CC BY
31
ISSN 2224-9923. Вестник ПНИПУ. Геология. Нефтегазовое и горное дело. 2015. № 16
DOI: 10.15593/2224-9923/2015.16.2
УДК 553.982.2 © Галкин В.И., Соловьев С.И., 2015
РАЙОНИРОВАНИЕ ТЕРРИТОРИИ ПЕРМСКОГО КРАЯ ПО СТЕПЕНИ ПЕРСПЕКТИВНОСТИ ПРИОБРЕТЕНИЯ НЕФТЯНЫХ УЧАСТКОВ НЕДР
В.И. Галкин
Пермский национальный исследовательский политехнический университет, Пермь, Россия
С.И. Соловьев
Филиал ООО «ЛУКОЙЛ-Инжиниринг» «ПермНИПИнефть» в г. Перми,
Пермь, Россия
В современных условиях поддержание высоких показателей эффективности геолого-разведочных работ (далее - ГРР) на нефть для недропользователей возможно только при условии вовлечения в геолого-разведочный процесс территорий нераспределенного фонда недр путем приобретения лицензий на новые нефтяные участки. Ресурсная база существующих у предприятия лицензионных участков по мере опоискования перспективных структур и ввода в разработку месторождений истощается, в результате чего возникает необходимость выхода на новые территории с постановкой ГРР на этих участках. Эффективность освоения нефтяных участков значительно варьируется в зависимости от ресурсной базы участков, их геолого-геофизической изученности, удаленности от объектов инфраструктуры, геологических характеристик, а также от готовности недропользователей проводить геологоразведку и реализовывать имеющийся у нефтяных участков поисково-разведочный потенциал. Организация предоставления нефтяных участков недр в пользование государственными органами предполагает периодическую публикацию обширных перечней участков недр, предлагаемых недропользователям на определенный период. Для анализирующих такие перечни недропользователей весьма актуальной становится задача «отсеивания» наименее перспективных участков недр и выбора наиболее перспективных участков для полноценной оценки и дальнейшего приобретения. С целью сокращения усилий и охвата оценкой максимального количества участков методика проведения такого «отсеивания» должна быть простой, понятной и базироваться на минимальном количестве численных критериев. В настоящей статье рассматривается возможность оценки перспектив приобретения нефтяных участков на территории Пермского края с использованием вероятностно-статистических методов по результатам ГРР на участках недр в предыдущие годы.
Ключевые слова: нефтегазоносность, нераспределенный фонд недр, ресурсная база, извлекаемые запасы и ресурсы нефти, перспективные участки недр, прогноз, уравнения регрессии, корреляционные связи, информативность показателей, статистический анализ.
CLASSIFICATION OF PERM KRAI AREAS ACCORDING TO PROSPECTIVITY FOR OIL FIELDS ACQUISITION
V.I. Galkin
Perm National Research Polytechnic University, Perm, Russian Federation
S.I. Solov'ev
Branch of LLC "LUKOIL-Engineering" "PermNIPIneft" in Perm, Perm, Russian Federation
In modern conditions keeping high performance in oil exploration work implies development of the areas forming an unallocated subsoil reserve fund by acquiring licenses for the new oil fields. Resource potential of the current licence blocks depletes as good structures are surveyed and deposits are put into operation, hence exploration is required in the new areas. Oilfield exploration efficiency largely depends on resource potential of the plots, the state of their geologic and geophysic exploration, distance from infrastructure facilities, geologic parameters and readiness of developers to carry out survey and uncover the plots' potential. The licensing mechanism involves regular publication by governing bodies of large lists of the plots for them to be developed within a certain time period. It is crucial for developers to filter these lists to ignore least prospective plots and select the most prospective to perform a comprehensive assessment prior to acquisition. To minimize the time expenses and assess the largest amount of plots possible a filtering procedure has to be simple, transparent and based on the minimum number of quantitative criteria. The present paper describes a technique to assess prospectivity of oil plots in Perm krai by using probability-statistical methods and processing exploration data for the previous years.
Keywords: oil-and-gas content, unallocated subsoil reserve fund, resource potential, extracted oil reserves and resources, prospective plots, forecast, regression equation, correlational relationship, informativeness, statistic analysis.
