Автоматизация межскважинной корреляции с использованием алгоритма динамической трансформации временной шкалы: опыт применения

Тунев, И.С.; Барях, В.А.

doi:10.15593/2712-8008/2025.2.2

Автоматизация межскважинной корреляции с использованием алгоритма динамической трансформации временной шкалы: опыт применения

И.С. Тунев, В.А. Барях

Сведения об авторах

И.С. Тунев
ООО «ЛУКОЙЛ-Инжиниринг», Пермь, Российская Федерация
В.А. Барях
ООО «ЛУКОЙЛ-Инжиниринг», Пермь, Российская Федерация

https://doi.org/10.15593/2712-8008/2025.2.2

Представлен подход к автоматизации межскважинной корреляции, основанный на алгоритме динамической трансформации временной шкалы Dynamic Time Warping. Данный метод является эффективным инструментом для анализа и сравнения временных рядов (в данном случае каротажных кривых). Описаны ключевые этапы реализации данного подхода, начиная с предварительной подготовки данных: выбор наиболее информативных кривых геофизических исследований скважин, обработка пропусков, сглаживание и стандартизация данных. Затем применяются методы кластеризации (например, k-means с использованием PCA) для определения эталонных скважин, которые охватывают все возможные варианты поведения кривых геофизических исследований скважин из имеющихся данных. На следующем этапе используется алгоритм Dynamic Time Warping для вычисления сходства между эталонными и целевыми скважинами, что позволяет найти оптимальное соответствие между ними. Наконец, выполняется прогнозирование положения пластопересечений в целевых скважинах на основе экспертных отметок в эталонных скважинах. Опыт применения показал высокую согласованность результатов алгоритма с экспертными оценками в 85 % случаев, подтверждая его эффективность. Отмечены расхождения, которые в ряде случаев были вызваны субъективными факторами при экспертной интерпретации, в то время как алгоритм Dynamic Time Warping продемонстрировал эффективность в правильном распознавании заданных ему шаблонов поведения кривых геофизических исследований скважин. Предложенный подход не только повышает точность и объективность интерпретации данных, но и служит инструментом для выявления и коррекции субъективных ошибок, связанных с человеческим фактором. Это особенно важно при работе с большими объемами данных, где традиционные методы анализа становятся крайне трудоемкими и уязвимыми для ошибок. Таким образом, использование Dynamic Time Warping открывает новые возможности для автоматизации процессов анализа и корреляции данных в геофизических исследованиях, способствуя повышению эффективности работы специалистов в данной области.

Ключевые слова

межскважинная корреляцияавтоматическая корреляция скважинавтокорреляцияГИСкаротажгеофизикаалгоритм динамической трансформации временной шкалыалгоритмпрограммированиекластеризацияанализ данныхстатистикаобработка данных

Automation of interwell correlation using dynamic time scale transformation algorithm: application experience

The article presents an approach to automation of interwell correlation based on the Dynamic Time Warping algorithm for dynamic time scale transformation. This method is an effective tool for analyzing and comparing time series (in this case, well logging curves). The key stages of implementing this approach are described, starting with preliminary data preparation: selecting the most informative well logging curves, processing gaps, smoothing and standardizing the data. Then, clustering methods (for example, k-means using PCA) are applied to determine reference wells that cover all possible behavior options for well logging curves from the available data. At the next stage, the Dynamic Time Warping algorithm is used to calculate the similarity between reference and target wells, which allows finding the optimal match between them. Finally, the position of formation intersections in target wells is predicted based on expert marks in reference wells. Experience shown high consistency of the algorithm results with expert estimates in 85% of cases, confirming its effectiveness. Discrepancies were noted, which in some cases were caused by subjective factors in expert interpretation, while the Dynamic Time Warping algorithm demonstrated effectiveness in correctly recognizing the assigned behavior patterns of well logging curves. The proposed approach based on Dynamic Time Warping not only improves the accuracy and objectivity of data interpretation, but also serves as a tool for identifying and correcting subjective errors associated with the human factor. This is especially important when working with large volumes of data, where traditional analysis methods become extremely labor-intensive and vulnerable to errors. Thus, the use of Dynamic Time Warping opens up new opportunities for automating the processes of data analysis and correlation in geophysical research, contributing to the increased efficiency of specialists in this field.

