Инструментальные средства интерпретации геофизических исследований скважин на основе преобразованных каротажных диаграмм с помощью многослойной нейронной сети тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Костиков, Денис Владиславович

• Костиков, Денис Владиславович
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Костиков, Денис Владиславович

ИСПОЛЬЗУЕМЫЕ ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ.

ВВЕДЕНИЕ.

1. ОБЗОР МЕТОДОВ СБОРА, ОБРАБОТКИ И ИНТЕРПРЕТАЦИИ РЕЗУЛЬТАТОВ ГИС.

1.1. Роль ГИС при разведке месторождений с помощью скважин.

1.2. Методы каротажа.

1.2.1. Использование методов каротажа.

1.2.2. Электрические методы каротажа.

1.2.2.1 Индукционный каротссж.

1.2.2.2 Боковой каротаж.'.

1.2.2.3 Каротаж микро-зондами.

1.2.3. Акустический каротаж^.

1.2.4. Радиоактивные методы каротажа.

1.2.4.1 Гамма-каротаж.

1.2.4.2 Нейтронный гамма-каротаж.

1.2.5. Кавернометрия.

1.3. Интерпретация данных ГИС.

1.4. Алгоритмы интерпретации результатов ГИС.

1.4.1. Методы классификации,, основанные на петрофизических данных.'.

1.4.2. Метод нормализации.

1.4.3. Статистические методы.

1.4.4. Алгоритм с использованием комплексных кодов.

1.4.5. Цитологическое расчленение с оценкой вероятности.

1.5. Анализ возможностей нейросетевых технологий.

1.6. Подготовка данных при использовании нейронных сетей.

1.7. Обзор программного обеспечения.

1.7.1. Программы интерпретации.

1.7.2. Нейросимуляторы.

1.8. Выводы, постановка целей и задач исследований.

2. РАЗРАБОТКА СИСТЕМЫ ПОДГОТОВКИ ДАННЫХ ДЛЯ ИНТЕРПРЕТАЦИИ ДАННЫХ ГИС.

2.1. Исходные данные и постановка задачи.

2.2. Формализация задачи.

2.2.1. Формализация условия.

2.2.2. Формализация решения.

2.3. Общая схема подготовки данных.

2.4. Применение общей схемы подготовки данных для задачи интерпретации данных ГИС.

2.5. Методы подготовки данных.

2.5.1. Этап 1. Преобразование исходных данных.

2.5.1.1 Увязка кривых по глубине.

2.5.1.2 Переход к равномерному масштабу по глубине.

2.5.1.3 Скользящее окно данных.

2.5.1.4 Спектральный анализ.

2.5.1.5 Вейвлет анализ.

2.5.1.6 Выбеливание.

2.5.2. Этап 1. Понижение размерности входных данных.

2.5.2.1 Коэффициент корреляции.

2.5.2.2 Анализ главных компонент.

2.5.3. Этап 2. Нормализация.:.

2.5.4. Этап 2. Уменьшение объема ОВ.

2.5.4.1 Группировка на основе расстояния Евклида.

2.5.4.2 Алгоритм k-средних.

2.5.5. Этап 3. Оценка качества ОВ.

2.5.5.1 Константа Липшица.

2.5.5.2 Коэффициент повторяемости.

2.5.5.3 Коэффициент противоречивости.

2.6. Оценка качества интерпретации.

2.6.1.1 Среднеквадратическое отклонение.

2.6.1.2 Коэффициент взаимной корреляции.

2.7. Полученные результаты и выводы.

3. СОЗДАНИЕ И ПРИМЕНЕНИЕ АЛГОРИТМОВ ПОДГОТОВКИ ИСХОДНЫХ ДАННЫХ ДЛЯ КАЧЕСТВЕННОЙ ИНТЕРПРЕТАЦИИ РЕЗУЛЬТАТОВ ГИС.

3.1. Исходные данные.

3.2. Условия проведения эксперимента.

3.3. Используемые правила формализации.

3.4. Анализ применения методов подготовки данных.

3.4.1. Результаты применения различных видов нормировки.

