CC BY
0
НАУКИ О ЗЕМЛЕ
УДК 551.81 DOI 10.24412/1728-5283-2024-1-79-88
ОПЫТ ИСПОЛЬЗОВАНИЯ САМООРГАНИЗУЮЩИХСЯ КАРТ КОХОНЕНА ДЛЯ ЛИТОЛОГИЧЕСКОГО РАСЧЛЕНЕНИЯ ТЕРРИГЕННЫХ ОТЛОЖЕНИЙ НА ПРИМЕРЕ АЧИМОВСКОЙ ТОЛЩИ ЗАПАДНОЙ СИБИРИ*
© Киршин Юрий Леонидович, © Терехов Олег Викторович, © Маннанов Тимур Рустемович
Общество с ограниченной ответственностью «РН-БашНИПИнефть» г Уфа, Российская Федерация
В условиях планирования и проектирования геологического изучения как новых территорий, так и имеющих давнюю историю разработки, часто приходится сталкиваться с ограниченными объёмами первичной геологической информации. В статье отмечены ключевые моменты по наличию исходных геофизических данных для анализа, приведены критерии выбора их оптимального набора для возможности использования методики самоорганизующихся карт Кохонена. Заострено внимание на оценке качества получения как промежуточных показателей, так и объективных итоговых результатов. В свете полученных результатов выполнено литологическое расчленение геологического разреза ачимовской толщи с выделением в пласте «Ач5» проницаемых разностей коллекторов, с преимущественно нефтяным характером насыщения. Авторами предложен один из возможных вариантов по решению производственной задачи в сложных геологических условиях. Суть предложения заключается в использовании одного из разновидностей кластерного анализа данных, а именно метода самоорганизующихся карт Кохонена (так называемого - SOM), который представляет собой обучение компьютерной программы на базе имеющихся скважинных геофизических данных по статистическо-математическому подходу по направлению «обучение без учителя». Данный подход применён к решению задачи по учёту латерального изменения литологических характеристик распространения отложений ачимовской толщи на одном из месторождений Западной Сибири, с целью более эффективного вскрытия коллекторов с минимизацией получения обводнённой продукции. Отмечено, что применение самоорганизующихся карт Кохонена следует рассматривать как дополнительный инструмент для решения прикладных производственных задач по увеличению изу-
Ключевые слова: геология, изучение недр, литология, Западная Сибирь, ачимовские отложения, кластерный анализ, интеллектуальный анализ, геофизические исследования разреза скважин.
ченности исследуемого месторождения. Возможность применения данного подхода в условиях других месторождений требует более широкого опробования.
EXPERIENCE OF USING SELF-ORGANIZING KOHONEN MAPS FOR LITHOLOGICAL SUBDIVISION OF TERRIGENOUS DEPOSITS USING THE EXAMPLE OF THE ACHIMOV FORMATION IN WESTERN SIBERIA
© Kirshin Yury Leonidovich, © Terekhov Oleg Victorovich, © Mannanov Timur Rustemovich
RN-BashNIPIneft Limited Liability Company Ufa, Russian Federation
In the context of planning and designing geological exploration of both new territories and those with a long history of development, one often has to deal with limited volumes of primary geological information. The article
* Для цитирования: Киршин Ю.Л., Терехов О.В., Маннанов Т.Р. Опыт использования самоорганизующихся карт Кохонена для литологического расчленения терригенных отложений на примере ачимовской толщи Западной Сибири // Вестник Академии наук Республики Башкортостан. 2024. №1. С. 79-88. DOI 10.24412/1728-5283-2024-1-79-88
ВЕСТНИК АКАДЕМИИ НАУК РБ /
/
notes the key points regarding the availability of initial geophysical data for analysis, and provides criteria for selecting their optimal set for the possibility of using the Kohonen self-organizing map technique. Attention is focused on assessing the quality of obtaining both intermediate indicators and objective final results. In light of the results obtained, a lithological subdivision of the geological section of the Achimov strata was carried out with the identification of permeable reservoir varieties in the "Ach5" formation, with a predominantly oil saturation character. The authors proposed one of the possible options for solving a production problem in difficult geological conditions. The essence of the proposal is to use one of the varieties of cluster data analysis, namely the method of self-organizing Kohonen maps (the so-called SOM), which is a training computer program based on available well geophysical data using a statistical and mathematical approach in the direction of "unsupervised learning." This approach is applied to solving the problem of taking into account the lateral changes in the lithological characteristics of the distribution of deposits of the Achimov strata in one of the fields in Western Siberia, with the aim of more efficiently opening reservoirs while minimizing the production of watered products. It is noted that the use of self-organizing Kohonen maps should be considered as an additional tool for solving applied production problems to increase the level of knowledge of the field under
Key words: geology, subsoil study, lithology, Western Siberia, Achimov deposits, cluster analysis, intelligent analysis, geophysical studies of well sections.
study. The possibility of using this approach in other fields requires wider testing.
