Результат интеллектуальной деятельности: СПОСОБ И СИСТЕМА ОПТИМИЗАЦИИ ЛАБОРАТОРНЫХ ИССЛЕДОВАНИЙ ОБРАЗЦОВ ГОРНЫХ ПОРОД

Изобретение относится к лабораторным исследованиям образцов горных пород, взятых из нефтегазоносного пласта и, в частности, к оптимизации лабораторных исследований образцов горных пород с помощью методов машинного обучения и нейронных сетей.

Лабораторные исследования являются ключевым элементом разведки, разработки и добычи углеводородов, требующим существенных временных и финансовых ресурсов. Для исследования керна одной скважины со средним выносом 100 погонных метров как правило требуется до полугода времени. Ошибки при планировании исследований и потеря кернового материала при использовании некорректных методов анализа обходятся нефтедобывающим компаниям очень дорого - увеличивают время до первой добычи углеводородов и приводят к дополнительным затратам на разведку залежей. В связи с этим актуальной задачей является оптимизация лабораторных исследований в части автоматизации части рутинных операций и извлечения большего количества практически полезной информации из проводимых исследований.

Известен способ, обеспечивающий частичную оптимизацию керновых исследований с помощью технологий цифрового керна, описанный в патенте РФ №2543698. Данное изобретение относится к способам описания характеристик двухмерных и трехмерных образцов для определения распределений размеров тела пор и каналов пор, а также кривых зависимости капиллярного давления в пористой среде. Входная информация включает петрографические изображения высокого разрешения и лабораторные измерения пористости. Выходная информация включает распределения размеров тела пор и каналов пор и моделирование кривых зависимости капиллярного давления как для тела пор, так и каналов пор. Недостатком способа является то, что предлагается только частное решение по оптимизации лабораторных исследований керна.

Технический результат, достигаемый при реализации изобретения, заключается в обеспечении быстрой и качественной обработки результатов лабораторных исследований с последующим масштабированием этих результатов на весь разрез продуктивных отложений нефтегазоносного пласта, что позволяет контролировать степень изученности пласта и формировать рекомендации по корректировке комплекса лабораторных исследований. Предлагаемые способ и система оптимизации лабораторных исследований образцов горных пород позволяют выполнить распределение характеристик горных пород по всему разрезу продуктивных отложений за счет прогноза для каждого образца керна всего набора характеристик, определяемых в комплексе лабораторных исследованиях, обеспечивает получение характеристик частей коллекции керна без проведения лабораторных испытаний и сокращение времени на получение необходимой информации по характеристикам керновой коллекции.

Указанный технический результат достигается тем, что в соответствии с предлагаемым способом оптимизации лабораторных исследований образцов горных пород, взятых из нефтегазоносного пласта, осуществляют только частичные лабораторные исследования образцов горных пород, результаты которых используют для формирования базы данных по исследованию пластов. Используя в качестве входных данных полученные результаты исследований образцов горных пород посредством алгоритмов машинного обучения создают базовые предиктивные модели для прогнозирования недостающих характеристик горных пород для каждого образца. Полученные результаты исследований образцов горных пород и результаты прогнозирования недостающих характеристик горных пород, полученные с помощью базовых предиктивных моделей, используют в качестве входных данных для создания посредством машинного обучения предиктивных моделей второй группы для определения поправок на пластовые условия и прогнозирования характеристик горных пород в термобарических условиях. Используя в качестве входных данных полученные результаты исследований образцов горных пород, результаты прогнозирования недостающих характеристик горных пород, полученные с помощью базовых предиктивных моделей, и результаты прогнозирования характеристик горных пород в термобарических условиях, полученные с помощью предиктивных моделей второй группы, посредством машинного обучения создают предиктивные модели третьей группы для прогнозирования многомерных характеристик пород-коллекторов. Используя созданные предиктивные модели всех трех групп осуществляют прогнозирование характеристик горных пород и все полученные результаты прогнозирования характеристик пород вносят в базу данных по исследованию пластов. Осуществляют оценку текущей степени изученности пласта на основе точности полученных результатов прогнозирования и по результатам оценки текущей степени изученности пласта корректируют программу и объем лабораторных исследований образцов.

