Геология и Геофизика Юга РоссииГеология и Геофизика Юга России2221-3198Федеральное государственное бюджетное учреждение науки Федеральный научный центр "Владикавказский научный центр Российской академии наук"142510.46698/VNC.2026.38.50.001ГеофизикаИдентификация сейсмофациальных тел на основе частотно-временных атрибутов и самоорганизующихся карт КохоненаМеликовР.И.ruslan.m08@outlook.comБабаевГ.Р.babayev74@gmail.comИнститут геологии и геофизики, Министерство науки и образования Азербайджанской Республики, Республика Азербайджан, AZ1073, г. Баку, пр. Г. Джавида, 1193006202627184Copyright (c) 2026 Геология и геофизика Юга России2026Геология и геофизика Юга России<p><strong>Актуальность работы</strong> обусловлена необходимостью повышения надёжности и воспроизводимости сейсмофациальной интерпретации в сложных условиях осадконакопления, где традиционные методы, основанные преимущественно на амплитудных атрибутах и ручном подборе частотных полос, нередко оказываются недостаточно эффективными при выявлении слабовыраженных литолого-стратиграфических изменений и существенно зависят от субъективных решений интерпретатора. <strong>Целью исследования</strong> является разработка и апробация интегрированного алгоритма трёхмерной кластеризации сейсмических фаций, обеспечивающего автоматизированное выделение объёмных геологических тел на основе многополосных частотных атрибутов сейсмических данных. Методами исследования служит вейвлет-преобразование, реализованное в форме непрерывного вейвлет-преобразования, для спектрального разложения сейсмического сигнала и формирования набора частотнo-временных атрибутов, а также использования карт Кохонена для кластеризации многомерных данных с сохранением топологической структуры признакового пространства. Обученная самоорганизующаяся карта далее применяется к трёхмерному сейсмическому кубу, обеспечивая выделение сейсмофациальных тел. <strong>Результаты исследования</strong> на материалах Южно-Каспийского бассейна, показывают, что предложенный подход позволяет эффективно идентифицировать меандрирующие русловые тела, прирусловые валы и стратиграфические границы, обеспечивая построение трёхмерных фациальных моделей. В целом предложенный метод снижает интерпретационную субъективность, повышает надёжность и воспроизводимость результатов и может быть эффективно использован при решении задач коллекторской характеристики, планировании геологоразведочных работ и оценке запасов углеводородов.</p>seismic faciesseismofacial analysisgeological bodiesfrequency-time attributescontinuous wavelet transformself Kohonen self-organizing mapsunsupervised learningmachine learningсейсмофациисейсмофациальный анализгеологические телачастотно-временные атрибутынепрерывное вейвлет-преобразованиесамоорганизующиеся карты Кохоненаобучение без учителямашинное обучение1.Никулин И.И., Самсонов А.А. Нейросетевой кластерный анализ площадных геофизических данных рудоносного Хибино-Ловозёрского вулкано-плутонического комплекса (Кольский п-ов) методом самоорганизующихся карт Кохонена // Геофизические исследования. – 2021. – Т. 22. № 1. – С. 25–39. DOI: 10.21455/gr2021.1-2.2.Потехин Д.В., Галкин С.В. Применение технологии машинного обучения при моделировании распределения литотипов на пермокарбоновой залежи нефти Усинского месторождения // Записки Горного института. – 2023. – Т. 259. – С. 41–51. DOI: 10.31897/ PMI.2022.101.3.Приезжев И.И., Васильев М.А., Петренко Е.Н. Построение прогнозных карт эффективных газонасыщенных толщин по форме сейсмического сигнала на основе нейронных сетей Кохонена // Геофизика. – 2020. – № 6. – С. 49–53.4.Эзирбаев Т.Б. Нижнемеловая залежь Старогрозненского нефтегазового месторождения как объект геологического моделирования // Геология и геофизика Юга России. – 2025. – Т. 15. № 3. – С. 239–254. DOI: 10.46698/VNC.2025.27.39.001.5.Castagna J.P., Sun S., Siegfried R.W. Instantaneous spectral analysis: Detection of lowfrequency shadows associated with hydrocarbons // The Leading Edge. – 2003. – Vol. 22. No. 2. – pp. 120–127. DOI: 10.1190/1.1559038.6.Chopra S., Marfurt K.J. Seismic attributes for prospect identification and reservoir characterization. Tusla, OK, USA: Society of Exploration Geophysicists, 2007. – 464 с. DOI: 10.1190/1.9781560801900.7.Das G., Chattopadhyay M., Gupta S. A comparison of self-organising maps and principal components analysis. International // Journal of Market Research. – 2016. – Vol. 58. No. 6. – pp. 815–834. DOI: 10.2501/ijmr-2016-039.8.Interpretation of three-dimensional seismic data / Ed. A.R. Brown. – 2011. – Vol. 42. DOI: 10.1306/M4271346.9.Kaz’min V.G., Verzhbitskii E.V. Age and origin of the South Caspian Basin // Oceanology. – 2011. – Vol. 51. Issue 1. – pp. 131–140. DOI: 