CC BY
41
УДК 553.98:004.032.26
В.К. Хуторянский, В.В. Достовалов, Е.В. Попова ФГУП «СНИИГГиМС», Новосибирск
НОВЫЕ АСПЕКТЫ ПРИМЕНЕНИЯ НЕЙРОСЕТЕВОГО ПРОГНОЗИРОВАНИЯ НА МЕСТОРОЖДЕНИЯХ УГЛЕВОДОРОДОВ ВОСТОЧНОЙ СИБИРИ
Рассмотрен комплексный многофакторный нейросетевой анализ двух и трёхмерных данных с использованием кластеризации и модифицированного алгоритма обучения в программной среде «GeolEdit». Из площадных гравимагнитных данных получаются трёхмерные модели распределения намагниченностей и плотностей, выбираются наиболее эффективные слои. Для математической поверхности дневного рельефа проводится частотная дисперсия и выбирается частота, наиболее коррелируемая с известными дебитами. Не все матричные слои, покрывающие изучаемую площадь, пригодны для прогноза. Построены прогнозные карты (с вероятностью 0,7-0,8) предполагаемых дебитов углеводородов по нескольким участкам Западной Сибири.
V.K. Hutoryansky, V.V. Dostovalov, E.V. Popova
Siberian Research Institute of Geology, Geophysics and Mineral Resources (SNIIGGiMS), 67, Krasnii Prospekt, Novosibirsk, 630091, Russian Federation
NEW ASPECTS OF USING NEURAL NETWORK FORECASTING FOR EAST SIBERIA HYDROCARBONS DEPOSITS
Multivariate complex neural network analysis of two and three-dimensional data using clusterization and modificated teaching algorithm in «GeolEdit» environment is considered. The three-dimensional models of distribution of magnetization and density are gained from the areal gravity-magnetic data, the most effective layers are chosen. The frequency dispersion is spent and the most correlated frequency with known discharges is chosen for a mathematical surface of relief. Not all matrix layers covering the studied square, are suitable for the forecast. Predictive estimations of hydrocarbons localization are received (with probability 0,7-0,8) on several sections of West Siberia.
Общеизвестны проблемы нефтепромысловой геологии и геофизики при расширении площадей открытых месторождений углеводородов, уточнении границ залежей в межпрофильных и межскважинных пространствах, выборе наиболее перспективных объектов на новых площадях. На изучаемой территории могут отсутствовать данные сейсморазведки и разведочного бурения, но при этом имеется разнородный набор матричных покрытий, покрывающих территорию. Как правило: топооснова, магнитометрия,
гравиметрии, космоснимки, не всегда: аэрофотоснимки, геохимия, тепловая съёмка, радиометрия, электроразведка и т. д. Комплексирование таких неравнозначных матричных покрытий ранее было чрезвычайно трудоемко, а результаты весьма не однозначны. В настоящее время, широко распространено применение искусственных нейронных сетей (ИНС) для решения вышеназванных задач, что подтверждается многими исследователями [1, 2, 3 и др.].
Нейроинформационная система GeolEdit (НИС GeolEdit) [4] отвечает всем требованиям ГИС технологии, топологии и требованиям инструкции
[5].
Технология подготовки матричных покрытий
Потенциальные поля
Как показали наши исследования [6], дебит углеводородов весьма слабо связан с наблюдёнными магнитными и гравитационными полями, поэтому необходимо получить распределение намагниченностей и плотностей геологических образований в трёхмерном пространстве и выбрать информативные горизонты, которые могут оказаться выше или ниже продуктивного горизонта. После задания геометрии трёхмерной среды, решаем обратную задачу [7], в результате получаем распределение плотностей /намагниченностей для каждого цилиндра. По этим данным решаем прямую задачу и получаем региональное гравитационное / магнитное поле от нижнего слоя двухслойной среды. Вычитаем региональное поле из наблюдённого, получаем локальное поле, от масс, распределённых между дневной поверхностью и заданной горизонтальной плоскостью, как иносказательно, но очень образно Д. Зидаров [7] навал эту процедуру «циркуляр (по-русски - циркулярка)».
