Применение технологий глубокого обучения для изучения шлифов на примере Усинского месторождения нефти

• Published in: Izvestiya Tomskogo Politekhnicheskogo Universiteta Inziniring Georesursov
• Main Authors: Попов, Никита Андреевич, Путилов, Иван Сергеевич, Гуляева, Анастасия Андреевна, Винокурова, Екатерина Евгеньевна, Popov, Nikita Andreevich, Putilov, Ivan Sergeevich, Gulyaeva, Anastasia Andreevna, Vinokurova, Ekaterina Evgenievna
• Format: Article in Journal/Newspaper
• Language: Russian
• Published: Томский политехнический университет 2020
• Subjects: машинное обучение; лабораторные исследования; керны; технологии; описание; шлифы; математико-статистический анализ; классификация по Данему; Усинское месторождение; карбонатные отложения; геологические характеристики; technology of machine learning; laboratory investigations of core; description of thin sections; mathematical-statistical analysis; the classification of Danhem; Usinsk
• Online Access: http://earchive.tpu.ru/handle/11683/62324; https://doi.org/10.18799/24131830/2020/6/2681

Статья посвящена разработке методических приемов к применению технологий машинного обучения для решения задач по углубленному анализу геолого-физических параметров на основе результатов лабораторных исследований шлифов керна. Для достижения поставленной цели был разработан специализированный табличный формат описания шлифов керна карбонатных отложений. На основе разработанного формата сформирована база данных для последующего анализа и применения технологий глубокого и поверхностного обучения. В качестве объекта исследования выбрана пермокарбоновая залежь Усинского месторождения, расположенного в Республики Коми. Технология глубокого обучения была применена с целью получения математической модели прогноза ряда геологических параметров по фотографиям шлифов. В качестве основного примера был рассмотрен прогноз восьми классов по Данему, выделяемых по шлифам. Разработанный формат позволяет все текстовые описания геологических характеристик шлифа представить в табличном виде с дискретной кодировкой. Табличное представление дает ряд преимуществ. Во-первых, это позволяет выполнять математико-статистический анализ описания шлифов; во-вторых, можно формировать базу для анализа, используя результаты работы разных авторов, включая фотографии шлифов; в-третьих, дает возможность сопоставлять и анализировать параметры, полученные по шлифам с другими результатами исследований кернов. На примере пермокарбоновой залежи Усинского месторождения по разработанному формату была сформирована уникальная база по данным более 1000 шлифов из 6 скважин. Дополнительно к описаниям шлифов в базу данных была загружена информация по результатам лабораторных исследований различных геолого-физических параметров, полученная на образцах керна из тех же интервалов, что и шлифы. На основании сформированной базы данных было получено соотношение газопроницаемости и пористости с категоризацией точек по классификации Данема на пермокарбоновой залежи Усинского месторождения. Сформированная база данных описаний шлифов связана и с фотографиями шлифов, что, в свою очередь, позволяет применять современные технологии компьютерного зрения, основанные на глубоком обучении, для анализа и прогноза параметров шлифов. В результате проведенных экспериментов была получена модель, которая позволяет по фотографии шлифа выделять геологические параметры. На сегодняшний день работы по пополнению базы и совершенствованию модели продолжаются, но полученная модель уже используется как инструмент, ускоряющий процесс анализа шлифов. Ключевые слова: Технология машинного обучения, лабораторные исследования керна, описание шлифов, математико-статистический анализ, классификация по Данему. The article is devoted to development of methodological techniques for application of machine learning technologies, including deep learning, to the problems of in-depth analysis of geological and physical parameters based on the results of laboratory studies of core sections. To achieve this goal, we solve the problem of developing a specialized tabular format for describing the core sections of carbonate deposits, formation of a database on the basis of the developed format for further analysis and application of deep and surface training technologies. The permocarbon deposit of Usinsk field located in the Komi Republic was chosen as the object of research. Deep learning technology was applied to obtain a mathematical model for predicting a number of geological parameters from the photos of sections. As the main example, the forecast of eight classes of Danhem, allocated by sections, was considered. The developed format allows presenting all text descriptions of the geological characteristics of the section in a tabular form with a discrete encoding. The table view provides a number of advantages. First, it allows you to perform mathematical and statistical analysis of the description of sections. Second, it is possible to form a database for analysis, using the results of the work of different authors, including photographs of thin sections, thirdly, provides an opportunity to compare and analyze the parameters obtained for the sections with other results of studies of the cores. On the example of permocarbon deposit of Usinsk field, a unique database of 500 sections from 6 wells was formed according to the developed format. In addition to the descriptions of the sections, the database was loaded with information on the results of laboratory studies of various geological and physical parameters obtained on standard core samples from the same intervals as the sections. Using the formed database, the ratio of mineralogical density and permeability with the categorization of points according to the Danhem classification on the permocarbon deposit of the Usinsk field is constructed. The generated database of sections descriptions is related as well to photographs of sections, that, in its turn, allows the use of modern computer vision technologies based on deep learning to analyze and predict the parameters of sections. As a result of the experiments, a model was obtained, which allows distinguishing geological parameters from the photo of the plume. To date, work on updating the database and improving the model continues, but the model is already used as a tool to accelerate the process of sections analysis.