Probabilistic-Statistical Forecast of Oil and Gas Content of Local Structures on the Izhemsk Stage Territory

Abstract


A methodology for predicting the oil and gas content of local structures using probable statistical methods on the territory of the Izhemsk stage is presented. The main oil and gas prospects in this area are associated with buried structures confined to the zone of Domanik barrier reefs. The goal of the work was to develop a comprehensive probabilistic model for assessing geological risks and ranking prepared structures according to the prospects of their introduction into deep drilling. The work analyzed the morphological parameters of the structures on the roof of the Domanik horizon: amplitudes, areas, absolute elevations of the arches, dimensions of the axes of the structures, as well as the thickness of the Domanik horizon and the distance of the structures from the deep-sea slope. To build probabilistic models, the initial data was divided into two classes: oil-saturated and empty structures. The information content of the selected indicators was assessed using Student's t-test. A statistical difference in the average values of the following parameters was established: amplitude, the size of the long axis of the structures, the thickness of the Domanik deposits and the distance of the structure's arch from the deep-sea slope. Also the least informative parameter - the absolute arch elevation was identified and excluded from further analysis. For a detailed analysis of the parameter values distribution, categorized histograms were constructed according to the classes of oil-saturated and empty structures. At the first stage, conditional interval probabilities were calculated for each parameter and individual probabilistic models of oil and gas content were built. At the second stage, all indicators were combined into a complex model. To assess the quality of the model, a categorized histogram of cosplay probabilities by structure class was constructed, and the obtained probabilities were compared with the results of discriminant analysis. It was established that the model successfully separated empty and oil-saturated structures according to the boundary value of the complex probability of 0.5 units. As a result of applying the constructed model, it was calculated that within the area under consideration, the most promising in terms of oil and gas content was the Pilegorskaya structure.


