Тип публикации: статья из журнала
Год издания: 2026
Идентификатор DOI: 10.46698/VNC.2026.48.42.001
Ключевые слова: magnetic anomalies, airborne geophysical survey, machine learning, classification, neural networks, geophysics, north Caucasus, magnetic field, random forest, geological interpretation, магнитные аномалии, аэрогеофизическая съемка, машинное обучение, классификация, нейронные сети, геофизика, северный Кавказ, магнитное поле, геологическая интерпретация
Аннотация: Актуальность работы. Повышение точности определения коллекторских свойств нефтегазоносных пород по данным геофизических исследований скважин является важной задачей современной нефтегазовой геофизики. Традиционные методы интерпретации не всегда обеспечивают надежный прогноз фильтрационно-емкостных характеристик в условиях высокой лПоказать полностьюитологической неоднородности продуктивных пластов. Цель исследования. Оценка эффективности применения нейросетевых алгоритмов для прогнозирования пористости и проницаемости пород-коллекторов по данным геофизических исследований скважин. Методы исследования. Использованы данные гамма-, нейтронного, акустического, плотностного и электрического каротажа, а также результаты лабораторных исследований керна. Выполнены предварительная фильтрация, нормализация и корреляционный анализ данных. Для прогнозирования коллекторских свойств применялась многослойная нейронная сеть типа MLP. Результаты сопоставлялись с традиционными методами интерпретации и другими алгоритмами машинного обучения. Результаты. Установлено, что использование нейросетевых алгоритмов обеспечивает более высокую точность прогноза коллекторских свойств по сравнению с классическими подходами. Коэффициент детерминации модели достигал 0,89, а среднеквадратичная ошибка прогноза пористости составила около 2,1 %. Наибольшее влияние на качество прогноза оказывают данные акустического, нейтронного и плотностного каротажа. Полученные результаты подтверждают перспективность применения технологий искусственного интеллекта для цифровой интерпретации геолого-геофизической информации Relevance. The improvement of accuracy of reservoir property prediction accuracy from well logging data is an important task in modern petroleum geophysics. Conventional interpretation methods often fail to provide reliable predictions of reservoir properties in geologically heterogeneous formations. Aim. To assess the effectiveness of neural network algorithms for predicting porosity and permeability of reservoir rocks using well logging data. Methods.Gamma-ray, neutron, acoustic, density, and electrical logging data, together with laboratory core analysis results, were used. Data preprocessing included filtering, normalization, and correlation analysis. A multilayer perceptron (MLP) neural network was applied for reservoir property prediction. The obtained results were compared with conventional interpretation approaches and other machine learning algorithms. Results. The neural network model demonstrated higher prediction accuracy compared with traditional methods. The coefficient of determination reached 0.89, while the root mean square error of porosity prediction was approximately 2.1 %. Acoustic, neutron, and density logging data were identified as the most informative predictors. The results confirm the effectiveness of artificial intelligence technologies for digital interpretation of geological and geophysical information and prediction of reservoir properties in oil and gas-bearing formations
Журнал: Геология и геофизика Юга России
Выпуск журнала: Т.16, №2
Номера страниц: 108-119
ISSN журнала: 22213198
Место издания: Владикавказ
Издатель: Владикавказский научный центр РАН