Геология и Геофизика Юга РоссииГеология и Геофизика Юга России2221-3198Федеральное государственное бюджетное учреждение науки Федеральный научный центр "Владикавказский научный центр Российской академии наук"142610.46698/VNC.2026.49.25.001Геофизические методыИнтеллектуальная обработка данных геофизического каротажа для оценки трещиноватости карбонатных коллекторовПанфиловИ.А.crook_80@mail.ruВодянниковВ.Т.vtvodyannikov@rgau-msha.ruПрудкийА.С.prudkiy@rgau-msha.ruЛосевА.Н.a.losev32@gmail.comМодинаМ.А.marishamodina@yandex.ruМосковский государственный технический университет им. Н.Э. Баумана, Россия, 105005, г. Москва, ул. 2-я Бауманская, 5Российский государственный аграрный университет – МСХА им. К.А. Тимирязева, Россия, 127434, г. Москва, ул. Тимирязевская, 49Государственный морской университет им. адмирала Ф.Ф. Ушакова, Россия, 353918, г. Новороссийск, пр. Ленина, 93006202628596Copyright (c) 2026 Геология и геофизика Юга России2026Геология и геофизика Юга России<p><strong>Актуальность работы.</strong> Оценка трещиноватости карбонатных коллекторов является одной из наиболее сложных задач нефтегазовой геофизики, поскольку наличие трещин существенно влияет на фильтрационно-емкостные свойства пород. Традиционные методы интерпретации геофизического каротажа не всегда обеспечивают необходимую достоверность выделения трещиноватых интервалов в условиях сложного геологического строения. <strong>Цель исследования.</strong> Разработка и оценка эффективности интеллектуальных методов обработки данных геофизического каротажа для прогнозирования трещиноватости карбонатных коллекторов. <strong>Методы исследования.</strong> Использованы данные акустического, нейтронного, плотностного и электрического каротажа, FMI-сканирования и керновых исследований. Для анализа применялись методы машинного обучения Random Forest, XGBoost, SVM и сверточные нейронные сети. Выполнены предварительная обработка данных, формирование признакового пространства и обучение моделей на размеченных выборках. <strong>Результаты.</strong> Установлено, что наибольшую эффективность при прогнозировании трещиноватости обеспечивают ансамблевые алгоритмы и комплексная обработка данных ГИС и FMI. Максимальная точность классификации достигла 92 % при использовании XGBoost. Выявлены устойчивые связи между локальной изменчивостью каротажных параметров и развитием трещинных систем. Полученные результаты подтверждают перспективность применения интеллектуальных технологий для повышения достоверности интерпретации карбонатных коллекторов.</p>carbonate reservoirsfracturingwell loggingmachine learningintelligent data processingFMIneural networksgeophysical interpretationXGBoostRandom Forestdigital geophysicspetrophysicsкарбонатные коллекторытрещиноватостьгеофизический каротажмашинное обучениеинтеллектуальная обработка данныхFMIнейронные сетиинтерпретация ГИСXGBoostRandom Forestцифровая геофизикапетрофизика1.Aljurf S., Abu-Mahfouz I.S., Chan S. Methodological workflow for assessing heterogeneity in immature organic-rich carbonate reservoirs // MethodsX. – 2026. – Vol. 16. – Art. No. 103875. DOI: 10.1016/j.mex.2026.103875.2.Almeida G.M.S., Barbosa C.H.S., Santo M.C.O.L., Landau L. A Comparison of supervised machine learning algorithms to predict porosity in carbonate reservoirs from well logs: a case study of quissama formation carbonate in the Campos Basin, Brazil // Journal of Petroleum Geology. – 2026. – Vol. 49. No. 2. – pp. 448–465. DOI: 10.1111/jpg.70036.3.Castellanos Bassoult L.A., Perez Hernandez L.A., Alcantara R., Velasquez A. Data-Driven Sw prediction and porosity typing from synthetic Vp/Vs: a feasibility approach for enhancing hydrocarbon recovery in NFRs // IPTC Summit on AI for the Energy Industry (IPTC 2026). Dubai, UAE, 2026. DOI: 10.2523/IPTC-25211-MS.4.Chinelatto G.F., Souza J.P.D.P., Basso M., Vidal A.C. The use of convolutional neural networks to predict carbonate dissolution features in acoustic borehole images: an example from brazilian pre-salt reservoirs // Earth Science Informatics. – 2026. – Vol. 19. No. 4. – Art. No. 45. DOI: 10.1007/s12145-026-02097-8.5.Deng P., Tang J., Chen Y., Yu D. Precise Characterization of fluid logging responses in complex shale reservoirs: a case study from the Hongxing Area, Eastern Sichuan Basin // Geofluids. – 2026. – Vol. 2026. No. 1. – Art. No. 1419048. DOI: 10.1155/gfl/1419048.6.Diffaa A., Al-Khalidy A.A., Aji