Обработка данных бокового сканирующего каротажа в процессе бурения с применением сверточных нейронных сетей

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.

1. Глинских 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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,

9. Russia, 4–6 August 2021): Extended abstracts. – Novosibirsk, 2021. – Paper 39, doi: 10.3997/2214-4609.202156039.

10. Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, Cambridge, 2016. – Vol. 1. – 774 p.

11. 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.

12. 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.

13. 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.

14. Perlin K. An image synthesizer // SIGGRAPH Computer Graphics – 1985. – Vol. 19 (3). – P. 287–296, doi: 10.1145/325165.325247.

15. Sasaki Y. The truth of the F-measure // Teach. Tutor. Mater. – 2007. – Vol. 1 (5). – P. 1–5.

16. 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.