Нейросейсм - Казанский (Приволжский) федеральный
advertisement
Казанский (Приволжский) федеральный университет Институт геологии и нефтегазовых технологий Искусственные нейронные сети в прогнозировании нефтегазоносности по данным сейсморазведки Учебное пособие Печатается по решению Учебно-методической комиссии Института геологии и нефтегазовых технологий К(П)ФУ. Авторы: Борисов А.С., Куликов С.А Изложены история создания, принципы построения искусственных нейронных сетей обратного распространения, возможные области их использования. Приведены петрофизические основы применения нейрокомпьютерных систем для прогнозирования залежей нефти по материалам сейсмических наблюдений. Рассмотрены результаты моделирования. Приведён опыт практического использования системы "НЕЙРОСЕЙСМ" при проведении поисково-разведочных работ на нефть в Татарстане. Большое внимание уделено изучению влияния различных геолого-геофизических факторов и приёмов обработки сейсмических данных на достоверность прогноза. Учебное пособие предназначено для студентов, изучающих дополнительные разделы сейсморазведки. Рецензент – доктор геол.-мин. наук, проф. В.А.Трофимов КАЗАНЬ – 2012 1 ОГЛАВЛЕНИЕ Введение …………………………………………………………………………… 4 Глава 1. Из истории создания искусственных нейронных сетей …………. 5 Глава 2. Основы конструирования искусственных нейронных сетей ……,, 7 Глава 3. Использование нейронных сетей в сейсморазведке ………………….11 3.1 Петрофизические основы применения нейрокомпьютерных сетей для прогнозирования залежей углеводородов ………………………………11 3.2 Сейсмическое моделирование при разработке нейрокомпьютерной системы "НЕЙРОСЕЙСМ"………………………………………………….. 13 3.3. Влияние различных геолого-геофизических факторов и приемов обработки на достоверность прогноза системы "НЕЙРОСЕЙСМ"……… 17 3.4 Примеры применения системы "НЕЙРОСЕЙСМ" для прогнозирования залежей нефти……………………………………. 21 Литература …………………………………………………………………………… 25 2 Введение Повышение эффективности геологоразведочных работ (ГРР) было и остается приоритетной задачей геологов и геофизиков. Обнаружение и картирование мелких и очень мелких залежей нефти, часто связанных с ловушками неструктурного типа, с которыми связываются основные перспективы прироста запасов углеводородов в ВолгоУральской нефтегазоносной провинции, требует применения особых наукоёмких методов исследований. В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях (НС). Актуальность исследований в этом направлении подтверждается массой различных применений НС. Это автоматизация процессов распознавания образов, адаптивное управление, прогнозирование, создание экспертных систем, в том числе и в области обработки массивов геологогеофизической информации. В процессе развития сейсмических обрабатывающих систем явственно определилась генеральная тенденция развития методов и алгоритмов, стремящихся к извлечению всё более полной информации из сейсмических данных. По данным американских исследователей, в прошлом столетии сейсморазведочные работы, направленные на решение структурных задач, обеспечили почти десятикратное увеличение эффективности поисков месторождений нефти по сравнению с бурением скважин, закладываемых по совокупности различных геологических признаков (метод "диких кошек"). В последние десятилетия новейшие технологии сейсмических исследований, связанные в первую очередь с комплексным изучением кинематических и динамических особенностей сейсмических записей, позволили значительно увеличить эффективность ГРР. Одной из таких технологий прогноза геологического разреза по материалам сейсмических наблюдений являются применение искусственных нейронных сетей. 3 Глава 1 Из истории создания искусственных нейронных сетей Создание и развитие искусственных нейронных сетей вдохновлялось биологией. Людей всегда интересовало их собственное мышление. В процессе накопления знаний нейробиологи выяснили, что мозг человека имеет ошеломляющую сложность. Сотни миллионов нейронов, каждый из которых соединен с сотнями или тысячами других, образуют систему, далеко превосходящую наши самые смелые мечты о суперкомпьютерах. Понимание функционирования нейрона и картины его связей позволило исследователям создать аппроксимирующие его математические модели. В первых же работах выяснилось, что эти модели не только повторяют функции мозга, но и способны выполнять функции, имеющие свою собственную ценность. Поэтому возникли и остаются в настоящее время две взаимно обогащающие друг друга цели нейронного моделирования. Первая- понять функционирование нервной системы человека и, вторая- создать вычислительные системы выполняющие функции, сходные с функциями человеческого мозга. В 50-е и 60-е годы двадцатого столетия группа исследователей, объединив эти биологические и физиологические подходы, создала первые искусственные нейронные сети. Выполненные первоначально как электронные