geophystechГеофизические технологииRussian Journal of Geophysical Technologies2619-1563IPGG SB RAS10.18303/2619-1563-2024-4-50geophystech-383Research ArticleСтатьиМашинное обучение в задачах сейсмофациального анализаMachine learning methods in seismic facies analysis problemshttps://orcid.org/0009-0002-6185-6155КорыткинЕ. И.KorytkinE. I.

Евгений Игоревич Корыткин – аспирант; начальник отдела ГРР

630090, Новосибирск, просп. Акад. Коптюга, 3

693009, Южно-Сахалинск, ул. Амурская, 53

Evgeny I. Korytkin

Koptyug Ave., 3, Novosibirsk, 630090

Amurskaya Str., 53, Yuzhno-Sakhalinsk, 693009

evgeny_korytkin@mail.ruhttps://orcid.org/0000-0003-4203-2740МитрофановГ. М.MitrofanovG. M.

Георгий Михайлович Митрофанов – доктор физико-математических наук, главный научный сотрудник лаборатории динамических проблем сейсмики

630090, Новосибирск, просп. Акад. Коптюга, 3

630090, Новосибирск, ул. Пирогова, 1

630073, Новосибирск, пр. К. Маркса, 20

Georgy M. Mitrofanov

Koptyug Ave., 3, Novosibirsk, 630090

Pirogova Str., 1, Novosibirsk, 630090

K. Marks Ave., 20, Novosibirsk, 630073

MitrofanovGM@ipgg.sbras.ruhttps://orcid.org/0000-0001-8368-1144КамашевА. М.KamashevA. M.

Александр Максимович Камашев – младший научный сотрудник лаборатории динамическихпроблем сейсмики

630090, Новосибирск, просп. Акад. Коптюга, 3

630090, Новосибирск, ул. Пирогова, 1

Aleksandr M. Kamashev

Koptyug Ave., 3, Novosibirsk, 630090

Pirogova Str., 1, Novosibirsk, 630090

KamashevAM@ipgg.sbras.ruИнститут нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН; ООО «СахалинНИПИ нефти и газа»РоссияTrofimuk Institute of Petroleum Geology and Geophysics, SB RAS; SakhalinNIPI Oil and Gas LtdRussian FederationИнститут нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН; Новосибирский государственный университет; Новосибирский государственный технический университетРоссияTrofimuk Institute of Petroleum Geology and Geophysics, SB RAS; Novosibirsk State University; Novosibirsk State Technical UniversityRussian FederationИнститут нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН; Новосибирский государственный университетРоссияTrofimuk Institute of Petroleum Geology and Geophysics, SB RAS; Novosibirsk State UniversityRussian Federation202408042025045063Copyright © Корыткин Е.И., Митрофанов Г.М., Камашев А.М., 20252025Корыткин Е.И., Митрофанов Г.М., Камашев А.М.Korytkin E.I., Mitrofanov G.M., Kamashev A.M.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rjgt.ru/jour/article/view/383

Рассматриваются принципы машинного обучения и его использования при решении задач сейсмофациального анализа. Обсуждаются вопросы эффективности получаемых решений на качественном уровне, а также существенные моменты, влияющие на их эффективность. К последним относятся: качество данных, группы используемых атрибутов, особенности алгоритмов кластеризации. В качестве примера приводятся результаты, полученные по горизонтам, относящимся к бобриковско-турнейской толще нижнекаменноугольного возраста в юго-западной части Оренбургской области.

The principles of machine learning and its use in solving seismic facies analysis problems are considered. The issues of the efficiency of the obtained solutions at a qualitative level, as well as significant aspects influencing their efficiency are discussed. The latter include: data quality, groups of attributes used, features of clustering algorithms. As an example, the results obtained for horizons related to the Bobrikovian–Tournasian strata of the Lower Carboniferous age in the southwestern part of the Orenburg region are given.

