Оптимизация алгоритма поиска наиболее достоверных реализаций геологической модели

Потапов, Д.В.; Путилов, И.С.; Хижняк, Г.П.; Шумилов, А.В.

doi:10.15593/2712-8008/2025.1.1

Оптимизация алгоритма поиска наиболее достоверных реализаций геологической модели

Д.В. Потапов, И.С. Путилов, Г.П. Хижняк, А.В. Шумилов

Сведения об авторах

Д.В. Потапов
Пермский национальный исследовательский политехнический университет, Пермь, Российская Федерация
И.С. Путилов
ЛУКОЙЛ-Инжиниринг, Пермь, Российская Федерация
Г.П. Хижняк
Пермский национальный исследовательский политехнический университет, Пермь, Российская Федерация
А.В. Шумилов
Пермский государственный национальный исследовательский университет, Пермь, Российская Федерация

https://doi.org/10.15593/2712-8008/2025.1.1

Одной из важнейших задач в нефтегазодобывающей отрасли является прогнозирование значений геологических параметров продуктивных пластов в межскважинном пространстве. Точность оценки эффективной нефтенасыщенной толщины или значений фильтрационно-емкостных свойств в местах расположения проектного фонда скважин напрямую влияет на эффективность разработки нефтегазовых активов и на экономические показатели. Задача прогнозирования значений геологических параметров осложняется тем, что геологическая среда изучена скважинами фрагментарно, а источники информации о межскважинном пространстве, несмотря на непрерывный технологический прогресс, обладают ограниченной точностью. К тому же реальное геологическое строение в большинстве случаев значительно сложнее, чем наше представление о нем. Вертикальная и латеральная неоднородность продуктивных пластов и высокая степень изменчивости геологических свойств не позволяют эффективно использовать методы интерполяции. В данной работе представлены результаты апробации авторской методологии, направленной на поиск наиболее достоверных реализаций трехмерной модели литологии. Предложенный подход основан на использовании байесовской оптимизации для определения наиболее оптимальных значений рангов вариограмм по осям X и Y при моделировании трехмерного куба литологии. Средняя абсолютная ошибка прогноза суммарной эффективной толщины пласта, рассчитанная с использованием кросс-валидации, использована в качестве основной метрики, оценивающей надежность трехмерной модели литологии. Полученные результаты демонстрируют преимущества применения байесовской оптимизации относительно классического подхода поиска оптимальных параметров модели с перебором по сетке. Во-первых, примененный подход позволил получить трёхмерную модель литологии с более высокой прогностической способностью. И во-вторых, авторская методология позволила значительно сократить необходимые для расчётов вычислительные ресурсы.

Ключевые слова

геостатистика3D-геологическая модельаллювиальные отложениястохастическое моделированиекросс-валидациябайесовская оптимизацияпоследовательное индикаторное моделированиеоценка неопределенности

Optimization of the Algorithm for Searching for the Most Reliable Implementations of a Geological Model

One of the most important tasks in the oil and gas industry is to predict the values of geological parameters of productive formations in the interwell space. The accuracy of estimating the effective oil-saturated thickness or the values of filtration and capacity properties at the locations of the project well stock directly affects the efficiency of oil and gas assets development and economic indicators. The task of predicting the values of geological parameters is complicated by the fact that the geological environment has been studied by wells in fragments, and sources of information about the interwell space, despite continuous technological progress, have limited accuracy. In addition, the real geological structure in most cases is much more complex than our understanding of it. The vertical and lateral heterogeneity of productive formations and the high degree of geological properties variability do not allow the effective use of interpolation methods. This paper presents the results of testing the author's methodology aimed at finding the most reliable implementations of a three-dimensional lithology model. The proposed approach is based on the use of Bayesian optimization to determine the most optimal values of variogram ranges along the X and Y axes during the modeling of a three-dimensional lithology cube. The mean absolute error of the predicted total effective thickness of the reservoir, calculated using cross-validation, was employed as the primary metric to evaluate the reliability of the three-dimensional lithology model. The results demonstrate the advantages of applying Bayesian optimization compared to the classical grid search method for parameter optimization. Firstly, the proposed approach enabled the creation of a three-dimensional lithology model with higher predictive capability. Secondly, the developed methodology significantly reduced the computational resources required for the calculations.

