Abstract

This article describes the use of machine learning algorithms for the purposes of the forecast reservoir properties from seismic and wells data. Described the theoretical basement of machine learning algorithms and neural network. Reviewed the design concept of neural net. The result of application is demonstrated on the conditions of the Jurassic formation of Western Siberia.

Keywords

Quantitative prediction, machine learning, reservoir properties, neural network, 3D seismic,

Reference

  •  1) Ampilov Yu.P. Ot seysmicheskoy interpretacii k modelirovaniyu i ocenke mestorozhdeniy nefti i gaza. M.: OOO «Centralnoe izdatelstvo geofizicheskoy literatury» - «SPEKT», 2008, 385 s.

  •  2) Kozlov T.N. Nelineynaya seysmika i akustika - shag v buduschee nefte- i gazopromyslovoy geofiziki. Tezisy Mezhdunarodnoy geofizicheskoy konferencii SEG - EAGO, M., 1993. S. 40.

  •  3) Levyant V.B., Hromova I.Yu., Kozlov E.A. i dr. Metodicheskie rekomendacii po ispolzovaniyu dannyh seysmorazvedki dlya podscheta zapasov uglevodorodov v usloviyah karbonatnyh porod s poristostyu treschinno-kavernovogo tipa. CGE, Moskva, 2010, 250 s.

  •  4) Nikolaev A.V. Problemy nelineynoy seysmiki. M. Nauka, 1987.

  •  5) Nikolenko S., Kadurin A., Arhangelskaya E. Glubokoe obuchenie. Piter, 2018, 480 s.

  •  6) Flah P. Mashinnoe obuchenie. Nauka i iskusstvo postroeniya algoritmov, kotorye izvlekayut znaniya iz dannyh. DMK press, 2015, 400 s.

  •  7) Yakovlev I.V., Ampilov Yu.P., Filippova K.E. Pochti vse o seysmicheskoy inversii Chast 2. Tehnologii seysmorazvedki, № 1. 2011. S. 5-15.

  •  8) Arkhipov A.A. and Tyrichev V.S. 2018, Environment-dependent Parametrization of Wave Field. Matched Non-linear Operator Usage in Case of Seismogram Processing, Annual Meeting St Petersburg, EAGE, Extended Abstracts.

  •  9) Boyd S. Vandenberghe L. Convex Optimization, Cambridge University Press, 2009, 730 p.

  •  10) Hampson D.P., Russell B.H. and Bankhead B. 2005, Simultaneous inversion of pre-stack seismic data: Ann. Mtg. Abstracts, SEG. R. 1633-1637.

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

  •  12) Priezzhev I., L. Shmaryan and G. Bejarano. 2008, Non-linear multi trace seismic inversion using neural network and genetic algorithm - «Genetic Inversion»: Annual Meeting St Petersburg, EAGE, Extended Abstracts.

  •  13) Russell B.H., Hampson D.P. 1991, A comparison of post-stack seismic inversion methods: 61st annual International Meeting, SEG, Expanded Abstracts, p. 876-878.

Применение алгоритмов машинного обучения для решения задач количественного прогноза ФЕС по сейсмическим и скважинным данным

Приезжев И.И. Егоров С.В. Гладков Е.А.

Аннотация

В данной статье рассказывается про использование алгоритмов машинного обучения для целей прогноза фильтрационноемкостных свойств пород по сейсмическим и скважинным данным. Изложены теоретические основы алгоритмов на основе машинного обучения в общем и нейронных сетей в частности. Рассмотрен принцип построения нейронной сети. Приведен пример использования алгоритма для условий юрских отложений Западной Сибири.

Ключевые слова

Количественный прогноз, машинное обучение, фильтрационно-емкостные свойства пласта, нейронные сети, сейсморазведка 3D,

Информация об авторах

Библиографическая ссылка

Приезжев И.И. Егоров С.В. Гладков Е.А. Применение алгоритмов машинного обучения для решения задач количественного прогноза ФЕС по сейсмическим и скважинным данным // Геофизика. 2018. № 3. С. 33-38.

Список литературы

  •  1) Ампилов Ю.П. От сейсмической интерпретации к моделированию и оценке месторождений нефти и газа. М.: ООО «Центральное издательство геофизической литературы» - «СПЕКТ», 2008, 385 с.

  •  2) Козлов Т.Н. Нелинейная сейсмика и акустика - шаг в будущее нефте- и газопромысловой геофизики. Тезисы Международной геофизической конференции SEG - ЕАГО, М., 1993. С. 40.

  •  3) Левянт В.Б., Хромова И.Ю., Козлов Е.А. и др. Методические рекомендации по использованию данных сейсморазведки для подсчета запасов углеводородов в условиях карбонатных пород с пористостью трещинно-кавернового типа. ЦГЭ, Москва, 2010, 250 с.

  •  4) Николаев А.В. Проблемы нелинейной сейсмики. М. Наука, 1987.

  •  5) Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Питер, 2018, 480 с.

  •  6) Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. ДМК пресс, 2015, 400 с.

  •  7) Яковлев И.В., Ампилов Ю.П., Филиппова К.Е. Почти все о сейсмической инверсии Часть 2. Технологии сейсморазведки, № 1. 2011. С. 5-15.

  •  8) Arkhipov A.A. and Tyrichev V.S. 2018, Environment-dependent Parametrization of Wave Field. Matched Non-linear Operator Usage in Case of Seismogram Processing, Annual Meeting St Petersburg, EAGE, Extended Abstracts.

  •  9) Boyd S. Vandenberghe L. Convex Optimization, Cambridge University Press, 2009, 730 p.

  •  10) Hampson D.P., Russell B.H. and Bankhead B. 2005, Simultaneous inversion of pre-stack seismic data: Ann. Mtg. Abstracts, SEG. Р. 1633-1637.

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

  •  12) Priezzhev I., L. Shmaryan and G. Bejarano. 2008, Non-linear multi trace seismic inversion using neural network and genetic algorithm - «Genetic Inversion»: Annual Meeting St Petersburg, EAGE, Extended Abstracts.

  •  13) Russell B.H., Hampson D.P. 1991, A comparison of post-stack seismic inversion methods: 61st annual International Meeting, SEG, Expanded Abstracts, p. 876-878.