Automation of interwell correlation using dynamic time scale transformation algorithm: application experience

Abstract


The article presents an approach to automation of interwell correlation based on the Dynamic Time Warping algorithm for dynamic time scale transformation. This method is an effective tool for analyzing and comparing time series (in this case, well logging curves). The key stages of implementing this approach are described, starting with preliminary data preparation: selecting the most informative well logging curves, processing gaps, smoothing and standardizing the data. Then, clustering methods (for example, k-means using PCA) are applied to determine reference wells that cover all possible behavior options for well logging curves from the available data. At the next stage, the Dynamic Time Warping algorithm is used to calculate the similarity between reference and target wells, which allows finding the optimal match between them. Finally, the position of formation intersections in target wells is predicted based on expert marks in reference wells.Experience shown high consistency of the algorithm results with expert estimates in 85% of cases, confirming its effectiveness. Discrepancies were noted, which in some cases were caused by subjective factors in expert interpretation, while the Dynamic Time Warping algorithm demonstrated effectiveness in correctly recognizing the assigned behavior patterns of well logging curves.The proposed approach based on Dynamic Time Warping not only improves the accuracy and objectivity of data interpretation, but also serves as a tool for identifying and correcting subjective errors associated with the human factor. This is especially important when working with large volumes of data, where traditional analysis methods become extremely labor-intensive and vulnerable to errors.Thus, the use of Dynamic Time Warping opens up new opportunities for automating the processes of data analysis and correlation in geophysical research, contributing to the increased efficiency of specialists in this field.

