Application of machine learning methods to the problem of facies classification from well logs

Abstract

Начиная с 1980-х годов и вплоть до сегодняшнего дня задачи автоматической интерпретации данных геофизической разведки являются критически важными для горнодобывающей промышленности. Одной из самых насущных проблем, предстающих перед учеными-геофизиками в ходе интерпретации разведочных данных, является классификация литологических фаций. В рамках данного исследования была поставлена цель разработки эффективного способа автоматической классификации фаций на основе данных каротажа, полученных в ходе проведения геофизических исследований скважин, с помощью методов машинного обучения и, в частности, с помощью одномерной глубокой свёрточной нейронной сети. В отличие от уже существующих решений, в работе особое внимание уделялось изучению способов предварительной обработки исходных данных каротажа с целью повышения качества и эффективности работы выбранных методов. Так, была осуществлена 3-x этапная предобработка исходного набора данных, которая заключалась в очищении каротажных измерений от шумов, преобразовании признаков, а также в восстановлении пропущенных измерений с помощью различных методов машинного обучения.

The tasks of automatically interpreting geophysical survey data has played a crucial role in the mining industry from the 1980s to the present day. One of the most pressing problems that geophysical scientists face during the interpretation of exploration data is the classification of lithological facies. As part of this study, the goal was to develop an effective approach for automatically facies classification based on well log data obtained during geophysical well surveys, using machine learning methods and, in particular, using a one-dimensional deep convolutional neural network. In contrast to the existing solutions, the work focused on the study of techniques for preliminary processing of the initial well log data set in order to improve the quality and efficiency of the selected methods. Thus, a 3-stage pre-processing of the initial data set was carried out, which consisted in clearing logging measurements from noise, transforming features and also handlining missed measurements using various machine learning methods.