Введение. В условиях планирования и проектирования геологического изучения, как новых территорий, так и площадей, имеющих давнюю историю разработки, часто приходится сталкиваться с ограниченными объёмами первичной геологической информации. В историческом фонде скважин, которые начинали строиться ещё со времён становления нефтяной отрасли нашей страны и до 80-х годов прошлого столетия, как правило, преобладает недостаточный технологический уровень геофизических исследований скважин (ГИС), а исследования керна ограничены данными коэффициентов пористости и проницаемости по коллекторам. Однозначного и, главное, универсального метода для повышения эффективности изучения подобных нефтегазоносных областей не существует, всё зависит от имеющихся материалов исследований на конкретном месторождении данной территории.
Проблематика. Добиться решения озвученной выше проблемы можно, применяя следующие подходы:
1. Проводить отбор керна с последующим его всесторонним исследованием и использовать расширенный (в части применяемых методов исследования) современный комплекс ГИС при строительстве новых скважин.
2. Выполнять исследование методами промысловой геофизики через эксплуатационную колонну, при очередной постановке бригады капитального ремонта (КРС) на скважину.
3. При решении геофизических задач использовать инновационные методы геологического моделирования.
Каждый из отмеченных подходов обладает существенными ограничениями.
Строительство новых скважин с современным комплексом ГИС и отбором керна на месторождении проводится в ограниченном объёме, только в рамках уплотнения сетки скважин, или в виде целевого вовлечения в разработку какой-либо выявленной локальной зоны месторождения. Таким образом, они будут характеризовать крайне ограниченные, локальные фрагменты или области месторождения.
Следующий подход сталкивается с ограничениями геофизической аппаратуры при замерах через эксплуатационную колонну, как в методическом (учёт её влияния), так и технико-технологическом плане. Например, для проведения этих работ требуется создание дополнительных условий в скважине, следовательно, необходима постановка бригады КРС.
Последний подход имеет наименьшее количество ограничений, так как связан с применением новых методов геологического моделирования при обработке уже имеющихся данных геолого-геофизического направления и связан с возможностью использования различных технологий машинного обучения (МО).
Одним из примеров применения МО может служить использование нейронных сетей для прогнозирования нефтеперспективных объектов [1, 2].
Постановка задачи. В Западной Сибири одним из сложных для изучения и разработки геологических объектов являются ачимовские отложения. На рисунке 1 приведён пример потенциально продуктивного пласта данных отложений.
.............ВЕСТНИК АКАДЕМИИ НАУК РБ /
НО ' 2024, том 50, № 1(113)
А
г
Сложность разработки ачимовской толщи общеизвестна и неоднократно описывалась в литературе [3-5]. Наумов А.Л. в своей работе по седиментации ачимовских отложений [6] считал, что они формировались путём заполнения некомпенсированной впадины обломочным материалом с юго-восточной части. При этом песчаники ачимовской толщи формировались у подножия шельфа, медленно продвигавшегося к центру бассейна, прерываясь время от времени трансгрессивными периодами. Отложения представляют собой тонкослоистые чередования мелкозернистых песчаников и алевролитов, часто из-вестковистых, плотных с локальными, маломощными, линзовидными пропластками аргиллита. Данные отложения имеют циклический характер осадконакопления с клиноформным строением пластов. Форма песчаных тел ачимовской толщи с учётом её надёжной изолированности по разрезу формирует потенциальные залежи, которые контролируются зачастую собственной морфологией каждой индивидуальной линзы и качеством коллектора в ней. Детальное литологическое расчленение разреза ачимовских отложений поз-
воляет получить понимание об обстановке осад-конакопления и установить имеющиеся закономерности развития исследуемых пластов.
