Геология и Геофизика Юга РоссииГеология и Геофизика Юга России2221-3198Федеральное государственное бюджетное учреждение науки Федеральный научный центр "Владикавказский научный центр Российской академии наук"144010.46698/VNC.2026.90.55.001ГеоинформатикаИспользование нейросетевых алгоритмов для прогноза коллекторских свойств нефтегазоносных пород по геофизическим данным скважинКукарцевВ.В.vlad_saa_2000@mail.ruПотаповБ.В.potapov@rgau-msha.ruПчелкинВ.В.9766793@mail.ruВахрушеваИ.А.vakhrusheva@rgau-msha.ruМатасоваИ.Ю.semigorie@mail.ruМосковский государственный технический университет им. Н.Э. Баумана, Россия, 105005, г. Москва, ул. 2-я Бауманская, 5; Российский государственный аграрный университет – МСХА им. К.А. Тимирязева, Россия, 127434, г. Москва, ул. Тимирязевская, 49Российский 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, 9300620262256267Copyright (c) 2026 Геология и геофизика Юга России2026Геология и геофизика Юга России<p><strong>Актуальность работы.</strong> Рост объемов аэрогеофизических данных и сложность геологического строения Северного Кавказа требуют разработки эффективных методов автоматизированной интерпретации магнитного поля. Традиционные подходы к анализу магнитных аномалий отличаются высокой трудоемкостью и значительной зависимостью от экспертной оценки. <strong>Цель исследования.</strong> Оценка эффективности методов машинного обучения для автоматизированной классификации магнитных аномалий Северного Кавказа по данным аэрогеофизической съемки. <strong>Методы исследования.</strong> Использованы данные аэромагнитной съемки различных масштабов, прошедшие предварительную обработку, включающую фильтрацию шумов, редукцию к полюсу и расчет производных магнитного поля. Для классификации аномалий применялись алгоритмы Support Vector Machine, Random Forest и сверточные нейронные сети. Качество моделей оценивалось по метрикам Accuracy, Precision, Recall и F1-score. <strong>Результаты.</strong> Установлено, что наибольшую эффективность демонстрируют сверточные нейронные сети, обеспечивающие точность классификации до 93 %. Выделенные магнитные аномалии хорошо согласуются с известными глубинными разломами, тектоническими нарушениями и магматическими образованиями Северного Кавказа. Дополнительно выявлены зоны магнитной контрастности, потенциально связанные со скрытыми структурными элементами. Полученные результаты подтверждают перспективность использования методов машинного обучения для автоматизации интерпретации аэрогеофизических данных и повышения достоверности региональных геофизических исследований.</p>neural networksmachine learningwell loggingreservoir propertiesporositypermeabilitygeophysicslog interpretationoil and gas bearing rocksartificial intelligenceнейронные сетимашинное обучениегеофизические исследования скважинколлекторские свойствапористостьпроницаемостьгеофизикаинтерпретация ГИСнефтегазоносные породыискусственный интеллект1.Alagoz E., Dundar E.C., Tangirala S., Oskay M.M., Canbaz C.H., Saputelli L., Sari M.M., Tutun S., Temizel C. AI applications in unconventionals. In: Artificial Intelligence in the Energy Industry: Theory, Case Studies, and Applications. CRC Press, 2026. – pp. 478–557. DOI: 10.1201/9781003617327-8.2.Anifowose F., Badawood S. Improved reservoir rock porosity prediction from advanced mud gas data // International Petroleum Technology Conference (IPTC 2024). – 2024. DOI: 10.2523/IPTC-23110-EA.3.Dang T., Xu T., Liu S., Yan S., Wang J., Wang R. Gas-bearing prediction of tight clastic rock reservoirs based on random forest-modern temporal convolutional network // Geophysics. – 2025. – Vol. 90. No. 2. – pp. M1–M14. DOI: 10.1190/geo2024-0352.1.4.Fan H., Zhao X., Liang X., Miao Q., Jin Y., Wang X. Semi-supervised learning–based petrophysical facies division and “sweet spot” identification of low-permeability sandstone reservoir // Frontiers in Earth Science. – 2022. – Vol. 9. – Art. No. 805342. DOI: 10.3389/ feart.2021.805342.5.Fan L.-Y., Wu J.-P., Guo K., Sheng S.-B., Cheng X.-D., Tai U.-M., Li Y., Ran H.-J., Li X.-N., Li Y.