geophystechГеофизические технологииRussian Journal of Geophysical Technologies2619-1563IPGG SB RAS10.18303/2619-1563-2021-2-24geophystech-148Research ArticleСтатьиОбработка данных бокового сканирующего каротажа в процессе бурения с применением сверточных нейронных сетейLateral scanning logging while drilling data processing using convolutional neural networksДаниловскийК. Н.DanilovskiiK. N.

Научный сотрудник лаборатории многомасштабной геофизики Института нефтегазовой геологии и геофизики СО РАН. Основные научные интересы: геофизические методы исследований в скважинах, каротаж в процессе бурения, обработка и интерпретация данных ГИС, моделирование и инверсия данных электрокаротажа, машинное обучение, искусственные нейронные сети.

630090, Новосибирск, просп. Акад. Коптюга, 3

Koptyug Ave., 3, Novosibirsk, 630090 

DanilovskiiKN@ipgg.sbras.ruЛогиновГ. Н.N.Loginov G.

Научный сотрудник лаборатории динамических проблем сейсмики Института нефтегазовой геологии и геофизики СО РАН. Основные научные интересы: обработка сейсмических данных и методы машинного обучения в геофизике.

630090, Новосибирск, просп. Акад. Коптюга, 3

Koptyug Ave., 3, Novosibirsk, 630090 

LoginovGN@ipgg.sbras.ruИнститут нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАНРоссияTrofimuk Institute of Petroleum Geology and Geophysics SB RASRussian Federation202113012022022435Copyright © Даниловский К.Н., Логинов Г.Н., 20222022Даниловский К.Н., Логинов Г.Н.Danilovskii K.N., N. L.G.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rjgt.ru/jour/article/view/148

В статье рассматривается новый подход к обработке данных бокового сканирующего каротажа в процессе бурения на основе комбинации трехмерного численного моделирования и сверточных нейронных сетей. Подготовлен набор данных для обучения нейронных сетей, содержащий реалистичные синтетические имиджи удельного электрического сопротивления и разметку границ геоэлектрических слоев, учитывающую истинные значения параметров их пространственной ориентации. С применением сверточных нейронных сетей разработаны и программно реализованы два алгоритма: подавления случайных помех и детектирования границ пластов на имиджах удельного электрического сопротивления. Разработанные алгоритмы позволяют оперативно и точно обрабатывать большие объемы данных, при этом, благодаря отсутствию в архитектурах нейронных сетей полносвязных слоев, возможна обработка имиджей удельного электрического сопротивления произвольной протяженности.

This article discusses a new approach to processing lateral scanning logging while drilling data based on a combination of three-dimensional numerical modeling and convolutional neural networks. We prepared dataset for training neural networks. Dataset contains realistic synthetic resistivity images and geoelectric layer boundary layouts, obtained based on true values of their spatial orientation parameters. Using convolutional neural networks two algorithms have been developed and programmatically implemented: suppression of random noise and detection of layer boundaries on the resistivity images. The developed algorithms allow fast and accurate processing of large amounts of data, while, due to the absence of full-connection layers in the neural networks’ architectures, it is possible to process resistivity images of arbitrary length.