Стоит отметить, что рентабельная разработка коллекторов в рассматриваемой толще чаще всего связана с необходимостью проведения гидроразрыва пласта (ГРП). Побочным эффектом интенсификации притока этим способом является неконтролируемое и непредсказуемое обводнение продуктивных пластов. Дополнительный фактор, затрудняющий оценку насыщения разреза - применение минерализованной промывочной жидкости, которая снижает эффективность электрических методов исследования скважин и является причиной увеличения неоднозначности при оперативном определении насыщения коллекторов. Информация о литологическом строении является дополнительным аспектом для планирования и коррекции геолого-технологических мероприятий, направленных на снижение обводнения при работах по освоению скважин.
Наиболее подходящим решением задачи ли-тологического расчленения разреза в ачимовс-ких отложениях по данным ГИС является способ
ВЕСТНИК АКАДЕМИИ НАУК РБ / __
' 2024, том 50, № 1(113) 1111111111111111111111111ИИШЁШ
статистического моделирования. Данный способ основан на поиске связи различных методов исследований с минералогическим составом пород на керне. В последующем, для тех или иных ли-тологических разностей строится подобная модель по ГИС путем решения системы линейных уравнений с использованием уточненных на керне коэффициентов пропорциональности (Я). В дальнейшем эта модель в итерационном режиме проходит верификацию с аналогичной моделью на керне. Набор геофизических методов для её построения может быть различным, в зависимости от конкретного месторождения. При этом набор входных данных должен включать в себя исследования, отвечающие за литологическое расчленение разреза, такие как методы естественной и наведенной радиоактивности (гамма-каротаж, гамма-гамма плотностной каротаж, разновидности нейтронного каротажа), акустические методы, методы определения удельного электрического сопротивления. Кроме того, включаются дополнительные специальные методы, такие как спектрометрический гамма-каротаж, импульсная нейтрон-гамма спектрометрия, ядерно-магнитный каротаж. Они важны для решения задачи построения модели, но ввиду дороговизны и невозможности широкого применения редко используются в получении модели по ГИС.
Отмечаем, что задача выделения каждого тонкого пропластка, сверх разрешающей способности методов ГИС, не стоит. Под задачей построения модели с помощью статистического моделирования понимается минимальная совокупная мощность пропластков (с учётом их средневзвешенных характеристик), на которую реагируют привлекаемые методы ГИС, имеющиеся на данном месторождении.
Предлагаемый метод решения задачи. В условиях отсутствия или недостаточности исследований керна, которые направлены на изучение минерально-компонентного состава исследуемого объекта (рентгеноструктурный анализ (РСА), рентгенофлуоресцентный анализ (РФлА)), построение минералогической модели с дальнейшим переходом к литологической модели по данным ГИС сильно затруднено. Для решения имеющихся производственных задач пришлось привлечь математические методы анализа данных, так называемое машинное обучение (МО). Это класс методов искусственного интеллекта, характерной чертой которых является математическое обучение программы на ограниченном наборе материалов с известным ответом и применением полученного алгоритма на всём объеме данных. В качестве механизмов обучения используются
средства математической статистики, численные методы, методы оптимизации, теории вероятностей, теории графов обработки, различные технологии работы с данными в цифровой форме. Подтверждением кондиционности полученных результатов при этом должна быть их опора на какой-либо независимый показатель, например, на данные керновых исследований. Следовательно, обязательным условием возможности использования механизмов МО должно быть наличие на месторождении скважины (или скважин) с расширенным комплексом ГИС с данными для обучения, а также наличие керновых материалов, выступающих ожидаемым решением и критерием качества получаемых результатов. МО для ряда производственных задач реализованы в различных программных продуктах, которые широко применяются в нефтяной отрасли [7-9, 4 и др.]. В большинстве используемых программ реализован метод кластеризации, так называемый подход «обучение с учителем». Полученные при этом коэффициенты сходимости R предлагаемые программными продуктами (например, Techlog, модуль Quanti.Elan), часто дают некорректный результат, а самостоятельный подбор соответствующих коэффициентов может занять непозволительно много времени.
Предложенный ниже тип МО основан на выявлении эмпирических закономерностей в используемых данных - так называемое обучение по прецедентам (обучение без учителя). Для детального литологического расчленения разреза по данным ГИС для отложений ачимовской толщи применен метод самоорганизующихся карт Кохонена. Самоорганизующиеся карты (SOM, Self Organizing Maps), разработанные Т. Кохоне -ном в 1982 г. [10, 11] представляют собой мощный инструмент, объединяющий два важных направления анализа данных - кластеризацию и проецирование, т.е. визуализацию многомерных данных на плоскости. Суть данного метода заключается в использовании самообучающейся нейронной сети, которая выполняет многомерные статистические процедуры по сбору данных, содержащих информацию о выборке объектов (численные выражения физических свойств по ГИС). Алгоритм, реализующий карты Кохонена, последовательно осуществляет упорядочивание собранных данных согласно их схожести (круговые диаграммы); выявление закономерностей распределения значимых критериев в сравнительно однородные группы-кластеры; визуализацию результата в виде цветовой карты (рисунок 2).