3.4.2. Результаты применения метода скользящего окна данных.

3.4.3. Результаты применения спектрального анализа.

3.4.4. Результаты использования вейвлет анализа.

3.4.5. Результаты применения метода «выбеливания» входов.

3.4.6. Результаты уменьшения входного вектора, с помощью абсолютного значения коэффициента корреляции.

3.4.7. Результаты уменьшения входного вектора, с помощью метода анализа главных компонент.

3.4.8. Результаты применения метода снижение количества входных примеров с помощью группировки на основе расстояния Евклида.

3.4.9. Результаты применения метода снижение количества входных примеров методом k-средних.:.

3.5. Результаты применения схемы подготовки данных для решения задачи интерпретации ГИС.

3.6. Полученные результаты и выводы.

4. РАЗРАБОТКА БИБЛИОТЕКИ ПОДГОТОВКИ ДАННЫХ.

4.1. Основные мотивы разработки системы.

4.2. Назначение библиотеки подготовки данных.

4.3. Состав библиотеки подготовки данных.

4.4. Пример использования библиотеки подготовки данных.

4.5. Полученные результаты и выводы.

Введение диссертации (часть автореферата) на тему «Инструментальные средства интерпретации геофизических исследований скважин на основе преобразованных каротажных диаграмм с помощью многослойной нейронной сети»

Актуальность темы. Нефтегазодобывающая отрасль играет ведущую роль в экономике страны. Развитие данной отрасли на современном этапе неразрывно связано с разведкой, разработкой и освоением новых месторождений нефти и газа. Литологическая классификация и выделение коллекторов основаны на различии физических и геофизических параметров горных пород. Нахождение значений геологических параметров в некоторых диапазонах дает возможность прогнозирования литологии пласта. Так как диапазоны перекрываются для различных пород, то необходима идентификация литологии пород по набору коллекторских, физических и геофизических параметров.

Использование компьютерной техники при решении задач нефтегазодобывающей отрасли позволяет отойти от традиционных методов сбора и обработки информации, решать проблему переработки больших массивов информации, исключить субъективность интерпретации результатов исследований.

Для проведения экспресс-оценок продуктивности скважин при геологической разведке месторождений, создаются автоматизированные интеллектуальные интерпретирующие системы. Они обеспечивают управление измерениями, регистрацию, первичную обработку, интерпретацию и хранение сква-жинных материалов. Хотя существует большое количество программных средств и аппаратно-программных комплексов, позволяющих автоматизировать все процессы сбора, обработки и хранения данных геофизических исследований скважин (ГИС), но даже при современном многообразии различных программных средств, производящих интерпретацию ГИС, системы, использующие возможности искусственного интеллекта, немногочисленны по своей номенклатуре и обладают достаточными интеллектуальными способностями.

Использование преимуществ искусственного интеллекта позволяет выйти на иной, более качественный уровень обработки результатов ГИС, поскольку он дает в значительной мере заменить геофизика-интерпретатора, занимающегося рутинной работой просмотра огромных массивов однотипной геологогеофизической информации, на автоматизированный программно-аппаратный комплекс, который может решать задачу интерпретации данных ГИС с высокой скоростью и точностью. Одним из направлений развития систем искусственного интеллекта является использование в них аппарата искусственных нейронных сетей. Несмотря на простоту их построения и функционирования, они позволяют накапливать уже известные закономерности ГИС, обобщать факты и давать вполне корректные оценки в ситуациях, когда на входе нейронной сети (НС) представлены зашумленныё данные. НС уже широко применяются за рубежом в различных системах, например, распознавания образов, аппроксимации прогнозирования, управления и др'.

На практике, при проведении нейросетевого анализа данных, основное внимание уделяется этапам, связанным с обучением и функционированием собственно нейронных сетей, в то время как не менее важным является этап подготовки исходных данных. Хотя этот этап не связан непосредственно с нейронными сетями, он является одним из ключевых элементов этой информационной технологии. Успех обучения сети может решающим образом зависеть от того, в каком виде представлена информация для ее обучения.

