Стаття

Аналіз сейсмічних атрибутів з використанням методів машинного навчання для прогнозування якості колекторів на родовищах осадових порід

Фахрі Махо, Енкелейда Джиналі
Анотація

Метою дослідження було оцінити ефективність аналізу сейсмічних атрибутів з використанням методів машинного навчання для прогнозування якості колекторів на кластичних та балканських нафтових родовищах. Валідаційне дослідження було проведено на основі загальнодоступних сейсмічних даних та даних про колектори в рамках проекту «Penobscot» для низки атрибутів у просторі предикторів, а також для чотирьох змінних якості колекторів. XGBoost показав найкращі результати регресії для всіх безперервних параметрів, з найвищою точністю для пористості (R2 = 0,88, середньоквадратична похибка = 0,024, середня абсолютна похибка = 0,018), за якою слідував індекс піщаності (R2 = 0,85, середньоквадратична похибка = 0,054, середня абсолютна похибка = 0,039), тоді як проникність залишилася найскладнішим для прогнозування параметром (R2 = 0,76, середньоквадратична похибка = 16,9, середня абсолютна похибка = 12,4). Класифікація фацій також продемонструвала стабільні результати: точність 0,84, прецизія 0,82, відтворюваність 0,79 та F1-показник 0,8. Розподіл прогнозованих параметрів виявив неоднорідну систему колектора, де пористість була найстабільнішим параметром, індекс піщаності демонстрував середню мінливість, а проникність – найвищий контраст. Комплексна інтерпретація прогнозованих показників дозволила розділити пласт на зони високої, середньої та низької якості з індексами 86, 64 та 38 відповідно. Отже, якість пласта в першу чергу визначається факторами, пов’язаними з потенціалом накопичення та протікання, піщаними тілами та фаціями, проте методи, доповнені технологіями машинного навчання, можуть ефективно допомогти інженерам-нафтовикам у складанні точних прогнозів щодо пластів у цих неоднорідних системах. Практична цінність дослідження полягає в можливості використання розробленого алгоритму для ефективного пошуку та визначення пріоритетності ділянок видобутку нафти й газу в родовищах за допомогою машинного навчання, зокрема в геологічно та структурно складних осадових системах

Завантажити статтю

Отримано 27.10.2025

Доопрацьовано 20.04.2026

Прийнято 29.05.2026

Опубліковано 29.06.2026

https://doi.org/10.63341/pdogf/1.2026.16
Сторінки 16-29

ЦИТУВАТИ

Maho, F., & Gjinali, E. (2026). Machine learning-enhanced seismic attribute analysis for reservoir quality prediction in clastic oil fields. Prospecting and Development of Oil and Gas Fields, 26(1), 16-29. https://doi.org/10.63341/pdogf/1.2026.16