-G. Fine prediction and characterization of lithology-reservoir-fluid in Southeastern Margin slope belt of the Pre-Caspian Basin. In: Springer Series in Geomechanics and Geoengineering. Springer, 2024. – pp. 134–152. DOI: 10.1007/978-981-97-0468-2_12.6.Gao S., Xu M., Zhao L., Chen Y., Geng J. Seismic predictions of fluids via supervised deep learning: Incorporating various class-rebalance strategies // Geophysics. – 2023. – Vol. 88. No 4. – pp. M185–M200. DOI: 10.1190/geo2022-0363.1.7.Ghiasi-Freez J., Kadkhodaie-Ilkhchi A., Ziaii M. Improving the accuracy of flow units prediction through two committee machine models: An example from the South Pars Gas Field, Persian Gulf Basin, Iran // Computers and Geosciences. – 2012. – Vol. 46. – pp. 10–23. DOI: 10.1016/j.cageo.2012.04.006.8.Guliyev H.H., Aghayev K.B., Hasanova G.H. Determining the elastic moduli of the third order for sedimentary rocks based on well-logging data // Izvestiya, Physics of the Solid Earth. – 2016. – Vol. 52. No. 6. – pp. 836–843. DOI: 10.1134/S1069351316050062.9.Ismail A., Ewida H.F., Nazeri S., Al-Ibiary M.G., Zollo A. Gas channels and chimneys prediction using artificial neural networks and multi-seismic attributes, offshore West Nile Delta, Egypt // Journal of Petroleum Science and Engineering. – 2022. – Vol. 208. – Art. No. 109349. DOI: 10.1016/j.petrol.2021.109349.10.Khatibi S., Aghajanpour A. Machine learning: A useful tool in geomechanical studies, a case study from an offshore gas field // Energies. – 2020. – Vol. 13. No. 14. – Art. No. 3528. DOI: 10.3390/en13143528.11.Kurtyi V.O., Verpakhovska O.O. Use of neural networks for studying nontraditional hydrocarbon reservoirs (an example of Visean black shales of the Dnipro-Donets Basin) // Geophysical Journal. – 2025. – Vol. 47. No. 6. – pp. 26–38. DOI: 10.24028/gj.v47i6.341701.12.Lashin A., El Din S.S. Reservoir parameters determination using artificial neural networks: Ras Fanar field, Gulf of Suez, Egypt // Arabian Journal of Geosciences. – 2013. – Vol. 6. No. 8. – pp. 2789–2806. DOI: 10.1007/s12517-012-0541-6.13.Lehman L.V., Jackson K., Noblett B. Big Data Yields Completion optimization: using drilling data to optimize completion efficiency in a low permeability formation // SPE Annual Technical Conference Proceedings. – 2016. DOI: 10.2118/181273-MS.14.Lis-Sledziona A., Kaczmarczyk-Kuszpit W. A technique of hydrocarbon potential evaluation in low resistivity gas-saturated mudstone horizons in miocene deposits, South Poland // Energies. – 2022. – Vol. 15. No. 5. – Art. No. 1890. DOI: 10.3390/en15051890.15.Luo G., An X., Yao W., Zou Y. Application status and development trends of artificial intelligence in logging interpretation for unconventional oil and gas reservoirs // Petroleum Science Bulletin. – 2025. – Vol. 10. No. 5. – pp. 908–925. DOI: 10.3969/j.issn.2096-1693.2025.01.022.16.Mohamed I.A., El-Mowafy H.Z., Kamel D., Heikal M. Prestack seismic inversion versus neural-network analysis: A case study in the Scarab field offshore Nile Delta, Egypt // Leading Edge. – 2014. – Vol. 33. No. 5. – pp. 498–506. DOI: 10.1190/tle33050498.1.17.Niu Y., Zhao J., Zhong J., Wang M., Xu Z., Cheng M. Identification of the bioturbated carbonate reservoir and their porosity prediction based on conventional well logging data using artificial neural networks // Geological Review. – 2021. – Vol. 67. No. 6. – pp. 1898–1909. DOI: 10.16509/j.georeview.2021.08.061.18.Saneifar M., Heidari Z. Permeability assessment in carbonate formations using conventional well logs required for prediction of acid fracture conductivity // In: Conference: SPWLA 54th Annual Logging Symposium. 2013.19.Wang J., Zhou Y., Huang M. Extracting rock information based on integrated convolutional neural network and image processing technology // In: 42nd Asian Conference on Remote Sensing (ACRS 2021). – 2021.20.Wang Z., Jin S.-T., Li Q., Lin Y.-P. Recognition of subsalt carbonate reefs and shoals in the central block of the Pre-Caspian Basin. In: Springer Series in Geomechanics and Geoengineering. Springer, 2022. – pp. 2988–2996. DOI: 10.1007/978-981-19-2149-0_278.21.Zhang Y., Yang H. Direct inversion of 3D seismic reservoir parameters based on dual learning networks // Petroleum Science. – 2025. – Vol. 22. No. 10. – pp. 4037–4051. DOI: 10.1016/j.petsci.2025.05.027.