Creation of Basin and Sedimentation Models of the Territory of the Volga-Ural (Perm Krai)and Timan-Pechora Regions

Abstract


Basin modeling is a reconstruction of geological processes occurring in sedimentary basins using physical and mathematical apparatus, in particular, in the shell of various software. Each sedimentary basin requires an individual approach to the choice of the method for constructing a geological framework and its subsequent filling. This is due to the different tectonic structure of the regions, the stratigraphy of the sedimentary cover, the conditions of sedimentation, the volume and number of oil and gas complexes, the quality of oil and gas source rocks, etc. The choice of initial data and forecasting tools, including additional studies, depends on the level of study and the goals of modeling – sedimentation modeling and palinspastic reconstructions. The limited sample of initial information used in this case significantly affects the final forecast of oil and gas potential both at the qualitative (with a lack of data on new poorly studied territories) and quantitative (in well-studied areas to clarify the resource base within the license area or a new seismic exploration polygon) levels.In the context of the structural features of the Perm Krai, the Komi Republic and the Nenets Autonomous Okrug (Volga-Ural and Timan-Pechora oil and gas provinces), the authors consider the previously obtained experience in creating basin and sedimentation models with the overview of the important characteristics and parameters of three-dimensional models. In addition, the article describes the applied modules and methods for analyzing and processing data arrays using the Python language, which allows optimizing the stage of collecting and analyzing large, regularly updated geological information bases.

