Типизация пород доюрского основания по керну и прогноз вещественного состава с помощью нейросетевого моделирования на основе карт Кохонена

   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.

1. Ресурсы юга Западной Сибири / С. А. Моисеев [и др.] – Текст : непосредственный // Нефтегазовая вертикаль. – 2005. – № 7. – С. 38–41.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. Мармалевский, 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.

8. 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.

9. Современные возможности машинного обучения при интерпретации данных геофизических исследований скважин / К. К. Измайлов [и др.]. – Текст : непосредственный // Каротажник. – 2021. – № 8 (314). – С. 5–16.

10. 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: 10.1007/978-3-642-56927-2

11. Родина, 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.

12. 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.

13. Lithofacies 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.