Використані джерела

  1. Abd-Elfattah, N., Dahroug, A., El Kammar, M., & Fahmy, R. (2025). Machine learning and AVO class II workflow for hydrocarbon prospectivity in the Messinian offshore Nile Delta Egypt. Scientific Reports, 15(1), article number 3566. doi: 10.1038/s41598-025-86765-7.
  2. Al Hasan, R., Saberi, M.H., & Riahi, M.A. (2025). Seismic facies classification and TOC prediction using seismic attributes and Hjorth parameters, in the Groningen field in northeastern Netherlands. Discover Applied Sciences, 7(10), article number 1202. doi: 10.1007/s42452-025-07794-5.
  3. Alexandridis, I., Oikonomopoulos, I.K., Carvajal-Ortiz, H., Gentzis, T., Kalaitzidis, S., Georgakopoulos, A.N., & Christanis, K. (2022). Discovery of a new source-rock interval within the Pantokrator Formation, Ionian Zone, western Greece: Insights from sulfur speciation and kinetics analyses. Marine and Petroleum Geology, 145, article number 105918. doi: 10.1016/j.marpetgeo.2022.105918.
  4. Ali, M., Changxingyue, H., Wei, N., Jiang, R., Zhu, P., Hao, Z., Hussain, W., & Ashraf, U. (2024). Optimizing seismic-based reservoir property prediction: A synthetic data-driven approach using convolutional neural networks and transfer learning with real data integration. Artificial Intelligence Review, 58(1), article number 31. doi: 10.1007/s10462-024-11030-8.
  5. Arkadiusz, D., Tomasz, T., Anita, L.Ś., & Krzysztof, S. (2025). Machine learning approaches for predicting lithological and petrophysical parameters in hydrocarbon exploration: A case study from the Carpathian foredeep. Energies, 18(17), article number 4521. doi: 10.3390/en18174521.
  6. Babayeva, T., Guliyev, A., İslamzade, T., İslamzade, R., Haciyeva, X., Ashurova, N., Aliyeva, A., & Maksudov, S. (2024). Impacts of irrigation with Cd-contaminated water from Sugovushan Reservoir, Azerbaijan on total cadmium and its fractions in soils with varied textures. Eurasian Journal of Soil Science, 13(2), 145-152. doi: 10.18393/ejss.1424421.
  7. Badr, S.M., Mohamed, F.H., Mansour, A.S., & Elessawy, A.A. (2026). Machine learning integration with seismic attributes for lithofacies prediction and distribution in Abu Madi reservoir, onshore Faraskour gas field, east Nile Delta, Egypt. Journal of Petroleum Exploration and Production Technology, 16(2), article number 24. doi: 10.1007/s13202-025-02125-1.
  8. Chen, Y., Zhao, L., Pan, J., Li, C., Xu, M., Li, K., Zhang, F., & Geng, J. (2021). Deep carbonate reservoir characterisation using multi-seismic attributes via machine learning with physical constraints. Journal of Geophysics and Engineering, 18(5), 761-775. doi: 10.1093/jge/gxab049.
  9. Chenin, J., & Bedle, H. (2022). Unsupervised machine learning, multi-attribute analysis for identifying low saturation gas reservoirs within the deepwater Gulf of Mexico, and Offshore Australia. Geosciences, 12(3), article number 132. doi: 10.3390/geosciences12030132.
  10. Cristea, V.-M., Baigulbayeva, M., Ongarbayev, Y., Smailov, N., Akkazin, Y., & Ubaidulayeva, N. (2023). Prediction of oil sorption capacity on carbonized mixtures of Shungite using artificial neural networks. Processes, 11(2), article number 518. doi: 10.3390/pr11020518.
  11. El-Dabaa, S.A., Metwalli, F.I., Maher, A., & Ismail, A. (2024). Unsupervised machine learning-based multi-attributes analysis for enhancing gas channel detection and facies classification in the serpent field, offshore Nile Delta, Egypt. Geomechanics and Geophysics for Geo-Energy and Geo-Resources, 10(1), article number 185. doi: 10.1007/s40948-024-00907-1.
  12. Farfour, M., & Foster, D. (2022). Machine learning and seismic attributes for prospect identification and risking: An example from offshore Australia. In SEG international exposition and annual meeting (article number D011S011R004). Houston: OnePetro. doi: 10.1190/image2022-3752064.1.
  13. Farfour, M., Hedjam, R., Foster, D., & Gaci, S. (2025). Machine learning and seismic attributes for petroleum prospect generation and evaluation: An example from offshore Australia. Interpretation, 13(4), 805-815. doi: 10.1190/INT-2024-0177.1.
  14. Ferreira, D.J., Dias, R.M., & Lupinacci, W.M. (2021). Seismic pattern classification integrated with permeability-porosity evaluation for reservoir characterization of presalt carbonates in the Buzios Field, Brazil. Journal of Petroleum Science and Engineering, 201, article number 108441. doi: 10.1016/j.petrol.2021.108441.
  15. Fociro, A., Fociro, O., Prifti, I., Muçi, R., & Pekmezi, J. (2023). Petrography and mineralogy of the Oligocene flysch in Ionian Zone, Albania: Implications for the evolution of sediment provenance and paleoenvironment. Open Geosciences, 15(1), article number 20220442. doi: 10.1515/geo-2022-0442.
  16. Hussain, M., Shakir, U., Naseer, Z., Amjad, M.R., Arshad, F., Kamal, M., & Radwan, A.E. (2025). Integrating conventional and machine learning aproaches with seismic inversion for optimized porosity estimation in heterogeneous siliciclastic rocks. Physics and Chemistry of the Earth, Parts A/B/C, 142, article number 104248. doi: 10.1016/j.pce.2025.104248.
  17. Jia, W., Liu, D., Zhang, G., Lan, T., Sun, Z., & Hu, H. (2026). Lithology prediction based on well-log data and seismic inversion result: A machine learning approach. Journal of Applied Geophysics, 247, article number 106131. doi: 10.1016/j.jappgeo.2026.106131.