Full Text

Введение В тектоническом отношении Ижемская ступень является структурой I порядка, расположенной в центральной части Ижма-Печорской синеклизы. Ижемская ступень представляет собой моноклиналь, полого погружающуюся в северо-восточном направлении. Основные перспективы нефтегазоносности на данном участке связаны с погребенными структурами, приуроченными к зоне барьерных рифов доманикового возраста, а именно к гребневой части рифа, сложенной, как правило, проницаемыми карбонатными разностями, и структурами облегания рифовых массивов сирачойского возраста [1, 2]. В доманиковое время в результате резкого погружения территории в условиях морского осадконакопления в юго-западной части Ижемской ступени существовала некомпенсированная глубоководная впадина, окаймляемая с востока и севера извилистой полосой барьерных рифов, за которой осадконакопление протекало в шельфовых условиях. В зоне рифообразования сформировалась цепочка узких антиклинальных складок, образующих валообразное поднятие вдоль глубоководного склона. В пределах изучаемого района промышленные скопления углеводородов связаны с карбонатными породами доманиково-турнейского нефтегазоносного комплекса. Здесь открыты Щельяюрское, Демаельское, Макарьельское, Верхневольминское, Низевое и Южно-Низевое, Южно-Седмесское нефтяные месторождения. Оценка перспектив нефтегазоносности проводится на Пильегорской площади, в пределах которой находится три локальных структуры, подготовленные к глубокому бурению: Пильегорская, Воскресенская, Восточно-Макарьельская. Выкопировка из схемы тектонического районирования представлена на рис. 1. Обработка большого объема различной геолого-геофизической информации требует применения методов математической статистики и теории вероятностей [3-12]. Используемый в работе математический аппарат и его применение для решения прогнозных задач приводится в [13-26]. С целью ранжирования подготовленных структур осуществлен прогноз нефтегазоносности вероятностно-статистическими методами, использование которого приведено в работах [27-38]. Построение одномерных вероятностных моделей Для оценки перспектив нефтегазоносности проанализированы морфологические параметры структур по отражающему горизонту IIIf2, приуроченному к кровле доманикового горизонта: абсолютные отметки сводовой части структур - АОсв, м; амплитуды - A, м; площади - S, км2; размеры длинные оси - Lд, м; размеры короткой оси - Lк, м. Также проанализированы толщины доманикового горизонта в пределах структур - Hdm, м; удаленность сводов структур от глубоководной впадины - Lгс, км. Для построения вероятностно-статистических моделей структуры были разделены на два класса: 1-й класс - структуры с доказанной нефтеносностью; 2-й класс - структуры с отрицательными результатами бурения. Алгоритм построения одномерных вероятностных моделей описан в работах [39-41]. Для оценки информативности выбранных параметров было выполнено сравнение средних значений параметров по классам структур с помощью t-критерия Стьюдента. Результаты сравнения представлены в табл. 1. Статистически различия средних значений показателей по классам установлены по амплитуде, размеру длинной оси структур, толщине доманиковых отложений и удаленности свода структуры от глубоководного склона. Также выявлено, что наименее информативным показателем является абсолютная отметка свода структур. В связи с этим данный параметр не будет использоваться для построения вероятностных моделей. Для детального изучения распределения параметров построены категоризованные гистограммы по классам структур (рис. 2). Рис. 1. Выкопировка из схемы тектонического районирования Таблица 1 Статистические характеристики Параметр Среднее значение t-критерий p-value Нефтяные структуры Пустые структуры AOсв, м -2054,29 -2056,57 0,04 0,97 А, м 34,14 20,00 3,91 0,002 S, км2 6,03 3,99 1,49 0,162 Lд, км 4,10 3,42 1,14 0,275 Lк, км 2,36 1,39 2,97 0,012 Hdm, м 149,00 128,71 2,93 0,0127 Lгс, км 1,27 4,39 -2,87 