авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:   || 2 | 3 |
-- [ Страница 1 ] --

Открытое акционерное общество

Научно-производственная фирма «Геофизика»

На правах рукописи

ШАЙБАКОВ РАВИЛЬ АРТУРОВИЧ

ОБОСНОВАНИЕ КОМПЛЕКСНОЙ МЕТОДИКИ ИДЕНТИФИКАЦИИ

ТРЕХМЕРНЫХ ГЕОЛОГИЧЕСКИХ ОБЪЕКТОВ

25.00.12 – Геология, поиски и разведка нефтяных и газовых месторождений

Диссертация на соискание ученой степени

кандидата геолого-минералогических наук

Научный руководитель:

Доктор технических наук, доцент Султанов Ш.Х.

Уфа – 2014 2 СОДЕРЖАНИЕ ВВЕДЕНИЕ.......................................................................................................... ГЛАВА 1. Анализ существующих методов автокорреляции разрезов скважин и алгоритмов автовыделения пластов................................................ 1.1. Описание проблемы........................................................................... 1.2. Обзор и анализ существующих методов и подходов к автокорреляции.......................................................................................... 1.2.1. Системный подход к выделению объектов............................. 1.2.2. Метод, основанный на принципе триангуляционных сетей...................................................................................................... 1.2.3. Метод, учитывающий «генетический признак»..................... 1.2.4. Подход, основанный на DTW-анализе.................................... 1.2.5. Подход, основанный на анализе Фурье................................... 1.2.6. Применение вейвлет-анализа при автокорреляции................ 1.2.7. Метод, основанный на системе правил................................... 1.2.8. Подход, основанный на применении искусственных нейронных сетей.................................................................................. 1.3. Обзор и анализ существующих программных комплексов............ 1.4. Определение основных направлений исследований....................... Выводы по главе 1..................................................................................... ГЛАВА 2. Разработка методики комплексной автоматизации процесса идентификации трехмерных геологических объектов.

.................................... 2.1. Выделение и автокорреляция пластов на основе теории нейронных сетей........................................................................................ 2.1.1. Основы теории искусственных нейронных сетей.................. 2.1.2. Выбор и предварительная обработка исходных данных....... 2.1.3. Реализация процесса выделения и автокорреляции пластов с применением искусственной нейронной сети............................... 2.2. Выделение и корреляция песчаных тел в разрезе скважин с применением bar-кодов............................................................................. 2.3. Использование фациального анализа для корреляции песчаных тел................................................................................................................ 2.3.1. Корреляция с использованием нейросети с обучением «с учителем»...................................................................................... 2.3.2. Корреляция с использованием нейросети с обучением «без учителя»....................................................................................... 2.4. Построение структурного каркаса.................................................... 2.5. Прикладное применение разработанной комплексной методики..................................................................................................... 2.5.1. Оценка степени гидродинамической связанности песчаных тел внутри пласта как путей фильтрации.......................................... 2.5.2. Автоматический подбор геолого-технических мероприятий......................................................................................... Выводы по главе 2…................................................................................. ГЛАВА 3. Формализация методики идентификации трехмерных геологических объектов...................................................................................... 3.1. Формализация процесса идентификации трехмерных геологических объектов........................................................................... 3.1.1. Выделение границ пластов....................................................... 3.1.2. Корреляция пластов................................................................... 3.1.3. Выделение песчаных тел в пластах......................................... 3.1.4. Корреляция песчаных тел......................................................... 3.1.5. Построение структурного каркаса........................................... 3.2. Описание программного обеспечения.............................................. Выводы по главе 3….............................................................................. ГЛАВА 4. Практическое применение комплексной методики идентификации трехмерных геологических объектов..................................... 4.1. Описание месторождения.................................................................. 4.1.1. Геологическое строение............................................................ 4.1.2. Состояние геолого-физической изученности......................... 4.2. Проведение автоматической идентификации песчаных тел.......... Выводы по главе 4.....................................................................................

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ.............................................. СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ......................................... Приложение А. Акт внедрения........................................................................... Приложение Б. Инструкция................................................................................ Приложение В. Приказ о внедрении инструкции............................................. ВВЕДЕНИЕ Актуальность темы В настоящее время в сфере нефтедобычи «неавтоматизированными» или «низко автоматизированными» остаются нетривиальные задачи, которые сложно формализовать, и в процессе их решения часто получают неоднозначный результат. Одной из таких задач является процесс идентификации геологических объектов (пластов и горизонтов), под которым понимается расчленение разреза скважин на отдельные пласты и пропластки, корреляция выделенных горизонтов по скважинам с последующим построением единой согласованной структурной модели (каркаса) месторождения.

Процесс идентификации геологических пластов является основополагающей стадией геологического моделирования, и в свете повсеместного внедрения компьютерных технологий необходимо решать задачу оперативной корреляции разрезов скважин с использованием новых или совершенствованных, а также комплексных методик выделения стратиграфических отдельностей. Кроме того, только корректная идентификация пластов как путей фильтрации углеводородов в разрезе скважин позволит более эффективно вести выработку запасов нефти и газа.

В современных условиях при бурении и исследовании скважин получают значительный и «разнородный» объем геологической и геофизической информации, которая при ее интерпретации еще больше увеличивается в связи появлением не только конечных результатов, но и, например, их погрешностей.

В таком случае, сложность процесса идентификации геологических объектов заключается в необходимости использования большого объема исходных данных для анализа, неоднозначности и спорности результатов, высокой степени геологической изменчивости на сложнопостроенных месторождениях, рутинности и ресурсоемкости процесса.

Существующие сегодня методические подходы, алгоритмы и программные комплексы, позволяющие оперативно выполнять определенные этапы процесса идентификации геологических объектов, имеют некоторые недостатки, в том числе ограничены степенью детальности выделяемых пропластков, условиями применения и использования исходных данных. При этом методики и модели, позволяющие проводить полный комплекс работ процесса идентификации трехмерных геологических объектов, отсутствуют либо обладают большим количеством недостатков и допущений, вследствие чего их применение ограничено.

В связи с этим разработка комплексной методики идентификации трехмерных геологических объектов, основанной на использовании расширенного набора исходных геологических данных, разносторонних математических подходов, является актуальной научной задачей.

Цель диссертационной работы Обоснование комплексной методики идентификации трехмерных геологических объектов в разрезе скважин до уровня песчаных тел (фаций) как путей фильтрации углеводородов, включающей автоматическое выделение и детальную корреляцию пластов и пропластков в разрезе скважин с последующим построением единой согласованной структурной модели месторождения.

Объект исследования Нефтегазовые месторождения Западной Сибири.

Предмет исследования Неоднородные и расчлененные продуктивные пласты.

Основные задачи

исследования 1. Определение задачи детальной автокорреляции разрезов скважин как основного этапа процесса идентификации геологических объектов.

2. Разработка комплексной методики идентификации трехмерных геологических объектов до уровня песчаных тел как путей фильтрации углеводородов.

3. Формализация этапов реализации методики и разработка программного модуля для идентификации трехмерных геологических объектов в разрезе скважин.

4. Апробация разработанной комплексной методики на месторождениях Западно-Сибирского осадочного бассейна.

5. Выделение качественных и количественных признаков, оказывающих влияние на эффективность и корректность выделения стратиграфических зон, в рамках разработанной и формализованной методики идентификации трехмерных геологических объектов.

Методы исследования Поставленные задачи решались с использованием методов, основанных на положениях статистики, системного анализа, анализа и визуализации информации, структурного и объектно-ориентированного программирования, аппарата нейронных сетей. Для решения отдельных задач привлечены методы распознавания образов, статистического анализа, а также методы, основанные на геологических закономерностях.

Научная новизна 1. Предложена методика для идентификации трехмерных геологических объектов в разрезе скважин, основанная на учете максимального количества геологических исходных данных (материалы ГИС, сейсмические тренды и атрибуты, данные геолого-промысловых исследований) и реализованная с помощью комплексного математического аппарата, включающего искусственные нейронные сети.

2. Разработана комплексная математическая модель, позволяющая автоматизировать процесс идентификации трехмерных геологических объектов Основные защищаемые научные положения 1. Комплексная методика идентификации трехмерных геологических объектов, учитывающая расширенный набор геологических данных и позволяющая прогнозировать распространение отдельных фаций с построением единого структурного каркаса месторождения.

2. Формализованный алгоритм решения задачи идентификации трехмерных геологических объектов до уровня песчаных тел с использованием интеллектуальных методов обработки геолого-геофизической информации, который позволяет проводить детальное расчленение разреза осадочных пород и автоматизирует процесс межскважинной корреляции.

Теоретическая значимость работы заключается в обосновании возможности комплексирования в единую систему различных математических подходов и алгоритмов с целью прогнозирования распространения отдельных литофаций в пределах стратиграфического комплекса ранга «горизонт».

Достоверность научных положений, выводов и рекомендаций обеспечивается выполнением экспериментальных математических исследований с использованием первичных данных и широким внедрением на предприятиях.

