WellGen

WellGen объединяет петрофизику, рок-физику и контролируемое машинное обучение для более точного определения свойств резервуара.

В стандартных подходах контролируемого машинного обучения взаимосвязь сейсмических и петрофизических параметров устанавливается на основе доступных скважинных данных. Эти методы, особенно глубокое обучение, зависят от наличия достаточного количества данных для адекватного обучения нейронной сети.
WellGen позволяет преодолеть эту проблему, создавая синтетические данные. Для этого, на основе статистики реальных скважин и моделирования рок-физики, синтезируется большое количество псевдо-скважин и соответствующих им синтетических откликов.

WellGen позволяет решить большинство проблем машинного обучения, в том числе:

  • Нехватка скважин на изучаемой территории;
  • Сложности привязки скважин к сейсмическим данным;
  • Низкое качество каротажных данных, не отражающих реальное строение разреза;
  • Невозможность установления связи между априорной геологической информацией и геофизическими данными;
  • Сложное строение резервуара, при котором невозможно получить достоверный прогноз свойств только по результатам инверсии.

Более высокая детальность и гладкость решения при использовании WellGen и нейронных сетей глубокого обучения

WellGen открывает широкие возможности для повышения качества прогноза свойств резервуара. На рисунке справа показано сравнение восстановления плотности по данным синхронной инверсии (слева) и глубокого машинного обучения с использованием WellGen (справа). Результат машинного обучения с применением WellGen отличается большей гладкостью и детальностью решения.

c9a16f8e59

Восстановления плотности по данным синхронной инверсии (слева) и глубокого машинного обучения с использованием WellGen (справа).

На рисунках ниже показаны результаты прогноза P-импеданса, выполненного нейронной сетью глубокого обучения. Отличие двух прогнозов заключается в количестве скважин, на которых была обучена нейронная сеть. На левом рисунке это 4 реальные скважины, пробуренные на месторождении. Правый рисунок демонстрирует результат применения нейронной сети, обученной на синтетическом каталоге из 500 скважин. Как видно из рисунков, использование модуля WellGen обеспечивает большую детальность и латеральную гладкость решения.

WellGen 2

Прогноз P-импеданса нейронной сетью глубокого обучения, обученной на четырех реальных скважинах (слева) и обученной на 500 синтетических скважинах (справа).

Преимущества WellGen:

  • Новый метод полуавтоматической литологической классификации по скважинным данным;
  • Статистический анализ скважинных данных;
  • Создание псевдо-скважин на основе рок-физики и исходных каротажных данных;
  • Улучшает понимание связи сейсмического отклика и различных геологических сценариев;
  • Обеспечивает лучшее разрешение и латеральную гладкость прогноза.