Алгоритмы применения нейросетевых методов для определения литологического состава разреза скважины по данным каротажа Текст научной статьи по специальности «Компьютерные и информационные науки»

Существенными недостатками данного подхода являются необходимость аналого-цифрового преобразования сигнала отклика, что для данной задачи требует высокого быстродействия АЦП. Кроме того, для осуществления вейвлет-преобразования с выделением требуемых признаков необходима высокая производительность микроконтроллера используемого в датчике.

Высокая цена микроконтроллера удовлетворяющего совокупности данных требований существенно ограничивает его применение, так как неизменно приводит к удорожанию самого датчика.

Более того, идентификация сигналов для случаев, когда поплавок находится в крайних положениях относительно направляющей датчика будет сильно затруднена. Все это делает использование вейвлет-преобразования неоправданным для решения данной задачи.

Математические методы обработки сигналов на предмет выделения признаков характеризующих полезный сигнал можно условно разделить на две категории, а именно методы, основанные на аппроксимации сигнала и методы, основанные на выделении признаков сигнала за счет сравнения с заданными пороговыми значениями.

Аппроксимация сигнала может быть как кусочно-линейной, так и полиномиальной (могут использоваться степенные полиномы и полиномы Лежандра, Лаггера, Эрмита и др.). Несмотря на то, что кусочно-линейная аппроксимация требует несравнимо меньших аппаратурных затрат, чем полиномиальная, тем не менее ее использование также связано с необходимостью высокого быстродействия исполнительного микроконтроллера и необходимостью оцифровки сигнала с помощью быстродействующего АЦП.

В данном случае признаковое пространство также будет состоять из формы сигнала и его ориентации на оси времени, с той лишь разницей, что для выделения полезных составляющих (в данном случае отклик от магнита расположенного на поплавке) будет необходимо наличие алгоритма поиска заданной формы сигнала путем сравнения ее с заданным шаблоном. Сложность такого алгоритма заключается в необходимости аффинных трансформаций заданного шаблона с целью приведения его масштаба в соответствие с масштабом полученного сигнала.

Кроме того, степень аппроксимирующего полинома прямо пропорциональна точности определения интервалов времени функционально зависимых от местоположения поплавка.

Наиболее привлекательным с точки зрения выделения пространства признаков полезного сигнала является метод, основанный на сравнении сигнала с заданными пороговыми значениями.

Данный подход заключается в обнаружении полезных сигналов путем превышения ими некоторого заданного порога. Помимо этого данный подход выгоден тем, что в силу квазигармонической природы сигналов превышение порога возможно как одной, так и несколькими полуволнами. Исходя из этого, появляется возможность определения длительности превышения порога полуволной.

Аппаратная реализация подобного подхода достаточно проста и требует наличия одного или нескольких компараторов в зависимости от выбранного количества пороговых значений.

1. Датчики: сфера, 2012. -

2. Баскаков 1988 - 448 с.

ЛИТЕРАТУРА

Справочное пособие / Под общ. ред. В.М. Шарапова, Е.С.

624 с., ISBN 978-5-94836-316-5

С.И. Радиотехнические цепи и сигналы. Учеб. для вузов.

Полищука. - Москва: Техно-2-е изд, - М.: Высш. шк.,

УДК 004.89

Лялин В.Е, , Чернышев К. С., Мухин Ю.С,

ФГБОУ ВО «Ижевский Государственный Технический Университет», Ижевск, Россия

АЛГОРИТМЫ ПРИМЕНЕНИЯ НЕЙРОСЕТЕВЫХ МЕТОДОВ ДЛЯ ОПРЕДЕЛЕНИЯ ЛИТОЛОГИЧЕСКОГО СОСТАВА РАЗРЕЗА СКВАЖИНЫ ПО ДАННЫМ КАРОТАЖА

Представлены системы, в которых целесообразно использование технологий экспертных систем и нейроинформационных структур. Разработаны алгоритмы применения нейросетевых методов для определения литологического состава разреза скважины по данным каротажа путем обучения на основе анализа соответствия КД имеющемуся экспертному заключению. Разработаны специализированные алгоритмы обработки результатов работы сети для увеличения информативности сигнала, выдаваемого НС, и повышения надежности распознавания.

Представлены результаты разработки интерпретирующих систем с использованием нейросетевых методов. В статье проведено исследование применимости трех типов НС для решения задач интерпретации ГИС: многослойная однонаправленная сеть; радиальная сеть (RBF), нечеткая сеть (TSK).

Ключевые слова:

нейросеть, многослойная однонаправленная сеть, радиальная сеть (ЯВЕ), нечёткая сеть (Т8К).