сети, они были позднее перенесены в более гибкую среду компьютерного моделирования. Первые успехи вызвали взрыв активности и оптимизма. Первоначально были разработаны сети, состоящие из одного слоя искусственных нейронов. Они были использованы для такого широкого класса задач, как предсказание погоды, анализ электрокардиограмм и искусственное зрение. В течении некоторого времени казалось, что это ключ к интеллекту найден и воспроизведение человеческого мозга является лишь вопросом конструирования достаточно большой сети. Но эта иллюзия скоро рассеялась! Сети не могли решать ряд задач, внешне весьма сходных с теми, которые они успешно решали. С этих необъяснимых неудач начался период интенсивного анализа. Было доказано [8], что используемые в то время однослойные сети теоретически неспособны решать многие простые задачи, в том числе реализовать функцию "Исключающие ИЛИ". Постепенно появился теоретический фундамент, на основе которого сегодня конструируются наиболее мощные многослойные сети. Именно переход от однослойной к многослойным сетям позволил преодолеть выявленные ограничения. Урок, который можно извлечь из этой истории, выражается законом Кларка. В нём утверждается, что если крупный учёный говорит, что нечто может быть выполнено, то он почти всегда прав. Если же учёный говорит, что это не может быть выполнено, то он почти всегда не прав. Таким образом, после двух десятилетий почти полного забвения интерес к искусственным сетям быстро вырос. Специалисты из таких далёких областей, как техническое конструирование, философия, физиология, геология и психология заинтригованы возможностями, представляемыми этой технологией, и ищут практическое приложение им внутри своих дисциплин. Это возрождение интереса было вызвано как теоретическими, так и прикладными достижениями. Неожиданно открылись возможности использования вычислений в сферах до этого относящихся лишь к области человеческого 4 интеллекта, возможности создания машин, способность которых учиться и запоминать удивительным образом напоминает мыслительные процессы человека. Имеется много впечатляющих демонстраций возможностей искусственных нейронных сетей. Так, сеть научили превращать текст в фонетическое представление, которое затем превращалось в речь, другая сеть могла распознавать рукописные буквы, сконструирована система сжатия изображений и много других прикладных задач решаются с использованием многослойных нейронных сетей. Сегодня можно говорить о решении системы линейных уравнений, обращения матриц, сортировки с помощью нейрокомпьютерных технологий. Делаются попытки реализовать на нейрокомпьютерах выполнение всех арифметических операций. Действительно, при ориентации на негативную физическую основу, эти операции можно реализовать значительно эффективнее, чем на известных булевских элементах. Нейрокомпьютеры начали активно использовать при обработке сейсмических сигналов. Таким образом, искусственные нейронные сети предложены для решения задач, простирающихся от управления боем до присмотра за ребёнком. Потенциальными приложениями являются те, где человеческий интеллект малоэффективен, а обычные вычисления трудоёмки или неадекватны. 5 Глава 2 Основы конструирования искусственных нейронных сетей Искусственные нейронные сети чрезвычайно разнообразны по своим конфигурациям, но основу каждой НС составляют относительно простые, в большинстве случаев - однотипные, элементы (ячейки), имитирующие работу нейронов головного мозга. Далее под нейроном будет подразумеваться искусственный нейрон, т. е. ячейка НС. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов - однонаправленных входных связей, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом Wi, который по физическому смыслу эквивалентен электрической проводимости. Текущее состояние нейрона определяется как взвешенная сумма его входов: S = XiWi . (2.1) Выход нейрона есть функция его состояния: Y = f(S), где f- активационная функция. Все НС работают по принципу параллельной обработки сигналов, который реализуется путем объединения большого числа нейронов в так называемые слои и соединения нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно. Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера или специализированной микросхемы, на которых обычно реализуется НС. На рис.2.1. приведен пример трехслойной сети (трехслойного персептрона). Вопрос о необходимых и достаточных свойствах сети для решения того или иного рода задач представляет собой целое направление нейрокомпьютерной науки. Так как проблема синтеза НС сильно зависит от решаемой задачи, дать общие рекомендации затруднительно. В большинстве случаев оптимальный вариант получается на основе интуитивного подбора. Очевидно, что процесс функционирования НС, т. е. сущность действий, которые она способна выполнять, зависит от величин синаптических связей. Поэтому, задавшись определенной структурой НС, отвечающей какой-либо задаче, разработчик сети должен найти оптимальные значения всех переменных весовых коэффициентов (некоторые синаптические связи могут быть постоянными). Этот этап называется обучением НС, и от того, насколько качественно он будет выполнен, зависит способность сети решать поставленные перед ней задачи во время эксплуатации. На этапе обучения, кроме качества 6 подбора весов, важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью, и их приходится выбирать на основе компромисса. Обучение НС на некотором множестве примеров может вестись "с учителем" или без него. В первом случае сети предъявляются значения как входных, так и требуемых выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы НС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. Рис.2.1. Трехслойная нейронная сеть (трехслойный персептрон). Для обучения многослойной сети в 1986 г. Руммельхартом и Хинтоном (Rummelhart D.E., Hinton G.E., Williams R.J., 1986) был предложен алгоритм обратного распостранения ошибок (error back propagation). Многочисленные публикации о промышленных применениях многослойных сетей с этим алгоритмом обучения подтвердили его принципиальную работоспособность на практике. Основная идея обратного распространения состоит в том, как получить оценку ошибки для нейронов скрытых слоев. Заметим, что известные ошибки, делаемые нейронами выходного слоя, возникают вследствие неизвестных пока ошибок нейронов скрытых слоев. Чем больше значение синаптической связи между нейроном скрытого слоя и выходным нейроном, тем сильнее ошибка первого влияет на ошибку второго. Следовательно, оценку ошибки элементов скрытых слоев можно получить, 7 как взвешенную сумму ошибок последующих слоев. При обучении информация распространяется от низших слоев иерархии к высшим, а оценки ошибок, делаемые сетью - в обратном напаравлении, что и отражено в названии метода. Алгоритм обратного распространения предполагает, что для каждого входного вектора обучающего множества существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Сеть обучается на некотором множестве обучающих пар. Предъявляется входной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором. Разность (ошибка) распространяется от выходов НС к се входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы, и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки, и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему множеству не достигнет приемлемо низкого уровня. Рассмотрим трехслойную сеть состоящую из шести нейронов ( рис.2.1). Перед началом обучения сети всем весам Wnm присваиваются небольшие начальные значения, выбранные случайным образом. Это гарантирует, что в сети не произойдет насыщения большими значениями весов, и предотвращает ряд других патологических случаев. Например, если всем весам придать одинаковые начальные значения, а для требуемого функционирования нужны неравные значения, то сеть не сможет обучиться. Обучение сети происходит следующим образом. Сначала вычисляется выход первого нейрона однослойной сети. Затем вычисляется разность между выходом первого нейрона Y1 и обучающим вектором X1. На следующем шаге по формуле: W11=1X1; W21=1X2; W31=1X3; (2.2) вычисляются приращения весов первого нейрона, чтобы минимизировать ошибку. Здесь коэффициент размер шага обучения сети. На последнем этапе вычисляется (2.3) новое значение весов первого нейрона: W11=W11+ W11; W`21=W21+ W21; W`31=W31+ W31; (2.3) Затем процесс повторяется. Аналогично корректируются веса для других нейронов сети. Обучение (подстройка весов) сети происходит до тех пор, пока ошибка (разница между входом и выходом сети) не достигнет приемлемого, заранее заданного уровня. Таким образом, целью обучения сети является такая подстройка его весов, чтобы приложение некоторого множества входов приводило к требуемому множеству выходов. Несмотря на многочисленные успешные применения обратного распространения, оно не является панацеей. Больше всего неприятностей приносит неопределённо долгий процесс обучения. В сложных задачах для обучения сети могут потребоваться дни или даже недели, она может и вообще не обучиться. Длительное время обучения может быть результатом неоптимального выбора длины шага. В процессе обучения сети значения весов могут в результате коррекции стать 8 очень большими величинами. Это может привести к тому, что все или большинство нейронов будут функционировать при очень больших значениях Y , в области, где производная сжимающей функции очень мала. Так как посылаемая обратно в процессе обучения ошибка пропорциональна этой производной, то процесс обучения может практически замереть. В теоретическом отношении эта проблема плохо изучена. Обычно этого избегают уменьшением размера шага , но это увеличивает время обучения. Обратное распространение использует разновидность градиентного спуска, т.е. осуществляет спуск вниз по поверхности ошибки, непрерывно подстраивая веса в направлении к минимуму. Поверхность ошибки сложной сети сильно изрезана и состоит из холмов, долин, складок и оврагов в пространстве высокой размерности. Сеть может попасть в локальный минимум (неглубокую долину), когда рядом имеется гораздо более глубокий минимум. В точке локального минимума все направления ведут вверх, и сеть неспособна из них выбраться. Таким образом, неудачи в обучении сети могут возникнуть по двум причинам: паралича сети и попадания в локальный минимум. В этой главе рассмотрен классический метод конструирования нейронных сетей. С точки зрения математической оптимизации классический метод является простым градиентным методом первого порядка. Известно, что такие методы имеют низкую сходимость по сравнению с методами второго порядка, в которых учитывается не только само значение градиента функции оценивания ошибки в данной точке, но и "история" его изменения, описываемая матрицей Гессе вторых производных. Именно такой метод был предложен Фалманом и получил название «Метод быстрого обратного распространения ошибки», который в настоящее время используется для прогнозирования залежей нефти в системе "НЕЙРОСЕЙСМ", разработанной в Татарском геолого-разведочном управлении ОАО «Татнефть». 9 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 10 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 11 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: = 2.44 g/cm3; V = 3980 m/s, а в водонасыщенном песчанике: = 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 12 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. 13 Рис.3.2. Модель нефтяной залежи в песчаном пласте мощностью 5м. 14 Рис.3.3. Модель нефтяной залежи в песчаном пласте мощностью 2м. 15 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. 16 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 17 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 18 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. 19 3.4. Примеры применения системы "НЕЙРОСЕЙСМ" для прогнозирования залежей нефти Практически все самые привлекательные теории, впервые сформулированные нашими философами, учеными и просто здравомыслящими людьми не смогли быть реализованы в условиях нашей страны. Дело в том, что как бы не была красива теория, для того, чтобы она "заработала" необходимо практическое ее подтверждение. Только практические исследования могут либо подтвердить, либо опровергнуть данную теоретическую концепцию. Возможно, в настоящее время ситуация меняется в лучшую для исследователей сторону, которым предоставляется возможность практически апробировать свои разработки. Разработанная в НПЦ "Нейросейсм" и защищённая двумя патентами Российской Федерации нейрокомпьютерная технология прогнозирования нефтеперспективных объектов базируется на решении задач методами искусственного интеллекта. Впервые система "Нейросейсм" была апробирована на Бухарском месторождении в 1997 году [4,5]. По данным начальника геологического отдела НГДУ "Альметьевскнефть" при бурении двенадцати скважин по данным нейрокомпьютерных исследований, прогноз совпал по 11 скважинам. Экономический эффект при этом составил 8.9 млн. руб. (см."Нефтяник Татарстана" 67(813) за 25 августа 1998г). К настоящему времени методом "Нейросейсм" было проанализировано около тридцати пяти участков на различных месторождениях республики Татарстан общей площадью около 1500 кв. км. По предварительным оценкам средняя эффективность метода "Нейросейсм" в РТ составляет около 80%. Технологический процесс работы системы "НЕЙРОСЕЙСМ" включает следующие основные этапы: 1. Демультиплексация полевых сейсмических данных с вводом геометрии и редактирование сейсмограмм. 2. Кинематическая обработка и получение окончательных сейсмических разрезов. 3. Геологическая интерпретация сейсмических разрезов и корреляция опорных отражающих горизонтов. 4. Обучение нейросети и нейрокомпьютерная анализ продуктивных отложений. 5. Построение прогнозных карт исследуемых отложений. Демультиплексация заключалась в считывании мультиплексных магнитных лент с лентопротяжки в ПЭВМ, демультиплексировании с вводом геометрии расстановки и редактировании полученных сейсмограмм. Кинематическая обработка проводилась по специально разработанному в НПЦ "Нейросейсм" графу и заключалась в получении временных сейсмических разрезов, пригодных для проведения нейрокомпьютерного анализа. Геологическая интерпретация полученных сейсмических разрезов заключалась в прослеживании отражающих горизонтов, по которым должен проводиться нейроанализ, их корреляции и увязке на площади работ, а также картировании рифов, врезов, тектонических нарушений и т.п.. 20 Рис.3.6. Результаты нейроанализа временного разреза по ОГ "У" и "Д". Обучение нейрокомпьютерной сети производится на сейсмических профилях, проходящих вблизи скважин с доказанной продуктивностью исследуемых отложений. Затем производится нейрокомпьютерный анализ всех профилей на площади работ. На рис.3.6. представлен фрагмент временного сейсмического разреза, по которому проводился нейрокомпьютерный аназиз по отражающим горизонтов "У" и "Д". Результаты анализа представлены в виде графиков вероятности. В местах, где вероятность превышает 60%, предположительно находится нефтяная залежь. По результатам нейроанализа строятся прогнозные карта нефтеперспективности исследуемых отложений (см.рис.3.7.). 21 Рис.3.7.Прогнозная карта нефтеперспективности отложений терригенного девона. 22 Точность прогноза напрямую связана с правильностью обучения сети. Для этого необходимо грамотно подобрать величину окна, количество трасс и нейронов, участвующих в обучении сети. Оптимальным является условие, когда на площади работ находятся две продуктивные скважины, которые дают приток нефти из одинаковых горизонтов. При этом, если система, обученная в районе одной скважины, при анализе показала аномалию в районе другой продуктивной скважины, можно утверждать, что нейросеть обучилась правильно и результатам прогноза на этой площади можно доверять. Следует также отметить, что система, обученная по материалам одной сейсмопартии, может не правильно работать по материалам, полученным другой сейсмопартией. Это объясняется тем, что методика, условия проведения полевых работ, граф обработки для сейсмопартий в разные годы отличаются. При обучении системы следует иметь ввиду, что сейсмогеологическая характеристика разреза на участке обучения системы, создающая свой набор сигналов и помех, должна быть максимально приближена к характеристике на участке анализа. Чем ближе сходство структурных, фациальных, петрофизических особенностей разреза обучающегося и анализируемого участков, тем надёжнее прогноз при использовании нейронной системы. На достоверность прогноза могут влиять и другие специфические геологические процессы. Например, известно, что залежь нефти вызывает изменение петрофизических свойств вышележащих отложений на величину, значительно превышающую её мощность. Это облегчает прогноз, так как в этом случае в формировании волновой картины участвует не только сама залежь нефти, а значительно более мощное образование, где в результате окислительновосстановительных процессов изменились петрофизические свойства вышележащих над залежью нефти горных пород. Однако, в результате некоторых геологических процессов (например тектонических подвижек) нефть может мигрировать из одной ловушки в другую, успев сильно изменить петрофизические свойства вышележащих толщ. В результате нейрокомпьютерных исследований в районе "старой" ловушки нефти может быть картирована ложная нейроаномалия, а результаты бурения здесь покажут остаточную нефтенасыщенность. В то же время, "молодая" ловушка нефти может быть не закартирована, так как нефтяная залежь не успела сильно изменить петрофизические свойства вышележащих горных пород, участвующих в формировании волновой картины сейсмического поля. Несмотря на некоторую неоднозначность прогнозных решений при распознавании нефтеперспективных объектов методом "НЕЙРОСЕЙСМ", пятилетний опыт практического использования метода показал его высокую эффективность. Отличительной особенностью метода является то, что он не требует проведения дорогостоящих полевых работ, а использует полевые сейсмические материалы прошлых лет. Полная компьютеризация метода "Нейросейсм" делает его достаточно оперативным и дешёвым. 23 Литература 1. Авербух А.Г., Методика интерпретации данных сейсморазведки при интегрированном изучении нефтегазовых резервуаров: 1988, Геофизика, 1, с. 13 – 19. 2. Гогоненков Г.Н. - Изучение детального строения осадочных толщ сейсморазведкой. - М., "Недра", 1987г.,180 с. 3. Корягин В.В. - Сейсморазведка нефтегазоперспективных структур малого размера "Самарский государственный технический университет",2001г.,264 с. 4. Куликов С.А., Тарасов Е.А. - Нейрокомпьютерная техника в распознавании нефтеперспективных обьектов по данным сейсмических наблюдений. - М., "Геология, геофизика и разработка нефтяных месторождений", Вып. 11, 1994г., с.1921. 5. Куликов С.А., Тарасов Е.А.- Результаты практического применения нейротехнологии прогнозирования залежей нефти в Татарстане.-М.,"Геология, геофизика и разработка нефтяных месторождений", Вып.3, 1998 г., с. 29-33. 6. Михальцев А.В., Мушин И.А., Погожев В.М. - Обработка динамических параметров в сейсморазведке. - М., "Недра", 1990 г. 7. Птецов С.Н. - Анализ волновых полей для прогнозирования геологического разреза. - М., "Недра", 1989г., 230 с. 8. Уоссерман Ф. - Нейрокомпьютерная техника. - М., "Мир", 1992г. 300 с. 9. Чжаня Ч. Анализ и выделение сейсмических сигналов. - М., "Мир", 1986, 120 с. 24
