MATHEMATICAL MODEL FOR HETEROGENEOUS DATA INTEGRATION IN THE OIL AND GAS PROSPECTS ESTIMATING
DOI:
https://doi.org/10.32782/KNTU2618-0340/2021.4.2.1.23Keywords:
oil and gas prospects, integration of geospatial data, Bayesian probabilistic inference, Khukhrinskoye oil and gas condensate fieldAbstract
The main purpose of the research is to improve the accuracy and reliability of forecasting oil and gas promising zones and oil and gas objects. Cosmogeological studies are carried out to quickly assess the oil and gas content of prospecting areas at the stage preceding their introduction into exploratory drilling. Modern technologies for the use of Earth remote sensing materials in geological prospecting studies are based on integration with other geospatial data - cartographic, geological, geophysical, geochemical and others. This eliminates the subjectivity associated with the visual interpretation of satellite images. The integration of remote sensing and geological-geophysical spatial data makes it possible to automate the process of assessing the area under study and to establish its similarity with the reference areas (fields). The classification of the hypercube of remote data and geological and geophysical data allows you to determine the degree of similarity of the studied areas with the standards and rank them according to their prospects. A model for the integration of remote sensing and geological-geophysical data based on Bayesian probabilistic inference is proposed. When mapping oil and gas promising areas, the a priori and conditional probabilities of belonging of the raster elements of the data hypercube to a positive or negative standard are estimated, followed by the calculation of the posterior probability that each element belongs to a positive standard. The described model has been tested on the example of the Khukhrinsky oil and gas condensate field located in the Akhtyrsky district of the Sumy region of Ukraine. The deposit is characterized by a complex geological structure and all available heterogeneous geospatial data are included for its study. As a result of the performed integration of remote sensing and geological and geophysical data, a spatial distribution of the posterior probability was obtained, which can be interpreted as a comprehensive assessment of the oil and gas potential at the investigated area. The testing results correlate well with the previous geological forecasts.
References
Genesereth M. Data Integration: The Relational Logic Approach. Stanford: Morgan and Claypool Publishers, 2010. 110 p.
Challa S., Koks D. Bayesian and Dempster-Shafer fusion. Sadhana. 2004. Vol.29. Part 2. P.145-176.
Stathaki T. Image Fusion: Algorithms and Applications. London: Academic Press, 2008. 500 р.
Wache H., Vögele T., Visser T., Stuckenschmidt H., Schuster H., Neumann G., Hübner S. Ontology-based integration of information – a survey of existing approaches. Proceedings of the IJCAI-01 Workshop on Ontologies and Information Sharing. Seattle: American Association for Artificial Intelligence, 2001. P.108-117.
Петровский А.П Ганженко Н.С., Крупский Б.Л., Гладун В.В., Черпиль П.М., Цёха О.Г., Бодлак П.М., Облеков Г.И., Полын И.И. Новые возможности изучения особенностей геологического строения и оценки перспективности нефтегазоносных объектов на основе применения технологии комплекса геолого-геофизических данных. Геоінформатика. 2005. № 3. С.24-26.
Станкевич С.А. Титаренко О.В. Методика інтеграції дистанційних та геолого-геофізичних даних при пошуку нафти та газу. Ученые записки Таврического национального университета им. В.И. Вернадского. 2009. Т.22(61). № 1. С.105-113.
Schallehn E. Sattler K.-U., Saake G. Efficient similarity-based operations for data integration. Data & Knowledge Engineering, 2004.Vol.48. No.3. P.361-387.
Попов М.А., Станкевич С.А., Марков С.Ю., Зайцев А.В., Топольницкий М.В., Титаренко О.В. Принципы геоинформационного обеспечения задач дистанционного поиска полезных ископаемых. Инфраструктура спутниковых геоинформационных ресурсов и их интеграция. Под ред. М.А. Попова и Е.Б. Кудашева. Киев: Карбон-Сервис, 2013. С.124-142.
Davis J.C. Statistics and Data Analysis in Geology. New York: John Wiley, 2002. 656 p.
Shi C., Wang Y. Nonparametric and data-driven interpolation of subsurface soil stratigraphy from limited data using multiple point statistics. Canadian Geotechnical Journal, 2021. Vol.58. No.2. P.261-280.
Wellmann F., Caumon G. 3-D Structural geological models: Concepts, methods, and uncertainties. Advances in Geophysics. Ed. by C. Schmelzbach. Vol.59. Cambridge: Elsevier, 2018. P.1-121.
Попов М.О., Станкевич С.А., Топольницький М.В., Седлерова О.В. Підхід до інтеграції дистанційних та геолого-геофізичних даних на основі теорії свідчень Демпстера-Шейфера. Доповіді НАН України, 2015. № 4. С.94-98.
Demicco R.V. Fuzzy logic in geological sciences: a literature review. Fuzzy Logic in Geology. Ed. by R.V. Demicco and G.J. Klir. San Diego: Academic Press, 2004. P.103-120.
Хрущов Д.П., Лобасов А.П., Ковальчук М.С., Ремезова Е.А., Босевская Л.П., Кирпач Ю.В. Целевые экспертные системы геологической направленности. Геологічний журнал, 2012. № 2. С.87-99.
Li S., Chen J., Xiang J. Applications of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data. Neural Computing and Applications, 2020. Vol.32. No.7. P.2037-2053.
Sivarajah U., Kamal M.M., Irani Z., Weerakkody V. Critical analysis of Big Data challenges and analytical methods. Journal of Business Research, 2017. Vol.70. No.1. P.263-286.
MacKay D.J.C. Information Theory, Inference & Learning Algorithms. New York: Cambridge University Press, 2003. 640 p.
Станкевич С.А., Буніна А.Я., Чепурний В.С. Оцінка можливості інтеграції геолого-геофізичних та дистанційних геопросторових даних для картування рудоперспективності територій. Техногенно-екологічна безпека та цивільний захист. 2014. Вип.6. Київ: Інститут геохімії навколишнього середовища НАН України. С.53-59.
Станкевич С.А., Титаренко О.В. Методика картирования границ залежей углеводородов с использованием данных дистанционного зондирования. Аэрокосмический мониторинг объектов нефтегазового комплекса. Под ред. В.Г. Бондура. М.: Научный мир, 2012. С.425-430.
Попов М.А., Станкевич С.А., Марков С.Ю., Зайцев А.В., Кудашев Е.Б. Интеграция гетерогенной пространственной информации для решения задач поиска нефти и газа. Электронные библиотеки, 2013. Т.16. Вып.2. http://www.elbib.ru/rus/journal/2013/part2/PSMZK
Kullback S. Information Theory and Statistics: New York: Dover Publications, 1997. 432 p.
Соловьев В.О., Борисовец И.И., Васильев А.Н., Павлов С.Д., Суярко В.Г., Терещенко В.А., Фык И.М., Щербина В.Г. Геология и нефтегазоносность Украины. Харьков: Курсор, 2014. 294 с.
Гладун В.В. Перспективи нафтогазоносності Дніпровсько-Донецької газонафтоносної області. Доповіді НАН України. 2011. № 8. С.91-96.
Лукин А.Е., Довжок Е.М., Книшман А.Ш., Гончаренко В.И., Дзюбенко А.И. Гелиевая аномалия в нефтегазоносных визейских карбонатных коллекторах Днепровско-Донецкой впадины. Доповіді НАН України. 2012. № 7. С.97-104.
Фёрстер Э., Рёнц Б. Методы корреляционного и регрессионного анализа. Пер. с нем. М.: Финансы и статистика, 1983. 304 с.
