Development of a Geological and Statistical Approach to the Justification of an Analogue Field for a Structure Prepared for Deep Drilling by 3D Seismic in the Perm Krai

Abstract


When developing design documentation for geological exploration, which includes the rationale for laying a prospecting and appraisal well in order to search for and evaluate oil deposits in geological structures, there is a need to identify an analogue field characterized by a similar geological structure. In this regard, there is a need to develop an up-to-date geological and statistical approach that makes it possible to most accurately determine an analogue field based on geological and statistical data. This article discusses the geological-statistical method, which not only confirms the nature of the correspondence of structural plans in general, but also allows us to differentiate areas with different geological and structural structures, characterized by different degrees of correspondence of structural plans within the area, that studied by 3D seismic exploration. The nature of the influence significance of the indicators OG S, OG IK, OG IP, OG IIK and OG III on OG IIP, determined as a study result, confirmed the correspondence between structural plans of the Lower Carboniferous System (OG IK, IP, IIK, IIP) and inconsistency between structural plans of Permian (OG S) and Devonian terrigenous deposits (OG III). To determine the analogue field of the geological structure, a discriminant analysis was carried out on groups of wells, the correspondence and belonging of which to different deposits was confirmed by a regression study.


Full Text

Введение При разработке проектной документации для проведения геолого-разведочных работ, включающей в себя обоснование заложения поисково-оценочной скважины с целью поиска и оценки залежей нефти в геологических структурах, возникает необходимость определения месторождения-аналога, характеризующегося схожим геологическим строением [1-12]. В связи с этим появляется потребность разработки актуального геолого-статистического подхода, позволяющего наиболее точно определить месторождение-аналог на основе геолого-статистических данных. Статистическая дифференциация скважин по принципу отношения к разным геолого-разведочным площадям Для определения месторождения-аналога в программном обеспечении Statistica была выполнена пошаговая множественная регрессия для групп разного количества поисковых скважин n, пробуренных на рассматриваемой геолого-разведочной площади, а также на прилегающих площадях. Регрессия выполнялась для n от 3 до 27 шт. включительно. Ранжирование выборки было произведено в порядке возрастания абсолютной отметки ОГ IIП [10-24]. В табл. 1 представлены результаты регрессионного исследования. Жирным шрифтом выделены статистически значимые показатели, для которых значение p-критерия, характеризующего вероятность ошибки первого рода (т.е. вероятность случайности полученного результата), меньше или равно 0,05. Значение коэффициента множественной корреляции R2, характеризующего тесноту линейной зависимости одной переменной от других, начинает увеличиваться в диапазоне n от 3 до 9, далее, при n от 10 до 27 значение коэффициента достигает своего максимума 0,997-0,999 и практически не меняется. Постепенное увеличение коэффициента объясняется тем, что чем больше значений переменных используется в анализе, тем точнее описывается уравнение регрессии и, как следствие, тем сильнее прослеживается связь между зависимой и независимыми переменными. Стандартная ошибка SE показывает, насколько выборочная средняя может отличаться от среднего генеральной совокупности. Статистическая модель применима к рассматриваемой геологической структуре «S», поскольку максимальная стандартная ошибка, встречающаяся в регрессионном анализе