ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ЗІ ЗВОРОТНИМ РОЗПОВСЮДЖЕННЯМ ПОМИЛКИ В ЗАДАЧАХ ЕЛЕКТРОМЕТРІЇ НАФТОГАЗОВИХ СВЕРДЛОВИН

ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ЗІ ЗВОРОТНИМ РОЗПОВСЮДЖЕННЯМ ПОМИЛКИ В ЗАДАЧАХ ЕЛЕКТРОМЕТРІЇ НАФТОГАЗОВИХ СВЕРДЛОВИН

Introduction. The final step of electrometry (the main method of geophysical investigation of wells) is quantitative interpretation. Such an interpretation requires solving the ill-posed inverse problem of determining the geoelectrical parameters of the stratification of layers penetrated by the wel...

Повний опис

Збережено в:
Бібліографічні деталі
Дата:2025
Автор: MYRONTSOV, M.
Формат: Стаття
Мова:English
Опубліковано: PH “Akademperiodyka” 2025
Теми:
електрометрія
нафтогазова свердловина
обернена задача
нейрона мережа
зворотне розповсюдження похибки
Онлайн доступ:https://scinn-eng.org.ua/ojs/index.php/ni/article/view/789
Теги: Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:Science and Innovation

Репозитарії

Science and Innovation
id oai:ojs2.scinn-eng.org.ua:article-789
record_format ojs
institution Science and Innovation
baseUrl_str
datestamp_date 2025-08-12T13:46:52Z
collection OJS
language English
topic електрометрія
нафтогазова свердловина
обернена задача
нейрона мережа
зворотне розповсюдження похибки
spellingShingle електрометрія
нафтогазова свердловина
обернена задача
нейрона мережа
зворотне розповсюдження похибки
MYRONTSOV, M.
ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ЗІ ЗВОРОТНИМ РОЗПОВСЮДЖЕННЯМ ПОМИЛКИ В ЗАДАЧАХ ЕЛЕКТРОМЕТРІЇ НАФТОГАЗОВИХ СВЕРДЛОВИН
topic_facet electrometry
oil and gas well
inverse problem
neural network
backpropagation of error
електрометрія
нафтогазова свердловина
обернена задача
нейрона мережа
зворотне розповсюдження похибки
format Article
author MYRONTSOV, M.
author_facet MYRONTSOV, M.
author_sort MYRONTSOV, M.
title ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ЗІ ЗВОРОТНИМ РОЗПОВСЮДЖЕННЯМ ПОМИЛКИ В ЗАДАЧАХ ЕЛЕКТРОМЕТРІЇ НАФТОГАЗОВИХ СВЕРДЛОВИН
title_short ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ЗІ ЗВОРОТНИМ РОЗПОВСЮДЖЕННЯМ ПОМИЛКИ В ЗАДАЧАХ ЕЛЕКТРОМЕТРІЇ НАФТОГАЗОВИХ СВЕРДЛОВИН
title_full ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ЗІ ЗВОРОТНИМ РОЗПОВСЮДЖЕННЯМ ПОМИЛКИ В ЗАДАЧАХ ЕЛЕКТРОМЕТРІЇ НАФТОГАЗОВИХ СВЕРДЛОВИН
title_fullStr ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ЗІ ЗВОРОТНИМ РОЗПОВСЮДЖЕННЯМ ПОМИЛКИ В ЗАДАЧАХ ЕЛЕКТРОМЕТРІЇ НАФТОГАЗОВИХ СВЕРДЛОВИН
title_full_unstemmed ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ЗІ ЗВОРОТНИМ РОЗПОВСЮДЖЕННЯМ ПОМИЛКИ В ЗАДАЧАХ ЕЛЕКТРОМЕТРІЇ НАФТОГАЗОВИХ СВЕРДЛОВИН
title_sort застосування нейронних мереж зі зворотним розповсюдженням помилки в задачах електрометрії нафтогазових свердловин
title_alt The Use of Neural Networks with Backpropagation of Error in the Problems of Oil and Gas Well Electrometry
description Introduction. The final step of electrometry (the main method of geophysical investigation of wells) is quantitative interpretation. Such an interpretation requires solving the ill-posed inverse problem of determining the geoelectrical parameters of the stratification of layers penetrated by the well.Problem Statement. The need to solve inverse mathematical problems of electrometry of oil and gas wellspresents the challenge of their instability. For electrical logging problems, there is no universal regularizationmethod for effectively solving ill-posed inverse problems; for induction logging, the development of regularizationmethods is a technically complex task.Materials and Methods. To solve the problem, various parameters and architectures of the neural networkhave been tested. A two-layer network with backpropagation of error has been selected.Purpose. To demonstrate the possibility of effectively solving the inverse problem of electrometry (for both electrical and induction logging methods) using neural networks with backpropagation of error and a simple architecture.Results. A neural network has been developed and trained (including the design of its structure and the computation of the corresponding training arrays) to determine the parameters of a three-layer formation penetratedby the well.Conclusions. It has been shown that the problem of determining the radial (along the layer for vertical wells)distribution of resistivity can be effectively solved using neural networks with backpropagation of error and a simple architecture.
publisher PH “Akademperiodyka”
publishDate 2025
url https://scinn-eng.org.ua/ojs/index.php/ni/article/view/789
work_keys_str_mv AT myrontsovm theuseofneuralnetworkswithbackpropagationoferrorintheproblemsofoilandgaswellelectrometry
AT myrontsovm zastosuvannânejronnihmerežzízvorotnimrozpovsûdžennâmpomilkivzadačahelektrometríínaftogazovihsverdlovin
AT myrontsovm useofneuralnetworkswithbackpropagationoferrorintheproblemsofoilandgaswellelectrometry
first_indexed 2025-09-24T17:19:12Z
last_indexed 2025-09-24T17:19:12Z
_version_ 1850411258313965568