0,014 а б в г д е Рис. 2. Гистограммы показателей по категориям нефтяных и пустых структур: а - амплитуда; б - площадь; в - размер длинной оси; г - размер короткой оси; д - толщина доманиковых отложений; е - удаленность от глубоководного склона Таблица 2 Условные интервальные вероятности А, м P(А), доли ед. S, км2 P(S), доли ед. Lд, км P(Lд), доли ед. 15-22 0 1-3 0 1-2 0 22-29 0,33 3-5 0,33 2-3 0 29-36 1 5-7 1 3-4 0,75 36-43 1 7-9 1 4-5 0,75 43-50 1 9-11 0,5 5-6 0,5 Lк, км P(Lк), доли ед. Нdm, м P(Hdm), доли ед. Lгс, км P(Lгс), доли ед. 0,5-1,2 0 100-113 0 0,2-1,7 0,71 1,2-1,9 0,4 113-126 0 1,7-3,2 1 1,9-2,6 0,75 126-139 0 3,2-4,7 0 2,6-3,3 1 139-152 0,8 4,7-6,2 0 3,3-4 1 152-165 1 6,2-7,7 0 Таблица 3 Вероятностные модели Параметр Уравнение вероятностной модели Диапазон применения Диапазон вероятностей, доли ед. А, м P(А) = -0,3722 + 0,0267∙А 15-50 0,0283-0,9628 S, км2 P(S) = 0,065 + 0,0835∙S 1-11 0,1485-0,9835 Lд, км P(Lд) = -0,1575 + 0,165∙Lд 1-6 0,0075-0,8325 Lк, км P(Lк) = -0,1107 + 0,2714∙Lк 0,5-4 0,025-0,9749 Hdm, м P(Hdm) = -1,4165 + 0,0146∙Hdm 100-165 0,0044-0,9925 Lгс, км P(Lгс) = 0,9749 - 0,1147∙Lгс 0,2-7,7 0,092-0,952 Таблица 4 Индивидуальные и комплексные вероятности нефтегазоносности Структура Класс P(А), доли ед. P(S), доли ед. P(Lд), доли ед. P(Lк), доли ед. P(Hdm), доли ед. P(Lгс), доли ед. Ркомп, доли ед. Ю.-Седемесская Нефт. 0,429 0,953 0,705 0,473 0,657 0,889 0,998 Демаельская Нефт. 0,429 0,652 0,451 0,552 0,628 0,820 0,916 Бедамельская Пустая 0,215 0,733 0,668 0,408 0,511 0,459 0,479 Ю.-Пычская Пустая 0,028 0,324 0,291 0,275 0,540 0,183 0,001 С.-Болотная Пустая 0,162 0,150 0,083 0,104 0,759 0,854 0,007 Щельяюрская Нефт. 0,749 0,498 0,514 0,704 0,847 0,751 0,992 В.-Щельяюрская Пустая 0,162 0,407 0,494 0,212 0,613 0,086 0,005 С.-Вольминская Пустая 0,322 0,458 0,626 0,402 0,058 0,872 0,160 Стрелинская Пустая 0,189 0,399 0,338 0,345 0,321 0,269 0,007 В.-Вольминское Нефт. 0,295 0,574 0,453 0,432 0,963 0,929 0,992 Макарьельская Нефт. 0,963 0,580 0,585 0,351 0,920 0,946 1,000 Низевая Нефт. 0,429 0,331 0,352 0,324 0,642 0,659 0,251 Ю.-Низевая Нефт. 0,482 0,393 0,569 0,866 0,657 0,809 0,977 С.-Осиновая Пустая 0,028 0,211 0,255 0,115 0,438 0,459 0,000 Пильегорская - 0,349 0,900 0,998 0,975 0,584 0,356 0,98 В.-Макарьельская - 0,242 0,376 0,569 0,215 0,336 0,946 0,381 Воскресенская - 0,242 0,297 0,272 0,296 0,409 0,843 0,073 По гистограмме амплитуд (см. рис. 2, а) установлено, что наиболее часто встречающиеся значения амплитуды для нефтяных структур находятся в интервале 29-36 м (29 %), для пустых - 15-22 м (36 %). Зона перекрытия классов определяется в интервале 22-29 м. Амплитуда больше 29 м характерна только для нефтяных структур. Наиболее часто встречающиеся значения площади (см. рис. 2, б) для нефтяных структур находятся в интервале 5-7 км2 (27 %), для пустых структур - 3-5 м (29 %). В основном для пустых структур характерно меньшее значение площади по сравнению с нефтенасыщенными. По гистограмме размеров длинных осей структур (см. рис. 2, в) видно, что наиболее часто встречающиеся значения для нефтяных структур находятся в интервале 3-5 км (42 %), для пустых - 2-3 км (21 %). Зона перекрытия категорий определяется в интервале 3-6 км. Стоит отметить, что при значении данного параметра меньше 3 км встречаются только пустые структуры. Наиболее часто встречающиеся значения длин коротких осей (см. рис. 2, б) для нефтяных структур находятся в интервале 1,9-2,6 км (21 %), для пустых структур - 0,5-1,9 м (42 %). Зона перекрытия классов 1,2-2,6 км. Наиболее часто встречающиеся значения толщин доманикового горизонта (см. рис. 2, д) для нефтяных структур присутствуют в диапазоне 139-152 м (29 %), для пустых - 126-139 м (29 %). Зона перекрытия категорий определяется в интервале 139-152 м. При толщинах меньше 139 м встречаются только пустые структуры. По гистограмме удаленности от глубоководного склона (см. рис. 2, е) установлено, что нефтяные структуры встречаются