Creation of Basin and Sedimentation Models of the Territory of the Volga-Ural (Perm Krai) and Timan-Pechora Regions

Semion Iu. Koriakin, Iana L. Lvovskaia, Timur T. Makiev, Irina M. Khvorost, Diana D. Filimonchikova

Author details

Semion Iu. Koriakin
LUKOIL-Engineering LLC, Perm, Russian Federation
Iana L. Lvovskaia
LUKOIL-Engineering LLC, Perm, Russian Federation
Timur T. Makiev
LUKOIL-Engineering LLC, Perm, Russian Federation
Irina M. Khvorost
LUKOIL-Engineering LLC, Perm, Russian Federation
Diana D. Filimonchikova
LUKOIL-Engineering LLC, Perm, Russian Federation

https://doi.org/10.15593/2712-8008/2025.3.2

Basin modeling is a reconstruction of geological processes occurring in sedimentary basins using physical and mathematical apparatus, in particular, in the shell of various software. Each sedimentary basin requires an individual approach to the choice of the method for constructing a geological framework and its subsequent filling. This is due to the different tectonic structure of the regions, the stratigraphy of the sedimentary cover, the conditions of sedimentation, the volume and number of oil and gas complexes, the quality of oil and gas source rocks, etc. The choice of initial data and forecasting tools, including additional studies, depends on the level of study and the goals of modeling – sedimentation modeling and palinspastic reconstructions. The limited sample of initial information used in this case significantly affects the final forecast of oil and gas potential both at the qualitative (with a lack of data on new poorly studied territories) and quantitative (in well-studied areas to clarify the resource base within the license area or a new seismic exploration polygon) levels. In the context of the structural features of the Perm Krai, the Komi Republic and the Nenets Autonomous Okrug (Volga-Ural and Timan-Pechora oil and gas provinces), the authors consider the previously obtained experience in creating basin and sedimentation models with the overview of the important characteristics and parameters of three-dimensional models. In addition, the article describes the applied modules and methods for analyzing and processing data arrays using the Python language, which allows optimizing the stage of collecting and analyzing large, regularly updated geological information bases.

Keywords

Perm KraiVolga-Ural oil and gas provinceTiman-Pechora oil and gas provincedispersed organic matterhydrocarbon resourcesseismic exploration

Создание бассейновых и седиментационных моделей территории Волго-Уральского (Пермский край) и Тимано-Печорского регионов

Бассейновое моделирование – это реконструкция геологических процессов, протекающих в осадочных бассейнах, с использованием физико-математического аппарата [1], в частности, в оболочке различного программного обеспечения. Каждый осадочный бассейн требует индивидуального подхода к выбору методики построения геологического каркаса и его последующего наполнения. Это связано с различным тектоническим строением регионов, стратиграфией осадочного чехла, условиями осадконакопления, объемом и количеством нефтегазоносных комплексов, качеством нефтегазоматеринских пород и пр. От уровня изученности и поставленных целей моделирования зависит выбор исходных данных и инструментов прогноза, в том числе по дополнительным исследованиям, – седиментационное моделирование и палинспастические реконструкции. Ограниченность используемой при этом выборки исходной информации существенно влияет на итоговый прогноз нефтегазоносности как на качественном (при недостатке данных по новым слабоизученным территориям), так и количественном (на хорошо изученных районах для уточнения ресурсной базы в пределах лицензионного участка или нового полигона сейсморазведки) уровнях. В контексте особенностей строения территорий Пермского края, Республики Коми и Ненецкого автономного округа (Волго-Уральской и Тимано-Печорской нефтегазоносной провинции) авторами рассматривается ранее полученный опыт создания бассейновых и седиментационных моделей с обзором важных характеристик и параметров трехмерных моделей. Кроме того, в статье описаны примененные модули и методы анализа и обработки массивов данных при помощи языка Python, позволяющего оптимизировать этап сбора и анализа крупных, регулярно обновляющихся баз геологической информации.

