Применение сверточных нейронных сетей для оценки качества цементирования скважин по данным акустического цементомера

1. Саетов, К. А. Автоматизация интерпретации данных акустического цементомера с использованием инструментов искусственного интеллекта / К. А. Саетов, Ш. Х. Султанов, А. А. Махмутов [и др.] // Каротажник. – 2026. – № 1 (339). – С. 84-95.
2. Свидетельство о государственной регистрации программы для ЭВМ № 2025696716 Российская Федерация. Программа автоматизированного определения качества цементирования скважин в условиях различной литологии пласта: заявл. 11.12.2025: опубл. 19.12.2025 / К. А. Саетов, А. А. Махмутов; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Уфимский государственный нефтяной технический университет».
3. Козяр, Н. В. Использование комплексного прибора на отраженных и преломленных волнах для определения технического состояния обсадной колонны скважины и затрубного пространства / Н. В. Козяр, В. В. Коробченко, В. В. Рыбаков, Т. С. Попкова, М. Л. Михеев // Каротажник. – 2021. – № 6 (312). – С. 161-168.
4. Логинова, М. Е. Способы интерпретации первичных данных для оценки качества цементирования скважин с помощью акустических методов / М. Е. Логинова // Каротажник. – 2025. – № 5 (337). – С. 164-171.
5. Fang C., Wang Z., Song X., Zhu Z., Yang D., Liu M. A novel cementing quality evaluation method based on convolutional neural network. Appl. Sci. 2022, vol. 12, P. 10997. https://doi.org/10.3390/ app122110997.
6. Методическое руководство по интерпретации данных, получаемых при контроле качества цементирования нефтегазовых скважин модулями акустического каротажа интегрального и сканирующего типа, входящими в комплексы АМК-2000М и АМК-2000СК. – Уфа: ВНИИнефтепромгеофизика, ОАО НПФ «Геофизика», 2011.
7. Мерфи, К. П. Машинное обучение: вероятностный подход / К. П. Мерфи; пер. с англ. – М.: ДМК Пресс, 2021. – 1104 с.
8. Мокшанов, М. В. Применение искусственного интеллекта в анализе данных: обзор текущего состояния и будущих направлений / М. В. Мокшанов // Universum: технические науки. – 2024. – № 5-1 (122). – С. 40-48. – DOI: 10.32743/UniTech.2024.122.5.17513.

Представленная статья посвящена актуальной научно-практической задаче автоматизации интерпретации данных акустической цементометрии с использованием современных методов машинного обучения. Повышение объективности и оперативности оценки качества цементирования обсаженных скважин является одним из важных направлений развития цифровых технологий в нефтегазовой отрасли, поскольку от достоверности интерпретации результатов геофизических исследований во многом зависят безопасность эксплуатации скважин и эффективность последующих технологических операций.
Авторами выполнен анализ существующих методов контроля качества цементирования, рассмотрены возможности акустической и гамма-гамма цементометрии, а также ультразвуковых методов диагностики. Обоснована необходимость применения интеллектуальных алгоритмов обработки данных для сокращения влияния субъективного фактора при интерпретации результатов исследований.
Научную новизну работы составляет разработка подхода, основанного на использовании интегрального показателя качества цементирования для автоматической разметки обучающей выборки, а также сравнительный анализ эффективности двух различных методов машинного обучения – сверточной нейронной сети (CNN), работающей непосредственно с изображениями фазокорреляционных диаграмм, и алгоритма Random Forest, использующего систему количественных признаков, характеризующих интенсивностные, текстурные и геометрические особенности цементного кольца.
Следует отметить, что предложенная методика отличается логичной структурой и последовательностью выполнения всех этапов исследования: подготовки данных, предварительной обработки изображений, формирования признакового пространства, обучения моделей и анализа результатов классификации. Авторы достаточно подробно описывают используемые алгоритмы, параметры обучения и критерии оценки качества моделей, что обеспечивает воспроизводимость выполненного исследования.
Практическая значимость работы заключается в возможности применения разработанного подхода при автоматизации интерпретации результатов акустической цементометрии на промысловых объектах. Полученные результаты показывают, что алгоритм Random Forest обеспечивает более высокую точность классификации по сравнению со сверточной нейронной сетью, тогда как CNN лучше сохраняет ранжирование интервалов по качеству цементирования. Такой вывод представляет практический интерес при создании интеллектуальных систем поддержки принятия решений и подтверждает перспективность совместного использования различных моделей машинного обучения.
К достоинствам статьи следует отнести хорошую структуру изложения, использование современных методов искусственного интеллекта, корректное сравнение алгоритмов по нескольким метрикам качества и ориентацию исследования на решение прикладных задач нефтегазовой отрасли.
Вместе с тем работа может быть дополнительно усилена. Представляется целесообразным увеличить объём экспериментальной выборки, включив данные нескольких месторождений с различными геолого-техническими условиями, что позволило бы более объективно оценить способность моделей к обобщению. Желательно также привести доверительные интервалы или результаты статистической проверки различий между сравниваемыми моделями.
В целом статья представляет собой завершённое научное исследование, выполненное на современном научно-методическом уровне. Полученные результаты обладают научной новизной, имеют практическую ценность и соответствуют современным тенденциям применения методов машинного обучения при обработке геофизической информации.
Статья соответствует требованиям, предъявляемым к научным публикациям, представляет интерес для специалистов в области геофизических исследований скважин, цифровых технологий и машинного обучения в нефтегазовой отрасли и может быть рекомендована к опубликованию.