Введение
В рамках выполненного анализа рассмотрены результаты ГРР на лицензионных участках недр, предусматривающих этап геологического изучения (вид НР и НП), работы на которых проводились крупнейшими недропользователями Пермского края, а также на геологоразведочных площадях, работы на которых проводились с 1978 г. и до принятия Закона РФ «О недрах» [1]. Всего рассмотрено 86 нефтяных участков недр. Для разработки методики прогноза приобретения участков использованы данные, которые публикуют территориальные органы Роснедра при объявлении конкурсов и аукционов на предоставление в пользование нефтяных участков недр. Такими данными являются расстояние до ближайшего месторождения Ямест и расстояние до нефтепровода ^нефт, изученность поисково-разведочным бурением /бур и сейсморазведкой /сейсм, извлекаемые запасы и ресурсы нефти по категориям (С1 С2 С3 Д1 С1С2нач, С3Д1нач), площадь участка 5. При разработке прогнозных моделей привлечены показатели, характеризующие расположения участков относительно Камско-Кинельской системы прогибов (ККСП). К таким показателям относятся: расстояние до оси ККСП ЯККСП, толщины верхнедевонских карбонатных отложений Я03карб и нижнекаменноугольных терригенных отложений НС1терр. Также при анализе использовались проведенные на участке объемы ГРР: объем поисково-разведочного бурения Убур, объем сейсморазведки 2Б Усейсм2Б, объем сейсморазведки 3Б Усейсм3о. Данные характеристики становятся достоверно известными по окончании работ на участке, однако на этапе приобретения участков характеристики объемов геолого-разведочных работ обычно достаточно четко прогнозируются планами недропользователя и условиями пользования недрами. Методические вопросы
построения статистических моделей прогноза различных явлений при поисках, разведке и разработке месторождений нефти и газа достаточно детально описаны в работах [2-10]. Различные математические аппараты и возможности их использования для решения различных прогнозных задач приведены в работах [2-15].
Построение индивидуальных моделей прогноза по характеристикам участков
По результатам ГРР на территории 46,5 % участков были открыты залежи нефти, введенные в дальнейшем в промышленную разработку, на территории 53,5 % участков залежей нефти открыто не было либо открытые залежи не отвечали критериям экономической эффективности и в разработку не вводились. По признаку наличия на участке недр залежей нефти, открытых и разведанных по результатам ГРР и введенных в промышленную разработку, участки поделены на две группы: эффективные и неэффективные.
По вышеприведенным характеристикам вычислены средние значения и построены плотности распределений для эффективных и неэффективных участков. Сравнение средних значений выполнено с помощью статистики (0.
Критерий считается информативным, если 1р > ц. Значения 1г определяются в зависимости от количества эталонных объектов и уровня значимости (а = 0,05). Сравнение средних значений изучаемых показателей приведено в табл. 1.
Сравнение средних значений показало, что эффективные и неэффективные участки различаются по следующим показателям: Ямест, 1бур, С1нач, С2нач, С1С2нач,
HD3карб, Убур, Усейсм2В.
Для более глубокого статистического анализа по распределению изучаемых показателей и вычисления критерия х2 построим их распределения в изучаемых участках. Пример построения распределения
Таблица 1
Индивидуальные статистические модели прогноза эффективных групп
Показатели Статистические характеристики показателей* Критерии Критерии Верхняя строка - уравнение вероятности принадлежности к эффективной группе; средняя - область применения модели; нижняя - диапазон изменения вероятности
Эффективная группа Неэффективная группа 11 2 Р1-2 %1-2 Р1-2
^мет км 16,4±22,4 0,528±0,071 33,9±41,8 0,472±0,0331 2,36867 0,020147 7,026786 0,026786 Р (Ямест) = 0,581 - 0,0032Ямест 0,0-180,0 км 0,005-0,581
Янефт, км 28,0±45,5 0,516±0,068 50,4±67,2 0,482±0,101 1,78238 0,078300 5,105448 0,077869 Р(Янефт) = 0,558 - 0,0015Янефт 0,0-260,0 км 0,168-0,558
/бур, ед. 5,3±1,2 0,555±0,111 4,1±2,9 0,444±0,185 3,301577 0,001577 10,28389 0,005846 Р(/бур) = 0,088 + 0,08823/бур 1-6 ед 0,176-0,617
lсейсм, ед. 3,2±1,2 0,504±0,047 3,0±1,3 0,494±0,049 0,917273 0,361626 1,233058 0,538151 Р(/сейсм) = 0,379 + 0,03863/сейсм 1-4 ед. 0,417-0,533
