В РФ создали программу для анализа данных разведки нефтегазовых месторождений
Программный модуль с применением машинного обучения для интерпретации трехмерных сейсмических данных разработали в Новосибирском государственном университете (НГУ). Модуль автоматически находит все необходимые параметры, избавляя специалиста от необходимости подбирать их вручную, сообщили ТАСС в пресс-службе вуза.
Сейсморазведка — это метод разведочной геофизики, который применяется для поиска ловушек нефти и газа на глубинах до нескольких километров. Для задач нефтегазовой отрасли используется сейсморазведка на основе отраженных волн. Они фиксируются специальными датчиками, затем создается объемная модель исследуемого участка недр. На ее основании которой можно делать выводы о геологическом строении и наличии перспективных в плане содержания нефти и газа объектов.
«Уникальность разработки состоит в том, что модуль способен автоматически находить все необходимые параметры, полностью исключая ручную настройку специалистом. Такое решение позволяет заметно сократить время интерпретации трехмерных сейсмических данных и повысить точность и оперативность прогноза распределения коллектора на реальных месторождениях. На сегодняшний день прямых аналогов такого сочетания алгоритмов на российском и зарубежном рынках не имеется», — сообщили в пресс-службе.
В состав модуля входят процедуры сейсмической акустической и синхронной инверсии — метод для описания свойств горной породы, а также классификация пород на основе их происхождения с применением машинного обучения. «Объем такого массива (в индустрии их называют «сейсмическими кубами») может легко превышать 15-20 Гб. Очевидно, что работа с такими большими данными требует серьезной ИТ-компетенции. Мои алгоритмы дают возможность частично автоматизировать этот процесс, объединяя данные со скважин с сейсмическими кубами, благодаря чему можно оперативнее и точнее понять, что именно скрыто в недрах», — цитирует пресс-служба автора разработки Владислава Корчуганова.
В ходе промышленных испытаний на месторождении в Оренбургской области модуль показал свою высокую эффективность. Применение разработанной схемы классификации позволило в три раза повысить ключевые метрики прогноза класса «коллектора» по исследуемой площади.
