ПРИМЕНЕНИЕ СОВРЕМЕННЫХ МЕТОДОВ ГИС И АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ПРИ ОБОСНОВАНИИ ТИПИЗАЦИИ ПОРОД НА МЕСТОРОЖДЕНИЯХ ВАНКОРСКОГО КЛАСТЕРА

Махмутов И.Р.; Евдощук А.А.; Грандов Д.В.; Плиткина Ю.А.; Амосова И.Н.; Волков В.А.

КОЛЛЕКТОРЫ НЕФТИ И ГАЗА

УДК 550.8.053

DOI 10.31087/0016-7894-2020-6-77-86

Применение современных методов ГИС и алгоритмов машинного обучения при обосновании типизации пород на месторождениях Ванкорского кластера

ООО «Тюменский нефтяной научный центр», Тюмень; irmakhmutov@tnnc.rosneft.ru; evdoschukaa@sibintek.ru; grandovdv@sibintek.ru; yaplitkina@tnnc.rosneft.ru; amosovain@sibintek.ru; volkovva2@sibintek.ru

Поступила 22.09.2020 г.

Доработана 30.09.2020 г. Принята к печати 12.10.2020 г.

Ключевые слова: типизация пород; машинное обучение; геофизические исследования скважин; автоматизация. Аннотация: Современная петрофизика развивается в направлении цифровизации, машинного интеллекта и обработки больших массивов информации. В условиях значительного объема накопленных неоднородных данных (геофизическое изучение скважин, керн, геолого-технологические и промыслово-геофизические исследования, испытания и т. д.), имеющих разные временные промежутки записи, стандартные методы анализа требуют кратного роста трудозатрат. В этой ситуации инструменты машинного обучения позволяют существенно ускорить процесс консолидации, обработки и интерпретации исходных материалов. Вместе с тем для получения наиболее качественного результата необходимо привлекать современные высокотехнологичные методы геофизических исследований скважин. При проектировании системы разработки залежей с высокой дифференциацией свойств по разрезу важно обеспечить вовлечение в разработку всего объема продуктивных пород. На примере месторождения Красноярского края предложен подход к картированию в пласте интервалов высоко- и низкопроницаемых коллекторов с применением интегрированного анализа данных керна и высокотехнологичных методов геофизических исследований скважин. Впервые публикуются результаты применения разработанной технологии для типизации пород на месторождениях Ванкорского кластера. В статье рассмотрены аспекты разработки алгоритма машинного обучения и выполнена оценка достоверности полученных результатов. Отмечается, что использование предложенного инструмента на активах ПАО «НК «Роснефть» позволит повысить эффективность разработки нижнехетских отложений.

■ Для цитирования: Махмутов И.Р., Евдощук А.А., Грандов Д.В., Плиткина Ю.А, Амосова И.Н., Волков В.А. Применение современных методов ГИС и алгоритмов машинного обучения при обосновании типизации пород на месторождениях Ванкорского кластера // Геология нефти и газа. - 2020. -№ 6. - С. 77-86. DOI: 10.31087/0016-7894-2020-6-77-86.

Substantiation of rocks typification in the fields

of the Vankor cluster: application of modern well logging methods

and machine learning algorithms

Tyumen Petroleum Research Center, LLC, Tyumen', Russia; irmakhmutov@tnnc.rosneft.ru; evdoschukaa@sibintek.ru; grandovdv@ sibintek.ru; yaplitkina@tnnc.rosneft.ru; amosovain@sibintek.ru; volkovva2@sibintek.ru Received 22.09.2020

Revised 30.09.2020 Accepted for publication 12.10.2020

Key words: rocks typification; machine learning; well logging; automation.

Abstract: Modern petrophysics develops with a trend to digitalization, artificial intelligence, and processing of big datasets. With a significant amount of accumulated multidiscipline data (well logging, core, mud logging and production logging, testing, filter intervals, etc.) having different recording times, the standard methods of analysis require a multiple increase in labour costs. In this situation, the machine learning tools allow considerable speeding up procedure of consolidation, processing, and interpretation of input data. At the same time, in order to obtain the best possible result, modern high-tech well logging methods must be used. In the design of a system for the development of reservoirs having a high differentiation of properties over the section, it is important to ensure that entire volume of productive rocks is involved in the development. By the example of a field in the Krasnoyarsk Region, the authors propose an approach to mapping of high- and low-permeable reservoirs in the section with the use of integrated analysis of core data and high-tech well logging methods. The results of the developed technology application for rock typification in the fields of the Vankor cluster are published for the first time. The authors discuss the aspects of the machine learning algorithm development and estimate confidence of the results obtained. It is noted that application of the proposed tool for the PJSC Rosneft assets will improve the efficiency of development of the Nizhnekhetsky deposits.