С1нач, тыс. т 6137,3±12410 0,517±0,101 1284,1±2557,6 0,477±0,022 2,582134 0,011553 6,688103 0,035294 Р(С1нач) = 0,467 + 0,0000081Рс1на, 0,0-65471,0 тыс. т 0,467-0,999
С2шч, тыс. т 2317,4±4941,7 0,517±0,093 178,3±469,1 0,476±0,009 2,923435 0,004448 8,157145 0,016932 Р(С2нач) = 0,473 + 0,0000189С2нач 0,0-27808,0 тыс. т 0,473-0,999
С3шч, тыс. т 2519,5±3386,4 0,511±0,091 1651,1±1925,1 0,488±0,052 1,485643 0,141117 2,460011 0,222919 Р(С3нач) = 0,473 + 0,0000189С3нач 0,0-18672,0 тыс. т 0,443-0,951
Д1нач, тыс. т 3453,0±4633,5 0,503±0,051 2589,1±3983,7 0,493±0,044 0,926178 0,357007 1,229083 0,540889 Р(Д1нач) = 0,465 + 0,000011Д1нач 0,0-25311,0 тыс. т 0,465-0,740
С1 С2нач, тыс. т 8454,7±13450 0,535±0,110 1462,4±3009,7 0,479±0,024 3,431305 0,000934 11,07769 0,003931 Р(С1С2нач) = 0,467 + 0,0000081С1С2нач 0,0-66246,0 тыс. т 0,467-0,999
С3Д1нач, тыс. т 5972,5±6702,5 0,511±0,087 4240,3±3009,7 0,488±0,053 1,466750 0,146178 2,401948 0,300901 Р(С3Д1нач) = 0,433 + 0,000013С1С2нач 0,0-33122,0 тыс. т 0,433-0,861
ЙККСП, км 36,7±25,6 0,516±0,076 49,2±35,7 0,479±0,107 1,83095 0,070654 4,676849 0,096479 Р(Якксп) = 0,627 - 0,003Якксп 0,0-150,0 км 0,177-0,627
Нвзкарб, м 418,3±109,9 0,562±0,145 320,3±138,2 0,438±0,179 3,599794 0,000889 12,25534 0,002215 Р№3карб) = 0,009 + 0,00132HD3карб 75,0-555,3 м 0,108-0,742
Нс1терр, м 57,5±24,4 0,503±0,026 62,4±39,5 0,498±0,043 0,678019 0,499625 1,127162 0,531289 Р(Нс1терр) = 0,567 - 0,0011Нс1терр 14,0-251,5 м 0,290-0,551
5, км2 476,7±343,6 0,515±0,024 854,9±1391,3 0,489±0,097 1,67458 0,097735 3,229272 0,200963 Р(5) = 0,549 - 0,000075 10,0-5810,0 км2 0,142-0,548
Убур, м 46422,1±36403 0,562±0,142 12685,7±14144,1 0,431±0,061 5,805235 0,000000 30,41162 0,000000 Р(Убур) = 0,381 + 0,0000039Убур 0,0-155430,0 м 0,381-0,999
Vсейсм2D, пог. км 1434,8±1809,3 0,530±0,152 565,2±989,2 0,456±0,083 2,813452 0,006102 8,858786 0,011922 Р(Усейс^) = 0,409 + 0,000084У*^ 0,0-6953,7 пог. км 0,409-0,993
Кейс!^ км2 33,1±93,1 0,513±0,105 8,8±32,1 0,485±0,036 1,665868 0,099465 3,065107 0,215983 Р(УсМ) = 0,476 + 0,00113 0,0-459,0 км2 0,476-0,994
* В числителе - среднее значение показателя и стандартное отклонение, в знаменателе - среднее значение вероятности и стандартное отклонение.
приведем по характеристике Ямест. Оптимальные величины интервалов значений показателей вычисляются по формуле Стерджесса:
^ = Ятах - ^п
1 + 3,32 • ^N'
где Ятах - максимальное значение показателя; Ят;п - минимальное значение показателя; N - количество значений.
В каждом интервале определяются частости:
N
Р (х )= ^,
^ 1 N
где Р(Х) - частость в к-м интервале для группы ^ (д = 1) соответствует классу эффективной группы, д = 2 соответствует классу неэффективной группы; Nk - число случаев содержания показателя Р(Х) в к-м интервале; Nq - объем выборки для 1-го и 2-го классов.
Распределение частостей в исследуемых классах по Ямест приведено в табл. 2.
Отсюда видно, что распределение эффективных и неэффективных участков по показателю Ямест различно. Аналогичные распределения построены по остальным показателям. Для количественной оценки распределений были вычислены значения критерия х2 Распределения считаются статистически различными,
если хр > Х?2. Значения X определяются в зависимости от количества эталонных объектов и уровня значимости (а = 0,05).
Значения критерия хр приведены в табл. 1. Из данной таблицы видно, что
статистические различия в распределе-
ниях имеются по Я,
мест 1бур'
lбур, С1н
С2
н
С1С2нач, HD3карб, Убур, Усейсм2D.
Для приведения используемых показателей в единую систему был использован вероятностный подход. На первом этапе в каждом интервале варьирования определено количество данных, попавших в данный интервал, и вычислены частости попадания в данный интервал для эффективных Nn и неэффективных N участков ячеек. По этим данным были определены отношения Nn/(Nn + N). Затем средние значения интервалов варьирования сопоставлялись с Nn/(Nn + N). По этим данным высчитывались парные коэффициенты корреляции г и строилось уравнение регрессии. При построении моделей выполняется их корректировка из условия, что средние значения для класса нефтяных ячеек должны быть больше 0,5, а для пустых ячеек - меньше 0,5. Уравнения регрессии по всем изучаемым показателям приведены в табл. 1. Примеры графического изображения построенных уравнений регрессии приведены на рис. 1.
