Анализ подходов машинного обучения для интерпретации акустических полей, полученных моделированием данных скважинной шумометрии

Оценка фазового состава флюида в скважине на основе анализа частот радиальных резонансных мод, возбуждаемых акустическим шумом в зоне притока, является перспективным методом интерпретации результатов пассивной шумометрии. Машинное обучение позволяет учитывать многие факторы, влияющие на спектр измеряемого сигнала, выделяя из них именно те, которые связаны с изменением фазового состава. Для построения наилучшей модели в работе рассмотрены такие подходы машинного обучения, как линейная регрессия с различными вариантами регуляризации, байесовская регрессия, нейронная сеть, методы опорных векторов, решающего дерева, случайного леса и градиентного бустинга. Наборы данных для обучения и тестирования алгоритма получены на основе рассчитанных по двумерной математической модели сценариев с различными значениями параметров пласта и соотношения объемных долей флюидов, заполняющих скважину. Проверено влияние на точность оценки фазового состава различных факторов, в числе которых наличие корпуса акустического прибора, посторонний шум в сигнале и формы спектра сигнала. Показано, что при отсутствии искажений данных можно построить модели, обеспечивающие абсолютную ошибку в оценке фазового состава порядка 1% после зоны притока флюида и порядка 5% в зоне до притока.

акустический шум, интерпретация, машинное обучение, линейная регрессия, метод опорных векторов, случайный лес, градиентный бустинг, нейронная сеть

1. Ипатов А.И., Кременецкий М.И. Геофизический и гидродинамический контроль разработки месторождений углеводородов. М.: НИЦ «Регулярная и хаотическая динамика», 2006. 780 с.

2. Николаев С.А., Овчинников М.Н. Генерация звука фильтрационным потоком в пористых средах // Акустический журнал. 1992 Т. 38. №¹ 1. С. 114–118.

3. Красновидов Е.Ю. Создание методики акустико-гидродинамических исследований пористых сред и скважин. Дис. … канд. тех. наук. Москва, 2005. 171 с.

4. DiCarlo D.A., Cidoncha J.I.G., Hickey C. Acoustic measurements of pore-scale displacements // Geophysical Research Letters, 2003. Vol. 30. N 17. P. HLS 2-1–2-5. DOI: 10.1029/2003GL017811.

5. Mikhailov D.N., Sergeev S.I. Investigation parameters for sound induced by fluid displacement in rock samples // Water Resources Research, 2019. Vol. 55. N 5. P. 4220–4232. DOI: 10.1029/2018WR024168.

6. Марфин Е.А., Гайфутдинов Р.Р., Метелев И.С. Исследование интенсивности акустической эмиссии при фильтрации газа через пористые среды // Геомодель, Геленджик, 2018. DOI: 10.3997/2214-4609.201802405.

7. Мутовкин Н.В., Ми хайлов Д.Н., Софронов И.Л. Моделирование акустических полей, генерируемых фильтрационным потоком в околоскважинной зоне // Математическое моделирование, 2019. Т. 31, №¹ 6. С. 95–106. DOI: 10.1134/S0234087919060066.

8. Мутовкин Н.В., Михайлов Д.Н., Софронов И.Л. Анализ результатов моделирования акустических полей, возбуждаемых течением флюида в пласте // Геомодель, Геленджик, 2018. DOI: 10.3997/2214-4609.201802388.

9. Мутовкин Н.В., Михайлов Д.Н., Софронов И.Л. Оценка изменения фазового состава флюида в скважине на основе данных пассивной акустической шумометрии // Российская нефтегазовая техническая конференция SPE, Москва, 2019. ID: SPE-196845-RU. 16 с.

10. Hastie T., Tibshi rani R., Friedman J.H. The elements of statistical learning: data mining, inference, and prediction. Springer Series in Statistics, 2009. 745 p.

11. Bishop M. Pattern recognition and machine learning. SpringerVerlag New York, 2006. 738 p.

12. Plyushchenkov B.D. Turchaninov V.I. Acoustic Logging Modeling by Refined Biot’s Equations // Int. J. Mod. Phys. C., 2000. Vol. 11. N 2. P. 365–397.

13. Pedregosa F., Varoquau x G., Gramfort A. et al. Scikitlearn: Machine Learning in Python // Journal of Machine Learning Research, 2011. Vol. 12. P. 2825–2830.