Assessment of Rock Geochemical Properties of the Bazhenov Formation According to Well Logging Data Using Machine Learning Methods

The Bazhenov formation in the West Siberian oil and gas province is of interest to researchers not only as a potential industrial development object, but also in connection with forecasting oil content and assessing the risks of exploratory drilling. The results of a study aimed at developing machine learning models to assess the relationships between the geochemical parameters of the Bazhenov formation and data obtained from well logging are presented. Modern machine learning methods provide powerful tools for data analysis and forecasting. Geological data is often characterized by a large number of parameters and complex relationships that can be difficult for humans to understand. In this context, the application of machine learning methods provides researchers with new tools. This work focuses on the Boosted Trees model, which demonstrated better results compared to other regression methods, having the lowest error (MAE and MSE) and the highest coefficient of determination (R2). Boosted Trees models provided accurate and stable prediction results, which were confirmed by visual analysis. As a result of the work, using machine learning methods, geochemical parameters were calculated, including S1, S2 and Tmax, which was previously difficult. This increased the accuracy of the geochemical parameters assessment in wells, which contributed to the improvement of models for the rock properties distribution along the well section, and in the future will lead to an increase in the detail of the parameters distribution over the area. It also emphasizes the importance of careful data preprocessing and selecting the best models and training methods. Despite its technical challenges, machine learning provides researchers with a powerful tool to more accurately analyze and interpret geodata and make operational decisions based on this data.

Оценка геохимических свойств пород Баженовской свиты по данным ГИС методами машинного обучения

Баженовская свита в Западно-Сибирской нефтегазоносной провинции представляет интерес для исследователей не только как потенциально промышленный объект разработки, но и в связи с прогнозированием нефтеносности и оценкой рисков поискового бурения. Представлены результаты исследования, нацеленного на разработку моделей машинного обучения для оценки зависимостей между геохимическими параметрами Баженовской свиты и данными, полученными в результате геофизических исследований скважин. Современные методы машинного обучения предоставляют собой мощные инструменты для анализа данных и прогнозирования. Геологические данные часто характеризуются большим числом параметров и сложными взаимосвязями, которые могут быть труднопонимаемыми для человека. В этом контексте применение методов машинного обучения обеспечивает исследователям новые инструменты. В данной работе уделено внимание модели Boosted Trees, которая продемонстрировала лучшие результаты по сравнению с другими методами регрессии, обладая наименьшей ошибкой (MAE и MSE) и наивысшим коэффициентом детерминации (R2). Модели Boosted Trees обеспечивают точные и стабильные результаты прогнозирования, что было подтверждено визуальным анализом. В результате проведенной работы благодаря применению методов машинного обучения был проведен расчет геохимических параметров, включая S1, S2 и Tmax, что ранее было затруднительно. Это повысило точность оценки геохимических параметров в скважинах, что способствовало улучшению моделей распределения свойств пород по разрезу скважин, а в дальнейшем приведет к повышению детальности картины распределения параметров по площади. Также подчеркивается важность тщательной предобработки данных, выбора наилучших моделей и методов обучения. Несмотря на технические сложности, машинное обучение предоставляет исследователям мощный инструмент для более точного анализа и интерпретации геоданных, а также для принятия производственных решений на основе этих данных.