Методы машинного обучения как эффективный инструмент современного инженера на этапе комплексной интерпретации данных потенциальных полей и сейсморазведки.
- Длительность доклада: 55 мин
- Количество просмотров: 8
- Общая продолжительность просмотров: 3 ч 28 мин
- Добавлен в подборки: 5 раз
Автор:
Выпускник геологического факультета Саратовского государственного университета им. Н.Г. Чернышевского по специальности "геофизика" (2014 г.). Опыт работы в нефтегазовой отрасли более 12 лет. В настоящее время работает руководителем проектов по сейсморазведке в АО ГНПП «Аэрогеофизика»
Аннотация
Высокая разрешающая способность современных аэрогеофизических методов при относительно невысоких экономических затратах на проведение полевых аэрогеофизических работ (с возможностью комбинирования доступных измерительных приборов на одном воздушном судне), определяют высокую эффективность привлечения несейсмических методов на этапе поисков углеводородов. Комплексирование несейсмических методов, в особенности грави-, магнитометрии, с данными сейсморазведки позволяют получить согласованную модель геофизических данных, тем самым существенно снизить неопределённости геологического строения, связанные с латеральной изменчивостью плотностных, акустических, а также геометрических свойств отложений осадочного чехла и фундамента.
Подобный комплексный анализ позволяет более обоснованно сфокусировать внимание на наиболее перспективных объектах с наименьшими неопределенностями, при планировании дальнейших поисковых и детализационных геологоразведочных работ. Однако в процессе такого комплексного анализа, часто возникает необходимость в решении нестандартных, плохо формализуемых задач, в рамках которых невозможно найти аналитическое решение. В настоящем докладе, на примере решения задачи моделирования морфологии отражающих горизонтов по данным потенциальных полей, обосновывается высокая эффективность различных методов машинного обучения (классические методы машинного обучения, искусственные нейронные сети, генетические алгоритмы) при решении подобного рода задач. В свою очередь, современные тенденции технологического прогресса в области машинного обучения в целом, и успешность применения данных методов в геологоразведочном процессе в частности, обуславливают дополнительные требования к компетенциям современных ученых и инженеров нефтегазовой отрасли, наличие которых способствует более эффективному решению сложных задач и, как следствие, приносит наибольший экономический эффект.