при значениях данного параметра меньше 3,2 км, пустые структуры - на всем интервале значений 0,2-7,7 км. В следующем шаге для каждого интервала, выделенного на гистограммах, определены частности по формуле: (1) где - частность в k-м интервале для группы Wq (q = 1 - соответствует нефтяным структурам, а q = 2 - пустым структурам); Nk - число случаев содержания параметра Xj в k-м интервале; Nq - объем выборки структур с тем или иным характером насыщения. Вычисленные частности использованы для расчета условных интервальных вероятностей нефтегазоносности: (2) где - условная интервальная вероятность принадлежности переменной Xj в k-м интервале к классу Wq. Условные интервальные вероятности по каждому параметру представлены в табл. 2. По полученным данным построены линейные вероятностные модели нефтегазоносности структур па каждому параметру. Методы построения вероятностных моделей для прогноза нефтегазоносности приведены в работах [42]. Полученные уравнения моделей и ограничения их использования представлены в табл. 3. По уравнениям вероятностных моделей видно, что вероятность нефтегазоносности характеризуется прямой зависимостью от амплитуды, площади структуры, размеров длинной и короткой осей, толщины доманиковых отложений, и обратной зависимостью - с удаленностью от глубоководного склона. Также важно отметить, что полученные вероятностные модели являются корректными: диапазон вероятностей находится в диапазоне от 0 до 1 доли ед. и все модели пересекают линию с вероятностью 0,5 доли ед. Построение комплексной модели При прогнозировании нефтегазоносности необходимо учитывать все рассматриваемые показатели в совокупности. Для этого в исследовании рассчитывается комплексный показатель, применение которого описано в работах [43]. Расчет комплексной вероятности произведен по формуле: (3) В табл. 4 приведены значения условных вероятностей для каждого параметра, а также комплексная вероятность нефтегазоносности эталонных и подготовленных структур. Для проверки полученной вероятностно-статистической модели построена гистограмма комплексных вероятностей по классам нефтенасыщенных и пустых структур (рис. 3). По рис. 3 и табл. 4 видим, что все нефтяные структуры характеризуются комплексной вероятностью больше 0,5 доли ед. Для всех пустых структур вероятность нефтеносности составляет меньше 0,5 доли ед., причем большинство находится в интервале 0-0,1 доли ед. Еще одним методом проверки полученной модели является сравнение комплексной вероятности нефтегазоносности, выявленной в ходе вероятностно-статистического анализа Ркомп, с вероятностью нефтегазоносности по результатам дискриминантного анализа Ркомп (дискр). Возможности применения дискриминантного анализа для решения прогнозных задач приведены в работах [44, 45]. Для сравнения полученных вероятностей построено поле корреляции (рис. 4). По полю корреляции установлено, что структуры разделились на две группы: нефтенасыщенные Рис. 3. Гистограмма комплексных вероятностей по категориям Рис. 4. Поле корреляции Ркомп и Ркомп (дискр) с комплексными вероятностями по обоим видам анализа больше 0,5 доли ед. и пустые - с вероятностями меньше 0,5 доли ед. Таким образом, полученная вероятно-статистическая модель является приемлемой для ранжирования структур по перспективам нефтегазоносности. Заключение Наибольшую вероятность нефтеносности 0,98 доли ед. имеет Пильегорская структура. Перспективность бурения данной структуры подтверждает и тот факт, что к данной структуре приурочено наибольшее среди всех рассматриваемых структур количество подготовленных ресурсов, что является одним из значимых факторов при выборе первоочередного объекта. Восточно-Макарьельская структура по результатам анализа имеет комплексную вероятность 0,381 доли ед., что ниже граничного значения. Воскресенская структура имеет наименьшую комплексную вероятность из всех рассмотренных структур, что говорит о неперспективности проведения на ней поисково-оценочных работ.

