Синтезирование и восстановление каротажных кривых с помощью алгоритмов машинного обучения

Abstract

Информация, получаемая при исследовании скважины акустическими и плотностными методами, является ценной при дальнейшей интерпретации литологии, подсчете запасов и создания геологической модели. К сожалению, не на всем фонде скважин проводиться специальный комплекс ГИС, в который включены акустические и плотностные каротажи. Обычно синтез данных кривых производится с использованием эмпирических зависимостей, которые, во-первых, дают не всегда точный результат, а во-вторых, не могут применяться повсеместно. В работе предлагается использовать алгоритмы машинного обучения для синтезирования кривых ГИС, ввиду высокой точности получаемых результатов, повсеместного использования и анализа скрытых связей между множеством параметров.

Acoustic and density well logging data are useful and can be used in the future lithology analysis, STOIIP calculation and modeling. Unfortunately, special complex of well logging there is not on all well stock. The classical approach of restoring well logging data is used empirical equations which have limited distribution area and low prediction accuracy. It is supposed that machine learning algorithms can increase the level of forecasting and evaluation hidden relationships between many parameters.