Оптимизация алгоритма поиска наиболее достоверных реализаций геологической модели

  • Авторы: Потапов Д.В1, Путилов И.С2, Хижняк Г.П1, Шумилов А.В3
  • Учреждения:
    1. Пермский национальный исследовательский политехнический университет
    2. ЛУКОЙЛ-Инжиниринг
    3. Пермский государственный национальный исследовательский университет
  • Выпуск: Том 25, № 1 (2025)
  • Страницы: 1–8
  • Раздел: Статьи
  • URL: https://ered.pstu.ru/index.php/geo/article/view/4465
  • DOI: https://doi.org/10.15593/2712-8008/2025.1.1
  • Цитировать

Аннотация


Одной из важнейших задач в нефтегазодобывающей отрасли является прогнозирование значений геологических параметров продуктивных пластов в межскважинном пространстве. Точность оценки эффективной нефтенасыщенной толщины или значений фильтрационно-емкостных свойств в местах расположения проектного фонда скважин напрямую влияет на эффективность разработки нефтегазовых активов и на экономические показатели.Задача прогнозирования значений геологических параметров осложняется тем, что геологическая среда изучена скважинами фрагментарно, а источники информации о межскважинном пространстве, несмотря на непрерывный технологический прогресс, обладают ограниченной точностью. К тому же реальное геологическое строение в большинстве случаев значительно сложнее, чем наше представление о нем. Вертикальная и латеральная неоднородность продуктивных пластов и высокая степень изменчивости геологических свойств не позволяют эффективно использовать методы интерполяции.В данной работе представлены результаты апробации авторской методологии, направленной на поиск наиболее достоверных реализаций трехмерной модели литологии.Предложенный подход основан на использовании байесовской оптимизации для определения наиболее оптимальных значений рангов вариограмм по осям X и Y при моделировании трехмерного куба литологии. Средняя абсолютная ошибка прогноза суммарной эффективной толщины пласта, рассчитанная с использованием кросс-валидации, использована в качестве основной метрики, оценивающей надежность трехмерной модели литологии. Полученные результаты демонстрируют преимущества применения байесовской оптимизации относительно классического подхода поиска оптимальных параметров модели с перебором по сетке. Во-первых, примененный подход позволил получить трёхмерную модель литологии с более высокой прогностической способностью. И во-вторых, авторская методология позволила значительно сократить необходимые для расчётов вычислительные ресурсы.