Дополнительно в качестве входных данных для создания предиктивных моделей могут быть использованы результаты профильных исследований, а также результаты внутрискважинных исследований. Корректировка программы и объема лабораторных исследований может быть осуществлена в режиме реального времени.

Система оптимизации лабораторных исследований образцов горных пород, взятых из нефтегазоносного пласта, в соответствии с предлагаемым изобретением содержит базу данных по исследованию пластов, предназначенную для хранения стандартных результатов лабораторных исследований образцов горных пород, взятых из нефтегазоносного пласта, результатов профильных и внутрискважинных исследований, двухмерных и трехмерных изображений пород и результатов их анализа, а также результатов прогнозирования характеристик горных пород, модуль прогнозирования характеристик горных пород, предназначенный для прогнозирования характеристик горных пород, модуль оценки степени изученности пласта, предназначенный для оценки текущей степени изученности пласта на основе точности полученных результатов прогнозирования, и модуль оптимизации программы и объема лабораторных исследований образцов, предназначенный для корректировки программы и объема лабораторных исследований по результатам оценки текущей степени изученности пласта.

Система оптимизации лабораторных исследований образцов дополнительно может содержать препроцессор результатов лабораторных исследований, предназначенный для формирования единой согласованной базы данных лабораторных исследований из различных источников информации.

Изобретение поясняется чертежами, где на фиг. 1 приведена блок-схема системы оптимизации результатов лабораторных исследований образцов горных пород, на фиг. 2 - блок-схема способа оптимизации результатов лабораторных исследований, на фиг. 3 приведен пример работы системы по прогнозу некоторых характеристик горных пород, а на фиг. 4 приведен пример работы системы по оптимизации лабораторных исследований одной из характеристик горных пород.

Проведение полного комплекса лабораторных исследований занимает требует большого количества ресурсов (финансовых и временных). Как следствие, длительных и дорогих определений выполняется мало, но они имеют первостепенную важность для проектирования разработки. Более того, массовые исследования часто выполняются на разных образцах керна и не увязаны друг с другом. Например, определение кривых капиллярного давления, эксперименты по относительным фазовым проницаемостям (ОФП) и исследования в пластовых условиях могут быть выполнены на различных коллекциях образцов керна. В настоящий момент для взаимной увязки данных, полученных при различных исследованиях, обычно используют типизацию пород-коллекторов. Каждому типу коллектора присваиваются определенные диапазоны или характерные значения фильтрационно-емкостных и других свойств. Такой подход является упрощенным и существенно увеличивает уровень неопределенностей при описании пластовой системы.

Предлагаемая система оптимизации лабораторных исследований образцов горных пород представляет собой сочетание аппаратных и программных средств, обеспечивающих получение характеристик частей коллекции керна без проведения лабораторных испытаний и сокращение времени на получение необходимой информации по характеристикам керновой коллекции. Сокращение времени на получение необходимой информации по характеристикам керновой коллекции происходит за счет постоянного определения степени изученности пласта и формирования рекомендаций по корректировке комплекса лабораторных исследований. Система принимает на вход результаты части лабораторных исследований и генерирует новые данные о пластовой системе, а также выполняет оценку степени изученности продуктивного разреза на основании чего происходит оптимизация объемов исследований керна.

Система также выполняет автоматизированное управление циклом лабораторных исследований с помощью постоянной оптимизации программ и планов-графиков исследований. Система также выдает рекомендации на прекращение исследований в соответствии с заранее заданными критериями.