В настоящее время создано множество программных Продуктов, имитирующих работу НС. Но возможности их применения в геофизической области весьма ограничены. Это связано с тем, что данные программы не содержат в себе ни правил формализации исходных данных и заключений, применяемых для решения задач ГИС, ни специализированных НС, ни комплексных решений подготовки данных, используемых для решения задачи, ни средств импорта/экспорта геофизических данных.

Таким образом, правильная подготовка исходных данных при применении НС для интерпретации данных ГИС позволит повысить надежность результатов интерпретации и сократить время, затрачиваемое на решение данной задачи. Решению этих актуальных задач и посвящена настоящая диссертация.

Объектом исследования являются методы и алгоритмы подготовки исходных данных для решения задачи интерпретации результатов ГИС нейронной сетью, а также аппарат искусственных нейронных сетей, применяемый для обработки данных ГИС, и каротажные диаграммы, представленные в цифровом виде.

Предметом исследования является математическое описание алгоритмов и методик подготовки исходных данных для повышения скорости и качества литологического расчленения разреза скважины, многослойная нейронная сеть, программное и информационное обеспечение НС.

Цель работы - разработка и научное обоснование применения методов функционального преобразования каротажных диаграмм и подготовки обучающей выборки для повышения эффективности применения многослойной нейронной сети при осуществлении качественной интерпретации данных ГИС, внедрение которой имеет существенное значение в области обработки и экспресс-интерпретации геофизической информации непосредственно на скважине.

Для достижения поставленной цели требуется решить следующие задачи:

- формализация задачи качественной интерпретации данных ГИС для ее решения с помощью аппарата НС;

- выбор и обоснование путем теоретических и экспериментальных исследований методов функционального преобразования исходных данных и формирования обучающей выборки (ОВ) для задачи интерпретации ГИС;

- выбор на основе рассмотренных методов оптимальной последовательности подготовки исходных данных и обучающей выборки для задачи интерпретации ГИС;

- выбор оценок, позволяющих определять качество полученной ОВ, до проведения процесса обучения НС;

- выбор корректных оценок, позволяющих определять качество интерпретации с помощью НС;

- разработка инструментальных средств для проведения подготовки исходных данных.

Методы исследования. В работе применялись теоретические и экспериментальные методы исследования.

При решении задачи качественной интерпретации данных ГИС применялась многослойная нейронная сеть, обучаемая алгоритмом обратного распространения ошибки. В качестве функции активации сети использовалась сиг-моида (логистическая функция). В качестве методов функционального преобразования каротажных диаграмм используются методы скользящего окна данных, спектральный и вейвлет анализы, методы декорреляции исходных сигналов и несколько методов нормализации данных. Для понижения размерности входного вектора используются корреляционный анализ и метод анализа главных компонент. В качестве алгоритмов снижения объема ОВ рассмотрены метод группировки, основанный на расстоянии Евклида, и метод кластеризации {к-средних).

Каротажные кривые исследовались на предмет выделения в скважине пластов-коллекторов и пластов с различными видами насыщения. Исследования проводились по группе из пяти каротажных методов (ВК, DS, DT, GR, NGR). Обработка исходных геофизических данных велась поточечно с тем же шагом дискретизации, что и оцифровка исходных данных, без предварительного расчленения разреза на пласты.

Инструментальные средства реализованы на алгоритмическом языке высокого уровня Delphi {Borland Delphi 7).

Достоверность и обоснованность полученных в работе результатов и выводов подтверждена результатами экспериментальных исследований.

Математические модели, алгоритмы и прикладные программы, предложенные в работе, основаны на фундаментальных положениях функционального анализа, теории статистического анализа временных рядов, а также теории вероятностей и методологии построения экспертных систем.

Достоверность экспериментальных результатов обеспечена использованием большого объема экспериментального материала, статистическими метои дами обработки данных и хорошей воспроизводимостью результатов.

Достоверность эталонного материала для обучения НС обеспечена использованием утвержденных в ОАО «Башнефтегеофизика» экспертных заключений по обрабатываемым скважинам.