Keywords

interwell correlationautomatic well correlationautocorrelationgeophysical well logginglogginggeophysicsdynamic time scale transformation algorithmalgorithmprogrammingclusteringdata analysisstatisticsdata processing

Литература

1.Keogh, E. Scaling up Dynamic Time Warping for Datamining Applications / E. Keogh, M. Pazzani // Proceedings of the 6th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – 2002. – P. 285–289. DOI: 10.1145/347090.347153 Scholar
2.Scikit-learn: Machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort [et al.]// Journal of Machine Learning Research, – 2011. – No. 12. – P. 2825–2830. DOI: 10.48550/arXiv.1201.0490 Scholar
3.McKinney, W. Data structures for statistical computing in Python / W. McKinney // Proceedings of the 9th Python in Science Conference, – 2010. – P. 1–6. DOI: 10.25080/Majora-92bf1922-00a Scholar
4.Hunter, J.D. Matplotlib: A 2D graphics environment / J.D. Hunter // Computing in Science & Engineering. – 2007. – No. 9 (3). – P. 90–95. Scholar
5.Семенов, И.А. Использование возможностей библиотеки Matplotlib для визуализации данных в работе инженеров и исследователей / И.А. Семенов, М.Д. Шишкин // Современные технологии и научно-технический прогресс. – 2024.– № 11. – С. 169–170. Scholar
6.Таршхоева, Ж.Т. Язык программирования Python. Библиотеки Python / Ж.Т. Таршхоева // Молодой ученый. – 2021. – № 5 (347). – С. 20–21. Scholar
7.Галимуллин, Н.Р. Python: использование Python для автоматизации повседневных задач / Н.Р. Галимуллин // Экономика и управление: проблемы, решения. – 2024. – Т. 9, № 9 (150). – С. 69–76. DOI: 10.36871/ek.up.p.r.2024.09.09.010 Scholar
8.Ефремов, Е.А. Разработка графических интерфейсов с помощью графической библиотеки Tkinter / Е.А. Ефремов // Молодежный научно-технический вестник. – 2017. – № 6. – С. 44. Scholar
9.Дрянкова, Д.А. Обработка пропущенных значений и дубликатов в данных с помощью библиотеки Pandas для языка программирования Python / Д.А. Дрянкова // Дневник науки. – 2023. – № 6 (78). DOI: 10.51691/2541-8327_2023_6_11 Scholar
10.Van der Walt, S. The NumPy array: A structure for efficient numerical computation / S. Van der Walt, S.C. Colbert, G. Varoquaux // Computing in Science & Engineering. – 2011. – No. 13(2). – P. 22–30. DOI: 10.1109/MCSE.2011.37 Scholar
11.Array programming with NumPy / C.R. Harris, K.J. Millman, S.J. Van der Walt [et al.] // Nature. – 2020. – No. 585 (7825). – P. 357–362. DOI: 10.1038/s41586-020-2649-2 Scholar
12.Li, Ya. Exploring Indexing and Slicing in NumPy Arrays / Ya. Li, Yu. Shao, Ch. Fu // Journal of Physics: Conference Series. – 2024. – Vol. 2832, no. 1. – P. 012019. DOI: 10.1088/1742-6596/2832/1/012019 Scholar
13.Waskom, M. Seaborn: Statistical data visualization / M. Waskom // Journal of Open Source Software. – 2021. – Vol. 6, no. 60. – P. 3021. DOI: 10.21105/joss.03021 Scholar
14.Machine learning in petrophysics: Advantages and limitations / Ch. Xu, L. Fu, T. Lin, W. Li, Sh. Ma // Artificial Intelligence in Geosciences. – 2022. – No. 3. DOI: 10.1016/j.aiig.2022.11.004 Scholar
15.Костиков, Д.В. Сравнение методов уменьшения обучающей выборки при интерпретации данных геофизических исследований скважин с помощью нейронной сети / Д.В. Костиков, А.И. Ларюхин, В.Е. Лялин // Труды международного симпозиума «Надежность и качество». – 2007. – Т. 1. – С. 118–123. Scholar
16.Гулин, А.Б. Применение методов машинного обучения для интерпретации данных геофизических исследований скважин / А.Б. Гулин // Проблемы разработки месторождений углеводородных и рудных полезных ископаемых. – 2022. – Т. 1. – С. 41–45. Scholar
