CC BY
77
УДК 553.98:004.032.26
В.К. Хуторянский, В.В. Достовалов
ФГУП «СНИИГГиМС», Новосибирск
О ПРИМЕНЕНИИ НЕЙРОСЕТЕВОГО ПРОГНОЗИРОВАНИЯ НА МЕСТОРОЖДЕНИЯХ УГЛЕВОДОРОДОВ ЗАПАДНОЙ И ВОСТОЧНОЙ СИБИРИ
V.K. Hutoryansky, V.V. Dostovalov
Siberian Research Institute of Geology, Geophysics and Mineral Resources (FGUP SNIIGGiMS), 67, Krasnii Prospekt, Novosibirsk, 630091, Russian Federation
ABOUT USING NEURAL NETWORK FORECASTING FOR WESTERN AND EASTERN SIBERIA HYDROCARBONS DEPOSITS
Multivariate complex neural network analysis of the areal data within modificated algorithm in «GeolEdit» environment is considered. Forecasting on three territories is reviewed, predictive estimations are received with probability 0.7 - 0.8.
В настоящее время немаловажная роль в обеспечении прироста запасов нефти и газа принадлежит комплексной обработке геолого-геофизических данных. Нейроинформационная система (НИС) «GeolEdit» [7] содержит в себе все необходимые модули для построения, редактирования, обработки и интерпретации геолого-геофизической информации, хранимой в единой базе данных.
Известно, что поиск, разведка и доразведка залежей углеводородов не могут быть реализованы монометодами, необходимо комплексирование разнородных площадных геолого-геофизических данных. Это возможно реализовать в искусственной нейронной сети, по той причине, что этот подход сочетает в себе способность компьютера к обработке чисел и способность человеческого мозга к обобщению и распознаванию [4]. Нейронная сеть представляет собой мощный инструмент для принятия эмпирически обоснованных решений при совместном анализе разнородных площадных данных, имеющихся на изучаемой территории: сейсморазведки, гравиразведки, магниторазведки, электроразведки, морфометрии, аэрофотосъемки, космосъемки, геохимии, топографии и т.д. опираясь на известные дебиты нефти и газа по скважинам на изучаемой площади.
Обучение искусственной нейронной сети в НИС «GeolEdit»
В НИС «GeolEdit» реализована архитектура слоистой сети [5, 8], как показали наши исследования, наилучшие результаты достигаются именно в сетях такого вида, причем с двумя скрытыми слоями. Увеличение количества скрытых слоев снижает достоверность прогнозной оценки.
Распределение плотностей и намагниченностей геологических образований определяется в результате решения обратной задачи гравиразведки и магниторазведки [1, 3]. Было установлено, что при решении обратной задачи отношение глубины к диаметру цилиндра не должно быть меньше 3.
Полученный набор матричных слоев тестируется в искусственной нейронной сети, вычисляется коэффициент корреляции (100 - ошибка) с известными дебитами нефти и газа (рис. 1).
Ошибка. °о
29,00 -1---
Рис. 1. Исследование связей между распределением плотностей геологических образований, залегающих на различной глубине и дебитом
нефти и газа
В дальнейшем коэффициенты корреляции применяются как весовые коэффициенты матричных слоев при обучении нейронной сети с использованием всех обучающих данных.
При исследовании возможности обучения нейронной сети на выбранном матричном слое, большое значение имеет правильный выбор скользящего окна. Ниже приведены графики изменения степени корреляции обучающих данных с известными значениями по мере увеличения размера скользящего окна. Чем больше значение коэффициента корреляции, тем целесообразнее использование данного матричного слоя с данным размером скользящего окна при построении прогноза (тем меньше ошибка при прогнозировании).
Из рис. 2 видно, что для матричных слоев содержания калия, тория, урана и мощности общей дозы оптимальным является окно 7х7 км. Матричные слои содержания тория и урана показывают лучший результат по сравнению с мощностью общей дозы и содержания калия.
Когда сеть обучена, имеется возможность проверить качество обучения на тестовой выборке: на вход сети подаются соответствующие образы и проверяется отклонение результата работы сети с уже установленными по обучающей выборке весами от ожидаемых значений.
Рис. 2. Исследование влияния размеров скользящего окна, радиометрические
данные
Результаты прогнозирования
После обучения нейронной сети в среде ГИС «Geoffidit» строится карта изолиний, которая наглядно изображает результаты прогнозирования для всей изучаемой территории.
