Применение методов машинного обучения и нейронных сетей в задачах картирования литофаций и оценки коллекторских свойств: анализ и выбор методов
Абетов А.E.1, Сейтжанов А.K.2, Саменов Е.Р.1
1 Казахский национальный исследовательский технический университет имени К. И. Сатпаева, Казахстан Ул. Сатпаева 22, Алматы, 050013
2 Казахстанско-Британский Технический Университет, Казахстан Ул. Толеби, 59, Алматы, 050000: ansar.seitzhanov.98@mail.ru
DOI: 10.33677/ggianas20250100140
Резюме
В статье рассмотрены аспекты применения методов искусственного интеллекта (ИИ) для решения задач картирования литофаций и оценки коллекторских свойств пород. При этом выбор метода ИИ зависит от характера данных, целей исследования (классификация, регрессия, кластеризация, сегментация изображений), требований к конечным результатам интерпретации и моделирования. Проведен анализ различных алгоритмов машинного обучения, таких как метод опорных векторов, случайный лес, нейронные сети и другие. Оценена эффективность каждого их перечисленных методов на основе открытых источников и геологических данных. Проанализированы их преимущества и недостатки, а также идентифицированы факторы, влияющие на выбор метода ИИ. Представлена классификация геологических задач и соответствующих методов ИИ, включая SVM, RF, линейную и полиномиальную регрессию, k-means, иерархическую кластеризацию и CNN. Представлены платформы машинного обучения с открытым исходным кодом, такие как TensorFlow, PyTorch и Keras, а также факторы, влияющие на выбор оптимального метода ИИ для литофациального анализа и оценки коллекторских свойств. Предложены рекомендации по выбору оптимальных методов ИИ для решения конкретных задач. Подчеркнута важность объема и качества данных для выбора метода ИИ и предотвращения переобучения модели. Наибольшую результативность в условиях Юго-Восточного Прикаспия могут продемонстрировать метод опорных векторов, случайный лес и нейронные сети, каждый из которых обладает уникальными преимуществами. В работе отмечены ключевые проблемы, связанные с качеством исходных данных, интерпретируемостью результатов и адаптацией методов к конкретным геологическим условиям, а также переобучение. В обсуждении и заключении представлена информация касательно применения каждого метода машинного обучения под конкретные задачи и условия.
Ключевые слова: искусственный интеллект, машинное обучение, классификация геологических задач, линейная и полиномиальная регрессия, кластеризация литофаций, коллекторские свойства
ЛИТЕРАТУРА
Easyoffer.ru. Что такое переобучение модели. URL: https://easyoffer.ru/question/5440 (дата обращения: 10.10.2023).
Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: Data mining, inference, and prediction. 2nd ed. Springer. New York, 2009, 745 p.
Merembayev T., Kurmangaliyev B., Bekbauov B., Amanbek, Ye. A comparison of machine learning algorithms in predicting lithofacies: Case studies from Norway and Kazakhstan. Energies. Vol. 14, No. 7, 2021, p. 1896, DOI: https://doi.org/ 10.3390/en14071896.
Ng A. Artificial Intelligence (AI) for Everyone. Deep Learning.AI. 2023, URL: https://www.deeplearning.ai (дата обращения: 10.10.2023).
Priezzhev I.I., Veeken P.C.H., Egorov S.V., Nikiforov A.N., Strecker U. Seismic waveform classification based on Kohonen 3D neural networks with RGB visualization. First Break, Vol. 37, No. 2, 2019, pp. 37-43.
Scikit-learn: Machine Learning in Python. Официальная документация. URL: https://scikitlearn.org/stable/user_guide.html.
Браун А.Р. Интерпретация трехмерных сейсмических данных. Пер. с англ. Общество инженеров-геофизиков (SEG), Москва, 2011.
Введение в машинное обучение. URL: https://habr.com/ru/ post/448892/ (дата обращения: 3.09.2019).
Добрынин В.М., Вендельштейн Б.Ю., Кожевников Д.А. Интерпретация и моделирование геофизических данных. Недра. Moscow, 2009, 456 с.
Keras: The Python Deep Learning API. Официальная документация. URL: https://keras.io/.
Колбикова Е.С. Литофациальный анализ и возможности прогнозирования свойств по данным геофизических исследований и сейсморазведки методами машинного обучения. ООО «Роксар Парадайм – ПО и Решения». Москва, 2021, 120 с.
KPMG Кавказ и Центральная Азия. Технологическое исследование 2024. KPMG. Февраль 2025.
Нейронные сети для начинающих. Часть 1. Habr. URL: https://habr.com/ru/articles/312450 (дата обращения: 10.10.2023).
Нейронные сети. Psy.Wikireading. URL: https://psy.wikireading.ru/ 12215 (дата обращения: 10.10.2023).
Приезжев И.И., Тайкулаков Е.Е., Каюмов И.Л., Леонов А.В., Горбач Д.А., Мирошкин В.Г., Овечкина В.Ю. Прямой нейросетевой прогноз коллекторских свойств пласта по данным сейсморазведки на примере клиноформных отложений Западной Сибири. PROНефть. Профессионально о нефти, Т. 8, No. 2, 2023, с. 28-39, DOI: https://doi.org/ 10.51890/2587-7399-2023-8-2-28-39.
Шамаев С.Д. Применение методов искусственного интеллекта при обработке и интерпретации данных геофизических методов. Известия УГГУ, № 1 (65), 2022, с. 86-101.
Упрощённое объяснение новой сети Колмогорова-Арнольда из MIT. Habr. 2024. URL: https://habr.com/ru/articles/ 817547 (дата обращения: 10.10.2023).
DOI: 10.33677/ggianas20250100140