Объединение принципов нечеткого логического вывода и нейросетевой структуры привело к созданию нечетких НС. В работе использован один из вариантов НС - нечеткая НС Такаги-Сугено-Канга (TSK). Для обучения использовалась система данных, представляющая собой набор наблюдаемых точек. Система данных делится на две выборки: обучающую и проверочную. Неизвестные коэффициенты нужно подобрать таким образом, чтобы они обеспечили минимальное отклонение рассчитываемых в сети значений от имеющихся, т.е. давали бы минимум целевой функции оптимизации. Рассмотренные НС применялись для прогнозирования коэффициента пористости выделенного пласта-коллектора [4]. На входы сети подавались КД выделенных пластов-коллекторов, выходной сигнал соответствовал значению пористости для всего пласта. В эксперименте участвовало 8 разведочных скважин Вятской площади, к которым прилагались расшифровки геофизиков-интерпретаторов с указанием глубин скважин, соответствующих коллекторам, коэффициента

общей пористости

K„

(м3/м3,

ния. Для нефтенасыщенных коллекторов дополнительно указывался коэффициент нефтенасыщения К . На вход сети подавались показания 7 методов: ВК, SP (собственные потенциалы), PZ (потенциал-зонд), GR, ^Я, DT, 1К (индукционный каротаж).

Общее количество обучающих примеров составило 200, половина из которых использовалась для обучения, остальные - для тестирования НС. Для синтеза архитектуры и обучения многослойной НС применялся генетический алгоритм БОЛ. Модель многослойного персептрона удовлетворительно справляется с прогнозированием пористости по данным комплекса геофизических методов. Определено, что задача определения коэффициента пористости лучше решалась сетью ТБК. Среднеквадратичная ошибка прогнозирования на тестовом множестве данных для многослойного персептрона (У = 1,9%, для сети ТБК

- (У = 1,6% • На рис. 1 изображены графики зависимостей коэффициента К , выданного НС, от эта-

РР

и типа насыще-

лонного коэффициента пористости K

Pf

Ш

I

I

944 946 948 950 952 954 956 956 960 962 964 966 968 970 972 974 976 978 980 982

i

ш

945

950

955

960

965

970

Рисунок 2 - Разделение пластов нейросетевым методом: а) скважина №13022; б) скважина №13416

975

980

- Обучающий сигнал

Л Л . - Аппроксимация RBF Рисунок 3 - Результат работы сети RBF на скважине при выделении коллекторов

Нейросетевые методы также применялись для разделения разреза на пласты коллекторы. Методика выделения коллекторов по КД основывается на следующих характерных признаках коллекторов: проницаемость; пониженное содержание поверхностно-активной пластичной составляющей твердой фазы; повышенная пористость. На входы сети подавались показания геофизических методов в каждой точке скважины. На выходе фиксировались одно из двух значений - 1 (пласт есть) и 0 (пласт отсутствует). Более высокого качества разбиения, с учетом того, что границы пластов-коллекторов являются размытыми, удалось добиться с помощью кодирования выходных сигналов НС. Для этого в пласт вписывается функция, заданная параболой.

Таким образом, в середине пласта-коллектора выходное значение сети максимально и равно 1. При исследовании эффективности метода для обучения НС были взяты геофизические данные для скважин Вятской площади с известными расшифровками границ пластов. Обучающая выборка содержала около 2000 точек. После обучения процент распознанных точек достиг 80. Проверка проводилась также на других скважинах. Ниже показано разделение разреза на пласты по указанной методике для двух скважин №13022 (рис. 2, а) и №13416

(рис. 2, б). Спрогнозированные пласты показаны верхними прямо-угольниками. Нижние прямоугольники соответствуют данным расшифровки КД для соответствующих скважин.

Используя полученную от геофизика информацию о выделенных коллекторах из нескольких скважин [1], выявлены закономерности между показаниями каротажей и наличием или отсутствием коллектора. Задачи выделения коллекторов решались с применением всех рассмотренных типов НС [5]. На рис. 3 показан результат аппроксимации радиальной сетью ЯВЕ части сигнала, представленного в обучающей скважине на глубине от 900 до 930 м. Метод нейросетевого выделения пластов геофизических скважин показал высокую скорость обработки новых скважин и независимость от условий измерений.

В статье описаны экспериментальные исследования, проведенные на оцифрованном материале скважин Вятской площади. Перед обработкой КД нормировались. В эксперименте участвовало 400 интерпретированных скважин, которые разделялись на обучающее (30%) и тестовое (70%) множества. Целью исследования являлась проверка применимости многослойной НС для литологического расчленения разреза скважины и оценка качества интерпретации.

Рисунок 4 - Результаты обучения сети при выделении пластов-коллекторов

Рисунок 5 - Результаты обучения сети при определения типа насыщения

Рисунок 7 - Результаты обучения сети с окном данных 5 отсчетов

Кривая ВК

Кривая БЭ

Кривая БТ

Кривая И?

