Аннотация

Предлагается технология и методика количественного прогноза параметров продуктивности горных пород для изучаемых геологических слоев на основе стабильного нелинейного оператора, использующего комбинацию глубокой нейронной сети, генетических алгоритмов, градиентных методов обучения и регуляризацию по Тихонову. Предложенные технические средства и методологические приемы сравниваются с прогнозными построениями на основе классического атрибутного анализа с применением регрессионного анализа.

Ключевые слова

Сейсмические атрибуты, нейронные сети, количественный прогноз, регуляризация по Тихонову,

Информация об авторах

Библиографическая ссылка

Приезжев И.И. Егоров С.В. Щелкунов А.Е. КОЛИЧЕСТВЕННЫЙ ПРОГНОЗ КАРТ ЭФФЕКТИВНЫХ ПАРАМЕТРОВ НЕФТЕГАЗОВОЙ ПРОДУКТИВНОСТИ ПЛАСТОВ ПО СЕЙСМИЧЕСКИМ ДАННЫМ С ПОМОЩЬЮ ГЛУБОКИХ НЕЙРОННЫХ СЕТЕЙ // Геофизика. 2017. № 6. С. 2-9.

Список литературы

  •  1) Ампилов Ю.П. От сейсмической интерпретации к моделированию и оценке месторождений нефти и газа. Москва, 2008.

  •  2) Ампилов Ю.П., Барков А.Ю., Яковлев И.В., Филиппова К.Е., Приезжев И.И. Почти все о сейсмической инверсии // Технологии сейсморазведки. 2010. № 2.

  •  3) Закревский К.Е. Геологическое моделирование горизонта Ю1 Томской области. Томск, 2016.

  •  4) Левянт В.Б., Хромова И.Ю., Козлов Е.А., Керусов И.Н., Кащеев Д.Е., Колесов В.В., Мармалевский Н.Я. Методические рекомендации по использованию данных сейсморазведки для подсчета запасов углеводородов в условиях карбонатных пород с пористостью трещинно-кавернового типа. Москва, 2010.

  •  5) Bishop C.M. 1991, Improving the generalization properties of radial basis function neural networks: Neural Computation 3, 579-588.

  •  6) Bishop C.M. 1995, Training with noise is equivalent to Tikhonov regularization: Neural Computation 7, no.1, 108-116.

  •  7) Bishop C.M. and M.J. Bushnell. 1993, Genetic optimization of neural network architectures for color recipe prediction: Proceedings of the International Joint Conference on Neural Networks and Genetic Algorithms, Innsbruck, 719-725.

  •  8) Girosi F., M. Jones and T. Poggio. 1995, Regularization theory and neural networks architectures.

  •  9) Kobrunov A.I. and I.I. Priezzhev. Hybrid combination genetic algorithm and controlled gradient method to train a neural network. Geophysics, 2016, 81, № 4, IM35-IM43.

  •  10) Mishra S. and T. Debroy. 2006, A genetic algorithm and gradient-descent based neural network with the predictive power of a heat and fluid flow model for welding // Welding Journal, 231-242.

  •  11) Priezzhev I., A. Scollard and Z. Lu. 2014, Regional production prediction technology based on gravity and magnetic data from the Eagle Ford formation, Texas, USA, Denver SEG.

  •  12) Tikhonov A.N. and Arsenin V.Y. 1977. Solutions of ill- posed problems, V H Winston and Sons, Washington D.C.

  •  13) Veeken P.C.H., I.I. Priezzhev, L.E. Shmaryan, Y.I. Shteyn, Barkov and Y.P. Ampilov. 2009, Non-linear multi-trace genetic inversion applied on seismic data across the Shtokman field (offshore northern Russia) // Geophysics, 74, № 6, 49-59.

QUANTITATIVE FORECAST OF MAPS OF EFFECTIVE PARAMETERS OF OIL AND GAS PRODUCTIVITY USING SEISMIC DATA WITH THE HELP OF DEEP NEURAL NETWORKS

Priezzhev I.I. Egorov S.V. Tschelkunov A.E.

Abstract

A new productivity parameters prediction has been developed based on nonlinear operator using combination of deep learning neural network, genetic algorithm, gradient learning method and Tikhonov regularization. Proposed technology and methodology compares to classic attribute analysis based on linear regression approach.

Keywords

Seismic attributes, neural network, productivity parameters prediction, Tikhonov regularization,

Reference

  •  1) Ampilov Yu.P. Ot seysmicheskoy interpretacii k modelirovaniyu i ocenke mestorozhdeniy nefti i gaza. Moskva, 2008.

  •  2) Ampilov Yu.P., Barkov A.Yu., Yakovlev I.V., Filippova K.E., Priezzhev I.I. Pochti vse o seysmicheskoy inversii // Tehnologii seysmorazvedki. 2010. № 2.

  •  3) Zakrevskiy K.E. Geologicheskoe modelirovanie gorizonta Yu1 Tomskoy oblasti. Tomsk, 2016.

  •  4) Levyant V.B., Hromova I.Yu., Kozlov E.A., Kerusov I.N., Kascheev D.E., Kolesov V.V., Marmalevskiy N.Ya. Metodicheskie rekomendacii po ispolzovaniyu dannyh seysmorazvedki dlya podscheta zapasov uglevodorodov v usloviyah karbonatnyh porod s poristostyu treschinno-kavernovogo tipa. Moskva, 2010.

  •  5) Bishop C.M. 1991, Improving the generalization properties of radial basis function neural networks: Neural Computation 3, 579-588.

  •  6) Bishop C.M. 1995, Training with noise is equivalent to Tikhonov regularization: Neural Computation 7, no.1, 108-116.

  •  7) Bishop C.M. and M.J. Bushnell. 1993, Genetic optimization of neural network architectures for color recipe prediction: Proceedings of the International Joint Conference on Neural Networks and Genetic Algorithms, Innsbruck, 719-725.

  •  8) Girosi F., M. Jones and T. Poggio. 1995, Regularization theory and neural networks architectures.

  •  9) Kobrunov A.I. and I.I. Priezzhev. Hybrid combination genetic algorithm and controlled gradient method to train a neural network. Geophysics, 2016, 81, № 4, IM35-IM43.

  •  10) Mishra S. and T. Debroy. 2006, A genetic algorithm and gradient-descent based neural network with the predictive power of a heat and fluid flow model for welding // Welding Journal, 231-242.

  •  11) Priezzhev I., A. Scollard and Z. Lu. 2014, Regional production prediction technology based on gravity and magnetic data from the Eagle Ford formation, Texas, USA, Denver SEG.

  •  12) Tikhonov A.N. and Arsenin V.Y. 1977. Solutions of ill- posed problems, V H Winston and Sons, Washington D.C.

  •  13) Veeken P.C.H., I.I. Priezzhev, L.E. Shmaryan, Y.I. Shteyn, Barkov and Y.P. Ampilov. 2009, Non-linear multi-trace genetic inversion applied on seismic data across the Shtokman field (offshore northern Russia) // Geophysics, 74, № 6, 49-59.