Машинное обучение в задачах сейсмофациального анализа
https://doi.org/10.18303/2619-1563-2024-4-50
Аннотация
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.
Ключевые слова
сейсморазведка 3D,
классификация,
кластеризация,
сейсмический атрибут,
метод «К-средних»,
метод Кохонена,
байесовский классификатор,
«обучение с учителем»,
выделение сейсмофации
При поддержке: Исследование выполнено по плану базовых научно-исследовательских работ ИНГГ СО РАН (проект Минобрнауки РФ FWZZ-2022-0017).
Об авторах
Е. И. Корыткин
Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН; ООО «СахалинНИПИ нефти и газа»
Россия
Россия
Евгений Игоревич Корыткин – аспирант; начальник отдела ГРР
630090, Новосибирск, просп. Акад. Коптюга, 3
693009, Южно-Сахалинск, ул. Амурская, 53
Г. М. Митрофанов
Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН; Новосибирский государственный университет; Новосибирский государственный технический университет
Россия
Россия
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
А. М. Камашев
Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН; Новосибирский государственный университет
Россия
Россия
Александр Максимович Камашев – младший научный сотрудник лаборатории динамических
проблем сейсмики
630090, Новосибирск, просп. Акад. Коптюга, 3
630090, Новосибирск, ул. Пирогова, 1
Список литературы
1. Алексеев 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.
2. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 448 с.
3. Воронина В.В., Михеев А.В., Ярушкина Н.Г., Святов К.В. Теория и практика машинного обучения: Учебное пособие. Ульяновск: УлГТУ, 2017. 70 с.
4. Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования. М.: МЦНМО, 2013. 387 с.
5. Дюран Б., Одел П. Кластерный анализ / Пер. с англ. М.: Статистика, 1977. 128 с.
6. 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.
7. Мясников В.В. Распознавание образов и машинное обучение. Основные подходы: Учебное пособие. Самара: Изд-во Самарского университета, 2023. 196 с.
8. Нильсон Н. Обучающиеся машины / Пер. с англ. М.: Мир, 1967. 180 с.
9. Приезжев И.И., Солоха Е.В., Манрал С. Фациальный анализ по форме сейсмического сигнала // Геофизика. 2014. № 1. С. 63–67.
10. Ту Дж., Гонсалес Р. Принципы распознавания образов / Пер. с англ. М.: Мир, 1978. 411 с.
11. Чабан Л.Н. Теория и алгоритмы распознавания образов: Учебное пособие. М.: МИИГАИК, 2004. 290 с.
12. Хачумов М.В. Расстояния, метрики и кластерный анализ // Искусственный интеллект и принятие решений. 2012. № 1. С. 81–89.
13. 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.
14. 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.
15. Friedman N., Geiger D., Goldszmidt M. Bayesian network classifiers // Machine Learning. 1997. Vol. 29 (2–3). P. 131–163. doi:10.1023/A:1007465528199.
16. Kohonen T. Self-organized formation of topologically correct feature maps // Biological Cybernetics. 1982. Vol. 43. P. 59–69. doi:10.1007/BF00337288.
17. 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.
18. 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.
19. 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.
20. 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.
21. 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.
22. 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.
Рецензия
Для цитирования:
Корыткин Е.И., Митрофанов Г.М., Камашев А.М. Машинное обучение в задачах сейсмофациального анализа. Геофизические технологии. 2024;(4):50-63. https://doi.org/10.18303/2619-1563-2024-4-50
For citation:
Korytkin E.I., Mitrofanov G.M., Kamashev A.M. Machine learning methods in seismic facies analysis problems. Russian Journal of Geophysical Technologies. 2024;(4):50-63. (In Russ.) https://doi.org/10.18303/2619-1563-2024-4-50
Просмотров:
129
Послать статью по эл. почте 