Из рис. 1 видно, что при удаленности от ближайшего месторождения и нефтепровода (Янефт) вероятность отнесения к группе эффективных участков закономерно уменьшается. При этом необходимо отметить, что диапазон изменения вероятности Р(Ямест) выше, чем по Р(Янефт). Из чисто геологических показателей приведем изменения по толщинам верхнедевонских карбонатных и нижнекаменноугольных терригенных отложений (рис. 2).
Таблица 2
Распределение значений Ям
Показатели Интервалы варьирования Ямест, км
0-20 20-40 40-60 60-80 80-100 100-120 120-140 140-160 160-180
Эффективные участки Nn 0,725 0,175 0,050 0,025 0,025 0,000 0,000 0,000 0,000
Неффективные участки N 0,521 0,195 0,108 0,021 0,065 0,043 0,021 0,000 0,021
К/(Мп + Ю 0,581 0,472 0,315 0,534 0,277 0,000 0,000 - 0,000
Рис. 1. Зависимости вероятности принадлежности к классу эффективных участков от показателей Ямест и Янефт
Рис. 2. Зависимости вероятности принадлежности к классу эффективных участков от показателей ^экирб, и Н^терр
Из рис. 2 видно, что при повышении толщины НЮкарб вероятность Р(НЮкарб) повышается, при повышении толщины НС1терр вероятность Р(НС1терр) снижается. При этом в первом случае изменения вероятности значительно выше, чем во втором.
Построение комплексных моделей прогноза
Для учета суммарного различия исследуемых показателей на классы по площади используем пошаговый линейный дискриминантный анализ (ПЛДА). Возможности построения линейной дис-криминантной функции (ЛДФ) для прогноза различных явлений приведены в работах [1-9, 11-15].
Здесь необходимо отметить, что в качестве показателей используются не значения показателей, а вероятности, вычисленные по уравнениям регрессии, приведенным в табл. 1. В результате реализации данного метода при использовании в качестве классификатора эффек-
тивных участков получена следующая линейная дискриминантная функция:
г = -7,48129Р(Убур) - 2,08191Р(HD3кaрб) -
- 6,68374Р(Якксп) - 2,68205Р(/бур) -
- 5,57885Р(5) - 6,59498Р(НС1терр) -
- 2,67216Р(С3нач) + 16,78726, при Я = = 0,718, х2 = 58,4, р = 0,000000. Среднее значение г для эффективных участков нефтяных -1,094, для неэффективных участков пустых +0,951. С использованием данной формулы были вычислены значения вероятности принадлежности к классу эффективных участков Р(г). Соотношение между г и Р(г) приведено на рис. 3.
Отсюда видно, что при изменении г от -4,034 до 3,489 величина Р(г) закономерно снижается от 0,999655 до 0,00059. Среднее значение Р(г) для эффективных участков равно 0,772 ± 0,213; для неэффективных участков - 0,205 ± 0,237. Распределение значений Р(г) для эффективных и неэффективных участков приведено в табл. 3.
Рис. 3. Зависимость Р(г) от г
Таблица 3
Распределение значений Р(г)
Участки Интервалы варьирования Р(Т)
0-0,1 0,1-0,2 0,2-0,3 0,3-0,4 0,4-0,5 0,5-0,6 0,6-0,7 0,7-0,8 0,8-0,9 0,9-1,0
Эффективные Nn 0,000 0,000 0,000 0,000 0,000 0,175 0,075 0,175 0,225 0,350
Неффективные Np 0,500 0,152 0,108 0,021 0,086 0,130 0,000 0,000 0,000 0,000
ККК + 0,000 0,000 0,000 0,000 0,000 0,573 1,000 1,000 1,000 1,000
Следовательно, распределение для эффективных и неэффективных участков в зависимости от велинины Р(^), вычисленной с помощью использования ЛДФ, принципиально отличается, что видно по отношению МпИ^п + Нр). Наличие полученных распределений показывает, что разработанную многомерную модель можно использовать для оценки исследуемых участков.
Для контроля вероятностей, полученных с помощью ЛДА, по индивидуальным вероятностям вычислим комплексную вероятность по следующей формуле:
П р ■
р _ 1 уквг
комп -«—г _ -«—г л _
ПРукв/ +П( - Р
где Руквг - соответственно вероятности:
P(Ямест), P(Ямест), -РС^бурХ P(Iсейсм), Р(С1начХ
Р(С2нач), Р(С3нач), Р(Д1нач), Р(С1С2нач), Р(С3Д1нач), Р(ЯкКСп), -(Явзкарб),
Р(НС1террХ Р(НС1террХ Р(^бурХ P(Vсейсм2D), Р( Vсейсм2D).
