ПРИМЕНЕНИЕ КЛАСТЕРНОГО АНАЛИЗА В ДОБЫЧЕ ТРУДНОДОСТУПНЫХ РЕСУРСОВ

АННОТАЦИЯ

Исследуется возможность использования методов машинного обучения и кластерного анализа в геологических исследованиях скважин с целью оптимизации добычи и планирования ресурсов. Рассматриваются инструменты, которые помогают анализировать большие объемы данных о геологических образцах, позволяя выявлять закономерности и тренды, которые невозможно обнаружить с использованием традиционных методов. Отмечается, что современные методы анализа данных имеют важное значение для решения сложных задач в геологии, а также оказывают влияние на оптимизацию процессов добычи и планирования ресурсов.

Ключевые слова: каротажные исследования, добыча труднодоступных ресурсов, кластерный анализ, машинное обучение, карты Кохонена.

На Восточном экономическом форуме президент России Владимир Путин подчеркнул важность геологических исследований, согласно его словам, процент изученности в среднем по регионам сейчас составляет 35%, что означает огромный потенциал для дальнейшего развития добывающих отраслей [1]. Это включает в себя дефицитные стратегические виды сырья, которые будут востребованы в экономике будущего.

Для обнаружения доступных природных ресурсов проводятся геологические исследования, включающие в себя комплекс специализированных геологических мероприятий. Среди методов, используемых в этих исследованиях, можно назвать сейсмический, гравитационный, магнитный, электромагнитный и геоэлектрический методы, а также анализ проб пород и ультразвуковые, которые позволяют определить область расположения пород. Однако более обширную и достоверную информацию по месторождению предоставляют скважинные исследования. [2, с. 4]. Скважина - это вертикальное или наклонное отверстие, пробуренное в земле для извлечения или исследования подземных ресурсов [3]. Для изучения скважин проводят каротажные исследования, которые представляют собой процесс анализа данных, полученных с различных датчиков, установленных в скважинах. Эти данные могут включать информацию о геологической структуре, физических свойствах пород, уровне жидкости и других параметрах, что позволяет геологам и инженерам получить более полное представление о скважине и ее потенциале. Исследование скважин необходимо для получения информации о составе пород, наличии ресурсов и их распределении. Чаще всего распределение пород является слоистой структурой, что является проблемой в исследовании скважины каротажным методом, так как измерительный прибор может не увидеть тонкий слой породы.

По полученным данным строятся каротажные диаграммы для дальнейшего исследования скважины (рисунок 1).

Рисунок 1. График интерпретации каротажных исследований

Исследование скважины каротажным методом представляет собой сложную задачу, обусловленную использованием электрических датчиков, что может привести к возможным искажениям и шумам в получаемых данных. Эти аспекты требуют особого внимания и экспертного подхода со стороны специалиста, проводящего анализ каротажных диаграмм.Благодаря обработке большого объема данных с применением машинного обучения возможно уменьшить влияние указанных эффектов. При обработке больших объемов данных вероятность возникновения ошибки в одном и том же месте снижается, что подчеркивает важность машинного обучения в данной области.

Из-за обширного количества переходов и пропластов в разрезе, каждое каротажное исследование может содержать значительное количество информации, что в свою очередь потребует много времени и ресурсов для ручной обработки данных [2]. В связи с этим, необходимость в автоматизации методов обработки геологической информации становится более очевидной. Кроме того, кластеризация пород является важным этапом в анализе данных скважин, поскольку позволяет выявлять сходства и различия между различными образцами пород, что в свою очередь способствует более глубокому пониманию геологической структуры и свойств недр.

С использованием современных методов машинного обучения можно значительно упростить и ускорить процесс анализа данных по каротажам скважин. Современные методы машинного обучения предоставляют эффективные инструменты для автоматизации обработки данных по каротажам скважин в геологии. Явным преимуществом предсказательных моделей машинного обучения является тот факт, что на вход в модель могут идти необработанные каротажные кривые [4, с. 230]. Данный подход не требует определения опорных пластов по каждой скважине, калибровки и обработки новых данных с кривых.

Другим важным методом машинного обучения, применимым для обработки данных каротажей, является выявление кластеров. Этот метод позволяет группировать данные в зависимости от сходства характеристик, что в свою очередь позволяет выделить типичные закономерности. Для выявления кластеров и паттернов в геологических данных может быть применен метод Кохонена [5, с. 168]. Этот метод нейронных сетей, также известный как карты Кохонена или самоорганизующиеся карты Кохонена, позволяет сжать и структурировать данные, выявляя их внутренние закономерности. В контексте данных каротажа, метод Кохонена может быть использован для кластеризации данных и обнаружения скрытых закономерностей между различными параметрами.

Одно из главных преимуществ самоорганизующихся карт Кохонена, которое заключается в обучении без учителя. Отсюда можно сделать вывод, что для их применения не требуется размеченные данные или заранее известные выходные значения, а, значит, в будущих исследованиях этот аспект делает их удобными для анализа данных, где отсутствует явно заданная цель или классификация.

Данная модель позволит воссоздать по данным каротажа геологическую структуру керна, что поможет лучше понять особенности месторождения и принять более обоснованные решения в добыче горных пород.

Другим подходящим методом можно выделить метод k-средних, который является алгоритмом кластеризации, который позволяет разделить данные на группы (кластеры) на основе их сходства. В случае обработки каротажных диаграмм, метод k-средних может помочь выделить различные характеристики и структуры пород, что позволит более точно определить их распределение в скважине. Это может быть особенно полезно при исследовании слоистой структуры пород, когда измерительный прибор может не увидеть тонкий слой породы.

Таким образом выявлено, что карты Кохонена могут помочь выделить группы регионов с похожими характеристиками, что позволит более эффективно планировать исследования и разработку. А алгоритмы самоорганизации помогут оптимизировать распределение ресурсов, как, например, бюджета на исследования, в зависимости от приоритетов и потенциала каждого региона. В ходе исследования сделан вывод о применимости карт Кохонена в оптимизации процесса изучения недр, что в свою очередь обеспечит более эффективное и целенаправленное использование ресурсов.

Список литературы:

1. Путин поручил разработать программы геологоразведки недр Дальнего Востока и Сибири [Электронный ресурс]. URL: https://tass.ru/ekonomika/19281229 (дата обращения: 28.03.2024)
2. В. Н. Косков, Б. В. Косков Геофизические исследования скважин и интерпретация данных ГИС. Пермь: Изд-во Перм. гос. техн. ун-та, 2007. 317 с.
3. Буровая скважина [Электронный ресурс]: сайт Большая Российская Энциклопедия. URL: https://bigenc.ru/c/burovaia-skvazhina-781f33 (дата обращения: 21.04.2024)
4. Сахнюк В.И., Новиков Е.В., Шарифуллин А.М., Белохин В.С., Антонов А.П., Карпушин М.Ю., Большакова М.А., Афонин С.А., Сауткин Р.С., Суслова А.А. Применение методов машинного обучения в обработке данных геофизических исследований скважин отложений викуловской свиты // Георесурсы. 2022. Т. 24. № 2. С. 230-238.
5. Калашников А.О., Никулин И.И. Выделение типов пород по геохимическим данным с помощью искусственной нейронной сети (на примере Большетроицкого месторождения богатых железных руд, Белгородская область) // Труды Ферсмановской научной сессии ГИ КНЦ РАН. 2018. № 15. С. 168-171.