I For citation: Makhmutov I.R., Evdoshchuk A.A., Grandov D.V., Plitkina Yu.A., Amosova I.N., Volkov V.A. Substantiation of rocks typification in the fields of the Vankor cluster: application of modern well logging methods and machine learning algorithms. Geologiya neftii gaza. 2020;(6):77-86. DOI: 10.31087/0016-78942020-6-77-86. In Russ.

Геолого-физическая характеристика объекта

Объектом исследования является одно из месторождений Ванкорского кластера, расположенное на территории Таймырского автономного округа Красноярского края в северо-восточной части Западной Сибири. Основной объект разработки представлен отложениями нижнехетской свиты нижнего мела (пласт Нх-1).

Породы-коллекторы формировались в условиях подводной дельты со смешанным влиянием речных и волновых процессов, представленной двумя лопастями, которые мигрировали с северо-восточного и юго-восточного направлений. По мере продвижения дельты с востока на запад, в условиях нормальной регрессии, мелко-крупнозернистые алевролиты продельтового склона (нижняя часть пласта) постепенно замещаются средне-мелкозернистыми песчаниками дистальной части фронта дельты (средняя часть пласта). Крупно-среднезернистые песчаники проксимальной части фронта дельты (верхняя часть пласта), в результате форсированной регрессии, резко сменяют нижележащие отложения. Последующее понижение уровня моря привело к размыву части отложений. При дальнейшей трансгрессии, в результате волновой переработки и частичного переноса осадков, сформировался трансгрессивный слой, обладающий преимущественно улучшенными относительно субстрата фильтрационно-емкостными свойствами, но в то же время обладающий неоднородным по площади строением1 (рис. 1).

При таком типе осадконакопления предполагается снижение песчанистости коллекторов сверху вниз по разрезу и, как следствие, ухудшение филь-трационно-емкостных свойств. Согласно данным экспериментов на керне, отмечается значительная вариация абсолютной газопроницаемости пород при одинаковых значениях открытой пористости — от 1 мД в подошве до 1000 мД в кровле пласта (рис. 2).

Проблематика вопроса

Еще на начальном этапе изучения месторождения предпринимались попытки проведения раздельных исследований верхней (высокопроницаемой) и нижней (низкопроницаемой) частей продуктивного пласта. По результатам испытаний нижней части разреза в колонне не удавалось получить стабильный достоверный результат. Довольно странным казался факт отсутствия смешанного притока воды и нефти, поскольку из строения пласта следует наличие обширной переходной зоны.

Анализируя данные ГИС, был отмечен невысокий контраст удельных электрических сопротивлений нефтяной и водонасыщенной частей, причиной

1Розбаева Г.Л. Детальная литолого-фациальная модель отложений нижнехетской свиты в Сузунском НГР (Западная Сибирь) : дис. ... канд. геол.-минерал. наук. Тюмень, 2014. - 145 с.

которого стала очень низкая минерализация пластовой воды (6,7 г/л). Кроме того, негативное влияние оказывала высокая глинистость коллектора.

Реализуемая на объекте рядная система размещения эксплуатационных скважин предусматривала бурение горизонтальных стволов преимущественно в прикровельных высокопроницаемых интервалах. При этом в процессе бурения пилотных стволов с расширенным комплексом ГИС и опробователем пластов на кабеле/гидродинамическим каротажем параллельно доизучался разрез. Результаты промысловых испытаний давали довольно неоднозначную картину — в низкопроницаемых продуктивных интервалах, расположенных выше уровня водонеф-тяного контакта, были получены притоки воды с практически отсутствующими признаками нефти, а в высокопроницаемой части — безводные притоки нефти. В результате бурения горизонтальных скважин, полностью вскрывших разрез, также получали безводные притоки исключительно из высокопроницаемых коллекторов, нижняя часть в работу не подключалась.