Практическая значимость и реализация результатов работы Методики, модели и программные модули, разработанные в процессе решения поставленных задач, нашли практическое применение при:

- выделении одновозрастных слоев на месторождениях Западной Сибири с учетом обстановки осадконакопления и характера слагающих пород;

- выполнении подсчета запасов нефти и газа реальных нефтегазовых месторождений на этапе построения согласованной структурной модели месторождения с последующей успешной экспертизой проектов на научно технических советах нефтегазовых компаний и государственной комиссии по запасам.

Результаты диссертационной работы успешно используются в текущей проектной и производственной деятельности ООО «УНК-Пермь», ООО «РН УфаНИПИнефть», ООО «РН-Пурнефтегаз», ГАНУ «Институт нефтегазовых технологий и новых материалов», ООО «НТЦ Геопроект», а также в учебном процессе Уфимского государственного нефтяного технического университета на кафедре «Геология и разведка нефтяных и газовых месторождений».

Личный вклад автора состоит в постановке задач, их решении;

выработке и комплексировании математических методик с целью разработки универсальных инструментов идентификации трехмерных геологических объектов;

в проведении аналитических и экспериментальных исследований, обобщении их результатов, внедрении разработанной методики.

Апробация работы Основные положения диссертации докладывались и обсуждались на:

60-ой и 61-ой научно-технических конференциях студентов, аспирантов и молодых ученых УГНТУ (г. Уфа, 2009 и 2010 гг.);

Международной научной конференции «Технические науки: традиции и инновации» (г. Челябинск, 2012 г.);

IX Всероссийской научно-технической конференции «Актуальные проблемы развития нефтегазового комплекса России» (г. Москва, 2012 г.);

V научно-практической конференции «Математическое моделирование и компьютерные технологии в процессах разработки месторождений» (г. Уфа, 2012 г.);

Основные положения и этапы работы обсуждалась на семинарах кафедры «Геология и разведка нефтяных и газовых месторождений» Уфимского государственного нефтяного технического университета.

Публикации Основное содержание диссертации опубликовано в 12 печатных трудах, из которых в рецензируемых изданиях, входящих в перечень ВАК Минобразования и науки РФ.

Структура и объем диссертации Диссертация состоит из введения, четырех глав, основных выводов, списка использованных источников из 95 наименований;

содержит страниц, в том числе 74 рисунка, 5 таблиц и 3 приложения.

Разработка, апробация и внедрение методик и алгоритмов, представленных в диссертации, были бы невозможны без консультаций, помощи и критических замечаний со стороны ученых и производственников К.В. Абабкова, А.А. Яковлева, М.А. Фокина, Е.В. Симона и многих других, которым автор выражает свою благодарность.

Автор выражает искреннюю благодарность и особую признательность научному руководителю работы Ш.Х. Султанову за неоценимую помощь и поддержку при работе над диссертацией.

ГЛАВА 1. Анализ существующих методов автокорреляции разрезов скважин и алгоритмов автовыделения пластов 1.1. Описание проблемы Рост добычи нефти в России в последние годы в большинстве своем происходил в связи со вводом в разработку месторождений, разведанных еще во времена СССР. По причине малого финансирования геологоразведки в России после развала СССР фонд новых разведанных месторождений нефти и газа, которые можно было бы ввести в разработку, практически исчерпан.

С учетом вышесказанного, в условиях конкурентной борьбы за прибыль от продажи нефти, газа и их производных, компаниям приходится максимально вырабатывать запасы имеющихся месторождений.

Так же необходимо отметить, что максимальная выработка запасов может быть достигнута лишь при корректной разработке залежей и пластов, что в свою очередь, требует проведения постоянного, оперативного, глубокого анализа и мониторинга параметров разработки и геологического строения продуктивных горизонтов.

В совокупности с вышесказанным, необходимость корректной разработки месторождений требует постоянного проведения большого количества ресурсоемких (временные и трудовые ресурсы), а главное рутинных анализов. Только при выполнении данных требований есть возможность принять правильные и эффективные пути решения задач, стоящих перед разработкой месторождений.

Именно от скорости, степени корректности и эффективности принятых решений в основном зависит конкурентное преимущество. Поэтому проблема автоматизации процессов проектирования и разработки, включенных в разработку месторождений, в настоящий момент весьма актуальна.

На данный момент развитие науки в сфере нефтедобычи привело к тому, что решение большинства задач, стоящих перед специалистами нефтедобывающих компаний, уже полностью или частично автоматизировано.

Не охваченными или частично охваченными автоматизацией остались лишь нетривиальные и нестандартные задачи, решение которых требует более глубокого анализа, при этом получаемый результат во многом неоднозначен и зависит от степени квалификации, опыта и знаний специалиста. К таким задачам относится и задача автоматизации процесса детальной корреляции разрезов скважин как основной стадии идентификации трехмерных геологических тел.

Данная проблема поднималась, рассматривалась и изучалась в трудах таких ученых и специалистов, как В.В. Бакина, К.С. Баймухаметов, И.Ю. Балабан, Р.А. Валлиулин, Г.Н. Гогоненков, Ш.А. Губерман, И.С. Гутман, Е.Е. Калинина, Е.В. Ковалевский, В.Е. Копылов, Г.П. Кузнецова, Н.Н. Лисовский, Е.В.Лозин, Р.Х. Масагутов, О.Р. Мусин, М.И. Овчинникова, В.М. Омелин, Б.М. Орлинский, В.Ф.Осипов, Н.Б. Паклин, М.В. Перепечкин, В.И. Славин, М.А. Сенилов, В.М. Староверов, И.П. Суматохина, В.А. Тененев, М.А. Токарев, В.Ф. Химич, Н.И. Хисамутдинов, Б.А. Якимович, В.А. Бадьянов, Jong-Se Lim, Li Nan, Li Yan-Da & Chang Tong и др.

Корреляция разрезов скважин является неотъемлемой и основополагающей стадией процесса геологического моделирования и в свете повсеместного внедрения компьютерных технологий необходимо решать задачу автоматизации всех стадий этого процесса, включая корреляцию. Кроме того, проведение детальной корреляции на сложных месторождениях решает сразу несколько важных задач: позволяет проследить распространение песчаных тел;

уточнить карты продуктивных толщин;

избавиться от наклонных уровней водонефтяного контакта (ВНК);

уточнить структурную модель месторождения;

проанализировать особенности осадконакопления на площади исследований;

скорректировать систему разработки месторождения;

выделить наиболее «работающие» пропластки с целью повышения эффективности проведения ГТМ.

Сложность проведения детальной корреляции состоит в необходимости использования большого объема исходных данных для анализа, неоднозначности и спорности результатов, высокой степени геологической изменчивости при сложнопостроенных месторождениях, рутинности и ресурсоемкости процесса.

В настоящее время существует множество различных алгоритмов и программных пакетов, осуществляющих автокорреляцию, основанных на тех или иных математических аппаратах.

В данной главе разберем основные математические методы автокорреляции, рассмотрим существующие программные комплексы, выявим достоинства и недостатки существующих методологий, по итогам в завершении главы выделим цели и задачи дальнейших исследований.

1.2. Обзор и анализ существующих методов и подходов к автокорреляции Рассмотрение, приведенных в данном разделе существующих методов, моделей и алгоритмов автокорреляции разрезов скважин, проводится от простых к более сложным, с точки зрения используемого математического аппарата. По результату рассмотрения каждого подхода выделим его достоинства и недостатки.

1.2.1. Системный подход к выделению объектов Данный подход был разработан Ш.А. Губерманом [3-7] и описан в его книге «Неформальный анализ данных в геологии и геофизике», опубликованной в 1987 году, и был применим в самых различных областях народнохозяйственной деятельности:

- при решении задачи автоматического анализа флюорограмм грудной клетки;

- при анализе распределения плотности галактик во вселенной;

- в процессе автоматизации определения пластов.

Ш.А. Губерман начал разрабатывать автоматизацию выделения объектов, руководствуясь работой, проведенной:

- по анализу фундаментальных понятий геологии, авторы Ю.А. Косыгин, Ю.А. Воронин;

- по выявлению законов зрительного восприятия, авторы - В. Келер, М. Вортгеймер, К.Коффка. [4] Суть системного подхода состоит в признании первичности проблемы выделения объектов, а не границ объектов. Алгоритм Ш.А. Губермана, разработанный с учетом исследований, проведенных в области психологии, моделирующий способность зрительного восприятия картины, пренебрегая ее подробностями, получил название «к черту подробности» (КЧП). [4] Суть метода КЧП, изложенного Ш.А. Губерманом в своей книге «Неформальный анализ данных в геологии и геофизике», [4] заключается в последовательном огрублении формы кривой ГИС: пусть кривая у(х) (рисунок 1.1) пересекает ось х в точках х0, х1,...хN. Эти точки - нули функции у(х) — задают ее огрубленное описание, которое сохраняет информацию о точках перемены знака функции у(х), но пренебрегает отклонением у(х) от нуля. Это огрубленное описание функции можно представить в виде функции У0( х ) (рисунок 1.1), меняющей знак в точках х0, х1,...хN и принимающей постоянные значения (например, +1 или -1).