Как показано на фиг. 1, система содержит базу 1 данных по исследованию пластов, предназначенную для хранения результатов лабораторных исследований из различных источников информации. В базу 1 данных поступают результаты исследований образцов горных пород, взятых из нефтегазоносного пласта, результаты профильных и внтурискважинных исследований, двухмерные и трехмерные изображения пород и результаты их анализа, а также результаты прогнозирования характеристик горных пород, получаемые при осуществлении предлагаемого способа.

Система также содержит модуль 2 прогнозирования характеристик горных пород. Данный модуль предназначен для прогнозирования характеристик горных пород. Он выполняет прогноз одних характеристик горных пород по другим и формирует полный набор характеристик каждого образца керна, отобранного для комплекса лабораторных исследований. В процессе работы модуль 2 использует алгоритмы машинного обучения, обученные на результатах предыдущих лабораторных исследований образцов керна из различных терригенных и карбонатных отложений. Модуль 2 позволяет определить характеристики горных пород по всему разрезу продуктивных отложений за счет прогнозирования для каждого образца всего набора характеристик, определяемых в процессе лабораторных исследований.

Модуль 3 оценки степени изученности пласта предназначен для оценки текущей степени изученности пласта на основе точности прогноза полученных в модуле 2 результатов прогнозирования.

Система также содержит модуль 4 оптимизации программы и объема лабораторных исследований образцов, предназначенный для корректировки программы и объема лабораторных исследований по результатам оценки текущей степени изученности пласта. Основная задача модуля 4 - автоматизированное управление циклом лабораторных исследований от разработки первичных программ и планов-графиков исследований до их постоянной оптимизации и выдачи рекомендаций на прекращение исследований. Модуль 4 позволяет спланировать лабораторные исследования в автоматическом режими, что исключает влияние человеческого фактора и ускоряет процесс лабораторных исследований.

Система оптимизации лабораторных исследований образцов дополнительно может содержать препроцессор 5 результатов лабораторных исследований, предназначенный для формирования единой согласованной базы данных лабораторных исследований из различных источников информации. Данные, поступающие в базу 1 данных, могут представлять собой набор файлов, имеющих различный формат, структуру и степень информативности или детализации результатов исследований. Например, результаты определения капиллярного давления в одном варианте могут включать пять пар значений капиллярное давление - насыщенность, а в другом варианте - семь пар. Среди других проблем качества данных можно выделить наличие большого количества пропусков в данных (когда тот или иной образец горной породы охарактеризован только частью параметров), опечатки, ошибки в форматах записи числовых значений. Для решения описанных проблем и предназначен препроцессор 5 - модуль компьютерной обработки собранных данных, который осуществляет компьютерную обработку собранных данных. Препроцессор 5 производит агрегирование данных по измерениям различного формата в единую базу данных с применением интеллектуальных алгоритмов приближенного поиска соответствий и исправления ошибок. Препроцессор 2 использует методы искусственного интеллекта для выполнения одного или нескольких действий, выбранных из группы:

- приведение собранных данных к единому формату, включающее выравнивание размерностей и единиц измерения;

- выявление с помощью методов машинного обучения аномалий данных: пропусков, выбросов, некорректных значений, фактов перекалибровки датчиков в процессе эксперимента.

Далее будет описан способ оптимизации лабораторных исследований, представленный на фиг. 2

На вход системы, представленной на фиг. 1, подается первичная программа исследований. Здесь с учетом заданных ограничений (бюджет, сроки, оборудование и пр.) происходит планирование исследований и формируются планы-графики и дорожные карты исследований, которые поступают в лабораторию для выполнения. В соответствии с блоком 6 по мере выполнения лабораторных исследований образцов горных пород, взятых из нефтегазоносного пласта, их результаты непрерывно или с определенной периодичностью поступают в базу 1 данных по исследованию пластов (база данных 1 на фиг. 1). В соответствии с одним из вариантов реализации изобретения посредством препроцессора (препроцессор 5 на фиг. 1) осуществляют препроцессинг результатов лабораторных исследований (блок 7 на фиг. 2) - формируют единую согласованную базу данных лабораторных исследований из различных источников информации (файлов). Препроцессинг также включает выгрузку и сопряжение данных из различных баз данных. Препроцессинг данных может быть выполнен с помощью поиска и анализа мнемоник в заголовках данных, семантического анализа текста в заголовках с использованием искусственных нейронных сетей и применения интерактивной обучающейся платформы, когда принятие решения о соотнесении новых данных той или иной характеристики горной породы в первый раз выполняется компетентным пользователем системы.