По этой причине было принято решение о необходимости картирования в объеме пласта интервалов высококонтрастных пород для оптимизации реализуемой системы разработки и проектирования самостоятельной сетки скважин на невовлекаемый объем запасов. Для этого использовались данные специального комплекса ГИС — ядерно-магнитного каротажа, гидродинамического каротажа/опробователя пластов на кабеле, импульсного нейтронного спектрометрического гамма-каротажа, а также инструменты машинного обучения. Достоверность классификации пород наиболее высокая по данным специального комплекса ГИС и керна, эти скважины использовались для адаптации методики под стандартный комплекс ГИС при эксплуатационном бурении.

Разделение коллекторов на классы

Первые представления о строении пласта базировались на разделении пласта Нх-1 на 5 классов. За основной критерий разделения было принято значение Кво, а основным методом ГИС являлся гамма-каротаж [1]. С ростом изученности месторождения появилась необходимость корректировки такой модели. Основываясь на данных современных высокотехнологичных методов ГИС и гидродинамического каротажа, а также результатах испытаний скважин, авторы статьи пришли к выводу, что значимой разницей в фильтрационных характеристиках обладают лишь группы, включающие 1-2-й и 3-5-й классы. Кроме того, при использовании только данных метода гамма-каротаж возникает дольно высокая погрешность точности определения классов коллектора.

По результатам седиментологических исследований нижнехетских отложений был выделен ряд фациальных комплексов. Поскольку основной целью

Рис. 1. Седиментологическая модель формирования пласта Нх-1 Fig. 1. Depositional model of Нх-1 reservoir formation

. ' . ' . ' J1

2

3

4

5

16

7

\8

Разрезы вкрест направления програцации дельты речного типа: A — фронт дельты, B — субаэральная эрозия, С — трансгрессия моря, волновая переработка отложений, D — фациальная схема пласта Нх-1.

1 — проксимальная часть (1-й класс); 2 — дистальная часть (2-й класс); 3 — продельта; 4 — шельф; 5 — эрозия; 6 — источник сноса; 7 — скважины; 8 — трансгрессивный лаг

Sections across the river delta progradation trend: A — delta front, B — subaerial erosion, С — sea transgression, reworking of sediments by waves, D — facies scheme of Нх-1 reservoir. 1 — proximal part (1-st class); 2 — distal part (2-nd class); 3 — prodelta; 4 — shelf; 5 — erosion; 6 — transportation source; 7 — wells; 8 — transgressive lag

исследования являлась дифференциация пород коллектора по фильтрационным свойствам, закономерным стало проведение анализа выделенных фаций по параметрам пористости и проницаемости. По коэффициенту пористости (Кпр) практически все фации коллектора изменялись в широких пределах (0,15— 0,24 доли ед.). В то же время наблюдались явные различия проницаемости, причем резкое изменение Кпр происходило при смене отложений дистальной части фронта дельты на проксимальную. Фации с близкими значениями были укрупнены для эффективного выделения по данным ГИС. Достоверно удалось классифицировать 3 фации, одна из которых являлась неколлектором. В коллектор 1-го класса вошли фации трансгрессивного лага и средней предфронтальной зоны пляжа (фации с кодами 1 и 2), а в коллектор 2-го класса — ближняя и дальняя части фронта дельты

(фации с кодами 3 и 4), остальные фации отнесены к неколлектору (см. рис. 2).

Анализ данных гидродинамического каротажа

Для проверки корректности укрупнения фаций сопоставлялись подвижности флюида по данным гидродинамического каротажа 12 скважин. Отмечается уверенное разделение укрупненных фаций по значению подвижности — 10 мД/сПз (рис. 3, 4). Кроме того, авторами статьи было отмечено, что практически на все замеры гидродинамического каротажа во 2-м классе оказывал влияние эффект избыточного давления (суперчарджинг), что объясняется ухудшенными свойствами пород этого типа коллектора. Таким образом, выделенные классы характеризуют коллекторы с контрастно отличающимися фильтра-ционно-емкостными характеристиками.

Рис. 2. Анализ и укрупнение фаций по параметрам пористости и проницаемости Fig. 2. Analysis and consolidation of facies on the basis of porosity and permeability parameters

1000 100 f 10 s> 1 0,1 0,01 0

A

1000

100

10

S

1

К,

0,1

0,01

0

B

1 -Г "

0 0,05 0,1 0,15 0,2 0,25 0,3 К,, доли ед.

0,05 0,1 0,15

0,2 0,25 0,3 К,, доли ед.