в диапазоне n от 19 до 27, равна 5,30 м, а амплитуда структуры «S» по ОГ IIП равна 14 м. В диапазоне n от 27 до 19 модель контролируется статистически значимыми показателями ОГ IIК и ОГ IП. Величина стандартной ошибки SE в данном диапазоне постепенно увеличивается с 4,52 до 5,30 м. Коэффициент множественной корреляции R2 колеблется в районе значения 0,998. Данная модель подтверждает принадлежность участвующих в ней скважин месторождению «A». Первое перестроение модели наблюдается диапазоне n от 18 до 13: модель продолжает контролироваться статистически значимыми показателями ОГ IIК и ОГ IП, также начинает оказывать статистически значимое влияние на модель показатель ОГ IК. Величина стандартной ошибки SE в данном диапазоне колеблется от 3,64 до 3,93 м. Коэффициент множественной корреляции R2 колеблется в районе значения 0,999. Данная модель подтверждает принадлежность участвующих в ней скважин месторождению «B». Второе перестроение модели наблюдается в диапазоне n от 12 до 10: модель продолжает контролироваться статистически значимыми показателями ОГ IП и ОГ IК. Значения величины стандартной ошибки SE находятся в диапазоне от 3,53 до 3,85 м. Коэффициент множественной корреляции R2 колеблется в районе значения 0,998. Данная модель подтверждает принадлежность участвующих в ней скважин месторождению «C». Третье перестроение модели наблюдается в диапазоне n от 9 до 8: модель продолжает контролироваться статистически значимым показателем ОГ IП, влияние показателя ОГ IК ослабевает. Таблица 1 Результаты регрессионного исследования Месторождение n, шт. Св. член Коэффициенты при показателях, доли ед. R2, доли ед. p-критерий, доли ед. SE, м ОГ S ОГ IK ОГ IП ОГ IIK ОГ III «D» 3 -2630,30 -0,06 -1,07 4 -2073,05 -0,02 -0,61 0,05 5 -1481,18 0,04 0,693 0,194592 1,314 6 -1215,69 0,05 0,25 0,783 0,240577 1,388 7 -699,373 0,071 0,779 0,829 0,098265 2,206 8 146,611 1,075 0,250 0,798 0,079233 3,037 9 713,295 1,493 0,313 0,966 0,000308 3,178 «C» 10 796,744 -2,098 3,275 0,461 0,997 2,76E-08 3,530 11 464,455 -1,780 2,962 0,306 0,998 6,43E-10 3,793 12 504,928 -1,682 2,870 0,325 0,998 1,79E-11 3,850 «B» 13 -22,225 -1,131 2,188 0,219 0,999 4,93E-13 3,774 14 -7,070 -1,162 2,192 0,249 0,999 1,26E-14 3,641 15 40,114 -1,106 1,983 0,397 0,999 1,26E-15 3,927 16 30,805 -1,081 1,975 0,379 0,999 3,99E-17 3,808 17 36,436 -1,073 1,946 0,399 0,999 1,14E-18 3,679 18 34,503 -1,036 1,898 0,407 0,999 3,32E-20 3,567 «A» 19 85,053 -0,086 0,298 0,915 0,998 7,6E-19 5,297 20 94,193 -0,085 0,271 0,941 0,998 3,96E-20 5,235 21 91,669 -0,086 0,277 0,935 0,998 1,63E-21 5,098 22 92,963 -0,092 0,275 0,939 0,998 7,19E-23 4,986 23 93,478 -0,094 0,276 0,938 0,998 2,94E-24 4,867 24 92,954 -0,094 0,278 0,936 0,998 1,18E-25 4,750 25 91,558 -0,093 0,280 0,935 0,998 5,09E-27 4,654 26 95,399 -0,094 0,266 0,947 0,998 2,76E-28 4,611 27 246,681 -0,090 0,257 0,930 0,089 0,998 3,65E-28 4,515 Таблица 2 Качественная характеристика дискриминантного анализа n = 23 Лямбда Уилкса, доли ед. Частная лямбда, доли ед. F-критерий - (3.18) p-критерий, доли ед. Толерантность R2 ОГ IK 0,002 0,189 25,780 0,000 0,642 0,358 ОГ S 0,005 0,068 81,908 0,000 0,291 0,709 ОГ III 0,006 0,063 88,912 0,000 0,133 0,867 ОГ IП 0,003 0,134 38,713 0,000 0,119 0,881 Таблица 3 Апостериорные вероятности N Группа Апостериорные вероятности Группа «A» (p = 0,36) Группа «B» (p = 0,24) Группа «C» (p = 0,12) Группа «D» (p = 0,28) 3 «D» 0,000 0,000 0,000 1,000 4 «D» 0,000 0,000 0,000 1,000 5 «D» 0,000 0,000 0,000 1,000 6 «D» 0,000 0,000 0,000 1,000 7 «D» 0,000 0,000 0,000 1,000 8 «D» 0,000 0,000 0,000 1,000 9 «D» 0,000 0,000 0,000 1,000 10 «S» 0,000 0,000 0,000 1,000 11 «C» 0,000 0,000 1,000 0,000 12 «C» 0,000 0,000 1,000 0,000 13 «C» 0,000 0,000 1,000 0,000 14 «B» 0,000 1,000 0,000 0,000 15 «B» 0,000 1,000 0,000 0,000 16 «B» 0,000 1,000 0,000 