ИСТИНА

В последнее время методы машинного обучения стали активно использоваться в геофизике, в том числе и в сейсморазведке. Настоящее исследование посвящено применимости машинного обучения для обратной задачи сейсморазведки, в данном случае — определения параметров трещиноватости породы-коллектора по сейсмическим данным. Такая задача очень важна в сейсморазведке, так как наличие сети трещин способствует нефтеотдаче пласта. Трещины играют большую роль в добыче углеводородов в плотных, низкопористых породах с низкой проницаемостью. Основная цель данной работы — доказать эффективность нейронных сетей в предсказании параметров трещиноватости и параметров анизотропии по сейсмограмм отражённых волн, подаваемых на вход нейронной сети. В качестве таких параметров в данной работе рассматриваются нормальная и касательная ослабленности трещин ∆N и ∆T, параметры анизотропии Томсена 𝜖, 𝛿, 𝛾 [3], а также плотность трещин и их аспектное соотношение (раскрытие трещины). Также показано, как предсказанные нейронной сетью параметры согласуются с аналитическими формулами [1], которые связывают вышеописанные параметры в разных анизотропных моделях трещиноватой среды, таких как Linear Slip Шёнберга [2] или модели Томсена [4]. Нейронной сетью были успешно предсказаны с высокой точностью нормальная и касательная ослабленности трещин ∆N и ∆T, плотность трещин, а также параметры анизотропии 𝜖, 𝛿 и 𝛾. Относительная ошибка предсказания этих параметров составила 1-2%. Для двух систем трещиноватости (орторомбическая модель) относительная ошибка составила 2-6%. Это исследование показало принципиальную возможность использования нейронных сетей для интерпретации сейсмических записей с целью определения параметров трещиноватости в породах-коллекторах.