Keywords

geostatistics3D geological modelalluvial depositsstochastic modelingcross-validationBayesian optimizationsequential indicator modelinguncertainty assessment

Литература

1.Потапов, Д.В. Анализ геологических рисков на этапе оценки запасов с целью повышения эффективности освоения актива / Д.В. Потапов, Е.И. Ефремова // Нефтегазовая геология. Теория и практика. – 2023. – Т. 18, № 1. – С. 13–29. DOI: 10.17353/2070-5379/2_2023 Scholar
2.Прямой нейросетевой прогноз коллекторских свойств пласта по данным сейсморазведки на примере клиноформных отложений Западной Сибири / И.И. Приезжев [и др.] // PROНЕФТЬ. Профессионально о нефти. – 2023. – Т. 8, № 2. – С. 28–39. DOI: 10.51890/2587-7399-2023-8-2-28-39 Scholar
3.Егоров, Д.В. Анализ применимости алгоритмов машинного обучения для задач интерполяции и прогноза геологических свойств в межскважинном пространстве / Д.В. Егоров, Б.В. Белозеров // PROНЕФТЬ. Профессионально о нефти. – 2022. – № 4. – С. 13–16. DOI: 10.24887/2587-7399-2018-4-13-16 Scholar
4.Платов, Б.В. Оценка толщины маломощных пластов при помощи данных сейсморазведки на примере тульско-бобриковских отложений Республики Татарстан / Б.В. Платов, Р.И. Хайрутдинова, А.И. Кадиров // Известия высших учебных заведений. Геология и разведка. – 2021. – Т. 63, № 4. – С. 80–87. DOI: 10.32454/0016-7762-2020-63-4-80-87 Scholar
5.Галкин, С.В. Методология учета геологических рисков на этапе поисков и разведки нефтяных месторождений / С.В. Галкин // Недропользование. – 2012. – № 4. – С. 23–32. Scholar
6.Демьянов, В.В. Геостатистика: теория и практика / В.В. Демьянов, Е.А. Савельева; под ред. Р. В. Арутюняна; Ин-т проблем безопасного развития атомной энергетики РАН. – М.: Наука, 2010. – 327 с. Scholar
7.Матерон, Ж. Основы прикладной геостатистики / пер. с фр. Ю.В. Рощина; под ред. и с предисл. д-ра геол.-мин. наук Д.Я. Суражского и канд. техн. наук А.М. Марголина; послесл. канд. техн. наук А.М. Марголина. – М.: РГБ, 2008. – 408 с. Scholar
8.Emery, X. Properties and limitations of sequential indicator simulation / X. Emery // Stochastic Environmental Research and Risk Assessment. – 2004. – Vol. 18. – P. 414–424. DOI: 10.1007/s00477-004-0213-5 Scholar
9.Deutsch, C.V. A sequential indicator simulation program for categorical variables with point and block data: BlockSIS / C.V. Deutsch // Computers & Geosciences. – 2006. – Vol. 32, no. 10. – P. 1669–1681. DOI: 10.1016/j.cageo.2006.03.005 Scholar
10.Juang, K.W. Using sequential indicator simulation to assess the uncertainty of delineating heavy-metal contaminated soils / K.W. Juang, Y.S. Chen, D.Y. Lee // Environmental Pollution. – 2004. – Vol. 127, no. 2. – P. 229–238. DOI: 10.1016/j.envpol.2003.07.001 Scholar
11.Steel, M.F.J. Non-Gaussian and nonparametric models for continuous spatial data / M.F.J. Steel, M. Fuentes // Handbook of Spatial Statistics. – 2010. – P. 149–167. DOI: 10.1201/9781420072884-c11 Scholar
12.Jornel, A.J. Mining geostatistics / A.J. Jornel, C.J. Huijbregts. – London: Academic Press, 1978. – 600 p. Scholar
13.Matheron, G. Principles of geostatistics / G. Matheron // Economic geology. – 1963. – Vol. 58, no. 8. – P. 1246–1266. DOI: 10.2113/gsecongeo.58.8.1246 Scholar
14.Pyrcz, M.J. Geostatistical reservoir modeling / M.J. Pyrcz, C.V. Deutsch. – USA: Oxford University Press, 2014. – 448 p. Scholar
15.Tuia, D. Advanced Mapping of Environmental Data: Geostatistics / D. Tuia, M. Kanevski // Machine Learning and Bayesian Maximum Entropy. – London: John Wiley & Sons. – 2008. – 352 p. Scholar
