Том 332 № 1 (2021)
DOI https://doi.org/10.18799/24131830/2021/1/2998
МЕТОД РЕГИОНАЛЬНОГО ПРОГНОЗА НЕФТЕГАЗОНОСНОСТИ ТЕРРИТОРИЙ АЛГОРИТМАМИ МАШИННОГО ОБУЧЕНИЯ НА ПРИМЕРЕ ТЮМЕНСКОЙ СВИТЫ ЗАПАДНОЙ СИБИРИ
Актуальность исследования обусловлена сокращением фонда структурных ловушек и необходимостью расширения ресурсной базы углеводородов за счет повышения эффективности поиска и разведки месторождений в сложнопостроенных залежах нефти и газа. Цель: на примере прогноза нефтегазоносности территории исследования показать методику прогноза и набор применяемых технологических решений и алгоритмов. Объект: отложения средней юры (тюменская свита) Западной Сибири в пределах района (700×900 км), включающего в себя части Ямало-Ненецкого и Ханты-Мансийского административных округов и Томской области. Методы. С помощью алгоритмов машинного обучения и комплексирования технологического набора методов (геоинформатики, бассейнового моделирования, экспертных оценок) показаны следующие этапы реализации методики прогноза: 1) генерирование признакового пространства изучаемой территории на основе повышения пространственного разрешения структурных построений с применением алгоритмов генеративно-состязательной архитектуры нейронных сетей, где в качестве эталонных участков использованы результаты сейсморазведки 3D; 2) отбор признаков статистическим методом и методами машинного обучения; 3) создание подмножества моделей прогноза на основе градиентного бустинга над решающими деревьями; 4) объединение их в метамодель путем стекового обобщения логистической регрессией. Результаты. Формализован и апробирован подход к региональному прогнозу. Сделан прогноз вероятности нефтегазоносности тюменской свиты на изучаемой территории. На его основе и информации по открытым месторождениям оценена методом Монте-Карло ресурсная база УВ. Результаты представлены в виде суммарной таблицы геологических и извлекаемых ресурсов для вероятностей Р10, Р50, Р90 в сравнении с категориями запасов АВС1 и АВС1+С2 месторождений, числящихся на государственном балансе на территории исследования. В качестве примера приведены графические материалы результатов: работы алгоритма повышения пространственного разрешения; моделирования осадконакопления; моделирования миграции УВ; карта прогноза перспектив нефтегазоносности для северной части Надымского и Пуровского нефтегазовых районов.
Ключевые слова:
Тюменская свита, средняя юра, машинное обучение, искусственный интеллект, генерация признаков, выбор признаков, градиентный бустинг, генеративно-состязательные нейросети, региональный прогноз нефтегазоносности, вероятность геологического успеха, сырьевая база УВ, геоинформатика, бассейновое моделирование, моделирование осадконакопления, моделирование миграции УВ