10.1134/s0001437011010073.10.Kazemeini S.H., Juhlin C., Zinck-Jorgensen K., Norden B. Application of the continuous wavelet transform on seismic data for mapping of channel deposits and gas detection at the CO2SINK site, Ketzin, Germany // Geophysical Prospecting. – 2008. – Vol. 57. No. 1. – pp. 111–123. DOI: 10.1111/j.1365-2478.2008.00723.x.11.Kourki M., Riahi M.A. Seismic facies analysis from pre-stack data using self-organizing maps // Journal of Geophysics and Engineering. – 2014. – Vol. 11. No. 6. – Art. No. 065005. DOI: 10.1088/1742-2132/11/6/065005.12.Malikov R., Babayev G. Applying spectral decomposition to seismic facies clustering with unsupervised machine learning // Geofizicheskiy Zhurnal. – 2025. – Vol. 47. Issue 3. DOI: 10.24028/gj.v47i3.320290.13.Nanda N.C. Seismic data interpretation and evaluation for hydrocarbon exploration and production. In: Advances in oil and gas exploration and production. Switzerland: Springer Cham, 2021. – 304 p. DOI: 10.1007/978-3-030-75301-6.14.Owusu P., Raef A., Sharaf E. Carbonate seismic facies analysis in reservoir characterization: a machine learning approach with integration of reservoir mineralogy and porosity // Geosciences. – 2025. – Vol. 15. No. 7. – Art. No. 257. DOI: 10.3390/geosciences15070257.15.Partyka G., Gridley J., Lopez J. Interpretational applications of spectral decomposition in reservoir characterization // The Leading Edge. – 1999. – Vol. 18. No. 3. – pp. 353–360. DOI: 10.1190/1.1438295.16.Posamentier H.W., Kolla V. Seismic geomorphology and stratigraphy of depositional elements in Deep-Water settings // Journal of Sedimentary Research. – 2003. – Vol. 73. No. 3. – pp. 367–388. DOI: 10.1306/111302730367.17.Roden R., Smith T., Sacrey D. Geologic pattern recognition from seismic attributes: Principal component analysis and self-organizing maps // Interpretation. – 2015. – Vol. 3. No. 4. SAE59–SAE83. DOI: 10.1190/int-2015-0037.1.18.Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead // Nature Machine Intelligence. – 2019. – Vol. 1. No. 5. – pp. 206–215. DOI: 10.1038/s42256-019-0048-x.19.Samakinde C.A., Van Bever Donker J.M., Durrheim R., Manzi M. Application of seismic stratigraphy in reservoir characterisation: a case study of the passive margin deposits of the northern Orange Basin, South Africa // Journal of Petroleum Exploration and Production Technology. – 2020. – Vol. 11. No. 1. – pp. 45–61. DOI: 10.1007/s13202-020-01050-9.20.Samuel S.A., Knapp C.C., Knapp J.H. Seismic facies classification of salt structures and sediments in the Northern gulf of Mexico using self-organizing maps // Geosciences. – 2025. – Vol. 15. No. 5. – Art. No. 183. DOI: 10.3390/geosciences15050183.21.Sinha S., Routh P.S., Anno P.D., Castagna J.P. Spectral decomposition of seismic data with continuous-wavelet transform // Geophysics. – 2005. – Vol. 70. No. 6. – pp. 19–25. DOI: 10.1190/1.2127113.22.Smith-Rouch L.S. Oligocene–Miocene Maykop/Diatom Total Petroleum System of the South Caspian Basin Province, Azerbaijan, Iran, and Turkmenistan // Bulletin. – 2006. – No. 2201. Chapter I. – 27 p. DOI: 10.3133/b2201i.23.Sukmono S., Machado V., Adelina R., Ambarsari D. Integration of 3D seismic attributes for preliminary shallow geohazard identification in deep water exploration area with no well data // First Break. – 2017. – Vol. 35. No. 8. DOI: 10.3997/1365-2397.35.8.89810.24.Von Hartmann H., Buness H., Krawczyk C.M., Schulz R. 3-D seismic analysis of a carbonate platform in the Molasse Basin – reef distribution and internal separation with seismic attributes // Tectonophysics. – 2012. – Vol. 572–573. – pp. 16–25. DOI: 10.1016/j.tecto.2012.06.033.25.Wang Y. Frequencies of the Ricker wavelet // Geophysics. – 2015. – Vol. 80. No. 2. – pp. A31–A37. DOI: 10.1190/geo2014-0441.1.26.Yetirmishli G. J., Kazimova S. E., Samedzade A. V. Integrated application of geophysical methods in the South Caspian basin (based on the Bulla-Deniz oil and gas field) // Geology and Geophysics of Russian South. – 2025. – Vol. 15. No. 2. – pp. 142–154. DOI: 10.46698/ VNC.2025.35.96.001.27.Yilmaz O. Seismic data analysis. In: Processing, Inversion, and Interpretation of Seismic Data. Tusla, OK, USA: Society of Exploration Geophysicists, 2001. – 1028 p. DOI: 10.1190/1.9781560801580.28.Zhao T., Jayaram V., Roy A., Marfurt K.J. A comparison of classification techniques for seismic facies recognition // Interpretation. – 2015. – Vol. 3. No. 4. – pp. SAE29–SAE58. DOI: 10.1190/int-2015-0044.1.29.Zhu Z., Chen X., Ren H., Tao L., Jiang J., Wang T., Cheng M., Ding S., Du R. Seismic facies analysis using the multiattribute SOM-K-Means clustering // Computational Intelligence and Neuroscience. – 2022. – pp. 1–11. DOI: 10.1155/2022/1688233.