Дневной рельеф
Рельеф дневной поверхности исследуемой территории содержит множество признаков, в той или иной степени связанных с нефтегазоносностью, поэтому включение матрицы с математической моделью дневного рельефа в общий набор матричных покрытий повышает надежность прогноза.
Как показали наши исследования с помощью ИНС, большей связью с нефтегазоносностью имеет высокочастотная составляющая дневного рельефа (локальная составляющая), нежели сам рельеф, для получения локальной составляющей используется тот же инструмент, что и при интерпретации потенциальных полей. Например, в бассейнах рек Пеледуй и Чайка, обучение ИНС по реальному дневному рельефу дало Ad = ±28,1 %, а по высокочастотной составляющей рельефа Ad = ±22,1 %.
Линеаменты, получаемые дешифрированием аэрофотоснимков
Для получения матричных покрытий из линеаментов используется методика В.С. Старосельцева [8]. Строятся три матричных покрытия: средних длин всех линеаментов (D1/n) и отклоняющихся по направлению от преобладающих для изучаемой территории (X0/n0), а также отношение (Х0/Х1 ). Величина скользящего окна выбрана с помощью ИНС, оптимальный размер 2x2 км, отметим, что у B.C. Старосельцева рекомендовано такое же окно для данных масштаба 1 : 100 000.
Морфометрия
Под морфометрией подразумевается степень эрозионной расчленённости дневного рельефа, которая получается из геометрии расположения русел рек. С топокарт наиболее крупного масштаба снимаются
все русла рек. Обработка этих линейных объектов производится по методике В.С. Старосельцева, т. е. как для линеаментов.
Использование разреженных данных при обучении ИНС
Очень часто нам приходится иметь дело не только с площадными данными, но и разреженными, представленными отдельными профилями или малыми площадями. Раньше такие данные (в частности, так обычно представлена геохимия) использовались только для анализа получаемых прогнозных оценок. Использование разреженных данных в процессе обучения представляет определенные трудности: есть большая вероятность того, что нейронная сеть обучится таким образом, что решающим фактором окажутся не сами значения, а наличие или отсутствие их. Такое грубое влияние на процесс обучения нейронной сети не допустимо, так как это скорее вносит искажение в обучающую информацию, нежели дополняет её.
Для того чтобы минимизировать искажающий эффект, нами разработан следующий алгоритм использования разреженных данных.
1. Для каждого матричного слоя в отдельности анализируется сформированное окно точек. Если число точек меньше половины окна, то данное окно не участвует в обучении (коррекция весов, связанных с данным окном нулевая).
2. В случае если окно точек более чем на половину заполнено реальными данными, сила коррекции полноте данных (100 %, если есть все точки).
Такой подход позволяет сгладить влияние отсутствия/наличия данных, так как на границе области будет происходить плавное уменьшение силы коррекции весов в процессе обучения. После вычисления коэффициента коррекции на него накладывается коэффициент, связанный с рассматриваемым матричным слоем, определяемый корреляцией данного слоя с известными дебитами нефти и газа [9]. Полученная величина и используется при обучении искусственной нейронной сети как множитель, определяющий силу коррекции весов.
Бассейны рек Пеледуй и Чайка
На данной территории впервые были применены весовые коэффициенты для матричных слоёв при обучении ИНС. Данный подход в сочетании с использованием в качестве обучающих данных матрицы кластеров позволил сделать прогноз более контрастным и достоверным. Весовые коэффициенты (W) определяются исходя из Adi матричного слоя и применяются при коррекции весовых коэффициентов слоя при обучении ИНС по обратному распространению ошибки. Так как сигмоидальная активационная функция имеет диапазон значений от 0 до 1, то полученные веса приводятся к этому диапазону (нормируются на максимальный вес Admax).
Исследование корреляции матричных слоев показало, что:
- При обучении на данных о дебитах газа значительное влияние оказывает рельеф дневной поверхности.
- Для нефти хорошую корреляцию показывает уран-ториевое отношение.
- В целом лучшие результаты показывает морфометрия.
На рис. 1 приведена прогнозная карта при обучении ИНС по взвешенной сумме дебитов нефти и газа для площади бассейнов рек Пеледуй и Чайка (Ad = 16.08 %). Стоит отметить, что на прогнозной карте наблюдается положительная аномалия 7 км западнее параметрической скважины Ч-279.
Рис. 1. Прогноз нефтегазоносности для площади бассейнов рек Пеледуй и Чайка (Дd = 16,08 %).
Выводы
Применение ИНС в задачах прогнозирования является математически обоснованным методом выделения функциональных зависимостей между исходным набором признаков и связанным с ним набором образов, по которым обучается нейронная сеть. Полученную зависимость можно использовать для прогнозирования исследуемого показателя на не изученных территориях. Это обосновывает возможность использования нейросетевого анализа для комплексирования разнородных данных. Система, основанная на обучении, имеет возможность выводить знания автоматически, а также обнаруживать знания, которые являются специфическими для конкретной задачи и которые трудно представить в виде набора правил, что даёт несомненное преимущество перед алгоритмическим подходом. Именно, поиск скрытых закономерностей в исходных обучающих данных особенно привлекателен при использовании нейросетевого подхода.
Применение ИНС для прогноза нефтегазоносности при ограниченном наборе матричных покрытий изучаемой площади позволяет получить прогнозную карту с вероятностью 0.65-0.92. Качество прогноза во многом зависит от масштаба используемых материалов, по результатам съемки масштаба 1:100 000, вероятность прогноза может достигать 0.8-0.92, а по данным масштаба 1 : 500 000 - 0.65-0.72. Вероятность прогноза
существенным образом зависит от совокупности набора матричных покрытий, поэтому необходимо с ИНС рассмотреть каждый из имеющихся матричных слоёв в отдельности и выбрать оптимальный набор данных, со своим весовым коэффициентом.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Гафуров, О.М. Разработка нейроинформационных технологий прогноза и управления для решения задачи идентификации геологического тела 3D в интеллектуальной геоинформационной системе "ИнформГео" [Текст]: научное издание / О.М. Гафуров, С.В. Горбачев // Проблемы нейрокибернетики. - Ростов-на-Дону. - ЦВВР. - 2002. - Т. 203. - С. 89-92.
2. Проказов, С.А. Нейросетевые методы и программное обеспечение для решения задач нефтепромысловой геологии [Текст]: диссертация кандидата технических наук /
С.А. Проказов. - Томск: ТПУ, 2003.
3. Швыдкин, Э.К. Опыт применения нейронных сетей для поисков нефти комплексом геофизических и геохимических методов [Текст] / Э.К. Швыдкин, Н.В. Бормотова, С.В. Чернов / Материалы 31 сессии Международного семинара им. Д.Г. Успенского. - Москва, январь 2004 г.
4. Хуторянский, В.К. Свидетельство об официальной регистрации программы для ЭВМ “GeolEdit”, № 990206 зарегистрировано в реестре программ для ЭВМ [Текст] / В.К. Хуторянский, А.В. Хуторянский. - Москва 22 апреля 1999 г.
5. Инструкция по составлению и подготовке к изданию листов Государственной геологической карты Российской Федерации масштаба 1 : 200 000 (Роскомнедра). - Москва, 1995. - 244 с.
6. Хуторянский, В.К. О выделении залежей углеводородов при помощи нейроинформационной системы “GeolEdit” [Текст] / В.К. Хуторянский, В.В. Достовалов // Материалы научно-практической конференции “Перспективы развития
нефтегазодобывающего комплекса Красноярского края”. - Красноярск, 2007. - С. 147151.
7. Зидаров, Д. О решении некоторых обратных задач потенциальных полей и его применении к вопросам геофизики [Текст] / Д. Зидаров. - София, 1968. - 257 с.
8. Старосельцев, В.С. Технология прогноза погребенных поднятий и их нефтегазоносности [Текст] / В.С. Старосельцев, М.И. Муратов // Обратные задачи и информационные технологии рационального природопользования: Материалы IV научнопрактической конференции. - Ханты-Мансийск, 2008. - С. 128-130.
9. Хуторянский, В.К. О применении нейросетевого прогнозирования на месторождениях углеводородов Западной и Восточной Сибири [Текст] / В.К. Хуторянский, В.В. Достовалов // Материалы V Международного научного конгресса и выставки “ГЕО-Сибирь-2009”. - Новосибирск, 2009. - С. 265-269.
© В.К. Хуторянский, В.В. Достовалов, Е.В. Попова, 2010