About the authors

E. S. Ozhgibesov

Perm National Research Polytechnic University

Author for correspondence.
Email: ozhgibesov2015@yandex.ru

References

  1. Пармузина Л.В., Лагутина Ю.А., Смирнова А.Е. Расчленение и корреляция отложений верхнедевонского комплекса Ижемской ступени // Известия высших учебных заведений. Нефть и газ. - 2015. - № 2(110). - С. 17-25. doi: 10.31660/0445-0108-2015-2-17-25
  2. Антоновская Т.В. Доманиковый горизонт - основной нефтегазоматеринский комплекс Тимано-Печорской провинции // Геология нефти и газа. - 2016. - № 4. - С. 62-69.
  3. Михалевич И.М. Применение математических методов при анализе геологической информации (с использованием компьютерных технологий). - Иркутск, 2006. - 115 с.
  4. Андрейко С.С. Разработка математической модели метода прогнозирования газодинамических явлений по геологическим данным для условий Верхнекамского месторождения калийных солей // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. - 2016. - № 21. - С. 345-353. doi: 10.15593/224-9923/2016.21.6
  5. Девис Дж. Статистика и анализ геологических данных. - М.: Мир, 1977. - 353 с.
  6. Johnson N.L., Leone F.C. Statistics and experimental design. - New York - London - Sydney - Toronto, 1977. - 606 p.
  7. Галкин В.И., Пономарева И.Н., Репина В.А. Исследование процесса нефтеизвлечения в коллекторах различного типа пустотности с использованием многомерного статистического анализа // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. - 2016. - № 19. - С. 145-154. doi: 10.15593/224-9923/2016.19.5
  8. Wang P., Nair V. Statistical Analysis of Oil and Gas Discovery Data // Quantitative Analysis of Mineral and Energy Resources. - 1988. - Vol. 223. - P. 199-214.
  9. Krysin N, Sologubova M. V. Probabilistic and statistical justification of the forecast of oil and gas potential in the area with established industrial oil capacity // IOP Conf. Ser.: Earth Environ. Sci. - 2022 - Vol. 1021. - № 012015. doi: 10.1088/1755-1315/1021/1/012015
  10. Yarus J.M. Stochastic modeling and geostatistics // AAPG. - Tulsa, Oklahoma, 1994. - 231 p.
  11. Watson G.S. Statistic on spheres. - New York: John Wiley and Sons, Inc., 1983. - 238 p.
  12. Improving exploration success through uncertainty mapping, the Keg River reef play, Western Canada Sedimentary Basin / Z. Chen, K. Osadetz, H. Gao, P. Hannigan // Bull. Can. Petrol. Geol. - 2001. - Vol. 49, no. 3. - P. 367-375. doi: 10.2113/49.3.367
  13. Поморский Ю.Л. Методы статистического анализа экспериментальных данных: монография. - Л., 1960. - 174 с.
  14. Черепанов С.С. Комплексное изучение трещиноватости карбонатных залежей методом Уоррена-Рута с использованием данных сейсмофациального анализа (на примере турнефаменской залежи Озерного месторождения) // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. - 2015. - № 14. - С. 6-12. doi: 10.15593/224-9923/2015.14.1
  15. Галкин В.И., Пономарева И.Н., Черепанов С.С. Разработка методики оценки возможностей выделения типов коллекторов по данным кривых восстановления давления (КВД) по геолого-промысловым характеристикам пласта (на примере фаменской залежи Озерного месторождения) // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. - 2015. - № 17. - С. 32-40. doi: 10.15593/224-9923/2015.17.4
  16. Черепанов С.С., Мартюшев Д.А., Пономарева И.Н. Оценка фильтрационноемкостных свойств трещиноватых карбонатных коллекторов месторождений Предуральского краевого прогиба // Нефтяное хозяйство. - 2013. - № 3. - С. 62-65.
  17. Houze O., Viturat D., Fjaere O.S. Dinamie data analysis. - Paris: Kappa Engineering, 2008. - 694 p.
  18. Van Golf-Racht T.D. Fundamentals of fractured reservoir engineering / Elsevier scientific publishing company. - Amsterdam - Oxford - New York, 1982. - 709 p.
  19. Horne R.N. Modern well test analysis: A computer aided approach. - 2nd ed. - Palo Alto: Petroway Inc, 2006. - 257 p.
  20. Montgomery D.C., Peck E.A.Introduction to liner regression analysis. - New York: John Wiley & Sons, 1982. - 504 p.
  21. Галкин В.И., Куницких А.А. Статистическое моделирование расширяющегося тампонажного состава // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. - 2017. - Т. 16, № 3. - С. 215-244. doi: 10.15593/224-9923/2017.3.2
  22. Chen Z., Osadetz K. Undiscovered Petroleum Accumulation Mapping Using Model-Based Stochastic Simulation // Math Geol. - 2006. - Vol. 38. - P. 1-16. doi: 10.1088/1742-6596/1015/3/032092
  23. Koshkin K.A., Melkishev O.A. Use of derivatives to assess preservation of hydrocarbon deposits // International Conference Information Technologies in Business and Industry. - Tomsk, 2018. - Vol. 1015. - P. 032092.
  24. Probability mapping of petroleum occurrence with a multivariate-Bayesian approach for risk reduction in exploration, Nanpu Sag of Bohay Bay Basin, China / H. Suyun, G. Qiulin, C. Zhuoheng, M. Shiyun, X. Hongbin // Geologos - 2009. - Vol. 15 (2). - P. 91-102.