Полный текст

1

Об авторах

Д. В Потапов

Пермский национальный исследовательский политехнический университет

И. С Путилов

ЛУКОЙЛ-Инжиниринг

Г. П Хижняк

Пермский национальный исследовательский политехнический университет

А. В Шумилов

Пермский государственный национальный исследовательский университет

Список литературы

  1. Потапов, Д.В. Анализ геологических рисков на этапе оценки запасов с целью повышения эффективности освоения актива / Д.В. Потапов, Е.И. Ефремова // Нефтегазовая геология. Теория и практика. – 2023. – Т. 18, № 1. – С. 13–29. doi: 10.17353/2070-5379/2_2023
  2. Прямой нейросетевой прогноз коллекторских свойств пласта по данным сейсморазведки на примере клиноформных отложений Западной Сибири / И.И. Приезжев [и др.] // PROНЕФТЬ. Профессионально о нефти. – 2023. – Т. 8, № 2. – С. 28–39. doi: 10.51890/2587-7399-2023-8-2-28-39
  3. Егоров, Д.В. Анализ применимости алгоритмов машинного обучения для задач интерполяции и прогноза геологических свойств в межскважинном пространстве / Д.В. Егоров, Б.В. Белозеров // PROНЕФТЬ. Профессионально о нефти. – 2022. – № 4. – С. 13–16. doi: 10.24887/2587-7399-2018-4-13-16
  4. Платов, Б.В. Оценка толщины маломощных пластов при помощи данных сейсморазведки на примере тульско-бобриковских отложений Республики Татарстан / Б.В. Платов, Р.И. Хайрутдинова, А.И. Кадиров // Известия высших учебных заведений. Геология и разведка. – 2021. – Т. 63, № 4. – С. 80–87. doi: 10.32454/0016-7762-2020-63-4-80-87
  5. Галкин, С.В. Методология учета геологических рисков на этапе поисков и разведки нефтяных месторождений / С.В. Галкин // Недропользование. – 2012. – № 4. – С. 23–32.
  6. Демьянов, В.В. Геостатистика: теория и практика / В.В. Демьянов, Е.А. Савельева; под ред. Р. В. Арутюняна; Ин-т проблем безопасного развития атомной энергетики РАН. – М.: Наука, 2010. – 327 с.
  7. Матерон, Ж. Основы прикладной геостатистики / пер. с фр. Ю.В. Рощина; под ред. и с предисл. д-ра геол.-мин. наук Д.Я. Суражского и канд. техн. наук А.М. Марголина; послесл. канд. техн. наук А.М. Марголина. – М.: РГБ, 2008. – 408 с.
  8. Emery, X. Properties and limitations of sequential indicator simulation / X. Emery // Stochastic Environmental Research and Risk Assessment. – 2004. – Vol. 18. – P. 414–424. doi: 10.1007/s00477-004-0213-5
  9. Deutsch, C.V. A sequential indicator simulation program for categorical variables with point and block data: BlockSIS / C.V. Deutsch // Computers & Geosciences. – 2006. – Vol. 32, no. 10. – P. 1669–1681. doi: 10.1016/j.cageo.2006.03.005
  10. Juang, K.W. Using sequential indicator simulation to assess the uncertainty of delineating heavy-metal contaminated soils / K.W. Juang, Y.S. Chen, D.Y. Lee // Environmental Pollution. – 2004. – Vol. 127, no. 2. – P. 229–238. doi: 10.1016/j.envpol.2003.07.001
  11. Steel, M.F.J. Non-Gaussian and nonparametric models for continuous spatial data / M.F.J. Steel, M. Fuentes // Handbook of Spatial Statistics. – 2010. – P. 149–167. doi: 10.1201/9781420072884-c11
  12. Jornel, A.J. Mining geostatistics / A.J. Jornel, C.J. Huijbregts. – London: Academic Press, 1978. – 600 p.
  13. Matheron, G. Principles of geostatistics / G. Matheron // Economic geology. – 1963. – Vol. 58, no. 8. – P. 1246–1266. doi: 10.2113/gsecongeo.58.8.1246
  14. Pyrcz, M.J. Geostatistical reservoir modeling / M.J. Pyrcz, C.V. Deutsch. – USA: Oxford University Press, 2014. – 448 p.
  15. Tuia, D. Advanced Mapping of Environmental Data: Geostatistics / D. Tuia, M. Kanevski // Machine Learning and Bayesian Maximum Entropy. – London: John Wiley & Sons. – 2008. – 352 p.
  16. Потехин, Д.В. Оптимизация технологии многовариантного трехмерного геологического моделирования залежей нефти и газа : дис. … канд. техн. наук : 25.00.12 / Денис Владимирович Потехин. – Пермь, 2014. – 151 с.
  17. Потехин, Д.В. Количественное обоснование параметров многовариантного моделирования для повышения достоверности трехмерных геологических моделей нефтяных месторождений / Д.В. Потехин, И.С. Путилов // Территория Нефтегаз. – 2014. – № 2. – С. 18–21.
  18. Путилов, И.С. Многовариантное 3D-моделирование с контролем качества реализаций для повышения достоверности геологических моделей / И.С. Путилов, Д.В. Потехин, В.И. Галкин // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2015. – № 10. – С. 17–20.
  19. Потехин, Д.В. Повышение достоверности геологических моделей залежей нефти и газа на основе усовершенствованной технологии многовариантного трехмерного моделирования / Д.В. Потехин, И.С. Путилов, В.И. Галкин // Нефтяное хозяйство. – 2014. – № 6. – С. 16–19.
  20. Потехин, Д.В. Построение 3D геологических моделей нефтяных залежей на основе метода вероятностных множественных реализаций / Д.В. Потехин // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2023. – № 7. – С. 12–18.
  21. Построение детальной литолого-фациальной трехмерной модели на основе комплексирования геолого-геофизических данных на примере бобриковских отложений Батырбайского месторождения Пермского края / Д.В. Потапов, Н.О. Азанова, А.Е. Подосенов, С.В. Ладейщиков // Нефтепромысловое дело. – 2022. – № 11 (647). – С. 5–14. doi: 10.33285/0207-2351-2022-11(647)-5-14
  22. Прогнозирование фаций терригенных отложений на основе высокоинформативных сейсмических данных 3D и машинного обучения / С.В. Ладейщиков [и др.] // Геофизика. – 2018. – № 5. – С. 31–37.
  23. Прогноз геологического строения на основе многовариантной модели Ростовицкого месторождения / А.Е. Подосенов [и др.] // Нефтепромысловое дело. – 2021. – № 11 (635). – С. 5. doi: 10.33285/0207-2351-2021-11(635)-5-13
