Создание бассейновых и седиментационных моделей территории Волго-Уральского (Пермский край) и Тимано-Печорского регионов

Аннотация


Бассейновое моделирование – это реконструкция геологических процессов, протекающих в осадочных бассейнах, с использованием физико-математического аппарата [1], в частности, в оболочке различного программного обеспечения. Каждый осадочный бассейн требует индивидуального подхода к выбору методики построения геологического каркаса и его последующего наполнения. Это связано с различным тектоническим строением регионов, стратиграфией осадочного чехла, условиями осадконакопления, объемом и количеством нефтегазоносных комплексов, качеством нефтегазоматеринских пород и пр.От уровня изученности и поставленных целей моделирования зависит выбор исходных данных и инструментов прогноза, в том числе по дополнительным исследованиям, – седиментационное моделирование и палинспастические реконструкции. Ограниченность используемой при этом выборки исходной информации существенно влияет на итоговый прогноз нефтегазоносности как на качественном (при недостатке данных по новым слабоизученным территориям), так и количественном (на хорошо изученных районах для уточнения ресурсной базы в пределах лицензионного участка или нового полигона сейсморазведки) уровнях.В контексте особенностей строения территорий Пермского края, Республики Коми и Ненецкого автономного округа (Волго-Уральской и Тимано-Печорской нефтегазоносной провинции) авторами рассматривается ранее полученный опыт создания бассейновых и седиментационных моделей с обзором важных характеристик и параметров трехмерных моделей. Кроме того, в статье описаны примененные модули и методы анализа и обработки массивов данных при помощи языка Python, позволяющего оптимизировать этап сбора и анализа крупных, регулярно обновляющихся баз геологической информации.

Полный текст

2

Об авторах

С. Ю Корякин

ООО «ЛУКОЙЛ-Инжиниринг»

Я. Л Львовская

ООО «ЛУКОЙЛ-Инжиниринг»

Т. Т Макиев

ООО «ЛУКОЙЛ-Инжиниринг»

И. М Хворост

ООО «ЛУКОЙЛ-Инжиниринг»

Д. Д Филимончикова

ООО «ЛУКОЙЛ-Инжиниринг»

Список литературы

  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.

Статистика

Просмотры

Аннотация - 19

PDF (Russian) - 12

Ссылки

  • Ссылки не определены.

© Корякин С.Ю., Львовская Я.Л., Макиев Т.Т., Хворост И.М., Филимончикова Д.Д., 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