  18. Kumar, P.C., Bedle, H., Kumar, J., Goswami, T.K., & Sain, K. (2026). Seismic facies characterization: Integrated subsurface-outcrop analysis for complex depositional systems in northeast India. Artificial Intelligence in Geosciences, 7(1), article number 100196. doi: 10.1016/j.aiig.2026.100196.
  19. Li, W., Yue, D., Colombera, L., Duan, D., Long, T., Wu, S., & Liu, Y. (2023). A novel method for seismic-attribute optimization driven by forward modeling and machine learning in prediction of fluvial reservoirs. Geoenergy Science and Engineering, 227, article number 211952. doi: 10.1016/j.geoen.2023.211952.
  20. Liu, J., Lin, C., Elders, C., & Faris, A. (2026). Sandbody prediction based on fusion of seismic multi-attributes and machine learning under sedimentary facies constraint – a case study of Chenguanzhuang area in Dongying depression, Bohai Bay basin. Applied Sciences, 16(7), article number 3341. doi: 10.3390/app16073341.
  21. Murtaza, G., Ali, N., Hussain, W., Iqbal, S.M., Azhar, M.U., Ahmad, T., Iltaf, K., & Ahmed, A. (2025). Integrating petrophysical, seismic and rock physics analyses for precise reservoir characterization. Earth Systems and Environment, 9(3), 2165-2187. doi: 10.1007/s41748-025-00654-7.
  22. Narayan, S., Sahoo, S.D., Kar, S., Pal, S.K., & Kangsabanik, S. (2024). Improved reservoir characterization by means of supervised machine learning and model-based seismic impedance inversion in the Penobscot field, Scotian Basin. Energy Geoscience, 5(2), article number 100180. doi: 10.1016/j.engeos.2023.100180.
  23. Oitseva, T. (2024). Geological structure and mineralogical composition of the Kara-Ayak rare metal ore occurrence (East Kazakhstan). In International multidisciplinary scientific geoconference surveying geology and mining ecology management SGEM 2024 (pp. 71-78). Vienna: SGEM. doi: 10.5593/sgem2024/1.1/s01.10.
  24. Olutoki, J.O., Elsaadany, M., Siddiqui, N.A., Haque, A.E., Ali, S.H., Rashid, A., & Akinyemi, O.D. (2024). Estimating petrophysical properties using geostatistical inversion and data-driven extreme gradient boosting: A case study of late eocene McKee formation, Taranaki Basin, new Zealand. Results in Engineering, 24, article number 103494. doi: 10.1016/j.rineng.2024.103494.
  25. Owusu, P., Raef, A., & Sharaf, E. (2025). Carbonate seismic facies analysis in reservoir characterization: A machine learning approach with integration of reservoir mineralogy and porosity. Geosciences, 15(7), article number 257. doi: 10.3390/geosciences15070257.
  26. Pradhan, A., & Mukerji, T. (2022). Consistency and prior falsification of training data in seismic deep learning: Application to offshore deltaic reservoir characterization. Geophysics, 87(3), 45-61. doi: 10.1190/geo2021-0568.1.
  27. Rahma Putra, M.H., Hermana, M., Yogi, I.B., Hossain, T.M., Abdurrachman, M.F., & Kadir, S.J. (2024). Reservoir porosity assessment and anomaly identification from seismic attributes using Gaussian process machine learning. Earth Science Informatics, 17(2), 1315-1327. doi: 10.1007/s12145-024-01240-7.
  28. Reda, M., El-Gendy, N.H., Raef, A., Elmashaly, M.M., AlArifi, N., & Barakat, M.K. (2024). Advancing neogene-quaternary reservoir characterization in offshore Nile Delta, Egypt: high-resolution seismic insights and 3D modeling for new prospect identification. Environmental Earth Sciences, 83(20), article number 581. doi: 10.1007/s12665-024-11846-1.
  29. Ren, K., Li, W., Zhao, L., Wang, W., Wang, J., Wang, H., Li, Y., Qu, L., & Yue, D. (2026). Seismic-attribute optimization for improving reservoir prediction integrating the spectral decomposition and automated machine learning. Journal of Applied Geophysics, 248, article number 106167. doi: 10.1016/j.jappgeo.2026.106167.
  30. Ren, T.F., Feng, Z.B., Zhang, Y., Zhang, X., Jiang, L., Ning, Y.L., Wang, J., Ding, J., & Qi, Z.S. (2025). A seismic multi-attribute sandbody identification method based on the LightGBM-RFECV coupling algorithm. Applied Geophysics, 22(3), 757-769. doi: 10.1007/s11770-025-1292-y.
  31. Riyadi, Z.A., Olutoki, J.O., Hermana, M., Latif, A.H., Yogi, I.B., & Kadir, S.J. (2024). Machine learning prediction of permeability distribution in the X field Malay Basin using elastic properties. Results in Engineering, 24, article number 103421. doi: 10.1016/j.rineng.2024.103421.
  32. Shevko, V.M., Zharmenov, A.A., Aitkulov, D.K., & Terlikbaeva, A.Z. (2021). Complex processing of oxidized copper and zinc oxide ores with simultaneous production of several products. Physicochemical Problems of Mineral Processing, 57(1), 226-249. doi: 10.37190/ppmp/131091.
  33. Soto, J.I., et al. (2024). Contrasting styles of salt‐tectonic processes in the Ionian Zone (Greece and Albania): Integrating surface geology, subsurface data, and experimental models. Tectonics, 43(1), article number e2023TC008104. doi: 10.1029/2023TC008104.
  34. Wang, J., Guan, D., Huang, X., He, Y., Li, H., Xu, W., Liu, R., & Feng, B. (2025). Integrated SOM multi-attribute optimization and seismic waveform inversion for thin sand body characterization: A case study of the paleogene lower E3d2 sub-member in the HHK depression, Bohai Bay basin. Applied Sciences, 15(9), article number 5134. doi: 10.3390/app15095134.