СОВРЕМЕННЫЕ МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ПРИ ИНТЕРПРЕТАЦИИ КАРБОНАТНЫХ КОЛЛЕКТОРОВ: ОБЗОР И ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ В НЕФТЕГАЗОВОЙ ГЕОФИЗИКЕ

Краснощекова А. Ю.


Annotatsiya

В статье рассмотрены современные подходы к применению методов машинного обучения при интерпретации карбонатных коллекторов в нефтегазовой геофизике. Выполнен обзор особенностей карбонатных разрезов, осложняющих их изучение традиционными методами, включая литологическую неоднородность, вторичную пористость, трещиноватость и сложный характер распределения фильтрационно-емкостных свойств. Проведен анализ существующих алгоритмов машинного обучения, применяемых для прогнозирования пористости, классификации литотипов, выделения перспективных интервалов и комплексной интерпретации геофизических и сейсмических данных. Рассмотрены перспективы внедрения интеллектуальных методов в практику нефтегазовой геофизики.


Adabiyotlar

  1. Добрынин В.М. Петрофизика. – М.: Недра, 1991.
  2. Киркинская В.Н, Смехов Е.М. Карбонатные породы – коллекторы нефти и газа. – Л.: Недра, 1981. - 255с.
  3. Эллис Д., Сингер Дж. Геофизические исследования скважин для специалистов по наукам о Земле / D. Ellis, J. Singer. – Нью-Йорк: Springer Science+Business Media B.V., 2008. – 699 с.
  4. Серра О. Основы интерпретации данных геофизических исследований скважин / O. Serra. – Париж, 1984. – 424 с.
  5. Исах А., Тарик З., Мустафа А. и др. Обзор применения методов машинного обучения, основанных на данных, в петрофизике резервуаров // Arabian Journal for Science and Engineering. – 2025. – Т. 50. – С. 20343–20377.
  6. Хэмпсон Д.П., Шульке Дж.С., Куайрин Дж.А. Использование многоатрибутных преобразований для прогнозирования свойств каротажных диаграмм по сейсмическим данным // Geophysics. – 2001. – Т. 66. – № 1. – С. 220–236.
  7. Бишоп К. Распознавание образов и машинное обучение / C. Bishop. – Нью-Йорк: Springer, 2006. – 738 с.
  8. Гудфеллоу И., Бенджио Й., Курвилль А. Глубокое обучение / I. Goodfellow, Y. Bengio, A. Courville. – Кембридж: MIT Press, 2016. – 800 с.