Издатель: ООО "ООО Геомодель Развитие" , Место издания: М. , Год издания: 2025

Карбонатные коллекторы содержат до половины мировых запасов углеводородов. Для них характерна высокая неоднородность фильтрационно-ёмкостных свойств, что затрудняет прогноз продуктивных зон. На примере средне- и нижнедевонского карбонатного комплекса Рубежинского прогиба (Волго-Уральская провинция) рассмотрено совместное применение амплитудной синхронной инверсии и машинного обучения для повышения точности разделения литотипов. Инверсия позволила восстановить пространственное распределение упругих параметров, а разработанная модель машинного обучения провела классификацию на основе пяти параметров: акустического (AI) и сдвигового (SI) импедансов, отношения Vp/Vs, параметров Ламе (λ, μ). Обучение модели выполнено по данным ГИС продуктивной скважины с балансировкой классов для минимизации пропусков коллекторов. Применение алгоритма "Случайный лес" в сочетании с методами коррекции дисбаланса (поиск связей Томека, случайное прореживание) повысило метрику F1-score для коллектора с 0,25 до 0,74. Результаты классификации выявили зоны разуплотнения в карбонатах, ассоциированные с трещиновато-кавернозными породами, что подтверждается снижением значений AI, SI и Vp/Vs. Предложенный подход демонстрирует эффективность многопараметрического анализа в условиях ограниченной скважинной информации.