К вопросу о применимости алгоритмов машинного обучения для восстановления структурного каркаса по данным потенциальных полей

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.