• 1 • 2 • 3 • 4 • 5 • 6 • 7 о 8 о 9 о

10

Дифференциация зависимости Кпр = ДК„): A — по фациям выделенным на керне, B — по укрупненным фациям. 1 — трансгрессивный лаг; 2 — средняя предфронтальная зона пляжа; части фронта дельты (3, 4): 3 — ближняя, 4 — дальняя; части продельты (5, 6): 5 — ближняя, 6 — дальняя; 7 — шельф; коллекторы классов (8, 9): 8 —1-го, 9 —2-го; 10 — неколлектор

Differentiation of the dependency Кпр = ЦК) A — using facies identified on core, B — using consolidated facies. 1 — transgressive lag; 2 — middle per-frontal zone of the beach; parts of delta front (3, 4): 3 — near, 4 — far; prodelta parts (5, 6): 5 — near, 6 — far; 7 — shelf; reservoirs of classes (8, 9): 8 —1-st, 9 —2-nd; 10 — non-reservoir

Рис. 3. Сопоставление подвижностей укрупненных фаций по данным гидродинамического каротажа

Fig. 3. Comparison of mobility of consolidated facies in accordance with production logging data

\l

2

Классы (l, 2): l —1-й, 2 — 2-й Classes (l, 2): l —1-st, 2 — 2-nd

На следующем этапе работ была проанализирована характеристика классов коллектора по данным ГИС и керна.

Анализ рентгенофазовых/рентгеноструктурных данных по керну и импульсному нейтронному спектрометрическому гамма-каротажу

При обосновании седиментологической модели пласта для установления генезиса и состава пород привлекались данные рентгеноструктурного и рентгенофазового анализа керна. При этом наиболее важным параметром, влияющим на фильтраци-онно-емкостные свойства пород, является состав

глинистого цемента коллектора. По результатам анализа керна коллектор 1-го класса представлен песчаником крупно-среднезернистым с глинистым цементом преимущественно каолинитового состава, 2-го класса — песчаником мелкозернистым с глинистым цементом преимущественно хлорит-илли-тового состава. Данные рентгенофазового анализа использовались для верификации и настройки при проведении количественной оценки элементного и минерального состава пород по методу нейтронного спектрометрического гамма-каротажа. Данные метода подтвердили значительное увеличение глинистости от кровли к подошве пласта, а также изменение преобладающего глинистого минерала цемента с каолинита в 1-м классе коллектора на хлорит-иллит во 2-м классе (рис. 5). Глинистые минералы хлорит и иллит обладают гораздо большей удельной поверхностью, чем каолинит, и оказывают значительное влияние на снижение проницаемости коллекторов 2-го класса. Таким образом, установлена полная ли-тологическая характеристика выделенных классов и выявлены причинно-следственные связи различия их фильтрационных характеристик.

Анализ данных ядерно-магнитного каротажа

На месторождении проведен большой объем исследований ядерно-магнитным каротажем (12 скважин). Данные метода позволяют получить пороме-трическую характеристику пород [2]. По результатам анализа данных Т2-распределения отмечается резкое различие коллектора по времени поперечной релаксации. Сопоставляя выделенные по керну и данным гидродинамического каротажа классы, установлено, что граничное значение Т2 для разделения коллек-

0

o,ol

o,l

1

lo

100

ooo

loooo

Рис. 4. Планшет по скважинам с визуализацией выделенной по данным гидродинамического каротажа низкопроницаемой части Fig. 4. Composite log with visualization of low-permeable interval identified using production logging data

1 — Рпл, атм; 2 — Рпл суперчарджинг, атм; 3 — подвижность, мД/сП; 4 — низкопроницаемая часть разреза 1 — Рпл, atm; 2 — Рпл supercharging, atm; 3 — mobility, mD/cP; 4 — low-permeable interval of section

торов на 1-й и 2-й классы составляет 220 мс (рис. 6). Кроме того, выполнялась настройка отсечки Т2 на результаты исследований остаточной водонасыщенно-сти по керну. Граничное значение Т2 для подвижного флюида принято равным 33 мс, что типично для тер-ригенных коллекторов Западной Сибири. Среднее значение остаточной водонасыщенности К в 1-м классе по данным ядерно-магнитного каротажа составляет 20 %, а во 2-м классе — 42 %. Такая значительная разница обусловливает различие фильтрационно-емкостных свойств коллектора.