При вычислении Ркомп используется такое сочетание вероятностей, при котором средние значения вероятностей Ркомп
наиболее сильно отличаются в изучаемых классах при равном значении т.
Средние значения этих вероятностей при т приведены в табл. 4.
Из табл. 4 видно, что при т = 2 использовались вероятности Р(/бур) и Р(Убур), при т = 3 к ним присоединилась вероятность Р(ЯЮкарб), далее последовательно Р(С1С2н ач ), Р(С1 нач ), Р(С2 нач X P(Vсейсм2D), Р(ЯместХ Р(ЯККСпХ P(S), Р(ЯнефтХ (Vсейсм3D), Р(С3нач), Р(С3Д1нач), Р(Д1нач), Р(1сейсм) и на завершающем шаге Р(НС1терр). Зависимости Ркомп от т приведены на рис. 4.
Отсюда видно, что для эффективных участков при увеличении т средние значения Ркомп закономерно увеличиваются по следующей зависимости: Ркомп = = 0,5371пт + 0,600, при Я2 = 0,849. Для неэффективных участков уменьшение изменения средних значений происходит по следующей зависимости: Ркомп = = -0,051пт + 0,402. По критериям г и х2 вероятности Ркомп при любых сочетаниях т являются информативным. В табл. 5 приведены результаты расчетов, выполненные по вышепостроенным вероятностно-статистическим моделям.
- !- -1-1- -1-1- -!-!--!-
11111111
■ ■■■■■■■ _|__1_1__1 _ 1__1_ 1__1_, 11111111
- 11111111 - 1- -1-1- -1-1- -1-1- -1-
ТТГТГТТ "Г 11111111 «
.LJ.LJ.LJ-i _1_ - _ 1_1 _ L J _ 1__1 _ 1__1 _
................. .................
0 2 4 6 8 10 12 14 16 18 0 2 4 6 8 10 12 14 16 15
Эффективные участки Неэффективные участки
т
Рис. 4. Зависимости Ркт,7п2.17 от т
К обоснованию прогноза нефтегазоносности ячеек
Таблица 4
Вероятности Сочетание вероятностей при т
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
-^(^мест) + + + + + + + + + +
Р (^мест) + + + + + + +
+ + + + + + + + + + + + + + + +
Р^сейсм) + +
Р( С1„„) + + + + + + + + + + + + +
Р( С2Н„) + + + + + + + + + + + +
Р( сз„„) + + + + +
Р(Д1нач) + + +
Р{ С1С2Н„) + + + + + + + + + + + + + +
Р(СЗД1„„) + + + +
+ + + + + + + + +
^(^БЗкарб) + + + + + + + + + + + + + + +
Р(Цс 1терр) +
РЩа-кю) + + + + + + +
+ + + + + + + +
Р(Убт) + + + + + + + + + + + + + + + +
Р(Усейсм2Б) + + + + + + + + + +
^(^сейсмЗБ)
Средние значения
Нефтяные ячейки 0,608 0,654 0,669 0,662 0,664 0,663 0,673 0,686 0,699 0,702 0,699 0,706 0,701 0,694 0,697 0,698
Пустые ячейки 0,387 0,347 0,330 0,317 0,303 0,285 0,292 0,278 0,270 0,282 0,277 0,268 0,265 0,266 0,272 0,270
4-2 />1-2 5.9220 6.5261 6.8671 6.8771 7.0923 7.0991 6.7204 7.2854 7.7309 7.20460.0 7.1807 7.5617 67.4729 7.2406 7.0664 7.1311
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
X1-2 />1-2 104.2307 105.1211 107.8421 107.8421 112.4112 121.9228 125.3450 127.3499 128.1425 104.2307 105.1211 107.8421 106.9409 112.4112 121.9228 125.3450
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Процент классификации 85,24 86,88 85,24 85,24 83,60 83,60 83,60 85,24 85,24 85,24 86,88 85,24 83,60 83,60 83,60 83,60
о я
о
(Я
рэ я я
го
н го ■а
■а §
о ■в я я
го
■а
3.