Ключевые слова

Пермский крайВолго-Уральская нефтегазоносная провинцияТимано-Печорская нефтегазоносная провинциярассеянное органическое веществоресурсы углеводородовсейсморазведка

Bibliography

1.Kerimov V.Iu., Mustaev R.N. Monakova, A.S., Dantsova K.I. Chislennoe basseinovoe modelirovanie - effektivnaia tekhnologiia prognoza neftegazonosnosti [Numerical basin modeling is an effective technology of forecast of oil and gas potential]. NefteGazoKhimiia, 2018, no. 2, pp. 43-48. DOI: 10.24411/2310-8266-2018-10207 Scholar
2.Vakhnin M.G. Vliianie blokovogo stroeniia Timano-Pechorskogo neftegazonosnogo basseina na morfologicheskie svoistva lokal'nykh struktur [The influence of the block structure of the Timan-Pechora oil and gas basin on the morphological properties of local structures]. Vestnik instituta geologii Komi nauchnogo tsentra Ural'skogo otdeleniia Rossiiskoi akademii nauk, 2010, no. 5, pp. 2-5. Scholar
3.Morozov N.V., Belen'kaia I.Iu., Zhukov V.V. 3D modelirovanie uglevodorodnykh sistem Bazhenovskoi svity: detalizatsiia prognoza fiziko-khimicheskikh svoistv uglevodorodov [3D modeling of Bagenov fm. hydrocarbon system: details of physicochemical properties of hydrocarbons prognosis]. PRO Neft', 2016, no. 1, pp. 38-45. Scholar
4.Makiev T.T., Koriakin S.Iu. Prognoz neftegazonosnosti v zone sochleneniia vostochnoi chasti Permskogo svoda, severnykh okonchanii Bymsko-Kungurskoi monoklinali i Babkinskoi sedloviny i severo-zapadnoi chasti Iuriuzano-Sylvenskoi depressii [Prediction of oil and gas occurrence in the zone of Permian arch, northern terminations of Bymsky-Kungursky monocline and Babkinsky saddle, and north-western part of Yuryuzano-Sylvensky depression junction]. Geologiia nefti i gaza, 2023, no. 2, pp. 63-70. DOI: 10.31087/0016-7894-2023-2-63-70 Scholar
5.Khafizov S.F., Istomina I.V., Malysheva S.V., Kosenkova N.N. Opyt i perspektivy primeneniia tekhnologii basseinovogo modelirovaniia v OOO “Gazpromneft' NTTs” [Experience and perspectives of Basin Modelling technology application in Gazpromneft NTC LLC]. Neftianoe khoziaistvo, 2010, no. 12, pp. 5-7. Scholar
6.Kozhanov D.D., Bol'shakova M.A., Khopta I.S. Rol' otlozhenii proterozoia v formirovanii neftegazonosnosti severa Volgo-Ural'skogo neftegazonosnogo basseina (po rezul'tatam basseinovogo modelirovaniia) [The role of proterozoic sediments in the formation of oil and gas content in the northern part of the Volga-Ural oil and gas basin (based on the results of basin modeling)]. Georesursy, 2022, vol. 24, no. 2, pp. 113-128. DOI: 10.18599/grs.2022.2.12 Scholar
7.Koriakin S.Iu. Opyt basseinovogo modelirovaniia verkhnedevonskikh karbonatnykh otlozhenii na iugo-vostochnoi chasti Permskogo kraia [Experience of basin modeling of Upper Devonian carbonate sediments on the Southeast of the Perm region]. Geologiia v razvivaiushchemsia mire: sbornik trudov Permskogo gosudarstvennogo natsional'nogo issledovatel'skogo universiteta. Perm', 2019, iss. 12, pp. 313-315. Scholar