ВЕСТНИК АКАДЕМИИ НАУК РБ /
' 2024, том 50, № 1(113) IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
А
Г
Рисунок 2 - Схема анализа данных ГИС с помощью самоорганизующихся карт Кохонена
Для опорной скважины на вход программы путём итераций подавался набор методов ГИС в различной их комбинации. Программа выполняла перебор данных, верификация результатов которой контролировалась на основе данных по керну. Такой подход позволил решить вопрос ли-тологического расчленения ачимовской толщи в условиях одного из месторождений ПАО «НК «Роснефть». Важной предпосылкой для применения метода кластеризации вообще и его разновидности в варианте Кохонена, является уверенность в геологической идентичности обстановки осадконакопления выбранных для прогноза отложений, то есть необходима априорная информация по этому вопросу. Именно выполнение этого условия является предпосылкой достоверности результата прогноза. Оптимальный набор отобранных методов ГИС включает следующие исследования: гамма-каротаж; водородосодер-жание, полученное по методу нейтронного каротажа; плотностной гамма-гамма и акустический каротажи. Для учёта характера насыщения так же использовалась кривая удельного электрического сопротивления пород (УЭС).
Результатом работы программы является подобранный ею алгоритм для построения вероятностной модели распределения свойств отложений по ГИС, согласно однородным группам критериев. Он визуализируется в виде цветовой схемы ( Рисунок 3), которая называется картами Кохо -нена. На треке 6 рисунка 4 приведена объемная вероятностная модель, построенная согласно установленному алгоритму. Прогноз её достоверности, согласно треку 7 отмеченного рисунка, составил более 0,76. Каждый выделенный программой кластер является отражением численных изменений значений физических параметров в соответствии с литолого-структурными характеристикам пород. Сопоставляя полученный результат с общими физическими принципами использованных методов ГИС и данных детального описания керна, была идентифицирована принадлежность литотипов к каждому кластеру (карточке Кохонена). В таблице 1 представлены различия кластеров по данным описания керна, численным выражениям и статистическим распределениям величин параметров ГИС.
Кластер 1
Кластер 2 Кластер 3
Кластер 4 Кластер 5
Кластер 6
Рисунок 3 - Представление результатов самоорганизующихся карт Кохонена в виде цветовой схемы
ВЕСТНИК АКАДЕМИИ НАУК РБ
/
2024, том 50, № 1(113)
Рисунок 4 - Планшет с результатами анализа опорной скважины, согласно картам Кохонена
ВЕСТНИК АКАДЕМИИ НАУК РБ
/
Таблица 1 - Различия кластеров по данным описания керна, численным выражениям и статистическим распределениям величин параметров ГИС
Следует отметить, что для корректной работы алгоритма количество выходных параметров должно быть сопоставимо с количеством входных параметров. В противном случае, возрастает неопределенность и, как следствие, вероятностная ошибка. В представленном случае количество выходных данных - 6 кластеров при 5 входных параметрах. Данное соотношение было установлено в результате статистического итерационного подбора и явилось оптимальным для решения задачи типизации литотипов разреза в условиях рассмотренного месторождения. При установке иного, меньшего соотношения количества входных и выходных данных, не удавалось произвести типизацию коллекторов ввиду большей контрастности физических свойств непроницаемых горных пород относительно проницаемых разностей. Увеличение количества входных и выходных данных позволило также разделить породы-коллекторы на кластеры, соответствующие песчаникам и проницаемым алевролитам. Побочным результатом стало увеличение лито-логических разностей, относящихся к непродуктивным литотипам: непроницаемый алевролит и два типа аргиллитов (серые и темно-серые), которые в свою очередь не являются объектами исследования.
Полученный на опорной скважине алгоритм был применен к другим подобным горным выработкам. Корректность полученных результатов в условиях рассмотренного месторождения была подтверждена поступившими позднее результатами керновых данных одной из скважин, участвующей в выполненном моделировании по картам Кохонена.