Одна из функций блока препроцессинга результатов лабораторных исследований 7 - приведение собранных данных к единому формату: определение единиц измерения (на основе статистических тестов соответствия распределений значений эталонным выборкам с известными единицами), выравнивание размерностей и единиц измерения (с помощью таблиц перевода известных размерностей и правил на основе обученных решающих деревьев в общем случае) и пр.

Еще одна функция блока 7 «выявление аномалий данных» использует алгоритмы машинного обучения для определения наличия в результатах лабораторных исследований аномалий, соответствующих пропускам, выбросам, некорректным значениям (например, значения, во много десятков раз превышающие физически обоснованные значения) и маркирует их в соответствии с выявленной аномалией.

Затем, согласно блоку 8, результаты лабораторных исследований поступают на вход модуля прогнозирования характеристик горных пород (модуль 2 на фиг. 1). В данном модуле формируют каскад базовых предиктивных моделей, основывающихся на алгоритмах машинного обучения (линейные регрессии, деревья решений, градиентный бустинг, метод опорных векторов, искусственные нейронные сети и пр.). Машинное обучение использует развитые статистические модели для анализа уже имеющихся данных и реализации механизма прогнозирования. Модели, основанные на различных алгоритмах машинного обучения, обучаются на предоставляемых выборочных данных, которые должны включать различные признаки, на основе которых происходит прогноз, и соответствующие им значимые данные (прогнозируемые характеристики) (см, например, Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание, Издательский дом Вильяме, 2003, стр. 369-482 или Вьюгин В. Математические основы машинного обучения и прогнозирования. - Litres, 2017, стр. 295-306).

К первой группе базовых предиктивных моделей, формирующих каскад, относятся модели, которые позволяют получить наиболее точный прогноз тех или иных характеристик пород, используя при этом только информацию о выносе керна и результаты массовых стандартных лабораторных исследований. В качестве данных стандартных исследований могут быть:

- Глубина кровли и подошвы пласта;

- Пористость (газоволюметрическим и гидростатическим методами),

- Проницаемость (абсолютная и по Клинкенбергу);

- Место взятия образца;

- Плотность образца (минералогическая и объемная);

- Цитологическое описание (упаковка зерен, литотип, цвет);

- Стратиграфия.

Посредством базовых предиктивных моделей могут быть определены такие характеристики горных пород, как:

- Остаточная водонасыщенность (центрифугированием или методом полупроницаемой мембраны);

- Удельное электрическое сопротивление (УЭС);

- Параметр пористости;

- Эффективная проницаемость (по газу, воде, керосину);

- Скорости (интервального времени) продольных и поперечных упругих волн;

- Остаточная нефте- и газонасыщенности;

- Глинистость и карбонатность;

- Удельная поверхность порового пространства;

- Пределы прочности на сжатие и растяжение;

- Угол внутреннего трения и когезия;

- Теплофизические характеристики (теплоемкость, теплопроводность, температуропроводность).

Ко второй группе предиктивных моделей, формирующих каскад, относятся модели, которые в качестве входных признаков используют не только результаты массовых стандартных лабораторных исследований, но и результаты прогноза моделей первой группы. Модели второй группы прежде всего используют для определения поправок на пластовые условия (ПУ) и позволяют предсказывать следующие характеристики в термобарических условиях:

- Остаточная водонасыщенность в ПУ;

- Удельное электрическое сопротивление (УЭС) в ПУ;

- Параметр пористости в ПУ;

- Эффективная проницаемость (по газу, воде, керосину) в ПУ;

- Скорости (интервального времени) продольных и поперечных упругих волн в ПУ;

- Остаточная нефте- и газонасыщенности в ПУ.

