Введение 3
2 Материалы и методы 4
2.1 Список используемых методов, библиотек и классов 4
2.2 Используемое оборудование 4
3 Предобработка данных 5
3.1 Необходимость предобработки 5
3.2 Загрузка, отладка и объединение файлов в скважины 5
3.3 Увязка кривых в скважине 7
3.3.1 Построение матрицы отношений 7
3.3.2 Увязка кривых в пересечении и необходимые условия 7
3.3.3 Объединение кривых без пересечения 8
3.4 Экспорт готовых файлов 9
4 Стратиграфия 10
4.1 Постановка задачи и объяснение с точки зрения геофизики 10
4.1.1 Стратиграфия как наука 10
4.1.2 Электрокаротаж в стратиграфии 10
4.1.3 Радиокаротаж в стратиграфии 10
4.1.4 Загрузка параметров и статистическая оценка пластов 12
4.2 Анализ данных 13
4.3 Разделение на обучающую и тестовую выборки, определение задачи и модели .... 14
4.3.1 Разделение на обучающую и тестовую выборки 14
4.3.2 Определение задачи и модели 15
5 Литология 16
5.1 Постановка задачи и объяснение с точки зрения геофизики 16
5.1.1 Литология как наука 16
5.1.2 Кривая NGK в литологии 16
5.1.3 Кривая GK в литологии 16
5.2 Загрузка параметров и анализ данных 17
5.2.1 Загрузка файлов и параметров 17
5.2.2 Корректировка кривых и построение вспомогательных 17
5.3 Анализ данных 19
5.4 Разделение на обучающую и тестовую выборки, определение задачи и модели . . . . 20
5.4.1 Разделение на обучающую и тестовую выборки 20
5.4.2 Определение задачи и выбор модели 20
6 Обсуждение 21
7 Заключение
Список литературы
Купить

На сегодняшний момент при геофизических исследованиях скважин набирает популярность применение машинного обучения и нейросетей. К геофизическим исследованиям относят:
• определение разрезов скважин - стратиграфия
• определение осадочных пород, их состава, строения и распространения - литология
• исследование характера насыщения и динамики флюидов в скважине - определение коллекторов
• определение пористости, проницаемости и нефтегазонасыщенности пласта
Целью данной работы является демонстрация возможного применения машинного обучения для определения стратиграфии и литологии в разрезах скважин. Стоит указать, почему именно возможность обучать машину на данный момент является одним из самых перспективных аспектов в области геофизики.
Геофизические исследования начинаются с бурения скважин и замеров различных каротажей в стволе скважины, далее данные с зондов, которые занимались замерами, преобразуются в кривые. На следующем этапе эти кривые исследуются экспертом, который согласно теоретическим данным проставляет значения: если это стратиграфия - отмечает кровлю и подошву горизонта(разрера), если литология - код определяемой породы. Далее, так как скважин бурят достаточно много, после определения экспертных данных, находят схожие аномалии в поведении кривых в остальных скважинах и проставляют экспертные данные у них.
Для ускорения работы применяют конечные алгоритмы, который зачастую опирается на конкретные значения кривой, чтобы определять её поведение. Данный подход отлично работает и отлично переносит экспертные данные на остальные скважины, но имеет ряд недостатков и самый весомый из них - невозможность применения на других месторождениях. И причина здесь в том, что при попытке обработки совсем других данных, нам, скорее всего, придется переписывать весь алгоритм, что приводит к очень долгому анализу новых месторождений.
Относительно новым решением этой проблемы стали машинное обучение и нейросети, которые позволяют переносить одно и тоже решение, меняя при этом только сбор признаков с кривых. Достаточно лишь подобрать новые признаки и подкорректировать выбранную модель, а все остальное сделает машина. В качестве задачи проверим целесообразно ли применять машинное обучение для определения стратиграфии и литологии, и насколько ответы машины отличаются от ответов эксперта.
Так как кривая представляет из себя массив значений, определение характера её поведения сводится к различным подходам математического и статистического анализа:
• нахождение зависимостей между кривыми(корреляция)
• определение скорости изменения значений(градиент)
• нахождение экстремумов
• и другие методы изучения кривых
Также для описания поведения можно использовать приближенные решения, такие как:
• интерполяция кривых
• экстраполяция
• сглажка
• разложение кривой в спектр
• и другие методы
Многие кривые имеют определенный физический смысл в той или иной задаче геофизики, подробнее о том, какие кривые и почему использовались для стратиграфии или литологии, опишем далее.
Купить