о §
о $
я о о н го
я
го
я я
Я го ■в о Я го
Я (Я
я о о н я
Таблица 5
Значения Р(7) и рт™7 по исследуемым участкам
Название участка Р(Ю) рт = 17 комп Название участка Р(Ю) рт = 17 комп
Пихтовый 0,877 0,712 Юго-Камский 0,239 0,191
Долдинский 0,464 0,037 Козубаевский 0,807 0,588
Курашимский 0,543 0,912 Талицкий 0,559 0,638
Канахинский 0,529 0,558 С.-Терсинский 0,022 0,030
ПСУ 0,001 0,005 Гривинский 0,709 0,769
Ново-Талицкий 0,401 0,440 Усть-Сурмогский 0,080 0,015
Бажинский 0,025 0,133 Тавдинский 0,535 0,524
Сосняковский 0,025 0,057 Знаменский 0,099 0,002
Кудрявцевский 0,996 1,000 Гежский 0,750 0,530
Ареевский 0,502 0,443 Маговский 0,801 0,943
Чернушинский 0,999 0,999 Кольчуг 0,056 0,004
Качинский 0,979 0,992 Уньвинский 0,998 0,999
Орловский 0,018 0,152 Дороховский 0,042 0,262
Саварский 0,058 0,263 Ленский 0,540 0,490
Жуковский 0,988 0,993 Бикбайский 0,827 0,692
Енапаевский 0,998 0,999 Поляковский 0,782 0,597
Калиновский 0,119 0,411 Зоринский 0,796 0,535
Забродовский 0,901 0,962 Кирилловский 0,539 0,429
Гущинский 0,186 0,433 Туркинский 0,972 0,617
Копыловский 0,624 0,801 Булатовский 0,032 0,001
Зуятский 0,510 0,518 Слиц. участок 0,854 0,716
Бородинский 0,561 0,461 Мосинский 0,909 0,932
Ю.-Осинский 0,538 0,431 Гаринский 0,005 0,014
Алтайский 0,134 0,146 Утулгинский 0,501 0,492
Карнашовский 0,459 0,554 Юрчукский 0,880 0,901
Шатовский 0,794 0,628 Соликамский 0,964 0,996
Сибирский 0,847 0,738 В.-Уньвинский 0,903 0,758
Белопашнинский 0,886 0,980 Ю. Калин 0,061 0,145
Беляевский 0,201 0,292 Логовской 0,829 0,636
Назаровский 0,379 0,409 Боташатский 0,478 0,554
З.-Ножовский 0,974 0,982 Ильичевский 0,534 0,501
Северный 0,960 0,991 Чернолесинский 0,044 0,055
Иньвенский 0,636 0,654 С.-Мальцевский 0,002 0,005
Сергеевский 0,002 0,034 Висимский 0,017 0,217
Шершневский 0,715 0,867 Кизимский 0,052 0,069
Ножовский 0,628 0,882 Бедряжский 0,521 0,542
Косьвинский 0,039 0,486 Калетовский 0,111 0,064
Волимский 0,047 0,222 Липовский 0,0116 0,086
Колвинский 0,187 0,476 Чайковский 0,964 0,802
В.-Соликамский 0,029 0,047 Чежский 0,006 0,005
Ново-Губахинский 0,006 0,009 З.-Дороховский 0,267 0,499
Чумукский 0,248 0,001 Юрманский 0,181 0,107
В.-Мутнинский 0,749 0,660 Чурочный 0,216 0,131
Поле корреляции Р(7) с Рктмп с учетом ранжирования участков по эффективности приведено на рис. 5.
Рис. 5. Поле корреляции между Р(Т) и Рктмп : О -неэффективные участки; П - эффективные участки
На рис. 5 видно, что для эффективных участков значения Р^Мп7 и P(Z) больше 0,5, для неэффективных участков меньше 0,5. В диапазоне от 0,4 до 0,6 располагаются как эффективные, так и неэффективные участки.
Заключение
В результате комплекса выполненных научных исследований были получены следующие результаты:
Обосновано, что надежного прогнозирования эффективности участков можно достигнуть только на основе комплексного вероятностно-статистического анализа показателей, описывающих различные характеристики участков. Исследование показателей, описывающие различные характеристики участков, позволило обосновать в качестве критериев
СМп17 и P(Z).
По значениям критериев pLm и P(Z) можно выбрать нужный участок.
Список литературы
1. О Недрах: Закон РФ от 21.02.1992 № 2395-1. Доступ через справ.-прав. систему «КонсультантПлюс».
2. Галкин В.И., Жуков Ю.А., Шишкин М.А. Применение вероятностных моделей для локального прогноза нефтега-зоносности. - Екатеринбург: Изд-во УрО РАН, 1990. - 108 с.
3. K методике оценки перспектив нефтегазоносности Соликамской депрессии по характеристикам локальных структур / В.И. Галкин, И.А. Козлова, А.В. Растегаев, И.В. Ванцева, С.Н. Кривощеков, В.Л. Воеводкин // Нефтепромысловое дело. - 2010. - № 7. - С. 12-17.
4. Определение перспективных направлений поисков месторождений нефти и газа в Пермском крае с помощью вероятностно-статистических методов / В.И. Галкин, А.В. Растегаев, С.В. Галкин, В.Л. Воеводкин // Наука - производству. -2006. - № 1. - С. 1-5.
