УДК 551.7.022
Д.К. Леонтьева
ОПТИМИЗАЦИЯ ПОСТРОЕНИЯ ЛИТОЛОГО-ФАЦИАЛЬНОЙ МОДЕЛИ
С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ
Аннотация
Актуальность. Необходимость сокращения временных затрат и оптимизации работы квалифицированных специалистов при выполнении фациального анализа керна и снижения субъективности литолого-фациальной модели с переходом к унифицированным признакам макрофаций. Цель работы. Построение литолого-фациальной модели с последующим обоснованием геометрии залежи, используя седиментологический анализ кернового материала на основе нейронных сетей. Материалы и методы. Обработка и анализ данных литологического описания керна нейронной сетью с последующей актуализацией модели с учетом новых данных после последнего подсчета запасов исследуемого месторождения углеводородов. Результаты. Разработан алгоритм, позволяющий определить фацию по литологическому описанию керна без привлечения специалистов-седиментологов. Оценены ресурсы углеводородов прогнозируемой залежи на основе литофациальной модели, построенной с применением нейронных сетей. Выводы. Предлагаемый подход позволит сократить время на исследования керна, используя разработанный алгоритм, и повысит точность геологических моделей за счет вовлечения ранее не исследуемой информации.
Ключевые слова: седиментологический анализ, фация, нейронные сети, описание керна, геологическая модель, обучающая и тестируемая выборки
Daria K. Leontyeva
NEURAL NETWORK-BASED OPTIMIZATION OF LITHOFACIES MODEL BUILDING PROCESS
Abstract
Background. There is a need to reduce time costs and optimize the work of qualified experts during the core-based facies analysis and to decrease the subjectivity of the lithofacies model with the transition to standardized features of macrofacies. Objective. To build a lithofacies model followed by justification of the reservoir geometry using sedimentological analysis of core material based on neural networks. Materials and methods. Processing and analysis of the core lithological description data using a neural network with a model update including new data after the last estimation of reserves of the studied hydrocarbon field. Results. An algorithm allowing to determine the facies based on the lithological description of the core without the involvement of sedimentologists was developed. Hydrocarbon resources of the reservoir in question were estimated based on the lithofacies model that was built using neural networks. Conclusions. The proposed approach will reduce the time for core studies by using the developed algorithm and will increase the accuracy of geological models due to the involvement of previously unstudied information.
Keywords: sedimentological analysis, facies, neural networks, core description, geological model, training and testing sets
EDN: PIANQX
Полный текст статьи в формате PDF