Full Text

2

About the authors

I. S Tunev

LUKOIL-Engineering LLC

V. A Bariakh

LUKOIL-Engineering LLC

References

  1. Keogh, E. Scaling up Dynamic Time Warping for Datamining Applications / E. Keogh, M. Pazzani // Proceedings of the 6th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – 2002. – P. 285–289. doi: 10.1145/347090.347153
  2. Scikit-learn: Machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort [et al.]// Journal of Machine Learning Research, – 2011. – No. 12. – P. 2825–2830. doi: 10.48550/arXiv.1201.0490
  3. McKinney, W. Data structures for statistical computing in Python / W. McKinney // Proceedings of the 9th Python in Science Conference, – 2010. – P. 1–6. doi: 10.25080/Majora-92bf1922-00a
  4. Hunter, J.D. Matplotlib: A 2D graphics environment / J.D. Hunter // Computing in Science & Engineering. – 2007. – No. 9 (3). – P. 90–95.
  5. Семенов, И.А. Использование возможностей библиотеки Matplotlib для визуализации данных в работе инженеров и исследователей / И.А. Семенов, М.Д. Шишкин // Современные технологии и научно-технический прогресс. – 2024.– № 11. – С. 169–170.
  6. Таршхоева, Ж.Т. Язык программирования Python. Библиотеки Python / Ж.Т. Таршхоева // Молодой ученый. – 2021. – № 5 (347). – С. 20–21.
  7. Галимуллин, Н.Р. Python: использование Python для автоматизации повседневных задач / Н.Р. Галимуллин // Экономика и управление: проблемы, решения. – 2024. – Т. 9, № 9 (150). – С. 69–76. doi: 10.36871/ek.up.p.r.2024.09.09.010
  8. Ефремов, Е.А. Разработка графических интерфейсов с помощью графической библиотеки Tkinter / Е.А. Ефремов // Молодежный научно-технический вестник. – 2017. – № 6. – С. 44.
  9. Дрянкова, Д.А. Обработка пропущенных значений и дубликатов в данных с помощью библиотеки Pandas для языка программирования Python / Д.А. Дрянкова // Дневник науки. – 2023. – № 6 (78). doi: 10.51691/2541-8327_2023_6_11
  10. Van der Walt, S. The NumPy array: A structure for efficient numerical computation / S. Van der Walt, S.C. Colbert, G. Varoquaux // Computing in Science & Engineering. – 2011. – No. 13(2). – P. 22–30. doi: 10.1109/MCSE.2011.37
  11. Array programming with NumPy / C.R. Harris, K.J. Millman, S.J. Van der Walt [et al.] // Nature. – 2020. – No. 585 (7825). – P. 357–362. doi: 10.1038/s41586-020-2649-2
  12. Li, Ya. Exploring Indexing and Slicing in NumPy Arrays / Ya. Li, Yu. Shao, Ch. Fu // Journal of Physics: Conference Series. – 2024. – Vol. 2832, no. 1. – P. 012019. doi: 10.1088/1742-6596/2832/1/012019
  13. Waskom, M. Seaborn: Statistical data visualization / M. Waskom // Journal of Open Source Software. – 2021. – Vol. 6, no. 60. – P. 3021. doi: 10.21105/joss.03021
  14. Machine learning in petrophysics: Advantages and limitations / Ch. Xu, L. Fu, T. Lin, W. Li, Sh. Ma // Artificial Intelligence in Geosciences. – 2022. – No. 3. doi: 10.1016/j.aiig.2022.11.004
  15. Костиков, Д.В. Сравнение методов уменьшения обучающей выборки при интерпретации данных геофизических исследований скважин с помощью нейронной сети / Д.В. Костиков, А.И. Ларюхин, В.Е. Лялин // Труды международного симпозиума «Надежность и качество». – 2007. – Т. 1. – С. 118–123.
  16. Гулин, А.Б. Применение методов машинного обучения для интерпретации данных геофизических исследований скважин / А.Б. Гулин // Проблемы разработки месторождений углеводородных и рудных полезных ископаемых. – 2022. – Т. 1. – С. 41–45.
  17. Ковалевский, Е.В. Уточнение геологических моделей посредством использования автоматической корреляции скважин / Е.В. Ковалевский, Г.Н. Гогоненков, М.В. Перепечкин // Недропользование XXI век. – 2007. – № 4. – С. 28–31.
  18. Lineman, D.J. Well to well log correlation using knowledge-based systems and dynamic depth warping / D.J. Lineman, J.D. Mendelson, M.N. Toksos // SPWLA 28th Annual Logging Symposium “High-impact palynology in petroleum geology: applications from Venezuela (Northern South America)” (June 29 – July 2, 1987). – AAPG Bull., 1987. – Vol. 86. – P. 421–453.
  19. Multiple Imputation by Chained Equations: What is it and how does it work? / M.J. Azur, E.A. Stuart, C. Frangakis, P.J. Leaf // International Journal of Methods in Psychiatric Research. – 2011. – Vol. 20, no. 1. – P. 36–49. doi: 10.1002/mpr.329
  20. Siddique, J. A Comparison of Six Methods for Missing Data Imputation / J. Siddique, T.R. Belin // Journal of Biometrics & Biostatistics. – 2008. – Vol. 3, no. 2. – P. 1–15. doi: 10.4172/2155-6180.1000224
  21. Data Imputation for Multivariate Time Series Sensor Data With Large Gaps of Missing Data / R. Wu, S.D. Hamshaw, L. Yang [et al.] // IEEE Sensors Journal. – 2022. – Vol. 22, no. 11. – P. 10671–10683. doi: 10.1109/jsen.2022.3166643
  22. Use Moving Average Filter to Reduce Noises in Wearable PPG During Continuous Monitoring / Y. Chen, D. Li, Y. Li, X. Ma, J. Wei // Lecture Notes of the Institute for Computer Sciences. – 2016. – No. 181. – P. 193–203. doi: 10.1007/978-3-319-49655-9_26
  23. Soltanian, M. Recognition of Visual Events using Spatio-Temporal Information of the Video Signal / M. Soltanian, Sh. Ghaemmaghami // Signal and Data Processing. – 2021. – Vol. 18, no. 1. – P. 134–119. doi: 10.52547/jsdp.18.1.134
  24. Al-Faiz, M.Z. The Effect of Z-Score Standardization (Normalization) on Binary Input Due the Speed of Learning in Back-Propagation Neural Network / M.Z. Al-Faiz, A.A. Ibrahim, S.M. Hadi // Ira. J. Inf. Commun. Technol. – 2018. – Vol. 1. – P. 42–48. doi: 10.31987/ijict.1.3.41