8.Putilov I.S., Solov'ev S.I., Klimovskikh M.A. et al. Novye dannye o geologicheskom stroenii i neftegazonosnosti devonskikh karbonatnykh otlozhenii iuga i iugo-vostoka Permskogo kraia [New data on the geological structure and oil and gas potential of the Devonian-Carboniferous sediments in the south and southeast of the Perm region]. Geologiia, geofizika i razrabotka neftianykh i gazovykh mestorozhdenii, 2019, no. 6 (330), pp. 29-35. DOI: 10.30713/2413-5011-2019-6(330)-29-35 Scholar
9.Putilov I.S., Vinokurova E.E., Pulina A.S. et al. Regional'naia otsenka neftegazonosnosti devonskikh terrigennykh otlozhenii na iuge Permskogo kraia [Regional assessment of oil and gas potential of the Devonian terrigenous deposits in the south of Perm territory]. Geologiia, geofizika i razrabotka neftianykh i gazovykh mestorozhdenii, 2020, no. 8, pp. 34-43. DOI: 10.30713/2413-5011-2020-8(344)-34-43 Scholar
10.Isaev V.I. Otsenka vliianiia tolshch vechnoi merzloty pozdnechetvertichnogo klimaticheskogo pokholodaniia na geotermicheskii rezhim neftematerinskikh otlozhenii Zapadnoi Sibiri [Assessment of the influence of permafrost strata of late quaternary climate cooling on the geothermal regime of oil-sorce deposits of Western Siberia]. Neftegazovaia geologiia. Teoriia i praktika а, 2015, vol. 10, no. 2, 11 p. DOI: 10.17353/2070-5379/21_2015 Scholar
11.Sidorov D.A., Sokol'nikova A.A., Fishchenko A.N. et al. Modelirovanie neftegazovykh sistem vostochnogo borta Zapadno-Sibirskogo basseina na iugo-vostoke IamaloNenetskogo avtonomnogo okruga [Modeling of petroleum systems of the eastern limit of the Western Siberian basin in the south-east of the Yamal-Nenets Autonomous District]. Neftegazovaia geologiia. Teoriia i praktika, 2023, vol. 18, no. 1, pp. 26. DOI: 10.17353/2070-5379/5_2023 Scholar
12.Markina E.A., Emel'ianenko O.A. Sedimentatsionnoe modelirovanie, kak neot"emlemaia chast' basseinovogo modelirovaniia na primere postroeniia litofatsial'noi modeli neokoma [Sedimentation modeling as an integral part of basin modeling using the example of constructing a lithofacies model of the Neocomian]. Novye idei v geologii nefti i gaza. Sbornik trudov mezhdunarodnoi nauchnoi konferentsii, Moscow, 25-26 May 2017. Moscow: Moskovskii gosudarstvennyi universitet imeni M.V. Lomonosova, 2017, pp. 204-206. Scholar
13.Granjeon Didier, Pellan Cedric, Barbier Mickael. Assessment of facies distribution in carbonate fields using stratigraphic forward, diagenetic and seismic modelling. F05 - Geoscience technology and innovation, 2017. Scholar
14.Khvorost I.M. Modelirovanie ruslovykh otlozhenii permskogo vozrasta v zone sochleneniia Izhma-Pechorskoi sineklizy i Verkhnepechorskoi vpadiny [Modeling of Permian stream-bed deposits in the Izhma-Pechora syneclise and the Upper Pechora depression conjunction zone]. Izvestiia vysshikh uchebnykh zavedenii. Neft' i gaz, 2023, pp. 55-67. DOI: 10.31660/0445-0108-2023-3-55-67 Scholar
15.Koriakin S.Iu., L'vovskaia Ia.L. Prognoz neftegazonosnosti slaboizuchennoi territorii vostochnoi chasti Rakshinskoi sedloviny, Visimskoi monoklinali i iuzhnogo okonchaniia Kamskogo svoda na osnove sedimentatsionnogo i basseinovogo modelirovaniia [Underexplored territory of eastern part of Rakshinsky saddle, Visimsky monocline, and southern end of Kamsky arch: prediction of oil and gas occurrence using depositional and basin modelling]. Geologiia nefti i gaza, 2022, no. 5, pp. 31-38. DOI: 10.31087/0016-7894-2022-5-31-38 Scholar
