Тип публикации: статья из журнала
Год издания: 2026
Идентификатор DOI: 10.46698/VNC.2026.49.25.001
Ключевые слова: carbonate reservoirs, fracturing, well logging, machine learning, intelligent data processing, FMI, neural networks, geophysical interpretation, XGBoost, random forest, digital geophysics, petrophysics, карбонатные коллекторы, трещиноватость, геофизический каротаж, машинное обучение, интеллектуальная обработка данных, нейронные сети, интерпретация ГИС, цифровая геофизика, петрофизика
Аннотация: Актуальность работы. Оценка трещиноватости карбонатных коллекторов является одной из наиболее сложных задач нефтегазовой геофизики, поскольку наличие трещин существенно влияет на фильтрационно-емкостные свойства пород. Традиционные методы интерпретации геофизического каротажа не всегда обеспечивают необходимую достоверность выделенПоказать полностьюия трещиноватых интервалов в условиях сложного геологического строения. Цель исследования. Разработка и оценка эффективности интеллектуальных методов обработки данных геофизического каротажа для прогнозирования трещиноватости карбонатных коллекторов. Методы исследования. Использованы данные акустического, нейтронного, плотностного и электрического каротажа, FMI-сканирования и керновых исследований. Для анализа применялись методы машинного обучения Random Forest, XGBoost, SVM и сверточные нейронные сети. Выполнены предварительная обработка данных, формирование признакового пространства и обучение моделей на размеченных выборках. Результаты. Установлено, что наибольшую эффективность при прогнозировании трещиноватости обеспечивают ансамблевые алгоритмы и комплексная обработка данных ГИС и FMI. Максимальная точность классификации достигла 92 % при использовании XGBoost. Выявлены устойчивые связи между локальной изменчивостью каротажных параметров и развитием трещинных систем. Полученные результаты подтверждают перспективность применения интеллектуальных технологий для повышения достоверности интерпретации карбонатных коллекторов Relevance.Fracture characterization of carbonate reservoirs remains one of the most challenging problems in petroleum geophysics because fracture systems significantly affect reservoir storage and flow properties. Conventional well-log interpretation techniques often provide insufficient reliability in identifying fractured intervals under complex geological conditions. Aim.To develop and evaluate intelligent data-processing approaches for predicting fracture distribution in carbonate reservoirs using well logging information. Methods.Acoustic, neutron, density, and electrical logging data, FMI images, and core analysis results were used. Machine learning methods including Random Forest, XGBoost, Support Vector Machine, and convolutional neural networks were applied. Data preprocessing, feature engineering, and model training were performed using labeled datasets. Results. Ensemble algorithms and integrated interpretation of well logging and FMI data demonstrated the highest prediction performance. The XGBoost model achieved a maximum classification accuracy of 92 %. Stable relationships between local variations of logging parameters and fracture development were identified. The obtained results confirm the effectiveness of intelligent data-processing methods for improving fracture detection reliability and enhancing geological characterization of carbonate reservoirs
Журнал: Геология и геофизика Юга России
Выпуск журнала: Т.16, №2
Номера страниц: 85-96
ISSN журнала: 22213198
Место издания: Владикавказ
Издатель: Владикавказский научный центр РАН