Учебное пособие Печатается по решению Учебно-методической комиссии Института геологии и нефтегазовых технологий К(П)ФУ
Скачать 296.52 Kb.
|
| Глава 3 Использование нейронных сетей в сейсморазведке Сейсморазведка, безусловно, является основным и наиболее результативным геофизическим методом в разведке залежей углеводородов. И если ранее основной задачей сейсмических исследований являлось изучение структурных особенностей геологической среды, то в последнее десятилетие эта задача в обязательном порядке дополняется проблемой поиска эмпирических зависимостей между сейсмическими параметрами и петрофизическими свойствами среды. Частный вариант такой задачи – прямые поиски залежей углеводородов по сейсмическим данным. Специалистам понятно, что данная задача является чрезвычайно сложной и в общем случае с точки зрения математики не имеет устойчивого решения. Применение обучающихся искусственных нейронных сетей в этом случае является инструментом решения поставленных обратных задач. 3.1. Петрофизические основы применения нейрокомпьютерных сетей для прогнозирования залежей углеводородов В основе применения сейсморазведки для обнаружения месторождений нефти и газа лежат свойства самой залежи, а также физические свойства горных пород, вмещающих и покрывающих саму залежь. Согласно упрощенной модели, формирование залежи сопровождается следующими изменениями петрофизических характеристик горных пород: уменьшается скорость распространения продольных сейсмических волн; уменьшается объёмная плотность породы; возрастает поглощение упругих колебаний; увеличивается анизотропия петрофизических свойств пород, слагающих залежь. Важным является тот факт, что рассматриваемые изменения петрофизических характеристик охватывают область значительно превышающую эффективную мощность самой залежи, что связано с образованием над ней ореола рассеивания. Изменения петрофизических характеристик разреза отображаются в виде аномалий атрибутов сейсмической записи, среди которых отмечаются: увеличение ( или уменьшение) амплитуд отражений от поверхности коллекторов; повышение затухания энергии упругих колебаний; изменение частотного состава отражений; уменьшение интервальной скорости в области залежи; ухудшение когерентности волн, а также аномалии в других сейсмических атрибутах. Многочисленными лабораторными петрофизическими исследованиям керна и геофизическими измерениями в скважинах было показано, что для терригенного разреза Волго-Уральской нефтеносной провинции при пористости коллектора в пределах 15-25% и глубине его залегания до 2 км замещение воды на нефть вызывает уменьшение скорости продольных волн на 8-12%, а акустическая жесткость уменьшается на 10-15%. Волновое сейсмическое моделирование в этом случае однозначно устанавливает, что таких изменений акустических свойств вполне достаточно, чтобы на временных разрезах в области перехода от водонасыщенной части пласта к нефтенасыщенной отмечались значимые аномалии атрибутов динамических характеристик записи [4]. При классической интерпретации данных сейсморазведки используется, как правило, лишь незначительная часть информации, заключенная в сейсмических сигналах, преимущественно кинематическая. Развиваемые в последние годы различные методы сейсмической инверсии, известным примером которых является, например, псевдоакустическое преобразования (ПАК), используют динамические параметры сейсмической записи, т.е. оперируют значительно большим используемым объемом информации при интерпретации данных сейсморазведки. Несмотря на это, эффективность динамической интерпретации при поисках и разведке сложнопостроенных залежей нефти еще достаточно низкая. Это обусловлено тем, что, во-первых, имеется значительное число поверхностных и глубинных факторов, искажающих полезный сигнал, во-вторых при интерпретации анализируется ограниченное число динамических параметров (амплитуда, частота, фаза), взаимосвязь которых с объектом, в каждом конкретном случае, мало известна. Кроме того, при вычислении динамических параметров, сейсмические сигналы подвергаются различного рода преобразованиям, приводящим к потере информации, заключенной в них. Так, например, применение преобразований Гильберта или Фурье для извлечения динамических параметров сейсмической записи ведет к уменьшению энтропии сигналов, как, впрочем и любые другие преобразования. В теории информации Шеннон и Винер назвали энтропией меру непредсказуемости ряда [9]. Количество информации которую можно извлечь, увеличивается с ростом энтропии. Например, в одном предельном случае полностью предсказуемый сигнал, такой, как синусоидальная волна, не несет никакой информации, в другом предельном случае “белый шум”, совершенно непредсказуемый, и, следовательно, несущий потенциально максимум информации. В тоже время, связь между залежью углеводородов, тектоническими нарушениями и другими геологическими образованиями с сейсмической записью имеют сложную стохастическую природу и не могут быть описаны более или менее адекватно иначе, чем в виде статистической зависимости сложного вида. Другой подход прогнозирования нефтеперспективных объектов, основанный на нейрокомпьютерном анализе лишен большинства перечисленных недостатков, так как базируется на принципиально отличной технологии. Таким образом, для решения неформализованных задач, к которым относится прогнозирование залежей углеводородов по материалам сейсморазведки, можно применить два основных подхода. Первый основанный на правилах. Он базируется на описании предметной области в виде набора правил. Например, если наблюдается увеличение мгновенных амплитуд сигнала и в тоже время уменьшается его частота, то в ряде случаев, это приурочивают к залежи углеводородов и т.п. При этом подходе необходимо заранее знать весь набор закономерностей, описывающих предметную область. Совершенно по-иному обстоит дело при использовании другого подхода, основанного на примерах. В этом случае не требуется знание каких бы то ни было правил - надо лишь иметь достаточное количество примеров для настройки адаптивной системы с заданной степенью достоверности. Примерами для обучения сети являются отраженные волны, регистрируемые от пластов с доказанной нефтегазоносностью. Настроенная и обученная сеть в дальнейшем используется при анализе сейсмических данных. Нейронные сети представляют собой классический пример технологий, основанных на примерах. Важно отметить, что искусственная нейронная сеть делает обобщения автоматически благодаря своей структуре, а не с помощью использования "человеческого интеллекта" в форме специально написанных компьютерных программ. Некоторые из искусственных нейронных сетей обладают способностью извлекать сущность из входных сигналов [8]. Эта способность извлекать информацию из несовершенных входов крайне важна при сейсмических исследованиях. Отклик сети после обучения может быть до некоторой степени нечувствителен к небольшим изменениям входных сигналов. Эта внутренне присущая способность видеть образ сквозь шум и искажения обеспечивает повышенную помехоустойчивость, а значит и достоверность прогноза в сложных сейсмогеологических условиях. В результате можно выделить несколько основных факторов, повышающих достоверность прогноза при использовании нейронных систем распознавания. Такими факторами являются: - более полное использование информации, содержащейся в сейсмических волновых полях в результате анализа "образов" отражений, включающих весь спектр динамических особенностей сигналов без искажений и потери части информации, которая наблюдается при различных преобразованиях связанных с определением отдельных динамических параметров сейсмической записи; - автоматическое установление взаимосвязи всего комплекса динамических параметров с объектом исследования и использование скважинной информации при обучении сети; - частичный учет при обучении сети поверхностных и глубинных факторов, искажающих сейсмический сигнал; - повышенная помехоустойчивость системы в результате внутренне присущей ей способности видеть образ сквозь шум и искажения. При этом система сама решает задачу выделения полезного сигнала на фоне помех. 3.2. Сейсмическое моделирование при разработке нейрокомпьютерной системы "НЕЙРОСЕЙСМ" С целью изучения эффективности работы разработанных алгоритмов нейрокомпьютерной системы «Нейросейсм» были построены геологические модели, типичные для терригенного разреза пород девона Татарстана и синтезированы синтетические сейсмограммы, которые в последствии анализировались системой "НЕЙРОСЕЙСМ". На первой геологической модели (рис.3.1.) представлен выклинивающийся песчаный пласт мощность которого меняется от 0м до 20м. Цель исследований заключалась в определении места выклинивания, а также какой минимальной мощности пласт может быть картирован при использовании системы "НЕЙРОСЕЙСМ". Используя данную геологическую модель был синтезирован синтетический разрез. Для обучения сети были выбраны первые четыре трассы в окне, указанном на рис.3.1.(б). В дальнейшем, система анализировала весь разрез. По результатам анализа, представленного в виде гистограмм (рис.3.1.(в)), видно, что система уверенно определяет место выклинивания песчаного пласта. На второй геологической модели (рис.3.2.) представлена нефтяная залежь в песчаном пласте мощностью 5 метров. Плотность и скорость распространения волн в нефтенасыщенном песчанике составляет соответственно: r = 2.44 g/cm3; V = 3980 m/s, а в водонасыщенном песчанике: r = 2.55g/cm3; V = 4000m/s, Различие аккустических жескостей водоносного и нефтеносного песчаника составляет менее 5%. Для обучения сети использовались трассы 10, 11, 12, 13 в окне указанном на рисунке 3.2.(б). Результаты анализа представлены в виде гистограмм на рис.3.2.(в). Из рисунка видно, что нефтяная залежь уверенно распознается системой "НЕЙРОСЕЙСМ”. На третьей геологической модели (рис.3.3.) представлена нефтяная залежь в песчаном пласте мощностью 2 метра. Рис.3.1. Модель выклинивания песчанного пласта. Рис.3.2. Модель нефтяной залежи в песчаном пласте мощностью 5м. Рис.3.3. Модель нефтяной залежи в песчаном пласте мощностью 2м. Различие акустической жесткости водоносного и нефтяного песчаника также составляет менее 5%. Для обучения сети использовались трассы 10, 11, 12, 13 в окне указанном на рисунке 3.3.(б). Результаты анализа представлены в виде гистограммы на рис. 3.3.(в), из которой видно, что нефтяная залежь также достаточно уверенно распознается системой "НЕЙРОСЕЙСМ". Однако размеры залежи в пространстве по результатам анализа стали несколько меньше. В процессе этих работ было также апробировано, по результатам значительного количества экспериментов, влияние величины окна обучающей выборки и места его расположения на достоверность прогноза. В результате лабораторных исследований можно сделать следующие выводы: 1. Величина окна обучающей выборки не должна быть меньше видимого периода волны в анализируемом интервале сейсмического разреза. 2. Центр обучающей выборки должен быть приурочен к подошве или находится несколько ниже исследуемых отложений. 3. Система способна картировать пласт мощностью менее одного метра при условии, что акустическая жесткость пласта отличается от акустической жесткости вмещающих пород более 5%. 4. Система "НЕЙРОСЕЙСМ" способна распознавать небольшие по размеру залежи углеводородов при незначительных изменениях физических свойств продуктивных пластов. Данные выводы сделаны на основе анализа синтетических сейсмограмм, на которых отношение сигнал помеха стремится к бесконечности и, следовательно, справедливы для идеальных условий. В реальных условиях ввиду различных искажающих сейсмическое поле факторов достоверность прогноза естественно уменьшается. Следует также отметить, что при модельных исследованиях не учитывалось влияние залежи нефти на физические свойства выше лежащих пород. 3.3. Влияние различных геолого-геофизических факторов и приемов обработки на достоверность прогноза системы "НЕЙРОСЕЙСМ" Сейсмологическое обоснование возможностей прогноза состава и свойств горных пород и прямого обнаружения содержащихся в них залежей углеводородов заключается в установлении связи упругих и поглощающих свойств в осадочных отложениях с их литологическим составом и свойствами заполняющих поры флюидов. Прогнозирование геологического разреза по данным динамической обработки делается на основании выделения аномалий сейсмических волновых полей, среди которых отмечаются: увеличение (или уменьшение) амплитуд отражений от границ коллекторов; повышение затухания энергии упругих колебаний; измерение частотного состава отражений; ухудшение регулярности волн. Эти же изменения динамических особенностей сейсмических сигналов могут быть вызваны значительным количеством других факторов, а не свойствами самой залежи, образовывая при этом ложные аномалии. На основе анализа работ [1,2,6] можно сделать перечень факторов, влияющих на динамические характеристики зарегистрированного поля отраженных волн: I. Технические факторы 1). Параметры системы наблюдений. 2). Параметры группирования сейсмоприемников, регистрирующей аппаратуры и линий связи. 3). Параметры группирования источников. 4). Параметры, состав и последовательность процедур графа обработки. II. Поверхностные факторы 5). Фильтрующие свойства локальных скоростных неоднородностей в верхней части разреза. 6). Условия возбуждения. 7). Условия приема. III. Глубинные факторы 8). Нерегулярные помехи. 9). Средне- и высокоскоростные волны-помехи. 10). Геометрическое расхождение фронта падающей и отраженной волн. 11). Частотно зависимое поглощение энергии колебаний, обусловленное неидеальной упругостью горных пород. 12). Фильтрующие свойства покрывающей тонкослоистой толщи, изменение их по латерали, включая изменение вертикального и горизонтального градиента скорости. 13). Наклон и кривизна отражающей поверхности. 14). Глубина и горно-геологические условия залегания разведуемого объекта. В реальных условиях при динамической обработке учесть весь спектр факторов, искажающих сейсмический сигнал полностью практически не представляется возможным. Поэтому прямое прогнозирование залежей нефти, на основе вычисления и анализа динамических параметров сейсмической записи, чрезвычайно сложная задача, при этом точность прогноза остается достаточно низкая. Использование при прогнозе нейрокомпьютерных систем распознавания значительно облегчает задачу прямого прогнозирования и повышает ее надежность. Как уже отмечалось, данная технология базируется на принципиально отличных подходах анализа. Оперируя "образами" отраженных сигналов, система автоматически учитывает значительное количество искажающих факторов при обучении сети. Так например, все технические искажающие факторы (п.п. 1,2,3,4 ) полностью учитываются при обучении сети. За счет того, что система "НЕЙРОСЕЙСМ" обучается, а затем анализирует сейсмические профили на площади, отработанной с постоянной методикой полевых наблюдений. Система "НЕЙРОСЕЙСМ" также полностью учитывает ряд глубинных факторов автоматически при обучении сети. Это объясняется тем, что система обучается на сигналах, отраженных от геологических объектов, находящихся в определенных горно-геологических условиях и на тех глубинах, которые в последствии анализируются системой. Например, геометрическое расхождение фронта падающей и отраженной волны (п.п.10) и связанное с этим изменение амплитуд, зависит от времени регистрации отраженной волны, а так как обучение производится на тех же временах сейсмического разреза, которые в последствии анализируются, то следовательно, искажающий фактор п.п. 10 полностью автоматически учитывается при обучении сети, также как и фактор п.п. 14. Искажающий фактор - нерегулярные помехи (п.п.8) - частично учитывается при обучении сети. Это происходит за счет того, что обучение производится по нескольким трассам в анализируемом временном окне. Так как нерегулярный шум имеет случайный характер, то при обучении по нескольким сейсмотрассам начинает работать статистический эффект. Таким образом, можно утверждать, что влияние нерегулярных помех на точность прогноза уменьшается в n раз, где n - количество сейсмотрасс обучающей выборки. Кроме того, фон нерегулярных помех значительно снижается при обработке, особенно при суммировании по ОГТ. Искажающий фактор (п.п.9) - средне- и высокоскоростные волны-помехи также в значительной степени ослабляется суммированием по ОГТ. Система "НЕЙРОСЕЙСМ" частично их учитывает за счет, того, что обучается в том же интервале, который в последствии анализирует. В этом интервале фон средне- и высокоскоростных волн-помех имеет преимущественно однотипный характер и, следовательно, автоматически учитывается при обучении сети. Тоже относится и к искажающему фактору п.п.11. Искажения вносимые наклоном и кривизной отражающей поверхности не имеют принципиального значения, т.к. наклон отражающего горизонта в пределах Татарстана не превышает 5. Основными искажающими факторами уменьшающими достоверность прогноза при нейрокомпьютерном анализе являются поверхностные факторы (п.п. 5,6,7). Они практически не учитываются системой "НЕЙРОСЕЙСМ". Частичное учитывание системой этих факторов происходит в случае, когда обучающая выборка представлена трассами на сейсмических профилях в разных точках площади исследования. Однако, это является далеко не достаточным для обеспечения необходимой надежности прогноза. Недоучет искажающего влияния ВЧР представляется в остаточных искажениях времен прихода волн (остаточные временные статические поправки Встп) и флуктуациях средней интенсивности записи на трассах исходных сейсмограмм (остаточные амплитудные статические поправки Астп, вызванные изменением по профилю интенсивности возбуждения и чувствительности приема). Указанные искажения приводят к вариациям интенсивности суммарного сигнала, в результате чего на временных разрезах возникают дополнительные амплитудно - частотные аномалии никак не связанные с залежью нефти. Учет влияния статочных амплитудных поправок (Астп) достигается многоканальной регулировкой амплитуд исходных сейсмограмм. Однако, это дает положительный эффект если неоднородность ВЧР меньше длины расстановки. Учет влияния остаточных временных статических поправок достигается высокоточной коррекцией статических и кинематических поправок. Кроме известных процедур коррекции статических и кинематических поправок была использована процедура горизонтальной сортировки сейсмограмм ОГТ. Суть ее заключается в том, что программа использует при суммирование по ОГТ только трассы, похожие на некоторую среднюю (или модельную) трассу. Все остальные менее похожие выбрасываются из обработки. Таким образом, происходит некоторая коррекция фазовых сдвигов, вызванных недоучетом статических и кинематических поправок. На рис. 3.4 представлена сейсмограмма ОГТ с введенными статическими и кинематическими поправками и также сейсмограмма после горизонтальной сортировки. С целью количественной оценки были сделаны практические исследования выявления зависимости недоучета кинематических и статических поправок на достоверность прогноза (рис.3.5). Для чего был выбран сейсмический профиль, на котором проведено обучение сети. Затем проводилось суммирование сейсмограмм ОГТ этого профиля с кинематическими поправками отличными от первоначальных на 5%, 10% и т.д. В результате этих работ, был построен график зависимости недоучета кинематических поправок на достоверность прогноза (рис.3.5), где кривая 1 получена при обычном суммировании по ОГТ, кривая 2- при суммировании с использованием горизонтальной сортировки трасс по ОГТ. Из графика видно, что недоучет кинематических поправок 10% не может существенно отразиться на достоверности прогноза при использовании горизонтальной сортировки трасс. Аналогичный график получается при недоучете статических поправок. Возможен другой подход исключающий влияние недоучета статических и кинематических поправок. Он основан на использовании при обучении и анализе сети не суммарных разрезов и сейсмограмм ОГТ. При этом остаточные фазовые сдвиги не будут сказываться на достоверность прогноза. Однако в этом случае уменьшается отношение сигнал шум, что в свою очередь ухудшает достоверность прогноза. В заключение следует заметить, что вопрос разбраковки ложных аномалий является центральным и самым сложным при любых исследованиях. |
Похожие:
 | Учебно-методическое пособие Печатается по решению Учебно-методической... Фундаментальное решение для уравнения Гельмгольца в (полу)пространстве. Условие излучения Зоммерфельда. Формула Кирхгофа. Постановки... |  | Учебно-методическое пособие для студентов неисторических специальностей... Печатается по решению учебно-методической комиссии Института истории фгаувпо «Казанский (Приволжский) федеральный университет» |
| Учебно-методической комиссии Института педагогики, психологии и управления.... Рабочая программа печатается по решению Учебно-методической комиссии Института педагогики, психологии и управления | | На правах рукописи Печатается по решению учебно-методической комиссии Института истории фгаувпо «Казанский (Приволжский) федеральный университет» |
| English topics ... | | Договор №10 об оказании охранных услуг Печатается по решению учебно-методической комиссии Института истории фгаувпо «Казанский (Приволжский) федеральный университет» |
| Исследование отдельных физических свойств песка Печатается по решению учебно-методической комиссии Института истории фгаувпо «Казанский (Приволжский) федеральный университет» | | Зарегистрирован в Минюст России от 11 марта 2011 г. N 20081 Печатается по решению учебно-методической комиссии Института истории фгаувпо «Казанский (Приволжский) федеральный университет» |
| О. Г. Филатова подготовка и защита курсовой и дипломной работы методическое пособие Печатается по решению Учебно-методической комиссии и Редакционно-издательского совета факультета журналистики спбГУ | | Учебно-методическое пособие по курсу для магистрантов, обучающихся... Печатается по решению учебно-методической комиссии факультета журналистики и социологии. Протокол №5 от 28 июня 2012 года |
| Учебное пособие Кемерово 2004 удк: Печатается по решению Редакционно-издательского... Учебное пособие предназначено для студентов специальности 271400 «Технология продуктов детского и функционального питания» всех форм... | | «Владимирский государственный университет имени Александра Григорьевича... Печатается по решению учебно-методической комиссии Института истории фгаувпо «Казанский (Приволжский) федеральный университет» |
| Учебно-методический комплекс дисциплина «Зоология» Печатается по решению учебно-методической комиссии факультета журналистики и социологии. Протокол №5 от 28 июня 2012 года | | Учебное пособие Для студентов вузов Кемерово 2004 Печатается по решению редакционно-издательского совета Кемеровского технологического института пищевой промышленности в авторской... |
| Отечественная история ... | | Пропаганда и внушение Печатается по решению учебно-методической комиссии факультета журналистики и социологии. Протокол №5 от 28 июня 2012 года |