16.Sysoeva M.V., Sysoev I.V. Programmirovanie dlia “normal'nykh” s nulia na iazyke Python [Programming for "normal" people from scratch in Python]. Moscow: OOO “MAKS Press”, 2018, part 1, 176 p. Scholar
17.Khaibrakhmanov S.A. Osnovy nauchnykh raschetov na iazyke programmirovaniia Python [Basics of Scientific Computing in Python]. Cheliabinsk: Cheliabinskii gosudarstvennyi universitet, 2019, 96 p. Scholar
18.Yn Annalin, Su Kennet. Teoreticheskii minimum po Big Data. Vse, chto nuzhno znat' o bol'shikh dannykh [Theoretical minimum on Big Data. Everything you need to know about big data]. St. Petersburg: Piter, 2019, 208 p. Scholar
19.Yang X., Li Q., Guo Y., Zhang M. Authorship attribution of source code by using backpropagation neural network based on particle swarm optimization. PLoS ONE, 2017, vol. 12, no. 11, e0187204 p. DOI: 10.1371/journal.pone.0187204 Scholar
20.Alsulami B. et al. Source Code Authorship Attribution using Long Short-Term Memory Based Networks. Proceedings of the 22nd European Symposium on Re-search in Computer Security, 2017, pp. 65-82. DOI: 10.1007/978-3-319-66402-6_6 Scholar
21.Gull M., Zia T., Ilyas M. Source Code Author Attribution Using Author’s Programming Style and Code Smells. International Journal of Intelligent Systems and Applications, 2017, vol. 9, no. 5, pp. 27-33. DOI: 10.5815/ijisa.2017.05.04 Scholar
22.Caliskan-Islam A. et al. De-anonymizing programmers via code stylometry. Proceedings of the 24th USENIX Security Symposium, 2015, pp. 255-270. Scholar
23.Wang N., Ji S., Wang T. Integration of Static and Dynamic Code Stylometry Analysis for Programmer De-anonymization. Proceedings of the 11th ACM Workshop on Arti-ficial Intelligence and Security, 2018, pp. 74-84. DOI: 10.1145/3270101.3270110 Scholar
24.Abuhamad M., AbuHmed T., Mohaisen A., Nyang D. Large-Scale and Language-Oblivious Code Authorship Identification. Proceedings of the 2018 ACM SIGSAC Conference on Computer and Communications Security, 2018, pp. 101-114. DOI: 10.1145/3243734.3243738 Scholar
25.Mohsen A.M., El-Makky N.M., Ghanem N. Author Identification using Deep Learning. 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA), 2016, pp. 898-903. DOI: 10.1109/ICMLA.2016.0161. Scholar
26.Wu T.F., Lin C.J., Weng R.C. Probability estimates for multi-class classification by pairwise coupling. Journal of Machine Learning Research, 2004, vol. 5, pp. 975-1005. Scholar
27.Romanov A.S., Shelupanov A.A., Meshcheriakov R.V. Razrabotka i issledovanie matematicheskikh modelei, metodik i programmnykh sredstv informatsionnykh protsessov pri identifikatsii avtora teksta [Development and research of mathematical models, methods and software tools of information processes in identifying the author of the text]. Tomsk: V-Spektr, 2011, 188 p. Scholar
28.LeCun Y., Bengio Y., Hinton G. Deep learning. Nature, 2015, vol. 521, no. 7553, pp. 436-444. DOI: 10.1038/nature14539 Scholar
29.Schmidhuber J. Deep Learning in Neural Networks: An Overview. Neural Networks, 2015, vol. 61, pp. 85-117. DOI: 10.1016/j.neunet.2014.09.003 Scholar
