geophystechГеофизические технологииRussian Journal of Geophysical Technologies2619-1563IPGG SB RAS10.18303/2619-1563-2025-2-51geophystech-408Research ArticleСтатьиФормальные критерии качества автоматической корреляции разрезов скважинFormal quality criteria for automatic correlation of well logshttps://orcid.org/0000-0002-6786-9101ЛапковскийВ. В.LapkovskyV. V.

Владимир Валентинович Лапковский - доктор геолого-минералогических наук, ведущий научный сотрудник лаборатории сейсмогеологического моделирования природных нефтегазовых систем; профессор кафедры Вычислительной техники

630090, Новосибирск, просп. Акад. Коптюга, 3 

630073, Новосибирск, пр. К. Маркса, 20 

Vladimir V. Lapkovsky 

Koptyug Ave., 3, Novosibirsk, 630090 

K. Marks Ave., 20, Novosibirsk, 630073 

LapkovskiiVV@ipgg.sbras.ruhttps://orcid.org/0009-0007-5385-6872ШелудькоВ. И.SheludkoV. I.

Василиса Ивановна Шелудько - аспирант; ассистент кафедры вычислительной техники

630073, Новосибирск, пр. К. Маркса, 20 

Vasilisa I. Sheludko 

K. Marks Ave., 20, Novosibirsk, 630073 

vasilisasheludko@yandex.ruИнститут нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН ; Новосибирский государственный технический университетРоссияTrofimuk Institute of Petroleum Geology and Geophysics, SB RAS ; Novosibirsk State Technical UniversityRussian FederationНовосибирский государственный технический университетРоссияNovosibirsk State Technical UniversityRussian Federation202509122025025159Copyright © Лапковский В.В., Шелудько В.И., 20252025Лапковский В.В., Шелудько В.И.Lapkovsky V.V., Sheludko V.I.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rjgt.ru/jour/article/view/408

Предлагаются и сравниваются формализованные критерии качества автоматической корреляции скважин. Рассмотрены три показателя: ошибка прогноза значений каротажных кривых на основе кроссвалидации; отношение средней внутригрупповой дисперсии к общей дисперсии данных; среднеквадратическое отклонение глубин набора стратиграфических границ от эталонной модели. Показана очень тесная статистическая связь для первых двух критериев, но в силу сравнительной простоты вычисления более предпочтительным оказывается второй из них. Критерий, связанный с оценкой отклонения от эталонной модели (созданной экспертом), может использоваться в машинном обучении для практических задач, но малопригоден, поскольку требует предварительного построения эталонной модели.

This article proposes and compares formalized criteria for the quality of automated well correlation. Three indicators are considered: the error in predicting well log values based on cross-validation; the ratio of the average intra-group variance to the total data variance; and the standard deviation of the depths of a set of stratigraphic boundaries from a reference model. A very close statistical relationship is demonstrated for the first two criteria, but due to the comparative simplicity of calculation, the second is preferable. The criterion associated with assessing the deviation from the reference model (created by an expert) can be used in machine learning for practical tasks, but is of little use because it requires the preliminary construction of a reference model.

автоматическая корреляция разрезов скважинранжирование корреляционных моделейстратиграфическая корреляциякритерии качества корреляцииautomatic wellbore correlationcorrelation model rankingstratigraphic correlationcorrelation quality criteriaисследование выполнено по плану базовых научно-исследовательских работ ИНГГ СО РАН (проект Минобрнауки РФ FWZZ-2022-0009).The study was carried out as part of government assignment to the Russian Academy of Sciences in basic research, Project FWZZ-2022-0009.ReferencesЛапковский В.В., Истомин А.В., Конторович В.А., Бердов В.А. Корреляция разрезов скважин как многомерная оптимизационная задача // Геология и геофизика. 2015. Т. 56, № 3. С. 624–630. doi:10.15372/GiG20150309. EDN:TNUWLJ.Bakdi S., Kannan N., Masini S., Chennakrishnan B. Automated well correlation using machine learning and facial recognition techniques // Abu Dhabi International Petroleum Exhibition & Conference. 2020. doi:10.2118/203301-MS.Лапковский В.В., Моисеев С.А., Лунев Б.В. Критерий качества автоматической корреляции разрезов скважин по каротажным данным // Геофизические технологии. 2019. № 2. C. 12–22. doi: 10.18303/2619-1563-2019-2-12. EDN:VTZOZN.Caliński T., Harabasz J. A dendrite method for cluster analysis // Communications in Statistics. 1974. Vol. 3 (1). P. 1–27. doi:10.1080/03610927408827101.Латыпов И.Д., Марков А.В., Евграфов Н.А., Шагимарданова Л.Р. Разработка подходов к автоматизированной внутрипластовой корреляции по данным геофизических исследований скважин с применением машинного обучения // Экспозиция Нефть Газ. 2024. № 4. С. 47–51. doi: 10.24412/2076-6785-2024-4-47-51. EDN:GVMMOB.Lapkovsky V.V., Istomin A.V., Kontorovich V.A., Berdov V.A. Correlation of well logs as a multidimensional optimization problem // Russian Geology and Geophysics. 2015. Vol. 56 (3). P. 487–492. doi:10.1016/j.rgg.2015.02.009.Шайбаков Р.А. Использование нейросетевого аппарата для идентификации границ геологических объектов // Технические науки: традиции и инновации: Материалы I Международной научной конференции. Челябинск: Два комсомольца, 2012. С. 8–11. https://moluch.ru/conf/tech/archive/6/1491.Lapkovsky V.V., Moiseev S.A., Lunev B.V. Quality criteria for automatic correlation of well sections based on logging data // Russian Journal of Geophysical Technologies. 2019. No. 2. P. 12–22. (In Russ.). doi:10.18303/2619-1563-2019-2-12.Bakdi S., Kannan N., Masini S., Chennakrishnan B. Automated well correlation using machine learning and facial recognition techniques // Abu Dhabi International Petroleum Exhibition & Conference. 2020. doi:10.2118/203301-MS.Latypov I.D., Markov A.V., Evgrafov N.A., Shagimardanova L.R. Development of approaches to automated correlation from well log data using machine learning // Exposition Oil Gas. 2024. No. 4. P. 47–51. (In Russ.). doi:10.24412/2076-6785-2024-4-47-51.Caliński T., Harabasz J. A dendrite method for cluster analysis // Communications in Statistics. 1974. Vol. 3 (1). P. 1–27. doi:10.1080/03610927408827101.Romanenkova E., Rogulina A., Shakirov A., Stulov N., Zaytsev A., Ismailova L., Kovalev D., Katterbauer K., AlShehri A. Similarity learning for wells based on logging data // Journal of Petroleum Science and Engineering. 2022. Vol. 215 (Part B). 110690. doi:10.1016/j.petrol.2022.110690.Romanenkova E., Rogulina A., Shakirov A., Stulov N., Zaytsev A., Ismailova L., Kovalev D., Katterbauer K., AlShehri A. Similarity learning for wells based on logging data // Journal of Petroleum Science and Engineering. 2022. Vol. 215 (Part B). 110690. doi:10.1016/j.petrol.2022.110690.Shaibakov R.A. Using a neural network device for identifying the boundaries of geological objects (In Russ.) // Engineering Sciences: Traditions and Innovations: Proceedings of the First International Scientific Conference. Chelyabinsk, 2012. P. 8–11. https://moluch.ru/conf/tech/archive/6/1491.

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