Р.Ф. Мифтахов, П.А. Авдеев, Г.Н. Гогоненков, А.К. Базанов, И.И. Ефремов
Картирование тектонических нарушений на основе машинного обучения и нейронных сетей
DOI 10.31087/0016-7894-2021-3-123-136
Ключевые слова: сейсмическая интерпретация; тектонические нарушения; автоматизация; искусственный интеллект; машинное обучение; глубокие нейронные сети; методика; программный комплекс (система).
Для цитирования: Мифтахов Р.Ф., Авдеев П.А., Гогоненков Г.Н., Базанов А.К., Ефремов И.И. Картирование тектонических нарушений на основе машинного обучения и нейронных сетей // Геология нефти и газа. – 2021. – № 3. – С. 123–136. DOI: 10.31087/0016-7894-2021-3-123-136.
Этап построения тектонических нарушений в цикле работ сейсмической интерпретации является одним из самых важных. Кроме того, процесс прослеживания нарушений — весьма трудоемкий, требующий большого объема времени и человеческих ресурсов. На сегодняшний день существует большое число технологических аналитических решений, направленных на автоматизацию процесса трассирования поверхностей разломов, однако большинство из них обладает серией ограничений, обусловленных невозможностью полноценной автоматизации процедур при работах в условиях сложной геологической обстановки района исследований, а также с сейсмическим материалом низкого качества. Таким образом, вопрос оптимизации данного процесса по-прежнему актуален для производственного цикла нефтегазовых и сервисных компаний. В статье рассмотрены результаты нового подхода к реализации процесса автоматизированного картирования тектонических нарушений, основанного на применении искусственного интеллекта через машинное обучение и глубокие нейронные сети. Новые алгоритмы, реализованные в составе программной системы Geoplat Seismic Interpretation, позволяют максимально исключить субъективизм и существенно сократить затраты времени на структурную интерпретацию нарушений в различных геологических условиях.
Мифтахов Руслан Фанисович
Технический директор
ООО «ГридПоинт Дайнамикс»,
123423 Москва, ул. Народного Ополчения, д. 34
e-mail: r.miftakhov@geoplat.com
Авдеев Павел Алексеевич ORCiD
Заместитель директора по развитию бизнеса
ООО «ГридПоинт Дайнамикс»,
123423 Москва, ул. Народного Ополчения, д. 34
e-mail: p.avdeev@geoplat.com
Гогоненков Георгий Николаевич ORCiD
Доктор технических наук,
cоветник генерального директора
ФГБУ «Всероссийский научно-исследовательский
геологический нефтяной институт»,
105118 Москва, ш. Энтузиастов, д. 36
e-mail: gogonenkov@vnigni.ru
Базанов Андрей Константинович ORCiD
Директор по развитию бизнеса
ООО «ГридПоинт Дайнамикс»,
123423 Москва, ул. Народного Ополчения, д. 34
e-mail: a.bazanov@geoplat.com
Ефремов Игорь Иванович
Генеральный директор
ООО «ГридПоинт Дайнамикс»,
123423 Москва, ул. Народного Ополчения, д. 34
e-mail: i.efremov@geoplat.com
1. Barnes A.E. A filter to improve seismic discontinuity data for fault interpretation // Geophysics. – 2006. – Т. 71. – № 3. – С. P1–P4. DOI:10.1190/1.2195988.
2. Hale D. Methods to compute fault images, extract fault surfaces, and estimate fault throws from 3d seismic images // Geophysics. – 2013. – Т. 78. – № 2. – С. O33–O43. DOI:10.1190/geo2012-0331.1.3. Hall B. Facies classification using machine learning // The Leading Edge. – 2016. – Т. 35. – № 10. – С. 906–909. DOI:10.1190/tle35100906.1.
4. Priezzhev I.I., Veeken P.C.H., Egorov S.V., Strecker U. Direct prediction of petrophysical and petroelastic reservoir properties from seismic and well-log data using nonlinear machine learning algorithms // The Leading Edge – 2019. – Т. 38. – № 12. – С. 949–960. DOI:10.1190/tle38120949.1.
5. Naeini E.Z., Green S., Russell-Hughes I., Rauch-Davies M. An integrated deep learning solution for petrophysics, pore pressure, and geomechanics property prediction // The Leading Edge. – 2019. – Т. 38. – № 1. – С 53–60. DOI:10.15530/urtec-2019-111.
6. Zhao X., Lu P., Zhang Ya., Chen J., Li X. Swell-noise attenuation: A deep learning approach // The Leading Edge. – 2019. – Т. 38. – № 12. – С. 934–942. DOI:10.1190/tle38120934.1.
7. Xiong W., Ji X., Ma Y., Wang Y., AlBenHassan N.M., Ali M.N., Luo Y. Seismic fault detection with convolutional neural network // Geophysics. – 2018. – Т. 83. – № 5. – С. O97–O103. DOI:10.1190/geo2017-0666.1.
8. Wu X., Shi Y., Fomel S., Liang L., Zhang Q., Yusifov A. FaultNet3D: Predicting fault probabilities, strikes and dips with a common CNN // IEEE Transactions on Geoscience and Remote Sensing. – 2019. – Т. 57. – №11. – С. 9138–9155. DOI:10.1109/TGRS.2019.2925003.
9. Zheng Y., Zhang Q., Yusifov A., Shi Y. Applications of supervised deep learning for seismic interpretation and inversion // The Leading Edge. – 2019. – Т. 38. – № 7. – С. 526–533. DOI:10.1190/tle38070526.1.
10. Гогоненков Г.Н., Тимурзиев А.И. Сдвиговые деформации в чехле Западно-Сибирской плиты и их роль при разведке и разработке месторождений нефти и газа // Геология и геофизика. – 2010. – Т. 51. – № 3. – С. 384–400.