30.Zhang X., Zhao J., LeCun Y. Character-level Convolutional Networks for Text Classification. Advances in neural information processing systems, 2015, pp. 649-657. DOI: 10.48550/arXiv.1509.01626 Scholar
31.Najafabadi M.M. et al. Deep learning applications and challenges in big data analytics Journal of Big Data, 2015, vol. 2, no. 1, 21 p. DOI: 10.1186/s40537-014-0007-7 Scholar
32.Chen X.W., Lin X. Big Data Deep Learning: Challenges and Perspectives. IEEE Access, 2014, vol. 2, pp. 514-525. DOI: 10.1109/ACCESS.2014.2325029 Scholar
33.Gulli A., Pal S. Deep learning with Keras. Packt Publishing Ltd., 2017. 490 p. Scholar
34.Fei H., Tan F. Bidirectional Grid Long Short-Term Memory (BiGridLSTM): A Method to Address Context-Sensitivity and Vanishing Gradient. Algorithms, 2018, vol. 11, no. 11, 172 p. DOI: 10.3390/a11110172 Scholar
35.Szegedy C. et al. Going Deeper with Convolutions. Proceedings of the IEEE conference on computer vision and pattern recognition, 2015, pp. 1-9. DOI: 10.48550/arXiv.1409.4842 Scholar
36.Zeiler M.D. Adadelta: an adaptive learning rate. arXiv preprint arXiv: 1212.5701, 2012. DOI: 10.48550/arXiv.1212.5701 Scholar
37.Feurer M., Hutter F. Hyperparameter optimization. In Automated machine learning: Methods, systems, challenges, 2019, pp. 3-33. DOI: 10.1007/978-3-030-05318-5_1 Scholar
38.Kharazi Esfahani P., Peiro Ahmady Langeroudy K., Khorsand Movaghar M.R. Enhanced machine learning–ensemble method for estimation of oil formation volume factor at reservoir conditions. Sci. Rep., 2023, vol. 13, 15199 p. DOI: 10.1038/s41598-023-42469-4 Scholar
39.Talebkeikhah M., Sadeghtabaghi Z., Shabani M. A comparison of machine learning approaches for prediction of permeability using well log data in the hydrocarbon reservoirs. J. Hum. Earth Future, 2021, vol. 2, pp. 82-99. DOI: 10.28991/HEF-2021-02-02-01 Scholar
40.Al-Hajeri M.M., Derks J., Fuchs T., Hantschel T., Kauerauf A., Neumaier M., Saeed M.A., Schenk O., Swientek O., Tessen N., Welte D., Wygrala B. Basin and Petroleum System Modeling. Oilfield Review, 2009, vol. 21, no. 2, pp. 14-29. Scholar
41.Hantschel T., Kauerauf A.I. Fundamentals of Basin and Petroleum Systems Modeling. Springer-Verlag Berlin Heidelberg, 2009, 485 р. Scholar
42.Haq B.U., Hardenbol J., Vail P.R. Mesozoic and Cenozoic Chronostratigraphy and Cycles of Sea-Level Change. The Society of Economic Paleontologists and Mineralogists (SEPM), 1998, no. 42, pp. 71-108. DOI: 10.2110/pec.88.01.0071 Scholar
43.McKenzie D. Some remarks on the development of sedimentary basins. Earth and Planetary Science Letters, 1978, no. 40, pp. 25-32. DOI: 10.1016/0012-821X(78)90071-7 Scholar
44.Osborne M.J., Swarbrick R.E. Mechanisms for Generating Overpressure in Sedimentary Basins: a Reevaluation. AAPG Bulletin, 1997, vol. 81, no. 6, pp. 1023-1041. DOI: 10.1306/522B49C9-1727-11D7-8645000102C1865D Scholar
45.Timurziev A.I., Gogonenkov G.N. Strike-slip faults in the West Siberian basin: implications for petroleum exploration and development. Russian Geology and Geophysics, 2010, no. 3, pp. 304-316. DOI: 10.1016/j.rgg.2010.02.007 Scholar