17.Ковалевский, Е.В. Уточнение геологических моделей посредством использования автоматической корреляции скважин / Е.В. Ковалевский, Г.Н. Гогоненков, М.В. Перепечкин // Недропользование XXI век. – 2007. – № 4. – С. 28–31. Scholar
18.Lineman, D.J. Well to well log correlation using knowledge-based systems and dynamic depth warping / D.J. Lineman, J.D. Mendelson, M.N. Toksos // SPWLA 28th Annual Logging Symposium “High-impact palynology in petroleum geology: applications from Venezuela (Northern South America)” (June 29 – July 2, 1987). – AAPG Bull., 1987. – Vol. 86. – P. 421–453. Scholar
19.Multiple Imputation by Chained Equations: What is it and how does it work? / M.J. Azur, E.A. Stuart, C. Frangakis, P.J. Leaf // International Journal of Methods in Psychiatric Research. – 2011. – Vol. 20, no. 1. – P. 36–49. DOI: 10.1002/mpr.329 Scholar
20.Siddique, J. A Comparison of Six Methods for Missing Data Imputation / J. Siddique, T.R. Belin // Journal of Biometrics & Biostatistics. – 2008. – Vol. 3, no. 2. – P. 1–15. DOI: 10.4172/2155-6180.1000224 Scholar
21.Data Imputation for Multivariate Time Series Sensor Data With Large Gaps of Missing Data / R. Wu, S.D. Hamshaw, L. Yang [et al.] // IEEE Sensors Journal. – 2022. – Vol. 22, no. 11. – P. 10671–10683. DOI: 10.1109/jsen.2022.3166643 Scholar
22.Use Moving Average Filter to Reduce Noises in Wearable PPG During Continuous Monitoring / Y. Chen, D. Li, Y. Li, X. Ma, J. Wei // Lecture Notes of the Institute for Computer Sciences. – 2016. – No. 181. – P. 193–203. DOI: 10.1007/978-3-319-49655-9_26 Scholar
23.Soltanian, M. Recognition of Visual Events using Spatio-Temporal Information of the Video Signal / M. Soltanian, Sh. Ghaemmaghami // Signal and Data Processing. – 2021. – Vol. 18, no. 1. – P. 134–119. DOI: 10.52547/jsdp.18.1.134 Scholar
24.Al-Faiz, M.Z. The Effect of Z-Score Standardization (Normalization) on Binary Input Due the Speed of Learning in Back-Propagation Neural Network / M.Z. Al-Faiz, A.A. Ibrahim, S.M. Hadi // Ira. J. Inf. Commun. Technol. – 2018. – Vol. 1. – P. 42–48. DOI: 10.31987/ijict.1.3.41 Scholar
25.Al Shalabi, L. Normalization as a preprocessing engine for data mining and the approach of preference matrix / L. Al Shalabi, Z. Shaaban // International Conference on Dependability of Computer Systems, 25–27 May 2006. – Szklarska Poreba, 2006. – P. 207–214. DOI: 10.1109/DEPCOS-RELCOMEX.2006.38 Scholar
26.Salvador, S. Fast DTW: Toward accurate dynamic time warping in linear time and space / S. Salvador, P. Chan // Intelligent Data Analysis. – 2004. – No. 11 (5). – P. 70–80. Scholar
27.Kate, RJ. Using dynamic time warping distances as features for improved time series classification / RJ. Kate // Data Mining and Knowledge Discovery. – 2016. – Vol. 30, no. 2. – P. 283–312. DOI: 10.1007/s10618-015-0418-x Scholar
28.Sylvester, Z. Automated multi-well stratigraphic correlation and model building using relative geologic time / Z. Sylvester // Basin Research. – 2023. – Vol. 35, no. 5. – P. 1961–1984. DOI: 10.1111/bre.12787 Scholar
29.Шарафутдинов, Т.Р. Апробация алгоритма автокорреляции данных геофизических исследований скважин на примере отложений ачимовской толщи Правдинского месторождения / Т.Р. Шарафутдинов, Р.А. Шайбаков // Научно-технический вестник ОАО «НК «Роснефть». – 2012. – № 1. – С. 18–22. Scholar
30.Автоматизированная увязка сейсмических и скважинных данных с использованием алгоритма Dynamic Time Warping / А.В. Буторин, А.И. Севостьянов, С.К. Стуликов, А.А. Тимиргалин // Нефтяное хозяйство. – 2019. – № 12. – С. 30–32. – DOI: 10.24887/0028-2448-2019-12-30-32 Scholar
