CC BY
43
УДК 553.98:004.032.26
В.К. Хуторянский, В.В. Достовалов
ФГУП «СНИИГГиМС», Новосибирск
О ВЫДЕЛЕНИИ ЗАЛЕЖЕЙ УГЛЕВОДОРОДОВ В НЕЙРОИНФОРМАЦИОННОЙ СРЕДЕ «GEOLEDIT»
V.K. Hutoriansky, V.V. Dostovalov
Federal State UnitaryEnterprise «Siberian Research Institute of Geology, Geophysics and Mineral Resources» (FGUP SNIIGGiMS),
67 Krasny Pr., Novosibirsk, 630091, Russian Federation
ABOUT CARBOHYDRATES BED LOCALIZATION WITH NEUROINFORMATIONAL SYSTEM «GEOLEDIT»
Artificial neural network building results in «GeolEdit» environment are represented. Architecture and teaching algorithm selection for neural network founded on wells data, morphometry, air photography, topological base and potential fields. A problem of carbohydrates bed localization was posed. The posed problem was solved to some extent, prediction estimate probability was 0.8. Flow rate prediction map for investigated territory was built.
В настоящее время немаловажная роль в обеспечении прироста запасов нефти и газа принадлежит геофизическим методам поисков и разведки. ГИС «GeolEdit» разрабатывалась в течение 10 лет и содержит в себе множество модулей, позволяющих создавать, редактировать, обрабатывать и интерпретировать геолого-геофизическую информацию, хранимую в единой базе данных для определенной территории (легенда, редактор карты, построение трехмерной геологической карты, издатель карты, редактор БД по скважинам, редактор DBF-таблиц, интерполяция, построение изолиний, площадная интерпретация гравитационного и магнитного полей, редакторы крапов, линий, палитры цветов, символов, импорт, экспорт, трансформация битовой (сканерной) карты по теоретической сетке, нейронные сети).
Известно, что решение поставленных задач при поисках и доразведке залежей углеводородов не может быть получено монометодами, необходимо комплексирование площадных геолого-геофизических данных. В задачах экспертной оценки особенно эффективен нейросетевой подход, по той причине, что он сочетает в себе способность компьютера к обработке чисел и способность к обобщению и распознаванию. Нейронная сеть представляет собой мощный инструмент для принятия эмпирически обоснованных решений при совместном, одновременном анализе разнородных площадных данных, имеющихся на изучаемой территории: сейсморазведки,
гравиразведки, магнитометрии, электроразведки, морфометрии, аэрофотосъемки, космосъемки, геохимии, топографии и т.д. и, конечно же, данных, полученных в пробуренных скважинах. В данной работе рассмотрены результаты обработки площадных данных по одному из
месторождений Восточной Сибири в нейроинформационной системе (НИС) «GeolEdit» [0, 7]. Решается задача прогнозирования распространения залежей углеводородов по всем имеющимся площадным данным, исключая данные 3Д сейсмики.
На изучаемой территории имеются данные о дебите: нефти, газа и воды по пятидесяти одной скважине, по этим данным осуществлялся процесс обучения и тестирования нейронной сети. Использованы следующие матричные слои:
- Результаты дешифрирования аэрофотоснимков (линеаменты);
- Рельефа дневной поверхности (рельеф);
- Степень эрозионной расчлененности дневного рельефа (морфометрия);
- Распределение намагниченностей геологических образований в слоях, ограниченных горизонтальными плоскостями от 2 ООО до 9 ООО м;
- Распределение плотностей геологических образований в слоях, ограниченных горизонтальными плоскостями от 2 ООО до 9 ООО м,
- Аэрофотоснимки, космоснимки.
Для определения распределения плотностей и намагниченностей геологических образований проведено решение обратной задачи гравиразведки и магниторазведки [0]. Создание, полная обработка и интерпретация всех матричных данных, используемых для решения прогнозной задачи, осуществляется в среде НИС «GeolEdit».