К третьей группе предиктивных моделей, формирующих каскад, относятся модели, которые в качестве входных признаков используют не только результаты массовых стандартных лабораторных исследований, но и результаты прогноза моделей первой и второй групп.Модели третьей группы прежде всего используют для определения многомерных характеристик пород-коллекторов, когда для каждой литологической разности необходимо предсказать не одно значение, а совокупность данных (функциональную зависимость одной характеристики от другой, распределение параметра, тензор параметра и пр.). Среди определяемых моделями третьей группы многомерных характеристик пород-коллекторов можно выделить:

- Кривая капиллярного давления (распределение пор по размеру) методом полупроницаемой мембраны;

- Кривая капиллярного давления (распределение пор по размеру) методом ртутной порометрии;

- Относительные фазовые проницаемости;

- Распределение зерен по размерам (гранулометрия);

- Распределение минералов и органического вещества (рентгеновская дифрактометрия, пироллиз).

Разнообразие предиктивных моделей определяется наличием значительного количества данных, достаточных для обучения алгоритмов машинного обучения. Еще одним требованием построения точных моделей является представительность данных. Высокая предиктивная способность моделей ограничена тем диапазоном признаков, в котором они были обучены.

Дополнительно для повышения точности прогнозирования характеристик горных пород в качестве дополнительных входных данных моделей могут быть использованы данные профильных исследований: распределения по глубине естественной радиоактивности, проницаемости, УЭС и акустических характеристик; скретч-тест; теплофизическое профилирование; ИК-спектрометрия.

В качестве дополнительных входных данных могут быть также использованы данные внутрискважинных исследований: данные внутрискважинного имиджера (FMI); данные геолого-технологических исследований (ГТИ) и данные геоинформационных систем (ГИС).

В качестве дополнительных входных данных могут быть также использованы 2D и 3D изображения пород и результаты их анализа:

- Фотографии полноразмерного керна в дневном и УФ свете;

- Изображения и описание шлифов;

- Томография полноразмерного керна;

- Микро- и нонотомография;

- Фотографии сканирующего электронного микроскопа (СЭМ).

Все спрогнозированные характеристики горных пород пополняют базу 1 данных по исследованию пласта.

Затем, в соответствии с блоком 9 на фиг. 2 посредством модуля оценки степени изученности пласта (модуль 3 на фиг. 1) оценивают текущую степень изученности пласта и значимость новых исследований для повышения текущей степени изученности на основе точности прогноза результатов различных видов исследований.

VOI (Value of Information) или «ценность информации» одно из важных свойств информации, оценка которого зависит от целей процессов ее генерации и обработки. Концепция VOI рассматривается специальными теориями информации и теорией принятия решений (см., например, Харкевич А.А., О ценности информации, Проблемы кибернетики, 1960, Вып. 4, с. 53, или Howard R. A. Information value theory, IEЕЕ Transactions on systems science and cybernetics, 1966, т. 2, №. 1, с. 22-26).

В случае достижимости цели несколькими возможными путями VOI можно определить по приносимому этой информацией сокращению затрат ресурсов (материальных, временных). Чем более информация ведет к достижению цели, чем более она полезна, тем больше VOI. Оценка VOI происходит в модуле 3 оценки степени изученности пласта (модуль 3 на фиг. 1).