  25. Al Shalabi, L. Normalization as a preprocessing engine for data mining and the approach of preference matrix / L. Al Shalabi, Z. Shaaban // International Conference on Dependability of Computer Systems, 25–27 May 2006. – Szklarska Poreba, 2006. – P. 207–214. doi: 10.1109/DEPCOS-RELCOMEX.2006.38
  26. Salvador, S. Fast DTW: Toward accurate dynamic time warping in linear time and space / S. Salvador, P. Chan // Intelligent Data Analysis. – 2004. – No. 11 (5). – P. 70–80.
  27. Kate, RJ. Using dynamic time warping distances as features for improved time series classification / RJ. Kate // Data Mining and Knowledge Discovery. – 2016. – Vol. 30, no. 2. – P. 283–312. doi: 10.1007/s10618-015-0418-x
  28. Sylvester, Z. Automated multi-well stratigraphic correlation and model building using relative geologic time / Z. Sylvester // Basin Research. – 2023. – Vol. 35, no. 5. – P. 1961–1984. doi: 10.1111/bre.12787
  29. Шарафутдинов, Т.Р. Апробация алгоритма автокорреляции данных геофизических исследований скважин на примере отложений ачимовской толщи Правдинского месторождения / Т.Р. Шарафутдинов, Р.А. Шайбаков // Научно-технический вестник ОАО «НК «Роснефть». – 2012. – № 1. – С. 18–22.
  30. Автоматизированная увязка сейсмических и скважинных данных с использованием алгоритма Dynamic Time Warping / А.В. Буторин, А.И. Севостьянов, С.К. Стуликов, А.А. Тимиргалин // Нефтяное хозяйство. – 2019. – № 12. – С. 30–32. – doi: 10.24887/0028-2448-2019-12-30-32
  31. Sakoe, H. Dynamic programming algorithm optimization for spoken word recognition / H. Sakoe, S. Chiba // IEEE Transactions on Acoustics, Speech and Signal Processing. – 1978. – Vol. 26, iss.1. – P. 43–49. doi: 10.1109/TASSP.1978.1163055
  32. Технология оценки согласованности результатов автоматической корреляции скважин по данным геофизических исследований / К.Е. Закревский, Р.К. Газизов, Е.А. Рыжиков, К.В. Фрейдин // Нефтяное хозяйство. – 2021. – № 8. – С. 22–26. doi: 10.24887/0028-2448-2021-8-22-26
  33. Разработка подходов к автоматизированной внутрипластовой корреляции по данным геофизических исследований скважин с применением машинного обучения / И.Д. Латыпов, Л.Р. Шагимарданова, А.В. Марков, Н.А. Евграфов // Экспозиция Нефть Газ. – 2024. – № 4 (105). – С. 47–51. doi: 10.24412/2076-6785-2024-4-47-51
  34. Event DTW: An improved Dynamic Time Warping algorithm for aligning biomedical signals of nonuniform sampling frequencies / Y. Jiang, Y. Qi, W.K. Wang [et al.] // Sensor. – 2020. – Vol. 20 (9). – P. 1–13. doi: 10.3390/s20092700
  35. Study on Rock Mechanics Parameter Prediction Method Based on DTW Similarity and Machine-Learning Algorithms / W. Cai, J. Ding, Zh. Li [et al.] // Petrophysics. – 2024. – Vol. 65, no. 1. – P. 128–144. doi: 10.30632/pjv65n1-2024a7
  36. The dynamic time-warping approach to comparison of magnetic-susceptibility logs and application to lower devonian calciturbidites (Prague Synform, Bohemian Massif) / J. Hladil, P. Cejchan, L. Koptikova [et al.] // Geologica Belgica. – 2010. – Vol. 13, no. 4. – P. 385–406.
  37. Романенко, А.А. Выравнивание временных рядов: прогнозирование с использованием DTW / А.А. Романенко // Машинное обучение и анализ данных. – 2011. – Т. 1, № 1. – С. 77–85.
  38. Rabiner, L. An introduction to hidden Markov models / L. Rabiner, B. Juang // IEEE ASSP Magazine. – 1986. – Vol. 3. – No. 1. – P. 4–16. doi: 10.1109/MASSP.1986.1165342
  39. Денисенко, А.А. Исследование методов сокращения размерности в задаче распознавания образов / А.А. Денисенко // Международный журнал прикладных и фундаментальных исследований. – 2020. – № 12. – С. 65–69. doi: 10.17513/mjpfi.13161
  40. Basna, H. Journal of Soft Computing and Data Mining A Review of Principal Component Analysis Algorithm for Dimensionality Reduction / H. Basna, A. Adnan // Applied Soft Computing. – 2021. – No. 2. – P. 20–30. doi: 10.30880/jscdm.2021.02.01.003
  41. Бова, В.В. Методы и алгоритмы кластеризации текстовых данных (обзор) / В.В. Бова, Ю.А. Кравченко, С.И. Родзин // Известия ЮФУ. Технические науки. – 2022. – № 4 (228). – С. 122–143. doi: 10.18522/2311-3103-2022-4-122-143
  42. Орлов, В.И. Применение критерия силуэта в алгоритме автоматической группировки электрорадиоизделий космического применения / В.И. Орлов, Л.А. Казаковцев, И.С. Масич // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. – 2016. – Т. 17, № 4. – С. 883–890.
  43. Umargono, E. K-Means Clustering Optimization Using the Elbow Method and Early Centroid Determination Based on Mean and Median Formula / E. Umargono, J. Suseno, S.K. Gunawan // The 2nd International Seminar on Science and Technology. – 2019. doi: 10.2991/assehr.k.201010.019
  44. Hartigan, J.A. A k-means clustering algorithm / J.A. Hartigan, M.A. Wong // Journal of the Royal Statistical Society. Series C (Applied Statistics). – 1979. – Vol. 28, iss. 1. – P. 100–108. doi: 10.2307/2346830
  45. (2023). Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood-Affected Areas in Jakarta / I. Firman Ashari, E. Nugroho, R. Baraku, I. Yanda, R. Liwardana // Journal of Applied Informatics and Computing. – 2023. – No. 7. – P. 89–97. doi: 10.30871/jaic.v7i1.4947

Statistics

Views

Abstract - 24

PDF (Russian) - 9

PDF (English) - 4

Refbacks

  • There are currently no refbacks.

Copyright (c) 2025 Tunev I.S., Bariakh V.A.

This website uses cookies

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

About Cookies