Методика комплексной интерпретации спектральной декомпозиции для сейсмофациального анализа и параметризации литологических ловушек тема диссертации и автореферата по ВАК РФ 25.00.10, кандидат наук Муртазин Дамир Гумарович

• Муртазин Дамир Гумарович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Муртазин Дамир Гумарович

ВЕДЕНИЕ

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ МЕТОДА СПЕКТРАЛЬНОЙ ДЕКОМПОЗИЦИИ, АЛГОРИТМЫ РАСЧЁТА И МЕТОДИКИ ИСПОЛЬЗОВАНИЯ

1.1 Место спектральной декомпозиции в рамках динамического анализа сейсмической записи

1.2 Теоретические основы метода спектральной декомпозиции

1.3.1 Преобразование Фурье в коротком окне (STFT)

1.3.2 Непрерывное вейвлет преобразование (CWT)

1.3.3 Согласованное преследование, Orthogonal matching pursuit (OMP)

Выводы по главе

ГЛАВА 2. МЕТОДИКА И АНАЛИЗ РЕЗУЛЬТАТОВ ИНТЕРПРЕТАЦИИ СТАНДАРТНЫХ МЕТОДОВ СПЕКТРАЛЬНОЙ ДЕКОМПОЗИЦИИ

2.1 Количественный прогноз эффективных толщин

2.2 Качественная интерпретация

Выводы по главе

ГЛАВА 3. РАЗРАБОТКА И ОБОСНОВАНИЕ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ НОВОЙ МЕТОДИКИ СПЕКТРАЛЬНОЙ ДЕКОМПОЗИЦИИ

3.1 Описание методики

3.2 Выбор алгоритма кластеризации

3.3 Разработка метода сортировки спектральных кривых

3.4 Реализация методики кластеризации спектральных кривых на языке Python

Выводы по главе

ГЛАВА 4. ПРИМЕНЕНИЕ МЕТОДИКИ КЛАСТЕРИЗАЦИИ СПЕКТРАЛЬНЫХ КРИВЫХ ПРИ ДЕТАЛЬНОМ ИЗУЧЕНИИ РУСЛОВЫХ СИСТЕМ

4.1 Теория и классификация речных систем

4.2 Практическое применение методики кластеризации спектральных кривых для детального изучения меандрирующих систем

4.3 Применение методики кластеризации спектральных кривых для изучения других обстановок осадконакопления

Выводы по главе

5.1 Количественный прогноз на примере месторождения Волго-Уральской нефтегазоносной провинции

5.2 Количественный прогноз на примере месторождений Западно-Сибирской нефтегазоносной провинции

Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Приложение А

ВЕДЕНИЕ

В настоящий момент динамическая интерпретация является ключевым инструментом при разработке месторождений. Причиной этого является то, что в настоящее время запасы углеводородов уникальных и крупных месторождений на территории Российской Федерации и стран СНГ выработаны уже более чем на 50 %. Все большая роль отводится не структурным, литологическим ловушкам [21]. Приуроченность нефтяных залежей к дельтовым русловым обстановкам характеризуется сильной латеральной и вертикальной неоднородностью, что делает качественный сейсмический прогноз необходимым условием при проведении геологоразведочных работ.

Учитывая сложность геологического строения природных резервуаров, недостаточный объем геолого-промысловой информации, ухудшенные фильтрационные и емкостные свойства, требуется применение современных подходов к извлечению дополнительной информации из геофизических данных. Одним из таких подходов, активно развивающихся в последнее время, является спектральная декомпозиция.

Актуальность темы исследования

Актуальность проведенного научного исследования определяется необходимостью прогноза, по данным сейсморазведки, эффективных толщин нефтяных коллекторов в сложных сейсмогеологических условиях, снижении затрат на разведочное и эксплуатационное бурение в условиях невысоких цен на углеводороды. Существующие методы динамического анализа имеют ряд технических ограничений и не в полной мере решают поставленные геологические задачи. Совершенствование методик атрибутного анализа, спектральной декомпозиции, создание алгоритмов динамического анализа открывает новые возможности качественной и количественной интерпретации сейсмических данных, тем самым позволяет открывать и разрабатывать более сложные месторождения.

Тема работы и содержание соответствует пункту 14 области исследований, определяемой паспортом специальности 25.00.10 - «Геофизика, геофизические методы поисков полезных ископаемых»: «14. Методы обработки и интерпретации результатов измерения геофизических полей».

Степень разработанности темы

Наибольший вклад в развитие метода спектральной декомпозиции для целей сейсмической интерпретации внесли такие ученые как: Satinder Chopra, Kurt J. Marfurt, John Castagna, Oleg Portniaguine, Sinha Satish.

Десять лет назад количество известных и активно применяемых алгоритмов спектральной декомпозиции ограничивалось тремя (SWFT, CWT, S-transform). Однако сейчас, благодаря возрастающей популярности данного направления, количество активно применяемых алгоритмов существенно возросло. Среди них можно упомянуть SWFT, CWT, S-transform, WVD, OMP, HDFD. Более того начали появляться исследования в таком направлении как фазовая декомпозиция, которая согласно ряду публикаций, дает хорошие результаты при интерпретации. Согласно многочисленным исследованиям, различные методики спектральной декомпозиции были с успехом применены более чем на 300 месторождениях по всему миру.

Однако существующие методы интерпретации результатов спектральной декомпозиции имеют недостатки, которые не позволяют в полной мере описать высокую латеральную и вертикальную неоднородность геологического разреза и осуществить прогноз эффективных толщин пластов-коллекторов в межскважинном пространстве.

Введение диссертации (часть автореферата) на тему «Методика комплексной интерпретации спектральной декомпозиции для сейсмофациального анализа и параметризации литологических ловушек»

Цель работы

Создание методики комплексной интерпретации спектральной декомпозиции для сейсмофациального анализа, параметризации потенциальных литологических ловушек, прогноза эффективных толщин пластов-коллекторов в межскважинном пространстве и снижения рисков при оценке запасов и ресурсов.

Основные задачи исследования

1 Анализ применяемых в настоящий момент алгоритмов спектрального разложения для целей сейсморазведки.

2 Обоснование целесообразности использования существующих методик интерпретации результатов спектральной декомпозиции для количественного прогноза эффективных толщин в целевом интервале исследований

3 Разработка методики комплексного анализа результатов спектральной декомпозиции волнового поля и реализация алгоритма в программном модуле.

4 Комплексное внедрение разработанного подхода на примере изучения палеорусловых систем Западно-Сибирской, Тимано-Печорской и Волго-Уральской нефтегазоносных провинций, с целью прогноза эффективных толщин в межскважинном пространстве.