16.Потехин, Д.В. Оптимизация технологии многовариантного трехмерного геологического моделирования залежей нефти и газа : дис. … канд. техн. наук : 25.00.12 / Денис Владимирович Потехин. – Пермь, 2014. – 151 с. Scholar
17.Потехин, Д.В. Количественное обоснование параметров многовариантного моделирования для повышения достоверности трехмерных геологических моделей нефтяных месторождений / Д.В. Потехин, И.С. Путилов // Территория Нефтегаз. – 2014. – № 2. – С. 18–21. Scholar
18.Путилов, И.С. Многовариантное 3D-моделирование с контролем качества реализаций для повышения достоверности геологических моделей / И.С. Путилов, Д.В. Потехин, В.И. Галкин // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2015. – № 10. – С. 17–20. Scholar
19.Потехин, Д.В. Повышение достоверности геологических моделей залежей нефти и газа на основе усовершенствованной технологии многовариантного трехмерного моделирования / Д.В. Потехин, И.С. Путилов, В.И. Галкин // Нефтяное хозяйство. – 2014. – № 6. – С. 16–19. Scholar
20.Потехин, Д.В. Построение 3D геологических моделей нефтяных залежей на основе метода вероятностных множественных реализаций / Д.В. Потехин // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2023. – № 7. – С. 12–18. Scholar
21.Построение детальной литолого-фациальной трехмерной модели на основе комплексирования геолого-геофизических данных на примере бобриковских отложений Батырбайского месторождения Пермского края / Д.В. Потапов, Н.О. Азанова, А.Е. Подосенов, С.В. Ладейщиков // Нефтепромысловое дело. – 2022. – № 11 (647). – С. 5–14. DOI: 10.33285/0207-2351-2022-11(647)-5-14 Scholar
22.Прогнозирование фаций терригенных отложений на основе высокоинформативных сейсмических данных 3D и машинного обучения / С.В. Ладейщиков [и др.] // Геофизика. – 2018. – № 5. – С. 31–37. Scholar
23.Прогноз геологического строения на основе многовариантной модели Ростовицкого месторождения / А.Е. Подосенов [и др.] // Нефтепромысловое дело. – 2021. – № 11 (635). – С. 5. DOI: 10.33285/0207-2351-2021-11(635)-5-13 Scholar
24.Ладейщиков, С.В. Опыт выполнения комплексных прогнозов фаций на основе высокоинформативных сейсмических данных для задач геолого-гидродинамического моделирования / С.В. Ладейщиков, И.С. Путилов // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2019. – № 3. – С. 66–73. Scholar
25.Путилов, И.С. Многовариантный прогноз коллекторов по данным 3D-сейсморазведки / И.С. Путилов // Технологии сейсморазведки. – 2013. – № 1. – С. 59. Scholar
26.Путилов, И.С. Разработка новой технологии многовариантного прогноза нефтегазоносности по сейсмическим данным / И.С. Путилов // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2014. – № 4. – С. 47–54. Scholar
27.Gradient-based learning applied to document recognition / Y. LeCun [et al.] // Proceedings of the IEEE. – 1998. – Vol. 86, no. 11. – P. 2278–2324. DOI: 10.1109/5.726791 Scholar
28.Efficient backprop / Y. LeCun [et al.] // Neural networks: Tricks of the trade. – Berlin, Heidelberg: Springer Berlin Heidelberg, 2012. – P. 9–50. DOI: 10.1007/978-3-642-35289-8_3 Scholar
29.Interpretability in healthcare: A comparative study of local machine learning interpretability techniques / R. ElShawi, Y. Sherif, M. Al‐Mallah, S. Sakr // Computational Intelligence. – 2021. – Vol. 37, no. 4. – P. 1633–1650. DOI: 10.1111/coin.12410 Scholar
30.Применение кросс-валидации при выборе вариограммы для моделирования куба пористости геологической 3D-модели / Ш.Р. Исламов, Л.Р. Сагирова, И.И. Боков, Г.В. Шелухов // Территория «Нефтегаз». – 2023. – № 11–12. – С. 14–23. Scholar
31.Soares, A. Sequential indicator simulation with correction for local probabilities / A. Soares // Mathematical geology. – 1998. – Vol. 30, no. 6. – P. 761–765. DOI: 10.1023/A:1022451504120 Scholar
