Исследование возможностей методов машинного обучения для классификации терригенных коллекторов по характеру насыщения

Abstract

Identifying the properties of oil and gas reservoirs based on information obtained from well logging is one of the main areas of research in the field of geological and hydrodynamic modeling of the reservoir. The insufficient effectiveness of accurate mathematical models for analyzing well survey data, as well as the large volume and noise of these data, determines the relevance of using machine learning methods to identify reservoir features. This article investigates the possibility of classification of terrigenous collectors using various methods, including support vector machine, decision tree, gradient boost, random forest, and multilayered neural network. The data set was formed on the basis of well logging curves for 24 wells of one reservoir. For training classification models, pre-normalized data from inductive logging, lateral log, neutron-neutron logging on thermal neutrons, borehole electrical measurements, resistivity logging, spontaneous potential logging, gamma logging, and resistance logging were used with five different gradient sondes. To assess the accuracy of classification models constructed using various methods, in each case, cross-validation was performed, the average value of accuracy and standard deviation were estimated. For the support vector method, the influence of the choice of core function (linear, polynomial, and sigmoid) was investigated. In the case of a neural network, its architecture varied, including the number of hidden layers and neurons, activation functions on different layers, and the probability of a dropout. The quality of the obtained classification models was also evaluated by the values of the elements of the confusion matrix. The results of computational experiments have shown the effectiveness of the use of machine learning methods and, in particular, multilayer neural networks to identify with high accuracy (about 90%) of reservoirs with oil.

Выявление свойств нефтегазовых коллекторов на основе информации, получаемой в результате геофизических исследований скважин, является одним из главных направлений исследований в области геологического и гидродинамического моделирования пласта. Недостаточная эффективность точных математических моделей для анализа данных геофизических исследований скважин, а также большой объем и зашумленность этих данных определяют актуальность использования методов машинного обучения для выявления особенностей коллекторов. В статье исследованы возможности классификации терригенных коллекторов с помощью различных методов (метод опорных векторов, дерево решений, градиентный бустинг, случайный лес, многослойная нейронная сеть и др.). Набор данных был сформирован на основе каротажных кривых для 24 скважин одной залежи. Для обучения моделей классификации были использованы предварительно нормированные данные индукционного каротажа, бокового каротажа, нейтрон-нейтронного каротажа по тепловым нейтронам, электрометрии с помощью потенциал-зондов, резистивиметрии, каротажа потенциалов самопроизвольной поляризации, гамма-каротажа и каротажа сопротивления с использованием пяти различных последовательных градиент-зондов. Для оценки точности моделей классификации, построенных различными методами, в каждом случае выполнялась кросс-валидация, оценивалось среднее значение точности и стандартное отклонение. Для метода опорных векторов исследовалось влияние выбора функции ядра (линейная, полиномиальная, сигмоид). В случае нейронной сети варьировались: ее архитектура, включая число скрытых слоев и нейронов, функции активации на различных слоях, а также вероятность дропаута. Качество полученных моделей классификации оценивалось также по значениям элементов матрицы несоответствия. Результаты вычислительных экспериментов показали результативность использования методов машинного обучения, в частности многослойных нейронных сетей, для выявления с высокой точностью (около 90%) коллекторов с нефтью.