1.Численное бассейновое моделирование – эффективная технология прогноза нефтегазоносности / В.Ю. Керимов, Р.Н. Мустаев, А.С. Монакова, К.И. Данцова // НефтеГазоХимия – 2018. – № 2. – С. 43–48. Scholar
2.Вахнин, М.Г. Влияние блокового строения Тимано-Печорского нефтегазоносного бассейна на морфологические свойства локальных структур / М.Г. Вахнин // Вестник ИГ Коми НЦ УрО РАН. – 2010. – № 5. – С. 2–5. Scholar
3.Морозов, Н.В. 3D моделирование углеводородных систем Баженовской свиты: детализация прогноза физико-химических свойств углеводородов / Н.В. Морозов, И.Ю. Беленькая, В.В. Жуков // PRO Нефть. – 2016. – № 1. – С. 38–45. Scholar
4.Макиев, Т.Т. Прогноз нефтегазоносности в зоне сочленения восточной части Пермского свода, северных окончаний Бымско-Кунгурской моноклинали и Бабкинской седловины и северо-западной части Юрюзано-Сылвенской депрессии / Т.Т. Макиев, С.Ю. Корякин // Геология нефти и газа. – 2023. – № 2. – С. 63–70. DOI: 10.31087/0016-7894-2023-2-63-70. Scholar
5.Опыт и перспективы применения технологии бассейнового моделирования в ООО «Газпромнефть НТЦ» / С.Ф. Хафизов, И.В. Истомина, С.В. Малышева, Н.Н. Косенкова // Нефтяное хозяйство. – 2010. – № 12. – С. 5–7. Scholar
6.Кожанов, Д.Д. Роль отложений протерозоя в формировании нефтегазоносности севера Волго-Уральского нефтегазоносного бассейна (по результатам бассейнового моделирования) / Д.Д. Кожанов, М.А. Большакова, И.С. Хопта // Георесурсы. – 2022. – Т. 24, № 2. – С. 113–128. DOI: 10.18599/grs.2022.2.12 Scholar
7.Корякин, С.Ю. Опыт бассейнового моделирования верхнедевонских карбонатных отложений на юго-восточной части Пермского края / С.Ю. Корякин // Геология в развивающемся мире: сб. тр. ПГНИУ – Пермь, 2019. – Вып. 12. – С. 313–315. Scholar
8.Новые данные о геологическом строении и нефтегазоносности девонских карбонатных отложений юга и юго-востока Пермского края / И.С. Путилов, С.И. Соловьев, М.А. Климовских [и др.] // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2019. – № 6 (330). – С. 29–35. Scholar
9.Региональная оценка нефтегазоносности девонских терригенных отложений на юге Пермского края / И.С. Путилов, Е.Е. Винокурова, А.С. Пулина [и др.] // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2020. – № 8. – С. 34–43. Scholar
10.Исаев, В.И. Оценка влияния толщ вечной мерзлоты позднечетвертичного климатического похолодания на геотермический режим нефтематеринских отложений Западной Сибири / В.И. Исаев // Нефтегазовая геология. Теория и практика. – 2015. – Т. 10, № 2. – С. 11. DOI: 10.17353/2070-5379/21_2015 Scholar
11.Моделирование нефтегазовых систем восточного борта Западно-Сибирского бассейна на юго-востоке Ямало-Ненецкого автономного округа / Д.А. Сидоров, А.А. Сокольникова, А.Н. Фищенко [и др.] // Нефтегазовая геология. Теория и практика. – 2023. – Т. 18. – № 1. – С. 26. DOI: 10.17353/2070-5379/5_2023 Scholar
12.Маркина, Е.А. Седиментационное моделирование, как неотъемлемая часть бассейнового моделирования на примере построения литофациальной модели неокома / Е.А. Маркина, О.А. Емельяненко // Новые идеи в геологии нефти и газа: сб. тр. междунар. науч. конф., г. Москва, 25–26 мая 2017 г. – М.: МГУ имени М.В. Ломоносова, 2017. – С. 204–206. Scholar