32.Feurer, M. Hyperparameter optimization / M. Feurer, F. Hutter // Automated machine learning: Methods, systems, challenges. – 2019. – P. 3–33. DOI: 10.1007/978-3-030-05318-5_1 Scholar
33.Frazier, P.I. Bayesian optimization / P.I. Frazier // Recent advances in optimization and modeling of contemporary problems. – Informs, 2018. – P. 255–278. DOI: 10.1287/educ.2018.0188 Scholar
34.Snoek, J. Practical bayesian optimization of machine learning algorithms / J. Snoek, H. Larochelle, R.P. Adams // Advances in neural information processing systems. – 2012. – Vol. 25. – P. 1601–1610. DOI: 10.48550/arXiv.1206.2944 Scholar
35.Jafrasteh, B. Objective functions from Bayesian optimization to locate additional drillholes / B. Jafrasteh, A. Suárez // Computers & Geosciences. – 2021. – Vol. 147. – P. 104674. DOI: 10.1016/j.cageo.2020.104674 Scholar
36.Nowak W., De Barros F.P.J., Rubin Y. Bayesian geostatistical design: Task‐driven optimal site investigation when the geostatistical model is uncertain / W. Nowak, F.P.J. De Barros, Y. Rubin // Water Resources Research. – 2010. – Vol. 46, no. 3. – P. 463–481. DOI: 10.1029/2009WR008312 Scholar
37.Carpenter, C. Combined Geostatistics and Bayesian Updating Optimize Drilling in Shale-Gas Plays / C. Carpenter // Journal of Petroleum Technology. – 2014. – Vol. 66, no. 10. – P. 179–184. DOI: 10.2118/1014-0179-JPT Scholar
38.Kim, J. Lithofacies classification integrating conventional approaches and machine learning technique / J. Kim // Journal of Natural Gas Science and Engineering. – 2022. – Vol. 100. – P. 104500. DOI: 10.1016/j.jngse.2022.104500 Scholar
39.Al-Mudhafar, W.J. Integrating well log interpretations for lithofacies classification and permeability modeling through advanced machine learning algorithms / W.J. Al-Mudhafar // Journal of Petroleum Exploration and Production Technology. – 2017. – Vol. 7, no. 4. – P. 1023–1033. DOI: 10.1007/s13202-017-0360-0 Scholar
40.Antariksa, G. Performance evaluation of machine learning-based classification with rock-physics analysis of geological lithofacies in Tarakan Basin, Indonesia / G. Antariksa, R. Muammar, J. Lee // Journal of Petroleum Science and Engineering. – 2022. – Vol. 208. – P. 109250. DOI: 10.1016/j.petrol.2021.109250 Scholar
41.Stochastic reconstruction of fracture network pattern using spatial point processes / M. Shakiba [et al.] // Geoenergy Science and Engineering. – 2024. – Vol. 236. – P. 212741. DOI: 10.1016/j.geoen.2024.212741 Scholar
42.Özbayrak, F. Spatial bagging to integrate spatial correlation into ensemble machine learning / F. Özbayrak, J.T. Foster, M.J. Pyrcz // Computers & Geosciences. – 2024. – Vol. 186. – P. 105558. DOI: 10.1016/j.cageo.2024.105558 Scholar
43.Pyrcz, M.J. Data analytics and geostatistical workflows for modeling uncertainty in unconventional reservoirs / M.J. Pyrcz // Bulletin of Canadian Petroleum Geology. – 2019. – Vol. 67, no. 4. – P. 273–282. DOI: 10.35767/gscpgbull.67.4.273 Scholar
44.Pyrcz M.J. Transforming data to a gaussian distribution / M.J. Pyrcz, C.V. Deutsch, J.L. Deutsch // Geostatistics Lessons. – 2018. – P. 27–38. Scholar
45.Automatic well log analysis across priobskoe field using machine learning methods / B. Belozerov [et al.] // SPE Russian Petroleum Technology Conference. – SPE, 2018. – P. D013S002R011. DOI: 10.2118/191604-18RPTC-MS Scholar
46.Image processing and machine learning approaches for petrographic thin section analysis / S. Budennyy [et al.] // SPE Russian Petroleum Technology Conference. – SPE, 2017. – P. D023S014R005. DOI: 10.2118/187885-MS Scholar