Статистический анализ данных стандартного комплекса ГИС

Охарактеризованность месторождения методами гамма-каротажа, гамма-гамма плотностного каротажа, нейтрон-нейтронного каротажа по тепловым нейтронам и удельного электрического сопротивления составляет около 80 %. Бурение эксплуатационного фонда скважин также предполагает запись стандартного комплекса Тпрр1е-СотЬо (гамма-гамма плотностной каротаж, нейтрон-нейтронный каротаж по тепловым нейтронам, удельное электрическое сопротивление). По этой причине данные методы выбраны в качестве основных для прогноза выделенных классов по площади месторождения. Описанный ранее специальный комплекс ГИС использовался в

качестве опорного для дальнейшей адаптации выделения классов под стандартный комплекс ГИС.

В первую очередь авторами статьи выполнен статистический анализ данных ГИС. Метод удельного электрического сопротивления был исключен из рассмотрения из-за влияния на показания переменной насыщенности пласта. Остальные методы было необходимо привести к единым масштабам записи путем нормализации кривых по опорным интервалам, в качестве которых выбирались наиболее полно изученные ГИС и керном скважины с выделенными фациями. По данным методов гамма-каротажа, гамма-гамма плотностного каротажа и нейтрон-нейтронного каротажа по тепловым нейтронам строились перекрестные кроссплоты и гистограммы (рис. 7). В результате анализа наибольшая дифференциация выделенных классов коллектора отмечается по методу гамма-каротажа, при использовании граничного значения 60gAPI погрешность классификации составляет 23 %, по методам гамма-гамма плот-ностного каротажа и нейтрон-нейтронного каротажа по тепловым нейтронам разделение недостаточно явное, перекрываясь в большом диапазоне значений.

В итоге для снижения ошибок классификации принято решение о необходимости комплексирова-ния всех имеющихся методов ГИС.

Рис. 5. Пример результатов построения объемной модели

минерального состава по данным импульсного нейтронного спектрометрического гамма-каротажа, гамма-гамма плотностного каротажа и нейтрон-нейтронного каротажа по тепловым нейтронам Fig. 5. Example of building a volumetric mineralogical model using the pulsed neutron gamma-ray logging, gamma-ray density logging, and thermal-decay-time logging data

1 6 11 16

XXX X X X

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

2 7 12

3 4

8 9

X X X X 13 _____ 14

5

10

15

^W^ 17

Модель ИНГКс (1-6): 1 — сидерит, 2 — кварц, 3 — пирит, 4 — доломит, 5 — кальцит, 6 — глина; объемная модель (7-17): 7 — вода глин, 8 — связанная вода, 9 — свободная вода, 10 — нефть, 11 — кварц, 12 — калиевый полевой шпат, 13 — натриевый полевой шпат, 14 — каолинит, 15 — хлорит, 16 — иллит, 17 — кальцит Pulsed Capture Gamma-Ray Logging model (1-6): 1 — siderite, 2 — quartz, 3 — pyrite, 4 — dolomite, 5 — calcite, 6 — clay; volumetric model (7-17): 7 — water of clay, 8 — connate water, 9 — free water, 10 — oil, 11 — quartz, 12 — potassium feldspar, 13 — sodium feldspar, 14 — kaolinite, 15 — chlorite, 16 — illite, 17 — calcite

Классификация коллекторов при помощи инструментов машинного обучения

В условиях большого объема накопленных разнородных данных — ГИС, керн, геолого-технологические и промыслово-геофизические исследования, испытания, интервалы фильтров и т. д., имеющие разные временные различия — стандартные методы анализа требуют очень больших трудозатрат. В этом случае инструменты машинного обучения позволяют многократно ускорить процесс геологической интерпретации классов.

Для прогноза классов пород был оценен и апробирован целый ряд алгоритмов машинного обучения [3].

1. Многослойный персептрон — нейронные сети прямого распространения, состоящие из одного или нескольких скрытых слоев нейронов.

2. Дерево решений — один из алгоритмов средств принятия решений на основе классификаторов. Как по дереву, необходимо пройти от корня по веткам, являющимся классификаторами, до листьев — прогнозных классов.

3. Самоорганизующиеся карты Кохонена — нейронная сеть, выполняющая задачу визуализации и кластеризации. Является методом проецирования многомерного пространства в пространство с более низкой размерностью. В результате обучения карта Кохонена классифицирует входные данные на кластеры и визуально отображает многомерные входные данные в двухмерной плоскости, распределяя векторы близких признаков в соседние ячейки и раскрашивая их в зависимости от анализируемых параметров нейронов.