13.Granjeon, D. Assessment of facies distribution in carbonate fields using stratigraphic forward, diagenetic and seismic modelling / Didier Granjeon, Cedric Pellan, Mickael Barbier // F05 – Geoscience technology and innovation. – 2017. Scholar
14.Хворост, И.М. Моделирование русловых отложений пермского возраста в зоне сочленения Ижма-Печорской синеклизы и Верхнепечорской впадины / И.М. Хворост // Известия высших учебных заведений. Нефть и газ. – 2023. – С. 55–67. DOI: 10.31660/0445-0108-2023-3-55-67 Scholar
15.Корякин, С.Ю. Прогноз нефтегазоносности слабоизученной территории восточной части Ракшинской седловины, Висимской моноклинали и южного окончания Камского свода на основе седиментационного и бассейнового моделирования / С.Ю. Корякин, Я.Л. Львовская // Геология нефти и газа. – 2022. – № 5. – С. 31–38. DOI: 10.31087/0016-7894-2022-5-31-38 Scholar
16.Сысоева, М.В. Программирование для «нормальных» с нуля на языке Python: учебник: в 2 ч. / М.В. Сысоева, И.В. Сысоев. – М.: ООО «МАКС Пресс», 2018. – Ч. 1. – 176 с. Scholar
17.Хайбрахманов, С.А. Основы научных расчетов на языке программирования Python: учебное пособие / С.А. Хайбрахманов. – Челябинск: Изд-во Челябинского государственного университета, 2019. – 96 с. Scholar
18.Ын, Анналин. Теоретический минимум по Big Data. Все, что нужно знать о больших данных / Анналин Ын, Кеннет. Су. – СПб.: Питер, 2019. – 208 с. Scholar
19.Authorship attribution of source code by using backpropagation neural network based on particle swarm optimization / X. Yang, Q. Li, Y. Guo, M. Zhang // PLoS ONE. – 2017. – Vol. 12, no. 11. – P. e0187204. Scholar
20.Source Code Authorship Attribution using Long Short-Term Memory Based Networks / B. Alsulami [et al.] // Proceedings of the 22nd European Symposium on Re-search in Computer Security. – 2017. – P. 65–82. Scholar
21.Gull, M. Source Code Author Attribution Using Author’s Programming Style and Code Smells / M. Gull, T. Zia, M. Ilyas // International Journal of Intelligent Systems and Applications. – 2017. – Vol. 9, no. 5. – P. 27–33. Scholar
22.De-anonymizing programmers via code stylometry / A. Caliskan-Islam [et al.] // Proceedings of the 24th USENIX Security Symposium. – 2015. – P. 255–270. Scholar
23.Wang, N. Integration of Static and Dynamic Code Stylometry Analysis for Programmer De-anonymization / N. Wang, S. Ji, T. Wang // Proceedings of the 11th ACM Workshop on Arti-ficial Intelligence and Security. – 2018. – P. 74–84. Scholar
24.Large-Scale and Language-Oblivious Code Authorship Identification / M. Abuhamad, T. AbuHmed, A. Mohaisen, D. Nyang // Proceedings of the 2018 ACM SIGSAC Conference on Computer and Communications Security. – 2018. – P. 101–114. Scholar
25.Mohsen, A.M. Author Identification using Deep Learning / A.M. Mohsen, N.M. El-Makky, N. Ghanem // 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA). – 2016. – P. 898–903. Scholar
26.Wu, T.F. Probability estimates for multi-class classification by pairwise coupling / T.F. Wu, C.J. Lin, R.C. Weng // Journal of Machine Learning Research. – 2004. – Vol. 5. – P. 975–1005. Scholar
27.Романов, А.С. Разработка и исследование математических моделей, методик и программных средств информационных процессов при идентификации автора текста / А.С. Романов, А.А. Шелупанов, Р.В. Мещеряков. – Томск: В-Спектр, 2011. – 188 с. Scholar
28.LeCun, Y. Deep learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. – 2015. – Vol. 521, no. 7553. – P. 436–444. Scholar