A. Hybrid Traditional interpretation and machine learningbased log reconstruction for enhanced petrophysical evaluation of Hartha formation, of XS oil field, Central Iraq // Iraqi Geological Journal. – 2026. – Vol. 59. No. 1. – pp. 186–203. DOI: 10.46717/igj.2026.59.1C.14.7.Elbalawy M.A., Takacs E., Velledits F. From subsurface data to heat economics: A novel machine-learning seismic workflow for geothermal reservoir delineation, subsurface derisking, and 3D modelling of deep triassic carbonates // Results in Engineering. – 2026a. – Vol. 30. – Art. No. 110343. DOI: 10.1016/j.rineng.2026.110343.8.Elbalawy M.A., Eid M.H., Badawi M., Takacs E., Velledits F. From lithology prediction to geothermal energy production: Leveraging data-driven and financial insights to unlock geothermal potential of a carbonate reservoir, SE Hungary // Renewable Energy. – 2026b. – Vol. 259. – Art. No. 125031. DOI: 10.1016/j.renene.2025.125031.9.Gao Y., Wu Q., Zhao W., Zhao L., Li J. Quantitative classification of microscopic pore structure in carbonate reservoirs using multi-source data fusion and machine learning integration // Processes. – 2026. – Vol. 14. No. 9. – Art. No. 1432. DOI: 10.3390/pr14091432.10.Goncalves J.F.V., de Figueiredo J.J.S., Da Silveira J.R.B.S. et al. Vector-based and machine learning approaches for pore network parameters analysis // Geophysical Prospecting. – 2026. – Vol. 74. No. 1. – Art. No. e70117. DOI: 10.1111/1365-2478.70117.11.Hussein H.A.A., Hadi F.A., Jweeg M.J., Issa M.A., Mohammed M.M., Jasim D.J. An intensive study to determine the in situ minimum horizontal stress using well logging data // Indian Geotechnical Journal. – 2026. – Vol. 56. No. 3. – pp. 1292–1306. DOI: 10.1007/s40098025-01221-7.12.Li J., Liu H., Yan L. et al. Numerical Well Testing of Ultra-Deep Fault-controlled carbonate reservoirs: a geological model-based approach with machine learning assisted inversion // Processes. – 2026. – Vol. 14. No. 2. – Art. No. 187. DOI: 10.3390/pr14020187.13.Maciel R.S., Carneiro J.N.E., Souza A.F.F., Monteiro D., Gunnerud V. A method for inorganic scaling simulation: multiphase flow and multi-ionic brine with a mass transfer approach // Journal of the Brazilian Society of Mechanical Sciences and Engineering. – 2026. – Vol. 48. No. 5. – Art. No. 355. DOI: 10.1007/s40430-025-06290-6.14.Motaei E., Yunos K.A.B., Othman T.R.T., Ghadami N. AI-Guided ensemble modeling for optimized well test analysis to unlock exploration targets and narrow down uncertainty in volumetric assessment // Journal of Petroleum Geology. – 2026. DOI: 10.1111/jpg.70055.15.Nabipour I., Raoof A., Qajar J. Resolution-aware multiscale 3D CNNs for permeability estimation in carbonate rocks: an architecture-agnostic transfer-learning framework // Advances in Water Resources. – 2026. – Vol. 213. – Art. No. 105311. DOI: 10.1016/j.advwatres.2026.105311.16.Rahimi M., Riahi M.A. Integration of the RNN and geostatistics methods for permeability prediction: a case study from the surmeh formation, Persian Gulf // Discover Applied Sciences. – 2026. – Vol. 8. No. 4. – Art. No. 394. DOI: 10.1007/s42452-026-08350-5.17.Santana H.M., Leite E.P. 3D facies modeling of a carbonate reservoir in the Santos Basin using machine learning // Journal of Applied Geophysics. – 2026. – Vol. 245. – Art. No. 106049. DOI: 10.1016/j.jappgeo.2025.106049.18.Tahvildari S.P., Shojaei S., Masihi M. A physics-informed hybrid ML framework for pore pressure and fracture gradient prediction in carbonate reservoirs // Scientific Reports. – 2026. – Vol. 16. No. 1. – Art. No. 8925. DOI: 10.1038/s41598-026-41773-z.19.Temizel C., Tutun S., Canbaz C.H. et al. AI applications in reservoir characterization, geology, and geophysics. in: artificial intelligence in the energy industry: theory, case studies, and applications. CRC Press, 2026. – pp. 81–159. DOI: 10.1201/9781003617327-2.20.Wang L., Wang H., Wei S. et al. A Novel Quick-Win dual-branch neural operator proxy for real-time waterflood simulation in heterogeneous porous carbonate reservoirs // IPTC Summit on AI for the Energy Industry (IPTC 2026). 2026. DOI: 10.2523/IPTC-25133-MS.21.Zhang T., Yan K., Feng Z., Liu Y., Xie K., Wang F., Meng L. A 3D Permeability prediction model for multicomponent carbonate rocks: multisoft-threshold transformer-UNet // SPE Journal. – 2026. – Vol. 31. No. 4. – pp. 2489–2499. DOI: 10.2118/231860-PA.