Standard

Нейросетевой подход к экспресс-моделированию сигналов электрокаротажа в реалистичных моделях сложнопостроенных терригенных отложений. / Petrov, A. M.; Danilovskiy, K. N.; Sukhorukova, K. V. и др.

в: Geology and Mineral Resources of Siberia, № 4 (48), 6, 2021, стр. 70-78.

Результаты исследований: Научные публикации в периодических изданияхстатьяРецензирование

Harvard

APA

Vancouver

Author

BibTeX

@article{609be640360f469099d7f78436f8c66d,
title = "Нейросетевой подход к экспресс-моделированию сигналов электрокаротажа в реалистичных моделях сложнопостроенных терригенных отложений",
abstract = "Предлагается новый алгоритмический подход к моделированию сигналов электрокаротажа на основе сверточных нейронных сетей, позволяющий конструировать алгоритмы решения прямых задач для конкретных геофизических приборов в детальных моделях прискважинного пространства с малыми толщинами пластов, учетом радиального изменения удельного электрического сопротивления, неровностей стенки скважины и вытеснения бурового раствора корпусом каротажного прибора. На основе предлагаемого подхода программно реализованы опытные алгоритмы экспресс-моделирования сигналов трех распространенных в России методов электрокаротажа с гальваническим и индукционным возбуждением в двумерных моделях прискважинного пространства. Разработанные нейросетевые алгоритмы характеризуются многократным увеличением быстродействия по сравнению с численными решателями. Предложенные решения открывают возможности для усложнения базовых геоэлектрических моделей прискважинного пространства. Использование моделей среды, адекватных по сложности актуальным целевым геологическим объектам, позволит повысить достоверность результатов интерпретации данных электрокаротажа, измеренных в сложных геологических условиях.",
keywords = "Convolutional neural networks, Detailed geoelectric models, Express-modeling, Focused lateral logging, Low-frequency induction logging, Terrigenous oil reservoirs, Unfocused lateral logging sounding, Convolutional neural networks, Detailed geoelectric models, Express-modeling, Focused lateral logging, Low-frequency induction logging, Terrigenous oil reservoirs, Unfocused lateral logging sounding",
author = "Petrov, {A. M.} and Danilovskiy, {K. N.} and Sukhorukova, {K. V.} and Leonenko, {A. R.} and Lapkovskaya, {A. A.}",
note = "Петров А.М., Даниловский К.Н., Сухорукова К.В., Леоненко А.Р., Лапковская А.А. Нейросетевой подход к экспресс-моделированию сигналов электрокаротажа в реалистичных моделях сложнопостроенных терригенных отложений // Геология и минерально-сырьевые ресурсы Сибири. – 2021. – № 4 (48). – С. 70-78. Funding Information: Исследование выполнено при финансовой поддержке РФФИ и Правительства Новосибирской области в рамках научного проекта № 20-45-543003 «Методико-алгоритмическое обеспечение количественной интерпретации данных электрокаротажа нефтяных скважин на основе технологий машинного обучения». (Acknowledgments: The research was funded by RFBR and Novosibirsk region, project No. 20-45-543003 ). Publisher Copyright: {\textcopyright} А. М. Петров, К. Н. Даниловский, К. В. Сухорукова, А. Р. Леоненко, А. А. Лапковская, 2021.",
year = "2021",
doi = "10.20403/2078-0575-2021-4-70-78",
language = "русский",
pages = "70--78",
journal = "Геология и минерально-сырьевые ресурсы Сибири",
issn = "2078-0575",
publisher = "Федеральное государственное унитарное предприятие Сибирский научно-исследовательский институт геологии, геофизики и минерального сырья",
number = "4 (48)",

}

RIS

TY - JOUR

T1 - Нейросетевой подход к экспресс-моделированию сигналов электрокаротажа в реалистичных моделях сложнопостроенных терригенных отложений

AU - Petrov, A. M.

AU - Danilovskiy, K. N.

AU - Sukhorukova, K. V.

AU - Leonenko, A. R.

AU - Lapkovskaya, A. A.