29.Schmidhuber, J. Deep Learning in Neural Networks: An Overview / J. Schmidhuber // Neural Networks. – 2015. – Vol. 61. – P. 85–117. Scholar
30.Zhang, X. Character-level Convolutional Networks for Text Classification / X Zhang., J Zhao., Y. LeCun // Advances in neural information processing systems. – 2015. – P. 649–657. Scholar
31.Deep learning applications and challenges in big data analytics / M.M. Najafabadi [et al.] // Journal of Big Data. – 2015. – Vol. 2. no. 1. – P. 21. Scholar
32.Chen, X.W. Big Data Deep Learning: Challenges and Perspectives / X.W. Chen, X. Lin // IEEE Access. – 2014. – Vol. 2. – P. 514–525. Scholar
33.Gulli, A. Deep learning with Keras / A. Gulli, S. Pal // Packt Publishing Ltd. – 2017. 490 p. Scholar
34.Fei, H. Bidirectional Grid Long Short-Term Memory (BiGridLSTM): A Method to Address Context-Sensitivity and Vanishing Gradient / H. Fei, F. Tan // Algorithms. – 2018. – Vol. 11, no. 11. – P. 172. Scholar
35.Going Deeper with Convolutions / C. Szegedy [et al.] // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2015. – P. 1–9. Scholar
36.Zeiler, M.D. Adadelta: an adaptive learning rate / M.D. Zeiler // arXiv preprint arXiv: 1212.5701. – 2012. Scholar
37.Feurer, M. Hyperparameter optimization / M. Feurer, F. Hutter // In Automated machine learning: Methods, systems, challenges. – 2019. – P. 3–33. Scholar
38.Kharazi Esfahani, P. Enhanced machine learning–ensemble method for estimation of oil formation volume factor at reservoir conditions / P. Kharazi Esfahani, K. Peiro Ahmady Langeroudy, M.R. Khorsand Movaghar // Sci. Rep. – 2023. – Vol. 13. – Р. 15199. Scholar
39.Talebkeikhah, M. A comparison of machine learning approaches for prediction of permeability using well log data in the hydrocarbon reservoirs / M. Talebkeikhah, Z. Sadeghtabaghi, M. Shabani // J. Hum. Earth Future. – 2021. – Vol. 2. – Р. 82–99. DOI: 10.28991/HEF-2021-02-02-01 Scholar
40.Basin and Petroleum System Modeling / M.M. Al-Hajeri, J. Derks, T. Fuchs, T. Hantschel, A. Kauerauf, M. Neumaier, M.A. Saeed, O. Schenk, O. Swientek, N. Tessen, D. Welte, B. Wygrala // Oilfield Review – 2009. – Vol. 21. № 2. – Р. 14–29 Scholar
41.Hantschel T. Fundamentals of Basin and Petroleum Systems Modeling.: монография / T.Hantschel, A.I. Kauerauf. – Springer-Verlag Berlin Heidelberg, 2009. – 485 р. Scholar
42.Haq Bilal, U. Mesozoic and Cenozoic Chronostratigraphy and Cycles of Sea-Level Change / B.U. Haq, J. Hardenbol, P.R.Vail // The Society of Economic Paleontologists and Mineralogists (SEPM). – 1998. – № 42. – Р. 71–108 Scholar
43.McKenzie, D. Some remarks on the development of sedimentary basins / D. McKenzie // Earth and Planetary Science Letters. – 1978. – № 40. – Р. 25–32. Scholar
44.Osborne, M.J. Mechanisms for Generating Overpressure in Sedimentary Basins: a Reevaluation / M.J. Osborne, R.E. Swarbrick // AAPG Bulletin. – 1997. – Vol. 81, № 6. – Р. 1023–1041. Scholar
45.Timurziev, A.I. Strike-slip faults in the West Siberian basin: implications for petroleum exploration and development / A.I. Timurziev, G.N. Gogonenkov // Russian Geology and Geophysics. – 2010. – № 3. – Р. 304–316. Scholar

Article information

Published: 24 October 2025
Issue date: 24 October 2025
Issue: Vol. 25, No. 3 (2025)