0,000 17 «B» 0,000 1,000 0,000 0,000 18 «B» 0,000 1,000 0,000 0,000 19 «B» 0,000 1,000 0,000 0,000 20 «A» 1,000 0,000 0,000 0,000 21 «A» 1,000 0,000 0,000 0,000 22 «A» 1,000 0,000 0,000 0,000 23 «A» 1,000 0,000 0,000 0,000 24 «A» 1,000 0,000 0,000 0,000 25 «A» 1,000 0,000 0,000 0,000 26 «A» 1,000 0,000 0,000 0,000 27 «A» 1,000 0,000 0,000 0,000 28 «A» 1,000 0,000 0,000 0,000 Величина стандартной ошибки SE в данном диапазоне постепенно уменьшается с 3,46 до 3,04 м. Коэффициент множественной корреляции R2 постепенно уменьшается с 0,983 до 0,798. Данная модель подтверждает принадлежность участвующих в ней скважин месторождению «D». В диапазоне n от 7 до 3 статистически значимых показателей нет, что обусловлено малым количеством n, используемых в множественной регрессии. Скважины, участвующие в данной модели, пробурены в пределах месторождения «D». Наблюдается различная зависимость структурного плана ОГ IIП от показателей ОГ S, ОГ IК, ОГ IП, ОГ IIК и ОГ III в разных диапазонах n. Это указывает на возможность дифференциации участков с разной степенью соответствия структурных планов. Более того, это позволяет группировать участки, подчиняющиеся сходным геолого-статистическим моделям (близким по характеру влияния значимых показателей). Значимое влияние показателей ОГ IK, ОГ IП и ОГ IIК на ОГ IIП и незначимое влияние показателей ОГ S и ОГ III на ОГ IIП подтверждает соответствие структурных планов нижнего отдела каменноугольной системы (ОГ IK, IП, IIК, IIП) между собой и несоответствие их структурным планам пермских (ОГ S) и девонских терригенных отложений (ОГ III) [25-34]. Вероятностно-статистическое обоснование месторождения-аналога Для определения месторождения-аналога геологической структуры «S» был проведен дискриминантный анализ по результатам регрессионного исследования [34-46]. Дискриминантный анализ выполнялся по группам скважин, соответствие и принадлежность которых к разным месторождениям с разным характером соотношения структурных планов было подтверждено регрессионным исследованием. Всего выделяются четыре группы скважин, отнесенных к разным месторождениям: «A», «B», «C» и «D». Качественная характеристика дискриминантного анализа по известным значениям четырех групп представлена в табл. 2. Лямбда Уилкса, характеризующая отношение внутригрупповой изменчивости к общей и определяющая качество группировки, в данном случае достаточно мала и колеблется в пределах 0,002-0,006 доли ед., что означает, что группы однородны внутри себя и практически не пересекаются между собой. Частная лямбда определяет ценность того или иного признака классификации, т.е. определяет степень изменчивости лямбды Уилкса (степень изменчивости внутригрупповой однородности) после добавления переменной. То есть чем меньше её значение, тем ценнее оказывается признак. В данном случае наиболее ценными переменными являются ОГ S и ОГ III, поскольку они, по сравнению с ОГ IП, распространены не так повсеместно. F-критерий определяет изменчивость дисперсий в результате исключения того или иного признака из анализа, а p-критерий определяет уровень его статистической значимости, т.е. вероятность того, что результат окажется случайным. Если исключение признака приводит к статистически значимому изменению соотношения дисперсий, значит этот признак вносит важный вклад в дискриминацию групп. Толерантность определяет избыточность признака, то есть чем она ниже, тем сильнее данный признак связан со всеми остальными. Коэффициент множественной корреляции R2, наоборот, определяет степень взаимосвязи признака с остальными, использованными в модели. Канонические дискриминантные функции, определяющие процесс классифицирования, подчинялись законам: Графики корней дискриминантных функций Root 1, Root 2 и Root 3 представлены на рис. 1-3. Собственные значения корней функции Root 1, Root 2 