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:     | 1 | 2 ||

«Открытое акционерное общество Научно-производственная фирма «Геофизика» На правах рукописи ...»

-- [ Страница 3 ] --

f 0 ( x) i 0 i 0 i 0 i Отметим некоторые свойства f0’:

- f0’ является ступенчатой функцией как линейная комбинация ступенчатых базисных функций;

- рассмотрим норму max f ( x). Тогда f 0 f 0 ' cm, где m — f xdom( f ) количество уровней разложения;

- на любом постоянном полуинтервале значение c функции f0’является средним значением f0 на этом же полуинтервале.

Полученные свойства дают основания для использования данных видов преобразований в задаче разбиения геологического разреза.

Решение 1. Пусть f0 — функция геофизического сигнала, f0' преобразование, полученное с помощью трешолдинга коэффициентов.

Значения границ пластов ri положим равными границам «ступенек», то есть точкам f0’, соседние значения которых различны. Это решение обеспечивает выполнение критериев, для заданной точности c.

m Решение 2. Подвергнем коэффициенты dk,i‘ дополнительному преобразованию, которое обнуляет все коэффициенты с индексами k меньше фиксированного значения l. В таком случае происходит удаление всех деталей, характерный размер которых менее = 2l1.

3.1.2. Корреляция пластов Входные данные:

xP – набор кривых ГИС (от 1 до L) в интервале ранее выделенного пласта;

p – порядковый номер пласта с привязкой к номеру скважины;

V – заданный коэффициент корреляции с картой тренда;

n – количество классов (пластов);

topp – значение а.о. кровли каждого выделенного пласта, м;

d – значение карты тренда на каждой скважине, м.

Результат:

Все входные наборы кривых ГИС (xP) разделены на n классов (пластов).

Начало Цикл 1: для каждого вектора данных xp Цикл 2: для каждого класса n рассчитываем меру близости A ( xip cin ( p ) ) 2 ( x p, x p ) 2( x p, s n ( p ) ) ( s n ( p ), s n ( p ) ) p i p Конец цикла Находим n0, для каждого n0 имеем min A max ( xip, sin( p ) ) p i Относим объект к классу n Рассчитываем V Если V=Vзаданное Проверяем заданный коэффициент корреляции данных V=const кровли пласта (topp) каждого класса n (пласта) со значениями тренда скважин попавших в данный класс d.

Конец цикла Иначе относим результат расчета min A max ( xip, sin( p ) ) не к n0, а к p i следующему классу, имеющему максимум функции за исключением данного класса Конец цикла Конец 3.1.3. Выделение песчаных тел в пластах Рассмотрим составление алгоритма на примере обработки 1 кривой ГИС, далее по циклу производим обработку каждой заданной кривой.

Входные данные:

y=f(x) - представляет график функции (ГИС, или ее линейную интерполяцию). Кривая ГИС заранее отнормирована по глубине и амплитуде.

Результат:

Выделенные песчаные тела в интервале каждого пласта.

Начало Построение и определение bar-кода Цикл 1: для каждой функции y=f(x) в интервале пласта Цикл 2 (построение графа): для каждого t от min f(x) до max f(x) (см.

раздел 2.2.1) Находим:

- i - это номер отрезка в bar-коде;

- ai - абсцисса начала отрезка;

- ti - длина отрезка (т.е. время его существования);

- xi - координата точки минимума, в которой начинается компонента связности, порождающая данный отрезок;

- yi - координата точки максимума, в которой кончается компонента связности, порождающая данный отрезок.

Конец цикла 2 – по результату работы цикла получен граф в 1 пласте скважины Конец цикла 1 – по результату работы цикла получен граф по всем пластам всех скважин.

Определение bar-кода Задаем параметр: Cut_off (0Cut_off1) Цикл 1: для каждой функции y=f(x) в интервале пласта Если ti Cut_off То выделять песчаное тело Иначе игнорировать Конец цикла 1 – по результату работы цикла получен граф по всем пластам всех скважин.

3.1.4. Корреляция песчаных тел Первый этап – разделение песчаных тел интервала пласта на фации в каждой скважине с помощью использования аппарата нейронных сетей с обучением «с учителем». В данной работе с целью расчленения разреза скважин на фации предлагается использовать методику распознавания каротажных кривых [93], разработанную в ООО «РН-УфаНИПИнефть» с предлагаемыми усовершенствованиями.

Постановка задачи распознавания временного ряда Дано множество М объектов, которое необходимо классифицировать.

Известно, что множество М образовано в виде суммы подмножеств, называемых классами.

Задана информация I о классах, описание множества М и описание I(S) объекта S, о котором неизвестно – к каким из классов он принадлежит. Требуется по информации I, описанию I(S) установить для каждого j значение свойства.

Определим образ на множестве М как некоторое подмножество близких измерений исследуемой системы. Будем считать, что система изменяется во времени с точки зрения исследователя случайно и ее изменения не представляют интереса, и лишь иногда на графике может появиться один из интересуемых образов. В этом случае задача заключается, во-первых, в определении области, где изменение неслучайно, а во-вторых, в определении типа возникшего образа.

Проблему классификации будем рассматривать применительно к решаемой задаче распознавания форм на каротажных кривых.

На каждой скважине дано множество каротажных кривых k На выборочных скважинах экспертом проводится фациальный анализ и формируется обучающая выборка (m – количество фаций):

.

Требуется по предъявленным кривым остальных скважин поставить в соответствие каждой отметке глубины идентификатор фации, т.е. на предъявленной кривой выделить и классифицировать горные породы (фациальный анализ).

Реализация нейронной сети Распознавание образов формально определяется как процесс, в котором получаемый образ/сигнал должен быть отнесен к одному из предопределенных классов (категорий). Чтобы нейронная сеть могла решать задачи распознавания образов, ее сначала необходимо обучить, подавая последовательность входных образов наряду с категориями, которым эти образы принадлежат. После обучения сети на вход подается ранее не исследованный образ, который принадлежит тому же набору категорий, что и множество образов, использованных при обучении. Благодаря информации, выделенной из данных обучения, сеть сможет отнести представленный образ к конкретному классу.

Распознавание образов, выполняемое нейронной сетью, является по своей природе статистическим. При этом образы представляются отдельными точками в многомерном пространстве решений. Все пространство решений разделяется на отдельные области, каждая из которых ассоциируется с определенным классом. Границы этих областей как раз и формируются в процессе обучения.

Решение задачи распознавания образов с учетом специфики рассматриваемого временного ряда осуществляется в три этапа:

1) Подготовка и нормализация данных. Приведение кривых каротажей к заданному математическому ожиданию и заданной дисперсии в виду разброса их значений от скважины к скважине.

2) Выбор архитектуры и подбор параметров нейронной сети. Обучение нейронной сети по кривым каротажей, на которых была проведена интерпретация экспертом.

3) Предъявление нейронной сети тестовой выборки. Система формирует заключение относительно принадлежности каждой точки ряда образу некоторого класса.

Структура и свойства искусственного нейрона Нейрон - это составная часть нейронной сети. На рисунке 3.1 показана его структура. В состав нейрона входят умножители (синапсы), сумматор и нелинейный реобразователь. Синапсы осуществляют связь между нейронами и умножают входной сигнал на число, характеризующее силу связи, – вес синапса.

Рисунок 3.1 – Структура искусственного нейрона Сумматор выполняет сложение сигналов поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента – выхода сумматора. Эта функция называется «функция активации» или «передаточная функция» нейрона. Нейрон в целом реализует скалярную функцию векторного аргумента. Математическая модель нейрона описывается соотношениями:

, где wi – вес синапса (i = 1,..., n);

b – значение смещения;

s – результат суммирования;

xi – компонента входного вектора (входной сигнал) (i = 1,..., n);

y – выходной сигнал нейрона;

n – число входов нейрона;

f – нелинейное преобразование.

В общем случае входной сигнал, весовые коэффициенты и значения смещения могут принимать действительные значения. Выход y определяется видом функции активации и может быть как действительным, так и целым. Во многих практических задачах входы, веса и смещения могут принимать лишь некоторые фиксированные значения.

Синаптические связи с положительными весами называют возбуждающими, с отрицательными весами–тормозящими.

Таким образом, нейрон полностью описывается своими весами wi и передаточной функцией f(s). Получив набор чисел (вектор) xi в качестве входов, нейрон выдает некоторое число y на выходе. На входной сигнал s нелинейный преобразователь отвечает выходным сигналом f(s), который представляет собой выход нейрона y. Примеры активационных функций представлены в таблице и на рисунке 3.2.

Таблица 3.1 – Перечень функций активации нейронов Рисунок 3.2 – Примеры активационных функций: а – функция единичного скачка;

б – линейный порог (гистерезис);

в – сигмоид (гиперболический тангенс);

г – сигмоид (логистическая) Одной из наиболее распространенных является нелинейная функция с насыщением, так называемая логистическая функция или сигмоид (т.е. функция S-образного вида):

.

При уменьшении а сигмоид становится более пологим, в пределе при a = 0 вырождаясь в горизонтальную линию на уровне 0,5, при увеличении a сигмоид приближается по внешнему виду к функции единичного скачка с порогом в точке s = 0. Из выражения для сигмоида очевидно, что выходное значение нейрона лежит в диапазоне [0, 1].

Как отмечалось, искусственная нейронная сеть – это набор нейронов, соединенных между собой. Как правило, передаточные (активационные) функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы – как внешние выходы сети. Подавая любые числа на входы сети, мы получаем какой-то набор чисел на выходах сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора X в выходной вектор Y, причем это преобразование задается весами сети.

Обучение нейронной сети На вход нейронной сети подаются значения каротажей с одной глубины («срез по глубине»). Решение о том, является ли фация для конкретной глубины заглининизированным песчаником или нет, принимается согласно математическому округлению выхода нейронной сети.

Обучение нейронной сети основано на коррекции ошибки. Для того чтобы проиллюстрировать обучение, рассмотрим простейший случай нейрона k – единственного вычислительного узла выходного слоя нейронной сети прямого распространения (рисунок 3.3).

Рисунок 3.3 – Обучение, основанное на коррекции ошибок. Блочная диаграмма нейронной сети (показаны только нейроны выходного слоя) Нейрон k работает под управлением вектора сигнала (signalvector) x(n), производимого одним или несколькими скрытыми слоями нейронов, которые, в свою очередь, получают информацию из входного вектора (возбуждения), передаваемого начальным узлам (входному слою) нейронной сети. Под n подразумевается дискретное время, или, более конкретно, – номер шага итеративного процесса настройки синаптических весов нейрона k. Выходной сигнал (output signal) нейрона k обозначается yk(n). Этот сигнал является единственным выходом нейронной сети. Он будет сравниваться с желаемым выходом (desired response), обозначенным dk(n). В результате получим сигнал ошибки (error signal) ek(n). По определению:

ek (n) d k (n) y k (n).

Сигнал ошибки инициализирует механизм управления (control mechanism), цель которого заключается в применении последовательности корректировок к синаптическим весам нейрона k. Эти изменения нацелены на пошаговое приближение выходного сигнала yk(n) к желаемому dk(n). Эта цель достигается за счет минимизации функции стоимости (cost function) или индекса производительности (performance index) E(n), определяемой в терминах сигнала ошибки следующим образом:

E ( n) e k ( n) 2, где E(n) — текущее значение энергии ошибки (instantaneous value of the error energy).

Пошаговая корректировка синаптических весов нейрона k продолжается до тех пор, пока система не достигнет устойчивого состояния (steady state) (т.е.

такого, при котором синаптические веса практически стабилизируются). В этой точке процесс обучения останавливается.

Процесс, описанный выше, называется обучением, основанным на коррекции ошибок (error-correction learning). Минимизация функции стоимости E(n) выполняется по так называемому дельта-правилу, или правилу Видроу Хоффа, названному так в честь его создателей. Обозначим wkj(n) текущее значение синаптического веса wkj нейрона k, соответствующего элементу xj(n) вектора х(n) на шаге дискретизации n. В соответствии с дельта-правилом изменение wkj (n), применяемое к синаптическому весу wkj на этом шаге дискретизации, задается выражением:

wkj (n) ek (n) x j (n), где — некоторая положительная константа, определяющая скорость обучения (rate of learning) и используемая при переходе от одного шага процесса к другому.

Из формулы видно, что эту константу естественно именовать параметром скорости обучения (learning rate parameter). Вербально дельта правило можно определить следующим образом.

Корректировка, применяемая к синоптическому весу нейрона, пропорциональна произведению сигнала ошибки на входной сигнал, его вызвавший.

Определенное таким образом дельта-правило предполагает возможность прямого измерения (direct measure) сигнала ошибки. Для обеспечения такого измерения требуется поступление желаемого отклика от некоторого внешнего источника, непосредственно доступного для нейрона k. Другими словами, нейрон k должен быть видимым (visible) для внешнего мира (рисунок ). На этом рисунке видно, что обучение на основе коррекции ошибки по своей природе является локальным (local). Это прямо указывает на то, что корректировка синаптических весов по дельта-правилу может быть локализована в отдельном нейроне k.

Вычислив величину изменения синаптического веса wkj (n), можно определить его новое значение для следующего шага дискретизации:

wkj (n 1) wkj (n) wkj (n).

Таким образом, wkj(n) и wkj(n+1) можно рассматривать как старое и новое значения синаптического веса wkj. В математических терминах можно записать:

wkj (n) z 1[wkj (n 1)], где z-1 – оператор единичной задержки (unit delay operator). Другими словами, оператор z-1 представляет собой элемент памяти (storage element).

Ниже на рисунке представлен граф прохождения сигнала в процессе обучения, основанного на коррекции ошибок, для выделенного нейрона k.

Входной сигнал xk и индуцированное локальное поле vk нейрона kпредставлены в виде предсинаптического (presynaptic) и постсинаптического (postsynaptic) сигналов j-го синапса нейрона k.

Рисунок 3.4– Граф передачи сигнала выходного нейрона На рисунке видно, что обучение на основе коррекции ошибок – это пример замкнутой системы с обратной связью (closed-loopfeedback). Из теории управления известно, что устойчивость такой системы определяется параметрами обратной связи. В данном случае существует всего одна обратная связь, и единственным интересующим нас параметром является коэффициент скорости обучения. Для обеспечения устойчивости или сходимости итеративного процесса обучения требуется тщательный подбор этого параметра. Выбор параметра скорости обучения влияет также на точность и другие характеристики процесса обучения. Другими словами, параметр скорости обучения играет ключевую роль в обеспечении производительности процесса обучения на практике. Принятая в работе реализация нейронной сети подробно описана в подразделе 2.3.1.

3.1.5. Построение структурного каркаса Структурный каркас состоит из последовательно расположенных сеток поверхностей, которые представляют собой упорядоченный набор узлов со значениями. Алгоритм работает только с прямоугольными сетками с постоянным шагом по X и по Y.

Процесс построения сетки является переходом от фрагментарных, неупорядоченно расположенных точек наблюдения (скважин) к целостной, упорядоченной схеме, называемой сеткой или гридом. Гридом является прямоугольная двумерная область, в которой с заданным регулярным (не меняющимся) шагом определены значения (в других программах понятие грид может быть определено иначе). Точки, в которых определены значения пересечения вертикальных и горизонтальных рядов, называются узлами грида.

В качестве значения грида может выступать также признак отсутствия значения.

Перед картопостроением (построением сетки, гриддингом) необходимо, чтобы на карте присутствовали объекты со значениями, по которым можно построить сетку. К таким объектам в программе относятся: скважины, отметки границ выделенных пластов / пропластков, контуры, исходные, вспомогательные, вторичные сетки.

Для построения сетки необходимо прежде всего задать ее геометрию. Под геометрией сетки понимается набор чисел, определяющий границы сетки и шаг (расстояние между узлами). Требуется задать шесть чисел (Xmin, Xmax, Ymin, Ymax, dX, dY). Число узлов задавать не надо, их значение рассчитывается по формулам:

nX=(Xmax-Xmin)/(dX)+1, nY=(Ymax-Ymin)/(dY)+1, где nX, nY – количество узлов по X и Y соответственно;

Xmin, Ymin – минимальное значение координат узлов сетки по X и Y соответственно;

Xmax, Ymax – минимальное значение координат узлов сетки по X и Y соответственно;

dX, dY – шаг сетки по X и Y соответственно.

Основным методом картопостроения, реализованным в рамках комплексной методики, является кригинг - геостатистический метод, основанный на статистических моделях, включающих анализ автокорреляции (статистических отношений между измеренными точками). В результате кригинг не только имеет возможность создавать поверхность прогнозируемых значений, но и предоставляет некоторые измерения достоверности или точности прогнозируемых значений. [79] Кригинг (Kriging) взвешивает окружающие измеряемые значения, чтобы получить предсказание для неизмеренного местоположения. Основная формула для этих двух инструментов интерполяции формируется как взвешенная сумма данных:

, где Z(si) - измеряемое значение в местоположении i;

i - неизвестный вес для измеряемого значения в местоположении i;

s0 - местоположение прогноза;

N - количество измеряемых значений.

Вес i, зависит только от расстояния до местоположения прогноза.

Однако при использовании метода кригинга веса основаны не только на расстоянии между измеряемыми точками и местоположениями прогнозов, но также на общем пространственном расположении измеряемых точек. Чтобы использовать пространственное расположение в весах, нужно определить количество пространственной автокорреляции. Таким образом, в обычном кригинге вес i зависит от установленной модели для измеряемых точек, от расстояния до местоположения прогноза и от пространственных отношений между измеряемыми значениями вокруг местоположения прогноза.

Чтобы сделать прогноз с помощью метода интерполяции, необходимо решить две задачи: раскрыть зависимость правил;

сделать прогнозы.

Чтобы реализовать эти две задачи, кригинг проходит через 2-шаговый процесс: создаёт вариограммы и функции ковариации для оценки значений статистической зависимости (пространственной автокорреляции), которые зависят от модели автокорреляции (соответствующей модели);

прогнозирует неизвестные значения (делая прогноз).

Установка модели, или пространственное моделирование, также известно как структурный анализ, или вариография. В пространственном моделировании структуры измеряемых точек процесс начинается с диаграммы эмпирической вариограммы, вычисленной с помощью следующего уравнения для всех пар местоположений, разделенных расстоянием h:

Semivariogram(distanceh) = 0.5 * average((valuei – valuej)2).

Данная формула вовлекает вычисление разницы между квадратом значений парных местоположений. Часто каждая пара местоположений имеет уникальное расстояние, и часто существует много пар точек. Расположение всех пар быстро становится неуправляемым. Вместо размещения каждой пары они группируются в lag bins. Например, вычислите среднюю вариограмму для всех пар точек, расположенных друг от друга дальше 40 метров, но меньше метров. Эмпирическая вариограмма - это диаграмма средних значений вариограммы на оси y и расстояние (или лаг) на оси x.

Пространственная автокорреляция позволяет количественно оценить основной принцип географии: ближние объекты имеют большую степень сходства, чем отдаленные. Таким образом, пары близко расположенных местоположений должны иметь более сходные значения. По мере удаления друг от друга пары местоположений они должны стать более непохожими и получить большую разницу квадратов.

Следующим шагом является установка модели на точки, формирующие эмпирическую вариограмму. Моделирование вариограммы - это ключевой шаг между пространственным описанием и пространственным прогнозом.

Основное применение кригинга - прогноз атрибутивных значений в неопорных местоположениях. Эмпирическая вариограмма предоставляет информацию о пространственной автокорреляции наборов данных. Однако она не предоставляет информацию для всех возможных направлений и расстояний. По этой причине и чтобы убедиться, что прогнозы кригинга имеют положительные дисперсии кригинга, нужно установить модель - т.е. непрерывную функцию или кривую - на эмпирическую вариограмму. Абстрактно говоря, это аналогично анализу регрессии, в котором непрерывная линия или кривая устанавливается на точечные данные.

Инструмент Кригинг (Kriging) предоставляет на выбор следующие функции для моделирования эмпирической вариограммы: круговая, сферическая, экспоненциальная, гауссова, линейная.

Выбранная модель влияет на прогноз неизвестных значений, особенно если форма кривой вблизи исходных данных значительно отличается. Чем круче кривая вблизи исходных данных, тем больше влияния на прогноз будет иметь ближайшая окрестность. В результате выходная поверхность будет менее сглаженной. Каждая модель разработана для более точного соответствия разных типов явления.

После того как вы обнаружили зависимость или автокорреляцию в данных и завершили первое использование данных - с применением пространственной информации в данных для вычисления расстояний и моделирования пространственной автокорреляции, производится прогноз, используя установленную модель. Таким образом, эмпирическая вариограмма приостанавливается.

Далее кригинг формирует веса из окружающих измеренных значений для прогнозирования неизмеренных местоположений. Измеренные значения, расположенные наиболее близко к неизмеренным местоположениям, имеют наибольшее влияние. Однако веса кригинга для окружающих измеренных точек более сложные и происходят из вариограммы, которая была разработана, глядя на пространственной характер данных. Чтобы создать непрерывную поверхность явления, для каждого местоположения, или центров ячеек, делаются прогнозы в исследуемой области на основе вариограммы и пространственной организации измеряемых значений, расположенных рядом.

Кроме того в программном комплексе «Geoglobe» были реализованы следующие методики картопостроения.

Метод взвешенных расстояний рассчитывает значение в каждом узле сетки как среднее значение по ближайшим скважинам, вес которых зависит от расстояния до узла сетки. Метод является достаточно точным с точки зрения соответствия скважинным данным, однако обладает рядом недостатков.

Если имеется сетка со значениями, которые не совпадают со скважинными данными, то есть возможность уточнить уже построенную сетку по значениям в скважинах. Для этого необходимо проставить галочку в поле «Уточнить построенную сетку». Расчет будет проводиться только в том случае, если загружена сетка и в скважинах имеются значения. В этом случае сначала будет рассчитана сетка разницы значений в скважинах и в сетке методом взвешенных расстояний, а затем она будет отнята от исходной загруженной сетки.

Значение в восстанавливаемой точке Z определяется по формуле n Zi D m i Z, i n Dm i 1 i где Z – значение в i-той ближайшей скважине;

D – расстояние от i-той ближайшей скважины до точки расчета;

m – показатель степень, учитывающий влияние веса (обратного расстояния до контрольной точки);

n – количество скважин (контрольных точек), использующихся для расчета значения в узле.

Таким образом, вес каждой точки (скважины) можно определить как Dim W n.

D m i 1 i Данный метод может использоваться для построения оценочных карт по геолого-геофизическим параметрам.

Метод локальных полином рассчитывает значение в каждом узле сетки как результат построения локальных поверхностей, заданных полиномами N-ой степени. Метод является приближенным и может использоваться для оценочных карт. В качестве опций метода задается количество ближайших скважин, по значениям на которых будет рассчитываться среднее.

3.2. Описание программного обеспечения С целью автоматизации процесса идентификации трехмерных геологических объектов разработан программный модуль (рисунок 3.7), реализованный в программном комплексе «Geoglobe».

Рисунок 3.5 – Структура программного модуля Как видно из рисунка 3.5, программный модуль состоит из трех основных подсистем:

- этап подготовки, который включает блоки загрузки, анализа исходных данных и блок настроек пользователя;

- этап процесса, включающий блоки автокорреляции, построения структурного каркаса и блок анализа результатов;

- этап вывода, включающий блоки визуализации и сохранения результатов.

Кратко рассмотрим работы каждого этапа – блока.

Этап подготовки (рисунок 3.6) Блок ввода данных представляет из себя геологическую базу, с возможностью загрузки разнородных исходных данных: диаграммы ГИС, результаты исследований керна, сейсмические карты трендов и т.п.. Основные функции данного блока - формирование базы данных (рисунок 3.7).

Рисунок 3.6 – Структура этапа подготовки Рисунок 3.7 – Представление исходных данных в ПК «GeoGlobe»

А – данные ГИС, Б – карта тренда с сейсмического куба Блок анализа исходных данных представляет собой набор аналитических и алгоритмических инструментов, позволяющих проводить различные оценки, анализы и расчеты (рисунок 3.8). Основные функции данного блока:

- оценка качества исходных материалов;

- нормировка, увязка и стандартизация материалов ГИС;

- увязка разнородных данных между собой (например, керн - ГИС);

- определение количества необходимых данных работы на последующих этапах.

Результатом работы блока является обработанная и подготовленная база данных по месторождению для реализации следующего этапа – процессорного блока.

Блок настроек пользователя отвечает за ввод и применение необходимых параметров, исходя из экспертных оценок пользователя.

Рисунок 3.8 – Инструменты анализа исходных данных Процессорный этап (рисунок 3.9) Блок выделения и автокорреляции пластов является основной функциональной единицей программного модуля (рисунок 3.10).

Последовательность работы блока основана на изложенной в главе 2 методике, включающей:

- выделение пластов в разрезе скважин;

- корреляцию пластов;

- выделение песчаных тел в интервале пластов;

- корреляцию песчаных тел.

В результате работы блока выявляются границы трехмерных геологических объектов для дальнейшего построения структурного каркаса.

Рисунок 3.9 – Структура процессорного блока Рисунок 3.10 – Автокорреляция разрезов (на примере пласта БС9 Правдинского месторождения) Блок построения структурного каркаса, основанный на пакетной обработке данных с построением единых согласованных поверхностей, является отдельным обособленным элементом модуля, так как его можно применять для построения карт вне разработанного модуля (рисунок 3.11). При этом в модуле реализована возможность картопостроения путем использования всевозможных математических методов.

Блок анализа результата нацелен на статистическом сопоставлении полученных результатов с геологическим представлением специалиста о строении площади исследования.

Блок вывода результатов позволяет визуализировать полученные результаты в виде 2D и 3D моделей с целью оценки полученных результатов.

Сохранение и экспорт данных возможен в виде набора форматов, реализованных в таких программных комплексах, как IRAP RMS и Petrel.

Рисунок 3.11 – Построение структурного каркаса Выводы по главе 1. Приведены математические теоретические основы алгоритма, реализующие разработанную методику.

2. Формализованы и предложены алгоритмы, касающиеся всех этапов автоматизации процесса идентификации трехмерных геологических объектов, основанные на предложенной методике.

3. Разработана система идентификации трехмерных геологических объектов, включающая в себя несколько этапов и блоков: этап подготовки – блоки ввода данных, анализа исходных данных и блок настроек пользователя;

процессорный этап – блок выделения и автокорреляции пластов, блок построения структурного каркаса и анализа результатов. Разработанная структура легко подстраивается под различный тип задач, выполняя при этом часть или весь комплекс работ.

4. Разработанный программный модуль идентификации трехмерных геологических объектов реализован в программном комплексе «GeoGlobe», что позволило в короткие сроки внедрить разработанную методику на предприятиях.

ГЛАВА 4. Практическое применение комплексной методики идентификации трехмерных геологических объектов Данная глава посвящена решению последних двух задач, поставленных в работе:

- апробация разработанной комплексной методики на месторождениях Западно-Сибирского осадочного бассейна$ - выделение качественных и количественных признаков, оказывающих влияние на эффективность и корректность выделения стратиграфических зон, в рамках разработанной и формализованной методики идентификации трехмерных геологических объектов.

В связи с чем, с целью решения поставленных задач, а так же оценки качества и скорости работы разработанной методики идентификации трехмерных геологических объектов, подход прошел проверку на данных Правдинского, Приразломного, Комсомольского, Тарасовского, Барсуковского и других месторождений компании ОАО «НК «Роснефть», в рамках составления проектов подсчета запасов, проектирования и мониторинга разработки.

Рассмотрим результаты применения методики на примере отложений пластов Правдинского месторождения в следующей последовательности:

- описание месторождения с целью ознакомления с регионом проведения исследований;

- проведение автоматической идентификации трехмерных геологических объектов, слагающих месторождение, с построением единого согласованного структурного каркаса месторождения;

- оценка качества проведения идентификации объектов;

- анализ эффективности предлагаемого комплексного подхода и выработка рекомендаций по применению методики.

4.1. Описание месторождения Правдинское месторождение нефти расположено в бассейне небольшой речки Пойка (левого притока реки Обь) в 50 км к западу от г. Нефтеюганска и в 140 км к востоку от г. Ханты-Мансийска (рисунок 4.1). В административном отношении северная часть Правдинского лицензионного участка находится на территории Сургутского района, центральная и южная части – на территории Нефтеюганского района Ханты-Мансийского автономного округа Тюменской области. Непосредственно на территории участка расположен поселок городского типа Пойковский [95].

Рисунок 4.1 – Схема расположения Правдинского месторождения 4.1.1. Геологическое строение Тектоническое строение месторождения и окружающих территорий Правдинское месторождение расположено в восточной части Салымского мегавала, примыкающего через Малобалыкскую мегаседловину к Усть Балыкско-Мамонтовскому валу Сургутского свода. Мегавал имеет неправильные очертания и вытянут в субширотном направлении. С северо запада он граничит с Тундринской котловиной, с юго-востока – Юганской мегавпадиной, а с юга через Западно-Салымскую мегаседловину соединяется с Верхнесалымским мегавалом. Размеры Салымского мегавала составляют 50х120 км (рисунок 4.2) Правдинское месторождение приурочено к Пойкинскому поднятию. По кровле наиболее надежного отражающего сейсмического горизонта «Б» оно оконтуривается изогипсой -2790 м. На юго-востоке через седлообразный прогиб глубиной –2815 м раскрывается в сторону Тепловского месторождения, а на юго-западе через прогиб на глубине –2790 м соединяется с Лемпинским поднятием, к которому приурочено Салымское месторождение. Размеры Пойкинского поднятия в пределах замкнутой изогипсы по кровле отражающего горизонта «Б» составляют 38х22 км, высота – 100 м. Углы наклона крыльев 1 1°30', в пределах наиболее круто залегающих участков наклон достигает 2°30'.

По горизонтам, расположенным ниже (тюменская, горелая свиты и кровля фундамента), в целом морфология структуры сохраняется, однако за счет регионального изменения толщин между этими горизонтами происходит некоторое изменение глубин прогибов, ограничивающих Пойкинское поднятие с юго-востока и юго-запада. Так, по кровле горелой свиты (нижняя юра) прогиб на юго-востоке погружается до –3215 м (т.е. ниже, чем по кровле горизонта «Б»

на 400 м), а на юго-западе прогиб, отделяющий рассматриваемое поднятие от Лемпинского, ниже, чем по горизонту «Б» всего на 275 м и имеет глубину – 3065 м. Кроме того, по данным сейсморазведки, на юге и востоке Пойкинской структуры по кровле фундамента и горелой свиты выделяется серия разломов, имеющих в большинстве случаев субмеридиональное простирание. Разломы имеют локальное распространение, и максимальная протяженность выделенных тектонических нарушений достигает 4-5 км. Выше кровли горелой свиты нарушения не отмечены, в связи с чем на характере нефтеносности основных продуктивных горизонтов они не отражаются.

Рисунок 4.2 – Фрагмент Тектонической карты центральной части Западно Сибирской плиты (под редакцией: Шпильмана В.И., Змановского Н.И., Подсосовой Л.Л., 1998 г.) По кровле фундамента структура более расчлененная, появляется много мелких, но сравнительно крутых структурных осложнений, свод Пойкинской структуры по сравнению с поверхностью горизонта «Б» смещен на юго-запад, где абсолютная отметка составляет –3005 м. Угол наклона поверхности фундамента максимально достигает 6.

Сопоставление глубин залегания сейсмического горизонта с глубинами продуктивных пластов по данным бурения показывает удовлетворительную их сходимость. В целом данные сейсмической съемки вполне могут служить основой для структурных построений в слабо разбуренных частях месторождения и для поправок отметок продуктивных горизонтов в скважинах, пробуренных с большим наклоном, в которых данные инклинометрии отличаются высокой погрешностью.

По кровле продуктивного пласта БС8, за счет регионального изменения мощности толщи «Б» - БС8 в связи с ее нахождением в зоне клиноформенного залегания структура приобретает существенно ассиметричное строение:

западный склон становится значительно круче восточного, где структура практически полностью раскрывается в сторону Тепловской структуры. В результате амплитуда структуры уменьшается до 10-15 м и вся она состоит из мелких структурных осложнений. Наиболее крупная из них имеет размеры 14х5 км, высоту – 15 м.

Толща между кровлей продуктивного пласта БС6 и горизонтом «Б» более стабильна по мощности, хотя также имеет место некоторое увеличение ее в западном направлении (с 430 м на востоке до 490 м на западе). В связи с этим различие в структурных планах сейсмического горизонта «Б» и продуктивного пласта БС6 менее заметно. По кровле пласта БС6 Пойкинская структура оконтуривается изогипсой –2300 м и имеет размеры 30х12 км, высоту 40 м. По узкому и длинному мосту (длиной более 20 км) с отметкой поверхности пласта -2295-2300 м Пойкинская структура на юго-востоке соединяется с Тепловским поднятием.

По кровле пласта БС1 морфология структуры практически полностью совпадает с пластом БС6: замыкающая изогипса находится на глубине –2215 м, размеры структуры 30х12 км, высота –35 м. Так же, как и по пласту БС6, структура через узкий мост соединяется с расположенным восточнее Тепловским поднятием.

Выше по разрезу (по кровле нижнеалымской подсвиты и покурской свиты) форма и размеры структуры существенных изменений не претерпевают, отмечается незначительное выполаживание и уменьшение размеров структуры.

Амплитуда уменьшается до 30 м, ширина структуры - до 10-12 км.

При общей схожести структурных планов от продуктивных пластов до покурской свиты амплитуда поднятия также меняется незначительно: от 40 м по кровле основного продуктивного пласта БС6 до 30 м по поверхности сеномана. Этот факт свидетельствует о том, что поднятие может быть отнесено к структурам сравнительно молодым, так как около 75% амплитуды поднятия по поверхности продуктивных отложений сформировано в постсеноманский этап и только одна четверть – за нижнее - частично верхнемеловой период.

Литолого-стратиграфическая характеристика разреза Стратиграфическое описание палеозойских отложений дано по ”Региональной стратиграфической схеме палеозойских образований Западно Сибирской равнины”, утвержденной МСК России в 2000 г.

Основу стратиграфического расчленения разреза мезозойских отложений составляют ”Региональные стратиграфические схемы триасовых и юрских отложений Западной Сибири”, принятые VI Межведомственным стратиграфическим совещанием 16 октября 2003 года (г. Новосибирск) и утвержденные МСК Российской Федерации 9 апреля 2004 года.

Стратиграфическая схема приведена на рисунке 4.3.

В районе Правдинского месторождения разрез подразделяется на два структурно-формационных этажа: доюрские складчатые образования и мезозойско-кайнозойский чехол. При описании разреза привлекались фактические материалы по описанию керна и нефтегазоносности территории.

Рисунок 4.3 – Выкопировка из макета региональной стратиграфической схемы берриас-нижнеаптских отложений Западной Сибири 4.1.2. Состояние геолого-физической изученности Сейсмические исследования Рассматриваемые исследования выполнялась в рамках работ по Подсчету запасов Правдинского месторождения специалистами ООО «РН УфаНИПИнефть» с применением программных комплексов «Kingdom Suite» и «Geoglobe».

Площадь работ достаточно хорошо изучена данными сейсморазведки (рисунок 4.4) и глубокого бурения. Всего на площади пробурено порядка скважин различной категории, вскрывающих осадочный чехол на уровнях верхнеюрских и нижнемеловых отложений.

Сейсмические исследования 2Д и 3Д проводились в разные годы различными технико-методическими приемами. К сожалению, временные разрезы 2Д в цифровом виде не сохранились, поэтому в данной работе использовались только данные 3Д съемки в объеме 680 кв. км, охватывающей северо-восточную часть лицензионного участка.

Для построения сводных карт и создания Геологической модели месторождения использовались оцифрованные карты по опорным и продуктивным горизонтам из отчета «Пересчет запасов и Технико Экономическое обоснование коэффициентов извлечения нефти Правдинского месторождения» (по состоянию на 01.01.2007 г.) ГП «НАЦ РН им. В.И. Шпильмана. Целесообразность данной работы продиктована необходимостью проведения дополнительных исследований по доизучению месторождения по ОГ АС9, АС10, АС12, БС5, БС16-17, БС18, БС19-20, БС21-22, ЮС0 и построению структурно-тектонической модели с учетом новых данных бурения.

Рисунок 4.4 — Схема покрытия месторождения сейсморазведкой 3D Отбор керна Всего на изучаемой площади месторождения на 01.01.2013 г. с отбором керна пробурено 137 скважин, в т.ч. 5 поисковых, 79 разведочных, эксплуатационных (рисунок 4.5).

По всем этим скважинам с отбором керна пройдено 4878,32 м, линейный вынос керна составил 2512,67 м или 51,5 %.

Поднятый при бурении керн описывался геологами участков УБР, затем отбирались образцы для анализов, которые выполнялись в лабораториях Главного управления геологии Тюменской области (ЦЛ Главтюменьгеологии), СибНИИНП и ЗАО «Сибнефтепроект». Весь поднятый керн увязывался с каротажной характеристикой разреза. Точность привязки кернового материала к фактическим глубинам контролировалась путём сопоставления интервалов отбора керна, кривых стандартного каротажа и результатов исследований коллекторских свойств пород.

Рисунок 4.5 – Схема отбора керна из скважин Правдинского месторождения 4.2. Проведение автоматической идентификации песчаных тел Согласно имеющемуся представлению, промышленная нефтегазоносность месторождения установлена в терригенных отложениях нижнего мела: пласты АС9, АС10, АС11, БС5, БС6, БС8, БС9, БС16-17, БС18, БС19-20, БС21-22 (ахская свита) и верхней юры, пласт ЮС0 (баженовская свита).

На рисунке 4.6 представлена концептуальная схема строения месторождения – осадконакопление представлено клиноформным строением.

Выделение и корреляция пластов, групп пластов Месторождение с точки зрения осадконакопления, представленное клиноциклитами (рисунок 4.7) с различными зонами осадконакопления: от прибрежно-морских до глубоководных. Данный аспект сказывается как на каротажных диаграммах, так и на необходимости учета данной особенности при выделении песчаных тел. Кроме того, проведение идентификации трехмерных геологических тел осложнено тем, что не все пласты в разрезе вскрыты большим фондом скважин: нижние ачимовские отложения вскрыты из 1560 скважин.

мелководные Верхние пласты – геологические АС9-11 отложения запасы 2,8% БС5- Реперные пачки глин шельфовые БС8-9 отложения Основные геологические запасы БС16- – 84% БС19-22 глубоководно морские отложения, турбидиты ЮС Баженовская свита – Геологические запасы ачимовской толщи геологические запасы 5,1% 8,1% – трудноизвлекаемые, аномальные коллекторские недоразведанные свойства Рисунок 4.6 – Схема строения месторождения [88] Исходя из стратиграфического описания данных подсчета запасов, примем, что пласты:

- БС16-22 – фондоформа - высокорасчлененные, слабосвязанные, песчано алевролитовые линзы глубоководного генезиса с высокой изменчивостью строения;

- БС5-9 – клиноформа - слаборасчлененные связанные шельфовые и кромкошельфовые песчаные тела;

- АС9-11 – ундаформа - изменчивые продуктивные пачки прибрежно морского генезиса.

На рисунке 4.8 показана преобладающая толща разреза месторождения, охваченная геофизическими исследованиями, и имеющая продуктивные отложения. Интервал абсолютных отметок исследований составляет от 1800 м до 2900 м. В результате работы алгоритма автокорреляции в разрезе месторождения было выделено 4 группы пластов, на рисунке 4.8 представлено 3 группы А, Б и В.

По аналогичной схеме было произведено выделение групп пластов по всем скважинам месторождения. Отдельно необходимо отметить выделение четвертой группы пластов – Г, которая соответствует имеющимся пластам ачимовских отложений, имеющими, в свою очередь, сложное строение и вскрытые лишь 57 скважинами. Данные отложения относятся к фондоформенной части клиноциклита и осложнены многочисленными зонами замещения, глинизации и т.п. (рисунок 4.7).

Рисунок 4.7 – Клиноциклитное строение месторождения Таким образом, по результату первой стадии работы группа пластов А выявлена в 1102 скважинах, Б - в 1475 скважинах, В - в 420 скважинах, Г - в скважинах. С целью оценки качества результатов работы методики были построены карты кровель выделенных групп пластов и мощностей.

Как видно из карт кровель и мощностей (рисунок 4.9), с увеличением глубины зона шельфа приближается к зоне осадконакопления месторождения, что показано увеличением глубины кровли пласта в восточном направлении.

Рисунок 4.8 – Вскрытая толща пород охваченных ГИС Рисунок 4.9 – Проверка результатов автокорреляции Выделение и корреляция песчаных тел в интервале пластов Реализация второго этапа идентификации трехмерных геологических объектов включает в себя выделение песчаных тел в интервале ранее выделенных пластов (групп пластов). Рассмотрим на примере группы пластов В, которая, согласно подсчету запасов, по абсолютным отметкам соответствует пластам БС8 и БС9. На рисунках 4.10 и 4.11 представлено исходное строение пластов, которое не предполагает детального расчленения. По результату работы предложенных алгоритмов (рисунок 4.12 и 4.13) пласты были разделены на несколько клиноциклитов с выделением фациальных зон осадконакопления. При этом на рисунке 4.14 четко видно движение кромки шельфа при осадконакоплении.

Рисунок 4.10 – Строение пласта БС8 согласно подсчету запасов [87] Степень детализации выделения геологических тел и корреляции, с точки зрения экспертов, достаточна для районирования месторождения и выделения зон для проведения геолого-технических мероприятий. Дальнейшая детализация не ведет к получению дополнительной информации, которую можно было бы использовать в производственном процессе, но позволяет выделить дополнительные фации.

Таким образом, в результате детальной корреляции месторождения произошло расчленение практически каждого пласта на пачки, что позволило разработать максимально приближенную к реалиям (исходным данным) схему осадконакопления (рисунок 4.15).

Рисунок 4.11 – Строение пласта БС9 согласно подсчету запасов [87] Рисунок 4.12 – Результат детальной корреляции пласта БС Рисунок 4.13 – Результат детальной корреляции пласта БС Рисунок 4.14 – Движение кромки шельфа при осадконакоплении пластов БС8 и БС9 Правдинского месторождения Рисунок 4.15 – Обновленная схема осадконакопления Правдинского месторождения Рассмотрим выделение литотипов и корреляцию на их основе на примере пластов группы Г (ачимовские отложения) В процессе идентификации песчаных тел удалось выделить 4 пропластка в ачимовской толще. Для данной цели были использованы карты сейсмических трендов, в результате использования которых была проведена полная перекорреляция и пересмотр геологического строения пластов (рисунок 4.16).

Известно, что ачимовская толща имеет клиноформную седиментационную модель, согласно которой изохронные седиментационные поверхности в неокомских отложениях погружаются к баженовской свите в направлении от обрамления к центру седиментационного бассейна.

Одновозрастные отложения имеют резкую дифференциацию и представлены вблизи источника сноса континентальными, далее прибрежно-морскими и мелководно-морскими, а вблизи центра бассейна глубоководноморскими фациями.

Рисунок 4.16 – Схема корреляции пластов ачимовской группы [83] Рисунок 4.17 – Основные характеристики типов разрезов Для анализа перечисленных пластов ачимовской толщи были выявлены основные виды характерных кривых ГИС и выделены типы разрезов. Всего выделено шесть основных типов: первый тип разреза — отложения глинистой части разреза;

второй тип — является переходным от песчаного типа разреза к глинизированному (напоминает глинисто-аргиллитовую пойменную фацию);

второй тип — встречается вблизи с потоковыми — третьим и четвёртым типами разрезов;

пятый тип — осадки зон расположения гравитационных потоков;

шестой тип — аналогичен пятому, но наиболее развит и имеет большие толщины (рисунок 4.17).

Анализ показал, что наилучшими коллекторскими свойствами обладают 3, 4 типы разрезов. Именно эти зоны выбраны в качестве перспективных ловушек.

Пласт БС21- Максимальную площадь распространения имеет разрез третьего типа, минимальную — первого. В районе Правдинского месторождения палеорельеф пологий. В центре Правдинской площади зона глинизации обусловлена препятствием, которое огибалось турбидитовыми потоками, не осаждая в этом месте песчано-глинистый материал. Энергетическая динамика источника сноса довольно равномерна, неактивна. Линия присклонового перегиба ожидается восточнее Правдинского месторождения (рисунок 4.18).

Пласт БС19- Тип 5 охватывает наибольшую территорию распространения клиноциклита, тип 1 – наименьшую. Палеорельеф однороден, с небольшим поднятием на востоке Правдинской площади, соответствующим зоне глинизации. Энергетическая динамика источника сноса довольно равномерна.

Линию присклонового перегиба условно можно провести по правой границе Правдинского месторождения в субмеридиональном направлении (рисунок 4.19).

Пласты БС18 и БС16- Максимальная площадь распространения у 2 типа разреза, минимальная – у 6. Пласт наиболее развит на севере Правдинского месторождения.

Палеорельеф повторяет тенденцию палеорельефа предшествующих пластов, но более полого, что обуславливает более равномерное распространение осадочного материала. Энергетическая динамика источника сноса средняя (рисунок 4.20).

Рисунок 4.18 – Схема распространения литотипов и концептуальная модель строения чеускинского клиноциклита пласта БС21-22 [95] Рисунок 4.19 – Схема распространения литотипов и концептуальная модель строения чеускинского клиноциклита пласта БС19-20 [95] Рисунок 4.20 – Схема распространения литотипов и концептуальная модель строения покачевского клиноциклита пластов БС18 и БС16-17 [95] Построение структурного каркаса По результату работы методики выявлено, что в структурном плане залежи нефти Правдинского месторождения представляют собой брахиантиклинальную складку, вытянутую в субмеридиональном направлении, расположенную в центральной части месторождения. Восточная часть представлена небольшим по размеру куполовидным поднятием, приуроченным к Восточно-Правдинскому лицензионному участку.


Структурные карты по кровле продуктивных горизонтов строились по алгоритму, описанному в главе 2, с использованием результатов сейсмики в качестве тренда при проведении корреляции.

Основным преимуществом методики является более обоснованный с геологической точки зрения результат (ведется пакетный расчет), более высокая скорость построения по сравнению с другими методами. На рисунках 4.21 и 4.22 представлен результирующий структурный каркас месторождения/ При создании трехмерной сетки, которая должна отражать геологическое строение для дальнейшего моделирования, учитывался целый ряд факторов, обеспечивающих оптимальные, с точки зрения решаемой задачи, параметры расчетной сеточной области. К таким факторам относятся: степень изменчивости структурного плана;

конфигурация границ залежей нефти и их положение в плане относительно друг друга;

закономерности изменения общей толщины моделируемых пропластков;

условия осадконакопления моделируемых пластов.

По результату проведения идентификации трехмерных геологических объектов на Правдинском месторождении выделено самостоятельных объектов моделирования - исходные пласты были разделены на 2-4 пропластка. В таблице 4.1 представлено сопоставление геологических объектов, выделенных по результату работы предложенного подхода в сравнении с объектами, находящимися на государственном балансе (таблица 4.1).

БС Рисунок 4.21 – Фрагмент структурного каркаса Правдинского месторождения.

БС БС БС БС БС БС16- БС БС БС62 БС19- БС21- БС Рисунок 4.22 – Фрагмент структурного каркаса пластов Правдинского месторождения в продольном и поперечном сечениях Таблица 4.1 – Сопоставление геологических объектов Результат Государственный Пояснения по результатам применения баланс идентификации методики AC9 AC Отсечены подстилающие АС10 АС водоносные горизонты АС11 АС БС5 БС БС61 Полностью скорректировано БС геологическое строение пласта БС БС81 Полностью скорректировано БС геологическое строение пласта БС БС Полностью скорректировано БС БС геологическое строение пласта БС БС16-17 БС16- БС18 БС18 Проведена полная перекорреляция объектов БС19-20 БС19- БС21-22 БС21- ЮС0 ЮС Так же необходимо отметить важный положительный момент реализации предложенной методики, который состоит в том, что в результате детальной корреляции пласта БС6 удалось кардинальным образом скорректировать геологическое строение пласта БС6. Пласт удалось разделить на составляющих пропластка – БС61 и БС62, причем южная часть пласта, сложенная пропластком БС62, вышла за контуры лицензии и соединилась с залежью соседнего Восточно-Правдинского месторождения. В период 2011 2013 в зоне сочленения были пробурены горизонтальные скважины с запускным дебитом нефти более 150 т/сут и обводненностью 10%.

На рисунке 4.23 показано итоговое геологическое строение пласта БС6, поделенного на 2 пропластка, по которому видно слияние пластов месторождений. На рисунке 4.24 представлен разрез в области смены пласта БС61 на пласт БС62 по мере осадконакопления.

Рисунок 4.23 – Схема контуров нефтеносности и замещения пласта БС Рисунок 4.24 – Схема корреляции пропластков БС61 и БС По приведенному выше примеру была проведена идентификация трехмерных геологических объектов на Правдинском, Приразломном, Комсомольском, Тарасовском, Барсуковском и других месторождениях компании ОАО «НК «Роснефть».

Результаты экспериментов показали, что применение разработанного программного модуля на основе предложенной методики позволяет кратно ускорить процесс идентификации геологических объектов с сохранением высокого качества корреляции, что, в свою очередь, снижает до минимума затрачиваемое время на выполнение рутинной работы.

Качественные и количественные признаки, оказывающие влияние на эффективность предложенной методики идентификации Количественными признаками, оказывающими влияние на эффективность корреляции являются:

- количество используемых каротажных кривых на этапах выделения пластов и песчаных тел;

- объем и качество данных используемых сейсмических исследований;

- полнота используемого материала.

Качественными признаками, оказывающими влияние на эффективность корреляции являются:

- особенности осадконакопления в регионе исследований;

- степень изменчивости разреза;

- наличие постседиментационных процессов влияющих на изменение свойств слагающих пород.

С целью определения оптимального соотношения между количеством используемых исходных данных, качеством результата, скоростью и детальностью проведения идентификации песчаных тел были проведены многочисленные исследования (более 100) на данных различных месторождений. В результате материалов, полученных при апробировании методики можно сделать следующие выводы:

соотношение качества и скорости автокорреляции является оптимальным при использовании 3-4 кривых ГИС, при увеличении количества кривых качество не возрастает, но значительно возрастает скорость работы алгоритма;

- для детальной корреляции достаточно использовать 1-2 кривые диаграмм ГИС (методы ПС и ГК или ИК на песчаных коллекторах), это позволяет получить наиболее детальную разбивку, увеличение количества кривых ведет в основном к росту ошибочных определений;

- карты сейсмических или региональных трендов необходимо применять в случае, когда по разрезу имеется недостаточное количество скважинных данных, либо разрез имеет высокую изменчивость по вертикали, в нашем случае это ачимовские отложения – вскрыты 57 скважинами на площади примерно 1000 км2.

Выводы по главе 1. Предложенная в работе комплексная методика апробирована на месторождениях Западно-Сибирского осадочного бассейна.

2. Проведен полный цикл работ по идентификации трехмерных геологических объектов, начиная от выделения пластов и групп пластов до выделения отдельных песчаных тел с построением единого согласованного структурного каркаса месторождения.

3. Результаты проведённой работы легли в основу проекта пересчета запасов нефти и газа Правдинского месторождения и использовались в процессе мониторинга разработки месторождения.

4. Определены качественные и количественные признаки, оказывающие влияние на эффективность и корректность выделения стратиграфических зон, в рамках разработанной и формализованной методики.

5. Благодаря применению предложенной комплексной методики на Правдинском месторождении удалось:

- уточнить геологическое строение месторождения в целом и отдельных пластов в частности;

- провести детальную корреляцию пластов с выделением отдельных линз и пропластков с указанной точностью;

- построить единый согласованный структурный каркас, который был использован при дальнейшем моделировании;

- определить перспективные зоны для бурения новых высокодебитных скважин.

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ 1. Предложена новая комплексная методика идентификации естественных трехмерных геологических объектов до уровня песчаных тел как путей фильтрации углеводородов с последующим построением единого согласованного структурного каркаса, основанная на понятиях и принципах искусственных нейронных сетей и bar-кодов.

2. Формализованы этапы реализации методики и предложены алгоритмы, позволяющие автоматически выделять в каждой отдельной скважине пласты и пропластки с последующей их корреляцией в разрезе скважин и построением единого трехмерного структурного каркаса месторождения с учетом особенностей геологического строения, полноты исходных данных и возможности учета при корреляции фациальных условий и геологических закономерностей осадконакопления.

Предложены методики прикладного применения результатов 3.

диссертационной работы: впервые описана методика оценки степени гидродинамической связанности песчаных тел внутри пласта;

разработан пошаговый алгоритм применения методики в геолого-промысловой практике непосредственно в производственном процессе для подбора геолого технических мероприятий и оптимизации системы разработки месторождения.

4. Разработан программный модуль для решения задачи идентификации естественных трехмерных геологических объектов и отдельных тел (фаций). С целью ускорения процесса внедрения предложенной методики в производственный процесс, разработанные модули реализованы в программном комплексе «GeoGlobe», который в настоящее время широко используется на многих предприятиях.

5. Проведена апробация алгоритма путем ряда вычислительных экспериментов с целью проверки качества и эффективности работы предложенных моделей, методов и алгоритмов автоматического выделения границ естественных трехмерных объектов (пластов и отдельных песчаных тел) на основе данных геофизических и сейсмических исследований Правдинского, Приразломного, Восточно-Правдинского, Лемпинского, Комсомольского, Тарасовского, Барсуковского, Верхне-Пурпейкого месторождений.

Быстродействие алгоритма и высокое качество результатов применения предложенной методики подтверждено при проведении более вычислительных экспериментов.

6. Определены качественные и количественные признаки, оказывающие влияние на эффективность и корректность выделения стратиграфических зон в рамках разработанной и формализованной методики.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. Шайбаков, Р.А. Анализ и обработка исходной информации, необходимой для автоматизации процесса корреляции разрезов скважин [Текст] / Р.А. Шайбаков // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2012. – Вып.10. – С.54-59.


2. Верхотурова, О.М. Идентификация границ слабоструктурированных трехмерных объектов на основе методов дискретной оптимизации [Текст]:

дис…канд.техн.наук: защищена утв.

05.13.01: 11.09.2009: 09.10.09 / Верхотурова Олеся Михайловна. – Уфа, 2009. – 170 с. – Библиогр.: c. 162-170.

3. Губерман, Ш.А. Машинное зрение и теория гештальта [Текст] / Ш.А. Губерман // Вопросы психологии. – 1983. – № 3. – С. 143-149.

4. Губерман, Ш.А. Неформальный анализ данных в геологии и геофизике [Текст]: монография / Ш.А. Губерман. – Москва: Недра, 1987. – 261 c.

5. Губерман Ш.А. Теория гештальта и системный подход [Текст] / Ш.А. Губерман // Системные исследования. – 1984. – Вып.4. – С. 66-82.

6. Деч, В.Н. Методы изучения периодических явлений в геологии [Текст]:

монография / В.Н. Деч, Л.Д. Кноринг. –Москва: Недра, 1985. – 255 с.

Губерман, Ш.А. Алгоритм расчленения и сопоставления 7.

геофизических разрезов скважин на ЭВМ [Текст] / Ш.А. Губерман // Нефтепромысловая геофизика. – 1975. – Вып. 5. – С. 48-56.

8. Жеховский, Б. Новый метод стратиграфической корреляции [Текст] / Б. Жеховский // Нефтепромысловое дело. – 1963. – Вып.31. – С. 22-27.

9. Гутман, И.С. Детальная корреляция продуктивных отложений в активном и интерактивном режимах с помощью программы ГЕОКОР-2 [Текст] / И.С. Гутман, В.В. Бакина, И.Ю. Балабан, В.Е. Копылов, Г.П. Кузнецова, H.H. Лисовский, O.P. Мусин, В.М. Староверов // труды Всероссийского совещания «Контроль и регулирование разработки нефтяных месторождений».

– Альметьевск, 2000. – С. 183-184.

10. Детальная корреляция для построения трехмерных геологических моделей залежей УВ: учебное пособие к лабораторным работам по курсу «Нефтегазопромысловая геология» [Текст]: монография / И.С. Гутман [и др.]. – Москва: изд-во «Нефть и газ» РГУ нефти и газа им. И.М. Губкина, 2001. – 79 с.

11. Корреляция геолого-геофизических разрезов скважин с помощью программы «Геокор-2» [Текст] / И.С. Гутман [и др.] // Геология нефти и газа. – 2002. – Вып.1. – С. 54-63.

12. Ковалевский, Е.В. Автоматическая корреляция скважин на основе формализации неопределенности / Е.В. Ковалевский // ОАО «Центральная геофизическая экспедиция». – (http://www.cge.ru/?page=dvgeocorr_r) 13. Ковалевский, Е.В. Уточнение геологических моделей посредством использования автоматической корреляции скважин [Текст] / Е.В. Ковалевский // Недропользование XXI век. – 2007. – Вып.4. – С. 28-31.

14. Шарапов, И.Н. Применение математической статистики в геологии [Текст]: монография / И.Н. Шарапов. – Москва: «Недра», 1971. – 245 с.

15. Интерактивная корреляция геологических разрезов по данным ГИС [Текст] / В.М. Омелин [и др.] // Геология нефти и газа. – 1989. – Вып.8. – С. 102-118.

16. Харман, Х.Х. Современный факторный анализ [Текст]: монография / Х.Х. Харман. – Москва: «Статистика», 1972. – 392 с.

17. Grossman, A. Decomposition of Hardy Functions into Square Integrable Wavelets of Constant Shape / A. Grossman, J. Morlet // SIAM Journal Mathematics Analysis. – 1984. – Vol.15. – Pp. 723.

18. Гильманова, Н.В. Разработка методов литологического расчленения и межскважинной корреляции геологических разрезов терригенных и вулканогенно-осадочных отложений на основе данных исследований скважин [Текст]: дис…канд.техн.наук: 25.00.10: защищена 27.04.2007: утв. 03.06.07 / Гильманова Наталья Вячеславовна – Тюмень, 2007. – 303 с. – Библиогр.:

c. 291-303.

19. Витязев, В.В. Вейвлет-анализ временных рядов [Текст]: монография / В.В. Витязев. – СПб: изд-во Санкт-Петербургского университета, 2001. – 58 с.

20. Воробьев, В.И. Теория и практика вейвлет-преобразования [Текст]:

монография / В.И. Воробьев, В.Г. Грибунин. – СПб.: изд-во ВУС, 1999. – 203 с.

21. Дремин, И.М. Вейвлеты и их использование [Текст] / И.М. Дремин // Успехи физических наук. – 2000. – Вып.5. – С.46.

22. Добеши, И. Десять лекций по вейвлетам [Текст]: монография / И. Добеши. – Ижевск: НИЦ регулярная и хаотическая динамика, 2001. – 464 с.

23. Астафьева, Н.М. Вейвлет-анализ: основы теории и примеры применения [Текст] / Н.М. Астафьева // Успехи физических наук. – 1996. – Вып.11. – С. 1145-1170.

24. Lim, J.-S. Multivariate statistical techniques including PCA and rule based systems for well log correlation / J.-S. Lim // Developments in Petroleum Science. – 2003. – Vol.51. – Pp. 673-688.

25. Интеллектуальные системы интерпретации данных геофизических исследований скважин [Текст] / В.А. Тененев [и др.] // Искусственный интеллект. – 2002. – Вып.3. – С. 439-447.

26. Федоров, А.В. Программно-аппаратные средства для интерпретации геофизических исследований скважин на основе нейроинформационных технологий [Текст]: дис…канд.техн.наук: 05.13.18: защищена 13.09.2005: утв.

02.11.09 / Федоров Алексей Владимирович. – Ижевск, 2005. – 172 с. – Библиогр.: c. 153-169.

27. Лялин, В.Е. Применение нейроинформатики при создании ядра базы знаний интеллектуальной системы для литологического расчленения разреза скважины [Текст] / В.Е. Лялин, А.В. Федоров // материалы международной научной молодежной школы «Нейроинформатика и системы ассоциативной памяти». – Таганрог: изд-во ТРТУ, 2005. – С. 95-99.

28. Сенилов, М.А. Модели радиальных нейронных сетей в задачах промышленной геофизики [Текст] / М.А. Сенилов, В.А. Тененев, П.Б.Паклин // материалы IV международной научно-технической конференции «Информационные технологии в инновационных проектах». – Ижевск: изд-во ИжГТУ, 2003. – Часть 2. – С. 85-87.

29. Корреляция геофизических разрезов скважин на ЭВМ [Текст] / Ш.А. Губерман [и др.] // Геология нефти и газа. - 1981. – Вып.2. - С. 78-94.

Губерман, Ш.А. Алгоритм расчленения и сопоставления 30.

геофизических разрезов скважин на ЭВМ [Текст] / Ш.А. Губерман // Нефтепромысловая геофизика. – 1975. – Вып.5. – С. 48-56.

31. Чуринова, И.М. ГЕММА — система интегрированной интерпретации геолого-геофизических данных с целью построения моделей месторождения нефти и газа [Текст] / И.М. Чуринова, Г.В. Скрипникова, В.Б. Тихонов // материалы Московской Международной конференции по каротажу скважин. – Москва: ЦГЭ, 1998. – С. 104-122.

32. Миркес, Е.М. Нейроинформатика: учебное пособие для студентов [Текст]: монография / Е.М. Миркес. – Красноярск: ИПЦ КГТУ, 2002. – 347 с.

33. Констатирование, оценка значимости параметров, оптимизация их значений и их интерпретация в нейронных сетях [Текст] / С.Е. Гилев, Д.А. Коченев, Е.М. Миркес, Д.А. Россиев // материалы III Всероссийского семинара «Нейроинформатика и ее приложения». – Красноярск: КГТУ, 1995. – С. 79-88.

Сыртланова, В.С. Программный комплекс «Автоэкспертиза 34.

TimeZYX» – автоматизированная система для оценки качества геолого гидродинамических моделей [Текст] / В.С. Сыртланова, Н.С. Фогель, А.С. Тихонов // Вестник ЦКР Роснедра. – 2010. – Вып.4. – С.57-68.

35. Уоссермен, Ф. Нейрокомпьютерная техника: теория и практика [Текст]: монография / Ф. Уоссермен. –Москва: МИФИ, 1992. – 184 с.

36. Гутман, И.С. Моделирование залежей углеводородов. Корреляция разрезов скважин в автоматическом и полуавтоматическом режиме с помощью программы Autocorr [Текст] / И.С. Гутман, И.Ю. Балабан, Г.П. Кузнецова, В.М. Староверов // материалы Российской нефтегазовой технической конференции и выставки. – Москва: SPE, 2006. – С. 1- 37. Lyalin, V.Е. Mathematical Modeling of Pointwise Interpretation of the Geophysical Data / V.Е. Lyalin, М.А. Senilov // VI International Congress on Mathematical Modeling: Book of Abstracts. – Nizhny Novgorod: University of Nizhny Novgorod, 2004. – P. 364.

38. Шерстнев, С.Н. Аппаратное обеспечение компьютеризированной технологии геолого-геохимических исследований скважин в процессе бурения [Текст] / С.Н. Шерстнев // НТВ «Каротажник». – Вып.73. – С. 47-68.

39. Прошляков, Б.К. Литология [Текст]: монография / Б.К. Прошляков, В.Г. Кузнецов. – Москва: Недра, 1991. – 444 с.

40. Латышова, М.П. Практическое руководство по интерпретации диаграмм геофизических методов исследования нефтяных и газовых скважин [Текст]: монография / М.П. Латышова. – Москва: Недра, 1996. – 336 с.

41. Обработка и интерпретация данных промысловых геофизических исследований на ЭВМ. Справочник [Текст]: монография / Н.Н. Сохранов [и др.]. – Москва: Недра, 1989. – 240 с.

42. Бенамеур, Л. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе [Текст]: монография / Л. Бенамеур, Ю.Н. Минаев, О.Ю. Филимонова. – Москва: Горячая линия – Телеком, 2003. – 272 с.

43. Mao, J. Artificial Neural Networks: A Tutorial / J. Mao // IEEE Computer.

– 1996. – №3. – Pp.31-44.

44. Горбань, А.Н. Нейроинформатика и ее приложения [Текст] / А.Н. Горбань // Открытые системы. – 1998. – Вып.04. – С.95-110.

45. Крисилов, В.А. Преобразование входных данных нейросети с целью улучшения их различимости [Текст] / В.А. Крисилов, А.В. Кондратюк // Труды Одесского политехнического университета. – Одесса, 1999. – Вып.2 (8). – С. 134.

46. Питенко, A.A. Использование нейросетевых технологий при решении аналитических задач в ГИС [Текст] Питенко // Методы / A.A.

нейроинформатики: сборник научных трудов. – Красноярск, 1998. – С.152-163.

47. Kohonen, T. SelfOrganization and Associative Memory, Third Edition / T. Kohonen. – New York: Springer London, Limited, 1989. – 312 p.

48. Сенашова, М.Ю. Погрешности нейросетей, вычисление погрешностей весов синапсов [Текст] / М.Ю. Сенашова // Методы нейроинформатики:

сборник научных трудов. – Красноярск, 1998. – Вып.1. – С.48-63.

49. Хайкин, С. Нейронные сети: полный курс [Текст]: монография / С. Хайкин. – Москва: издательский дом «Вильямс», 2006. – 1104 с.

50. Цветков, В.Я. Геоинформационные системы и технологии [Текст]:

монография / В.Я. Цветков //Москва: Финансы и статистика, 1998. – 228 с.

51. Качурин, С.И. Анализ применимости многослойной нейронной сети для распознавания литологической структуры скважин по данным геофизических исследований [Текст]: дис…канд.техн.наук: 05.13.18: защищена 12.05.2003: утв: 10.07.2003 / Качурин Сергей Игоревич. - Ижевск, 2003. – 137 с.

– Библиогр.: c. 127-136.

52. Дьяконова, Т.Ф. Применение ЭВМ при интерпретации данных геофизических исследований скважин: учебное пособие для вузов [Текст]:

монография / Т.Ф. Дьяконова. – Москва: Недра, 1991. – 220 с.

53. Цыпкин, Я.З. Адаптация и обучение в автоматических системах [Текст]: монография / Я.З. Цыпкин. – Москва: главная редакция физико математической литературы изд-ва «Наука», 1968. – 400 с.

54. Элланский, М.М. Использование современных достижений петрофизики и физики пласта при решении задач нефтегазовой геологии по скважинным данным [Текст]: Учебное пособие для вузов / М.М. Элланский. – Москва: РГУ нефти и газа, 1999. – 501 c.

55. Заенцев, И.В. Нейронные сети: основные модели // Учебное пособие по курсу «Нейронные сети» [Текст]: монография / И.В. Заенцев. – Воронеж:

ВГУ, 1999. – 76 с.

56. Сотник, С.Л. Конспект лекций по курсу «Основы проектирования систем искусственного интеллекта» [Текст]: монография / С.Л. Сотник. – Днепродзержинск: ИНТУИТ, 1999. – 87 с.

Шайбаков, Р.А. Разработка комплексного метода детальной 57.

автокорреляции разрезов скважин [Текст] / Р.А. Шайбаков // Электронный научный журнал «Нефтегазовое дело». – 2013. – Вып.5. – С.131-151.

58. Геология и нефтегазоносность ачимовской толщи Западной Сибири [Текст]: монография / А.А. Нежданов [и др.]. – Москва: издательство Академии горных наук, 2000. – 247 с.

59. Ковалевский, Е.В. Программные средства поддержки детальной корреляции скважин по данным ГИС [Текст] / Е.В. Ковалевский, Г.Н. Гогоненков // Геофизика. – 2004. – Вып.1. – С.21-26.

60. Скворцов, А. В. Триангуляция Делоне и ее применение [Текст]:

монография / А. В. Скворцов. – Томск: изд-во Томского университета, 2002. – 128 с.

61. Яковлев, А.В. Руководство пользователя ПК «Isoline» [Текст]:

монография / А.В. Яковлев. – Тюмень: 2009. – 162 с.

62. Муромцев, В.С. Электрометрическая геология песчаных тел – литологических ловушек нефти и газа [Текст]: монография / В.С. Муромцев. – Москва: Недра, 1984. – 260 с.

63. Каллан Р. Основные концепции нейронных сетей [Текст]: монография / Р. Каллан. – Москва: издательский дом «Вильямс», 2002. – 412 с.

64. Круглов, В.В. Искусственные нейронные сети. Теория и практика [Текст]: монография / В.В. Круглов, В.В. Борисов. – Москва: Горячая линия Телеком, 2002. – 382 с.

65. Головацкая, И.В. Определение емкостных свойств и литологии пород в разрезах нефтегазовых скважин по данным радиоактивного и акустического каротажа (наставление по интерпретации с комплексом палеток) [Текст]:

монография / И.В. Головацкая, Ю.А. Гулин, Ф.Х. Еникеева. – Калининград:

изд-во ВНИГИК, 1984. – 301 с.

66. Горбань, А.Н. Нейронные сети на персональном компьютере [Текст]:

монография / А.Н. Горбань, Д.А. Россиев. – Новосибирск: Наука, 1996. – 276 с.

67. Никитин, А.А. Теоретические основы обработки геофизической информации: учебник для вузов [Текст]: монография / А.А. Никитин. –Москва:

Недра, 1986. – 342 с.

68. Обстановки осадконакопления и фации [Текст]: монография / Х.Г. Рединг [и др.]. – Москва: изд-во «МИР», 1990. – 352 с.

69. Волков, А.М. Геологическое картирование нефтегазоносных территорий с помощью ЭВМ [Текст]: монография / А.М. Волков. – Москва:

Недра, 1988. – 221 с.

70. Волков, А.М. Решение практических задач на ЭВМ [Текст]:

монография / А.М. Волков. – Москва: Недра, 1980. – 244 с.

71. Кузнецов, В.Б. Концептуальные основы структуры программного обеспечения информационно-измерительной системы для компьютеризированной каротажной станции / В.Б. Кузнецов, Т.Ю. Оленчикова, В.А. Иванов, В.Е. Лялин;

ИжГТУ. – Ижевск, 1999. – 15 с.: Библиогр.: с.15. – Деп. в ВИНИТИ 1999, №3881-В99.

Описание алгоритмов интерпретации данных электрического 72.

каротажа в рамках АСОИГИС [Текст]: монография / С.М. Зунделевич [и др.]. – Москва: Изд. ВНИИГеофизики, 1983. – 82 с.

73. Сурков, B.C. Фундамент и развитие платформенного чехла Западно Сибирской плиты [Текст]: монография / B.C. Сурков, О.Г. Жеро. – Москва:

Недра, 1981. – 143 с.

74. Мкртчян, С.О. Нейроны и нейронные сети [Текст]: монография / С.О. Мкртчян. – Москва: Энергия, 1971. – 232 с.

Витязев, В.В. Вейвлет-анализ временных рядов: учебное пособие 75.

[Текст]: монография / В.В. Витязев. – СПб.: издат-во С.-Петерб. университета, 2001. – 58 с.

76. Сели, Р.К. Введение в седиментологию [Текст]: монография / Р.К. Сели. – Москва: Недра, 1981. – 370 с.

77. Крайниковский, С.С. Вейвлет-обработка данных в геофизических исследованиях скважин / С.С. Крайниковский // Сборник статей «Методы и инструменты конструирования программ». – Новосибирск, 2007. – С.135-143.

78. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности [Текст]: монография / Г.К. Вороновский [и др.]. – Харьков: ОСНОВА, 1997. – 112 с.

79. Элементарное введение в геостатистику [Текст] / М.Ф. Каневский [и др.] // сборник в серии ВИНИТИ «Проблемы окружающей среды и природных ресурсов». – Москва: Наука, 1999. – 132 с.

80. Теория статистики [Текст]: монография / В.Г. Минашкин [и др.]. – Москва: Финансы и статистика, 2002. – 560 с.

Карагодин, Ю.Н. Ритмичность осадконакопления и 81.

нефтегазоносность [Текст]: монография / Ю.Н. Карагодин. – Москва: Недра, 1974. – 177 с.

82. Петтиджон, Ф.Дж. Осадочные породы [Текст]: монография / Ф.Дж. Петтиджон. – Москва, Недра, 1981. – 751 с.

83. Шарафутдинов, Т.Р. Апробация алгоритма автокорреляции данных геофизических исследований скважин на примере отложений ачимовской толщи Правдинского месторождения [Текст] / Т.Р. Шарафутдинов, Р.А.Шайбаков // Научно-технический вестник ОАО «НК «Роснефть». – 2012. – Вып.1. – С.18-22.

84. Шайбаков, Р.А. Применение гидравлических единиц потока для классификации коллекторов при моделировании пласта [Текст] / Р.А. Шайбаков, М.В. Рыкус // материалы 60-й научно-технической конференции студентов, аспирантов и молодых ученых. – Уфа: Изд-во УГНТУ, 2009. – С.273.

85. Шайбаков, Р.А. Применение нейронных сетей для решения задач петрофизики и геологии [Текст] / Р.А. Шайбаков, К.В. Абабков // материалы 61-й научно-технической конференции студентов, аспирантов и молодых ученых. – Уфа: Изд-во УГНТУ, 2010. – С.318.

86. Шайбаков, Р.А. Применение нейронных сетей при выделении сложнопостроенных геологических объектов [Текст] / Р.А. Шайбаков, К.В. Абабков // Сборник статей аспирантов и молодых специалистов «Проблемы геологии, геофизики, бурения и добычи нефти. Экономика и управление». – Уфа: Изд-во НПФ «Геофизика», 2011. – С.80-87.

87. Шайбаков, Р.А. Детальная корреляция пластов группы БС на Правдинском нефтяном месторождении в связи с вопросом применимости методики автокорреляции скважин по данным ГИС [Текст] / Р.А. Шайбаков // Молодой ученый. – 2012. – Вып.1. – С.80-83.

Шайбаков, Р.А. Использование нейросетевого аппарата для 88.

идентификации границ геологических объектов [Текст] / Р.А. Шайбаков // материалы международной заочной научной конференции «Технические науки:

традиции и инновации». – Челябинск: Изд-во «Молодой ученый», 2012. – С. 8-11.

89. Шайбаков, Р.А. Выделение слабоструктурированных залежей на основе комплексного анализа геологических данных [Текст] / Р.А. Шайбаков // Сборник статей аспирантов и молодых специалистов «Проблемы геологии, геофизики, бурения и добычи нефти». – Уфа: Изд-во НПФ «Геофизика», 2012. – С. 115-126.

90. Шайбаков, Р.А. Применение математического аппарата нейронных сетей, основанных на картах Кохонена, при проведении подсчета запасов нефти и газа [Текст] / Р.А. Шайбаков // Тезисы IX Всероссийской научно-технической конференции «Актуальные проблемы развития нефтегазового комплекса России». – Москва: РГУ нефти и газа им. И.М. Губкина, 2012. – С. 54.

Шайбаков, Р.А. Методы решения задачи автокорреляции 91.

геологических объектов на основе скважинных данных [Текст] / Р.А. Шайбаков, К.В. Абабков // Тезисы V научно-практической конференции «Математическое моделирование и компьютерные технологии в процессах разработки месторождений». – Москва: Изд-во «Нефтяное хозяйство», 2012. – С. 57.

92. Шайбаков, Р.А. Обзор и анализ методов автокорреляции разрезов скважин [Текст] / Р.А. Шайбаков // Сборник статей аспирантов и молодых специалистов «Проблемы геологии, геофизики, бурения и добычи нефти». – Уфа: Изд-во НПФ «Геофизика», 2013. – С. 133-143.

фондовая литература:

93. Разработка алгоритмов, методик и программных модулей для решения уникальных производственных задач при гидродинамическом моделировании пластовых систем углеводородов [Текст]: отчет о НИР: 16-107 / ОАО «НК «Роснефть»;

рук. Яковлев А.А.;

исполн.: Мухамадеев Д.С. [и др.]. –Уфа, 2012. – 113 с. – Библиогр.: с. 110-113.

94. Разработка алгоритма и расчетного модуля пространственного анализа форм каротажных диаграмм [Текст]: отчет о НИР: 22-62 / ФГБУН Институт математики им. С.Л. Соболева – Сибирского отделения РАН;

рук.

Тайманов И.А.;

исполн.: Базайкин Я.В. [и др.]. – Новосибирск, 2012. – 65 c. – Библиогр.: с.46.

95. Переоценка балансовых запасов нефти и газа Правдинского месторождения [Текст]: проектный документ: 1.12-9.62 ООО «РН / УфаНИПИнефть»;

рук. Байков В.А.;

исполн.: Чеснокова И.В. [и др.]. – Уфа, 2010. – 1204 c.

ПРИЛОЖЕНИЯ

Pages:     | 1 | 2 ||
 





 
© 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.