Научная новизна

1 Разработана новая методика комплексного анализа результатов спектральной декомпозиции, основанная на кластеризации целевого интервала по форме амплитудно-частотного спектра с последующей сортировкой кластеров.

2 Обоснована методика совместного анализа скважинных данных и кластеризации спектральных кривых для условий палеорусловых систем Западно -Сибирской, Тимано-Печерской и Волго-Уральской нефтегазоносных провинций с целью улучшения прогноза эффективных толщин в межскважинном пространстве

Теоретическая и практическая значимость работы

Теоретическая значимость работы заключается в научном обосновании методики кластеризации спектральных кривых и нового способа сортировки кластеров с целью комплексирования сейсмических и скважинных данных.

Разработанная методика позволяет улучшить прогноз эффективных толщин коллекторов в межскважинном пространстве, что имеет большое практическое значение для сейсмогеологического мониторинга разработки месторождений. Реализация методики в виде программного модуля позволяет интерактивно внедрить ее в текущий производственный процесс.

Результаты анализа спектральной декомпозиции, полученные с использованием методики кластеризации спектральных кривых, позволили более

детально охарактеризовать геологический разрез в интервале продуктивных отложений на ряде месторождений Пермского края и Республики Коми, уточнить концептуальную геологическую модель на нескольких месторождениях в регионе Восточной Сибири.

Методология и методы исследования

В основу работы положены систематизированные и проинтерпретированные автором геолого-геофизические данные по Волго-Уральской и Западно-Сибирской нефтегазоносных провинций, а также результаты анализа и обобщения геологической документации, фондовых и опубликованных данных по рассматриваемому району.

Изучения возможности применения предлагаемой методики спектральной декомпозиции выполнено на реальном волновом поле в пределах нескольких месторождений Западной Сибири. Для решения поставленных задач были проинтерпретированы материалы СРР 3D по месторождениям Пермского края,

Л

Республики Коми, Томской области и ХМАО общей площадью более 3000 км . Результаты интерпретации объединены с материалами литолого-фациального анализа и результатами интерпретации данных геофизических исследований скважин (ГИС). Создание и тестирование методики выполнено с применением языка Python.

Положения, выносимые на защиту

1 Методика анализа результатов спектральной декомпозиции путем ранжирования целевого интервала исследований по форме амплитудно-частотного спектра, направленная на создание качественной основы для картирования литологических ловушек

2 Способ сортировки центров кластеров спектральных кривых, позволяющий проводить совместный анализ скважинных данных и результатов кластеризации спектральных кривых.

3 Методика прогнозирования типа меандрирования на основе детального картирования палеоканалов и их параметризация с целью корректного

определения объема потенциальной литологической ловушки, расчета ресурсов УВ и снижения рисков при оценке экономического эффекта.

Апробация работы и публикации

Основные положения и результаты диссертационной работы докладывались на VII Научно технической конференции молодых ученых ООО «Газпромнефть НТЦ» (Санкт-Петербург, 2018), First Novel Industry & Science Conference (Novi Sad, 2018).

Основное содержание научно-квалификационной работы опубликовано в 10 изданиях, в том числе 4 - в рецензируемых изданиях, входящих в перечень ВАК Министерства науки и высшего образования РФ, 1 патент на изобретение и 1 свидетельство о государственной регистрации программы для ЭВМ.

Структура и объем работы Научно-квалификационная работа состоит из введения, четырех глав и заключения. Текст изложен на 120 страницах машинописного текста, иллюстрирован 53 рисунками и содержит 4 таблицы и 1 приложение. Список литературы включает 101 наименование.

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ МЕТОДА СПЕКТРАЛЬНОЙ ДЕКОМПОЗИЦИИ, АЛГОРИТМЫ РАСЧЁТА И МЕТОДИКИ

ИСПОЛЬЗОВАНИЯ

В настоящее время динамический анализ сейсмических данных плотно укрепился в практике геологоразведочных работ [7,10]. Совершенствование алгоритмов анализа, а также стремительный рост вычислительной мощности компьютеров в купе с программными комплексами, позволяют быстро и качественно выполнять все виды динамического анализа сейсмических данных. На протяжении времени, появлялись все новые методики динамического анализа сейсмических данных. Атрибутный анализ, инверсия, AVO анализ, а также классификация формы записи, являлись определенными технологическими вехами развития динамического анализа [12,27]. Появление данных технологий на рынке, практически сразу вызывало огромный интерес со стороны как зарубежных специалистов, так и отечественных. Данные технологии быстро внедрялись в практику анализа волнового поля и продолжаются использоваться по сей день. Что же касается спектральной декомпозиции, данная технология, также явилась своеобразным «бумом» в сейсморазведке. Высочайшая детализация мельчайших геологических особенностей на RGB срезах и другие способы использования спектральных характеристик не смогли оставить равнодушным специалистов сейсмиков. Однако, в нашей стране, внедрение и понимание важности спектральной декомпозиции, как мощного инструмента динамического анализа сейсмической записи, сильно запоздало. В рамках данной главы будет рассмотрено место спектральной декомпозиции в современной сейсморазведке, а также теоретические основы алгоритмов спектрального разложения, которые формируют базу для дальнейшего использования.

1.1 Место спектральной декомпозиции в рамках динамического анализа

сейсмической записи.

Согласно многим авторам [46, 50,] спектральная декомпозиция не выделяется в отдельный вид анализа сейсмической записи, а является лишь частью атрибутного анализа. Такая ситуация действительно имела место быть в конце XX и в начале ХХ1 века. Однако, за последние 10-15 лет ситуация поменялось в сторону того, чтобы выделять спектральную декомпозицию в отдельный и самостоятельный вид анализа на ровне с атрибутным, сейсмофациальным анализом и инверсией. Все больше и больше компаний, которые являются разработчиками программных комплексов, включают различные инструменты спектральной декомпозиции в интерпретационные пакеты. Более того, компания ffa Geoteric, при интерпретации сейсмических данных и разработкой программного комплекса, делает основной упор именно на спектральную декомпозицию и успешно решает поставленные перед ней задачи [62,73,75].

Согласно многочисленным исследованиям, различные методики спектральной декомпозиции были с успехом применены более чем на 300 месторождениях по всему миру. Все возрастающая популярность спектральной декомпозиции так же подтверждается долей исследований и публикаций в этом направлении. Такие ученые как Satinder Chopra, Kurt J. Marfurt, John Castagna, Oleg Portniaguine, Sinha Satish и множество других ученых, в последнее время сменили направление исследований с атрибутного анализа на изучение алгоритмов и применения спектральной декомпозиции [46, 50, 61, 64]. Десять лет назад количество известных и активно применяемых алгоритмов спектральной декомпозиции ограничивалось тремя (SWFT, CWT, S-transform). Однако сейчас, благодаря возрастающей популярности данного направления, количество активно применяемых алгоритмов существенно возросло. Среди них можно упомянуть SWFT, CWT, S-transform, WVD, OMP, HDFD [66]. Более того начали появляться

исследования в таком направлении как фазовая декомпозиция, которая согласно ряду публикаций дает хорошие результаты при интерпретации [44].

Учитывая перечисленные выше факторы спектральную декомпозицию, можно отнести к одной из самых перспективных технологий в современной сейсморазведке.

Во всех передовых программных комплексах, в той или иной степени, представлен инструмент спектрального анализа. С точки зрения алгоритмов, функционала и возможностей, самым передовым программным комплексом является Geoteric. Он включает в себя большинство алгоритмов частотного разложения, а также множество других функций постинтерпритации результатов спектральной декомпозиции, таких как моделирование RGB спектра, извлечения геологических тел из данных RGB смешивания и многое другое (Таблица 1.1).

Один из самых популярных программных продуктов сейсмогеологической интерпретации Petrel, так же имеет в своих функциях возможность спектральной декомпозиции. По мнению автора, в данном продукте реализован весьма спорный алгоритм, объединяющий STFT и CWT, который зачастую не дает желаемых результатов, которые можно получить с применением CWT. Из плюсов данного комплекса можно отметить такой инструмент пост интерпретации, как выделение геологических тел (geobody extraction) по результатам RGB смешивания. Ограничивая спектр каждой частотной характеристики, можно отфильтровать геологическое тело в поле спектральных данных [61].

Программный продукт OpendTect, обладает меньшим функционалом по сравнению с пакетом Geoteric. Однако, наличие бесплатной версии этого программного продукта сделало его самым популярным на сегодняшний день инструментом спектральной декомпозиции. Так же можно отметить преимуществом данного пакета наличие RGB смешивания, а также алгоритм спектральной декомпозиции CWT.

Таблица 1.1- Методы спектрального разложения в различных программных комплексах

STFT WVD CWT OMP

Petrel, Landmark OpendTect, GeoTeric

Landmark, GeoTeric

OpendTect,

GeoTeric

1.2 Теоретические основы метода спектральной декомпозиции

Концепция спектральной декомпозиции основывается на явлении, когда отражение от тонкого пласта, отображается характерно на амплитудно-частотном спектре. Однородный, акустически контрастный пласт будет отображаться последовательностью максимумов и минимумов на амплитудно-частотном спектре. Сейсмический импульс, однако, охватывает несколько акустически жестких поверхностей, а не просто один пласт. Такая многопластовая система образует сложную систему отражений, которая имеет уникальную картину в частотной области (Рисунок 1.1). На рисунках 1.2 и 1.3 показана разница между амплитудными спектрами, рассчитанными в коротком и длинном окне. Преобразование в большом окне характеризуется спектром близким к импульсу (Рисунок 1.2), в то время как преобразование в коротком включает в себя только модель локальной интерференционной системы отражений от кровли и подошвы одного пласта, тем самым показывая реальное распределение акустических свойств и мощности геологического слоя (Рисунок 1.3).

За исключением нескольких случаев, большое окно анализа включает в себя множество изменений геологической среды, которые статистически придают случайный характер интерференционным моделям от тонких слоев. Результирующий спектр в широком окне является "плоским", повторяющим спектр сигнала. Свертка исходного импульса с коэффициентами отражения множества границ создает амплитудный спектр, который имеет сходство со спектром импульса[82,83].

Отклик в узком окне зависит от акустических свойств и мощности слоев, входящих в это окно. Чем короче окно, тем проще выявить особенности строения пласта. В таком коротком окне акустические характеристики горной породы влияют на отраженный импульс, трансформируя его в периодичную систему максимумов спектра в области Фурье. Результирующий амплитудно-частотный спектр показывает геологическую картину в пределах выбранного окна.

Фазовый спектр в коротком окне также полезен для картирования локальных характеристик породы. Так как фаза чувствительна к неявным изменениям сейсмоакустических свойств, это идеальный инструмент для определения латеральных нарушений. Если порода в пределах окна латерально стабильна, ее фаза так же будет стабильна. Если латеральные неоднородности проявляются, фаза становится нестабильной в крест нарушению. Когда литология пласта стабилизируется, то и фаза, как правило, тоже [82,83].

Спектральная декомпозиция позволяет интерпретатору выявить в сейсмическом волновом поле хорошо известные из теории эффекты зависимости пиковой частоты сейсмического сигнала от временной мощности тонкого пласта и контролировать таким образом поведение тонких пластов-коллекторов мощностью менее 1/4 длины сейсмической волны. Данное явление, в западной литературе, называется тюнинг эффект (tuning effect), а временная мощность пласта, на которой наблюдается данный эффект - тюнинг толщина (tuning thickness) [100]. Основная идея спектральной декомпозиции, а также свойства наложения отражений от тонких пластов может быть проиллюстрирована с помощью простой модели клина (Рисунок 1.4). Временное отражение состоит из двух пиков одинаковой, но противоположной амплитуды. Кровля клина отмечена отрицательным коэффициентом отражения, а подошва положительным. Мощность клина изменяется от 0 до 50 метров. При свертке геологической модели с импульсом (8-10-40-50 Гц) происходит эффект наложения, вызванный изменением в мощности. Отражения от кровли и подошвы разделяются при большой мощности и накладываются в одно отражение при истончении клина [45]. Таким образом, анализируя сейсмику на различных частотах, можно увидеть

геологические объекты различной мощности, например, палеорусла (разные части русла, в зависимости от мощности песчаника, выделяются лучше на разных частотных компонентах). То есть мощные пласты будут иметь максимальную интерференцию (tuning effect) на низких частотах, а тонкие пласты на высоких. При этом в отличие от обычного анализа атрибутов или инверсии, детальность полученных результатов будет значительно выше, так как анализируется не суммарные данные, а данные на индивидуальных частотах. Модель клина демонстрирует применение этого подхода к очень простой модели с двумя отражающими границами. Усложнение модели отражения приведет к более сложной интерференционной модели.

Рисунок 1.1 - Разница в амплитудно-частотных спектрах между импульсом и

отражением от тонкого пласта [82]

Рисунок 1.2 - Модель сейсмической трассы. Переход в частотную область

по всей длине [82]

Рисунок 1.3 - Модель сейсмической трассы. Переход в частотную область с использованием короткого временного окна [82]

Рисунок 1.4 - Модель клина

1.3 Методы спектрального разложения

Результаты спектральной декомпозиции зависят от выбранного метода разложения исходных данных на отдельные частоты [94]. С тех пор как спектральная декомпозиция приобрела распространение, создано большое число методов спектрального анализа нестационарных сигналов. Одним из самых первых методов разложения стало преобразование Фурье в коротком окне (БТБТ). В данном методе рассчитывается частотно временной спектр с помощью преобразования Фурье в выбранном временном окне. В данном методе частотно-временное решение определяется длиной выбранного окна. И как результат этого, разрешенность будет сильно зависеть от длины окна выбранного

интерпретатором [39]. Проблема выбора окна при использовании преобразования Фурье наглядно продемонстрирована на рисунке 1.5.

Рисунок 1.5 - Различные частотные гармоники в коротком окне

Анализируя данный рисунок можно сделать как минимум два вывода: во первых нельзя корректно оценить низкую частоту в коротком окне, во вторых чем шире окно, тем меньше детальность.

За прошедшие десять лет вейвлет-преобразование применялось для решения разного рода задач в науке и инженерии. Непрерывное вейвлет преобразование (CWT) дает возможность применять различные подходы к частотно-временному анализу. Вместо расчета частотно временного спектра, строятся масштабированные по времени карты, называемые шкалограммами [86]. Главное отличие CWT от преобразования Фурье — это не постоянное окно анализа, а вследствие этого увеличенная частотно-временная разрешенность.

Позднее был сформирован новый подход к преобразованию масштабированных во времени карт в частотно-временные карты. Частотно -временное непрерывное вейвлет-преобразование позволяет получать большую частотную разрешенность на низкочастотных интервалах временного разреза и высокое временное разрешение при анализе высоких частот [45,47]. Оптимальные частотно-временные параметры разрешенности метода TFCWT делают его незаменимым при анализе сейсмических данных.

Следующий метод, а точнее группа методов, некоторым образом связаны с вейвлет анализом, однако отличается самой постановкой задачи. Некоторые авторы называют данное направление спектральная инверсия [2]. Методы спектральной инверсии, как показывает большое количество исследований, позволяют максимально детально восстановить спектр сигнала, что позволяет более точно изучить особенности распределения энергии по частотам [43]. Данный метод отличается крайне высокой разрешенностью полученных результатов, однако мало распространен в практике интерпретации сейсмических данных. Причиной этого, прежде всего, служит малое количество программных комплексов, в которых реализован данный алгоритм.

Для более полного понимания сути каждого алгоритма рассмотрим их более подробнее.

1.3.1 Преобразование Фурье в коротком окне (8ТРТ)

Преобразование Фурье _Дю) сигнала А}) является интегральным и задается следующей формулой:

(1)

где X - время.

Сейсмический сигнал при переходе в частотную область с помощью преобразования Фурье дает общее представление о поведении всех частот. Однако, этого не достаточно для полноценного аналитиза нестационароного сигнала. По этому необходимо включить временную зависимость с помощью выбора коротких участков сигнала для расчета спектра, после чего выполнить преобразование Фурье в пределах этого участка с целью получения локальных частотных характеристик (Рисунок 1.6). Данный метод преобразования Фурье и будет называться БТБТ - преобразование Фурье в коротком окне. БТБТ является

интегральным преобразования сигнала и функции временного окна Математически это может быть выражено как

где функция окна ф центрирована на времени 1=т.

Рисунок 1.6 - Спектрограмма полученная через преобразование Фурье [43]

На рисунке 1.6 показана спектрограмма (частотно временная карта), рассчитанная для двухмодального сигнала с различными частотами одинаковой амплитуды. Для расчета использовалось окно 400мс. Как видно на данной спектрограмме хорошо отображены только низки частоты, в то время как высокие слабо различимы или же вовсе не видны. Причиной такого поведения спектра

является то, что результат ограничен длиной предварительно выбранного окна. В данном случае окно выбрано слишком длинное. Если бы окно было выбрано короткое, то высокие частоты получилось с повышенной разрешенностью, а низкие с пониженной. Описанный случай является, фундаментальной проблемой преобразования Фурье.

1.3.2 Непрерывное вейвлет преобразование (CWT)

Непрерывное вейвлет преобразование предусматривает разложение сейсмической трассы по заданным вейвлетам определенной частоты [5]. Вместо расчета частотно временного спектра, в алгоритм вейвлет преобразования включена масштабная функция. Масштабная функция (масштаб) имеет аналогию с масштабом географических карт. Большие значения масштаба соответствуют глобальному представлению сигнала, а низкие значения масштаба позволяют различить детали. В терминах частоты низкие частоты соответствуют глобальной информации о сигнале, а высокие частоты - детальной информации и особенностям, которые имеют малую протяженность, т.е. масштаб вейвлета, как единица шкалы частотно-временного представления сигналов, обратен частоте. Масштабирование, как математическая операция, расширяет или сжимает сигнал. Большие значения масштабов соответствуют расширениям сигнала, а малые значения - сжатым версиям [78,79].

В рамках данной технологии используется большое количество вейвлетов, что позволяет получать различную информацию о составе сложного сигнала. Вейвлет определяется как функция у(?)с нулевым значением по времени и частоте. С помощью преобразования этого импульса мы производим семейство импульсов

— — (3)

Где а,х - ненулевые значения, являющиеся расширенными параметрами масштабирования [34,41]. Исходя из предыдущей формулы непрерывное вейвлет

преобразование определяется как интеграл от семейства уо,т(0 импульсов и сигнала ДО. Математически это выражается следующим образом:

— — (4)

Среди многообразия функций, которые могут выступать базисом разложения в алгоритме вейвлет-преобразования, можно выделить вейвлеты Риккера, Морле и Гаусса, которые в основном используются для решения подобной задачи. Однако стоит отметить некоторые из дискретных вейвлетов которые используются в данном методе - Daubechies, Coiflet, Symlet [2,85].

На рисунке 1.7 показана спектрограмма, которая рассчитана с теми же параметрами, что и для случая с преобразованием Фурье. Как видно из рисунка, спектр, полученный с помощью непрерывного вейвлет преобразования имеет улучшенную частотно временную разрешенность по сравнению с преобразованием Фурье. Однако, мы можем заметить, что в CWT спектре энергия стремится к угасанию с увеличением частоты. Учитывая тот факт, что типичный CWT спектр рассчитывается в частотных диапазонах и визуализируется выбором центральной частоты диапазона, эти диапазоны накладываются друг на друга с увеличением частоты. Это приводит к видимой потере энергии в CWT спектре, что может быть ошибочно отнесено к эффектам затухания, которых на самом деле там нет. Не смотря на незначительные недостатки данного метода, он является самым популярным среди методов спектрального разложения. Наглядная схема вейвлет преобразования представлена на рисунке 1.8.

Рисунок 1.7 - Спектрограмма полученная через вейвлет преобразование [43]

Рисунок 1.8 - Алгоритм вейвлет преобразования

1.3.3 Согласованное преследование, Orthogonal matching pursuit (OMP)

Наиболее распространенным методом решения спектральной инверсии является алгоритм «согласованного преследования» (Matching pursuit), предложенный Mallat S. и Zhang Z. [70]. Алгоритм согласованного преследования производит итеративный поиск элементов словаря, которые в свою очередь на каждом шаге итерации минимизируют ошибку апроксимации.

Так же существует ортогональная модификация данного алгоритма (Orthogonal matching pursuit), в данной модификации используется ортогональный базис.[2,3,9]

Данный метод решения задачи спектральной инверсии относится к L0-регуляризации и обеспечивает наиболее разреженное решение.

В рамках постановки задачи спектральной инверсии используется сверточная модель, которая описывает сейсмическую трассу (s(t)) как результат свертки трассы коэффициентов отражения (r(t)) с некоторым вейвлетом (w(t)):

(5)

Основываясь на данном представлении сейсмической трассы, в рамках спектральной инверсии вводится понятие мульти-вейвлетной сверточной модели:

(6)

Индекс к соответствует определенному вейвлету из библиотеки D, которому соответствует конкретная трасса коэффициентов отражения (r(t,k)). Таким образом, сейсмическая трасса может быть описана сочетанием множества вейвлетов, каждому из которых отвечает вейвлет-зависимая трасса коэффициентов отражения. Подобная модель является физической абстракцией, однако в случае если вейвлеты в библиотеке отличаются друг от друга доминантной частотой, подобное представление позволяет детально восстановить спектр волнового поля [2].

Представленная сверточная модель может быть выражена в матричной форме, где D - матрица вейвлетов (библиотека вейвлетов), m - матрица

соответствующих вейвлет-зависимых коэффициентов отражения, п - аддитивный шум:

(7)

Подобная постановка задачи - поиск вейвлет-зависимых коэффициентов отражения для заданной библиотеки вейвлетов, представляет собой обратную задачу геофизики, которая является некорректно поставленной. Во-первых, данная задача не имеет единственного решения, а, во-вторых, решение является неустойчивым, то есть малые изменения аргумента могут приводить к значительным вариациям функции [1]. Решение поставленной задачи линейной регрессии выполняется с использованием метода наименьших квадратов:

(8)

Для того чтобы избежать переобучения линейной регрессии, необходимо наложить ограничения на вариабельность решающего правила, подобный подход основан на методе регуляризации. С байесовской точки зрения регуляризация соответствует добавлению некоторых априорных распределений на параметры модели. Это позволяет рассматривать задачу поиска решения как оптимизацию регуляризированного функционала [33]:

Список литературы диссертационного исследования кандидат наук Муртазин Дамир Гумарович, 2021 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1 Буторин, А.В. Изучение геологических объектов Ачимовской свиты при помощи спектральной декомпозиции волнового поля / А.В. Буторин // Геофизика.

- 2016. - N 2. - С.10-18.

2 Буторин А.В. Применение анализа волнового поля для изучения клиноформных комплексов / А.В. Буторин // Azerbaijan Geologist. - 2016. - №20. -С. 12-21.

3 Буторин, А.В. Сравнительный анализ методов спектральной инверсии на примере модельных трасс / А.В. Буторин, Ф.В. Краснов // Геофизика. - 2016. - N 4.

- C.42-47.

4 Буторин, А.В. Строение продуктивного клиноформного пласта по данным сейсморазведки / А.В. Буторин // Геофизика. - 2015. - N 1. - С.10-18.

5 Википедия [электронный ресурс] // Статья Python - Режим доступа: https: //ru.wikipedia. org/wiki/Python (25.04.2019)

6 Витязев, В.В. Вейвлет-анализ временных рядов/ В.В. Витязев. - Санкт-Петербург: СПбГУ, 2001. -58 с.

7 Воскресенский, Ю.Н. Изучение изменений амплитуд сейсмических отражений для поисков и разведки залежей углеводородов / Ю.Н. Воскресенский.

- М.: РГУ нефти и газа, 2001. - 68 с.

8 Гендельман, М.М. Исследование свободного меандрирования речных русел / М.М.Гендельман // Геоморфология. - 1988. - N 3. - С.38-45.

9 Граничин, О.Н. Рандомизация измерений и L1 оптимизация / О.Н. Граничин. - Санкт-Петербург: СПбГУ, 2009.

10 Гурвич И.И. Об отражениях от тонких пластов в сейсморазведке / И.И. Гурвич // Прикладная геофизика. - 1952. - вып. 9. - С. 38-53.

11 Корочкина, Н.С. Выделение литологических ловушек в аллювиальных отложениях на примере Верхнесалымского месторождения / Н.С. Корочкина // Геофизика. - 2017. - N 4. - С.33-40.

12 Козлов, Е.А. Модели сред в разведочной сейсмологии / Е.А.Козлов. -Тверь: Издательство ГЕРС, 2006. - 480 с.

13 Луковенкова, О.О. Сравнение методов разреженной аппроксимации на примере сигналов геоакустичсекой эмиссии / О.О. Луковенкова // Вестник КРАУНЦ. - 2014. - N 2(9). - C. 59-67.

14 Малярова, Т.Н. Современные методы сейсмофациального анализа на реальных примерах / Т.Н. Малярова, Н.А. Иванова // Геленджик: Тезисы докладов VIII международной научно-практической конференции Геомодель. -2006. -С.136.

15 Максимов, В.П. Повышение эффективности сейсморазведочных работ на примере лицензионных участков ОАО «Томскнефть» ВНК / В.П. Максимов, А.Ю. Чесалов, А.В. Бобров, А.В. Бычков, В.С. Жужель // Нефтяное хозяйство. -2016. - N 4. - C.18-21

16 Медведев, А.Л. Аптские врезанные речные долины Каменной площади Западной Сибири: региональные аспекты нефтегазоносности / А.Л. Медведев // Нефтегазовая геология. Теория и практика. - 2010. - Т.5. - N 3.

17 Муромцев, В.С. Электрометрическая геология песчаных тел -литологических ловушек нефти и газа / В.С. Муромцев. - Л.: Недра, 1984. - 260 с.

18 Муртазин, Д.Г. Спектральная декомпозиция - новые возможности детального динамического анализа сейсмических данных / Д.Г. Муртазин // Геофизика. - 2016. - N 5. - С.68-73.

19 Муртазин, Д.Г. Кластеринг амплитудно-частотных спектров - новый подход в решении сложных геолого-геофизических задач / Д.Г. Муртазин, А.А. Сиражиев // Геофизика. - 2017. - N 2. - С.37-45.

20 Нежданов, А. А. Геологическая интерпретация сейсморазведочных данных. Курс лекций / А. А. Нежданов. - Тюмень: ТГНУ, 2009. - 133 с.

21 Неганов, В.М. Сейсмогеологическая интерпретация геофизических материалов Среднего Приуралья и перспективы дальнейших исследований на нефть и газ: монография / В.М. Неганов. - Пермь: ПГУ, 2010. - 248 с.

22 Ольнева, Т.В. Параметризация синусоидальности палеоканалов для фациальных реконструкций и объектного моделирования / Т.В. Ольнева, Е.А. Жуковская // Геофизика. - 2017. - N 4. - С.41-46.

23 Ольнева Т.В. Прогнозирование морфометрических характеристик литологических ловушек на основе объектно-ориентированного сейсмологического анализа: дис. док. г-м.н. 25.00.10 / Ольнева Татьяна Владимировна. - Санкт-Петербург, - 2018. - 264с.

24 Ольнева Т.В., Жуковская Е.А. Сейсмовидение геологических процессов и явлений: русловые отложения континентальных обстановок осадконакопления // Геофизика. 2016. №2. С.2-9

25 Пейтон, Ч. Сейсмическая стратиграфия / Ч. Пейтон. - Москва: Из-во «Мир», - 1982. - 375 с.

26 Позаментьер, Г. Секвенсная стратиграфия терригенных отложений. Основные принципы и применение / Г. Позаментьер, Дж.П.Аллен. - Ижевск: Институт компьютерных исследований, 2014. - 436 с.

27 Приезжев, И.И. Фациальный анализ по форме сигнала / И.И.Приезжев, Е.В.Солоха, С.Манрал // Геофизика. - 2014. - N 1. - С.63-67.

28 Пухарев, В. Применение классификационных алгоритмов при седиментологическом моделировании / В.Пухарев, Е.Потапова, О.Малиновская // Oil&Gas Journal Russia. - 2012. - N 1. - С.55-59.

29 Сейсмическая стратиграфия / Р.Е.Шерифф, А.П.Грегори, П.Р.Вейл, Р.М.Митчем мл. и др. - М.: Мир, 1982. - 846 с.

30 Чалов, Р.С. Речные излучины / Р.С.Чалов, А.С.Завадский, А.В.Панин; под общей редакцией Р.С.Чалова. - М.: изд-во МГУ, 2004. - 371 с.

31 Чернова,О.С. Седиментология резервуара / О.С.Чернова. - Томск: Центр профессиональной переподготовки специалистов нефтегазового дела ТПУ, - 2004. - 455 с.

32 Шиманский, В.В. Закономерности формирования неструктурных ловушек и прогноз зон нефтегазонакопления в юрских и нижнемеловых

отложениях Западной Сибири: дис. ... д-ра геол.-минерал. наук: 25.00.12 / Шиманский Владимир Валентинович. - Санкт-Петербург, 2003. - 277 с.

33 Ягола А.Г. Обратные задачи и методы их решения. Приложения к геофизике / А.Г. Ягола, Ван Янфей, И.Э. Степанова, В.Н. Титаренко. -М.: БИНОМ. Лаборатория знаний, - 2014. - 216 с.

34 Яковлев, А.Н. Введение в вейвлет-преобразование / А.Н. Яковлев. -Новосибирск: НГТУ, - 2003. - 104 с.

35 Aarre, V. Seismic detection of subtle faults and fractures / V. Aarre, // Oilfield Review. - 2012. - V. 24. - P.28-43.

36 Arora, P. Analysis of K-Means and K-Medoids Algorithm For Big Data / P. Arora // ICISP2015. - 2015. - P.507-512.

37 Arthur, D. How slow is the k-means method? / D. Arthur, S. Vassilvitskii // Proceedings of the twenty-second annual symposium on computational geometry. -2006.

38 Boudaillier, E. Interactive interpretation of hierarchical clustering / E. Boudaillier, G. Hebrail // Intell. Data Anal. - 1998. - V.2.

39 Bracewell, R. N. The Fourier transform and its applications / R. N. Bracewell // McGraw-Hill Book Co. - 1965. - 640 p.

40 Burnett, M. D. Advances in Spectral Decomposition and Reflectivity Modeling in the Frio Formation of the Gulf Coast / M. D. Burnett, J. P. Castagna // Search and Discovery. - 2004. Article - N. 40113.

41 Burrus, C. Introduction to Wavelets and Wavelet Transforms: A Primer / C. Burrus, R. Gopinath, H. Guo // Recherche, - 1998. - V. 67. - P.2.

42 Calazans M. Use of Color Blend of seismic attributes in the Exploration and Production Development - Risk Reduction [Электронный ресурс] / M. Calazans, P. Jilinski. // SEG New Orleans Annual Meeting. - 2015. - Режим доступа: https://www.onepetro.org/conference-paper/SEG-2015-5916038

43 Castagna, J. Comparison of spectral decomposition methods / J. Castagna, S. Sun // First Break. - 2006. - V 24. P.24-29.

44 Castagna, J. Phase decomposition / J. Castagna, A. Oyem, O. Portniaguine, U. Aikulola // Interpretation. - 2016. - V. 4. - P.1-10.

45 Chakraborty, A. Frequency-time decomposition of seismic data using wavelet-based methods / A. Chakraborty, D. Okaya // Geophysics. -1995. - V. 60. -P.1906-1916.

46 Chopra, S. Choice of mother wavelets in CWT spectral decomposition / S. Chopra, J. Marfurt // SEG New Orleans Annual Meeting - 2012. - P.105-111.

47 Cohen, L. Time frequency analysis / L. Cohen // Prentice Hall PTR - 1995. -

320 p.

48 Collinson, J.D. Vertical sequence and sand body shape in alluvial sequences / J.D.Collinson // Fluvial Sedimentology (Ed. by A.D.Miall). - Calgary, 1978. - P.577-586.

49 Cooke, N. Forward modelling to understand color responses in an HDFD RGB blend around a gas discovery / N. Cooke, P. Szafian // First break. - 2014. - V. 32.

50 Dilay, A. Spectral analysis applied to seismic monitoring of thermal recovery / A. Dilay, J. Eastwood // The Leading Edge. - 1995. - N. 6. - P.1117-1122.

51 Ester, M. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise / M. Ester, H. P. Kriegel, J. Sander, X. Xu // Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining, Portland. - 1996. - P. 226-231.

52 Feizollah, A. Comparative Study of K-means and Mini Batch K- means Clustering Algorithms in Android Malware Detection Using Network Traffic Analysis / A. Feizollah, N. Anuar, R. Salleh, F. Amalina // ISBAST. - 2014. - P.199-202

53 Fernandez, W. Approximation schemes for clustering problems / W. Fernandez, M. Karpinski, C. Kenyon, Y. Rabani // Proceedings of the thirty-fifth annual ACM symposium on Theory of computing. - 2003. - P.50-58.

54 Fujiwara, Y. Fast Algorithm for Affinity Propagation / Y. Fujiwara, G. Irie, T. Kitahara // Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence. - 2011. - P.2238-2243

55 Gan, G. Data clustering theory, algorithms and applications / G. Gan, C. Ma, J. Wu //Society for Industrial and Applied Mathematics. - 2007.

56 GitHub, sixty-north [Персональная страница] / - Режим доступа: https://github. com/sixty-north/segpy (01.05.2019)

57 Guha, S. ROCK: A robust clustering algorithm for categorical attributes / S. Guha, R. Rastogi, Kyuseok // Proceedings of ICDE'99. - 1999. - P.512-521.

58 Habr [Электронный ресурс] / Нестандартная кластеризация 4: Self-Organizing Maps, тонкости, улучшения, сравнение с t-SNE. 2017. - Режим доступа: https://habr.com/ru/post/338868 (01.05.2019).

59 Hall M. Resolution and uncertainty in spectral decomposition / M. Hall // First break. - vol. 24. - 2006. - p. 43-47.

60 Hart, S. Channel detection in 3-D seismic data using sweetness / S. Hart // AAPG Bulletin. - 2008. - V. 92. - P.733-742

61 Henderson, J. Automated delineation of geological elements from 3D seismic data through analysis of multichannel, volumetric spectral decomposition data / J. Henderson, S. J. Purves, C. Leppard // First break. - 2007. - V. 25, - P.87-93

62 Khonde, K. Recent Developments in Spectral Decomposition of Seismic Data (Techniques and Applications) / K. Khonde, R. Richa // A Review 10th Biennial International Conference & Exposition. - 2012.

63 Kohonen, T. Self-organized formation of topologically correct feature maps / // Biological cybernetics. - 1982. - V 43 - P.59-69.

64 Lampinen, J. Clustering properties of hierarchical self-organizing maps / J. Lampinen, E. Oja // J. Math. Imag. Vis. - 1992. - V. 2. - P.261-272.

65 Li, Y. Implementation of Self-Organizing Maps with Python / Y. Li // Open Access Master's Theses. - 2018. - 110 p.

66 Li, Y. Spectral decomposition using Wigner-Ville distribution with applications to carbonate reservoir characterization / Y. Li, X. Zheng // The Leading Edge. - 2008. - V. 27. -P.1050-1057.

67 Li, Y., X. Zheng, and Y. Zhang. "High-frequency anomalies in carbonate reservoir characterization using spectral decomposition / Y. Li, X. Zheng, Y. Zhang. // Geophysics. - 2011. - V. 76. - P.47-57.

68 Liu, J. Instantaneous spectral attributes to detect channels / J. Liu, K. Marfurt. // Geophysics. - 2007 - V.72. - P.23-31.

69 Lopez, J. Identification of Deltaic Facies with 3-D Seismic Coherency and Spectral Decomposition Cube/ J. Lopez, G. Partyka, N. Haskell, S. Nissen // Abstract, '97 International Geophysical Conference and Exposition. - 1997. - P.221-230.

70 Mallat, S Matching pursuit with time-frequency dictionaries / S. Mallat, Z. Zhang // Technical Report 619, IEEE Transactions in Signal Processing - 1992. - V. 41, -P.3397-3415.

71 Mangiameli, P. A comparison of SOM neural network and hierarchical clustering methods / P. Mangiameli, S. Chen, D. West // Eur. J. Oper. Res. - 1996. - V. 93.

72 Marfurt, K. Narrow-band spectral analysis and thin-bed tuning / K. Marfurt, R. Kirlin. // Geophysics. - 2001. - V. 66 - P.1274-1283.

73 McArdle, N. Comparison of Spectral Enhancement Techniques Applied to Post Stack Data / N. McArdle // Conference Proceedings, 76th EAGE Conference and Exhibition 2014. -2014. - P.1 - 5

74 McArdle, N. Frequency Decomposition Methods Applied to Synthetic Models of the Hermod Submarine Fan System in the North Sea / N. McArdle, M. Ackers, B. Bryn // 74th EAGE Conference & Exhibition incorporating SPE EUROPEC. - 2012. - 293 p.

75 McArdle, N. Understanding seismic thin-bed responses using frequency decomposition and RGB blending / N. McArdle, M. Ackers // First Break. - 2012. - V. 30. - P.57-65.

76 Miall, A.D. Fluvial Depositional Systems / Andrew D. Miall. - Switzerland: Springer International Publishing, 2014. - 504 p.

77 Milligan, G. An examination of procedures for determining the number of clusters in a data set / G. Milligan, M. Cooper // Psychometrika, - 1985. - V. 50. - P. 159-179.

78 Morlet J. Wave propagation and sampling theory - Part I: Complex signal and scattering in multilayered media / J. Morlet, G. Arens, E. Fourgeau, D. Giard. // Geophysics. - 1982. - vol. 47. - p. 203-221

79 Morlet J. Wave propagation and sampling theory—Part II: sampling theory and complex waves / J. Morlet, G. Arens, E. Fourgeau, D. Giard. // Geophysics. - 1982.

- vol. 47. - p. 222-236

80 Morozov, P. Application of High Definition Frequency Decomposition techniques on Western Siberia reservoirs / Morozov, P. G. Paton, A. Milyushkin, V. Kiselev, D. Myasoedov // Conference Proceedings, 3rd EAGE International Geoscience Conference. - 2013. - P.339-345.

81 Oyelade, O. Application of k-Means Clustering algorithm for prediction of Students' Academic Performance / O. Oyelade // International Journal of Computer Science and Information Security. - 2010 - V. 7. - P.292-295.

82 Partyka, G. Interpretational applications of spectral decomposition in reservoir characterization / G. Partyka, J. Gridley, J. Lopez // The Leading Edge. - 1999.

- V. 18. - P.353-360.

83 Partyka, G.A., Gridley, J.M., Interpretational Aspects of Spectral Decomposition / // Abstract, '97 International Geophysical Conference and Exposition. -1997. - P.200-204.

84 Peng, K. Clustering Approach Based on Mini Batch Kmeans for Intrusion Detection System Over Big Data / K. Peng, C. Victor, M. Leung, Q.Huang // IEEE Access. - 2018. - V. 6. - P. 11897 - 11906.

85 Rioul, O. Wavelets and signal processing /O. Rioul, M. Vetterli // IEEE Signal Processing Magazine. - 1991. - P. 14-38.

86 Rioul, O. Wavelets and signal processing /O. Rioul, M. Vetterli // IEEE Signal Processing Magazine. - 1991. - P.14-38.

87 Russell, B. Combining geostatistic sand multiattribute transforms - A channel sand case study [Электронный ресурс] / B.Russell, T.Todorov, D.Hampson // SEG International and Exposition and 71st Annual Meeting. Expanded Abstracts. - 2001. Режим доступа: https://www.onepetro.org/conference-paper/SEG-2001 -0638?sort=&start=0&q=Combining+geostatistic+sand+multiattribute+transforms+%E2 %80%93+A+channel+sand+case+study+&from_year=&peer_reviewed=&published_b etween=&fromSearchResults=true&to_year=&rows=25#.

88 Rust, B. A classification of alluvial channel systems / B. Rust, A. Miall // Fluvial Sedimentology. - 1978. - P.187-198.

89 ScikitLearn [электронный ресурс] / - Режим доступа: https:// scikit-learn.org (01.05.2019).

90 ScikitLearn [электронный ресурс] / Описание модуля. - Режим доступа: scikit-learn.org/stable/modules/generated/sklearn.cluster.MiniBatchKMeans.html (01.05.2019).

91 Scipy [электронный ресурс] / - Режим доступа: https://www.scipy.org (01.05.2019).

92 Shameem, M.U.S. An efficient k-means algorithm integrated with Jaccard distance measure for document clustering / M.U.S. Shameem, R. Ferdous // Internet AH-ICI. - 2009.

93 Sinha, S. Spectral decomposition of seismic data with continuous wavelet transform / S. Sinha, J. Castagna // Extended abstracts, 71' annual meeting of the society of exploration geophysicists. - 2001.

94 Stockwell R. Localization of the complex spectrum: the S-transform. / R. Stockwell, L. Mansinha, R. Lowe. // IEEE Transactions on Signal Processing. - 1996. -vol. 44. - 1996. - p. 998-1001

95 Subrahmanyam, D. Seismic Attributes - A Review / D. Subrahmanyam, P. Rao // 7th Biennial International Conference and Exposition on Petroleum Geohysics. -2004. - P .398

96 Tri W. Thickness estimation using gradient of spectral amplitude from spectral decomposition [Электронный ресурс] / W. Tri, L. Novitasari, S. Winardhi //

SEG San Antonio Annual Meeting. - 2011. - Режим доступа: https://www.onepetro.org/conference-paper/SEG-2011-1923

97 Turhan Taner, M. Seismic attributes / M. Turhan Taner // CSEG Recorder. -2001. - V 26. - P.57-59

98 Veenhof, R. Tip/Trick: Spectral Decomposition with Petrel / // EBN Symposium 'Echoes from Seismic'. - 2016. - P. 1-17.

99 Wang, K. Adaptive Affinity Propagation Clustering / K. Wang, J. Zhang, D. Li, X. Zhang, T. Guo // Acta Automatica Sinica. - V. 33. - P.1242-1246.

100 Widess, M. How Thin is a Thin Bed? / M. Widess // Geophysics. - 1973. -V. 38. - P. 1176-1180.

101 Zhuzhunashvili, D. A.Knyazev Preconditioned Spectral Clustering for Stochastic Block Partition Streaming Graph Challenge / // IEEE High Performance Extreme Computing Conference. - 2017. - P.1-6.

ПРИЛОЖЕНИЯ

Приложение А

^ГАЗПРОМ

ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ «ГАЗПРОМНЕФТЬ-Восто*. (ООО сГмпромнефть-Воскж>)

«. /Л »_АУУг/./г^ 2020 г.

Дли прслсшнлгннн в диссершининный сонм

УТВЬРЖДАЮ 1яМРГ1|ИМ1. И'Иср,1 II.мою шргкюря- |.|иппыи геолог «I яшромгыфпВосюк»

___А.В. Верим

АКТ

о внедрении результатов диссертационного исследования

Председатель: Ннзамо» Э.Р.

Комиссия и составе: Низамов

Члены комиссии: Ни «моа 'З.г.. 1бфронов составили настоящий акт о том. что результаты диссертационной работы: «Методика комплексной интерпретации спектральной декомпозиции для сейсмофациального анализа и параметризации лктологических ловушек», представленной на соискание ученой степени кандидата технических наук использованы в процессе планировании программы бурения на Южно-Шипгинском месторождении и создании концептуальной сейсмогеологической модели Западно-Лугинсцкого лицензионною участка.

Методика кластеризации спектральных кривых н результаты, полученные в ходе диссертационного исследования, использованы при выполнении прогноза эффективных толщин для пласта Ю1-1 Южно-Шингинского и Восточио-Мыгинскопо месторождения, а также при создании сейсмофациальной характеристики Западно-Лугинецкого лицензионною участка.

Результаты диссертации внедрялись при выполнении программы НИОКР ООО «Газпром»ефть НТЦ» в 2017-2018 годах по темам:

1. «Оперативный анализ и мониториш разработки месторождений ООО «Газпромнефть-Восток», № 1НВ-749/16Д от I апреля 2015 г

2. '«Актуализация геологической концептуальной модели по Шингинскому месторождению и месторождениям Западно-Лугинсцкого лицензионного участка»№ ГНВ-698/17Д от 1 апреля 2015 г.

Использование результатов, полученных в ходе выполнения диссертации, повысило качество планирования и эффективность ввода новых эксплуатационных скважин.