На защиту выносятся результаты исследования применения методов подготовки исходных данных для многослойной нейронной сети при качественной интерпретации данных ГИС, обеспечивающих повышение скорости и качества при получении заключения по наличию нефтенасыщенных коллекторов непосредственно после проведения каротажных работ на скважине, в том числе:

- выбор и обоснование правил формализации задачи литологического расчленения разреза скважины с помощью многослойной НС;

- схема подготовки исходных данных, включающая в себя этапы сбора и предобработки данных, а также этап формирования ОВ, ее основные цели и задачи;

- применение схемы подготовки исходных данных, предложенной автором, для повышения эффективности интерпретации ГИС с помощью НС;

- выбор и обоснование методов подготовки исходных данных и формирования ОВ для повышения скорости и надежности распознавания данных ГИС;

- определение корректных оценок для анализа качества решения задачи качественной интерпретации данных ГИС с помощью НС;

- разработка и программная реализация инструментальных средств подготовки исходных данных;

Научная новизна полученных результатов определяется проведенными комплексными исследованиями, в результате которых, вопреки классическому подходу, основанному на решении системы петрофизических уравнений методами вычислительной математики, применен аппарат искусственных нейронных сетей. При этом .большое внимание было отведено этапу подготовки данных. Предложен комплекс методов, который позволяет повысить скорость и качество решения задачи. Все это позволяет использовать накопленный эмпирический материал и знания опытных интерпретаторов, являющийся ядром базы знаний интеллектуальной системы для литологического расчленения разреза скважины, в ходе которых:

- получены зависимости литологической структуры разреза скважины от вида представления каротажных данных, что дает возможность применять аппарат искусственных НС в геолого-геофизической области;

- предложен комплексный подход к подготовке данных при использовании НС, который нашел свое отображение в разработанной автором схеме подготовки исходных данных, включающей в себя этапы сбора и предобработки информации, а также этап формирования ОВ, которые ставят своей задачей повышение качества исходных сигналов за счет функциональных преобразований исходных данных, понижение размерности задачи и формирование сокращенной ОВ, следствием чего является повышение качества и скорости работы НС;

- показано применение схемы подготовки исходных данных к задаче интерпретации результатов ГИС, при этом, в результате проведения эксперимента по подготовке НС для решения задачи интерпретации данных ГИС удалось повысить качество интерпретации и сократить время, необходимое на подготовку НС, в два раза;

- предложены методики, которые могут быть использованы при подготовке исходных данных для задачи интерпретации результатов ГИС, проведены эксперименты, позволяющие сделать выводы об эффективности применения этих методов, в результате чего, на основе наиболее подходящих методов построены последовательности подготовки данных, полностью реализующие предложенную автором схему, ■ определена эффективность рассмотренных последовательностей ;

- разработанный программный модуль подготовки исходных данных, который позволяет быстро создавать необходимые последовательности методов для улучшения эффективности применения НС, имеет открытый исходный код, вследствие чего может быть интегрирован в разрабатываемые и существующие программные комплексы.

Практическая полезность. Полученные в работе методики и алгоритмы подготовки исходных данных, совместно с применением аппарата искусственных нейронных сетей, для качественной экспресс-интерпретации данных ГИС позволяют существенно автоматизировать труд геофизика-интерпретатора за счет колоссальных вычислительных возможностей по обработке большого объема геофизической информации интеллектуальными системами на базе как отдельных компьютеров, так и компьютерных сетей, существенно использующих реляционные базы данных таких как «Finder» и др. НС, за счет заложенных в них эталонных данных, и методы подготовки данных позволяют сократить время, необходимое на проведение качественной экспресс-интерпретации скважин, в несколько раз, повысить качество интерпретации и сократить количество ошибок при принятии решений:

Использование предложенной схемы подготовки данных с применением рассмотренных методов позволяет быстрее и качественнее проводить обучение НС. Это повышает эффективность ГИС за счет резкого расширения возможностей проведения экспресс-интерпретации во время проведения каротажных исследований с достаточно высокой степенью достоверности.

Настоящая работа обеспечивает необходимую базу для дальнейшего развития и совершенствования методов подготовки исходных данных для НС, в том числе и подготовки данных ГИС.