  25. Improving exploration success through uncertainty mapping, the Keg River reef play, Western Canada Sedimentary Basin / Z. Chen, K. Osadetz, H. Gao, P. Hannigan // Bull. Can. Petrol. Geol. - 2001 - Vol. 49(3). - P. 367-375. doi: 10.2113/49.3.367
  26. On the generation of probabilistic forecasts from deterministic models / E. Camporeale, X. Chu, O. Agapitov, J. Bortnik // Space Weather - 2019. - Vol. 17. - P. 455-475. doi: 10.1029/2018SW002026
  27. A method of predicting oil and gas resource spatial distribution based on Bayesian network and its application / Q. Guo, H. Ren, J. Yu, J. Wang, J. Liu, N. Chen // Journal of Petroleum Science and Engineering - 2021. - Vol. 208. - № 109267. doi: 10.1016/j.petrol.2021.109267
  28. Milkov A.V. Risk tables for less biased and more consistent estimation of probability of geological success (PoS) for segments with conventional oil and gas prospective resources // Earth-Science Reviews - 2015. - Vol. 150 - P. 453-476. doi: 10.2307/2982158
  29. 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. SeriesA. - 1981. - Vol. 144, № 1. - P. 1-31. doi: 10.1306/St1383C14
  30. Kaufman G.M., Balcer Y., Kruyt D. A probabilistic model of oil and gas discovery. Estimating the volume of undiscovered oil and gas resources // Am. Assoc. Petrol. Geol., Studies in Geology /j. Haun ed. - 1975. - Vol. 1 - P. 113-142.
  31. Probabilistic Forecasting for Oil Producing Wells Using Seq2seq Augmented Model / H. Afifi, M. Elmahdy, M. Saban, M. Abuelkheir // Eng. Proc. - 2022. - Vol. 18(1) - P. 16. DOI: 16. 10.3390/engproc2022018016
  32. Wijaya N., Sheng J. Probabilistic forecasting and economic evaluation of pressure-drawdown effect in unconventional oil reservoirs under uncertainty of water blockage severity // Journal of Petroleum Science and Engineering. - 2020. - Vol. 185. - № 06646. doi: 10.1016/j.petrol.2019.106646
  33. Olea R.A., Cook T.A., Coleman J.L. A Methodology for the Assessment of Unconventional (Continuous) Resources with an Application to the Greater Natural Buttes Gas Field, Utah // Nat. Resour. Res. - 2010. - Vol. 19. - P. 237-325. doi: 10.1007/s11053-010-9127-8
  34. Dore A.G., Sinding-Larsen R. Risk analysis and full-cycle probabilistic modelling of prospects: a prototype system developed for the Norwegian shelf // Norwegian Petroleum Society Special Publications. - 1996. - Vol. 6. - P. 153-165. doi: 10.1016/S0928-8937(07)80016-6
  35. Соснин Н.Е. Разработка статистических моделей для прогноза нефтегазоносности (на примере терригенных девонских отложений Северо-Татарского свода) // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. - 2012. - № 5. - С. 16-25.
  36. Зональный прогноз нефтегазоносности юрских отложений в пределах территории деятельности ТПП "Когалымнефтегаз" / В.И. Галкин, В.В. Бродягин, А.А. Потрясов, К.Г. Скачек, А.Н. Шайхутдинов // Геология, геофизика и разработка нефтяных и газовых месторождений. - 2008. - № 8. - С. 31-35.
  37. 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.
  38. Галкин В.И., Кривощеков С.Н. Обоснование направлений поисков месторождений нефти и газа в Пермском крае // Научные исследования и инновации. - 2009. - Т. 3, № 4. - С. 3-7.
  39. Галкин В.И., Шайхутдинов А.Н. Построение статистических моделей для прогноза дебитов нефти по верхнеюрским отложениям Когалымского региона // Нефтяное хозяйство. - 2010. - № 1. - С. 52-54.
  40. Галкин В.И., Шайхутдинов А.Н. О возможности прогноза нефтегазоносности юрских отложений вероятностно-статистическими методами (на примере территории деятельности ТПП "Когалымнефтегаз" // Геология, геофизика и разработка нефтяных и газовых месторождений. - 2009. - № 6. - С. 11-14.
  41. Галкин В.И., Растегаев А.В., Галкин С.В. Вероятностно-статистическая оценка нефтегазоносности локальных структур / УрО РАН. - Екатеринбург, 2001. - 277 с.
  42. Галкин В.И., Жуков Ю.А., Шишкин М.А. Применение вероятностных моделей для локального прогноза нефтегазоносности / УрО РАН. - Екатеринбург,1990. - 108 с.
  43. Кошкин К.А., Татаринов И.А. Разработка вероятностных моделей зонального прогноза нефтегазоносности центральной части Пермского свода по структурно-мощностным критериям // Недропользование. - 2021. - Т. 21, № 1. - С. 2-8. doi: 10.15593/2712-8008/2021.1.1
  44. Дементьев Л.Ф. Математические методы и ЭВМ в нефтегазовой геологии. - М.: Недра, 1987. - 264 с.
  45. Галкин В.И., Соснин Н.Е. Разработка геолого-математических моделей для прогноза нефтегазоносности сложнопостроенных структур в девонских терригенных отложениях // Нефтяное хозяйство. - 2013. - № 4. - С. 28-31.

Statistics

Views

Abstract - 56

PDF (Russian) - 55

PDF (English) - 2

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