В качестве VOI может быть выбрана точность прогноза характеристик горных пород модулем прогнозирования результатов лабораторных исследований (модуль 2 на фиг. 1). В качестве метрик точности прогноза могут использоваться: коэффициент детерминации (R²), среднеквадратическая ошибка прогноза (MSE); средняя абсолютная ошибка прогноза (МАЕ) и пр. В рассматриваемом варианте VOI может оцениваться для каждого типа исследований независимо. Количественное выражение VOI будет зависеть от требований к точности прогноза характеристик. Например, пусть необходимой точностью прогноза какой-либо характеристики является значение R₂² (R₂² не может быть лучше, чем для обученной модели). Тогда при достижении данного условия VOI для любого последующего измерения будет равняться нулю. В начальный момент времени значение VOI максимально - любая новая информация позволит выполнить оценку метрик точности прогноза алгоритмов, обученных на исторических данных по объектам аналогам. Т.о., VOI в начальный момент времени можно приравнять к единице при некотором начальном значении R₀². Тогда для каждого i-ого вида керновых исследований VOI на каждом шаге цикла оптимизации исследований может быть оценен как

Если для каждого образца горной породы, отобранного на текущем цикле исследований, прогноз рассматриваемой характеристики удовлетворяет критерию точности, то VOI≤0, а в новой программе исследований соответствующий вид исследований будет отсутствовать. В случае же когда VOI>0, происходит дообучение предиктивной модели из модуля прогноза результатов лаб. исследований на новых данных и выдача рекомендаций по расширению программы исследований дополнительными экспериментами по определению рассматриваемой характеристики.

В другом варианте осуществления системы в качестве VOI может быть выбран диапазон доверительного интервала. В этом случае условием равенства VOI нулю будет являться снижение диапазона доверительного интервала после цикла дообучения предиктивной модели до заданного уровня.

В еще одном варианте осуществления системы анализ значения VOI в каждом цикле оптимизации осуществляется отдельно для каждого типа пород. Типизация пород может быть выполнена в соответствии с различными критериями. Наиболее распространенная типизация основывается на литологической дифференциации горных пород. Корректировка программы исследований в данному случае также происходит независимо по каждому типу, что позволяет выполнять дополнительные исследования более точечно и эффективно.

В соответствии с блоком 10 на фиг. 2, в зависимости от текущей степени изученности пласта система оптимизации лабораторных исследований посредством модуля оптимизации программы и объема лабораторных исследований образцов (модуль 4 на фиг. 1) непрерывно контролирует и по необходимости корректирует программу и объем лабораторных исследований, а также план-график проведения работ. Планы-графики могут быть сгенерированы с учетом таких факторов, как

- Ожидаемый бюджет исследований;

- Ожидаемые сроки исследований;

- Доступные лабораторные мощности;

- Шкала приоритетов по исследованиям;

- Графики отбора и доставки керна;

- Качество керна;

- Шкала приоритетов по смежным объектам (пластам, месторождениям);

- История лабораторных исследований по объекту (если программа не первичная).

Система работает в итерационном режиме: корректировка программы и плана-графика исследований происходит циклически по мере поступления новых лабораторных данных пока не будет достигнут определенный уровень изученности пластовой системы (VOI>0). Если VOI≤0, то система выдает стоп-сигнал о прекращении исследований в виду достижения заданного уровня изученности пластовой системы. Если VOI>0, то система выполняет корректировку программы исследований с учетом значимости каждого последующего исследования. На основе сокрректированной программы формируют и новые планы-графики иссследований.

Таким образом, к основным данным, генерируемым системой при оптимизации лабораторных исследований, относятся:

- Величина VOI отдельно как каждого вида исследований и каждого типа пород;

- Скорректированная программа исследований изучаемого пласта или стоп-сигнал о прекращении исследований.

Предлагаемая система оптимизации лабораторных исследований образцов горных пород может быть реализована с помощью аппаратных и программных средств. Для аппаратной части реализации устройство должно содержать по крайней мере процессор и постоянное запоминающее устройство (ПЗУ). Для программной части реализации предлагаемый способ оценки характеристик пород может представлять собой набор функциональных модулей (функции или классы), написанных на языках программирования (например, С++, Python). Программный код может храниться в блоках памяти ПЗУ и извлекаться процессором для выполнения.