N1 - Петров А.М., Даниловский К.Н., Сухорукова К.В., Леоненко А.Р., Лапковская А.А. Нейросетевой подход к экспресс-моделированию сигналов электрокаротажа в реалистичных моделях сложнопостроенных терригенных отложений // Геология и минерально-сырьевые ресурсы Сибири. – 2021. – № 4 (48). – С. 70-78. Funding Information: Исследование выполнено при финансовой поддержке РФФИ и Правительства Новосибирской области в рамках научного проекта № 20-45-543003 «Методико-алгоритмическое обеспечение количественной интерпретации данных электрокаротажа нефтяных скважин на основе технологий машинного обучения». (Acknowledgments: The research was funded by RFBR and Novosibirsk region, project No. 20-45-543003 ). Publisher Copyright: © А. М. Петров, К. Н. Даниловский, К. В. Сухорукова, А. Р. Леоненко, А. А. Лапковская, 2021.

PY - 2021

Y1 - 2021

N2 - Предлагается новый алгоритмический подход к моделированию сигналов электрокаротажа на основе сверточных нейронных сетей, позволяющий конструировать алгоритмы решения прямых задач для конкретных геофизических приборов в детальных моделях прискважинного пространства с малыми толщинами пластов, учетом радиального изменения удельного электрического сопротивления, неровностей стенки скважины и вытеснения бурового раствора корпусом каротажного прибора. На основе предлагаемого подхода программно реализованы опытные алгоритмы экспресс-моделирования сигналов трех распространенных в России методов электрокаротажа с гальваническим и индукционным возбуждением в двумерных моделях прискважинного пространства. Разработанные нейросетевые алгоритмы характеризуются многократным увеличением быстродействия по сравнению с численными решателями. Предложенные решения открывают возможности для усложнения базовых геоэлектрических моделей прискважинного пространства. Использование моделей среды, адекватных по сложности актуальным целевым геологическим объектам, позволит повысить достоверность результатов интерпретации данных электрокаротажа, измеренных в сложных геологических условиях.

AB - Предлагается новый алгоритмический подход к моделированию сигналов электрокаротажа на основе сверточных нейронных сетей, позволяющий конструировать алгоритмы решения прямых задач для конкретных геофизических приборов в детальных моделях прискважинного пространства с малыми толщинами пластов, учетом радиального изменения удельного электрического сопротивления, неровностей стенки скважины и вытеснения бурового раствора корпусом каротажного прибора. На основе предлагаемого подхода программно реализованы опытные алгоритмы экспресс-моделирования сигналов трех распространенных в России методов электрокаротажа с гальваническим и индукционным возбуждением в двумерных моделях прискважинного пространства. Разработанные нейросетевые алгоритмы характеризуются многократным увеличением быстродействия по сравнению с численными решателями. Предложенные решения открывают возможности для усложнения базовых геоэлектрических моделей прискважинного пространства. Использование моделей среды, адекватных по сложности актуальным целевым геологическим объектам, позволит повысить достоверность результатов интерпретации данных электрокаротажа, измеренных в сложных геологических условиях.

KW - Convolutional neural networks

KW - Detailed geoelectric models

KW - Express-modeling

KW - Focused lateral logging

KW - Low-frequency induction logging

KW - Terrigenous oil reservoirs

KW - Unfocused lateral logging sounding

KW - Convolutional neural networks

KW - Detailed geoelectric models

KW - Express-modeling

KW - Focused lateral logging

KW - Low-frequency induction logging

KW - Terrigenous oil reservoirs

KW - Unfocused lateral logging sounding

UR - http://www.scopus.com/inward/record.url?scp=85123193609&partnerID=8YFLogxK

UR - https://www.elibrary.ru/item.asp?id=47671523

UR - https://www.mendeley.com/catalogue/a68e6733-8c97-3540-93f1-7788cd84fc7b/

U2 - 10.20403/2078-0575-2021-4-70-78

DO - 10.20403/2078-0575-2021-4-70-78

M3 - статья

AN - SCOPUS:85123193609

SP - 70

EP - 78

JO - Геология и минерально-сырьевые ресурсы Сибири

JF - Геология и минерально-сырьевые ресурсы Сибири

SN - 2078-0575

IS - 4 (48)

M1 - 6

ER -

ID: 35322890