Автоматизированная увязка по глубине разнотипных данных ГИС методом кросс-корреляции

Об авторах:

Еремеев Владимир Вячеславович, аспирант кафедры программной и системной инженерии, Институт математики и компьютерных наук, Тюменский государственный университет, Тюмень, Россия
eremeevvv72@yandex.ru, https://orcid.org//0000-0002-4003-7807

Ивашко Александр Григорьевич, доктор технических наук, профессор кафедры программной и системной инженерии, Тюменский государственный университет; a.g.ivashko@utmn.ru

Аннотация:

Каротаж скважин является одним из основных методов поддержки принятия решений в нефтегазовой промышленности. Однако несоответствие глубины каротажа, записанного при разных проходах или разными каротажными инструментами в одной скважине, остается сложной проблемой в отрасли. До сих пор нефтегазовая промышленность в значительной степени полагается на суждения специалистов, анализирующих каротаж, которые вручную увязывают каротажные данные, прежде чем делать их интерпретацию. Тем не менее процесс ручной увязки по глубине является субъективным и требует много времени. В этой работе предложена предварительная обработка, которая позволяет очистить данные для применения корреляции Пирсона в качестве метрики увязки. Предложенный в статье алгоритм увязки методом кросс-корреляции протестирован на пяти скважинах, расположенных на территории Западной Сибири. Также выведены пары разнотипных каротажей из разных связок для вычисления оптимального смещения методом кросс-корреляции.

Список литературы:

Басыров М. А., Акиньшин А. В., Махмутов И. Р., Кантемиров Ю. Д., Ошняков И. О., Кошелев М. Б. 2020. Применение методов машинного обучения для автоматизации интерпретации данных геофизических исследований скважин // Нефтяное хозяйство. № 11. С. 44–47. https://doi.org/10.24887/0028-2448-2020-11-44-47

Гржибовский А. М. 2008. Корреляционный анализ // Экология человека. № 9. С. 50–60.

РД 153-39.0-072-01. 2001. Техническая инструкция по проведению геофизических исследований и работ приборами на кабеле в нефтяных и газовых скважинах. Тверь: ГЕРС. 271 с.

Шепелева И. С. 2020. Промысловая геофизика: практикум по выполнению лаборатор. работ по одноим. дисциплине для студ. Гомель: ГГТУ им. П. О. Сухого. 53 c.

Amin T. B., Mahmood I. 2008. Speech recognition using dynamic time warping // 2008 2^nd International Conference on Advances in Space Technologies (29–30 November 2008, Islamabad, Pakistan). Pp. 74–79. https://doi.org/10.1109/ICAST.2008.4747690

Cheng H., Dai Zh., Liu Z., Zhao Ya. 2016. An image-to-class dynamic time warping approach for both 3D static and trajectory hand gesture recognition // Pattern Recognition. Vol. 55. Pp. 137–147. https://doi.org/10.1016/j.patcog.2016.01.011

Derrick T. R., Thomas J. M. 2004. Chapter 7. Time-series analysis: The cross-correlation function // Innovative analyses of human movement / N. Stergiou (ed.). Champaign: Human Kinetics Publishers. Pp. 189–205.

Eilers P. H. C. 2004. Parametric time warping // Analytical Chemistry. Vol. 76. No. 2. Pp. 404–411. https://doi.org/10.1021/ac034800e

Ezenkwu Ch. P., Guntoro J., Starkey A., Vaziri V., Addario M. 2023. Automated well-log pattern alignment and depth-matching techniques: An empirical review and recommendations // Petrophysics. Vol. 64. No. 1. Pp. 115–129. https://doi.org/10.30632/PJV64N1-2023a9

Garcia Manso A. 2020. Automatic Depth Matching for Petrophysical Borehole Logs: Master of Science thesis. Delft: Delft University of Technology. 63 pp.

Laghari W., Baloch M., Mengal M., Shah S. 2014. Performance analysis of analog Butterworth Low Pass Filter as compared to Chebyshev Type-I filter, Chebyshev Type-II filter and Elliptical filter // Circuits and Systems. Vol. 5. No. 9. Pp. 209–216. https://doi.org/10.4236/cs.2014.59023

Parziale A., Diaz M., Ferrer M. A., Marcelli A. 2019. SM-DTW: Stability modulated dynamic time warping for signature verification // Pattern Recognition Letters. Vol. 121. Pp. 113–122. https://doi.org/10.1016/j.patrec.2018.07.029

Permanasari Yu., Harahap E. H., Prayoga Ali E. 2019. Speech recognition using dynamic time warping (DTW) // Journal of Physics: Conference Series. Vol. 1366. No. 1. Article 012091. https://doi.org/10.1088/1742-6596/1366/1/012091

Senin P. 2008. Dynamic Time Warping Algorithm Review. Manoa: University of Hawaii at Manoa. 23 pp.

Torres Caceres V. A., Duffaut K., Westad F. O., Stovas A., Johansen Y. B., Jenssen A. 2022. Automated log data analytics workflow — The value of data access and management to reduced turnaround time for log analysis // Petrophysics. Vol. 63. No. 1. Pp. 35–60. https://doi.org/10.30632/PJV63N1-2022a3