31.Sakoe, H. Dynamic programming algorithm optimization for spoken word recognition / H. Sakoe, S. Chiba // IEEE Transactions on Acoustics, Speech and Signal Processing. – 1978. – Vol. 26, iss.1. – P. 43–49. DOI: 10.1109/TASSP.1978.1163055 Scholar
32.Технология оценки согласованности результатов автоматической корреляции скважин по данным геофизических исследований / К.Е. Закревский, Р.К. Газизов, Е.А. Рыжиков, К.В. Фрейдин // Нефтяное хозяйство. – 2021. – № 8. – С. 22–26. DOI: 10.24887/0028-2448-2021-8-22-26 Scholar
33.Разработка подходов к автоматизированной внутрипластовой корреляции по данным геофизических исследований скважин с применением машинного обучения / И.Д. Латыпов, Л.Р. Шагимарданова, А.В. Марков, Н.А. Евграфов // Экспозиция Нефть Газ. – 2024. – № 4 (105). – С. 47–51. DOI: 10.24412/2076-67852024-4-47-51 Scholar
34.Event DTW: An improved Dynamic Time Warping algorithm for aligning biomedical signals of nonuniform sampling frequencies / Y. Jiang, Y. Qi, W.K. Wang [et al.] // Sensor. – 2020. – Vol. 20 (9). – P. 1–13. DOI: 10.3390/s20092700 Scholar
35.Study on Rock Mechanics Parameter Prediction Method Based on DTW Similarity and Machine-Learning Algorithms / W. Cai, J. Ding, Zh. Li [et al.] // Petrophysics. – 2024. – Vol. 65, no. 1. – P. 128–144. DOI: 10.30632/pjv65n1-2024a7 Scholar
36.The dynamic time-warping approach to comparison of magnetic-susceptibility logs and application to lower devonian calciturbidites (Prague Synform, Bohemian Massif) / J. Hladil, P. Cejchan, L. Koptikova [et al.] // Geologica Belgica. – 2010. – Vol. 13, no. 4. – P. 385–406. Scholar
37.Романенко, А.А. Выравнивание временных рядов: прогнозирование с использованием DTW / А.А. Романенко // Машинное обучение и анализ данных. – 2011. – Т. 1, № 1. – С. 77–85. Scholar
38.Rabiner, L. An introduction to hidden Markov models / L. Rabiner, B. Juang // IEEE ASSP Magazine. – 1986. – Vol. 3. – No. 1. – P. 4–16. DOI: 10.1109/MASSP.1986.1165342 Scholar
39.Денисенко, А.А. Исследование методов сокращения размерности в задаче распознавания образов / А.А. Денисенко // Международный журнал прикладных и фундаментальных исследований. – 2020. – № 12. – С. 65–69. DOI: 10.17513/mjpfi.13161 Scholar
40.Basna, H. Journal of Soft Computing and Data Mining A Review of Principal Component Analysis Algorithm for Dimensionality Reduction / H. Basna, A. Adnan // Applied Soft Computing. – 2021. – No. 2. – P. 20–30. DOI: 10.30880/jscdm.2021.02.01.003 Scholar
41.Бова, В.В. Методы и алгоритмы кластеризации текстовых данных (обзор) / В.В. Бова, Ю.А. Кравченко, С.И. Родзин // Известия ЮФУ. Технические науки. – 2022. – № 4 (228). – С. 122–143. DOI: 10.18522/2311-3103-2022-4-122-143 Scholar
42.Орлов, В.И. Применение критерия силуэта в алгоритме автоматической группировки электрорадиоизделий космического применения / В.И. Орлов, Л.А. Казаковцев, И.С. Масич // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. – 2016. – Т. 17, № 4. – С. 883–890. Scholar
43.Umargono, E. K-Means Clustering Optimization Using the Elbow Method and Early Centroid Determination Based on Mean and Median Formula / E. Umargono, J. Suseno, S.K. Gunawan // The 2nd International Seminar on Science and Technology. – 2019. DOI: 10.2991/assehr.k.201010.019 Scholar
44.Hartigan, J.A. A k-means clustering algorithm / J.A. Hartigan, M.A. Wong // Journal of the Royal Statistical Society. Series C (Applied Statistics). – 1979. – Vol. 28, iss. 1. – P. 100–108. DOI: 10.2307/2346830 Scholar
45.(2023). Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood-Affected Areas in Jakarta / I. Firman Ashari, E. Nugroho, R. Baraku, I. Yanda, R. Liwardana // Journal of Applied Informatics and Computing. – 2023. – No. 7. – P. 89–97. DOI: 10.30871/jaic.v7i1.4947 Scholar