1.Potapov D.V., Efremova E.I. Analiz geologicheskikh riskov na etape otsenki zapasov s tsel'iu povysheniia effektivnosti osvoeniia aktiva [Analysis of geological risks at the stage of reserves assessment in order to increase the asset development efficiency]. Neftegazovaia geologiia. Teoriia i praktika, 2023, vol. 18, no. 1, pp. 13-29. DOI: 10.17353/2070-5379/2_2023 Scholar
2.Priezzhev I.I. et al. Priamoi neirosetevoi prognoz kollektorskikh svoistv plasta po dannym seismorazvedki na primere klinoformnykh otlozhenii Zapadnoi Sibiri [Neural network prediction of reservoir properties of the reservoir according to seismic data on the example of clinoform deposits of Western Siberia]. PRONEFT'. Professional'no o nefti, 2023, vol. 8, no. 2, pp. 28-39. DOI: 10.51890/2587-7399-2023-8-2-28-39 Scholar
3.Egorov D.V., Belozerov B.V. Analiz primenimosti algoritmov mashinogo obuchenia dlia zadach interpolatsii i prognoza geologicheskikh svoistv v mezhskvazhnimom prostranstve [Analysis of machine learning algorithms applicability for tasks of interpolation and geological properties forecasting within interwell space]. PRONEFT. Professional'no o nefti, 2022, no. 4, pp. 13-16. DOI: 10.24887/2587-7399-2018-4-13-16 Scholar
4.Platov B.V., Khairutdinova R.I., Kadirov A.I. Otsenka tolshchiny malomoshchnykh plastov pri pomoshchi dannykh seismorazvedki na primere tul'sko-bobrikovskikh otlozhenii Respublikii Tatarstan [Evaluating the thickness of thin-bed seams using seismic data on the example of the Tula-Bobrikovian sediments in the Republic of Tatarstan]. Izvestiia vysshikh uchebnykh zavedenii. Geologiya i razvedka, 2021, vol. 63, no. 4, pp. 80-87. DOI: 10.32454/0016-7762-2020-63-4-80-87 Scholar
5.Galkin S.V. Metodologiya ucheta geologicheskikh riskov na etape poiskov i razvedki neftianykh mestorozhdenii [Accounting methods of geological risks on the stage of oil fields exploration]. Nedropol'zovanie, 2012, no. 4, pp. 23-32. Scholar
6.Dem'ianov V.V., Savel'eva E.A. Geostatistika: teoriia i praktika [Geostatistics: Theory and Practice]. Ed. R.V. Arutiunian, Institut problem bezopasnogo razvitia atomnoi energetiki Rossiiskoi akademii nauk. Moscow: Nauka, 2010, 327 p. Scholar
7.Materon Zh. Osnovy prikladnoi geostatistiki [Fundamentals of Applied Geostatistics]. Eds. D.Ia. Surazhskii, A.M. Margolin. Moscow: Rossiiskaia gosudarstvennaia biblioteka, 2008, 408 p. Scholar
8.Emery X. Properties and limitations of sequential indicator simulation. Stochastic Environmental Research and Risk Assessment, 2004, vol. 18, pp. 414-424. DOI: 10.1007/s00477-004-0213-5 Scholar
9.Deutsch C.V. A sequential indicator simulation program for categorical variables with point and block data: BlockSIS. Computers & Geosciences, 2006, vol. 32, no. 10, pp. 1669-1681. DOI: 10.1016/j.cageo.2006.03.005 Scholar
10.Juang K.W., Chen Y.S., Lee D.Y. Using sequential indicator simulation to assess the uncertainty of delineating heavy-metal contaminated soils. Environmental Pollution, 2004, Vol. 127, no. 2, pp. 229-238. DOI: 10.1016/j.envpol.2003.07.001 Scholar
