Слабоконтролируемая двухэтапная сверточная нейронная сеть для обнаружения карстовых пещер и прогнозирования зон высокой продуктивности в карбонатных коллекторах

Точное выявление карстовых пещер критично для разведки углеводородов в карбонатных коллекторах, где пещеры служат основными емкостями. Несмотря на плотное распределение пещер, риски бурения остаются, поскольку скважины часто пересекают водоносные горизонты, снижая продуктивность. В этой работе предлагается двухэтапный метод слабоконтролируемого обучения для идентификации зон высокой продуктивности ("sweet spots"). Сначала многовходовая сверточная нейронная сеть (CNN) анализирует сейсмические атрибуты (глубинная миграция, ant tracking, импеданс, тензор структуры) для обнаружения пещер. Эти результаты в сочетании с сейсмическими данными затем подаются на вторую CNN для прогнозирования эффективности коллектора. Чтобы компенсировать ограниченное число обучающих образцов на основе данных скважин, мы формируем случайные 3D-пути обзора, пересекающие несколько скважин, и извлекаем 2D-сейсмические профили с частичными метками местоположения скважин. Слабоконтролируемая 2D-CNN использует адаптивные функции потерь, оценивая классификации только в помеченных точках скважин при обеспечении согласованности в немеченых областях. Многовекторное 2D-обучение обеспечивает надежные 3D-прогнозы зон высокой продуктивности. Полевые испытания показали 80% точности в идентификации продуктивных пластов. Рабочий процесс снижает риски бурения за счет оптимизации размещения скважин в карбонатных коллекторах, предлагая практические решения для повышения извлечения углеводородов.