Кривая ЫОН

Кривая 1К

■ Вода

Нефть

Нефть-вода ■

■Оц. нефти ■

■Оц. воды---Оц. нефть-вода

Рисунок 8 - Определение типа насыщения по отдельным методам

Эксперимент был разделен на пять частей: обучение НС без окна данных по группе методов; обучение НС с окном данных по группе методов; обучение НС без окна данных по каждому методу отдельно; обучение НС с окном данных по каждому методу отдельно; переход к точным оценкам и повышение надежности распознавания.

В каждой части эксперимента кроме перехода к точным оценкам, производилось выделение пластов-коллекторов и нефте-, водо-, нефтеводонасыщенных пластов без предварительного выделения коллекторов.

В качестве входных данных были выбраны следующие каротажные методы: ВК, диаметр скважины (ВБ), ВТ, ОК, ЫОК. Это объясняется тем, что данные методы представлены на всех скважинах в имеющемся наборе каротажных методов. Размерность входного слоя НС составила 5 нейронов. В ходе эксперимента было построено и обучено по несколько НС на каждый вариант формализации задачи, а затем из полученного множества была выбрана одна, наиболее точно строящая заданное отображение.

Использование окна данных позволяет НС анализировать не только текущее значения каротажных методов, но и характер поведения кривой в окрестности оцениваемой глубины. В ходе эксперимента применялись окна размерностью в 3 и 5 отсчетов глубины. Размерность входных слоев НС составила 15 и 25 нейронов соответственно. Результаты эксперимента представлены на рис. 6 для окна в 3 отсчета и на рис. 7 для окна в 5 отсчетов. Результаты эксперимента по одной скважине при выделении пластов-коллекторов без использования окна данных представлен на рис. 5. Для определения типа насыщения результат обучения сети без окна данных представлен на рис. 6.

Установлено, что качество интерпретации при использовании окна данных возрастает. Но при этом возрастает размерность интерпретирующей НС и, как следствие, время ее обучения. При проведении экс-

перимента с разделением каротажных методов в качестве входных данных были выбраны ВК, ВБ, ВТ, ОК, NОК, 1К, Р2, БР. Результаты эксперимента по одной скважине (определение характера насыщения) с окном данных в пять отсчетов приведены на рис. 8.

Для проверки точности данного подхода были интерпретированы скважины по полному набору методов и по части методов, а именно: ВК, ОК, N0К, ВБ.

Результаты выделения пластов-коллекторов при полном наборе методов каротажа представлены на рис. 9 без окна данных и на рис. 10 при окне данных в 5 отсчетов. Для приведения оценок НС к точным значениям применялось два метода: введение порога округления и использование нечеткой системы.

При решении данной задачи предполагалось, что коэффициенты в петрофизических уравнениях известны. Для их определения необходимо иметь обучающую выборку.

Проведен комплексный эксперимент по обучению НС, заключающийся в выделении пластов-коллекторов и нефтенасыщенных, водонасыщенных, нефте-во-донасыщенных пластов. Получены экспериментальные зависимости между правилами формализации задачи и конечными результатами распознавания ли-тологической структуры разреза скважины с помощью аппарата искусственных НС. Это позволило сделать вывод о применимости многослойной НС для качественной экспресс-интерпретации данных ГИС. Применение алгоритмов обработки выхода НС позволило получить до 85% совпадений оценок сети с эталонными данными при использования порога округления и до 93% при использовании аппарата нечеткой логики [2, 3]. Следует заметить тот факт, что данные оценки являются относительными, поскольку отсутствуют доказательства абсолютной точности определения коллекторов экспертами и, как следствие, указанные оценки являются производными с учетом возможных ошибок экспертов. Иными словами, точность выделения литологических пластов в разрезе скважины с помощью НС может быть выше указанной.

Рисунок 9 - Результат выделения коллекторов без окна по 8 методам

Рисунок 10 - Результат выделения коллекторов с окном данныхв 5 отсчетов

Разработана структура и алгоритмы функционирования интеллектуальной системы качественной интерпретации данных ГИС, позволяющая проводить экспресс-интерпретацию прямо на скважине. Преду-

смотрена возможность расширения функциональности системы без изменения общей структуры за счет использования динамически подгружаемых модулей.

ЛИТЕРАТУРА

1. Устройство для регистрации информации, Лялин Е.А., Нистюк А.И., Касаткина Т.С., Лялин В.Е., Голиченкова Л.В., патент на изобретение RUS 1030818 08.02.1982

2. Комплекс программ для оперативной предварительной обработки каротажных сигналов, Лялин В.Е., Гурьянов А.В., Нистюк А.И., Вестник ИжГТУ им. М.Т. Калашникова. 2002. № 3. С. 15.

3. Математическое моделирование процесса интерпретации данных ГИС, Лялин В.Е., Сенилов М.А., Вестник Московской академии рынка труда и информационных технологий. 2004. № 11. С. 108.

4.Исследование возможности проведения различий между моделями пласта на основе прогнозной дисперсии параметров коллектора, Лялин В.Е., Денисов С.В., Исмагилов Р.Н., Вестник Московской академии рынка труда и информационных технологий. 2004. № 3. С. 4.

5. Лялин В.Е. Программно-аппаратные средства, математические модели и интеллектуальные информационные технологии для обработки и интерпретации геофизических исследований скважин. - Екатеринбург: Изд-во УрО РАН, 2012. - 324 с.

УДК 004.89

Лялин В.Е., Чернышев К.С., Мухин Ю.С.

ФГБОУ ВО «Ижевский Государственный Технический Университет», Ижевск, Россия

ПОВЫШЕНИЕ ИНФОРМАТИВНОСТИ МОДЕЛЕЙ ИНТЕРПРЕТАЦИИ ДАННЫХ ГИС

Интерпретация данных комплекса ГИС относится к классу особо сложных задач, решаемых в условиях неполной информации. В большинство существующих методик комплексной интерпретации не заложен принцип адаптивности, т.е. самонастройки к условиям измерений. Этот фактор негативно влияет на качество и скорость интерпретации данных.

Разработанный алгоритм поточечного моделирования позволяет решать задачи интерпретации разных уровней. При наличии данных о коэффициентах, характеризующих общие свойства пород, поточечная интерпретация результатов ГИС может проводиться для произвольных месторождений.

Ключевые слова:

геофизическая интерпретация, попластовая интерпретация, поточечная интерпретация.

Алгоритмы геофизической интерпретации данных ГИС используют решение прямой задачи, определяющей зависимости измеряемых геофизических параметров от изучаемых характеристик разреза [5]. Интерпретация данных комплекса ГИС относится к классу особо сложных задач, решаемых в условиях неполной информации. В большинство существующих методик комплексной интерпретации не заложен принцип адаптивности, т.е. самонастройки к условиям измерений. Этот фактор негативно влияет на качество и скорость интерпретации данных.

В известных системах обработки геофизической информации интерпретация геофизических параметров проводится либо в попластовом, либо в поточечном варианте. При попластовой интерпретации непрерывная кривая зависимости геофизических параметров от глубины заменяется ступенчатой. Каждая ступенька соответствует некоторому геометрическому объекту (пласту). Пласт характеризуется осредненными геофизическими свойствами. Основная проблема при данном методе интерпретации заключается в неоднозначном разбиении геофизической кривой на пласты. При поточечной интерпретации проводится обработка оцифрованной зависимости геофизических параметров от глубины разреза [1]. Результатом обработки является зависимость характеристик разреза от его глубины [4]. Решение задачи поточечной интерпретации основано на методах обратной фильтрации, учитывающих влияние пород, окружающих исследуемую точку. Основной проблемой применения метода поточечной интерпретации является значительная вычислительная трудоемкость. Возможности повышения эффективности поточечной интерпретации связаны с применением алгоритмов, относящихся к «интеллектуальным алгоритмам» [6].

Обозначим свойства разреза вектором XеЯт . В качестве таких свойств обычно выступают: коэффициент пористости £ , коэффициент глинистости

, коэффициент водонасыщенности к^ , коэффициент нефтенасыщенности кп и т.д. Для проведения геофизических исследований скважин применяются несколько методов: электрометрические, акустические, радиометрические, термометрические и др. Для каждого метода имеется регистрируемый сигнал

V е Кп , определяющий физические характеристики (электрическое сопротивление, скорость распространения звуковой волны, уровень радиоактивного излучения), связанные со свойствами разреза. Эта связь может быть задана в виде петрофизических уравнений: у = р(х) .

Существующие геофизические методы не являются точечными. При измерении физической характеристики в точке ъ = (г, 2~) в цилиндрической системе координат (г,2) , где 2 - расстояние по оси скважины, г - радиус, отсчитываемый от оси, на значение регистрируемого сигнала влияют характеристики окружающего пространства, а также аппаратурные погрешности. В результате регистрируемый сигнал определяется выражением вида

у (ъ) = ц ф (г — ¡;) f (х($)) а\ + з\ (г), (1)

Ъ

где ф( г — - функция осевого влияния (мультипликативная помеха); £>у (ъ) - аддитивная помеха.

Учет радиальной составляющей требует численного решения сложных многомерных дифференциальных эллиптических уравнений. Поэтому в уравнении (1) при практической реализации оставляют только осевую неоднородность