Full Text

2

About the authors

S. Iu Koriakin

LUKOIL-Engineering LLC

Ia. L Lvovskaia

LUKOIL-Engineering LLC

T. T Makiev

LUKOIL-Engineering LLC

I. M Khvorost

LUKOIL-Engineering LLC

D. D Filimonchikova

LUKOIL-Engineering LLC

References

  1. Численное бассейновое моделирование – эффективная технология прогноза нефтегазоносности / В.Ю. Керимов, Р.Н. Мустаев, А.С. Монакова, К.И. Данцова // НефтеГазоХимия – 2018. – № 2. – С. 43–48.
  2. Вахнин, М.Г. Влияние блокового строения Тимано-Печорского нефтегазоносного бассейна на морфологические свойства локальных структур / М.Г. Вахнин // Вестник ИГ Коми НЦ УрО РАН. – 2010. – № 5. – С. 2–5.
  3. Морозов, Н.В. 3D моделирование углеводородных систем Баженовской свиты: детализация прогноза физико-химических свойств углеводородов / Н.В. Морозов, И.Ю. Беленькая, В.В. Жуков // PRO Нефть. – 2016. – № 1. – С. 38–45.
  4. Макиев, Т.Т. Прогноз нефтегазоносности в зоне сочленения восточной части Пермского свода, северных окончаний Бымско-Кунгурской моноклинали и Бабкинской седловины и северо-западной части Юрюзано-Сылвенской депрессии / Т.Т. Макиев, С.Ю. Корякин // Геология нефти и газа. – 2023. – № 2. – С. 63–70. doi: 10.31087/0016-7894-2023-2-63-70.
  5. Опыт и перспективы применения технологии бассейнового моделирования в ООО «Газпромнефть НТЦ» / С.Ф. Хафизов, И.В. Истомина, С.В. Малышева, Н.Н. Косенкова // Нефтяное хозяйство. – 2010. – № 12. – С. 5–7.
  6. Кожанов, Д.Д. Роль отложений протерозоя в формировании нефтегазоносности севера Волго-Уральского нефтегазоносного бассейна (по результатам бассейнового моделирования) / Д.Д. Кожанов, М.А. Большакова, И.С. Хопта // Георесурсы. – 2022. – Т. 24, № 2. – С. 113–128. doi: 10.18599/grs.2022.2.12
  7. Корякин, С.Ю. Опыт бассейнового моделирования верхнедевонских карбонатных отложений на юго-восточной части Пермского края / С.Ю. Корякин // Геология в развивающемся мире: сб. тр. ПГНИУ – Пермь, 2019. – Вып. 12. – С. 313–315.
  8. Новые данные о геологическом строении и нефтегазоносности девонских карбонатных отложений юга и юго-востока Пермского края / И.С. Путилов, С.И. Соловьев, М.А. Климовских [и др.] // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2019. – № 6 (330). – С. 29–35.
  9. Региональная оценка нефтегазоносности девонских терригенных отложений на юге Пермского края / И.С. Путилов, Е.Е. Винокурова, А.С. Пулина [и др.] // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2020. – № 8. – С. 34–43.
  10. Исаев, В.И. Оценка влияния толщ вечной мерзлоты позднечетвертичного климатического похолодания на геотермический режим нефтематеринских отложений Западной Сибири / В.И. Исаев // Нефтегазовая геология. Теория и практика. – 2015. – Т. 10, № 2. – С. 11. doi: 10.17353/2070-5379/21_2015
  11. Моделирование нефтегазовых систем восточного борта Западно-Сибирского бассейна на юго-востоке Ямало-Ненецкого автономного округа / Д.А. Сидоров, А.А. Сокольникова, А.Н. Фищенко [и др.] // Нефтегазовая геология. Теория и практика. – 2023. – Т. 18. – № 1. – С. 26. doi: 10.17353/2070-5379/5_2023
  12. Маркина, Е.А. Седиментационное моделирование, как неотъемлемая часть бассейнового моделирования на примере построения литофациальной модели неокома / Е.А. Маркина, О.А. Емельяненко // Новые идеи в геологии нефти и газа: сб. тр. междунар. науч. конф., г. Москва, 25–26 мая 2017 г. – М.: МГУ имени М.В. Ломоносова, 2017. – С. 204–206.
  13. Granjeon, D. Assessment of facies distribution in carbonate fields using stratigraphic forward, diagenetic and seismic modelling / Didier Granjeon, Cedric Pellan, Mickael Barbier // F05 – Geoscience technology and innovation. – 2017.
  14. Хворост, И.М. Моделирование русловых отложений пермского возраста в зоне сочленения Ижма-Печорской синеклизы и Верхнепечорской впадины / И.М. Хворост // Известия высших учебных заведений. Нефть и газ. – 2023. – С. 55–67. doi: 10.31660/0445-0108-2023-3-55-67
  15. Корякин, С.Ю. Прогноз нефтегазоносности слабоизученной территории восточной части Ракшинской седловины, Висимской моноклинали и южного окончания Камского свода на основе седиментационного и бассейнового моделирования / С.Ю. Корякин, Я.Л. Львовская // Геология нефти и газа. – 2022. – № 5. – С. 31–38. doi: 10.31087/0016-7894-2022-5-31-38
  16. Сысоева, М.В. Программирование для «нормальных» с нуля на языке Python: учебник: в 2 ч. / М.В. Сысоева, И.В. Сысоев. – М.: ООО «МАКС Пресс», 2018. – Ч. 1. – 176 с.
  17. Хайбрахманов, С.А. Основы научных расчетов на языке программирования Python: учебное пособие / С.А. Хайбрахманов. – Челябинск: Изд-во Челябинского государственного университета, 2019. – 96 с.
  18. Ын, Анналин. Теоретический минимум по Big Data. Все, что нужно знать о больших данных / Анналин Ын, Кеннет. Су. – СПб.: Питер, 2019. – 208 с.
  19. Authorship attribution of source code by using backpropagation neural network based on particle swarm optimization / X. Yang, Q. Li, Y. Guo, M. Zhang // PLoS ONE. – 2017. – Vol. 12, no. 11. – P. e0187204.
