tumnigИзвестия высших учебных заведений. Нефть и газOil and Gas Studies0445-01083033-8174Industrial University of Tyumen10.31660/0445-0108-2025-6-57-65ZKDDBTtumnig-1375Research ArticleГЕОЛОГИЯ, ПОИСКИ И РАЗВЕДКА МЕСТОРОЖДЕНИЙ НЕФТИ И ГАЗАGEOLOGY, PROSPECTING AND EXPLORATION OF OIL AND GAS FIELDSПрименение методов машинного обучения в нефтегазовой геологии и геофизике: от теоретических основ к практической реализацииApplication of machine learning methods in oil and gas geology and geophysics: from theoretical foundations to practical implementationМедведевН. Р.MedvedevN. R.

Медведев Николай Родионович, аспирант кафедры геологии месторождений нефти и газа

Тюмень

Nikolay R., Medvedev, Graduate Student at the Department of Geology of Oil and Gas Fields

Tyumen

medvedevnr@gmail.comБембельС. Р.BembelS. R.

Бембель Сергей Робертович, доктор геолого-минералогических наук, профессор кафедры геологии месторождений нефти и газа

Тюмень

Sergey R. Bembel, Doctor of Geological-Mineralogical Sciences, Professor at the Department of Geology of Oil and Gas Fields

Tyumen

СавинаМ. Е.SavinaM. E.

Савина Марина Егоровна, старший преподаватель кафедры геологии месторождений нефти и газа

Тюмень

Marina E. Savina, Senior Lecturer at the Department of Geology of Oil and Gas Fields

Tyumen

Тюменский индустриальный университетРоссияIndustrial University of TyumenRussian Federation202519012026065765Copyright © Медведев Н.Р., Бембель С.Р., Савина М.Е., 20262026Медведев Н.Р., Бембель С.Р., Савина М.Е.Medvedev N.R., Bembel S.R., Savina M.E.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/1375

В статье представлен систематизированный анализ современных методов машинного обучения и их практического применения для решения ключевых задач нефтегазовой геологии и геофизики. Рассмотрены преимущества и ограничения основных архитектур нейронных сетей, включая сверточные (CNN), рекуррентные (RNN) и глубокие сети прямого распространения (DNN). Особое внимание уделено интеграции данных различных типов и масштабов – от сейсмических исследований до керна и геофизических исследований скважин. В качестве практического инструментария рассмотрена платформа машинного обучения Orange с открытым исходным кодом, продемонстрировавшая высокую эффективность для задач анализа и визуализации геологических данных. На реальных примерах показано, как применение машинного обучения позволяет существенно повысить точность интерпретации, сократить временные затраты и минимизировать субъективный фактор. Делается вывод о переходе нейросетевых технологий из разряда экспериментальных в категорию обязательных инструментов для повышения экономической эффективности геолого-разведочных работ.

This paper presents a systematic analysis of modern machine learning methods and their practical applications in solving key problems in petroleum geology and geophysics. This study discusses the advantages and limitations of major neural network architectures, including convolutional neural networks (CNNs), recurrent neural networks (RNNs), and deep feedforward networks (RNNs), and deep feedforward networks (DNNs). The authors of this paper paid special attention to the integration of various types and scales of data, ranging from seismic surveys to core samples and borehole geophysical measurements. The open-source machine learning platform, Orange, is highlighted as a very effective tool for geological data analysis and visualization tasks. Real-world examples illustrate how machine learning can significantly enhance interpretation accuracy, reduce time costs, and minimize subjective bias. The paper concludes that neural network technologies are transitioning from experimental tools to binding instruments for improving the economic efficiency of geological exploration activities.

