Аннотация. Предложен алгоритм, разработанный для поиска нефтегазовых месторождений-аналогов, основанный на кластеризации байесовских сетей, построенных на параметрах месторождений. С помощью байесовский сетей возможно эффективно представить нефтегазовые месторождения в виде многомерного распределения с учетом сложных взаимосвязей между параметрами. Для каждого из месторождений в производственной базе данных строилась байесовская сеть на выборке из ближайших его соседей, полученных с использованием метрики косинусного расстояния. Кластеризация построенных на выборках месторождений сетей производится путем сравнения метрики расстояния Хэмминга между вытянутыми в одномерный вектор матрицами смежности. Произведен сравнительный анализ разработанного подхода и других методов поиска аналогов на основе методов машинного обучения. Приведены результаты оценки работы алгоритма, подтверждающие, что моделирование и поиск аналогов с помощью байесовских сетей является более комплексным решением задачи. Точность восстановления пропущенных значений для большинства параметров с помощью разработанного алгоритма оказалась выше, чем в существующих классических алгоритмах кластеризации.

Ключевые слова: нефтегазовые месторождения, месторождения-аналоги, поиск параметров, кластеризация, геологические параметры, байесовские сети

Список литературы:

1. Popova O. Analogy in the World of Geological Uncertainties, or How Reservoir Analogs May Refine Your Probabilistic Geomodel // SPE Annual Caspian Techn. Conf. and Exhibition, Astana, Kazakhstan, 31 Oct. — 1 Nov. 2018. P. 1—13. DOI: 10.2118/192551-MS.
2. Neves L., Ferreira C., Vesely F. Facies, petrophysical and geochemical properties of gravity-flow deposits in reservoir analogs from the Itararé Group (late Carboniferous), Paraná Basin, Brazil // Marine and Petroleum Geology. 2019. Vol. 110. P. 717—736. DOI: 10.1016/j.marpetgeo.2019.07.038.
3. Olivo M. et al. Characterizing scales of sedimentary heterogeneity in a fluvial—estuarine reservoir analog: An example from the Mulichinco Formation, Neuquén Basin, Argentina // Marine and Petroleum Geology. 2020. Vol. 121. DOI: 10.1016/j.marpetgeo.2020.104604.
4. Voskresenskiy A. et al. Variations in ranked list of reservoir analogs as an effect of search preferences // Geosciences: Converting Knowledge into Resources, Saint-Petersburg, Russia, 6 — 9 Apr. 2018. P. 1—5. (Conf. Proc.) DOI: 10.3997/2214-4609.202053163.
5. Вологин И. С., Исламов Р. Р., Нигматуллин Ф. Н., Харисова А. В., Лознюк О. А. Методика выбора объекта-аналога для нефтегазовой залежи по геолого-физическим характеристикам // Нефтяное хозяйство. 2019. № 12. С. 124—127.
6. Поднебесных A. В., Хафизов А. Р. Методика экспресс-оценки выбора объекта-аналога для залежей углеводородного сырья на основе их геологических признаков // Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов. 2019. № 3. С. 9—18.
7. Dumont M., Reninger P., Pryet A., Martelet G., Aunay B., Join J. Agglomerative hierarchical clustering of airborne electromagnetic data for multi-scale geological studies // J. of Applied Geophysics. 2018. Vol. 157. P. 1—9. DOI: 10.1016/j.jappgeo.2018.06.020.
8. Ren Z., Sun L., Zhai Q. Improved k-means and spectral matching for hyperspectral mineral mapping // Intern. Journal of Applied Earth Observation and Geoinformation. 2020. Vol. 91. P. 1—12. DOI: 10.1016/j.jag.2020.102154.
9. Rodríguez H. M. et al. New Approach to Identify Analogue Reservoirs // SPE Economics and Management, New Orleans, Louisiana, USA, 30 Sept. — 2 Oct. 2013. P. 1—17. DOI: 10.2118/166449-MS.
10. Da Gama e Silva R. et al. Sensitivity analysis in a machine learning methodology for reservoir analogues // Rio Oil & Gas Expo and Conf., Rio de Janeiro, Brazil, 24 — 27 Sept. 2018. P. 1—9.
11. Безбородов А. К., Деева И. Ю. Алгоритм поиска месторождений-аналогов на основе методов машинного обучения // Альманах научных работ молодых ученых Университета ИТМО. СПб: НИУ ИТМО, 2021. С. 1—6.
12. Jensen F. V. Bayesian Networks and Decision Graphs. Springer, 2007. 448 p. DOI: 10.1007/978-0-387-68282-2.
13. Martinelli G., Eidsvik J., Sinding-Larsen R., Rekstad S., Mukerji T. Building Bayesian networks from basin-modelling scenarios for improved geological decision making // Petroleum Geoscience. 2013. Vol. 19, N 3. P. 289—304. DOI: 10.1144/petgeo2012-057.
14. Scutari M. et al. Who Learns Better Bayesian Network Structures: Accuracy and Speed of Structure Learning Algorithms // Intern. Journal of Approximate Reasoning. 2019. Vol. 115. P. 235—253. DOI: 10.1016/j.ijar.2019.10.003.
15. Zhang L., Li D., Tang X., Cao Z., Phoon K. Bayesian model comparison and characterization of bivariate distribution for shear strength parameters of soil // Computers and Geotechnics. 2018. Vol. 95. P. 110—118. DOI: 10.1016/j.compgeo.2017.10.003.
16. Gower J. A General Coefficient of Similarity and Some of Its Properties // Biometrics. 1971. Vol. 27, N 4. P. 857—871.
17. Steinhaus H. Sur la division des corps materiels en parties // Bull. Acad. Polon. Sci. 1956. P. 801—804.
18. Hyndman R. J., Koehler A. B. Another look at measures of forecast accuracy // Intern. Journal of Forecasting. 2006. Vol. 22, N 4. P 679—688. DOI: 10.1016/j.ijforecast.2006.03.001.