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на российских и международных научно-технических конференциях и конгрессах: Международных НТК «Информационные технологии в инновационных проектах» (Ижевск, 2004); VI-м научном симпозиуме «Геоинформационные технологии в нефтегазовом сервисе» (Уфа, 2005); Международном симпозиуме «Надежность и качество» (Пенза, 2006); 33 Международной конференции «Информационные технологии в науке, социологии, экономике и бизнесе» (Украина, Крым, Ялта-Гурзуф, 2006); 34 Международной конференции «Информационные технологии в науке, образовании, телекоммуникации и бизнесе» (Украина, Крым, Ялта-Гурзуф, 2007); Международном симпозиуме «Надежность и качество» (Пенза, 2007).

Публикации. Результаты работы отражены в 14 научных публикациях, в том числе: 12 статей в журналах и сборниках, 1 тезис докладов на научно-технической конференции, 1 отчет о НИР (91с.). Автор имеет 8 научных трудов в изданиях, выпускаемых в РФ и рекомендуемых ВАКом для публикации основных результатов диссертаций.

Структура и объем работы. Диссертация содержит введение, 4 главы и заключение, изложенные на 189 с. машинописного текста. В работу включены 56 рис., 25 табл. и список литературы из 127.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Костиков, Денис Владиславович

Основные результаты и выводы работы следующие.

1. Проведен обзор существующих методов интерпретации геолого-геофизической информации, возможностей нейросетевых технологий, программных комплексов автоматизированной интерпретации результатов ГИС и программ, имитирующих работу НС, - нейросимуляторов. Показано, что существующие программные средства интерпретации основаны на классических подходах к решению данной задачи и, практически, не используют возможности искусственного интеллекта, а нейросимуляторы не имеют комплексного подхода к подготовке данных и не адаптированы к решению задач ГИС, поэтому, на практике они не применяются для интерпретации.

2. Приведены правила формализации входных и выходных (заключений интерпретатора) данных при решении задачи литологического расчленения разреза скважины, с помощью которых возможен анализ, как по самим исходным данным, так и по исходным данным, прошедшим этап подготовки (функциональной предобработки).

3. Разработана общая схема подготовки исходных данных, которая реализует комплексный подход к подготовке входных сигналов при использовании НС. Выделены основные этапы подготовки данных: сбор и анализ исходных данных, на котором происходит функциональное преобразование входных данных и решается проблема высокой размерности исходной задачи, предобработка данных, на котором корректируются существующие ошибки в данных и уменьшается или увеличивается количество примеров, и формирование ОВ для обучения НС, на котором помимо создания ОВ происходит вычисление коэффициентов качества ОВ. Сформулированы проблемы, цели и задачи, решаемые на каждом этапе схемы подготовки данных.

4. Произведена адаптация общей схемы подготовки данных для решения задачи интерпретации данных ГИС. Определены цели и задачи, которые являются актуальными в условиях, используемых в работе. Предложены методы, которые могут быть использованы для подготовки исходных каротажных кривых при интерпретации данных ГИС, на каждом этапе адаптированной схемы подготовки данных.

5. Проведены эксперименты в результате, которых найдена оценка применимости каждого из предложенных методов. Определены методы, дающие улучшение процесса интерпретации. С помощью наиболее эффективных методов составлены последовательности подготовки данных, из которых на основании экспериментальных данных, определена оптимальная последовательность, позволяющая повысить качество и скорость подготовки НС.

6. Выбраны оценки качества обучающего множества, которые могут быть вычислены до проведения процесса обучения НС. И, как следствие, могут быть использованы для решения вопроса о необходимости дополнительной подготовки данных. Использование коэффициентов качества ОВ позволяет снизить затраты на формирования НС.

7. Выбраны оценки качества интерпретации данных ГИС с помощью НС, которые позволяют в числовом виде характеризовать результаты решения задачи, и дают возможность проводить сравнение различных методов подготовки НС.

