26 февраля 2021 г.

10.00-17.00

Машинное обучение и нейронные сети для прогноза параметров нефтегазоносности геологических формаций по данным сейсморазведки и измерений в скважинах

Формат проведения: Online

Автор курса:

Иван Иванович Приезжев,  

доктор технических наук ,

профессор Российского государственного университета нефти и газа имени И.М. Губкина, генеральный директор ООО «Лаборатория Приезжева», инновационный центр Сколково

• Анализ сейсмического поля без учителя (без скважин)

  • Теория нейронных сетей Кохонена 1D, 2D, 3D с визуализацией RGB

  • Построения карт сейсмофаций (сейсмоклассов).

  • Построения кубов сейсмофаций.

  • Факторный анализ сейсмического поля.

  • Спектральная декомпозиция и RGB анализ сейсмических слайсов

  • Алгоритмы выделения разломов и трещиноватости на основе алгоритма DTW и имитации разломных процессов

​

• Анализ сейсмического поля c учителем (учитель - информация со скважин)                                             

  • Теория нейронных сетей

    • Классические нейронные сети

    • Нейронные сети Колмогорова с полнофункциональным преобразованием входных данных

  • Применение нейронных сетей и методов машинного обучения для прогноза карт эффективных толщин.

    • Прогноз на основе линейной регрессии,

    • Прогноз на основе нейронных сетей Кохонена

    • Нелинейных прогноз на основе нейронных сетей Колмогорова

    • Многократный прогноз с удалением части скважин и построение карт P10, P50, P90, среднее, стандарт

  • Применение нейронных сетей и методов машинного обучения для прогноза куба эффективных параметров по набору исходных кубов и скважинных измерений.

    • Нейросетевой прогноз низкочастотной модели и ее использование.

    • Сравнение линейных и нелинейных инверсионно прогнозных построений

    • Нелинейный прогноз кубов упругих параметров AI, Vp/Vs, RHOB по угловым суммам

    • Прогноз кубов ФЭС по кубам инверсии или по угловым суммам

    • Прогноз геомеханических кубов (скорость Vs, модуль Юнга, отношение Пуассона …)

    • Прогноз куба порового давления

    • Прогноз кубов литофаций

    • Многократный прогноз с удалением части скважин и построение кубов P10, P50, P90, среднее, стандарт

​

• Анализ скважинных данных.

  • Применение нейронных сетей Колмогорова и методов машинного обучения для прогноза измерений в скважинах.

  • Многократный прогноз с удалением части данных и построение кривых прогноза P10, P50, P90, среднее, стандарт

  • Классификация каротажных кривых по их форме – электрофации.

​

• Анализ гравимагнитных данных.

  • Экспресс анализ гравимагнитных данных и построение куба избыточных плотностей

  • Прямая и обратная задача на основе слоистой модели среды.

Программа

курса