Число интервалов между нулями функции у(х) равно N. Находится самый короткий из этих интервалов и производится операция стирания этого интервала путем исключения из множества нулей границ этого интервала - xk и xk+1. В результате вместо трех интервалов (xk-1, xk), (xk, xk+1), (xk+1, xk+2) образуется один интервал постоянного знака (xk-1, xk+2).

Затем повторяем операцию стирания самого короткого из оставшихся интервалов (длиной l2 = l1) и так действуем до тех пор, пока не сотрем все интервалы между нулями.

Построим теперь функцию n(l)/N, где n(1)—число интервалов, оставшихся после стирания интервалов длиной l. Функция n(l)/N равна 1 при l=0, она уменьшается скачком на величину 2/N при всех значениях l, равных длине минимального интервала на каком-нибудь шаге процесса стирания интервалов, и сохраняет постоянное значение между ними. Иными словами, это кусочно-постоянная монотонно убывающая функция. Можно выделить два случая:

y x Y0 б Xk+ + x Xk-1 Xk X x - Xk+ Y в + Xk+ Xk- x - Y2 г + x ~l ~l0 ~l - Рисунок 1.1 – Разбиение кривой y(x) 1. Функция n(l) падает равномерно;

2. N(l) падает скачками, образуя большие ступени. Короткие интервалы быстрого падения сменяются длинными интервалами постоянства n(l). Наличие ступени у функции n(l)/N соответствует следующим свойствам исходной функции:

- на i-м шаге процесса стирания коротких интервалов образовалось несколько интервалов приблизительно одинаковой длины (l0);

- после их стирания оставшиеся интервалы имеют длину, превышающую l0 в несколько раз;

- длина интервала, стертого на i-1-м шаге, в несколько раз меньше l0.

Функция n(l)/N, построенная для кривой у(х), имеет такой же ступенчатый характер (рисунок 1.2).

Положение ступеньки определяет характерный размер деталей на кривой l0, а разбиение, в котором отсутствуют все детали меньше l0, выделяет на кривой характерные объекты. На кривой Yi(х) выделяются три объекта длиной приблизительно l0 (рисунок 1.1), хорошо выделяемые и зрительно на исходной кривой у(х). Наличие ступеньки на кривой n(l)/N является формальным критерием того, что на кривой имеет смысл выделять объекты. Чем ярче выражена ступенчатость кривой п(1)/N, тем более организована исходная кривая.

n/N 0 l l Рисунок 1.2 - График n(l)/N Описанный алгоритм выделения объектов является нелокальным, так как вопрос о том, является ли данный интервал содержательным объектом или нет, решается в зависимости от размеров всех других выделяемых объектов. Одна и та же часть кривой может или оказаться объектом, или нет в зависимости от контекста, т.е. от остальной части кривой. Важно, что критерий существования объектов [наличие ступени функции n(l)] является внутренним, а не задается извне.

В двумерном случае функция яркости задана на плоскости как функция двух координат (полутоновое изображение). Аналогом нулей одномерной функции в этом случае являются линии нулевого уровня функции яркости (за вычетом среднего значения) Ф(х,у). Линии нулевого уровня разграничивают относительно светлые и темные области изображения. Операция исключения подробностей заключается в стирании светлой (или темной) области минимальной площади.

На рисунке 1.3 кривая представляет геофизический разрез скважины:

зависимость естественной радиоактивности пород от глубины залегания (за вычетом среднего значения).

На кривой отражено чередование песчаных и глинистых пород.

Глинистые породы обладают повышенной радиоактивностью, песчаные пониженной. Наиболее крупные образования в разрезе - пачки пластов.

Песчаная пачка содержит не только песчаные породы, но и глинистые пласты.

Глинистые пачки могут содержать и песчаные пласты. Пласты, в свою очередь, осложнены пропластками иного состава.

Глинистый Глинистый пласт пропласток J H Глинистая Песчаная Глинистая пачка пачка пачка Рисунок 1.3 - Расчленение кривой ГК с помощью алгоритма КЧП Такое трехуровневое строение разреза отражается на кривой n(1) наличием трех ступенек. Различные ступеньки соответствуют различным уровням грубости описания кривой. В разных задачах осмысленным оказывается описание разреза с различной степенью грубости. При планировании темпов бурения скважин достаточным оказывается самое грубое описание разреза (разделение на песчаные, глинистые и карбонатные пачки).

Алгоритм КЧП реализует изложенные выше предпосылки:

- выделение объекта и его интерпретация происходят одновременно и для всего изображения;

- объектом является то, что имеет разумную интерпретацию, а разумной считается такая интерпретация, которая согласована с интерпретацией всех других объектов.

Основные принципы алгоритма КЧП:

- разделение целого на части, и интерпретация этих частей производится одновременно;

- описание любой части должно вестись в терминах, подходящих ко всем основным частям;

- разбиение производится не путем полного перебора элементов, а упорядоченным рассмотрением сильно ограниченного класса разбиений;

- цель разбиения - выделение осмысленно огрубленного описания;

- осмысленно огрубленное описание предполагает присутствие всех элементов данного уровня описания и отсутствие всех элементов более низких уровней. [4] Ш.А. Губерманом так же были разработаны алгоритмы выделения пластов в разрезе скважин, в основу которых положена геометрическая модель геологических разрезов учитывающая следующие [7], предположения:

- геологический разрез состоит из нескольких этажей, каждый из которых построен по своему геометрическому закону;

- внутри каждого этажа мощности входящих в него пластов изменяются от разреза к разрезу пропорционально расстоянию между разрезами, т. е. они подчиняются своему (для каждого этажа) закону перспективного соответствия.

Рассмотрим более подробно данный алгоритм [Верхотурова О.М., 2009 г].

Пласты в разрезах залегают либо горизонтально, либо веерообразно.

Пусть исследуются отложения, в которых границы между пластами расположены веерообразно. Две скважины, пробуренные в этих отложениях, встретят границы пластов в точках на глубине х1, х2, х3... для одной и y1, y2, y для другой. В данных отложениях плоскости границ пересекаются по одной прямой и для разрезов этих скважин удовлетворяют условиям перспективного соответствия, т. е.:

x2 x1 x3 x2 x4 x.

y 2 y1 y3 y 2 y4 y Возможно, что расположение пластов в этих скважинах остается неизменным. Этот принцип впервые был использован в схеме Б. Жеховского [8]. Берется плоскость с прямоугольной системой координат. По одной оси откладываются глубины границ пластов первой скважины, по другой - второй.

Точки с координатами (х1, у1) (х2, у2)... наносятся на координатную плоскость.

В результате они укладываются на монотонно падающую линию, отражающую принцип последовательности в напластовании осадков. Так как границы пластов подчиняются принципу перспективного соответствия, эта плавная линия является прямой, угол наклона которой к оси х соответствует постоянному коэффициенту, а соотношения мощностей пластов для заданных интервалов разрезов двух скважин ( = arctg ). Если мощности пластов равны и пласты параллельны, то = 45°. Таким образом, полученная корреляционная прямая отражает закон корреляции разрезов в сопоставляемых скважинах.

Чаще всего разрез оказывается состоящим из нескольких этажей, каждый из которых характеризуется своей корреляционной прямой со своим углом наклона.

Таким образом, линия корреляции на графике состоит из нескольких прямолинейных отрезков (рисунок 1.4).

Анализ корреляционных графиков позволяет:

- выделить прямолинейные участки корреляции разрезов, каждый из которых соответствует геологической эпохе, в которую отлагавшиеся осадки были неподвижны друг относительно друга или перемещались с одной и той же скоростью;

- обнаружить места несогласий в разрезе по излому или разрыву корреляционной линии.

Таким образом, задача сопоставления разрезов заключается в том, чтобы, во-первых, найти для каждого этажа свой коэффициент соотношения мощностей, а во-вторых, определить границы этажей.

Рисунок 1.4 - Пример корреляционного графика нары скважин (площадь Учкыр, УзАССР) Для этого разработаны два следующих алгоритма корреляции.

1. Алгоритм сопоставления границ пластов, выделенных на геофизических диаграммах, основан на поиске функции минимальных рассогласований между соответствующими границами двух коррелируемых разрезов. Эта функция определяется следующим образом:

= (xi) = xi – yj0, где i - номера границ первой скважины;

j0 - дает минимум по j выражения (xi - yj0 +0);

j - номера границ второй скважины;

0 = x1 - y1.

Существуют различные случаи залегания пластов. При горизонтальном залегании в разрезах двух скважин функция рассогласования между сопоставляемыми границами ф(х, - у) равна нулю на всем протяжении разрезов (рисунок 1.5). В случае, когда пласты смяты, но параллельны, она равна постоянной разности между соответствующими границами (рисунок 1.5). При веерообразном залегании пластов в разрезах расстояние между коррелируемыми границами возрастает линейно. Здесь функции минимальных рассогласований между соответствующими границами ложатся на прямую линию с углом наклона (5 - агс^(а-1)), где а — коэффициент отношения мощностей (рисунок 1.5).