При настройке алгоритмов обучающаяся выборка (скважины) делится на две группы — обучающую (90 % всей выборки с керном) и тестовую (10 %). Применение тестового множества необходимо для исключения эффектов переобучения, когда алгоритм начинает запоминать зависимости между входными и выходными данными.

В теории машинного обучения эффективность прогноза алгоритмами определяется среднеарифметическим и средневзвешенными коэффициентами рассчитывающимися по данным прогноза на тестовой выборке,

F -

2

recall 1 + precision

2 x

precision x recall precision + recall

где precision — отношение диагонального элемента к сумме всей строки; recall — отношение диагонального элемента к сумме всего столбца. Чем ближе коэффициент F1 к 1, тем лучше предсказательная способность алгоритма.

В качестве обучающей выборки использовался набор из восьми скважин с наиболее достоверно выделенными классами по данным специальных методов ГИС. В качестве исходных данных принимались кривые ГИС стандартного комплекса под эксплуатационное бурение — гамма-каротаж, нейтрон-нейтронный каротаж по тепловым нейтронам, гамма-гамма плотностной каротаж, поинтервальные результаты испытаний скважин, геолого-технологические и промыслово-геофизические исследования.

На рис. 8 представлены результаты настройки алгоритмов машинного обучения со статистикой прогноза по каждому классу. Опираясь на параметр F1,

Рис. 6. Fig. 6.

Разделение на классы по данным ядерно-магнитного каротажа Classification in accordance with nuclear magnetic logging data

oo

Рис. 7. Статистический анализ (матрикс-плот) классов по методам ГИС Fig. 7. Statistical analysis (matrix-plot) of classes based on well logging methods

150

— 100

CL <

CT

с

Ct

Ol

О

et

0

0,5 0,4 0,3 0,2 0,1 0

ГК, гАПИ

50

100

50

150

Jf

---

200 150 100 50 0 0,5 0,4 0,3 0,2 0,1 0

0

50

100

150

Усл. обозначения см. на рис. 3 For Legend see Fig. 3

ГТКп, г/см3

Г * l*"™

2,5 2

2,5

100

50

2,5

2 0 0 0,1 0,2 0,3 0,4 0,5

150 100 50 0

ННКт, доли ед.

0 0,1 0,2 0,3 0,4 0,5

Рис. 8. Количественная оценка достоверности применяемых алгоритмов машинного обучения Fig. 8. Quantitative evaluation of the reliability of machine learning algorithms used

Досто- sepHocTb, % Пpедcказание

1-й клаcc 2-й клам 3-й клам

1-й клаа 24,8 1,4 0,2

2-й клам 3 29,7 3,2

3-й клам 0,1 1,5 36,1

Ficp. ,р = 0,9

Досто- sepHocTb, % Пpедcказание

1-й клаа 2-й клаа 3-й клам

1-й клаcc 26,6 1,5 -

2-й клам 0,2 29,7 0,3

3-й клаcc 0,2 2,9 38,7

Ficp. ,p = 0,94

V

Досто- Пpедcказание

а % 1-й клам 2-й клаа 3-й клаа

S т 1-й клаcc 24,4 0,9 0

2-й клаа 0,2 33,8 0,3

3-й клаcc 0,2 2,7 37,4

A — карты Кохонена, B — дерево решений, С — многослойный персептрон A — Self-Organising Maps, B — Decision Tree, С — Multilayered Perceptron

2

Ficp. ,p = 0,96

Ficp. =3= = 0,96

Ficp. =3= = 0,86

Ficp. =3= = 0,91

Рис. 9. Пример прогноза классов по скважинам X0PL (A) и X9PL (B) Fig. 9. Example of classes prediction in X0PL (A) and X9PL (B) wells

в качестве наилучшего алгоритма был выбран метод дерево решений.

В дальнейшем, в соответствии с алгоритмом дерево решений, выполнен прогноз классов по 240 секциям скважин (пилотные стволы, горизонтальная и многозабойная горизонтальная скважины) (рис. 9), результаты которых использовались для построения геологической и фильтрационной моделей продуктивного пласта.

