Для прогноза параметров продуктивности изучаемого слоя мы предлагаем использование глубоких нейронных сетей (Deep Neural Network) с гибридным обучением на основе комбинации генетических алгоритмов и управляемого градиентного метода. Глубокие нейронные сети позволяют эффективно использовать комплексные данные различного масштаба, различной точности и большого объема (скважинные исследования, сейсморазведка, наземные исследования, аэрокосмические сьемки) для прогноза эффективных параметров нефтегазовой продуктивности. Кроме этого мы предлагаем использовать несколько специальных приемов (now haw) для такого прогноза, связанных с использованием пространственного распределения исходных данных (распределение сейсмического поля вокруг точки прогноза) и учета многофакторной природы данных добычи. Исходя из нашего опыта, использование таких приемов существенно повышает качество прогноза. Основная идея предлагаемой технологии заключается в применении комбинации стохастического и детерминистического подходов в процессе построения оператора на стадии обучения. Этот оператор может быть использован для прогнозирования различных переменных в пространственной и / или временных координат, когда их детерминистический характер неизвестен или невозможно применять прямую инверсию. Предполагается, что существует возможность прогнозирования некоторых переменных с применением других (вычисленных) установленных переменных и как следствие - существующей неизвестной нелинейной зависимости.