сейсморазведка 3Dклассификациякластеризациясейсмический атрибутметод «К-средних»метод Кохоненабайесовский классификатор«обучение с учителем»выделение сейсмофации3D seismic explorationclassificationclusteringseismic attributeK-means methodKohonen methodBayesian classifiersupervised learningseismic facies extractionИсследование выполнено по плану базовых научно-исследовательских работ ИНГГ СО РАН (проект Минобрнауки РФ FWZZ-2022-0017).The study was carried out as part of government assignment to the Russian Academy of Sciences in basic research, Project FWZZ-2022-0017.ReferencesАлексеев А.С., Пяткин В.П., Дементьев В.Н., Алсынбаев К.С., Ангельский А.Н., Болычевский А.Б., Гилев К.А., Горбунов Б.А., Забелин В.А., Зятькова Л.К., Кирейтов В.Р., Клименко А.Д., Кондауров М.И., Копылов А.И., Кузин Г.И., Ладыжец В.С., Нифонтов В.П., Осипов Н.А., Райгель В.И., Репков В.В., Селиванов А.Н., Спектор А.А., Стахеев А.В., Юдин А.Н. Автоматизированная обработка изображений природных комплексов Сибири. Новосибирск: Наука, 1988. 222 с.Alekseev A.S., Pyatkin V.P., Dementiev V.N., Alsynbaev K.S., Angelsky A.N., Bolychevsky A.B., Gilev B.A., Gorbunov B.A., Zabelin V.A., Zyat’kova L.K., Kireitov V.P., Klimenko A.D., Kondaurov M.I., Kopylov A.I., G.I. Kuzin, Ladyzhets V.S., Nifontov V.P., Osipov N.A., Raigel’ V.I., Repkov V.V., Selivanov A.N., Spektor A.A., Stakheev A.V., Yudin A.N. Automated image processing of natural complexes of Siberia (In Russ.). Nauka, Novosibirsk, 1988. 222 p.Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 448 с.Chaban L.N. Theory and algorithms of pattern recognition: a tutorial (In Russ.). MIIGAIK, Moscow, 2004. 290 p.Воронина В.В., Михеев А.В., Ярушкина Н.Г., Святов К.В. Теория и практика машинного обучения: Учебное пособие. Ульяновск: УлГТУ, 2017. 70 с.Chopra S., Marfurt K.J. Unsupervised machine learning applications for seismic facies classification // Proceeding of the 7th Unconventional Resources Technology Conference. Denver, 2019. Paper URTEC-2019-557-MS. doi:10.15530/urtec-2019-557.Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования. М.: МЦНМО, 2013. 387 с.Coleou T., Poupon M., Azbel K. Unsupervised seismic facies classification: A review and comparison of techniques and implementation // The Leading Edge. 2003. Vol. 22 (10). P. 942–953. doi:10.1190/1.1623635.Дюран Б., Одел П. Кластерный анализ / Пер. с англ. М.: Статистика, 1977. 128 с.Durand B., Odel P. Cluster analysis (In Russ.). Moscow, 1977. 128 p.Митрофанов Г.М., Коваленко И.А., Корыткин Е.И. Применение сейсмофациального анализа с использованием атрибутов для прогноза коллекторов // Геофизические технологии. 2024. № 3. С. 33–45. doi:10.18303/2619-1563-2024-3-33.Friedman N., Geiger D., Goldszmidt M. Bayesian network classifiers // Machine Learning. 1997. Vol. 29 (2–3). P. 131–163. doi:10.1023/A:1007465528199.Мясников В.В. Распознавание образов и машинное обучение. Основные подходы: Учебное пособие. Самара: Изд-во Самарского университета, 2023. 196 с.Khachumov M.V. Distances, metrics and cluster analysis // Scientific and Technical Information Processing. 2012. Vol. 39 (6). P. 310–316. doi:10.3103/S0147688212060020.Нильсон Н. Обучающиеся машины / Пер. с англ. М.: Мир, 1967. 180 с.Kohonen T. Self-organized formation of topologically correct feature maps // Biological Cybernetics. 1982. Vol. 43. P. 59–69. doi:10.1007/BF00337288.Приезжев И.И., Солоха Е.В., Манрал С. Фациальный анализ по форме сейсмического сигнала // Геофизика. 2014. № 1. С. 63–67.MacQueen J. Some methods for classification and analysis of multivariate observations // Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. University of California, Los Angeles LA USA, 1967. P. 281–297.Ту Дж., Гонсалес Р. Принципы распознавания образов / Пер. с англ. М.: Мир, 1978. 411 с.Mitrofanov G.M., Kovalenko I.A., Korytkin E.I. Application of seismic facies analysis using attributes for reservoir prediction // Russian Journal of Geophysical Technologies. 2024. No. 3. P. 33–45. (In Russ.). doi:10.18303/2619-1563-2024-3-33Чабан Л.Н. Теория и алгоритмы распознавания образов: Учебное пособие. М.: МИИГАИК, 2004. 