Материалы проведенного анализа позволили геологической службе под новым углом зрения взглянуть на цикличность осадконакопления ачимовских отложений данного месторождения и построить авторскую геологическую модель исследуемого объекта. Согласно ей, кровельная часть пласта «Ач5» сложена слабопроницаемыми алевролитами (рисунок 5, часть разреза отмечена серым цветом), способными отдавать нефть с минимальным количеством воды в продукте. Нижележащие отложения - это песчаники, имеющие глинисто-карбонатный цемент в своём составе, преимущественно водонасыщенные или без притока (часть разреза отмечена зеленым цветом), но при этом имеющие улучшенные фильтрационно-емкостные характеристики.
Рисунок 5 - Корреляционная схема с результатами послойного анализа пласта «Ач5» полученного с помощью карт Кохонена
В последующем, учитывая эти результаты, была произведена переоценка рисков, связанных с дальнейшей эксплуатацией объекта. Недропользователем были скорректированы работы по испытанию объекта пласта «Ач5», направленные на снижение обводнённости продукции, а также даны рекомендации по оптимизации применения ГРП.
Заключение. На приведённом примере в разрезе ачимовских отложений показана возможность использования по данным ГИС одного из видов кластерного анализа, а именно, самоорганизующихся карт Кохонена, как дополнительного инструмента для решения ряда прикладных производственных задач по увеличению изученности исследуемого месторождения. При
ВЕСТНИК АКАДЕМИИ НАУК РБ /
/
А
г
более широком использовании данного подхода для изучения этих отложений результаты будут уточняться. В целом, методический подход по использованию данных ГИС для получения карт Кохонена по ачимовским отложениям требует более широкого опробования.
Успешность или неуспешность решения задачи литологического расчленения разреза ачи-
мовской толщи на других месторождениях будет определяться как качеством и набором входных данных ГИС (в том числе и их комбинацией), так и имеющимися возможностями контроля полученных результатов (данными подробного описания керна или наличием данных специальных методов исследования).
Л И Т Е Р А Т У Р А
1. Куликов С.А., Тарасов Е.А. Результаты практического применения нейротехнологии прогнозирования залежей нефти в Татарстане. Вып. 3. М.: Геология, геофизика и разработка нефтяных месторождений, 1998. С. 29-33.
2. Куликов С.А., Тарасов Е.А. Нейроком-пьютерная техника в распознавании нефтепер-спективных обьектов по данным сейсмических наблюдений. Вып. 11. М.: Геология, геофизика и разработка нефтяных месторождений, 1994. С. 19-21.
3. Цибулин И. Л. Прогнозирование зон развития коллекторов ачимовской толщи по данным сейсморазведки // Структурно-формационная сейсморазрядка. Тюмень, 1987. С. 27-35.
4. Кузнецова Г.П. Методика выявления кли-ноформных условий залегания ачимовских продуктивных пластов с помощью программы АШюСогг: дисс. канд. геол-мин. наук. Москва, 2006. 195 с.
5. Гурари Ф.Г. Строение и условия образования клиноформ Западно-Сибирской плиты (история становления представлений): Монография. Новосибирск: СНИИГГиМС, 2003. 141 с.
6. Наумов А.Л. К методике реконструкции рельефа дна Западно-Сибирского раннемелового бассейна // Геология и геофизика. 1977. № 10. С. 38-47.
7. Баюк И.О., Чесноков Е.М. О возможности определения типа флюида в породе коллекторе: Известия РАН. Физика земли. №11. 1999. С. 4047.
8. Завьялов В. А. Особенности компенсации поверхностных неоднородностей по материалам, полученным с использованием вибросейсмических источников / В.А. Завьялов // Геофизика. 2005. №4. С.10-13.
9. Баюк И.О. Междисциплинарный подход к прогнозированию макроскопических и фильтра-ционно-емкостных свойств коллекторов углеводородов // Москва. Институт физики Земли им.
О.Ю. Шмидта Российской академии наук. 2013. 228 с.
10. Kohonen T. Self-Organizing Maps (Third Extended Edition). New York. 2001. 501 p. ISBN 3-540-67921-9.
11. Хайкин С. Нейронные сети: полный курс, 2-е изд.: Пер. с англ. М.: ООО "И. Д. Виль-ямс", 2016. 1104 с. ISBN 978-5-8459-2069-0.
R E F E R E N C E S
1. Kulikov S.A., Tarasov E.A. Results ofpractical application of neurotechnology of forecasting oil deposits in Tatarstan. M.: "Geology, geophysics and development of oil fields". Is. 3. 1998. Pp. 29-33.
