В России создали уникальный программный модуль с применением машинного обучения для интерпретации трехмерных сейсмических данных.
Данный модуль, разработанный в Новосибирском государственном университете (НГУ), автоматически находит все необходимые параметры, избавляя специалиста от необходимости подбирать их вручную, передаёт ТАСС со ссылкой на пресс-службу вуза.
Сейсморазведка – известный метод разведочной геофизики, применяемый для поиска ловушек нефти и газа на глубинах до нескольких километров.
Для задач нефтегазовой отрасли используется сейсморазведка на основе отраженных волн, которые фиксируются специальными датчиками, после чего создается объёмная модель исследуемого участка недр. На её основании можно делать выводы о геологическом строении и наличии перспективных в плане содержания нефти и газа объектов.
В пресс-службе вуза при этом пояснили, что уникальность данной разработки состоит в том, что модуль способен автоматически находить все необходимые параметры, полностью исключая ручную настройку специалистом. Такое решение, подчеркнули в НГУ, позволяет заметно сократить время интерпретации трехмерных сейсмических данных и повысить точность и оперативность прогноза распределения коллектора на реальных месторождениях.
«На сегодняшний день прямых аналогов такого сочетания алгоритмов на отечественном и зарубежном рынках не имеется», – утверждают в вузе.
Там также рассказали, что в состав модуля входят процедуры сейсмической акустической и синхронной инверсии – метод для описания свойств горной породы, а также классификация пород на основе их происхождения с применением машинного обучения. Объём такого массива, называемого в индустрии «сейсмическими кубами», может легко превышать 15-20 Гб.
По словам автора разработки Владислава Корчуганова, работа с такими большими данными требует серьёзной ИТ-компетенции. Алгоритмы дают возможность частично автоматизировать этот процесс, объединяя данные со скважин с сейсмическими кубами, благодаря чему можно оперативнее и точнее понять, что именно скрыто в недрах.
В ходе промышленных испытаний на месторождении в Оренбургской области модуль показал свою высокую эффективность. Применение данной схемы классификации, в частности, позволило в три раза повысить ключевые метрики прогноза класса «коллектора» по исследуемой площади.