550.8.053

Определение эффективной мощности пластов важно для точной оценки запасов нефти и газа. Для расчета толщины пластов в межскважинном пространстве применяют данные 3Д сейсморазведки, но разрешающая способность ограничена длиной волны и не превышает 12.5 м. В статье рассмотрены подходы к оценке эффективной толщины продуктивных отложений тульско-бобриковского возраста на территории одного из месторождений Республики Татарстан. Рассмотрены четыре метода расчета карт эффективных толщин: метод схождения, корреляционная зависимость вида «толщина пласта - сейсмический атрибут», зависимость толщины пласта от формы сигнала, применение нейронных сетей. Оценка качества работы алгоритмов проводилась при помощи кросс-валидации и расчета среднеквадратичной ошибки определения мощности пласта. Наилучшие результаты получены при помощи нейросетевого алгоритма.

Determination of effective thickness of formation is important for accurate oil and gas reserves estimation. To estimate the thickness of layers in the interwell space, 3D seismic data are used, but the resolution is limited by the wavelength and does not exceed 12.5 m. The paper discusses approaches to assessing the effective thickness of productive deposits of the Tula-Bobrikov age within the oil field in the Republic of Tatarstan. Four methods for calculating thickness maps are considered: the convergence method, the correlation dependence «layer thickness - seismic attribute», dependence of formation thickness on signal shape, and use of neural networks. The quality of the algorithms was assessed using cross-validation and calculation of the root mean square error. The best results were obtained using a neural network algorithm.

старший преподаватель Научно-образовательного центра «ТРИЗ» Института геологии и нефтегазовых технологий Казанского федерального университета

студент Института геологии и нефтегазовых технологий Казанского федерального университета

аспирант, кафедра бурения нефтяных и газовых скважин, Альметьевский государственный нефтяной институт

Widess M.B. How thin is a thin bed? GEOPHYSICS. 1973. V. 38. Pp. 1021-1240.

Satinder Chopra, Kurt J. Marfurt. Geophysics Seismic attributes - A historical perspective. 2005. Vol. 70 (5).

Afiqah Zahraa, Deva Ghosh. Seismic Waveform Classification of Reservoir Properties Using Geological Facies Through Neural Network. s.l.: ICIPEG. 2017.

Bonnie Lodwick, Lawrence Grant-Woolley. Waveform classification as a pseudo for reservoir thickness. Adelaide: ASEG-PESAAIG 2016. 2016.

Xu G., B.U. Haq Seismic facies analysis: Past, present and future. Earth-Science Reviews. 2022. Vol. 224. Iss. 37.

Platov B., Kozhevnikova N., Shipaeva M. The example of neural net algorithm applying for seismic facies analysis. Example from the Republic of Tatarstan. 19th International Multidisciplinary Scientific GeoConference SGEM 2019. Scientific conference abstracts. Bulgaria. 2019.

Kohavi R.A. Study of cross-validation and bootstrap for accuracy estimation and model selection. Proceedings of the 14th International Joint Conference on Artificial Intelligence. Montreal. 1995. Vol. 2. Рp. 1137-1145.

Stone M. Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society B (Methodological). 1974. Vol. 36. Iss. 2. Рp. 111-147.