Применение методов машинного обучения в нефтегазовой геологии и геофизике: от теоретических основ к практической реализации

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.

1. Василёнок, 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.