Заключение

Впервые для классификации нижнехетских отложений прибрежно-морского генезиса применены

инструменты машинного обучения и показана эффективность комплексного использования высокотехнологичных методов ГИС и керна. Специальные методы ГИС позволяют повысить достоверность выделения интервалов разреза с различными филь-трационно-емкостными свойствами, коллекторы хорошо классифицируются по прямым замерам подвижности гидродинамического каротажа, ядерно-магнитного каротажа, по составу нейтронного спектрометрического гамма-каротажа. Рекомендуется использование описанного подхода для при-брежно-морских отложений с пластами аналогичного генезиса.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Литература

1. Бобров С.Е., Евдощук А.А., Розбаева Г.Л. Повышение точности прогноза проницаемости на основе выделения классов-коллекторов и их изучения в объеме пласта НХ-I Сузунского месторождения // Нефтяное хозяйство. - 2013. - № 2. - С. 46-50.

2. Cannon D.E., Minh С.С., Kleinberg R.L Quantitative NMR Interpretation // SPE Annual Technical Conference and Exhibition (27-30 September, New Orleans, Louisiana). - SPE, 1998. - С. 227-236. DOI: 10.2523/49010-MS.

3. Кантемиров Ю.Д., Хабаров А.В., Ошняков И.О., Калабин А.А., Кошелев М.Б., Дмитриевский М.В. Применение методов машинного обучения для поиска пропущенных продуктивных интервалов и прогноза «скрытых» петрофизических свойств // ООО «ТННЦ»: мат-лы конференции «Исследование скважин: Целеполагание. Технологии. Эффект». Уфа, 29 мая 2020 г.

References

1. BobrovS.E., EvdoshchukA.A., Rozbaeva G.L. Improvement of the geological model forecast accuracy based on identification of reservoir classes and study of the same in Nh-I reservoir of Suzunkoye field. Neftyanoe khozyaistvo. 2013;(2):46-50. In Russ.

2. Cannon D.E., Minh CC, KleinbergR.L Quantitative NMR Interpretation. In: SPE Annual Technical Conference and Exhibition (27-30 September, New Orleans, Louisiana). SPE, 1998. pp. 227-236. DOI: 10.2523/49010-MS.

3. Kantemirov Yu.D., Khabarov A.V., Oshnyakov I.O., Kalabin A.A., Koshelev M.B., Dmitrievskii M.V. Primenenie metodov mashinnogo obucheniya dlya poiska propushchennykh produktivnykh intervalov i prognoza "skrytykh" petrofizicheskikh svoistv [Machine learning methods in the search for overlooked productive intervals and prediction of "hidden" petrophysical properties]. In: OOO "TNNTs" mat-ly konf. "Issledovanie skvazhin: Tselepolaganie. Tekhnologii. Effekt." Ufa. 29.05.2020. In Russ.

Информация об авторах

Махмутов Ильшат Римович

Менеджер по петрофизике ООО «Тюменский нефтяной научный центр», 625048 Тюмень, ул. Максима Горького, д. 42 e-mail: irmakhmutov@tnnc.rosneft.ru ORCID ID: 0000-0002-0338-843X

Евдощук Александр Александрович

Эксперт

ООО «Тюменский нефтяной научный центр», 625048 Тюмень, ул. Максима Горького, д. 42 e-mail: evdoschukaa@sibintek.ru ORCID ID: 0000-0001-6393-7886

Грандов Дмитрий Вячеславович

Главный менеджер

ООО «Тюменский нефтяной научный центр», 625048 Тюмень, ул. Максима Горького, д. 42 e-mail: grandovdv@sibintek.ru ORCID ID: 0000-0002-2104-6396

Плиткина Юлия Александровна

Начальник управления

ООО «Тюменский нефтяной научный центр»,

625048 Тюмень, ул. Максима Горького, д. 42

e-mail: yaplitkina@tnnc.rosneft.ru

ORCID ID: 0000-0003-3201-6210

Амосова Ирина Николаевна

Ведущий специалист

ООО «Тюменский нефтяной научный центр», 625048 Тюмень, ул. Максима Горького, д. 42 e-mail: amosovain@sibintek.ru ORCID ID: 0000-0002-2212-0666

Волков Владимир Алексеевич

Начальник отдела

ООО «Тюменский нефтяной научный центр», 625048 Тюмень, ул. Максима Горького, д. 42 e-mail: volkovva2@sibintek.ru ORCID ID: 0000-0002-9423-7572

Information about authors

Il'shat R. Makhmutov

Petrophysics Manager

Tyumen Petroleum Research Center, LLC,