1.Keogh E., Pazzani M. Scaling up Dynamic Time Warping for Datamining Applications. Proceedings of the 6th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2002, pp. 285-289. DOI: 10.1145/347090.347153 Scholar
2.Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 2011, no. 12, pp. 2825-2830. DOI: 10.48550/arXiv.1201.0490 Scholar
3.McKinney W. Data structures for statistical computing in Python. Proceedings of the 9th Python in Science Conference, 2010, pp. 1-6. DOI: 10.25080/Majora-92bf1922-00a Scholar
4.Hunter J.D. Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 2007, no. 9 (3), pp. 90-95. Scholar
5.Semenov I.A., Shishkin M.D. Ispol'zovanie vozmozhnostei biblioteki Matplotlib dlia vizualizatsii dannykh v rabote inzhenerov i issledovatelei [Using the potential of the Matplotlib library for data visualization in the work of engineers and researchers]. Sovremennye tekhnologii i nauchno-tekhnicheskii progress, 2024, no. 11, pp. 169-170. Scholar
6.Tarshkhoeva Zh.T. Iazyk programmirovaniia Python. Biblioteki Python [Python programming language. Python libraries]. Molodoi uchenyi, 2021, no. 5 (347), pp. 20-21. Scholar
7.Galimullin N.R. Python: ispol'zovanie Python dlia avtomatizatsii povsednevnykh zadach [Python: using Python to automate everyday tasks]. Ekonomika i upravlenie: problemy, resheniia, 2024, vol. 9, no. 9 (150), pp. 69-76. DOI: 10.36871/ek.up.p.r.2024.09.09.010 Scholar
8.Efremov E.A. Razrabotka graficheskikh interfeisov s pomoshch'iu graficheskoi biblioteki Tkinter [Developing GUIs with the Tkinter GUI Library]. Molodezhnyi nauchno-tekhnicheskii vestnik, 2017, no. 6, 44 p. Scholar
9.Driankova D.A. Obrabotka propushchennykh znachenii i dublikatov v dannykh s pomoshch'iu biblioteki Pandas dlia iazyka programmirovaniia Python [Processing of missing values and duplicates in data using the Pandas library for the Python programming language]. Dnevnik nauki, 2023, no. 6 (78). DOI: 10.51691/2541-8327_2023_6_11 Scholar
10.Van der Walt S., Colbert S.C., Varoquaux G. The NumPy array: A structure for efficient numerical computation. Computing in Science & Engineering, 2011, no. 13 (2), pp. 22-30. DOI: 10.1109/MCSE.2011.37 Scholar
11.Harris C.R., Millman K.J., Van der Walt S.J. et al. Array programming with NumPy. Nature, 2020, no. 585 (7825), pp. 357-362. DOI: 10.1038/s41586-020-2649-2 Scholar
12.Li Ya., Shao Yu., Fu Ch. Exploring Indexing and Slicing in NumPy Arrays. Journal of Physics: Conference Series, 2024, vol. 2832, no. 1, 012019 p. DOI: 10.1088/1742-6596/2832/1/012019 Scholar
13.Waskom M. Seaborn: Statistical data visualization. Journal of Open Source Software, 2021, vol. 6, no. 60, 3021 p. DOI: 10.21105/joss.03021 Scholar
14.Xu Ch., Fu L., Lin T., Li W., Ma Sh. Machine learning in petrophysics: Advantages and limitations. Artificial Intelligence in Geosciences, 2022, no. 3. DOI: 10.1016/j.aiig.2022.11.004 Scholar
