Интерпретация стратиграфии на основе методов машинного обучения с использованием геологической информации и анализа похожести скважин как критериев отбора данных

Автоматизация процессов интерпретации стратиграфии имеет высокий приоритет для внедрения цифровых технологий в отрасли, так как традиционный подход сопряжен со значительными временными затратами. Данный процесс ввиду высокой чувствительности к природе, качеству и представительности входных данных требует дополнительных стадий предобработки. В данной работе предложен поход к отбору репрезентативных данных, используемых для тренировки модели машинного обучения, на основе результатов анализа похожести скважин. Для валидации предложенной стратегии проведен анализ чувствительности качества прогноза стратиграфии к качеству входных данных. По результатам экспериментов сделан вывод о том, что предварительный отбор данных по принципу «похожести» может существенно улучшить качество интерпретации.