В качестве примера реализации способа оптимизации лабораторных исследований приведены результаты оптимизации лабораторных исследований следующих характеристик образцов керна ачимовских отложений одного из месторождений Западной Сибири:

- остаточная водонасыщенность (Кво),

- удельное электрическое сопротивление (УЭС),

- параметр пористости (Рп).

В качестве исходных данных, передаваемых в блок 6 по мере выполнения лабораторных исследований образцов горных пород использовались:

- вынос керна,

- кровля продуктивного пласта,

- подошва продуктивного пласта,

- открытая пористость гидростатическим методом,

- абсолютная газопроницаемость,

- глубина отбора керна,

- плотность образца керна,

- зернистость (из литоописания),

- литотип,

- пласт (возраст отложений).

Для предсказания Кво, УЭС и Рп использовалась большая база данных, включающая результаты исследований более чем 1200 образцов ачимовских отложений. Датасет содержал большое количество выбросов и пропущенных значений. Предобработка данных в блоке 7 на фиг. 2 и использование алгоритма градиентного бустинга (J. Friedman, "Greedy function approximation: A gradient boosting machine," vol. 29, pp. 1189-1232, 102001) позволили добиться высокого качества предиктивных моделей в блоке 8 на фиг. 2 Препроцессинг данных был выполнен с помощью поиска и анализа мнемоник в заголовках данных и семантического анализа текста в заголовках.

Результаты прогноза Кво, УЭС и Рп по отобранному керну из новой скважины одного из месторождений Западной Сибири приведены на фиг. 3, где 3а - зависимость экспериментальных значений Кво от предсказанных, 3б - зависимость экспериментальных значений УЭС от предсказанных, 3в - зависимость экспериментальных значений Рп от предсказанных). Значения R² для каждого из трех типов исследований без проведения специальных лабораторных исследований по новому керну были равны:

- R²=0,903 для остаточной водонасыщенности (Кво),

- R²=0,741 для удельного электрического сопротивления (УЭС),

- R²=0,879 для параметра пористости (Рп).

Для оценки VOI необходимой точностью прогноза всех трех характеристик являлось значение R₂²=0.8. Т.о., при достижении данного условия VOI для любого последующего измерения будет меньше или равно нулю. Пусть VOI в начальный момент времени равняется единице при значении R₀²=0. Тогда получим следующее выражение для оценки VOI (блок 9 на фиг. 2):

Значения VOI для последующих специальных лабораторных определений Кво, УЭС и Рп по новым керновым данным в соответствии с уравнением (2) были равны:

- VOI=-0,13 для остаточной водонасыщенности (Кво),

- VOI=0,07 для удельного электрического сопротивления (УЭС),

- VOI=-0,1 для параметра пористости (Рп).

Т.о., по новому керну рекомендуется провести лабораторные исследования только для УЭС, для которого VOI>0. Точность прогноза Кво и Рп с помощью системы оптимизации лабораторных исследований образцов горных пород достаточно высока, чтобы отказаться от их специальных лабораторных исследований.

В связи с тем, что точность прогноза УЭС также достаточно высока, но меньше заданного уровня (R₂²=0.8), было рекомендовано выполнить лабораторные исследования только 10% стандартных образцов керна из новой скважины (блок 10 на фиг. 2). Полученные результаты были использованы для дообучения прогнозной модели УЭС. После дообучения алгоритма градиентного бустинга на новых данных точность прогноза УЭС выросла до R²=0,801, а значение VOI=-0.001. На фиг. 4 представлены зависимости экспериментальных значений УЭС от предсказанных без дообучения (4а) и после дообучения на результатах экспериментального определения УЭС на 10% образцов из новой скважины (4б). Следовательно, рекомендации по дополнительным лабораторным определениям УЭС не выдавались, а процедура оптимизации лабораторных исследований прекращалась.