Алгоритм автоматического извлечения плоскостей тектонических нарушений из кубов вероятностей, полученных с применением моделей машинного обучения

Вестник ТюмГУ. Физико-математическое моделирование. Нефть, газ, энергетика.


Выпуск:

2024. Том 10. № 1 (37)

Название: 
Алгоритм автоматического извлечения плоскостей тектонических нарушений из кубов вероятностей, полученных с применением моделей машинного обучения


Для цитирования: Канониров А. П., Захаров А. А. 2024. Алгоритм автоматического извлечения плоскостей тектонических нарушений из кубов вероятностей, полученных с применением моделей машинного обучения // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. Том 10. № 1 (37). С. 138–154. https://doi.org/10.21684/2411-7978-2024-10-1-138-154

Об авторах:

Канониров Александр Петрович, ведущий специалист группы по развитию технологий машинного обучения, Тюменский нефтяной научный центр, Тюмень, Россия
apkanonirov@tnnc.rosneft.ru

Захаров Александр Анатольевич, доктор технических наук, заведующий базовой кафедрой «Безопасные ИТ умного города», Тюменский государственный университет; a.a.zakharov@utmn.ru

Аннотация:

Сейсмическая разведка — неотъемлемая часть нефтегазовой промышленности при изучении геологической структуры месторождений. Извлечение плоскостей тектонических нарушений — одна из наиболее трудоемких задач сейсмической разведки, связанная с интерпретацией сейсмической информации и не имеющая при этом универсальных решений. Данная проблема определяет актуальность разработки и исследования соответствующих методов. В статье представлен новый алгоритм автоматического извлечения таких плоскостей из кубов вероятностей, полученных как результат предсказания моделей машинного обучения.
Особенностями алгоритма являются: 1) сглаживание данных для уменьшения шума, 2) кластеризация точек на основе их характеристик, 3) извлечение контурных точек и определение границ плоскостей. Алгоритм был программно реализован и протестирован на синтетических и реальных данных сейсмической разведки. Результаты тестирования подтвердили высокую эффективность алгоритма по сравнению с существующими подходами, реализованными в специализированных отраслевых программных комплексах.
Предложенное решение позволяет автоматизировать процесс интерпретации сейсмических данных, направленный на получение информации о формах и направлениях плоскостей тектонических нарушений, что, в свою очередь, помогает в планировании бурения скважин и определении стратегии добычи и разработки месторождений.

Список литературы:

Кислицын А. А., Кузнецов С. В., Поднебесных А. В., Грановский А. М. 2019. Использование искусственных нейронных сетей для прогнозирования динамики обводнения горизонтальных скважин // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. Том 5. № 4 (20). С. 160–180. https://doi.org/10.21684/2411-7978-2019-5-4-160-180

Мифтахов Р. Ф., Авдеев П. А., Гогоненков Г. Н., Базанов А. К., Ефремов И. И. 2021. Картирование тектонических нарушений на основе машинного обучения и нейронных сетей // Геология нефти и газа. № 3. С. 123–136. https://doi.org/10.31087/0016-7894-2021-3-123-136

Фонин А. А., Сучков С. Г., Николаевцев В. А., Михеев С. И. 2023. Математическое моделирование нового метода обработки сейсмосигнала на примере разреза Саратовского Правобережья. Часть 1 // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. Том 9. № 1 (33). С. 92–106. https://doi.org/10.21684/2411-7978-2023-9-1-92-106

Babii A., Ghysels E., Pan J. 2023. Tensor principal component analysis // arXiv. https://doi.org/10.48550/arXiv.2212.12981

Battaglino S., Koyuncu E. 2019. A generalization of principal component analysis // arXiv. https://doi.org/10.48550/arXiv.1910.13511

Dou Y., Li K., Zhu J., Li X., Xi Y. 2022. Attention-based 3-D seismic fault segmentation training by a few 2-D slice labels // IEEE Transactions on Geoscience and Remote Sensing. Vol. 60. Pp. 1–15. https://doi.org/10.1109/TGRS.2021.3113676

Genova K., Yin X., Kundu A., Pantofaru C., Cole F., Sud A., Brewington B., Shucker B., Funkhouser T. 2021. Learning 3D semantic segmentation with only 2D image supervision // arXiv. https://doi.org/10.48550/arXiv.2110.11325

He Y., Yu H., Liu X., Yang Z., Sun W., Mian A. 2023. Deep learning based 3D segmentation: A survey // arXiv. https://doi.org/10.48550/arXiv.2103.05423

Kim M., Yu J., Kang N.-K., Kim B.-Y. 2021. Improved workflow for fault detection and extraction using seismic attributes and orientation clustering // Applied Sciences. Vol. 11. No. 18. Article 8734. https://doi.org/10.3390/app11188734

Li C., Wei H., Chen H. 2019. LGLG-WPCA: An effective texture-based method for face recognition // arXiv. https://doi.org/10.48550/arXiv.1811.08345

Li X., Li K., Xu Z., Huang Z., Dou Y. 2023. Fault-Seg-Net: A method for seismic fault segmentation based on multi-scale feature fusion with imbalanced classification // Computers and Geotechnics. Vol. 158. Article 105412. https://doi.org/10.1016/j.compgeo.2023.105412

Mujakperuo B. J. O., Airen O. J. 2023. Subsurface structural and stratigraphical evaluation of Sapele Shallow field, Niger Delta, Southern Nigeria // Scientia Africana. Vol. 22. No. 2. Pp. 203–218. https://doi.org/10.4314/sa.v22i2.18

Qi J., Lyu B., AlAli A., Machado G., Hu Y., Marfurt K. J. 2018. Image processing of seismic attributes for automatic fault extraction // Geophysics. Vol. 84. No. 1. Pp. O25–O37. https://doi.org/10.1190/geo2018-0369.1

Ren H., Wen X., Tang C. 2022. Denoising seismic data with drilling noise based on GAN // SEG Global Meeting Abstracts. Pp. 126–128. https://doi.org/10.1190/iwmg2021-33.1

Rezatofighi H., Tsoi N., Gwak J., Sadeghian A., Reid I., Savarese S. 2019. Generalized intersection over Union: A metric and a loss for bounding box regression // arXiv. https://doi.org/10.48550/arXiv.1902.09630

Ugwoke R. E., Ubachukwu A. A., Urama J. O., Okike O., Alhassan J. A., Chukwude A. E. 2023. Principal component analysis of ground level enhancement of cosmic ray events // Research in Astronomy and Astrophysics. Vol. 23. No. 3. Article 035017. https://doi.org/10.1088/1674-4527/acba65

Wang D., Lu X., Rinaldo A. 2019. DBSCAN: Optimal rates for density based clustering // arXiv. https://doi.org/10.48550/arXiv.1706.03113

Wang L., Zhang X., Zhao F., Wu C., Wang Y., Song Z., Yang L., Li J., Liu H. 2023. Fuzzy-NMS: Improving 3D object detection with fuzzy classification in NMS // arXiv. https://doi.org/10.48550/arXiv.2310.13951

Wei X., Zhang C., Wang H., Tan C., Xiong D., Jiang B., Zhang J., Kim S.-W. 2023. Seismic data interpolation based on denoising diffusion implicit models with resampling // arXiv. https://doi.org/10.48550/arXiv.2307.04226

Zhang B., Lou Y. 2020. Automatic seismic fault surfaces construction using seismic discontinuity attribute // SEG Technical Program Expanded Abstracts. Pp. 1101–1105. https://doi.org/10.1190/segam2020-3427011.1