и Root 3, характеризующие качество дифференцирования, соответственно равны 40,66, 23,32 и 1,70. Это значит, что наиболее представительным в данном случае будет график корней дискриминантных функций Root 1 и Root 2, поскольку чем больше собственное значение функции, тем эффективней разделение. Скважины группы «A» располагаются только в отрицательных значениях Root 1 и Root 3 и только в положительных значениях Root 2. Как видно из ранее построенной геолого-статистической модели, соответствующей месторождению «A», ОГ IIП контролируется статистически значимыми показателями ОГ IIК и ОГ IП. Скважины группы «B» располагаются только в положительных значениях Root 1, Root 2 и Root 3. Как видно из ранее построенной геолого-статистической модели, соответствующей месторождению «B», ОГ IIП контролируется статистически значимыми показателями ОГ IIК и ОГ IП и ОГ IК. Скважины группы «C» располагаются только в положительных значениях Root 1 и только в отрицательных значениях Root 2 и Root 3. Как видно из ранее построенной геолого-статистической модели, соответствующей месторождению «C», ОГ IIП контролируется статистически значимыми показателями ОГ IП и ОГ IК. Скважины группы «D» располагаются только в отрицательных значениях Root 1 и Root 2 и как в положительных, так и отрицательных значениях Root 3. Как видно из ранее построенной геолого-статистической модели, соответствующей месторождению «D», ОГ IIП контролируется статистически значимым показателем ОГ IП. Апостериорные вероятности, полученные в результате дискриминантного анализа, характеризующие вероятность принадлежности структуры «S» конкретной группе («A», «B», «C» или «D»), представлены в табл. 3. Схема совместного распределения апостериорных вероятностей для исследуемых четырех групп, полученная при использовании дискриминантного анализа, представлена на рис. 2. Установлено закономерное распределение групп скважин, приуроченных к разным территориям с разной степенью соответствия структурных планов. В южной части располагается месторождение «C», в его пределах пробурено три скважины. Севернее месторождения «C» располагается месторождение «B», в его пределах пробурено шесть скважин. В западной части территории располагается месторождение «A», в его пределах пробурено девять скважин. В северо-восточной части располагается месторождение «D». В его пределах пробурено девять скважин. Апостериорная вероятность принадлежности геологической структуры «S» к территории месторождения «D», равна 100 %. А значит месторождение «D» является аналогом для структуры «S». а б в Рис. 1. График корней дискриминантных функций: а - Root 1 и Root 2; б - Root 2 и Root 3; в - Root 1 и Root 3 Рис. 2. Схема совместного распределения апостериорных вероятностей для различных групп; синим цветом выделены границы тектонических элементов первого порядка, красным - второго Заключение Результаты регрессионного исследования позволили объединить полученные геолого-статистические модели, близкие по характеру влияния значимых показателей, что, в свою очередь, подтвердило принадлежность разных групп скважин разным месторождениям. Характер значимости влияний показателей ОГ S, ОГ IK, ОГ IП, ОГ IIК и ОГ III на ОГ IIП, определенный в результате регрессионного исследования, подтверждает соответствие структурных планов нижнего отдела каменноугольной системы (ОГ IK, IП, IIК, IIП) между собой и несоответствие их структурным планам пермских (ОГ S) и девонских терригенных отложений (ОГ III). По результатам статистического метода, основанного на дифференциации участков с различным геолого-структурным строением, характеризующихся разной степенью соответствия структурных планов в пределах рассматриваемой площади сейсморазведочных работ МОГТ 3D, для геологической структуры «S» был определен и статистически обоснован аналог - месторождение «D».