  20. Source Code Authorship Attribution using Long Short-Term Memory Based Networks / B. Alsulami [et al.] // Proceedings of the 22nd European Symposium on Research in Computer Security. – 2017. – P. 65–82.
  21. Gull, M. Source Code Author Attribution Using Author’s Programming Style and Code Smells / M. Gull, T. Zia, M. Ilyas // International Journal of Intelligent Systems and Applications. – 2017. – Vol. 9, no. 5. – P. 27–33.
  22. De-anonymizing programmers via code stylometry / A. Caliskan-Islam [et al.] // Proceedings of the 24th USENIX Security Symposium. – 2015. – P. 255–270.
  23. Wang, N. Integration of Static and Dynamic Code Stylometry Analysis for Programmer De-anonymization / N. Wang, S. Ji, T. Wang // Proceedings of the 11th ACM Workshop on Arti-ficial Intelligence and Security. – 2018. – P. 74–84.
  24. Large-Scale and Language-Oblivious Code Authorship Identification / M. Abuhamad, T. AbuHmed, A. Mohaisen, D. Nyang // Proceedings of the 2018 ACM SIGSAC Conference on Computer and Communications Security. – 2018. – P. 101–114.
  25. Mohsen, A.M. Author Identification using Deep Learning / A.M. Mohsen, N.M. El-Makky, N. Ghanem // 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA). – 2016. – P. 898–903.
  26. Wu, T.F. Probability estimates for multi-class classification by pairwise coupling / T.F. Wu, C.J. Lin, R.C. Weng // Journal of Machine Learning Research. – 2004. – Vol. 5. – P. 975–1005.
  27. Романов, А.С. Разработка и исследование математических моделей, методик и программных средств информационных процессов при идентификации автора текста / А.С. Романов, А.А. Шелупанов, Р.В. Мещеряков. – Томск: В-Спектр, 2011. – 188 с.
  28. LeCun, Y. Deep learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. – 2015. – Vol. 521, no. 7553. – P. 436–444.
  29. Schmidhuber, J. Deep Learning in Neural Networks: An Overview / J. Schmidhuber // Neural Networks. – 2015. – Vol. 61. – P. 85–117.
  30. Zhang, X. Character-level Convolutional Networks for Text Classification / X Zhang., J Zhao., Y. LeCun // Advances in neural information processing systems. – 2015. – P. 649–657.
  31. Deep learning applications and challenges in big data analytics / M.M. Najafabadi [et al.] // Journal of Big Data. – 2015. – Vol. 2. no. 1. – P. 21.
  32. Chen, X.W. Big Data Deep Learning: Challenges and Perspectives / X.W. Chen, X. Lin // IEEE Access. – 2014. – Vol. 2. – P. 514–525.
  33. Gulli, A. Deep learning with Keras / A. Gulli, S. Pal // Packt Publishing Ltd. – 2017. 490 p.
  34. Fei, H. Bidirectional Grid Long Short-Term Memory (BiGridLSTM): A Method to Address Context-Sensitivity and Vanishing Gradient / H. Fei, F. Tan // Algorithms. – 2018. – Vol. 11, no. 11. – P. 172.
  35. Going Deeper with Convolutions / C. Szegedy [et al.] // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2015. – P. 1–9.
  36. Zeiler, M.D. Adadelta: an adaptive learning rate / M.D. Zeiler // arXiv preprint arXiv: 1212.5701. – 2012.
  37. Feurer, M. Hyperparameter optimization / M. Feurer, F. Hutter // In Automated machine learning: Methods, systems, challenges. – 2019. – P. 3–33.
  38. Kharazi Esfahani, P. Enhanced machine learning–ensemble method for estimation of oil formation volume factor at reservoir conditions / P. Kharazi Esfahani, K. Peiro Ahmady Langeroudy, M.R. Khorsand Movaghar // Sci. Rep. – 2023. – Vol. 13. – Р. 15199.
  39. Talebkeikhah, M. A comparison of machine learning approaches for prediction of permeability using well log data in the hydrocarbon reservoirs / M. Talebkeikhah, Z. Sadeghtabaghi, M. Shabani // J. Hum. Earth Future. – 2021. – Vol. 2. – Р. 82–99. doi: 10.28991/HEF-2021-02-02-01
  40. Basin and Petroleum System Modeling / M.M. Al-Hajeri, J. Derks, T. Fuchs, T. Hantschel, A. Kauerauf, M. Neumaier, M.A. Saeed, O. Schenk, O. Swientek, N. Tessen, D. Welte, B. Wygrala // Oilfield Review – 2009. – Vol. 21. № 2. – Р. 14–29
  41. Hantschel T. Fundamentals of Basin and Petroleum Systems Modeling.: монография / T.Hantschel, A.I. Kauerauf. – Springer-Verlag Berlin Heidelberg, 2009. – 485 р.
  42. Haq Bilal, U. Mesozoic and Cenozoic Chronostratigraphy and Cycles of Sea-Level Change / B.U. Haq, J. Hardenbol, P.R.Vail // The Society of Economic Paleontologists and Mineralogists (SEPM). – 1998. – № 42. – Р. 71–108
  43. McKenzie, D. Some remarks on the development of sedimentary basins / D. McKenzie // Earth and Planetary Science Letters. – 1978. – № 40. – Р. 25–32.
  44. Osborne, M.J. Mechanisms for Generating Overpressure in Sedimentary Basins: a Reevaluation / M.J. Osborne, R.E. Swarbrick // AAPG Bulletin. – 1997. – Vol. 81, № 6. – Р. 1023–1041.
  45. Timurziev, A.I. Strike-slip faults in the West Siberian basin: implications for petroleum exploration and development / A.I. Timurziev, G.N. Gogonenkov // Russian Geology and Geophysics. – 2010. – № 3. – Р. 304–316.

Statistics

Views

Abstract - 2

PDF (Russian) - 0

Refbacks

  • There are currently no refbacks.

Copyright (c) 2025 Koriakin S.I., Lvovskaia I.L., Makiev T.T., Khvorost I.M., Filimonchikova D.D.

This website uses cookies

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

About Cookies