Архитектура искусственной нейронной сети в ГИС <^ео1ЕДИ»
Применена архитектура слоистой сети, такая же, как и у томских и казанских исследователей [5, 8]. Наши исследования показали, что наилучшие результаты достигаются именно в такого типа сетях, с двумя скрытыми слоями, каждый из которых содержит по 500 нейронов. Увеличение количества скрытых слоев снижает достоверность прогноза.
Использовалась сигмоидальная функции активации нейронов. Данная функция очень часто применяется для многослойных персептронов и других сетей с непрерывными сигналами.
Алгоритм обучения сети был построен на основе изложенного Кругловым [3, 4] и Уоссерменом [6] и представляет собой следующий итерационный процесс:
1. На вход сети подаётся один из возможных обучающих образов (производится интерполяция выбранных полей в точке, согласно координатам скважины; данные о каждом поле и составляют входной слой нейронной сети).
2. Рассчитываются скрытые слои и выходной слой сети.
3. Рассчитываем Л(2вых для выходного слоя по формуле:
швьш = у.-у. т
^ 7 ] у ), ист ^ ’ V1/
где под производной понимается производная активационной функции в точке У] .
4. Рассчитываем АО для скрытых слоев согласно выражению:
(2)
Коэффициенты изменения весов младших слоёв пересчитываются в зависимости от коэффициентов более старших слоёв.
5. Корректируются все веса в нейронной сети по формуле:
Здесь г/ характеризует скорость обучения. Малые позволяют сгладить резкие изменения весов. Часто используется 77, как функция от итерации: на первых итерациях веса корректируются грубо, в дальнейшем же г} уменьшается, что позволяет достичь большей точности. Использование данных с предыдущих итераций обучения р позволяет избежать «эффекта метания»: коррекций в разных направлениях от итерации к итерации. Коэффициент // задаёт силу влияния текущей коррекции относительно предыдущих. Данный подход подробно описан в [2] и называется «Импульс».
6. На последнем шаге осуществляется проверка, достигнута ли требуемая точность функционирования сети. Если точность недостаточная, осуществляется переход на шаг 1 (подачу нового образа из обучающей выборки).
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 со-^ от ожидаемых значений.
Для обеспечения более устойчивой сходимости, алгоритм был модифицирован: коррекция весов в сети производится по прошествии эпохи, то есть сначала подаются все обучающие образы, суммируются соответствующие коррекции весов, а затем применяется формула (3).
В процессе обучения сети значения весов могут в результате коррекции стать очень большими величинами. Это может привести к тому, что все или большинство нейронов будут функционировать при очень больших значениях, в области, где производная сжимающей функции очень мала. Это называется паралич сети. Так как посылаемая обратно в процессе обучения ошибка пропорциональна этой производной, то процесс обучения может практически замереть. Обычно этого избегают уменьшением нормы обучения 77, но это увеличивает время обучения. Также это может привести к невозможности вычислить экспоненту в функции активации, так как значение получится больше допустимого для числа с плавающей точкой.
со^-Ч' И ■ р, + 1-// • Л<2/ • V/
(3)
Алгоритм обратного распространения ошибки по своей сути является разновидностью градиентного спуска. При этом поверхность ошибки сложной сети сильно изрезана и состоит из холмов, долин, складок и оврагов в пространстве высокой размерности. Опытным путем было установлен, что, если сразу на начальных эпохах задать небольшой шаг коррекции 77 в формуле (3), то значительно увеличится время обучения нейронной сети. В то же время задание большого шага может не дать нейронной сети достаточно хорошо аппроксимировать обучающие данные или привести к быстрому началу переобучения сети.
Для решения данной проблемы, в начале обучения шаг коррекции достаточно велик; как только коррекция весов приводит к увеличению ошибки, величина коррекции уменьшается в заданное количество раз.
Обработка матричных данных и выбор параметров
По результатам количественной интерпретации потенциальных полей возможно получить распределение плотностей и намагниченностей в слоях на различных глубинах. Наилучший результат получен для слоя залегающего на глубине от 3 000 до 3 300 м, этот слой находится непосредственно под основными залежами углеводородов.
Для намагниченностей наилучший результат получен для слоя, залегающего на глубине от 2 400 до 2 700 м, в этом интервале находятся основные залежи углеводородов на изучаемой территории.
При прогнозе по единичным матричным слоям средняя ошибка составила 25-26 %. Ошибка рассчитывалась по формуле:
п
уи -(1
/ 11 истинное прогнозируемое 0 = ^-----------------------100%, (4)
где О - ошибка (%); d - нормированное [0, 1] значение дебита; п -количество образов выборки.
Прогноз со всеми матричными слоями получился с минимальной ошибкой 9,58 %, см. табл. 1.
По результатам прогноза в среде ГИС «Geoffidit» строятся изолинии прогнозируемых дебитов углеводородов для всей изучаемой 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 с использованием следующих площадных данных:
- Результаты дешифрирования аэрофотоснимков (линеаменты);
- Математическая поверхность дневного рельефа;
- Степень эрозионной расчлененности дневного рельефа (морфометрия);
- Распределение намагниченностей геологических образований в погруженных горизонтальных слоях;
- Распределение плотностей геологических образований в погруженных горизонтальных слоях.
При этом главное - наличие уже пробуренных скважин и данных о дебитах углеводородов. Очевидно, что вероятность прогноза напрямую зависит от количества скважин, участвующих в обучении ИНС.
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 ИНС, полученными на хорошо разбуренной площади.
Таблица 1. Результаты анализа обучаемости нейронной сети по различным
матричным слоям
Набор признаков Ошибка обучения
Степень эрозионной расчлененности дневного рельефа (морфометрия) 14.23 %
Исходное гравитационное поле 18.06 %
Исходное магнитное поле Сеть не обучилась
Исходное гравитационное и магнитное поля 17.15 %
Результаты дешифрирования аэрофотоснимков (линеаменты) 13.61 %
Рельеф дневной поверхности 19.35 %
Совокупность горизонтальных слоев плотностей геологических образований и локальных гравитационных полей от 2 до 9 км 12.60 %
Совокупность горизонтальных слоев намагниченностей геологических образований и локальных магнитных полей от 2 до 9 км 11.17 %
Совокупность горизонтальных слоев намагниченностей и плотностей геологических образований, локальных полей от 2 до 9 км 10.98 %
Выбранный набор признаков: о результаты дешифрирования аэрофотоснимков (линеаменты); о степень эрозионной расчлененности дневного рельефа (морфометрия) %; о рельефа дневной поверхности; о распределение намагниченности геологических образований в горизонтальном диапазоне от 2200 до 2400 м; о распределение плотностей геологических образований в горизонтальном диапазоне от 2 200 до 2 400 м 9.83 %
Совокупность горизонтальных слоев намагниченностей и плотностей геологических образований, локальных полей от 2 до 9 км, рельефа, морфометрии, линеаментов 9.58 %
1. Исаков В.М., Старосельцев К.В., Хуторянский В.К. Основные черты структуры и становления комплексов фундамента Сибирской платформы в пределах Непского свода / Проблемы стратиграфии и региональной геологии Сибири. - Новосибирск: Наука, 2006. - С. 5-12.
2. Каллан Р. Основные концепции нейронных сетей / Москва: издательский дом «Вильямс», 2001. - 287 с.
3. Круглов В.В. Искусственные нейронные сети: теория и практика / М.: Горячая линия-Телеком, 2002. - 382 с.
4. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети / М.: Физматлит, 2001. - 224 с.
5. Проказов С.А. Нейросетевые методы и программное обеспечение для решения задач нефтепромысловой геологии / диссертация кандидата технических наук. - Томск: Томский политехнический университет, 2003.
6. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика / М.: Мир, 1992. -
102 с.
7. Хуторянский В.К., Хуторянский А.В. Свидетельство об официальной регистрации программы для ЭВМ «СеоШёк», № 990206 зарегистрировано в реестре программ для ЭВМ. 22 апреля 1999 г. - М., 1999.
8. Швыдкин Э.К., Бормотова Н.В., Чернов С.В., Опыт применения нейронных сетей для поисков нефти комплексом геофизических и геохимических методов. Материалы 31 сессии Международного семинара им. Д.Г. Успенского, январь 2004. - М., 2004.
© В.К. Хуторянский, В.В. Достовалов, 2008