8. Проведен комплексный эксперимент по обучению НС с применением различных методов подготовки данных. Целью эксперимента было выделение пластов-коллекторов и нефтенасыщенных, водонасыщенных, нефте-водонасы-щенных пластов. Применение алгоритмов подготовки исходных данных и использования аппарата НС позволило получить до 86% совпадений оценок сети с эталонными данными при использовании порога округления и сократить время обучения нейронной сети в 2 раза. 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.

9. Разработана библиотека подготовки данных, которая реализует основные методы, использованные в работе, а также функции, которые упрощают создание процедур подготовки данных. Созданная библиотека имеет открытый исходный код, вследствие чего может быть интегрирована в разрабатываемые и существующие программные комплексы.

10. В качестве развития исследований предложено провести поиск альтернативных методов, которые могут использоваться в рамках схемы подготовки данных, для повышения информативности исходных данных, а также поиск более точных оценок качества обучающей выборки. Также предложено провести анализ применимости других топологий НС и алгоритмов обучения для качественной и количественной интерпретации данных ГИС.

ЗАКЛЮЧЕНИЕ

В результате анализа применимости методов функционального преобразования исходных данных и подготовки обучающей выборки при распознавании литологической структуры скважины с помощью многослойной нейронной сети показано, что их применение позволяет повысить скорость и качество интерпретации данных ГИС. Это расширяет возможности использования аппарата НС и позволяет автоматизировать качественную интерпретацию непосредственно на скважине с достаточно высокой степенью надежности.

Список литературы диссертационного исследования кандидат технических наук Костиков, Денис Владиславович, 2007 год

1. Bernard Widrow, Michael A. Lehr, 30 Years of Adaptive NeuralNetworks: Per-ceptron, Madaline, and Backpropagation //Artificial Neural Networks: Concepts and Theory, 1.EE Computer Society Press, 1992, pp.327-354.

2. BrainMaker Professional. Neural Network Simulation Software User's Guide and Reference Manual. California Scientific Software, Inc, 1998.

3. Data Mining. Методы кластерного анализа. Итеративные методы. http://www.intuit.ru/department/database/datamining/14/datamining14.html

4. J.T. Yao and C.L. Tan, "A Case Study on Using Neural Networks to Perform Technical Forecasting of Forex," Neurocomputing, vol.34, pp. 79-98, 2000.

5. M. Lou, "Preprocessing Data for Neural Networks," Technical Analysis of Stocks & Commodities Magazine, Oct. 1993

6. Neural and Adaptive Systems: Fundamentals Through Simulations. NeuroDi-mension, Inc, 2000. 243 p.

7. Neural Computing: NeuralWorks Professional II/Plus and Neural Works Explorer. NeuralWare, Inc., 1991. 355 p.

8. Paul J. Werbos, Backpropagation Through Time: What It Does and How to Do It //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992, pp.309-319.

9. Альбом палеток и номограмм для интерпретации промыслово-геофизических данных. М.: Недра, 1984.

10. Ануфриев И. Самоучитель Matlab 5.3/6.Х. СПб.: BHV, 2002

11. Аронов В. И. Об оптимальном размещении разведочных скважин / Математические методы решения задач нефтяной геологии на ЭВМ. М.: ВНИГ1. НИ, 1979. С. 3 -13.

12. Архангельский А. Я. Программирование в Delphi. Учебник по классическим версиям Delphi. Бином-Пресс, 2006.

13. Бадабаглы В.А., Изотова Т.С., Карпенко И.В., Кучеров Е.В. Литологическая интерпретация геофизических материалов при поисках нефти и газа. М.: Недра, 1998.

14. Бенамеур Л., Минаев Ю.Н., Филимонова О.Ю., Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. М: Горячая линия - Телеком, 2003.

15. Бескровный Н.И., Кулигин Е.А. Система сбора/регистрации данных каротажа в реальном времени. НТВ Каротажник. №78. - С. 62-68.

16. Боганик В.Н. Методы оперативного обобщения промыслово-геофизической информации. М.: Недра, 1983.

17. Боганик В.Н., Медведев А.И., Григорьев С.Н., и др. Способы повышения достоверности обработки данных ГИС// НТВ "Каротажник". Тверь: Изд. АИС. 2001. Вып. 86. С. 99-110.

18. Бонгард М.М. и др. Опыт использования обучающейся программы для выделения нефтеносных пластов. Сб. "Проблемы расширения возможностей автоматов", №5. Ротапринт, 1964.

19. Вахитова Г.Р., Валиуллин Р.А., Ремеев И.С. Экспертная система обработки данных ГИС//НТВ "Каротажник". Тверь: Изд. АИС. 2000. Вып.72. С. 93101.

20. Вендельштейн Б.Ю., Резванов Р.А: Геофизические методы определения параметров нефтеносных коллекторов. -М.: Недра, 1978.-317 с.

21. Вентцель Е.С. Теория вероятностей — М., 1969. — 567 с.

22. Вержбицкий В. М. Основы численных методов: Учебник для ву-зов/В.М.Вержбицкий. М.: Высш. шк., 2002. - 840 с.

23. Витязев В.В. Вейвлет-анализ временных рядов: Учеб. пособие. СПб.: Иадво С.-Петерб. ун-та, 2001. 58 с.

24. Волков A.M. Решение практических задач геологии на ЭВМ. М.: Недра, 1980.

25. Вычислительная математика и техника в разведочной геофизике: Справочник геофизика/Под ред. В.И. Дмитриева-М.: Недра, 1990.

26. Геолого-технологические исследования в процессе бурения // РД 39-0147716-102-87. Уфа: ВНИИнефтепромгеофизика. 1987. 273 с.

27. Геолого-технологйческие исследования скважин/ J1.M. Чекалин, А.С. Моисеенко, А.Ф. Шакиров и др. М.: Недра. 1993. 240 с.

28. Геофизические методы исследования скважин. Справочник геофизика. Под ред. В.М.Запорожца. М., Недра, 1983.

29. Герман О. В. Введение в теорию экспертных систем и обработку знаний. -Минск: ДизайнПРО, 1995.

30. Головин Б.А., Калинникова М.В. Оптимальный технико-методический комплекс литолого-петрофиЗических исследований в процессе бурения нефтегазовых скважин//НТВ "Каротажник". Тверь: Изд. АИС. 1998. Вып.51. С. 55-64.

31. Горбачев Ю.И. Геофизические исследования скважин. М.: Недра, 1990. -398с.

32. Городнов А.В., Добрынин В.М., Черноглазов В.Н., Рыжков В.И. Применение системы "Камертон" для обработки волновых акустических полей и комплексной интерпретации данных ГИС// НТВ "Каротажник". Тверь: Изд. АИС. 2000. Вып. 71. С. 69-77.

33. Григорьев А.И., Тульчинский В.Г. Практическое применение пакета программ "Геопоиск" для обработки данных ГИС. НТВ Каротажник. №77. -С. 60-69.

34. Губерман Ш.А., Извекова М. Д., Хургин Я. И. Применение методов распознавания образов при интерпретации геофизических данных. М.: Самообучающиеся автоматические системы, 1966.

35. Гурьянов А.В., Нистюк А.И., Лялин В.Е. Комплекс программ для оперативной предварительной обработки каротажных сигналов//НТЖ "Вестник Иж-ГТУ". Ижевск: Изд. ИжГТУ, 2002. Вып.З. С. 93-101.

36. Давыдов А.В. Сигналы и линейные системы // http://prodav.narod.ru/

37. Дамаскин М.М., Семенов П.В., Васильев В.Ю. Опыт внедрения программного обеспечения ГТИ в зарубежных компаниях. НТВ Каротажник. №70. -С. 54-60.

38. Дахнов В.Н. Интерпретация результатов геофизических исследований резервов скважин. М., Недра, 1982. - 448с.

39. Дебранд Р. Теория и интерпретация результатов геофизических методов исследования скважин. -М.: Недра, 1972.

40. Дементьев Л.Ф., Жданов М.А., Кирсанов А.Н. Применение математической статистики в нефтегазопромысловой геологии. М.: Недра, 1977.

41. Добеши И. Десять лекций по вейвлетам. Москва-Ижевск: НИЦ «Регулярная и хаотическая динамика», 2004, 464 с.