А Б В Скв. 1 Скв. 2 Скв. 1 Скв. 2 Скв. 1 Скв. y(xi-yi)= y(xi-yi)=i y(xi-yi)= y x x x1 y y y x x2 x y2 y y x x3 x 3 y y y x x x y y Рисунок 1.5 – Пример сопоставления расчлененных разрезов.

Залегание пластов: А – горизонтальное;

Б – параллельное;

В – веерообразное 2. Алгоритм корреляции нерасчлененных геофизических диаграмм позволяет проводить ее без предварительного расчленения диаграмм или без надежных результатов расчленения. Он основан также на принципе похожести коррелирующих участков диаграмм в предположении, что относительные свойства пластов мало изменяются на рассматриваемой территории от разреза к разрезу. Мерой похожести выбрана величина нормированного коэффициента корреляции между сравниваемыми участками диаграмм. Чем более сходны участки, тем значение ближе к единице.

Описанные алгоритмы позволяют автоматизировать процесс корреляции разрезов в простых случаях, а в более сложных - помогают выбрать наиболее обоснованный вариант корреляции. Возможны случаи, когда алгоритмы не дают удовлетворительных результатов. Это означает, что строение исследуемых разрезов не соответствует модели, заложенной в основу алгоритмов. Рассмотренные алгоритмы позволяют оценить надежность полученных результатов по степени отклонения от принципов похожести, упорядоченности и перспективного соответствия [5].

Основными преимуществами метода является простота алгоритма, а так же его нелокальность [92].

При этом подход имеет много недостатков:

- если минимальной длиной обладают несколько интервалов, то результат может зависеть от очередности исключения интервалов;

- при исключении интервалов (или областей) постоянного знака учитывается только длина (или площадь) области и не учитываются значения функции в области;

алгоритм не учитывает разницы между четкими и размытыми границами;

- если изображения объектов, дающих аномалии одного знака, налагаются друг на друга, то КЧП не может выделить границу между объектами [4];

- не указано как осуществлять обход скважин;

- нет рекомендаций какие исходные данные необходимо использовать;

- нет возможности масштабирования;

- по результату применения алгоритма, возможно, получить только грубое приближение [2].

1.2.2. Метод, основанный на принципе триангуляционных сетей Метод был разработан под руководством И.С. Гутмана и основывается на опыте проведения корреляции вручную, при этом предусматривает парную корреляцию разрезов скважин на основе принципа триангуляционных сетей с постоянной проверкой полученных результатов путем включения в процесс ранее откоррелированных скважин.

Данный подход был разработан коллективом И.С. Гутмана [10-12]. Он основан на достигнутом опыте выполнения детальной корреляции вручную и предусматривает парную корреляцию разрезов скважин на основе принципа триангуляционных сетей, осуществление постоянной проверки полученных результатов путем включения в процесс ранее откоррелированных скважин. [9] На предварительной стадии работы происходит построение триангуляции на множестве скважин. В качестве базовой используется триангуляция Делоне.

Такой выбор основан на опыте ручной корреляции, когда в качестве контрольных выбирались треугольники со сторонами, соединяющими ближайшие пары скважин.

Детальная корреляция проводится в два этапа.

На первом этапе проводится парная корреляция по ребрам всех треугольников данной триангуляции.

На втором этапе проверяется согласованность полученных корреляций, исправляются парные корреляции, которые нарушают согласованность, и строится схема детальной корреляции. [9] В работах Е.В. Ковалевским, Г.Н. Гогоненковым, [13-15] М.В. Перепечкиным был предложен наиболее расширенный подход, основанный на принципе триангуляционных сетей. [9] Рассматривается геологическая модель площади, включающей многие десятки или даже сотни скважин. Решается задача уточнения этой геологической модели за счет выполнения более качественной корреляции скважин по данным ГИС.

Реализован следующий подход – точная и геологически обоснованная корреляция скважин выполняется вручную, но внутри автоматически созданной трехмерной визуальной среды.

Визуальная среда рассчитывается посредством интерполяции скважинных данных вдоль формальных квазистратиграфических поверхностей, что дает автоматическую корреляцию интервалов скважин по данным ГИС.

Постановка задачи автоматической корреляции По точкам с координатами скважин на плоскости X,Y (или на поверхности некоторого горизонта) рассчитывается триангуляционная сеть.

Отрезки триангуляционной сети определяют пары скважин. Коррелируются вертикальные интервалы пар скважин, имеющие протяженность 60-100 м и соответствующие друг другу по глубине.

Сопоставляя интервалы двух скважин, мы не знаем, какие стратиграфические горизонты присутствуют в обоих интервалах, а какие в одном размыты. Соответственно, мы не знаем, когда видимое сходство участков каротажных кривых направляет трассирование стратиграфической поверхности в правильном, а когда - в ошибочном направлении. Для одной пары интервалов эта неопределенность не может быть разрешена никакими формальными средствами. Выход состоит в следующем: в каждой паре интервалов мы будем фиксировать все возможные варианты (направления) корреляции, определяя для каждого варианта его количественную оценку (вес).

Выбор же одного, нужного нам «правильного» варианта в каждой паре, будем производить, используя всю совокупность пар и опираясь на два критерия:

- все «правильные» варианты в парах должны быть согласованы на триангуляционной сети;

- они должны иметь максимальный суммарный вес.

Удовлетворяющий данным требованиям набор вариантов корреляции интервалов будет решением задачи. С его помощью можно будет построить одну квазистратиграфическую поверхность, ассоциированную примерно с центрами интервалов и идущую параллельно самому выразительному в них ненарушенному стратиграфическому горизонту. Повторив расчет корреляции для чуть более глубоких интервалов, можно будет получить квазистратиграфическую поверхность на 30-50 м ниже предыдущей, и т.д.

Стопка из таких формальных поверхностей позволит нам рассчитать упомянутую выше трехмерную визуальную среду.

Этапы решения поставленной задачи Решение поставленной задачи разбивается на четыре этапа:

I. Выделение альтернативных корреляционных предположений в парах скважин.

Конструирование цепочек предположений вдоль сторон II.

треугольников.

III. Конструирование локальных гипотез вокруг узлов триангуляционной сети.

Согласование локальных корреляционных гипотез на всей IV.

триангуляционной сети.

Далее каждый из названных этапов рассматривается подробно.

I. Выделение альтернативных корреляционных предположений в парах скважин Перед выделением корреляционных предположений каротажные кривые приводятся к виду, допускающему их формальное сравнение. А именно, кривые ПС преобразуются в кривые альфа-ПС, кривые БК (с острыми пиками) логарифмируются, все кривые (кроме альфа-ПС) нормируются на среднее значение в интервале. При расчете корреляции интервалов скважин учитываются вклады, даваемые корреляцией кривых разных методов ГИС (рисунок 1.6).

Корреляция интервалов одноименных каротажных кривых Формальное сравнение интервалов одноименных кривых производится посредством их наложения с переменным сдвигом по вертикали. Корреляция кривых при каждом наложении рассчитывается как обратное значение их разности. При нулевой разности корреляция равна 100. При разности (max-min) * N корреляция равна 0 (max, min – минимум и максимум значений кривых в двух интервалах, N – число сопоставляемых дискретных значений).

Рисунок 1.6 – Пример сопоставления кривых ГИС Наложение каротажных кривых и оценка степени корреляции Важное дополнение – корреляция кривых рассчитывается раздельно для малых фрагментов интервалов (выделено цветом), и далее учитываются вклады только тех фрагментов, в пределах которых корреляция выше заданного порога.

В противном случае большое различие кривых вследствие размыва отдельных участков интервалов скрывает высокую степень корреляции ненарушенных горизонтов (рисунок 1.7).

Вид функции корреляции и выделение корреляционных предложений Вид функции корреляции интервалов кривых показан слева. Ее аргументом является величина смещения интервалов друг относительно друга.

Функция корреляции интервалов определяется как сумма функций корреляции кривых разных методов ГИС. При выделении альтернативных корреляционных предположений задается разрешение.

Рисунок 1.7 – Наложение каротажных кривых Рисунок 1.8 – Вид функции корреляции и выделение корреляционных предложений Первое корреляционное предположение (это есть величина сдвига) соответствует максимуму функции корреляции. Вес этого предположения равен значению максимума функции корреляции. Затем в функции корреляции делается “вырез” треугольником с шириной основания 2 и берется следующий максимум, и т.д. Число выделяемых предположений зависит от величины и диапазона смещения интервалов. Исходя из разумной достаточности, будем выделять в каждой паре скважин 20 корреляционных предположений.

Конструирование цепочек предположений вдоль сторон II.

треугольников Предположения в отношении корреляции интервалов можно представить в виде “стрелок” так, как это сделано на рисунке 1.9. Каждая “стрелка” характеризует сдвиг интервалов (поэтому ее можно смещать параллельно самой себе) и имеет вес, равный соответствующему значению функции корреляции. Минимальное различие между соседними “стрелками” определяет параметр.

