Б.В. Платов, Э.Р. Юсупова, А.С. Борисов
Методика расчета карт эффективных толщин на пределе разрешающей способности сейсморазведки с применением машинного обучения на примере нефтяного месторождения Республики Татарстан
DOI 10.47148/0016-7894-2026-3-103-112
Ключевые слова: сейсморазведка; маломощный пласт; сейсмический атрибут; машинное обучение.
Для цитирования: Платов Б.В., Юсупова Э.Р., Борисов А.С. Методика расчета карт эффективных толщин на пределе разрешающей способности сейсморазведки с применением машинного обучения на примере нефтяного месторождения Республики Татарстан // Геология нефти и газа. – 2026. – № 3. – С. 103–112. DOI: 10.47148/0016-7894-2026-3-103-112.
Финансирование: работа выполнена за счет средств Программы стратегического академического лидерства Казанского (Приволжского) федерального университета (ПРИОРИТЕТ-2030).
При расчете толщины тонких пластов сейморазведочные исследования значительно ограничены разрешающей способностью метода. Пределом вертикальной разрешающей способности считается четверть длины волны. По этой причине выделение тонких пластов (на пределе разрешающей способности сейсморазведки) затруднено. Расчет карт толщин для таких маломощных пластов может быть проведен при помощи сейсмических атрибутов с привлечением технологии машинного обучения. Авторы статьи предложили новую методику расчета толщин на пределе разрешающей способности: трассировку целевого отражающего горизонта (кровли интервала, для которого проводится расчет толщин); расчет частотных сейсмических атрибутов и нахождение корреляционных зависимостей эффективная толщина пласта – сейсмический атрибут; нарезку кубов сейсмических атрибутов на седиментационные слайсы параллельно кровле интервала. Снятие значений сейсмических атрибутов происходит вдоль седиментационных слайсов. Выбор слайсов атрибутов со значением линейной корреляции принят более 0,75; выбранные слайсы используются в алгоритмах машинного обучения. Расчет 100 реализаций осуществляется с исключением 30 % исходных данных; алгоритм выбирается с наименьшей среднеквадратической ошибкой. Для оценки качества построений использовались карты стандартного отклонения реализаций и значение среднеквадратичной ошибки по скважинам. Области карты с наибольшим стандартным отклонением реализаций имеют наибольшую неопределенность.
Платов Борис Викторович ORCiD Scopus
Старший преподаватель
Казанский (Приволжский) федеральный университет,
420111 Казань, ул. Кремлевская д. 4/5
e-mail: swborispl@mail.ru
SPIN: 4939-4807
Юсупова Энже Ринатовна ORCiD
Инженер
Казанский (Приволжский) федеральный университет,
420111 Казань, ул. Кремлевская д. 4/5
e-mail: enzhe.yusupova.03@mail.ru
Борисов Анатолий Сергеевич
Доктор геолого-минералогических наук,
профессор
Казанский (Приволжский) федеральный университет,
420111 Казань, ул. Кремлевская д. 4/5
e-mail: ABorisov@kpfu.ru
1. Widess M.B. How thin is a thin bed? // Geophysics. – 1973. – Т. 38. – № 6. – С. 1176–1180.
2. Вилмаз О. Обработка сейсмических данных: в 3 т. – М. : РГУ НИУ им. И.М. Губкина, 1986. – Т. 3. – 212 с.
3. Кунин Н.Я. Исследование литосферы докритическими отраженными волнами. – М. : Наука, 1993. – 223 с.
4. Neidell N.S. Stratigraphic modeling and interpretation – Geophysical principles and techniques: Section 3. Stratigraphic models from seismic data // Seismic Stratigraphy Applications to Hydrocarbon Exploration. – Tulsa, 1977. – С. 389–416.
5. Saeed W. An Integrated Petrophysical-Based Wedge Modeling and Thin Bed AVO Analysis for Improved Reservoir Characterization of Zhujiang Formation, Huizhou Sub-Basin, China: A Case Study // Open Geosciences. – 2020. – Т. 12. – № 1. – С. 256–274.
6. Гурвич И.И. Сейсмическая разведка. 3-е изд., перераб. – М. : Недра, 1980. – 551 с.
7. Найдель Н.С. Геофизическое обоснование и методика сейсмостратиграфического моделирования и интерпретации // Сейсмическая стратиграфия. – М. : Мир, 1982. – С. 646–692.
8. Thickness prediction for high-resolution stratigraphic interpretation by fusing seismic attributes of target and neighboring zones with an SVR algorithm // Marine and Petroleum Geology. – 2020. – Т. 113. – С. 1–14.
9. Shoemaker M.L., Robinson J.B., Trumbly C.N., Brennan B.A. Prediction of thin bed reservoirs below 1/4 wavelength tuning thickness using full bandwidth inverted seismic impedance // International Petroleum Technology Conference (IPTC) 2007. – European Association of Geoscientists & Engineers, 2007. – DOI: 10.2523/IPTC-11359-MS.
10. Bitrus С.R. Defining the 3D geometry of thin shale units in the Sleipner reservoir using seismic attributes // Marine and Petroleum Geology. – 2016. – Т. 78. – C. 405–425.
11. Геология Республики Татарстан: учеб.-метод. пособие / Сост. Р.Х. Сунгатуллин, Г.М. Сунгатуллина. – Казань: К(П)ФУ, 2014. – 72 с.
12. Геология Татарстана. Стратиграфия и тектоника / Гл. ред. Б.В. Буров. – М. : ГЕОС, 2003. – 403 с.
13. Приезжев И.И., Данько Д.А., Онищенко А.Н. Иерархические нейронные сети в задачах прогноза свойств коллекторов нефти и газа по скважинным и сейсмическим данным // Геология и геофизика. – 2025. – Т. 6. – № 1. – С. 131–140. DOI: 10.15372/GiG2024141.
14. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных // Доклады Академии наук СССР. – 1957. – Т. 5. – № 14. – С. 953–956.
15. Priezzhev I. New Age: Kolmogorov Full Functional Neural Network Usage for Nonlinear Predictive Seismic Inversion // EAGE Saint Petersburg 2020. – 2020. – С. 1–5.