42. Дьяконов В., Круглов В. Математические пакеты расширения MATLAB. Специальный справочник. СПб.: Питер, 2001.

43. Дьяконов Д.И., Леонтьев Е.И., Кузнецов Г.С. Общий курс геофизических исследований скважин. М.: Недра, 1984. - 432 с.

44. Дьяконова Т.Ф. Применение ЭВМ при интерпретации данных геофизических исследований скважин: Учеб', пособие для вузов. М.:Недра, 1991. -220 е.: ил.

45. Ежов А.А., С.А. Шумский. Нейрокомпьютинг и его применения в экономике и бизнесе. М., 1998.

46. Зайченко В.Ю. Интеллектуализация добычных нефтегазовых технологий в России следствие глобализации// НТВ "Каротажник". Тверь: Изд. АИС. 2001. Вып. 84. С. 59-70.

47. Зверев Г.Н., Халилов Д.Д., Головацкая И.Б. Применение алгоритма распознавания образцов для интерпретации промыслово-геофизических данных в Башкирии. Тр. МИНХиГП, Вып. 62. М.: Недра, 1966.

48. Зунделевич С.М., Сохранов Н.Н. и др. Описание алгоритмов интерпретации данных электрического каротажа в рамках АСОИГИС/ЕС. М.: Изд. ВНИИГеофизики, 1983. - 82 с!

49. Ивакин В.Н., Карус Е.В., Кузнецов O.J1. Акустический метод исследования скважин. -М: Недра, 1978.

50. Иванов В.А., Лялин В.Е., Тарануха В.П. Разработка технических средств для повышения точности привязки каротажных сигналов к глубине скважины.// Тез. докл. 32 Научно-технической конференции ИжГТУ. Ижевск: ИжГТУ, 2000.

51. Ильинский В.М. Боковой каротаж. -М: Недра, 1971.

52. Итенберг С.С. Интерпретация результатов геофизических исследований скважин. М.: Недра, 1987. - 375с.

53. Итенберг С.С. Интерпретация результатов каротажа скважин. М.: Недра, 1978.

54. Итенберг С.С., Шнурман Г.А. Интерпретация результатов каротажа сложных коллекторов. М.: Недра, 1984. „

55. Каждан "А.Б. Разведка месторождений // БСЭ: В 30 т. / Гл. ред. А.М.Прохоров. 3-е изд. -М.: СЭ, 1975. Т. 21: Проба - Ременсы. - С. 406.

56. Каллан Р. Основные концепции нейронных сетей. М.: Вильяме, 2002.

57. Карпов Б.И. Delphi: специальный справочник. СПб: Питер-пресс, 2002. -688с.

58. Кафедра ТИС РГУ нефти и газа им. И.Н. Губкина предлагает компьютерную систему "Камертон"// НТВ "Каротажник". Тверь: Изд. АИС. 1999. Вып. 54. С. 106-109.

59. Кнеллер Л.Е., Гайфуллин Я.С., Потапов А.П. и др. Некоторые вопросы теории и интерпретации материалов геофизических исследований скважин// НТВ "Каротажник". Тверь: Изд. АИС. 2001. Вып. 82. С. 188-205.

60. Кнеллер JI.E., Гайфуллин Я.С., Рындин В.Н. Автоматизированное определение коллекторских свойств, нефтегазонасыщенности по данным каротажа (петрофизические модели и методы)// Обзор. М.: ВИЭМС. 1990 72 с.

61. Кнеллер Л.Е., Рындин В.Н., Плохотников А.Н. Оценка проницаемости пород и дебитов нефтегазовых скважин в условиях сложных коллекторов по данным ГИС// Обзор. Сер. Разведочная геофизика. М.: ВИЭМС МГП "Гео-информмарк". 1991. 65 с.

62. Колмогоров А.Н. Введение в теорию вероятностей. М.:Наука, 1982.

63. Кондратов В.Е., Королев С.Б. MATLAB как система программирования научно-технических расчетов. М: Мир, 2002. - 350 е.: ил.

64. