Введение 3
2 Описание и предобработка данных 5
2.1 Формат файла 5
2.2 Каротаж данных 6
2.3 Стратиграфия, константы и табличные значения 7
2.4 Экспертные данные 7
2.5 Предобработка и генерация новых данных 8
3 Анализ данных 10
3.1 Литология 11
3.2 Коллектор и Насыщение 12
4 Используемые методы 14
4.1 Библиотеки Python 14
4.2 Используемое оборудование 15
5 Реализация решателя 16
5.1 Формирование матрицы признаков 16
5.2 Модель машинного обучения 19
5.3 Процесс обучения 21
5.4 Оценка качества 22
5.5 Сборка решателя 24
6 Заключение 25
Список литературы 26
7 Приложение
Актуальность темы: В связи высокого роста количества задач связанных машинным обучением, а также стремительное развитие технологий высоко-нагрузочных вычислений, возникли ряд проблем в отрасли нефтедобычи, в частности задачи в области геофизики. Причем тенденция данного времени вызывает необходимость в создании гибких и портируемых алгоритмов, способных с точность или же с вероятностной оценкой приблизится к желаемому результату. Использование искусственного интеллекта, а в частности машинное обучение и нейросетевое моделирование позволит нам уменьшить время для работы геофизика, занимающегося работой по интерпретации, который обрабатывает в ручную огромный массив данных.
С помощью построенных моделей мы сможем заложить ряд закономерностей и накапливать их по мере необходимости. Огромная положительная сторона в строении моделей в их обработке зашумленных данных, что играет огромную роль для конечного результата.
Постановка задачи: Интерпретация геофизических данных - заключается в нахождении осадочных пород и их разновидностей, коллекторских свойств и их насыщения таких, как нефти, газа или воды. Пусть дана скважина с некоторыми методами каротажа GK, NGK, PS обозначим их - X При этом есть данные эксперта для каждой точки каротажа, обозначим как Y.
Значит задача сводится к задаче обучения с учителем, где X - наблюдаемая величина, а Y - целевая переменная.
Цель: Целью данной выпускной работы является создание сервиса по решению задачи интерпретации геофизических данных средствами машинного обучения и реализации программного продукта для дальнейшего использования в производстве.
Для реализации поставленной цели, разобьем задачу на несколько подзадач.
1. Проанализировать предоставленные данные.
2. Определить модели машинного обучения и нейросети.
3. Построить алгоритм формирования результата не нарушая методологию геофизики.
4. Программная реализация.
Работа объемом 26 листов основного текста состоит из введения, пяти глав, заключения, списка используемой литературы, содержащего 9 источников, и приложения.
В рамках данной работы были рассмотрены и применены методы машинного обучения в задачах интерпретации геофизических данных, а так же реализован сервис по обработке нефтяных скважин.
В первой главе сформулирована цель задачи и актуальность работы.
В второй главе были рассмотрены предоставленные данные. Описание данных и их предобработка.
В третьей главе был представлен обзор и визуализация данных, а так же отбор необходимых кривых для работы и достижения результата. В четвертой главе были выбраны необходимые модули для реализации задачи. В пятой главе были разработаны три независимые модели. Далее были приведены результаты и реализация поставленной цели.
В данной работе был реализован сервис по обработке скважин, который успешно протестирован на 400 скважин с положительным результатом. Применение методов машинного обучения для решения задач интерпретации необходимо. Приведу несколько положительных сторон:
1. Экспресс - система, которая предскажет продуктивный интервал, для дальнейшего углубленного изучения.
2. Адаптация при смене месторождения.
3. Прогноз и оценка скважины уменьшает время на разработку месторождения.
4. В случае нехватки данных или присутствие шумов не искажает результат работы.
5. Построенное решение можно адаптировать под другие задачи в области геофизики.
Хочу выразить искреннею благодарность всем сотрудникам научно-образовательного центра Моделирование ТРИЗ, а в частности руководителя Судакова Владислава Анатольевича, за предоставленную задачу.
