В статье анализируется применение различных алгоритмов классификации (Random Forest, Extra Trees, Gradient Boosting, Multi-layer Perceptron, Gaussian Naive Bayes, Voting Classifier) на основе машинного обучения “с учителем” как по отдельным сейсмическим атрибутам (амплитудные, фазовые, частотные), так и по совокупности сейсмических атрибутов, рассчитанных в интервале развития русловых систем для вероятностной оценки наличия русел. Объектом исследования являются отложения тюменской свиты группы месторождений, расположенных на территории Ханты-Мансийского автономного округа. Целью данной статьи является описание поиска наиболее эффективных сейсмических атрибутов и методов классификации машинного обучения для оптимизации методики и повышения точности прогноза вероятности наличия русловых систем.

Орешкова Мария Юрьевна
Ведущий специалист
Группа компаний «Газпром нефть»
190000 Санкт-Петербург, ул. Почтамтская, д. 3–5
е-mail: wintersurprise@mail.ru

Буторин Александр Васильевич
Кандидат геолого-минералогических наук
Доцент кафедры геофизики
Санкт-Петербургский государственный университет
199034 Санкт-Петербург, Университетская наб., д. 7–9
Руководитель проекта по развитию дисциплины «сейсморазведка»
Группа компаний «Газпром нефть»
190000 Санкт-Петербург, ул. Почтамтская, д. 3–5
е-mail: a.butorin@spbu.ru
ORCID: 0000-0002-6074-1439
Scopus Author ID: 56370048400
Researcher ID: B-7405-2019
SPIN-код: 8474-6120
Author ID: 877389

1. Буторин А.В., Мохов Г.В. Применение метода классификации Random Forest для решения задачи фациального районирования по данным сейсморазведки // PROНЕФТЬ. Профессионально о нефти. – 2021. – Т. 6. – № 3. – С. 23–29. DOI: 10.51890/2587-7399-2021-6-3-23-29.
2. Ольнева Т.В. Сейсмофациальный анализ. Образы геологических процессов и явлений в сейсмическом изображении. – М. –Ижевск: ИКИ РАН, 2017. – 152 с.
3. Hilbert [Электронный ресурс] // SciPy documentation 1.14.0. – 2024. – Режим доступа: https://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.hilbert.html (дата обращения: 02.08.2024).
4. GridSearchCV [Электронный ресурс] // Scikit-Learn 1.5.1. – 2024. – Режим доступа: https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html (дата обращения: 02.08.2024).
5. Ensembles: Gradient boosting, random forests, bagging, voting, stacking [Электронный ресурс] // Scikit-Learn 1.5.1. – 2024. – Режим доступа: https://scikit-learn.org/stable/modules/ensemble.html (дата обращения: 02.08.2024).
6. Machine Learning Tutorial [Электронный ресурс] / GeeksforGeeks. – 20.06.2024. – Режим доступа: https://www.geeksforgeeks.org/machine-learning/?ref=lbp (дата обращения: 31.07.2024).