искусственный интеллектмашинное обучениенейронные сетисейсмическая интерпретацияпрогнозирование коллекторских свойствклассификация литофацийплатформа Orangeнефтегазовая геофизикаartificial intelligencemachine learningneural networksseismic interpretationreservoir property predictionlithophase classificationOrange platformoil and gas geophysicsReferencesВасилёнок, Е. А. Классификация минеральных компонентов гранитоидов методами цифровой петрографии и машинного обучения / Е. А. Василёнок. – Текст : непосредственный // Журнал Белорусского государственного университета. География. Геология. – 2020. – № 1. – С. 75–85.Vasilyonok, E. A. (2020). Klassifikaciya mineral'nyh komponentov granitoidov metodami cifrovoj petrografii i mashinnogo obucheniya. Zhurnal Belorusskogo gosudarstvennogo universiteta. Geografiya. Geologiya, (1), рр. 75-85. (In Russian).Королёв, В. А. Цифровизация и искусственный интеллект в инженерной геологии / В. А. Королёв. – Текст : непосредственный // Новые идеи и теоретические аспекты инженерной геологии : труды Международной научной конференции, Москва, 04 февраля 2021 г. – Москва : Сам Полиграфист, 2021. – С. 207–214.Korolyov, V. A. (2021). Cifrovizaciya i iskusstvennyj intellekt v inzhenernoj geologii. Novye idei i teoreticheskie aspekty inzhenernoj geologii: trudy Mezhdunarodnoj nauchnoj konferencii. Moscow, Sam Poligrafist Publ., pp. 207-214. (In Russian).Потехин, Д. В. Применение технологии машинного обучения при моделировании распределения литотипов на пермокарбоновой залежи нефти Усинского месторождения / Д. В. Потехин, С. В. Галкин. – DOI: 10.31897/РМI.2022.101. – Текст : непосредственный // Записки Горного института. – 2023. – Т. 259. – С. 41–51.Potekhin, D. V. & Galkin, S. V. (2023). Primenenie tekhnologii mashinnogo obucheniya pri modelirovanii raspredeleniya litotipov na permokarbonovoj zalezhi nefti Usinskogo mestorozhdeniya. Journal of Mining Institute, (259), pp. 41-51. (In Russian). DOI: 10.31897/РМI.2022.101.Старцев, В. А. Анализ опыта применения методов машинного обучения при бурении нефтяных и газовых скважин / В. А. Старцев, Г. В. Буслаев, А. В. Коноплянников. – DOI 10.33285/0130-3872-2023-9(369)-15-24. – Текст : непосредственный // Строительство нефтяных и газовых скважин на суше и на море. – 2023. – № 9(369). – С. 15–24.Startsev, V. A. Buslaev, G. V. & Konoplyannikov, A. V. (2023). Analysis of the experience of machine learning methods application when drilling oil and gas wells. Construction of oil and gas wells on land and sea, 9(369), pp.15-24. (In Russian). DOI: 10.33285/0130-3872-2023-9(369)-15-24.Alkroosh, I. S. Regressive approach for predicting bearing capacity of bored piles from cone penetration test data / I. S. Alkroosh, M. Bahadori, H. Nikraz, A. Bahadori. – DOI 10.1016/j.jrmge.2015.06.011. – Text : direct // Journal of Rock Mechanics and Geotechnical Engineering. – 2015. – Vol. 7. – Issue 5. – P. 584–592.Alkroosh, I. S., Bahadori, M., Nikraz, H., & Bahadori, A. (2015). Regressive approach for predicting bearing capacity of bored piles from cone penetration test data. Journal of Rock Mechanics and Geotechnical Engineering, 7(5), pp. 584-592. (In English). DOI:10.1016/j.jrmge.2015.06.011.Machine learning technique for the prediction of shear wave velocity using petrophysical logs / M. Anemangely, A. Ramezanzadeh, H. Amiri, S.-A. Hoseinpour. – DOI 10.1016/j.petrol.2018.11.032. – Text : direct // Journal of Petroleum Science and Engineering, 2019. – Vol. 174. – P. 306–327.Anemangely, M., Ramezanzadeh, A., Amiri, H., & Hoseinpour S.-A. (2019). Machine learning technique for the prediction of shear wave velocity using petrophysical logs. Journal of Petroleum Science and Engineering, (174), pp. 306-327. (In English). DOI: 10.1016/j.petrol.2018.11.032.Orange: Data Mining Toolbox in Python / J. Demšar, T. Curk, A. Erjavec [et al.]. – Text : direct // Journal of Machine Learning Research. – 2013. – Vol. 14. – P. 2349–2353.Demšar, J., Curk, T., Erjavec, A., Gorup, Č., Hočevar, T., Milutinovič, M., & Zupan, B. (2013). Orange: data mining toolbox in Python. Journal of machine Learning research, 14(1), pp. 2349-2353. (In English).Seismic fault detection using convolutional neural networks trained on synthetic Poststacked Amplitude Maps / A. Pochet, P. H. Diniz, H. Lopes, M. Gattass. – Text : direct // IEEE Geoscience and Remote Sensing Letters, 2018. – Vol. 16, Issue 3. – P. 352–356.Pochet, A., Diniz, P. H., Lopes, H., & Gattass, M. (2018). Seismic fault detection using convolutional neural networks trained on synthetic poststacked amplitude maps. IEEE Geoscience and Remote Sensing Letters, 16(3), pp. 352-356. (In English).Deep learning method for lithology identification from borehole images / P. Y. Zhang, J. M. Sun, Y. J. Jiang, J. S. Gao. – DOI: 10.3997/2214-4609.201700945. – Text : direct // 79th EAGE Conference and Exhibition, 2017. – European Association of Geoscientists & Engineers, 2017. – Vol. 2017, Issue 1. – P. 1–5.Zhang, P. Y., Sun, J. M., Jiang, Y. J., & Gao, J. S. (2017). Deep learning method for lithology identification from borehole images. In 79th EAGE Conference and Exhibition 2017. European Association of Geoscientists & Engineers. (1), pp. 1-5. (In English). DOI: 10.3997/2214-4609.201700945.

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