  24. Ладейщиков, С.В. Опыт выполнения комплексных прогнозов фаций на основе высокоинформативных сейсмических данных для задач геолого-гидродинамического моделирования / С.В. Ладейщиков, И.С. Путилов // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2019. – № 3. – С. 66–73.
  25. Путилов, И.С. Многовариантный прогноз коллекторов по данным 3D-сейсморазведки / И.С. Путилов // Технологии сейсморазведки. – 2013. – № 1. – С. 59.
  26. Путилов, И.С. Разработка новой технологии многовариантного прогноза нефтегазоносности по сейсмическим данным / И.С. Путилов // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2014. – № 4. – С. 47–54.
  27. Gradient-based learning applied to document recognition / Y. LeCun [et al.] // Proceedings of the IEEE. – 1998. – Vol. 86, no. 11. – P. 2278–2324. doi: 10.1109/5.726791
  28. Efficient backprop / Y. LeCun [et al.] // Neural networks: Tricks of the trade. – Berlin, Heidelberg: Springer Berlin Heidelberg, 2012. – P. 9–50. doi: 10.1007/978-3-642-35289-8_3
  29. Interpretability in healthcare: A comparative study of local machine learning interpretability techniques / R. ElShawi, Y. Sherif, M. Al‐Mallah, S. Sakr // Computational Intelligence. – 2021. – Vol. 37, no. 4. – P. 1633–1650. doi: 10.1111/coin.12410
  30. Применение кросс-валидации при выборе вариограммы для моделирования куба пористости геологической 3D-модели / Ш.Р. Исламов, Л.Р. Сагирова, И.И. Боков, Г.В. Шелухов // Территория «Нефтегаз». – 2023. – № 11–12. – С. 14–23.
  31. Soares, A. Sequential indicator simulation with correction for local probabilities / A. Soares // Mathematical geology. – 1998. – Vol. 30, no. 6. – P. 761–765. doi: 10.1023/A:1022451504120
  32. Feurer, M. Hyperparameter optimization / M. Feurer, F. Hutter // Automated machine learning: Methods, systems, challenges. – 2019. – P. 3–33. doi: 10.1007/978-3-030-05318-5_1
  33. Frazier, P.I. Bayesian optimization / P.I. Frazier // Recent advances in optimization and modeling of contemporary problems. – Informs, 2018. – P. 255–278. doi: 10.1287/educ.2018.0188
  34. Snoek, J. Practical bayesian optimization of machine learning algorithms / J. Snoek, H. Larochelle, R.P. Adams // Advances in neural information processing systems. – 2012. – Vol. 25. – P. 1601–1610. doi: 10.48550/arXiv.1206.2944
  35. Jafrasteh, B. Objective functions from Bayesian optimization to locate additional drillholes / B. Jafrasteh, A. Suárez // Computers & Geosciences. – 2021. – Vol. 147. – P. 104674. doi: 10.1016/j.cageo.2020.104674
  36. Nowak W., De Barros F.P.J., Rubin Y. Bayesian geostatistical design: Task‐driven optimal site investigation when the geostatistical model is uncertain / W. Nowak, F.P.J. De Barros, Y. Rubin // Water Resources Research. – 2010. – Vol. 46, no. 3. – P. 463–481. doi: 10.1029/2009WR008312
  37. Carpenter, C. Combined Geostatistics and Bayesian Updating Optimize Drilling in Shale-Gas Plays / C. Carpenter // Journal of Petroleum Technology. – 2014. – Vol. 66, no. 10. – P. 179–184. doi: 10.2118/1014-0179-JPT
  38. Kim, J. Lithofacies classification integrating conventional approaches and machine learning technique / J. Kim // Journal of Natural Gas Science and Engineering. – 2022. – Vol. 100. – P. 104500. doi: 10.1016/j.jngse.2022.104500
  39. Al-Mudhafar, W.J. Integrating well log interpretations for lithofacies classification and permeability modeling through advanced machine learning algorithms / W.J. Al-Mudhafar // Journal of Petroleum Exploration and Production Technology. – 2017. – Vol. 7, no. 4. – P. 1023–1033. doi: 10.1007/s13202-017-0360-0
  40. Antariksa, G. Performance evaluation of machine learning-based classification with rock-physics analysis of geological lithofacies in Tarakan Basin, Indonesia / G. Antariksa, R. Muammar, J. Lee // Journal of Petroleum Science and Engineering. – 2022. – Vol. 208. – P. 109250. doi: 10.1016/j.petrol.2021.109250
  41. Stochastic reconstruction of fracture network pattern using spatial point processes / M. Shakiba [et al.] // Geoenergy Science and Engineering. – 2024. – Vol. 236. – P. 212741. doi: 10.1016/j.geoen.2024.212741
  42. Özbayrak, F. Spatial bagging to integrate spatial correlation into ensemble machine learning / F. Özbayrak, J.T. Foster, M.J. Pyrcz // Computers & Geosciences. – 2024. – Vol. 186. – P. 105558. doi: 10.1016/j.cageo.2024.105558
  43. Pyrcz, M.J. Data analytics and geostatistical workflows for modeling uncertainty in unconventional reservoirs / M.J. Pyrcz // Bulletin of Canadian Petroleum Geology. – 2019. – Vol. 67, no. 4. – P. 273–282. doi: 10.35767/gscpgbull.67.4.273
  44. Pyrcz M.J. Transforming data to a gaussian distribution / M.J. Pyrcz, C.V. Deutsch, J.L. Deutsch // Geostatistics Lessons. – 2018. – P. 27–38.
  45. Automatic well log analysis across priobskoe field using machine learning methods / B. Belozerov [et al.] // SPE Russian Petroleum Technology Conference. – SPE, 2018. – P. D013S002R011. doi: 10.2118/191604-18RPTC-MS
  46. Image processing and machine learning approaches for petrographic thin section analysis / S. Budennyy [et al.] // SPE Russian Petroleum Technology Conference. – SPE, 2017. – P. D023S014R005. doi: 10.2118/187885-MS

Статистика

Просмотры

Аннотация - 24

PDF (Russian) - 17

PDF (English) - 5

Ссылки

  • Ссылки не определены.

© Потапов Д.В., Путилов И.С., Хижняк Г.П., Шумилов А.В., 2025

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах