© 2024 Petroportal.ru
О генетической инверсии
Генетическая инверсия, разработанная в Российском отделении Шлюмберже д.т.н. И.И. Приезжевым. Этот алгоритм относится к экспресс методам оценки упругих свойств. Данная технология оценивает упругие свойства с помощью построения нелинейного оператора, связывающего сейсмические данные с измерениями на скважине. Алгоритм основан на работе искусственных нейронных сетей и подразумевает наличие корреляционной связи между волновым полем и скважинной информацией, в свою очередь это требует качественной привязки сейсмического куба и скважин.
Особенностью генетической инверсии является то, что здесь не используется сейсмический импульс, нейронная сеть подбирает такой оператор, который наилучшим образом описывает связь между несколькими сейсмическими трассами в области скважины и каротажной кривой. Некоторым образом генетическую инверсию можно отнести к атрибутному анализу, но в отличие от классического атрибутного анализа, здесь используется не одно значение осреднённого пластового параметра для каждой скважины, а несколько дискретов. Тем самым увеличивается анализируемая выборка и повышается достоверность результата.
Искусственная нейронная сеть относится к методам распознавания образов, своё название алгоритм получил, потому что имитирует поведение биологических нейронов в нервной системе человека. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Технически обучение заключается в нахождении коэффициентов связей между данными и итерационное изменение весов. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение.
Нейронная сеть обучается на известных данных – сейсмических трассах в области скважины и каротаже, связанном с упругими свойствами (акустический импеданс, плотность, скорость и т.п.). Полученная нелинейная зависимость применяется к сейсмическим данным в межскважинной области, для восстановления упругого свойства по всему объёму сейсмического куба.
Для контроля качества работы нейронной сети часть скважин не участвует в процессе обучения (Cross-Validation). На основе этих скважин осуществляется проверка, насколько рассчитанное свойство совпадает с исходным каротажём. Так как наша задача имеет множество решений, то совокупность ошибок для всех возможных решений можно представить в виде поверхности со множеством экстремумов. Задача нейронной сети найти решение, соответствующее глобальному минимуму ошибки.
Для этого нейронная сеть находит первоначальное решение, вычисляет ошибку; далее решение незначительно изменяется, сравниваются ошибки этих решений. Если ошибка первоначального решения меньше, чем все остальные ошибки, значит, мы нашли минимум ошибки, если нет, то нейронная сеть продолжает перебирать решения, чтобы найти с наименьшей ошибкой. Проблема при таком подходе заключается в том, что нейронная сеть может найти локальный минимум и, проверив решения в окрестности этого минимума, выдать полученное решение за наилучшее.
Для решения этой проблемы предложено использовать генетический алгоритм, названный так, потому что его поведение напоминает процессы при передаче генов от родителей к их потомству (скрещивание и мутацию). Алгоритм отбирает наилучшие решения, эти решения обмениваются друг с другом весовыми коэффициентами, некоторые коэффициенты заменяются случайным образом. Это делается для того чтобы проверить как можно большую область решений и убедиться, что мы нашли именно глобальный минимум.
Итак, что требуется для работы с генетической инверсией? В качестве входной информации используем 3Д сейсмические данные после суммирования (можно попробовать использовать рассчитанный сейсмический атрибут) и каротажи с упругими свойствами по нескольким скважинам; привязка скважинных и сейсмических данных хорошего качества (иначе нейронная сеть не сможет найти зависимость между данными); наличие связи между сейсмическими данными и скважинными, такими как: акустический импеданс, плотность, скорость, пористость, гамма-каротаж, каротаж ПС.
Процесс генетической инверсии находится в библиотеке объёмных атрибутов Volume attributes. Пользователь имеет возможность указать следующие настройки и параметры:
Параметр разряжения. По умолчанию установлено 3, это означает, что в анализе принимают участие следующие дискреты: на центральной трассе учитываются 3 дискрета выше и ниже центрального значения, далее 1 пропускается и учитывается следующий дискрет, затем пропускаем 2 дискрета и учитывается следующий дискрет. На соседних трассах учитываются 2 дискрета относительно центрального и 1 пропускаем и так далее.
В качестве результата получаем трёхмерное распределение упругого свойства, которое было использовано в процессе обучения нейронной сети
О практических результатах генетической инверсии можно прочитать в ряде публикаций, например: «Геологическая модель Сарматского месторождения углеводородов на акватории Северного Каспия» В.Е.Смирнов, С.В. Попович, С.В. Делия, журнал Геология, геофизика и разработка нефтяных и газовых месторождений, 5/2013.
Станьте первым!