About the authors

E. S. Kolesnikov

Perm National Research Polytechnic University

Author for correspondence.
Email: zhenya.kolesnikov.1997@mail.ru

References

  1. Галкин С.В. Вероятностный прогноз геологических рисков при поисках месторождений нефти и газа. - Пермь: Книжный мир, 2009. - 224 с.
  2. Лядова Н.А., Яковлев Ю.А., Распопов А.В. Геология и разработка нефтяных месторождений Пермского края. - М.: ВНИИОЭНГ, 2010. - 335 с.
  3. Галкин В.И., Соловьев С.И. Районирование территории Пермского края по степени перспективности приобретения нефтяных участков недр // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. - 2015. - № 16. - С. 14-24. doi: 10.15593/224-9923/2015.16.2
  4. Дифференцированная вероятностная оценка генерационных процессов в отложениях доманикового типа Пермского края / В.И. Галкин, Т.В. Карасева, И.А. Козлова, М.А. Носов, С.Н. Кривощеков // Нефтяное хозяйство. - 2014. - № 12. - С. 103-105.
  5. Галкин В.И., Растегаев А.В., Галкин С.В. Вероятностно-статистическая оценка нефтегазоносности локальных структур. - Екатеринбург, 2011. - 299 с.
  6. Комплексный подход к изучению доманиковых отложений на территории Пермского края / И.С. Путилов, С.И. Соловьев, А.А. Обухов, Е.В. Пятунина // Перспективы увеличения ресурсной базы разрабатываемых отложений, в том числе из доманиковых отложений: сборник докладов по итогам межрегион. науч.-практ. конф., посвященной 70-летию НГДУ "Лениногорскнефть", Карабаш, 6-7 августа 2015 г. / ПАО "Татнефть". - Альметьевск, 2015. - С. 71-78.
  7. Михалевич И.М. Применение математических методов при анализе геологической информации (с использованием компьютерных технологий). - Иркутск, 2006. - 115 с.
  8. Галкин С.В., Лобанов Д.С. Использование многомерных статистических моделей при оперативном контроле извлекаемых запасов визейских залежей Пермского края // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2022. - Т. 333, № 5. - С. 126-136. doi: 10.18799/24131830/2022/5/3463
  9. Дементьев Л.Ф. Математические методы и ЭВМ в нефтегазовой геологии. - М.: Недра, 1987. - 264 с.
  10. Cosentino L.Integrated reservoir studies. - Paris: Editions Technip, 2001. - 400 p.
  11. Дюбруль О. Использование геостатистики для включения в геологическую модель сейсмических данных / Евр. ассоциация геоученых и инженеров (EAGE). - М., 2002. - 296 c.
  12. Armstrong M. Basic Linear Geostatistics. - Springer, 1998. - 155 p.
  13. Южаков А.Л. Прогноз нефтегазоносности структур по тектоническим элементам отражающего горизонта IIК южной части Пермского края // Новые направления нефтегазовой геологии и геохимии. Развитие геологоразведочных работ: сборник материалов II Междунар. науч. конф. - Пермь, 2019. - С. 195-200.
  14. Геохимические показатели РОВ пород как критерии оценки перспектив нефтегазоносности / В.И. Галкин, И.А. Козлова, О.А. Мелкишев, М.А. Шадрина // Нефтепромысловое дело. - 2013. - № 9. - С. 28-31.
  15. Алтунин А.Е., Семухин М.В. Расчеты в условиях риска и неопределенности в нефтегазовых технологиях. - М.; Тюмень: Изд-во Тюмен. гос. ун-та, 2004. - 296 с.
  16. Кривощеков С.Н., Галкин В.И., Волкова А.С. Разработка вероятностно-статистической методики прогноза нефтегазоносности структур // Нефтепромысловое дело. - 2010. - № 7. - С. 28-31.
  17. Kaufman M.G. Statistical issues in the assessment of undiscovered oil and gas resources. - MITCEEPR, 1992. - 30 p.
  18. Horne R.N. Modern well test analysis: A computer aided approach. - 2nd ed. - Palo Alto: Petroway Inc, 2006. - 257 p.
  19. Isaaks E.H., Srivastava R.M. An Introduction to Applied Geostatistics. - Oxford University Press, 1989. - 561 p.
  20. Deutsch C.V. Geostatistical Reservoir modelling. - Oxford University Press, 2002.
  21. Montgomery D.C., Peck E.A., Introduction to linear regression analysis. - New York: John Wiley & Sons, 1982. - 504 p.
  22. Houze O., Viturat D., Fjaere O.S. Dinamie data analysis. - Paris: Kappa Engineering, 2008. - 694 p.
  23. Воеводкин В.Л., Галкин В.И., Кривощеков С.Н. Исследование влияния критериев нефтегазоносности и изученности территории Пермского края на распределение месторождений углеводородов // Нефтяное хозяйство. - 2012. - № 6. - С. 30-34.
  24. Путилов И.С. Научное обоснование вероятностно-статистических методов прогноза нефтегазоносности структур в условиях высокоизученных территорий. - Пермь, 2016. - 369 с.