15.Kostikov D.V., Lariukhin A.I., Lialin V.E. Sravnenie metodov umen'sheniia obuchaiushchei vyborki pri interpretatsii dannykh geofizicheskikh issledovanii skvazhin s pomoshch'iu neironnoi seti [Comparison of methods for reducing the training sample in the interpretation of well logging data using a neural network]. Trudy mezhdunarodnogo simpoziuma “Nadezhnost' i kachestvo”, 2007, vol. 1, С. 118–123. Scholar
16.Gulin A.B. Primenenie metodov mashinnogo obucheniia dlia interpretatsii dannykh geofizicheskikh issledovanii skvazhin [Application of machine learning methods to interpret well logging data]. Problemy razrabotki mestorozhdenii uglevodorodnykh i rudnykh poleznykh iskopaemykh, 2022, vol. 1, pp. 41-45. Scholar
17.Kovalevskii E.V., Gogonenkov G.N., Perepechkin M.V. Utochnenie geologicheskikh modelei posredstvom ispol'zovaniia avtomaticheskoi korreliatsii skvazhin [Refinement of geological models using automatic well correlation]. Nedropol'zovanie XXI vek, 2007, no. 4, pp. 28-31. Scholar
18.Lineman D.J., Mendelson J.D., Toksos M.N. Well to well log correlation using knowledge-based systems and dynamic depth warping. SPWLA 28th Annual Logging Symposium “High-impact palynology in petroleum geology: applications from Venezuela (Northern South America)” (June 29 – July 2, 1987). AAPG Bull., 1987, vol. 86, pp. 421-453. Scholar
19.Azur M.J., Stuart E.A., Frangakis C., Leaf P.J. Multiple Imputation by Chained Equations: What is it and how does it work? International Journal of Methods in Psychiatric Research, 2011, vol. 20, no. 1, pp. 36-49. DOI: 10.1002/mpr.329 Scholar
20.Siddique J., Belin T.R. A Comparison of Six Methods for Missing Data Imputation. Journal of Biometrics & Biostatistics, 2008, vol. 3, no. 2, pp. 1-15. DOI: 10.4172/2155-6180.1000224 Scholar
21.Wu R., Hamshaw S.D., Yang L. et al. Data Imputation for Multivariate Time Series Sensor Data With Large Gaps of Missing Data. IEEE Sensors Journal, 2022, vol. 22, no. 11, pp. 10671-10683. DOI: 10.1109/jsen.2022.3166643 Scholar
22.Chen Y., Li D., Li Y., Ma X., Wei J. Use Moving Average Filter to Reduce Noises in Wearable PPG During Continuous Monitoring. Lecture Notes of the Institute for Computer Sciences, 2016, no. 181, pp. 193-203. DOI: 10.1007/978-3-319-49655-9_26 Scholar
23.Soltanian M., Ghaemmaghami Sh. Recognition of Visual Events using Spatio-Temporal Information of the Video Signal. Signal and Data Processing, 2021, vol. 18, no. 1, pp. 134-119. DOI: 10.52547/jsdp.18.1.134 Scholar
24.Al-Faiz M.Z., Ibrahim A.A., Hadi S.M. The Effect of Z-Score Standardization (Normalization) on Binary Input Due the Speed of Learning in Back-Propagation Neural Network. Ira. J. Inf. Commun. Technol., 2018, vol. 1, pp. 42-48. DOI: 10.31987/ijict.1.3.41 Scholar
25.Al Shalabi L., Shaaban Z. Normalization as a preprocessing engine for data mining and the approach of preference matrix. International Conference on Dependability of Computer Systems, 25-27 May 2006. Szklarska Poreba, 2006, pp. 207-214. DOI: 10.1109/DEPCOS-RELCOMEX.2006.38 Scholar