11.Steel M.F.J., Fuentes M. Non-Gaussian and nonparametric models for continuous spatial data. Handbook of Spatial Statistics, 2010, pp. 149-167. DOI: 10.1201/9781420072884-c1 Scholar
12.Jornel A.J., Huijbregts C.J. Mining geostatistics. London: Academic Press, 1978, 600 p. Scholar
13.Matheron G. Principles of geostatistics. Economic geology, 1963, vol. 58, no. 8, pp. 1246-1266. DOI: 10.2113/gecongeo.58.8.1246 Scholar
14.Pyrcz M.J., Deutsch C.V. Geostatistical reservoir modeling. USA: Oxford University Press, 2014, 448 p. Scholar
15.Tuia D., Kanevski M. Advanced Mapping of Environmental Data: Geostatistics. Machine Learning and Bayesian Maximum Entropy. London: John Wiley & Sons, 2008, 352 p. Scholar
16.Potekhin D.V. Optimizatsiia tekhnologii mnogovariantnogo trekhmernogo geologicheskogo modelirovaniia zalezhei nefti i gaza [Optimization of technology for multivariate three-dimensional geological modeling of oil and gas deposits]. Ph D. thesis. Perm', 2014, 151 p. Scholar
17.Potekhin D.V., Putilov I.S. Kolichestvennoe obosnovanie parametrov mnogovariantnogo modelirovaniia dlia povysheniia dostovernosti trekhmernykh geologicheskikh modelei neftianykh mestorozhdenii [Selection optimal settings of multivariate modeling to improve the reliability of 3D geological models of oil fields]. Territoriia Neftegaz, 2014, no. 2, pp. 18-21. Scholar
18.Putilov I.S., Potekhin D.V., Galkin V.I. Mnogovariantnoe 3D-modelirovanie s kontrolem kachestva realizatsii dlia povysheniia dostovernosti geologicheskikh modelei [Multiple 3D modelling with quality surveillance of realizations to increase reliability of geological models]. Geologiia, geofizika i razrabotka neftianykh i gazovykh mestorozhdenii, 2015, no. 10, pp. 17-20. Scholar
19.Potekhin D.V., Putilov I.S., Galkin V.I. Povyshenie dostovernosti geologicheskikh modelei zalezhei nefti i gaza na osnove usosvernestvovannoi tekhnologii mnogovariantnogo trekhmernogo modelirovaniia [Improve the reliability of geological models of oil fields on basis of optimized technological settings multivariate 3D modeling]. Neftianoe khoziaistvo, 2014, no. 6, pp. 16-19. Scholar
20.Potekhin D.V. Postroenie 3D geologicheskikh modelei neftianykh zalezhei na osnove metoda veroiatnostnykh mnozhestvennykh realizatsii [Postroenie 3D geologicheskikh modelei neftianykh zalezhei na osnove metoda verobontnostnykh mnozhestvennykh realizatsii]. Geologiia, geofizika i razrabotka neftianykh i gazovykh mestorozhdenii, 2023, no. 7, pp. 12-18. Scholar
21.Potapov D.V., Azanova N.O., Podosenov A.E., Ladeishchikov S.V. [Postroenie detal'noi litologo-fatsial'noi trekhmernoi modeli na osnove kompleksirovaniia geologo- geofizicheskikh dannykh na primere bobrikovskikh otlozhenii Batyrbiaskogo mestorozhdeniia Permskogo kraia [Construction of a detailed three-dimensional lithological- facial model based on the geological and geophysical data integration on the example of the Bobrikovsky deposits of the Batyrbiaskoye field in the Perm region]. Neftegromysloveo delo, 2022, no. 11 (647), pp. 5-14. DOI: 10.33285/0207-2351-2021-11(647)-5-14 Scholar