  25. Фокин А. Риски и неопределенности в геологоразведочном процессе // Новатор. - 2011. - № 43. - С. 8-12.
  26. Галкин В.И., Жуков Ю.А., Шишкин М.А. Применение вероятностных моделей для локального прогноза нефтегазоносности. - Екатеринбург: Изд-во Уро РАН, 1990. - 108 с.
  27. Ампилов Ю.П. Методы геолого-экономического моделирования ресурсов и запасов нефти и газа с учетом неопределенности и риска. - М.: Геоинформмарк, 2002. - 201 с.
  28. О возможности прогнозирования нефтегазоносности фаменских отложений с помощью построения вероятностно-статистических моделей / В.И. Галкин, И.А. Козлова, С.Н. Кривощеков, Е.В. Пятунина, С.Н. Пестова // Геология, геофизика и разработка нефтяных и газовых месторождений. - 2007. - № 10. - С. 22-27.
  29. Кривощеков С.Н., Галкин В.И. Построение матрицы элементарных ячеек при прогнозе нефтегазоносности вероятностно-статистическими методами на территории Пермского края // Геология, геофизика и разработка нефтяных и газовых месторождений. - 2008. - № 8. - С. 20-23.
  30. Путилов И.С., Галкин В.И. Разработка методики вероятностно-статистического прогноза нефтегазоносности локализованных структур (на примере южной части Пермского края) // Нефтяное хозяйство. - 2014. - № 4. - С. 26-29.
  31. Yarus J.M. Stochastic modeling and geostatistics // AAPG. - Tulsa, Oklahoma, 1994. - 231 p.
  32. Давыденко А.Ю. Вероятностно-статистические методы в геолого-геофизических приложениях. - Иркутск, 2007. - 29 с.
  33. GSLIB: Geostatistical Software Library and User's Guide. - New York: Oxford University Press, 1998. - 369 p.
  34. Zhuoheng Ch., Osadetz K.G. Geological Risk Mapping and Prospect Evaluation Using Multivariate and Bayesian Statistical Methods, Western Sverdrup Basin of Canada // AAPG Bulletin. - 2006. - Vol. 90, № 6. - P. 859-872. doi: 10.1306/01160605050
  35. Поморский Ю.Л. Методы статистического анализа экспериментальных данных: монография. - Л., 1960. - 174 с.
  36. Кривощеков С.Н. Разработка регионально-зональных критериев прогноза нефтегазоносности территории Пермского Прикамья вероятностно-статистическими методами // Нефтяное хозяйство. - 2011. - № 10. - С. 10-14.
  37. Davis J.C. Statistics and Data Analysis in Geology. - 3Rd Edition. - John Wiley & Sons, 2002. - 656 p.
  38. Meisner J., Demirmen F. The creaming method: a bayesian procedure to forecast future oil and gas discoveries in mature exploration provinces // Journal of the Royal Statistical Society. Series A. - 1981. - Vol. 144, № 1. - P. 1-31. doi: 10.2307/2982158
  39. Johnson N.L., Leone F.C. Statistics and experimental design. - New York - London - Sydney - Toronto, 1977. - 606 p.
  40. Путилов И.С., Галкин В.И. Применение вероятностного статистического анализа для изучения фациальной зональности турне-фаменского карбонатного комплекса Сибирского месторождения // Нефтяное хозяйство. - 2007. - № 9. - С. 112-114.
  41. Кривощеков С.Н., Кочнев А.А., Санников И.В. Перспективы нефтегазоносности отложений доманикового типа на территории Пермского края // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. - 2013. - № 9. - С. 18-26. doi: 10.15593/2224-9923/2013.9.2
  42. Путилов И.С. Разработка технологий комплексного изучения геологического строения и размещения месторождений нефти и газа. - Пермь: Изд-во Перм. нац. исслед. политехн. ун-та, 2014. - 285 с.
  43. Южаков А.Л. Классификация структурных локальных остатков отражающего горизонта IIК на примере юга Пермского края // Проблемы разработки месторождений углеводородных и рудных полезных ископаемых: материалы XI Всерос. науч.- техн. конф., г. Пермь, 7-9 ноября 2018 г. - Пермь, 2018. - С. 85.
  44. Prediction of residual oil satiration by using the ratio of amplitude of time-lapse seismic data / L. Meng, L. Zhen, L. Minzhu, Z. Huilai // Geophysics. - 2017. - Vol. 82, № 1. - P. 1-12. doi: 10.1190/geo2015-0453.1
  45. Kovalevskiy E. Geological Modelling on the Base of Geostatistics: Course Note. - Student Lecture Tour. - RUSSIA & CIS, 2011-2012.
  46. Путилов И.С. Трехмерное геологическое моделирование при разработке нефтяных и газовых месторождений. - Пермь: Изд-во Перм. нац. исслед. политехн. ун-та, 2011. - 72 с.

Statistics

Views

Abstract - 18

PDF (Russian) - 8

Refbacks

  • There are currently no refbacks.

Copyright (c) 2023 Kolesnikov E.S.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies