Санкт-Петербургский горный университет императрицы Екатерины II, Санкт-Петербург, Россия

Данильева Н. А., доцент, канд. геол.-минерал. наук, Danileva_na@pers.spmi.ru

Рассмотрена методика восстановления данных акустического каротажа (АК) на примере исследуемого месторождения калийномагниевых солей Калининградской области. Методика предполагает получение синтезированных кривых интервального времени в скважинах, где акустический каротаж не проводили. Использование синтезированных кривых позволит в дальнейшем уточнить геологическое строение надсолевой толщи, обосновать положение водозащитного слоя и обеспечить сопоставление данных геофизических исследований скважин с результатами наземной сейсморазведки.

1. Зубов В. П., Смычник А. Д. Снижение рисков затопления калийных рудников при прорывах в горные выработки подземных вод // Записки Горного института. 2015. Т. 215. С. 29–37.
2. Сиренко Ю. Г., Ковальский Е. Р. Совершенствование селективной выемки калийных пластов короткими очистными забоями с частичной закладкой выработанных камер // Горный журнал. 2016. № 1. С. 24–26.
3. Frid A., Frid V. Moisture Efect on Asphalt Dielectric Permittivity: Simulating, Sensitivity Analysis and Experimental Validation // International Journal of Pavement Research and Technology. 2024. Vol. 17. Iss. 4. P. 999–1013.
4. Zhao H., Yang T., Ni Y.-D., Liu X.-G., Xu Y.-P. et al. Reconstruction method of irregular seismic data with adaptive thresholds based on different sparse transform bases // Applied Geophysics. 2021. Vol. 18. Iss. 3. P. 345–360.
5. Kumar R., Kumar R., Bhardwaj A., Singh A., Singh Sh. et al. Multivariate statistical analysis and geospatial approach for evaluating hydro-geochemical characteristics of meltwater from Shaune Garang glacier, Himachal Pradesh, India // Acta Geophysica. 2023. Vol. 71. Iss. 1. P. 323–339.
6. Вахитова Г. Р., Лысцева Т. С. Прогнозирование интервального времени акустического каротажа при ограниченности исходной информации // Каротажник. 2014. № 9(243). С. 4–14.
7. Вахитова Г. Р., Лысцева Т. С., Полюдова Н. Ю., Сахаутдинов И. Р. Восстановление акустических свойств горных пород по данным геофизических исследований скважин // Proceedings of the 12th Conference and Exhibition Engineering Geophysics 2016. – Анапа, 2016. С. 297–301.
8. Данильева Н. А., Данильев С. М., Большакова Н. В. Выделение глубокозалегающего рассольного водоносного горизонта в породах хемогенного разреза по данным геофизических исследований скважин и 2D-сейсморазведки // Записки Горного института. 2021. Т. 250. С. 501–511.
9. Киндюк В. А., Соболев А. Ю. Восстановление значения модуля Юнга по данным геофизических исследований в скважинах с помощью нейронных сетей // Интерэкспо Гео-Сибирь. 2013. Т. 2. № 2. С. 192–196.
10. Куликов В. В. Обзор методик расчета синтезированных кривых акустического и плотностного каротажа, применяемых на месторождениях Самарской области // Петрофизическое моделирование осадочных пород : II Балтийская школа-семинар. – Петергоф, 2013.
11. Зарипова Э. А., Еникеев М. Р. Восстановление каротажных кривых методами машинного обучения // Математические моделирование, численные методы и комплексы программ : сб. матер. IX Междунар. науч. молодежная школа-семинар им. Е. В. Воскресенского. – Саранск : СВМО, 2020. С. 62–65.
12. Паклин Н. Б., Мухамадиев Р. С. Использование обучающихся алгоритмов для интерпретации данных ГИC // Бурение и нефть. 2005. № 5. С. 38–40.
13. Ашкар Г. Х. Применение машинного обучения для синтезирования данных ГИС // Инженерная практика. 2022. № 8. С. 26–32.
14. Берсенёва С. А., Вахитова Г. Р., Полюдова Н. Ю. Прогноз распределения плотности горных пород по данным нейтронного каротажа // Булатовские чтения : матер. I Междунар. науч.-практ. конф. – Краснодар : Юг, 2017. Т. 1. С. 36–38.
15. Хайруллин А. Р., Вахитова Г. Р. Восстановление петроупругих свойств горных пород по данным каротажных исследований скважин // Булатовские чтения : матер. III Междунар. науч.-практ. конф. – Краснодар : Юг, 2019. Т. 1. С. 151–155.
16. Schaul T., Bayer J., Wierstra D., Sun Y., Felder M. et al. PyBrain // Journal of Machine Learning Research. 2010. Vol. 11. P. 743–746.
17. Aristodemou E., Pain C., De Oliveira C., Goddard T., Harris C. Inversion of nuclear well-logging data using neural networks // Geophysical Prospecting. 2005. Vol. 53. Iss. 1. P. 103–120.
18. Pushpa P. M. M. R., Manimala K. Implementation of Hyperbolic Tangent Activation Function in VLSI // International Journal of Advanced Research in Computer Science & Technology. 2014. Vol. 2. Issue Special 1. P. 225–228.
19. Chhun K. T., Woo S. I., Yune C.-Y. Inversion of 2D cross-hole electrical resistivity tomography data using artificial neural network // Science Progress. 2022. Vol. 105. Iss. 1. DOI: 10.1177/00368504221075465
20. Заляев Н. З. Методика автоматизированной интерпретации геофизических исследований скважин. – Минск : Университетское, 1990. – 144 с.
21. Туренко С. К., Черепанов Е. А. Использование данных нейтронного каротажа при построении сейсмогеологических моделей нефтегазовых объектов Западной Сибири // Известия вузов. Нефть и газ. 2016. № 2(116). С. 27–32.
22. Лавренкова Н. В., Некрасова Т. В., Торопов А. С. Создание петрофизической основы для выполнения сейсмической инверсии – подготовка данных и моделирование упругих свойств // Петрофизическое моделирование осадочных пород : I Балтийская школа-семинар. – Петергоф, 2012.
23. Денисов В. С. Особенности восстановления данных в карбонатном разрезе с применением технологии попластового анализа // Булатовские чтения : матер. VI Междунар. науч.-практ. конф. – Краснодар : Юг, 2022. Т. 1. С. 54–60.

24. Ngoie S., Lunda J.-M., Mbuyu A., Kabulo J.-F. Application of synthetic observations to develop an artificial neural network for mine dewatering // International Research Journal of Engineering and Technology. 2017. Vol. 4. Iss. 12. P. 923–927.
25. Еникеев Б. Н., Охрименко А. Б., Смирнов О. А. Функциональные (фундаментальные) и статистические взаимосвязи в петрофизике (проблематика сравнения сходных петрофизических взаимосвязей) // Каротажник. 2011. № 7(205). С. 102–117.