Рисунок 1.9 – Конструирование цепочек предположений В каждом треугольнике триангуляционной сети составляются все возможные цепочки предположений, замыкающиеся с погрешностью меньшей, чем /2. Максимальная погрешность /2 гарантирует, что пару предположений по двум сторонам треугольника замыкает не более чем одно предположение по третьей стороне. Если в каждой паре у нас 20 предположений, то максимальное число замкнутых цепочек в треугольнике равно 400. Предположения, не вошедшие ни в одну из цепочек, удаляются. Тем самым мы начинаем процесс исключения ошибочных альтернатив (рисунок 1.10).

А Б скв. 2 скв. скв. скв. скв. 3 скв. Рисунок 1.10 – Варианты конструирования цепочек. А: очевидно, что “правильные” корреляционные предположения при обходе сторон треугольника должны составить замкнутую цепочку. Б: цепочка НЕ принимается Конструирование локальных гипотез вокруг узлов III.

триангуляционной сети Следующий этап – из цепочек в треугольниках составляются локальные корреляционные гипотезы вокруг узлов триангуляционной сети. Фрагмент триангуляционной сети вокруг одного внутреннего узла показан на следующем рисунке.

Цепочки предположений в смежных треугольниках (например, AOB и BOC) будем называть согласованными, если по общей стороне (OB) в этих цепочках стоит одно и то же предположение.

Локальной гипотезой будем называть набор цепочек, согласованных во всех треугольниках вокруг одного узла триангуляционной сети. Общее число локальных гипотез вокруг одного узла огромно – верхняя оценка дает 20 в степени N, где N – число треугольников (на рисунке 1.11 N равно 6).

Рисунок 1.11 – Конструирование локальной гипотезы вокруг узла триангуляционной сети Это указывает на гибкость модели, основанной на предположениях.

Из всех гипотез нам нужна только одна самая весомая, и мы можем ее получить следующим путем:

- объединим цепочки в треугольниках AOB и BOC;

- при этом число согласованных вариантов корреляции (по верхней оценке) возрастет в 20 раз – от 400 в одном треугольнике до 8000 - в двух;

- однако для каждой пары предположений вдоль AO и OC мы можем оставить только один вариант, имеющий максимальный вес.

- в результате число вариантов уменьшается опять до 400;

- затем мы добавляем следующий треугольник и все повторяем;

- так мы находим локальную согласованную гипотезу, имеющую максимальный вес.

Локальные гипотезы рассчитываются вокруг каждого узла триангуляционной сети. Предположения, не вошедшие ни в одну локальную гипотезу, удаляются. Тем самым мы исключаем основную массу исходных корреляционных альтернатив (но еще не все).

IV. Согласование локальных корреляционных гипотез на всей триангуляционной сети На каждом треугольнике триангуляционной сети перекрываются три локальные гипотезы, рассчитанные вокруг его вершин. Поскольку эти гипотезы конструируются независимо, они могут не совпадать. Несовпадение локальных гипотез будем считать признаком того, что как минимум одна из них неверна, а совпадение, наоборот, будет достаточным указанием на то, что все три истинны. Рассмотрим фрагмент триангуляционной сети на рисунке 1.12.

Рисунок 1.12 – Фрагмент триангуляционной сети Выделим красным цветом треугольники, на которых предположения из перекрывающихся цепочек различаются больше, чем на 2. Допустим, это треугольники ABC и BCD. Рассмотрим сначала треугольник ABC.

Критерий выделения ошибки такой: локальная гипотеза не может содержать ошибку только в одном треугольнике. Действительно, поскольку все треугольные цепочки в ней согласованы, ошибочных треугольников не может быть менее двух. Следовательно, гипотеза A (вокруг узла A) правильная, исправлять надо гипотезы В и C. Их исправление производится за два шага:

- цепочки в B и C по треугольнику ABC исправляются по образцу соответствующей цепочки из A;

- цепочки в B и C по треугольнику BCD исправляются таким образом, чтобы восстановить нарушенную первым исправлением локальную целостность гипотез B и C.

Обязательное условие исправления – расхождение цепочек на смежном треугольнике BCD не должно возрасти. В данном случае дефект согласования на треугольнике BCD не только не возрастет, но также будет устранен.

Дефект согласования второго рода Описанным выше путем можно устранить 99% дефектов согласования, кроме одного особого случая. Это дефект согласования “второго рода”, показанный на рисунке. Суть этого дефекта в том, что ошибочные цепочки по треугольнику BCD совпадают во всех трех гипотезах B, C и D. При таком совпадении ошибка по треугольнику BCD не идентифицируется (идентифицируются только сопутствующие ошибки в соседних треугольниках) и исправить ее обычным путем невозможно.

Для устранения дефектов второго рода разработана особая процедура – дефект локализуется в пределах гипотезы B, фиксируется контур вокруг гипотезы B, гипотеза B пересчитывается при фиксированном внешнем контуре, после чего получается несколько иная конфигурация (показанная на том же рисунке внизу), которая исправляется обычным путем. Количество заметных (больших 2) дефектов второго рода очень мало.

Но по мере того, как точность согласования локальных гипотез приближается к нулю, этот механизм согласования начинает использоваться чаще. Дефекты второго рода появляются тогда, когда роль наиболее выразительного горизонта в пределах интервала корреляции переходит от одного горизонта к другому (рисунок 1.13).

После увязки локальных гипотез мы получаем набор корреляционных предположений (направлений корреляции), согласованных на всей триангуляционной сети. Поскольку все эти предположения можно смещать (в пределах коррелируемых интервалов) параллельно самим себе, они определяют квазистратиграфическую поверхность с точностью до произвольной добавки по глубине Z. Для определенности берется поверхность, имеющая минимальное отклонение от центров коррелируемых интервалов. [12] Рисунок 1.13 – Дефект согласования второго рода Основными преимуществами метода является согласованность полученных результатов и учет достигнутого опыта проведения корреляции вручную.

Недостатками подхода являются отсутствие учета возможности масштабирования, длительное время работы алгоритма, при этом не обязательно будет получен единый согласованный вариант.

Алгоритм является локальным без возможности учета при корреляции трендов изменения геологического строения в том или ином направлении.

1.2.3. Метод, учитывающий «генетический признак»

Подход, разработанный В.Г. Ингерманом, В.М. Омелиным, Н.А. Севастьяновой, В.Л., Смирновым, В.Ф. Химич, В.И. Славиным, В.П. Филлиповым, И.П. Суматохиной, основан на учете «генетического признака» [15], в частности на количественной оценке получаемых по данным ГИС геофизических параметров с учетом их эволюции в процессе осадконакопления. [2] Предложенная технология в обобщенном виде предусматривает выполнение следующих этапов:

1. Выделение в разрезе скважин по данным ГИС основных реперов, представленных некоторым литологическим типом пород. Оптимальным в качестве репера является выбор глинистых пород, поскольку наложенные эпигенетические изменения в них минимальны.

2. Построение по группе скважин функциональной или регрессионной зависимости геофизического параметра, удельного электрического сопротивления от глубины залегания.

3. Анализ соответствия распределения геофизического параметра установленной зависимости в системе координат «параметр – глубина».

4. Собственно корреляция интервалов в отдельных скважинах по результатам анализа.

Заметим, что ряд процедур анализа данных ГИС носит принципиально неформальный характер. Это обусловлено многообразием, недостаточной изученностью условий образования исследуемых здесь объектов осадочных толщ, отсутствием убедительной математической модели осадкообразования, неполнотой и слабой информативностью исходных данных и т. д., что не позволяет гарантировать получение решения в автоматическом режиме.

Процессу автокорреляции предшествует предварительная обработка, которая включает фильтрацию исходных данных одним из вариантов скользящего окна: простое окно постоянного или переменного размера с учетом допустимых перепадов амплитуд или градиентов, предельных размеров аномальных участков и с медианой фильтрации (рисунок 1.14).

Прошедшие предварительную обработку диаграммы используются для отбора реперных интервалов, представленных глинистыми породами.

Выделение их в терригенном разрезе осуществляется в результате интерпретации данных стандартного комплекса каротажа (ПС, ГК, КС, KB) по методу уровенных линий, основанному на различии диапазонов параметров для литологических разновидностей пород. Глины выделяются по наличию положительных аномалий на кривой, относительному повышению естественной гамма-активности, минимальным показаниям на кривой кажущихся сопротивлений и по увеличению диаметра скважин в результате размыва глин буровым раствором, что должно подтверждаться данными кавернометрии. Границы глинистых пластов могут быть определены, например, посредством амплитудного детектирования с последующей корректировкой, если это необходимо, по изображению диаграммы на экране дисплея (рисунок 1.15). Подбор уровня детектирования также может быть выполнен с помощью дисплея путем прямого указания положения уровенной линии на экране дисплея или задания цифрового значения изучаемого порога через клавиатуру.


Рисунок 1.14 - Представление результатов фильтрации данных ПС-каротажа:

а – исходная диаграмма, б, в – результаты фильтрации Выбранные по группе скважин интервалы используются для построения распределений значений исследуемого геофизического параметра по глубине и определения связывающего полиноминального регрессионного уравнения.