spelling oai:ojs2.scinn-eng.org.ua:article-7892025-08-12T13:46:52Z The Use of Neural Networks with Backpropagation of Error in the Problems of Oil and Gas Well Electrometry ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ЗІ ЗВОРОТНИМ РОЗПОВСЮДЖЕННЯМ ПОМИЛКИ В ЗАДАЧАХ ЕЛЕКТРОМЕТРІЇ НАФТОГАЗОВИХ СВЕРДЛОВИН MYRONTSOV, M. electrometry oil and gas well inverse problem neural network backpropagation of error електрометрія нафтогазова свердловина обернена задача нейрона мережа зворотне розповсюдження похибки Introduction. The final step of electrometry (the main method of geophysical investigation of wells) is quantitative interpretation. Such an interpretation requires solving the ill-posed inverse problem of determining the geoelectrical parameters of the stratification of layers penetrated by the well.Problem Statement. The need to solve inverse mathematical problems of electrometry of oil and gas wellspresents the challenge of their instability. For electrical logging problems, there is no universal regularizationmethod for effectively solving ill-posed inverse problems; for induction logging, the development of regularizationmethods is a technically complex task.Materials and Methods. To solve the problem, various parameters and architectures of the neural networkhave been tested. A two-layer network with backpropagation of error has been selected.Purpose. To demonstrate the possibility of effectively solving the inverse problem of electrometry (for both electrical and induction logging methods) using neural networks with backpropagation of error and a simple architecture.Results. A neural network has been developed and trained (including the design of its structure and the computation of the corresponding training arrays) to determine the parameters of a three-layer formation penetratedby the well.Conclusions. It has been shown that the problem of determining the radial (along the layer for vertical wells)distribution of resistivity can be effectively solved using neural networks with backpropagation of error and a simple architecture. Вступ. Кінцевим кроком електрометрії як основного методу геофізичного дослідження свердловин є кількісна інтерпретація, яка вимагає розв’язання нестійкої оберненої задачі визначення геоелектричних параметрів нашарування пластів, розкритих свердловиною.Проблематика. Необхідність розв’язувати обернені математичні задачі електрометрії нафтогазових свердловин супроводжується проблемою їхньої нестійкості. Для задач електричного каротажу не існує універсального регуляризаційного методу ефективного розв’язання нестійких обернених задач, створення регуляризаційних методів є технічно складним завданням.Мета. Продемонструвати можливість ефективного розв’язання оберненої задачі електрометрії (як методами електричного, так й індукційного каротажу) за допомогою використання нейронних мереж зі зворотним розповсюдженням похибки простої архітектури.Матеріали й методи. Для розв’язання поставленої задачі шляхом випробовування різних параметрів та архітектури нейронної мережі було обрано двошарову мережу із зворотнім поширенням помилки.Результати. Створено та навчено нейронну мережу (із розробкою структури та обчисленням відповідних масивів її навчання) для визначення становлення параметрів тришарового пласта, розкритого свердловиною. Це дозволило встановлювати радіальні геоелектричні параметри продуктивних пластів-колекторів і визначати їхні фільтраційніхарактеристики при подальшій кількісній інтерпретації.Висновки. Показано, що задача визначення радіального (вздовж пласта для вертикальних свердловин) розподілу питомого електричного опору може бути ефективно розв’язана за використання нейронних мереж із оберненим розповсюдженням помилки простої архітектури. Створено ефективний інструмент для надання швидкої та точної відповіді на головні питання замовника геофізичних робіт: де саме і в якій кількості знаходиться корисний флюїд. PH “Akademperiodyka” 2025-08-12 Article Article Рецензована стаття Peer-reviewed article application/pdf https://scinn-eng.org.ua/ojs/index.php/ni/article/view/789 10.15407/scine21.04.078 Science and Innovation; Том 21 № 4 (2025): Science and Innovation; 78-84 Science and Innovation; Vol. 21 No. 4 (2025): Science and Innovation; 78-84 2413-4996 2409-9066 10.15407/scine21.04 en https://scinn-eng.org.ua/ojs/index.php/ni/article/view/789/276 Copyright (c) 2025 Copyright Notice Authors published in the journal “Science and Innovation” agree to the following conditions: Authors retain copyright and grant the journal the right of first publication. Authors may enter into separate, additional contractual agreements for non-exclusive distribution of the version of their work (article) published in the journal “Science and Innovation” (for example, place it in an institutional repository or publish in their book), while confirming its initial publication in the journal “Science and innovation.” Authors are allowed to place their work on the Internet (for example, in institutional repositories or on their website). https://creativecommons.org/licenses/by-nc/4.0/

Схожі ресурси