CC BY
442
ВОССТАНОВЛЕНИЕ ЗНАЧЕНИЯ МОДУЛЯ ЮНГА ПО ДАННЫМ ГЕОФИЗИЧЕСКИХ ИССЛЕДОВАНИЙ В СКВАЖИНАХ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ
Владимир Анатольевич Киндюк
ИНГГ СО РАН, 630090, г. Новосибирск, пр. академика Коптюга 3, младший научный сотрудник, e-mail: KindyukVA@ipgg.sbras.ru
Андрей Юрьевич Соболев
ИНГГ СО РАН, 630090, г. Новосибирск, пр. академика Коптюга 3, кандидат технических наук, старший научный сотрудник, e-mail: SobolevAY@ipgg.sbras.ru
В статье описан метод оценки значений модуля Юнга по комплексу каротажных исследований в скважине. Используются нейронные сети, обучаемые на интервалах вычисленного значения модуля Юнга E из данных акустического каротажа. Описанный подход позволяет определить значение модуля Юнга в скважинах, где отсутствуют данные акустического каротажа. Подготовка входных данных состоит в увязке и нормировке каротажных кривых. Определенные значения модуля Юнга планируется использовать в гидродинамической модели околоскважинного пространства с учетом геомеханических аспектов.
Ключевые слова: свойства геомеханической модели, искусственная нейронная сеть.
PREDICTION OF YOUNG'S MODULUS FROM GEOPHYSICAL LOGS USING NEURAL NETWORKS
Vladimir A. Kindyuk
A.A. Trofimuk Institute of Petroleum Geology and Geophysics, 3 Koptuga, Novosibirsk, 630090, Research Fellow, e-mail: KindyukVA@ipgg.sbras.ru
Andrey Y. Sobolev
A.A. Trofimuk Institute of Petroleum Geology and Geophysics, 3 Koptuga, Novosibirsk, 630090, Senior Research Scientist, Candidate of Technical Sciences, e-mail: SobolevAY@ipgg.nsc.ru
This paper describes the method for prediction of the Young's modulus from geophysical logs. Method uses artificial neural networks trained on data with values of Young's modulus calculated from acoustic logging data. Preparation of the input data consists of normalization and linking the data. The obtained values of Young's modulus will be used for hydrodynamic modeling of nearwell space with the geomechanical aspects, including wells where acoustic logging data were not available.
Key words: geomechanical model parameters, artificial neural networks.
В статье описывается метод определения значений модуля Юнга по результатам геофизических исследований в скважине при отсутствии данных широкополосного акустического каротажа. Предполагается наличие данных широкополосного акустического и гамма-плотностного каротажей в соседних скважинах.
В рамках разрабатываемой в настоящее время гидродинамической модели околоскважинного пространства с учетом геомеханических аспектов [1] требуется определение ряда геомеханических свойств пород, являющимися параметрами модели. Одним из параметров модели является модуль Юнга, который, по мнению авторов, линейно связан с пределом прочности породы на сжатие. После разделения терригенных отложений по типам породы, можно для каждого типа определить коэффициент линейной связи, и тем самым для каждого типа породы оценивать предел прочности по значению модулю Юнга. Предел прочности является ещё одним входным параметром гидродинамической модели.
Актуальность определения предела прочности продиктована современным требованием к разработке и интенсификации добычи полезных ископаемых. После вскрытия коллектора во время бурения происходит изменение поля напряжений, а предел прочности определяет, каким образом изменяются фильтрационные свойства породы.
Расчет модуля Юнга Е производился по следующей формуле
'-<■ -■ ( 2+¥Я- ™
где р- плотность в [кг/м3]; скорости поперечной у 5 и продольной Ур волн рассчитываемые из каротажных данных интервальных времен DT [сек/м] по формулам: у3 = 106 / DTS и Ур = 106 / DTP.
В проверочной скважине имеется набор керновых измерений (рис. 1, 2).
йТБ, сек/м
300 400 500 600
2420
2440
2460
2480
2500
2520
2540
Керн
ГИС
РТР, сек/м
150 200 250 300 350
2420
2440
2460
2480
2500
2520
2540
Керн
ГИС
Рис. 1. Сравнение результата лабораторных измерений
и данных акустического каротажа
2,1
2420
2440
2460
2480
2500
2520
2540
Плотность, г/м3
2,3 2,5
2,7
10
30
Е, ГПа
50
70
Керн
ГИС
Рис. 2. Сравнение результата лабораторных измерений и рассчитанных по данным ГИС
Для скважин с небогатым набором геофизических исследований предлагается использовать нейронные сети, обучаемые на основных методах геофизических исследований. Нейронные сети нашли довольно широкое применение в нефтяной промышленности [2]. Схематически организация работы нейронной сети показан на рис. 3. Программа обработки данных реализована на языке Python с использованием свободно распространяемой библиотеки алгоритмов машинного обучения PyBrain [3], в нашем случае использовалась сеть с одним скрытым слоем.
Выход
Слой 1 Слой 2 Слой 3 (входной) (скрытый) (выходной)
Рис.3. Схема работы нейронной сети На вход нейронной сети подавались следующие геофизические измерения:
— Г амма-каротаж (ГК), нормированный
— Потенциал самополяризации (ПС), нормированный
— Пористость, определенная по гамма плотностному каротажу
— Кривая кажущегося сопротивления двух метрового зонда ВИКИЗ.
На рис. 4 показан пример восстановления модуля Юнга, слева для скважины, в которой нейтронная сеть проходила обучение, а справа для проверочной скважины. Для данных скважин выбран один стратиграфический горизонт.
Учебная скважина Модуль Юнга, ГПа 0 20 40 60 80
2360
2380
2400
2420
2440
2460
2480
Востановленные данные Исходные данные
Проверочная скважина Модуль Юнга, ГПа 0 20 40 60 80
2420
2440
2460
2480
2500
2520
2540
Востановленные данные Исходные данные
Рис. 4. Сравнение значения модуля Юнга, определенного по нейронной сети, и практического. Слева - сравнение для фрагмента учебной скважины, и справа - проверочной скважины (не участвовавшей в обучении)
Обученная сеть определяет модуль Юнга в учебной скважине с коэффициентом корреляции 0.94. На рис. 5, слева, показан кросс -плот для этого случая. При определении модуля Юнга в тестовой скважине, где сеть не проходила обучение, коэффициент корреляции снизился незначительно и составил 0.93 на приведенном фрагменте. На рис. 5, справа, показан кросс-плот сравнения качества определения Е. Такой результат говорит о достоверности полученных результатов и о перспективности применяемого подхода.
Наличие всего нескольких интервалов расхождения значения модуля Юнга, видимо, связано с особенностями структуры данных интервалов, а неточное определение в плотных прослоях - с увеличением ошибки определения пористости.
Рис. 5. Кросс-плот вычисленных и определенных из нейронной сети значений модуля Юнга в учебной (слева) и тестовой (справа) скважинах
Выводы.
В целом определение модуля Юнга происходит успешно на всем целевом интервале. Таким образом, предложенный метод позволяет с хорошей точностью восстанавливать модуль Юнга в коллекторах с минимальным набором данных ГИС. В дальнейшем предполагается классифицировать группы по условиям осадконакопления, что позволит более эффективно восстанавливать значения модуля Юнга, а значит, и предела прочности на сдвиг.
1. Назарова Л.А., Назаров Л.А., Ельцов И.Н., Киндюк В.А. Некоторые геомеханические аспекты бурения глубоких скважин в массиве горных пород // Физико-технические проблемы разработки полезных ископаемых. — Новосибирск: СОРАН, 2010. — №6. — C. 3-10.
2. Paulson M., Ressler J., Morgan K., Baxter C. Prediction of sediment undrained shear strength from geophysical logs using neural networks // OTC. — Texas, 2006. — P. 1-5.
3. Tom Schaul, Justin Bayer, Daan Wierstra, Sun Yi, Martin Felder, Frank Sehnke, Thomas RuckstieB, Jurgen Schmidhuber. PyBrain // Journal of Machine Learning Research. — 2010. — №11. — P. 743-746.
© В.А. Киндюк, А.Ю. Соболев, 2013