Установленная зависимость «параметр – глубина» используется на последующем этапе для корреляции отложений. Этот способ корреляции основан на следующем. Из экспериментальных данных о напряженном состоянии горных пород следует, что, во-первых, первичное их уплотнение и последующее разуплотнение происходят по разным законам и, во-вторых, при различных эффективных напряжениях, а также при одном и том же составе, но в зависимости от характера уплотнения (первичное оно или вторичное) породы одинакового литологического типа должны иметь разный коэффициент пористости.

ПС 125 мВ 50 104 а б в м Рисунок 1.15 - Выделение глинистых пластов методом уровенных линий:

а – исходная кривая, б – линия заданного уровня, в – литологические типы пород: 0 – глинистые, 1 – песчаники Для конкретного решения задачи корреляции на диаграмму зависимости геофизического параметра пластов в одной скважине от глубины залегания наносят значения геофизического параметра пластов в других скважинах. О правильности проведенной корреляции будет свидетельствовать расположение значений геофизического параметра на линиях, параллельных линиям обратимых деформаций породы.

Разработанная методика и технология анализа данных ГИС могут быть применены и для решения других важных для геологии задач. [15] Преимуществами метода является нелокальность метода, выделение однородных, с точки зрения осадконакопления, пластов.

К недостаткам метода можно отнести отсутствие рекомендаций о путях обхода скважин, сложность корреляции разрезов с отсутствием реперных пластов, высокая зависимость результатов от критерия «параметр-глубина»

1.2.4. Подход, основанный на DTW-анализе Dynamic Time Warping (DTW) - подход, основанный на алгоритме нелинейного выравнивания сопоставляемых кривых с поиском наилучшего соответствия. [93] Суть метода заключается в следующем. Обозначим квадрат расстояния между i-й точкой первой кривой и j-й точкой второй кривой как D(i,j). Для нахождения точек первой кривой, наилучшим образом соответствующих точкам второй кривой, строится матрица C размера (M*N) по следующим формулам:

где M – количество точек первой кривой каротажа;

N – количество точек второй кривой.

Данная матрица называется матрицей накопленных сумм или матрицей накопленных штрафов. Если двигаться по ней в обратном направлении, начиная с элемента C(M,N), выбирая минимальные значения элементов матрицы, то получится оптимальный путь, т.е. точки наилучшего соответствия двух кривых.

На рисунке 1.16 изображены две кривые. Справа – исходная, слева исходная кривая, поделенная на 5 частей с коэффициентами растяжения (3;

1.5;

1;

0.7;

0.3). С точки зрения геологических свойств породы, эти кривые идентичны. Точки на левой кривой – точки разделов отрезков с разными коэффициентами растяжения, точки на правой – точки, найденные dtw алгоритмом как соответствующие точкам на левой кривой. Из рисунка 1. видно, что алгоритм нелинейно растянул исходную кривую в новую так, что точки разделов перешли в соответствующие точки на новой кривой. Таким образом, алгоритм нелинейного растяжения учитывает разнесенное расположение фаций в пространстве, их растянутость или сжатость, что на практике присутствует в большинстве случаев в силу геологических особенностей залегания слоев горных пород, к тому же этот алгоритм выравнивает число точек замеров без каких-либо дополнительных вычислений.

Однако алгоритм требует больших вычислительных ресурсов, так как число выполняемых операций для одной пары кривых оценивается порядком N*N.

1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0 1 2 3 Рисунок 1.16 – Результат работы DTW-алгоритма Преимуществами метода является возможность учета разнесенных положений фаций, растянутость и сжатость кривых ГИС.

К недостаткам относится отсутствие указаний о необходимых путях обхода скважин при сопоставлении, а так же низкая скорость работы метода.

1.2.5. Подход, основанный на анализе Фурье Пространство Фурье каротажных кривых. Перед вычислением коэффициента корреляции происходит переход в пространство Фурье каротажных кривых по следующей формуле:

N X (k ) x( j ) Nj 1)( k 1) ;

N e( 2i ) / N.

( j Такой подход позволяет учесть относительные сдвиги пород относительно друг друга, которые отражаются на кривых каротажа как сдвиги характерных частей кривых. Последовательность алгоритма выделения пластов следующая:

- выбрать кривую из общего набора;

- перейти к диапазону [0,1] по глубине, выравнить число точек текущей кривой и эталонной (проинтерполировать точки текущей кривой к точкам эталонной);

- рассчитать кривые образов Фурье текущей кривой и кривых-эталонов;

- вычислить коэффициенты корреляции образа Фурье выбранной кривой со всеми образами Фурье кривых-эталонов. Коэффициент корреляции рассчитывается по формуле:

E (( E ( )) ( E ( ))) C (, ), ( ) ( ) где, - кривые.

- среди вычисленных коэффициентов найти максимальный и отнести текущую кривую к классу, характеризуемому кривой-эталоном с максимальным коэффициентом корреляции;

- осуществить указанные пункты для всех имеющихся кривых.

Преимуществами метода является возможность учета сдвига пород относительно друг друга. К недостаткам относится отсутствие указаний о необходимых путях обхода скважин при сопоставлении, низкая скорость работы алгоритма метода и в целом метод генерирует грубое представление.

1.2.6. Применение вейвлет-анализа при автокорреляции В середине 80-х годов Гроссманом и Морле был введен термин «вейвлет»

в связи с необходимостью анализа свойств сейсмических и акустических сигналов. [17] Вейвлеты – это обобщенное название особых функций, имеющих вид коротких волновых пакетов с нулевым интервальным значением и с той или иной формой, локализованных по оси независимой переменной и способных к сдвигу по ней и масштабированию. Грубо можно представить вейвлеты как некоторые волновые функции, способные осуществлять преобразование Фурье не по всей временной оси, а локально по месту своего расположения. Вейвлет преобразование «режет» исследуемый объект на куски с последующим выделением из него компонент различных масштабов, при этом каждый компонент анализируется с той степенью детальности, которая соответствует его масштабу. [18] Вейвлеты создаются с помощью специальных базисных функций прототипов, задающих их вид и свойства и удовлетворяющих целому ряду специфических условий. Базисными функциями вейвлетов могут быть различные функции, в том числе близко или отдаленно напоминающие модулированные импульсами синусоиды, функции со скачками уровня и т.д.

Это обеспечивает легкое представление сигналов с локальными скачками и разрывами наборами вейвлетов того или иного типа и открывает большие возможности в подборе наиболее подходящих вейвлетов, исходя из условий решаемых задач. [19-20] Каждая из функций базиса вейвлет-преобразования характеризует как определенную пространственную (временную) частоту, так и ее локализацию в физическом пространстве (времени). Таким образом, вейвлеты используют там, где требуется, чтобы результат анализа некоего сигнала содержал не только простое перечисление его характерных частот (масштабов), но и сведения об определенных локальных координатах, при которых эти частоты проявляют себя. Анализ и обработка нестационарных (во времени) или неоднородных (в пространстве) сигналов разных типов представляют собой основное поле применения вейвлет-анализа. [18, 21] Таким образом, вейвлет-преобразование расчленяет сигнал (диаграмму) на отдельные частотные компоненты, что дает возможность изучать каждый из этих компонентов с разрешением, соответствующим его масштабу (получать хорошую частотно временную локализацию). Для того чтобы воспользоваться вейвлет-анализом, необходимо диаграммы методов ГИС преобразовать в вид одномерной дискретной числовой последовательности (временной ряд), т.е. как раз в ту форму, в какой они присутствуют в базе данных при цифровой регистрации. Для определенности будем говорить о функциях, зависящих от времени, временных рядах и, соответственно, о частотах. [18, 21] Одномерное непрерывное вейвлет-преобразование функции f(t), которая принадлежит пространству L2(R), имеет следующий вид [22, 23]:

t b 1 / f (t ) a dt f (t )' (t )dt.

[W f ](a, b) a Параметры а и b обеспечивают, соответственно, растяжение/сжатие и сдвиг базисного вейвлета, позволяя полностью сконструировать пространство L2(R).

Результатом преобразования данного уравнения является двумерный набор a и b, в котором, заключена информация о частотных характеристиках сигнала (благодаря параметру a) и о поведении сигнала во времени (благодаря параметру b). Как уже указывалось выше, существует значительная свобода при выборе функции, порождающей базис вейвлет-преобразования, что является одним из достоинств, поскольку можно выбрать вейвлет, позволяющий наилучшим образом решить поставленную задачу.