5. Оценка точности определения прогнозных запасов нефти в пределах Соликамской впадины / А.В. Растегаев,
B.И. Галкин, И.А. Козлова, В.Л. Воеводкин, И.В. Ванцева // Нефтепромысловое дело. - 2010. - № 7. - С. 8-12.
6. Метод прогноза нефтегазоносности локальных поднятий с применением ЭВМ / А.Э. Конторович, Э.Э. Фотиади [и др.] // Применение математических методов и ЭВМ для решения прогнозных задач нефтяной геологии: тез. науч.-техн. конф. - Новосибирск: Изд-во Сиб. отд. АН СССР, 1973. - С. 13-15.
7. Путилов И.С., Галкин В.И. Применение вероятностного статистического анализа для изучения фациальной зональности турне-фаменского карбонатного комплекса Сибирского месторождения // Нефтяное хозяйство. - 2007. - № 9. -
C. 112-114.
8. Соснин Н.Е. Разработка статистических моделей для прогноза нефтегазоносности (на примере терригенных девонских отложений Северо-Татарского свода) // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. - 2012. - № 5. - С. 16-25.
9. Соснин Н.Е. Разработка вероятностно-статистических моделей для прогноза нефтегазоносности (на примере тер-ригенных девонских отложений Северо-Татарского свода) // Геология, геофизика и разработка нефтяных и газовых месторождений. - 2012. - № 11. - С. 41-45.
10. Галкин В.И., Кривощеков С.Н. Обоснование направлений поисков месторождений нефти и газа в Пермском крае // Научные исследования и инновации. - 2009. - Т. 3, № 4. - С. 3-7.
11. Галкин В.И., Растегаев А.В., Галкин С.В. Вероятностно-статистическая оценка нефтегазоносности локальных структур. - Екатеринбург: Изд-во УрО РАН, 2001. - 277 с.
12. Bartels C.P.A., Ketellapper R.H. Exploratory and explanatory statistical analysis data. - Boston: MartinusNijhoff Publishing, 1979. - 284 p.
13. Davis C.J. Estimation of the probability of success in petroleum exploration // Mathematical Geology. - 1977. - Vol. 9, № 4. - Р. 409^27. DOI: 10.1007/BF02047411
14. Kaufman M.G. Statistical Issues in the Assessment of Undiscovered Oil and Gas Resources. - MIT-CEEPR. - 1992. - 30 p.
15. Watson G.S. Statistic on spheres. - New York: John Wiley and Sons, Inc., 1983. - 238 p.
References
1. O Nedrakh. Zakon RF ot 21.02.1992 № 2395-1 [On subsoil resources: Law of the RF No. 23-95-1 of 21.02.1992]. Spra-vochno-pravovaia sistema "Konsul'tantPlius".
2. Galkin V.I., Zhukov Iu.A., Shishkin M.A. Primenenie veroiatnostnykh modelei dlia lokal'nogo prognoza neftegazonos-nosti [Application of probabilistic models for local forecast of oil-and-gas content]. Ekaterinburg: Ural'skoe otdelenie Rossiiskoi akademii nauk, 1990. 108 p.
3. Galkin V.I., Kozlova I.A., Rastegaev A.V., Vantseva I.V., Krivoshchekov S.N., Voevodkin B.L. K metodike otsenki per-spektiv neftegazonosnosti Solikamskoi depressii po kharakteristikam lokal'nykh struktur [On evaluation of oil-and-gas potential of the Solikamskaya depression with local structures parameters]. Neftepromyslovoe delo, 2010, no. 7, pp. 12-17.
4. Galkin V.I., Rastegaev A.V., Galkin S.V., Voevodkin V.L. Opredelenie perspektivnykh napravlenii poiskov mestorozhdenii nefti i gaza v Permskom krae s pomoshch'iu veroiatnostno-statisticheskikh metodov [Analysis of oil-gas exploration trends in Perm krai by probabilistic-statistical methods]. Nauka -proizvodstvu, 2006, no. 1, pp. 1-5.
5. Rastegaev A.V., Galkin V.I., Kozlova I.A., Voevodkin V.L., Vantseva I.V. Otsenka tochnosti opredeleniia prognoznykh zapasov nefti v predelakh Solikamskoi vpadiny [Evaluation of accuracy in calculations of oil reserves within the Solikamskaya depression]. Neftepromyslovoe delo, 2010, no. 7, pp. 8-12.
6. Kontorovich A.E., Fotiadi E.E. [et al.]. Metod prognoza neftegazonosnosti lokal'nykh podniatii s primeneniem EVM [Computer-assisted prediction method for oil-and-gas content in local elevations]. Tezisy nauchno-tekhnicheskoi konferentsii "Primenenie matematicheskikh metodov i EVM dlia resheniia prognoznykh zadach neftianoi geologii". Novosibirsk: Sibirskoe otdelenie Akademii nauk SSSR, 1973, pp. 13-15.
