№ 1(17) 2019

Нефтяная провинция

№4(20)2019

НЕЙРОСЕТЕВОЕ ДЕТЕКТИРОВАНИЕ ПРОДУКТИВНЫХ ИНТЕРВАЛОВ НА ПРИМЕРЕ ОБЪЕКТА БВ10 САМОТЛОРСКОГО НЕФТЕГАЗОКОНДЕНСАТНОГО МЕСТОРОЖДЕНИЯ

Канаев И.С.

DOI https://doi.org/10.25689/NP.2019.4.157-171

C.156-171

Скачать статью

Adobe_PDF_Icon.png

Аннотация

 

Данная работа посвящена анализу применимости нейросетевого подхода при решении задачи автоматического выделения продуктивных интервалов. Методы машинного обучения позволяют наиболее быстрым способом обрабатывать большие массивы данных, а также выявлять необходимые признаки и связи. Проблематика данной работы заключается в создании нейронной сети, которая позволит наиболее точно определять продуктивные интервалы, используя данные ГИС. Для получения точного результата одним из наиболее значительных аспектов является подготовка данных для исследования. Предобработка данных является обязательным условием для любого метода машинного обучения. Полученные результаты были соотнесены с результатами интерпретации специалиста геофизика. Разработанная нейросетевая модель позволяет автоматизировать процесс выделения продуктивных

Ключевые слова:

 

машинное обучение, нейронные сети, выделение продуктивных интервалов, анализ последовательностей, предобработка данных.

Список литературы

 

  1. Шолле, Ф. Глубокое обучение на Python [Текст]: монография-Спб: Питер, 2018. – 400 с.

  2. Хамада, Г. Нейросетевой расчет пористости и водонасыщенности для песчаноглинистых коллекторов [Текст]/ Г. Хамада, Э. Ахмед, Н. Чао// Достижения в области прикладных научных исследований. - 2018. - № 8. С. 26-31.

  3. Цветкович, М. Применение нейронных сетей для определения литологии коллекторских горных пород и расчета насыщенности [Текст]/ М. Цветкович, Й. Велик, Т. Малвик// Геология Хорватии. - 2009. - №62. С. 115-121.

  4. Марди, М. Расчет водонасыщенности с применением нейронных сетей и исследование влияния изменения коэффициента цементации и показателя насыщенности на Иранской нефтяной скважине [Текст]/ М. Марди, Х. Нурози, С. Эдалатха// Нефтегазовая наука и технологии. – 2012. -№30. С. 42-434.

  5. Чиченг, Х. Когда петрофизика сталкивается с огромным массивом данных: Что может машинное обучение? [Текст]/ X. Чиченг, С. Мисра, П. Сринивасан, М. Шухианг// Ближневосточная нефтегазовая конференция SPE. - 2019. - 24с.

  6. Чжу Л. Улучшенная литологическая интерпретация каротажных данных с применением сверточных нейронных сетей [Текст]/ Чжу Л., Ли Х., Ян Ч., Ли Ч., Ао И. // Петрофизика. - 2018. -№ 6. С. 799-810.

Сведения об авторах

 

Канаев Илья Сергеевич, специалист управления по ГРМ Самотлорнефтегаз, ООО «Тюменский нефтяной научный центр»

Россия, 625002, Тюмень, ул. Осипенко, 79/1

E-mail: iskanaev@tnnc.rosneft.ru

Для цитирования:

Канаев И.С. Нейросетевое детектирование продуктивных интервалов на примере объекта БВ10 Самотлорского нефтегазоконденсатного месторождения//Нефтяная провинция.-2019.-№4(20).-С.157-171. DOI https://doi.org/10.25689/NP.2019.4.157-171

 
 
 
 
 

   © Канаев И.С., 2019

       Это статья в открытом доступе под лицензией Creative Commons Attribution 4.0 License (https://creativecommons.org/licenses/by/4.0/)