Получаемый в результате преобразования вейвлет-спектр W(a,b) представляет собой некоторую поверхность в трехмерном пространстве, способы визуализации которой могут быть различны (рисунок 4). Обычно для анализа частотно-временного состава исследуемого сигнала используют:

- карту проекций изолиний функции W(a,b) на плоскость (а,b), позволяющих проанализировать изменение интенсивности амплитуд вейвлет преобразования на различных частотных масштабах и во времени;


- карты линий локальных экстремумов данных поверхностей, называемых скелетонами (sceleton), четко выявляющих структуру сигнала;

- зависимости коэффициентов вейвлет-преобразования для выбранного масштаба преобразования от времени. [18] Полученные данные вейвлет-спектра можно использовать как для определения положений локальных максимумов, так и для расчета энергии сигнала и, в ряде случаев, его фрактальных характеристик. Энергия сигнала неравномерно распределена по масштабам - есть выделенные масштабы. Такое распределение энергии демонстрирует нестационарную структуру анализируемого процесса с элементами квазипериодичности, с эволюционирующими частотами и с диапазонами локальных периодичностей на разных масштабах (рисунок 1.17). [18] В пространстве действительных функций полная энергия сигнала f может быть записана через амплитуды вейвлет-преобразования в виде:

dadb E f f 2 (t )dt C1 W 2 (a, b).

a Плотность энергии сигнала EW (a, b) W 2 (a, b) характеризует энергетические уровни исследуемого сигнала f(t) в пространстве (а,b) - масштаб, время.

Существует локальный и глобальный спектр энергии.

Рисунок 1.17 – Результат работы вейвлет-преобразования Зная плотность энергии EW (a, b), можно с помощью окна определить локальную плотность энергии в точке b0 (или t0):

b t E (a, t 0 ) EW (a, b) db.

a Оконная функция «поддерживает» диапазон около t0 и удовлетворяет равенству:

(b)db Если в качестве выбрать функцию Дирака, то локальный спектр энергии примет вид:

E (a, t0 ) W 2 (a, t0 ).

Эта характеристика позволяет проанализировать временную динамику передачи энергии процесса по масштабам - обмен энергией между составляющими процесс компонентами разного масштаба в любой заданный момент времени.

Полная энергия распределена по масштабам в соответствии с общим (глобальным) спектром энергии коэффициентов вейвлет-преобразования:

EW (a) W 2 (a, b)db EW (a, b)db.

Часто его называют скалограммой, или дисперсией вейвлет преобразования. Скалограммы, полученные по диапазонам, позволяют проследить эволюцию распределения энергии по масштабам.

Энергия сигнала определяется через спектр энергии равенством:

da E f C 1 EW (a).

a Откуда вытекает, что величина E f пропорциональна площади под кривой EW (a) / a 2 ^, а скалограмма отражает относительный вклад различных масштабов в полную энергию процесса.

Анализируемая функция имеет конечную энергию, а анализирующий вейвлет нулевое среднее значение, вследствие чего спектр энергии EW (a) должен стремиться к нулю на обоих концах шкалы масштабов и иметь, по крайней мере, один максимум. Максимумы энергетического спектра определяют масштабы процесса, вносящего основной вклад в полную энергию.

Вейвлет-преобразование с его иерархическим базисом хорошо приспособлено для анализа фрактальных и мультифрактальных множеств, имеющих иерархическую природу.

Картины коэффициентов и локальных максимумов демонстрируют иерархическую структуру анализируемого множества. Каждый этап каскадного процесса, каждое дробление масштаба отмечается на картине локальных максимумов ветвлением.

Считается, что свойство самоподобия приводит к степенным зависимостям. По коэффициентам вейвлет-преобразования показатель самоподобия вычисляется как предел (при стремлении к нулю масштаба) отношения lnN(a)/lna;

здесь N(a) - число локальных максимумов. Чем более высокого порядка поколение анализируемого ряда используется, тем точнее эти показатели.

Преимуществами подхода являются возможности учета при выделении пластов нескольких кривых ГИС, использования различных функций преобразования.

К недостаткам относится отсутствие указаний о способах проведения корреляции выделенных интервалов.

Метод позволяет с высокой точностью определить границы пластов в разрезе скважин, но при этом нет возможности проводить корреляцию, таким образом, данный подход скорее представляет из себя способ расчленения разреза, чем метод автокорреляции.

1.2.7. Метод, основанный на системе правил [2] В основе подхода лежит база данных, база правил и программа вывода.

[24] База данных Цифровые каротажные данные переводятся в качественную информацию, такую как различные формы кривых, выделяемые вдоль разреза скважины.

В последнее время объектно-ориентированное программирование стало очень популярно в приложениях, основанных на искусственном интеллекте. В объектно-ориентированном программировании область рассматривается как коллекция объектов, имеющих определенные характеристики. Объекты взаимодействуют (обмениваются информацией) посредством сообщений.

Вместо вызова процедуры для совершения действий над объектом, объекту посылается сообщение, которое реализуется с помощью его собственной процедуры (метода). Способ задания объектов можно объяснить по рисунку 1.18. Каждую каротажную кривую можно представить последовательно четырьмя различными объектами: точкой, линией, формой и слоем.

Процессы выполняются программой подготовки объектов.

Заканчиваются формированием базы данных. Эта база содержит коллекцию выражений, описывающих характеристики каждого пласта: мощность, относительное положение, форму, среднюю амплитуду и литологию.

Рисунок 1.18 – Представление количественной информации в виде объектов База правил База правил состоит из некоторого количества правил «ЕСЛИ - ТО».

Правила работают на основе исходной базы данных, содержащей характеристики пластов, для выдачи информации о сходстве пластов.

Правило «ЕСЛИ - ТО» или порождающее правило (правило вывода) содержит обычно две части: часть ЕСЛИ (условие) и часть ТО (действие).

ПРАВИЛО ЕСЛИ (Условие 1) (Условие 2)....................

ТО (Действие) Часть ЕСЛИ может включать в себя несколько условий. Действие в части ТО выполняется, если удовлетворяются все условия части ЕСЛИ.

Программа вывода Программа, которая использует правила и обеспечивает логический вывод из полученных решений, называется программой вывода. Степень сходства в мощности, относительном положении, форме и литологии выражается в показателях относительного качества. Результатом действия программы вывода является корреляция пластов.

Данный метод дает более надежную и правильную корреляцию разрезов скважин, чем традиционные методы выделения пластов. Экспертная система делает возможным сдвиг и масштабирование пластов в межскважинной корреляции. [2] Преимуществами метода является теоретическое получение результата близкого к тому, которое получается при ручной корреляции.

К недостаткам относится необходимость составления подробных полных баз данных, что приводит к значительному увеличению времени на корреляцию.

1.2.8. Подход, основанный на применении искусственных нейронных сетей Наиболее полно использование нейронных сетей для автокорреляции, а точнее для разделения геологического разреза на пласты, реализовано в работах коллектива В.А. Тененева из Ижевского государственного технического университета. [25] Выделение пластов осуществляется по данным геофизических исследований скважин (ГИС). Для проведения ГИС применяются разнообразные группы методов: электрометрические, акустические, радиометрические, термометрические и др. Для обработки использовались результаты измерений, полученные пятью методами: БК-метод, акустический метод, гамма-метод, нейтронный гамма-метод и метод кавернометрии.

На рисунке 1.19 представлен, как пример, фрагмент каротажной диаграммы для перечисленных выше методов. Результаты измерений являются нормированными.

Рисунок 1.19 - Фрагмент записи геофизических сигналов Для разделения разреза на пласты используется следующая методика.

Строится обучающаяся нейронная сеть вида:

Yk Z wij y k1, k k j j i где j 1, Yk, k 1, K, Yk – количество нейронов в k -том слое;

K – общее количество слоев в сети;

wijk – матрица весовых коэффициентов;

yjk-1 – выходы сети;

k, Bik – параметры активационной функции j – го нейрона.

j На входы сети подаются показания геофизических методов в каждой точке скважины. На выходе фиксируется одно из двух значений — 1 (пласт есть) и 0 (пласт отсутствует). Параметры функции активации, весовые коэффициенты сети, число нейронов и число слоев принимаются за неизвестные величины, которые подбираются в процессе обучения. Для этого составляется оптимизационная функция Ф(х):

n ( x) max, N где X - (Wijk, Аjk, Вjk, Yk,K), n — количество распознанных точек в тестовой выборке.

Данная оптимизация функции производится генетическим алгоритмом, который не требует вычисления производной функции Ф и успешно справляется с проблемой множественности локальных экстремумов. Для исследования обучаемая выборка содержала около 2000 точек. После обучения процент распознанных точек составил величину, равную 84.

Проверка проводилась на других скважинах. На рисунках 1.20-1. изображено расчленение разреза на пласты по указанной методике для двух скважин. Спрогнозированные нейросетевым способом пласты показаны верхними прямоугольниками. Нижние прямоугольники соответствуют данным расшифровки каротажных диаграмм для данных скважин. [2] Для более высокого качества автокорреляции было предложено [26-28] кодирование выходных сигналов нейронной сети.

Рисунок 1.20 - Разделение пластов нейросетевым методом Рисунок 1.21 - Разделение пластов нейросетевым методом В пласт вписывается функция, заданная параболой. Пусть коллектор находится на глубине h1....h2 (h2h1). Тогда значение функции или выхода сети на глубине h (в метрах) вычисляется по формуле:

h h f ( h) h 2 1 1.

(h2 h1 ) Таким образом, в середине пласта-коллектора выходное значение сети максимально и равно 1. На рисунке 1.22 показана разница между исходным и преобразованным сигналами для рассмотренного способа.

Используя полученную от геофизика информацию о выделенных коллекторах из нескольких скважин, можно выявить закономерности между показаниями каротажей и наличием или отсутствием коллектора.

Для задачи выделения коллектора с данным способом кодирования рассмотрим модель радиальной нейронной сети (RBF). В качестве входных сигналов радиальной сети возьмем результаты измерений из нескольких скважин, полученных восемью методами: ВК (боковой каротаж), SP (собственные потенциалы), PZ (потенциал-зонд), GR (гамма-метод), NGR (нейтронный гамма-метод), DT (ультразвуковой метод), DS (диаметр скважины) и IK (индукционный каротаж). Половину полученной выборки (Хi,Yi), i = l,K, К = 2000 будем использовать для обучения, другую половину для тестирования.

Рисунок – 1.22. Кодирование выходного сигнала нейронной сети Рисунок 1.23 - Результат работы сети RBF на скважине при выделении коллекторов В результате многочисленных экспериментов было установлено, что для успешного решения задачи распознавания коллекторов количество центров Н радиальной нейронной сети, или число базисных функций, не должно превышать 4. Для взятых скважин наилучшие результаты сеть показала при H = 3, обеспечив, в среднем, распознавание коллекторов с вероятностью 86%.

На рисунке 1.23 показан результат аппроксимации радиальной сетью части выходного сигнала, представленного в обучающей скважине на глубине от до 930 м.

Данный подход использования искусственных нейронных сетей для выделения пластов на основе ГИС дал удовлетворительные результаты.

Преимуществами метода является высокая скорость обработки данных. [26] К недостаткам относится необходимость длительного обучения и последующей настройки параметров перед корреляцией.

1.3. Обзор и анализ существующих программных комплексов Рассмотрим основные разработанные к настоящему моменту программные комплексы (отдельные, встроенные модули в программных пакетах), а также описанные алгоритмы для ЭВМ, позволяющие проводить автокорреляцию разрезов скважин.

Один из первых, в 80-х годах ХХ века, алгоритм автокорреляции с помощью ЭВМ предложил коллектив во главе с Ш.А. Губерманом [29, 30].

Основой алгоритма является описанный в разделе 1.2.1 системный подход для корреляции геофизических разрезов скважин. Алгоритм не получил своего развития в современных программных пакетах по причине имеющихся недостатков самой методологии автокорреляции в сравнении с другими методами и алгоритмами.

С развитием науки и технологии в 90-х годах ХХ века Центральной геофизической экспедицией (ЦГЭ) был разработан программный комплекс под названием ГЕММА – система интегрированной интерпретации геолого геофизических данных с целью построения модели месторождений нефти и газа, которая включает в себя базу геолого-промысловой информации, а также возможность различных анализов и интерпретаций [31]. В том числе в данной разработке был реализован алгоритм автоматической корреляции разрезов скважин по данным ГИС, разработанный командой И.С. Гутмана, реализованный так же в программе ГЕОКОР-2 [11]. Алгоритм основан на описанном в разделе 1.2.2. принципе триангуляционных сетей. [2] Так же в 90-х годах ХХ века была разработана автоматизированная система корреляции, основанная на подходе, который предусматривает учет «генетического признака» [15].

Рассматриваемая технология в обобщенном виде предусматривает выполнение следующих этапов:

- выделение в разрезе скважин по данным ГИС основных реперов, представленных некоторым литологическим типом пород (оптимальным в качестве репера является выбор глинистых пород, поскольку наложенные эпигенетические изменения в них минимальны);

- построение по группе скважин функциональной или регрессионной зависимости геофизического параметра, удельного электрического сопротивления от глубины залегания;

анализ соответствия распределения геофизического параметра установленной зависимости в системе координат «параметр – глубина»;

- собственно корреляция интервалов в отдельных скважинах по результатам анализа.

При ее разработке была принята ориентация на использование режима диалога геолог - ЭВМ как средства, с помощью которого недостаточная формализация алгоритмов интерпретации может быть компенсирована опытом и интуицией специалиста-геолога, участвующего непосредственно в процессе подбора решения. В качестве основной формы диалога был принят так называемый графический. Последний предусматривает представление анализируемых объектов (разрезов) в графическом виде, а их корректировку путем преобразования полученных изображений, выполняемых оперативно с помощью ЭВМ в режиме "он-лайн". [2] В качестве технической базы – разработки использован вычислительный комплекс АРМ-M.

Одним из современных программных пакетов, разработанный в 2005 2006 годах, является ПК «ТРАСТ-TimeZУХ» — отечественный полномасштабный программный комплекс (ПК) "ТРАСТ" (международное название "TimeZYX"), реализующий инновационные технологии геолого гидродинамического моделирования разработки и мониторинга месторождений нефти и газа [2].

По заданию Министерства природных ресурсов (МПР) России, под руководством Российской академии естественных наук к созданию ПК "TPACT-TimeZYX" были привлечены ведущие исследовательские проектные организации России: Институт прикладной математики им. М.В. Келдыша РАН, Институт математического моделирования РАН, Московский государственный университет им М.В.Ломоносова, РГУ нефти и газа им.

И.М. Губкина, Центральная геофизическая экспедиция, НИПИ нефти и газа РАЕН, Тюменский институт нефти и газа и др. Данный ПК включает в себя модули для решения различных задач, в том числе корреляцию, основанную на применении триангуляционных сетей. [34] Следующим по времени выхода является программный комплекс DV-Gео - программный комплекс, предназначенный для создания и поддержки цифровых трехмерных структурно-параметрических моделей залежей нефти и газа на основе комплексной интерпретации данных геологии, геофизики и петрофизики, который содержит, в том числе, и модуль для корреляции геологических разрезов скважин с использованием триангуляционных сетей, разработанный в ООО «ЦГЭ».

Последним из серьезных разработок в сфере автокорреляции является программный комплекс «AutoCorr», созданный коллективом во главе с И.С. Гутманом. Выделение пластов в разрезе скважин и сопоставления данных пластов в программном комплексе основано на использовании триангуляционных сетей (раздел 1.2.2). [36] Кроме описанных выше программных комплексов, были созданы разнообразные алгоритмы, например, в среде Matlab, позволяющие проводить автокорреляцию. Данные алгоритмы были разработаны либо в рамках необходимости решить задачи, стоящие перед проектированием разработки в профильных научных институтах нефтедобывающих компаний, либо авторами при написании кандидатских диссертаций. В той или иной степени небольшая часть разработанных алгоритмов реализована в существующих программных комплексах нефтедобывающих компаний в виде отдельных модулей. При этом необходимо отметить, что существующие недостатки методов автовыделения пластов, на которых основаны данные разработки, весьма ограничивают возможность их применения.

1.4. Определение основных направлений исследований Проведенный выше обзор и анализ показывают, что:

- исходными данными являются одна или несколько данных ГИС, с прохождением обработки или без нее (стандартизацию и т.п.), либо синтетические кривые;

- по принципам сопоставления методы используют интегральное или парное сравнение;

- в существующих подходах отсутствует возможность выделять простирание отдельно взятых песчаных тел в границах пласта;

- при малом разнообразии используемых исходных данных и принципов сопоставления скважин, указанные методы обладают разнообразным кругом критериев выделения пластов (коэффициент корреляции, «генетический признак» и т.п.).

Необходимо отметить, что все описанные выше методы основываются на определенных математических разработках, которые не являются самодостаточными при полном решении вопроса идентификации геологических тел, включающего комплекс работ:

расчленение разреза на песчаные тела, корреляцию выделенных тел с последующим построением единого согласованного структурного каркаса.

Существующие методы охватывают ограниченный круг исходных геолого-промысловых данных (только кривые ГИС), нуждаются в трудоемкой настройке, либо в долгой подготовке и обработке исходных материалов, при этом, в большинстве случаев, решается лишь задача обработки кривых без учета и понимания геологической составляющей процесса осадконакопления. Что, в свою очередь, влечет необходимость разработки новой методики в решении вопроса автокорреляции в частности и процесса идентификации геологических объектов в целом.

Исходя из вышесказанного, определим основные направления исследований.

1. В существующих на данный момент подходах к автокорреляции в основном используются исходные материалы только каротажных кривых (одна, несколько, либо синтезированные кривые). В данной работе предлагается использовать при сопоставлении скважин не только данные ГИС, но и материалы сейсмических исследований, что позволит увеличить качество корреляции путем учета поведения региональных трендов. А при отсутствии сейсмических исследований на площади в качестве трендов могут быть использованы региональные карты трендов осадконакопления.

2. Предлагается при идентификации трехмерных геологических объектов использовать следующую последовательность действий:

- выделять пласты в разрезе скважин путем применения вейвлет-анализа как наиболее надежного метода расчленения;

- проводить корреляцию выделенных пластов путем интегрального сопоставления с учетом карт сейсмических трендов на основе математического аппарата, использующего нейросетевые технологии;



Pages:   || 2 | 3 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.