7. Putilov I.S., Galkin V.I. Primenenie veroiatnostnogo statisticheskogo analiza dlia izucheniia fatsial'noi zonal'nosti turne-famenskogo karbonatnogo kompleksa Sibirskogo mestorozhdeniia [Application of probabilistic-statistical analysis to investigate facies zonation of the Tournaisian-Famennian carbonate reservoir of the Sibirskoye deposit]. Neftianoe khoziaistvo, 2007, no. 9, pp. 112-114.
8. Sosnin N.E. Razrabotka statisticheskikh modelei dlia prognoza neftegazonosnosti (na primere terrigennykh devonskikh otlozhenii Severo-Tatarskogo svoda) [Development of statistical models to predict oil-and-gas content (the case of the terrigenous Devonian deposits of North-Tatar anticline)]. Vestnik Permskogo natsional'nogo issledovatel'skogo politekhnicheskogo univer-siteta. Geologiia. Neftegazovoe i gornoe delo, 2012, no. 5, pp. 16-25.
9. Sosnin N.E. Razrabotka veroiatnostno-statisticheskikh modelei dlia prognoza neftegazonosnosti (na primere terrigennykh devonskikh otlozhenii Severo-Tatarskogo svoda) [Development of probabilistic-statistical models to predict oil-and-gas content (the case of the terrigenous Devonian deposits of North-Tatar anticline)]. Geologiia, geofizika i razrabotka neftianykh i gazovykh mestorozhdenii, 2012, no. 11, pp. 41-45.
10. Galkin V.I., Krivoshchekov S.N. Obosnovanie napravlenii poiskov mestorozhdenii nefti i gaza v Permskom krae [Substantiation of oil and gas exploration trends in Perm krai]. Nauchnye issledovaniia i innovatsii, 2009, vol. 3, no. 4, pp. 3-7.
11. Galkin V.I., Rastegaev A.V., Galkin S.V. Veroiatnostno-statisticheskaia otsenka neftegazonosnosti lokal'nykh struktur [Probabilistic-statistical evaluation of oil-and-gas content in local structures]. Ekaterinburg: Ural'skoe otdelenie Rossiiskoi akademii nauk, 2001. 277 p.
12. Bartels C.P.A., Ketellapper R.H. Exploratory and explanatory statistical analysis data. Boston: MartinusNijhoff Publishing, 1979. 284 p.
13. Davis C.J. Estimation of the probability of success in petroleum exploration. Mathematical Geology, 1977, vol. 9, no. 4, pp. 409-427. DOI: 10.1007/BF02047411
14. Kaufman M.G. Statistical Issues in the Assessment of Undiscovered Oil and Gas Resources. MIT-CEEPR, 1992. 30 p.
15. Watson G.S. Statistic on spheres. New York: John Wiley and Sons, Inc., 1983. 238 p.
Об авторах
Галкин Владислав Игнатьевич (Пермь, Россия) - доктор геолого-минералогических наук, профессор кафедры геологии нефти и газа Пермского национального исследовательского политехнического университета (614990, г. Пермь, Комсомольский пр., 29; e-mail: vgalkin@pstu.ru).
Соловьев Станислав Игоревич (Пермь, Россия) - начальник отдела прогнозирования нефтегазоносности и проектирования ГРР Филиала ООО «ЛУКОЙЛ-Инжиниринг» «ПермНИПИнефть» в г. Перми (614077, г. Пермь, ул. Бульвар Гагарина, 54а; e-mail: Stanislav.Solovjev@pnn.lukoil.com).
About the authors
Vladislav I. Galkin (Perm, Russian Federation) - Doctor of Geologic-Mineralogical Sciences, Professor, Department of Oil-and-gas Geology, Perm National Research Polytechnic University (614990, Perm, Komsomolsky av., 29; е-mail: vgalkin@pstu.ru).
Stanislav I. Solov'ev (Perm, Russian Federation) - Head of the Department of Prediction of Oil-and-Gas Presence and Geologic Exploration Planning, Branch of LLC "LUKOIL-Engineering" "PermNIPINeft" in Perm (614077, Perm, Bulvar Gagarina st., 54a; e-mail: Stanislav.Solovjev@pnn.lukoil.com).
Получено 29.06.2015
Просьба ссылаться на эту статью в русскоязычных источниках следующим образом:
Галкин В.И., Соловьев С.И. Районирование территории Пермского края по степени перспективности приобретения нефтяных участков недр // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. - 2015. - № 16. - С. 14-24. DOI: 10.15593/2224-9923/2015.16.2
Please cite this article in English as:
Galkin V.I., Solov'ev S.I. Classification of Perm krai areas according to prospectivity for oil fields acquisition. Bulletin of PNRPU. Geology. Oil & Gas Engineering & Mining, 2015, no. 16, рр. 14-24. DOI: 10.15593/2224-9923/2015.16.2
