Машинное обучение в седиментологических и фациальных реконструкциях нефтегазовых резервуаров: критический обзор внедрённых и перспективных методов

Abstract

Актуальность. Предсказательная сила геологической модели напрямую определяет эффективность и экономическую целесообразность разработки нефтегазовых месторождений. Однако восстановление точной пространственной структуры резервуаров затруднено из-за дефицита керновых данных, неравномерной плотности скважинной информации и разнородности геолого-геофизических данных. В условиях цифровой трансформации нефтегазовой отрасли методы машинного обучения всё активнее интегрируются в геологическое моделирование, дополняя и усиливая классические геостатистические подходы, что открывает новые возможности для повышения точности фациальных и седиментологических реконструкций. Цель. Систематизировать мировой опыт применения методов машинного обучения в седиментологических и фациальных реконструкциях нефтегазовых резервуаров, выделив уже внедрённые решения и альтернативные технологии, находящиеся на ранней стадии освоения. Методы. Проведён анализ научно-исследовательских работ, охватывающий байесовские сети, вариационные автоэнкодеры, генеративно-состязательные модели, гибридные и классические геостатистические алгоритмы; зрелость технологий оценивалась по типу исходных данных, роли эксперта и метрикам валидации. Результаты и выводы. Выявлено, что методы машинного обучения выходят за рамки пространственной интерполяции: они выявляют сложные зависимости и восстанавливают сложные геологические зависимости и сценарии осадконакопления. На практике увеличивается применение генеративных и вероятностных графовых моделей, что подчёркивает важность разнотипных данных и геологического контекста. Несмотря на автоматизацию, участие эксперта остаётся критически важным, особенно в байесовских подходах. Основной проблемой остаётся недостаток размеченных обучающих выборок, однако байесовские методы демонстрируют устойчивость даже при ограниченных данных. Отмечена тенденция к использованию гибридных подходов, сочетающих преимущества машинного обучения и геостатистики, что подчёркивает сохраняющуюся важность доменных специалистов в процессе моделирования

Relevance. The predictive power of a geological model directly determines the efficiency and economic viability of oil and gas field development. However, reconstructing the accurate spatial structure of reservoirs is hindered by the scarcity of core data, uneven well data density, and heterogeneity of geological and geophysical information. Under conditions of digital transformation in the oil and gas industry, machine learning methods are increasingly being integrated into geological modeling, complementing and enhancing classical geostatistical approaches. This integration opens up new opportunities for improving the accuracy of facies and sedimentological reconstructions. Aim. To systematize global experience in the application of machine learning methods for sedimentological and facies reconstructions of oil and gas reservoirs, identifying both already implemented solutions and alternative technologies at an early stage of adoption. Methods. A critical review of peerreviewed studies covering Bayesian networks, variational autoencoders, generative adversarial networks, hybrid models, and classical geostatistical algorithms was conducted. The maturity of these technologies was assessed based on data types, expert involvement, and validation metrics. Results and conclusions. Machine learning methods go beyond simple spatial interpolation by uncovering complex, multidimensional relationships and reconstructing depositional scenarios. In practice, the use of generative and probabilistic graph models is expanding, underscoring the importance of multi-type data and geological context. Despite increasing automation, expert input remains critical - especially in Bayesian approaches. The main challenge remains the lack of sufficiently labeled training datasets; however, Bayesian methods demonstrate robustness even with limited data. A growing trend towards hybrid approaches that combine the strengths of machine learning and geostatistics has been observed, highlighting the continued importance of domain experts in modeling