22.Ladeishchikov S.V. et al. Prognozirovanie fatsii terringernykh otlozhenii na osnove vysokoinformativnykh seismicheskikh dannykh 3D i mashinnogo obucheniia [Forecast facies of terrigenous deposits based on highly informed seismic 3D and machine learning]. Geofizika, 2018, no. 5, pp. 31-37. Scholar
23.Podosenov A.E. et al. Prognoz geologicheskogo stroeniia na osnove mnogovariantnoi modeli Rostovitskogo mestorozhdeniia [Forecast of the geological structure based on the multivariate model of the Rostovitskoe oil field]. Neftegromysloveo delo, 2021, no. 11 (635), 5 p. DOI: 10.33285/0207-2351-2021-11(635)-5-13 Scholar
24.Ladeishchikov S.V., Putilov I.S. Opty vplovneniia kompleksnykh prognozov fatsii na osnove vysokoinformativnykh seismicheskikh dannykh dlia zadach geologo- gidrodinamicheskogo modelirovaniia [Experience in performing complex facies forecasts based on highly informative seismic data for geological and hydrodynamic modeling tasks]. Geologiia, geofizika i razrabotka neftianykh i gazovykh mestorozhdenii, 2019, no. 3, pp. 66-73. Scholar
25.Putilov I.S. Mnogovariantnyi prognoz kollektorov po dannyh 3D-seismorazvedki [Multivariate reservoir prediction from 3D seismic data]. Tekhnologii seismorazvedki, 2013, no. 1, 59 p. Scholar
26.Putilov I.S. Razrabotka novoi tekhnologii mnogovariantnogo prognoza neftegazonosnosti po seismicheskim dannyim [Development of the new technology of multi- variant prediction of oil and gas content by seismic data]. Geologiia, geofizika i razrabotka neftianykh i gazovykh mestorozhdenii, 2014, no. 4, pp. 47-54. Scholar
27.LeCun Y. et al. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 1998, vol. 86, no. 11, pp. 2278-2324. DOI: 10.1109/5.726791 Scholar
28.LeCun Y. et al. Efficient backprop. Neural networks: Tricks of the trade. Berlin, Heidelberg: Springer Berlin Heidelberg, 2012, pp. 9-50. DOI: 10.1007/978-3-642-35289-8-3 Scholar
29.ElShawi R., Sherif Y., Al-Mallah M., Sakr S. Interpretability in healthcare: A comparative study of local machine learning interpretability techniques. Computational Intelligence, 2021, vol. 37, no. 4, pp. 1633-1650. DOI: 10.1111/coin.12410 Scholar
30.Islamov Sh.R., Sagirova L.R., Bokov LI., Shelukhov G.V. Primenenie kross-validatsii pri vybore variogrammy dlia modelirovaniia kuba poristosti geologicheskoi 3D-modeli [Application of Cross-Validation in Selecting the Variogram for Modeling the Porosity Cube of a 3D Geological Model]. Territoriia 'Neftegaz', 2023, no. 11-12, pp. 14-23. Scholar
31.Soares A. Sequential indicator simulation with correction for local probabilities. Mathematical geology, 1998, vol. 30, no. 6, pp. 761-765. DOI: 10.1023/A:1022451504120 Scholar
32.Feurer M., Hutter F. Hyperparameter optimization. Automated machine learning: Methods, systems, challenges, 2019, pp. 3-33. DOI: 10.1007/978-3-030-05318-5-1 Scholar
33.Frazier P.I. Bayesian optimization. Recent advances in optimization and modeling of contemporary problems, 2018, pp. 255-278. DOI: 10.1287/educ.2018.0188 Scholar
34.Snoek J., Larochelle H., Adams R.P. Practical bayesian optimization of machine learning algorithms. Advances in neural information processing systems, 2012, vol. 25, pp. 1601-1610. DOI: 10.48550/arXiv.1206.2944 Scholar