290 с.Myasnikov V.V. Pattern recognition and machine learning. Basic approaches: a tutorial (In Russ.). Samara: Samara University Publishing House, 2023. 196p.Хачумов М.В. Расстояния, метрики и кластерный анализ // Искусственный интеллект и принятие решений. 2012. № 1. С. 81–89.Nilson N. Learning machines (In Russ.). Mir, Moscow, 1967. 180 p.Chopra S., Marfurt K.J. Unsupervised machine learning applications for seismic facies classification // Proceeding of the 7th Unconventional Resources Technology Conference. Denver, 2019. Paper URTEC-2019-557-MS. doi:10.15530/urtec-2019-557.Owusu B.A., Boateng C.D., Asare V.S., Danuor S.K., Adenutsi C.D., Quaye J.A. Seismic facies analysis using machine learning techniques: a review and case study // Earth Science Informatics. 2024. Vol. 17. P. 3899–3924. doi:10.1007/s12145-024-01395-3.Coleou T., Poupon M., Azbel K. Unsupervised seismic facies classification: A review and comparison of techniques and implementation // The Leading Edge. 2003. Vol. 22 (10). P. 942–953. doi:10.1190/1.1623635.Priezzhev I.I., Solokha E.V., Manral S. Facies analysis based on 3D seismic waveform (In Russ.) // Geofizika. 2014. No. 1. P. 63–67.Friedman N., Geiger D., Goldszmidt M. Bayesian network classifiers // Machine Learning. 1997. Vol. 29 (2–3). P. 131–163. doi:10.1023/A:1007465528199.Rijks E.J.H., Jauffred J.C.E.M. Attribute extraction: an important application in any detailed 3-D interpretation study // The Leading Edge. 1991. Vol. 10 (9). P. 11–19. doi:10.1190/1.1436837.Kohonen T. Self-organized formation of topologically correct feature maps // Biological Cybernetics. 1982. Vol. 43. P. 59–69. doi:10.1007/BF00337288.Tu J., Gonzalez R. Principles of pattern recognition (In Russ.). Mir, Moscow, 1978. 411p.MacQueen J. Some methods for classification and analysis of multivariate observations // Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. University of California, Los Angeles LA USA, 1967. P. 281–297.Vapnik V.N. Restoration of dependencies based on empirical data (In Russ.). Nauka, Moscow, 1979. 448 p.Owusu B.A., Boateng C.D., Asare V.S., Danuor S.K., Adenutsi C.D., Quaye J.A. Seismic facies analysis using machine learning techniques: a review and case study // Earth Science Informatics. 2024. Vol. 17. P. 3899–3924. doi:10.1007/s12145-024-01395-3.Verma S., Roy A., Perez R., Marfurt K.J. Mapping high frackability and high TOC zones in the Barnett Shale: Supervised Probabilistic Neural Network vs. unsupervised multi-attribute Kohonen SOM // SEG Technical Program Expanded Abstracts. 2012. P. 1–5. doi:10.1190/segam2012-1494.1.Rijks E.J.H., Jauffred J.C.E.M. Attribute extraction: an important application in any detailed 3-D interpretation study // The Leading Edge. 1991. Vol. 10 (9). P. 11–19. doi:10.1190/1.1436837.Voronina V.V., Mikheev A.V., Yarushkina N.G., Svyatov K.V. Theory and practice of machine learning: a tutorial (In Russ.). UlSTU, Ulyanovsk, 2017. 70 p.Verma S., Roy A., Perez R., Marfurt K.J. Mapping high frackability and high TOC zones in the Barnett Shale: Supervised Probabilistic Neural Network vs. unsupervised multi-attribute Kohonen SOM // SEG Technical Program Expanded Abstracts. 2012. P. 1–5. doi:10.1190/segam2012-1494.1.Vyugin V.V. Mathematical foundations of the theory of machine learning and forecasting (In Russ.). Moscow, 2013. 387 p.Wickramasinghe I., Kalutarage H. Naive Bayes: applications, variations and vulnerabilities: a review of literature with code snippets for implementation // Soft Computing. 2021. Vol. 25 (3). P. 2277–2293. doi:10.1007/s00500-020-05297-6.Wickramasinghe I., Kalutarage H. Naive Bayes: applications, variations and vulnerabilities: a review of literature with code snippets for implementation // Soft Computing. 2021. Vol. 25 (3). P. 2277–2293. doi:10.1007/s00500-020-05297-6.Zhao T., Jayaram V., Roy A., Marfurt K.J. A comparison of classification techniques for seismic facies recognition // Interpretation. 2015. Vol. 3 (4). P. SAE29–SAE58. doi:10.1190/INT-2015-0044.1.Zhao T., Jayaram V., Roy A., Marfurt K.J. A comparison of classification techniques for seismic facies recognition // Interpretation. 2015. Vol. 3 (4). P. SAE29–SAE58. doi:10.1190/INT-2015-0044.1.

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