Получены результаты обработки площадных данных в НИС «GeolEdit» по Юрубчено-Тохомской, Лебяжьей и Талаканской площадям.
Наличие данных о линеаментах, снятых по аэрофотоснимкам, которые всегда показывают высокую степень корреляции, а также масштаб съемки 1:100 000 позволили на Юрубчено-Тохомской площади [6] получить прогноз нефтегазоносности со средней ошибкой 9.58 %. Стоит отметить, что при прогнозировании не использовались 3D-сейсмические данные и столь высокая достоверность прогноза позволяет рассматривать нейросетевой анализ как альтернативу для доразведки территорий с большим количеством априорной информации.
При прогнозировании на Лебяжьей площади [2] использовались следующие матричные слои: структурные карты горизонтов a, Ь, ^ толщины a-t, Ь-шь Ь4; полученные по данным сейсморазведки и неотектоника. Средняя ошибка при прогнозировании составила 17.5 %.
По Талаканской площади с радиометрическими данными лучшая корреляция получилась с торием и ураном. Ошибка при прогнозировании составила 17.79 %. при масштабе съемки (1:500 000). На данной площади впервые были применены весовые коэффициенты для матричных слоев, что позволило улучшить качество прогнозирования и использовать коэффициент корреляции матричных слоев при обучении НИС. Обученная нейронная сеть также применялась не только для уточнения перспективных областей Талаканской площади, но и для аналогичного прогнозирования по Чайкинской площади. Для корректной работы нейронной сети необходимо, чтобы для обеих площадей (той, на которой происходило обучение нейронной сети и той, для которой строится прогноз) имелся одинаковый набор матричных слоев; а так же не было серьезных геологических различий между исследуемыми площадями. Результаты прогнозирования представлены на рис. 3.
Рис. 3. Результаты прогнозирования Талаканской площади
Выводы
На основании выше изложенного можно утверждать, что при отсутствии площадных данных 3Д сейсмики, возможно районирование территории и прогнозирование местоположения залежей углеводородов с вероятностью 0.7 - 0.8.
Основой столь высоких показателей служит совместный, одновременный анализ разнородных площадных данных, имеющихся на изучаемой территории при наличии скважин и дебитов углеводородов по ним.
При малой изменчивости геолого-геофизических свойств изучаемой среды по латерали возможно осуществить качественный прогноз на
прилегающих территориях, где количество скважин очень мало или они отсутствуют совсем, с результатами обучения НИС, полученными на хорошо разбуренной площади.
Мы применяли искусственную нейронную сеть только для прогнозирования перспективных нефтегазоносных участков, но разработанный программный комплекс также применим для прогнозирования рудных объектов.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Булах Е.Г. Обратные задачи магнитометрии для совокупности тел класса Л.Н. Сретенского [Текст] / Е.Г. Булах, Н.А. Слободник // Геофизический журнал Т. 30, № 3, Институт геофизики НАН Украины, Киев, Украина, 2008.
2. Достовалов В.В. Прогноз нефтегазоносносности с помощью нейронного анализа с использованием палео- и неотектонических данных, а также многозональных космоснимков [Текст] / В.В. Достовалов, Л.Е. Пестова, А.П. Хилько, В.К. Хуторянский // Материалы IV научно-практической конференции “Обратные задачи и информационные технологии рационального природопользования”, Ханты-Мансийск, 2008 г.
3. Исаков В.М. Основные черты структуры и становления комплексов фундамента Сибирской платформы в пределах Непского свода [Текст] / В.М. Исаков, К.В. Старосельцев, В.К. Хуторянский // Проблемы стратиграфии и региональной геологии Сибири. - Новосибирск: “Наука”, 2006. С. 5-12.
4. Каллан Р. Основные концепции нейронных сетей [Текст]: перевод с английского / Р. Каллан // Москва, издательский дом “Вильямс”, 2001 г. 287 с.
5. Проказов С.А. Нейросетевые методы и программное обеспечение для решения задач нефтепромысловой геологии [Текст]: диссертация кандидата технических наук / С.А. Проказов - Томск, ТПУ, 2003 г.
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. 147-151
7. Хуторянский В.К. Свидетельство об официальной регистрации программы для ЭВМ “GeolEdit”, № 990206 зарегистрировано в реестре программ для ЭВМ г. [Текст] / В.К. Хуторянский, А.В. Хуторянский / Москва 22 апреля 1999 г.
8. 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.
© В.К. Хуторянский, В.В. Достовалов, 2009