35.Jafrateh B., Suárez A. Objective functions from Bayesian optimization to locate additional drillholes. Computers & Geosciences, 2021, vol. 147, 104674 p. DOI: 10.1016/j.cageo.2020.104674 Scholar
36.Nowak W., De Barros F.P.J., Rubin Y. Bayesian geostatistical design: Task-driven optimal site investigation when the geostatistical model is uncertain. Water Resources Research, 2010, vol. 46, no. 3, pp. 463-481. DOI: 10.1029/2009WR008312 Scholar
37.Carpenter C. Combined Geostatistics and Bayesian Updating Optimize Drilling in Shale-Gas Plays. Journal of Petroleum Technology, 2014, vol. 66, no. 10, pp. 179-184. DOI: 10.2118/1014-0179-JPT Scholar
38.Kim J. Lithofacies classification integrating conventional approaches and machine learning technique. Journal of Natural Gas Science and Engineering, 2022, vol. 100, 104500 p. DOI: 10.1016/j.jngse.2022.104500 Scholar
39.Al-Mudhafar W.J. Integrating well log interpretations for lithofacies classification and permeability modeling through advanced machine learning algorithms. Journal of Petroleum Exploration and Production Technology, 2017, vol. 7, no. 4, pp. 1023-1033. DOI: 10.1007/s13202-017-0360-0 Scholar
40.Antariksa G., Muammar R., Lee J. Performance evaluation of machine learning-based classification with rock-physics analysis of geological lithofacies in Tarakan Basin, Indonesia. Journal of Petroleum Science and Engineering, 2022, vol. 208, 109250 p. DOI: 10.1016/j.petrol.2021.109250 Scholar
41.Shakiba M. et al. Stochastic reconstruction of fracture network pattern using spatial point processes. Geoenergy Science and Engineering, 2024, vol. 236, 212741 p. DOI: 10.1016/j.geoen.2024.212741 Scholar
42.Özbayrak F., Foster J.T., Pyrcz M.J. Spatial bagging to integrate spatial correlation into ensemble machine learning. Computers & Geosciences, 2024, vol. 186, 105558 p. DOI: 10.1016/j.cageo.2024.105558 Scholar
43.Pyrcz M.J. Data analytics and geostatistical workflows for modeling uncertainty in unconventional reservoirs. Bulletin of Canadian Petroleum Geology, 2019, vol. 67, no. 4, pp. 273-282. DOI: 10.35767/gscpgbull.67.4.273 Scholar
44.Pyrcz M.J., Deutsch C.V., Deutsch J.L. Transforming data to a gaussian distribution. Geostatistics Lessons, 2018, pp. 27-38. Scholar
45.Belozerov B. et al. Automatic well log analysis across priobskoe field using machine learning methods. SPE Russian Petroleum Technology Conference. SPE, 2018, p. D013S002R011. DOI: 10.2118/191604-18RPTC-MS Scholar
46.Budennyy S. et al. Image processing and machine learning approaches for petrographic thin section analysis. SPE Russian Petroleum Technology Conference. SPE, 2017, p. D023S014R005. DOI: 10.2118/187885-MS Scholar

Другие статьи выпуска

Весь выпуск (Том 25, № 1, 2025)

Скачать PDF

Информация о статье

Опубликована: 24.02.2025
В выпуске: 24.02.2025
Выпуск: Том 25, № 1 (2025)

Оптимизация алгоритма поиска наиболее достоверных реализаций геологической модели

Аннотация

Ключевые слова

Optimization of the Algorithm for Searching for the Most Reliable Implementations of a Geological Model

Keywords

Литература

Другие статьи выпуска

Информация о статье