26.Salvador S., Chan P. Fast DTW: Toward accurate dynamic time warping in linear time and space. Intelligent Data Analysis, 2004, no. 11 (5), pp. 70-80. Scholar
27.Kate RJ. Using dynamic time warping distances as features for improved time series classification. Data Mining and Knowledge Discovery, 2016, vol. 30, no. 2, pp. 283-312. DOI: 10.1007/s10618-015-0418-x Scholar
28.Sylvester Z. Automated multi-well stratigraphic correlation and model building using relative geologic time. Basin Research, 2023, vol. 35, no. 5, pp. 1961-1984. DOI: 10.1111/bre.12787 Scholar
29.Sharafutdinov T.R., Shaibakov R.A. Aprobatsiia algoritma avtokorreliatsii dannykh geofizicheskikh issledovanii skvazhin na primere otlozhenii achimovskoi tolshchi Pravdinskogo mestorozhdeniia [Testing an algorithm of the well log data autocorrelation on the example of Achimov sequence of Pravdinskoye field]. Nauchnotekhnicheskii vestnik OAO “NK “Rosneft'”, 2012, no. 1, pp. 18-22. Scholar
30.Butorin A.V., Sevost'ianov A.I., Stulikov S.K., Timirgalin A.A. Avtomatizirovannaia uviazka seismicheskikh i skvazhinnykh dannykh s ispol'zovaniem algoritma Dynamic Time Warping [DTW based automated seismic–well tie]. Neftianoe khoziaistvo, 2019, no. 12, pp. 30-32. DOI: 10.24887/0028-2448-2019-12-30-32 Scholar
31.Sakoe H., Chiba S. Dynamic programming algorithm optimization for spoken word recognition. IEEE Transactions on Acoustics, Speech and Signal Processing, 1978, vol. 26, iss. 1, pp. 43-49. DOI: 10.1109/TASSP.1978.1163055 Scholar
32.Zakrevskii K.E., Gazizov R.K., Ryzhikov E.A., Freidin K.V. Tekhnologiia otsenki soglasovannosti rezul'tatov avtomaticheskoi korreliatsii skvazhin po dannym geofizicheskikh issledovanii [Consistency evaluation technology for automatic well-log correlation using well logging data]. Neftianoe khoziaistvo, 2021, no. 8, pp. 22-26. DOI: 10.24887/0028-2448-2021-8-22-26 Scholar
33.Latypov I.D., Shagimardanova L.R., Markov A.V., Evgrafov N.A. Razrabotka podkhodov k avtomatizirovannoi vnutriplastovoi korreliatsii po dannym geofizicheskikh issledovanii skvazhin s primeneniem mashinnogo obucheniia [Development of approaches to automated correlation from well log data using machine learning]. Ekspozitsiia Neft' Gaz, 2024, no. 4 (105), pp. 47-51. DOI: 10.24412/2076-6785-2024-4-47-51 Scholar
34.Jiang Y., Qi Y., Wang W.K. et al. Event DTW: An improved Dynamic Time Warping algorithm for aligning biomedical signals of nonuniform sampling frequencies. Sensor, 2020, vol. 20 (9), pp. 1-13. DOI: 10.3390/s20092700 Scholar
35.Cai W., Ding J., Li Zh. et al. Study on Rock Mechanics Parameter Prediction Method Based on DTW Similarity and Machine-Learning Algorithms. Petrophysics, 2024, vol. 65, no. 1, pp. 128-144. DOI: 10.30632/pjv65n1-2024a7 Scholar
36.Hladil J., Cejchan P., Koptikova L. et al. The dynamic time-warping approach to comparison of magnetic-susceptibility logs and application to lower devonian calciturbidites (Prague Synform, Bohemian Massif). Geologica Belgica, 2010, vol. 13, no. 4, pp. 385-406. Scholar
37.Romanenko A.A. Vyravnivanie vremennykh riadov: prognozirovanie s ispol'zovaniem DTW [Time Series Alignment: Forecasting Using DTW]. Mashinnoe obuchenie i analiz dannykh, 2011, vol. 1, no. 1, pp. 77-85. Scholar
38.Rabiner L., Juang B. An introduction to hidden Markov models. IEEE ASSP Magazine, 1986, vol. 3, no. 1, pp. 4-16. DOI: 10.1109/MASSP.1986.1165342 Scholar
39.Denisenko A.A. Issledovanie metodov sokrashcheniia razmernosti v zadache raspoznavaniia obrazov [Research of dimensionality reduction methods in the pattern recognition problem]. Mezhdunarodnyi zhurnal prikladnykh i fundamental'nykh issledovanii, 2020, no. 12, pp. 65-69. DOI: 10.17513/mjpfi.13161 Scholar
40.Basna H., Adnan A. Journal of Soft Computing and Data Mining A Review of Principal Component Analysis Algorithm for Dimensionality Reduction. Applied Soft Computing, 2021, no. 2, pp. 20-30. DOI: 10.30880/jscdm.2021.02.01.003 Scholar
41.Bova V.V., Kravchenko Iu.A., Rodzin S.I. Metody i algoritmy klasterizatsii tekstovykh dannykh (obzor) [Methods and algorithms for text data clustering (review)]. Izvestiia IuFU. Tekhnicheskie nauki, 2022, no. 4 (228), pp. 122-143. DOI: 10.18522/2311-3103-2022-4-122-143 Scholar
42.Orlov V.I., Kazakovtsev L.A., Masich I.S. Primenenie kriteriia silueta v algoritme avtomaticheskoi gruppirovki elektroradioizdelii kosmicheskogo primeneniia [Silhouette criterion for automatic grouping algorithm of spaceship electronic components]. Vestnik Sibirskogo gosudarstvennogo aerokosmicheskogo universiteta imeni akademika M.F. Reshetneva, 2016, vol. 17, no. 4, pp. 883-890. Scholar
43.Umargono E., Suseno J., Gunawan S.K. K-Means Clustering Optimization Using the Elbow Method and Early Centroid Determination Based on Mean and Median Formula. The 2nd International Seminar on Science and Technology, 2019. DOI: 10.2991/assehr.k.201010.019 Scholar
44.Hartigan J.A., Wong M.A. A k-means clustering algorithm. Journal of the Royal Statistical Society. Series C (Applied Statistics), 1979, vol. 28, iss. 1, pp. 100-108. DOI: 10.2307/2346830 Scholar
45.Firman Ashari I., Nugroho E., Baraku R., Yanda I., Liwardana R. Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood-Affected Areas in Jakarta. Journal of Applied Informatics and Computing, 2023, no. 7, pp. 89-97. DOI: 10.30871/jaic.v7i1.4947 Scholar

Другие статьи выпуска

Весь выпуск (Том 25, № 2, 2025)

Скачать PDF

Информация о статье

Опубликована: 01.04.2025
В выпуске: 01.04.2025
Выпуск: Том 25, № 2 (2025)

Автоматизация межскважинной корреляции с использованием алгоритма динамической трансформации временной шкалы: опыт применения

Аннотация

Ключевые слова

Automation of interwell correlation using dynamic time scale transformation algorithm: application experience

Keywords

Литература

Другие статьи выпуска

Информация о статье