К вопросу о применимости алгоритмов машинного обучения для восстановления структурного каркаса по данным потенциальных полей
Зайцев С.В. (1), В.Д. Гулин (3), Г.С. Григорьев (2), Орлов Р.В. (1), В.В.Ананьев (4), Чепиго Л.С.(5) (1 - ООО «Газпромнефть-ЦР», 2 - ПАО «Газпром нефть», 3 - ООО «Газпромнефть-ГЕО», 4 - ООО «Газпромнефть НТЦ», 5 - ООО «Лолгео»)
- ISBN: 978-5-9651-1470-2
Санкт-Петербург 2023 Машинное обучение и ИИ Комплексирование геофизических методов
Широкое распространение в геофизических кругах нашло решение задачи восстановления структурных границ по данным несейсмических методов. Повсеместное применение алгоритмов машинного обучения и относительная простота их реализации позволяет решать эту задачу с привлечением небольших ресурсов и за сравнительно короткие сроки. В открытых источниках известны уже несколько групп, занимающихся подобными исследованиям: ООО «Аэрогеофизика», Московский государственный Университет им. М.В. Ломоносова, ПАО «Газпром нефть» . Из-за низкой, в сравнении с сейсморазведкой, стоимости работ и для повышения информативности результатов методы НСМ обычно применяются в комплексе: гравиразведка и магниторазведка, разные типы электроразведки и так далее. Как следствие, возникает большое количество признаков в одной точке измерений – значений геофизических полей и их трансформант (производных, фильтров в окне разной ширины). В дополнении к вышесказанному, большое количество существующих методов машинного обучение и архитектур уже известных нейронных сетей создают большое пространство выбора для исследователей: какие подходы наиболее эффективны, какие данные потенциальных полей стоит использовать и все ли они так важны, как правильно отбирать признаки и учитывать особенности сейсмических данных и НСМ? В данной работе демонстрируется опыт исследования данного вопроса на базе данных ПАО «Газпром нефть» в разрезе выбора методов и их объективности к применению для решения поставленной задачи.