Kazakhstan journal for oil & gas industryKazakhstan journal for oil & gas industry2707-42262957-806XKMG Engineering9969010.54859/kjogi99690Научная статьяЛитофациальный анализ и возможности прогнозирования свойств по данным геофизических исследований и сейсморазведки методами машинного обученияКолбиковаЕлена Сергеевна<p>руководитель направления по петрофизике и интерпретации ГИС</p>vestnik@niikmg.kzООО «Роксар Парадайм – ПО и Решения»151220213432372801202228012022Copyright © 2021, Колбикова Е.С.2021<p>Успешность стратегии разработки любого месторождения зависит от степени изученности геологического строения его основных резервуаров. По мере разбуривания площади представление о строении залежи углеводородов уточняется, но в случае сложной структуры пустотного пространства резервуаров и литологической неоднородности разреза по площади геологические неопределённости и риски при последующем заложении скважин остаются высокими. По этим причинам одними из основных проблем при добыче углеводородов являются прогнозирование типов горных пород и распределение содержания флюидов по всему коллектору вдали от скважин, поскольку определение свойств горных пород является основным источником неопределенности в исследованиях моделирования коллектора [1, 2]. В предлагаемом проекте будут продемонстрированы алгоритмы, основанные на методах машинного обучения, которые позволяют прогнозировать распределение литологии и неопределенность литофациальной изменчивости в разрезе.</p>classificationmachine learning methodslithotypingfacies forecastcluster modelproperty predictionspecification of reservoir propertiesжіктеумашиналық өңдеу әдістерілитолигиялық түрлерге бөлуфациялық болжаукластерлік нұсқа (модель)қасиеттерді болжауФКҚ нақтылауклассификацияметоды машинного обучениялитотипизацияпрогноз фацийкластерная модельпрогнозирование свойствуточнение ФЕС1.Hami-Eddine K., Klein P., and Richard L. Well Facies-based supervised classification on prestack. – SEG Annual Meeting, Houston, Texas, October 2009.2.Hami-Eddine K., Klein P., Richard L., de Ribet B. and Grout M., A new technique for lithology and fluid content prediction from prestack data: An application to a carbonate reservoir. – The 13th SEGJ International Symposium, Tokyo, Japan, April 2019.3.Ye Shin-Ju, Rabiller P. A new tool for electrofacies analysis: Multi-Resolution Graph-Based Clustering. – 41st Annual Logging Symposium SPWLA, 2000.4.Ye Shin-Ju, Rabiller P. Automated Electrofacies Ordering. – Petrophysics, 2005, v. 46, N 6.5.Zhou Y., and Goldman S. Democratic co-learning. – 16th IEEE International Conference on Tools with Artificial Intelligence, 2004.6.Kolbikova E., Gusev S., Garaev A., Malinovskaya O., Kamilevich R. Forecast of prospective oil saturation zones in the Devonian carbonate deposits of the Kharyaginsky field based on geological and geophysical information analysis by using machine learning methods. – SPE-206520, SPE Russian Petroleum Technology Conference, 2021.