. – Текст : непосредственный // PROнефть. Профессионально о нефти. – 2019. – № 3(13). – С. 25–34.Alekseev, A. D., & Gavrilov, A. E. (2019). Methodical bases for the construction of integrated petrophysical models of unconventional and complex reservoirs based on the special core analysis results. PROneft. Professionals about oil, 3(13), pp. 25-34. (In Russian). DOI: 10.24887/2587-7399-2019-3-25-34.Коссовская, А. Г. Глинистые минералы — индикаторы глубинного изменения терригенных пород / А. Г. Коссовская, В. А. Дриц, В. Д. Шутов // Сб. «Геохим., минер. и петр. осад. образований». – Москва : Изд-во Академии Наук СССР, 1964.Kossovskaya, A. G., Drits, V. A., & Shutov, V. D. Clay minerals – indicators of deep alteration of terrigenous rocks. Collection of papers “Geochem., mineral. and petr. sedimentary formations”. Moscow, Publishing House of the USSR Academy of Sciences Publ., 1964. (In Russian).Herron, M. M. Elemental Composition and Nuclear Parameters of Some Common Sedimentary Minerals / M. M. Herron, A. Matteson // Nuclear Geophysics (International Journal of Radiation Applications and Instrumentation, Part E);(United Kingdom). – 1993. – Vol. 7, Issue 3, pp. 383–406.Herron, M. M., & Matteson, A. (1993). Elemental Composition and Nuclear Parameters of Some Common Sedimentary Minerals. Nuclear Geophysics (International Journal of Radiation Applications and Instrumentation, Part E); (United Kingdom), 7(3), pp. 383-406. (In English).Модуль оценки модели. – Текст : электронный // scikit-learn. ru: сайт. – URL: https://scikit-learn.ru/stable/modules/model_evaluation.html (дата обращения: 15.10.2025).Model evaluation module. (In Russian). Availabl at: https://scikitlearn.ru/stable/modules/model_evaluation.html (accessed: 15.10.2025).Model evaluation module. (In Russian). Availabl at: https://scikitlearn.ru/stable/modules/model_evaluation.html (accessed: 15.10.2025).Модуль оценки модели. – Текст : электронный // scikit-learn. ru: сайт. — URL: https://scikit-learn.ru/stable/modules/model_evaluation.html (дата обращения: 15.10.2025).Петрофизическое моделирование на основе литолого-фациального анализа ачимовских отложений севера Западной Сибири / А. О. Нестеренко, И. Н. Жижимонтов, И. Р. Махмутов, А. В. Храмцова. – Текст : непосредственный // Каротажник. – 2022. – № 6(320). – С. 118–131.Nesterenko, A. O., Zhizhimontov, I. N., Makhmutov, I. R., & Khramtsov, A. V. (2022). Etrophysical modeling on the basis of the lithological and facial analysis of achimov sediments in northern West Siberia. Karotazhnik, 6(320), рр. 118-131. (In Russian).

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