2. Kulikov S.A., Tarasov E.A. Neurocomputer technology in the recognition of oil-prospective objects according to seismic observations. M.: "Geology, geophysics and development of oil fields". Is.11. 1994. Pp. 19-21.
3. Tsybulin I.L. Forecasting of zones of development of reservoirs of the Achimov strata according to seismic survey data // Structural and formation seismic discharge. Tyumen. 1987. Pp. 2735.
4. Kuznetsova G.P. Methodology for identifying clinoform conditions of occurrence of Achimov productive formations using the AutoCorr program: diss. Candidate of Geological Sciences. Moscow, 2006.195 p.
5. Gurari F.G. The structure and conditions of formation of the clinoforms of the West Siberian plate (the history of the formation of representations): Monograph. Novosibirsk: SNIGGIMS, 2003. 141 p.
6. Naumov A.L. On the methodology of reconstruction of the bottom relief of the West Siberian Early Cretaceous basin // Geology and geophysics. 1977. No. 10. Pp. 38-47.
7. Bayuk I.O., Chesnokov EM. On the possibility of determining the type of fluid in the reservoir rock: Proceedings of the Russian Academy
ВЕСТНИК АКАДЕМИИ НАУК РБ / __
' 2024, том 50, № 1(113) lllllllllllllllllllllllllМШиНИ
of Sciences. Physics of the Earth. No. 11. 1999. Pp. 40-47.
8. Zavyalov V.A. Features of compensation of surface inhomogeneities based on materials obtained using vibro-seismic sources / V.A. Zavyalov // Geophysics. 2005. No. 4. Pp. 10-13.
9. Bayuk I.O. Interdisciplinary approach to forecasting macroscopic and filtration-capacitive properties of hydrocarbon reservoirs // Moscow.
Schmidt Institute of Earth Physics of the Russian Academy of Sciences. 2013. 228 p.
10. Kohonen T. Self-Organizing Maps (Third Extended Edition). New York. 2001. 501 p. ISBN 3-540-67921-9.
11. Khaykin S. Neural networks: a complete course, 2nd ed.: Translated from English M.: I. D. Williams LLC, 2016. 1104 p. ISBN 978-5-84592069-0.
© Киршин Юрий Леонидович,
ведущий специалист
отдел интерпретации ГИС и петроупругого моделирования, ООО «РН-БашНИПИнефть», ул. Сочинская, 12,
450103, г. Уфа, Российская Федерация
ORCID: 0009-0006-1203-7865
эл. почта: KirshinYL@bnipi.rosneft.ru
© Терехов Олег Викторович,
кандидат технических наук, эксперт
отдел интерпретации ГИС и петроупругого моделирования, ООО «РН-БашНИПИнефть», ул. Сочинская, 12,
450103, г. Уфа, Российская Федерация
ORCID: 0009-0008-5394-2612
эл. почта: TerekhovOV@bnipi.rosneft.ru
© Маннанов Тимур Рустемович,
специалист,
отдел интерпретации ГИС и петроупругого моделирования, ООО «РН-БашНИПИнефть», ул. Сочинская, 12,
450103, г. Уфа, Российская Федерация эл. адрес: tmannanov112@gmail.com ORCID: 0009-0006-2238-2363
© Kirshin Yuri Leonidovich,
Leading specialist
of the Department of GIS Interpretation and Petroelastic Modeling,
LLC "RN-BashNIPIneft", 12 Sochinskaya str., 450103, Ufa, Russian Federation ORCID: 0009-0006-1203-7865 E-mail: KirshinYL@bnipi.rosneft.ru
© Oleg Viktorovich Terekhov,
Candidate of Technical Sciences, expert,
Department of GIS Interpretation and Petroelastic Modeling,
LLC "RN-BashNIPIneft",
12 Sochinskaya str.,
450103, Ufa, Russian Federation
ORCID: 0009-0008-5394-2612
E-mail: TerekhovOV@bnipi.rosneft.ru
© Mannanov Timur Rustemovich,
Specialist,
Department of GIS Interpretation and Petroelastic Modeling,
LLC "RN-BashNIPIneft",
12 Sochinskaya str.,
450103, Ufa, Russian Federation
E-mail: tmannanov112@gmail.com
ORCID: 0009-0006-2238-2363
ВЕСТНИК АКАДЕМИИ НАУК РБ /
' 2024, том 50, № 1(113) lllllllllllllllllllllllllllllllll