Геонавигациябоковой сканирующий каротажимидж удельного электрического сопротивленияискусственные нейронные сетисверточные нейронные сетиGeosteeringlateral scanning loggingresistivity imageartificial neural networksconvolutional neural networksИсследование выполнено при финансовой поддержке проекта ФНИ № 0331-2019-0014 «Скважинная геофизика в электропроводящих анизотропных диспергирующих средах на основе высокопроизводительных решений трехмерных задач, высокоточных данных каротажа и лабораторных исследований керна».ReferencesГлинских В.Н., Никитенко М.Н., Даниловский К.Н., Еремин В.Н., Москаев И.А. Телеметрические системы каротажа: программно-методическое обеспечение в процессе бурения наклонного-горизонтальных скважин // Neftegaz.RU. – 2017. – Вып. 10. – С. 42–49.Danilovskiy K., Glinskikh V., Nechaev O. 3D modelling of the new resistivity microimaging tool signals for logging while drilling // The 80th EAGE Conference and Exhibition (Copenhagen, Denmark, June 11–14, 2018): Extended abstracts. – Copenhagen, 2018. – Tu SP2 01, doi: 10.3997/2214-4609.201801679.Глинских В.Н., Даниловский К.Н., Нечаев О.В. Трехмерное численное моделирование сигналов азимутального микробокового каротажа в процессе бурения // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2018. – № 10. – С. 32–39.Danilovskiy K.N., Dudaev A.R., Glinskikh V.N., Nikitenko M.N., Moskaev I.A. Web-technologies based software for oil and gas wells geosteering // Vestnik NSU. Series: Information Technologies. – 2019. – Vol. 17 (2). – P. 5–17.Даниловский К.Н., Дудаев А.Р., Глинских В.Н., Никитенко М.Н., Москаев И.А. Программное обеспечение на основе web-технологий для геонавигации нефтегазовых скважин // Вестник НГУ. Серия: Информационные технологии. – 2019. – Т. 17, № 2. – С. 5–17.Danilovskiy K., Loginov G., Nechaev O. Automatic geoelectric boundaries detection on the resistivity images based on 3D numerical simulation and convolutional neural network // The 9th Saint Petersburg International Conference and Exhibition (Saint Petersburg, Russia, November 16–19, 2020): Extended abstracts. – St. Petersburg, 2020. – Paper 15, doi: 10.3997/2214-4609.202053015.Каюров К.Н., Еремин В.Н., Эпов М.И., Глинских В.Н., Сухорукова К.В., Никитенко М.Н. Аппаратура и интерпретационная база электромагнитного каротажа в процессе бурения // Нефтяное хозяйство. – 2014. – № 12. – С. 112–115.Danilovskiy K.N., Petrov A.M., Leonenko A.R., Sukhorukova K.V. Capabilities of convolutional neural networks based algorithms for solving resistivity logging tasks // Data Science in Oil and Gas 2021 (Novosibirsk, Russia, 4–6 August 2021): Extended abstracts. – Novosibirsk, 2021. – Paper 39, doi: 10.3997/2214-4609.202156039.Логинов Г.Н., Петров А.М. Автоматическое выделение геоэлектрических границ по данным бокового каротажного зондирования с помощью глубокой сверточной нейронной сети // Геология и геофизика. – 2019. – Т. 60, № 11. – С. 1650–1657, doi: 10.15372/GiG2019134.Glinskikh V.N., Nikitenko M.N., Danilovskiy K.N., Eremin V.N., Moskaev I.A. Telemetry logging systems: software and methodological support in the process of drilling inclined-horizontal wells // Neftegaz.RU. – 2017. – No. 10. – P. 42–49.Danilovskiy K., Glinskikh V., Nechaev O. 3D modelling of the new resistivity microimaging tool signals for logging while drilling // The 80th EAGE Conference and Exhibition (Copenhagen, Denmark, June 11–14, 2018): Extended abstracts. – Copenhagen, 2018. – Tu SP2 01, doi: 10.3997/2214-4609.201801679.Glinskikh V.N., Danilovsky K.N., Nechaev O.V. 3D numerical simulation of the azimuthal microlateral LWD signals // Geology, Geophysics and Development of Oil and Gas Fields. – 2018. – No. 10. – P. 32–39.Danilovskiy K., Loginov G., Nechaev O. Automatic geoelectric boundaries detection on the resistivity images based on 3D numerical simulation and convolutional neural network // The 9th Saint Petersburg International Conference and Exhibition (Saint Petersburg, Russia, November 16–19, 2020): Extended abstracts. – St. Petersburg, 2020. – Paper 15, doi: 10.3997/2214-4609.202053015.Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, Cambridge, 2016. – Vol. 1. – 774 p.Danilovskiy K.N., Petrov A.M., Leonenko A.R., Sukhorukova K.V. Capabilities of convolutional neural networks based algorithms for solving resistivity logging tasks // Data Science in Oil and Gas 2021 (Novosibirsk,Kayurov K.N., Eremin V.N., Epov M.I., Glinskikh V.N., Sukhorukova K.V., Nikitenko M.N. Electromagnetic-logging-while-drilling equipment and numerical inversion software // Oil industry. – 2014. – No. 12. – P. 112–115.Russia, 4–6 August 2021): Extended abstracts. – Novosibirsk, 2021. – Paper 39, doi: 10.3997/2214-4609.202156039.К.Н. Даниловский, Г.Н. Логинов, Геофизические технологии, 2021, 2, 24–35Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, Cambridge, 2016. – Vol. 1. – 774 p.Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, Cambridge, 2016. – Vol. 1. – 774 p.Kingma D.P., Ba J. Adam: A method for stochastic optimization // 3rd International conference for learning representations (California, USA, May 7–9, 2015): Transactions. – San Diego, 2015. – Document ID: arxiv.org/abs/1412.6980.Kingma D.P., Ba J. Adam: A method for stochastic optimization // 3rd International conference for learning representations (California, USA, May 7–9, 2015): Transactions. – San Diego, 2015. – Document ID: arxiv.org/abs/1412.6980.Krizhevsky A., Sutskever I., Hilton G.E. Imagenet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems. – 2012. – Vol. 25. – P. 1097–1105.Krizhevsky A., Sutskever I., Hilton G.E. Imagenet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems. – 2012. – Vol. 25. – P. 1097–1105.Larsen D., Antonov Y., Luxey P., Skillings J., Skaug M., Wagner V. Navigating the horizontal section in a heterogeneous formation while using Extra Deep Azimuthal Resistivity for optimizing the wellbore placement within a narrow TVD window // SPWLA 57th Annual Logging Symposium (Reykjavik, Iceland, June 25–29, 2016): Transactions. – Reykjavik, 2016. – SPWLA-2016-Paper IIII.Larsen D., Antonov Y., Luxey P., Skillings J., Skaug M., Wagner V. Navigating the horizontal section in a heterogeneous formation while using Extra Deep Azimuthal Resistivity for optimizing the wellbore placement within a narrow TVD window // SPWLA 57th Annual Logging Symposium (Reykjavik, Iceland, June 25–29, 2016): Transactions. – Reykjavik, 2016. – SPWLA-2016-Paper IIII. Loginov G.N., Petrov A.M. Automatic detection of geoelectric boundaries according to lateral logging sounding data by applying a deep convolutional neural network // Russ. Geol. Geophys. – 2019. – Vol. 60 (11). – P. 1319–1325, doi: 10.15372/RGG2019134.Perlin K. An image synthesizer // SIGGRAPH Computer Graphics – 1985. – Vol. 19 (3). – P. 287–296, doi: 10.1145/325165.325247.Perlin K. An image synthesizer // SIGGRAPH Computer Graphics – 1985. – Vol. 19 (3). – P. 287–296, doi: 10.1145/325165.325247.Sasaki Y. The truth of the F-measure // Teach. Tutor. Mater. – 2007. – Vol. 1 (5). – P. 1–5.Sasaki Y. The truth of the F-measure // Teach. Tutor. Mater. – 2007. – Vol. 1 (5). – P. 1–5.Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image quality assessment: from error visibility to structural similarity // IEEE Transactions on Image Processing. – 2004. – Vol. 13 (4). – P. 600–612, doi: 10.1109/TIP.2003.819861.Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image quality assessment: from error visibility to structural similarity // IEEE Transactions on Image Processing. – 2004. – Vol. 13 (4). – P. 600–612, doi: 10.1109/TIP.2003.819861.

The authors declare that there are no conflicts of interest present.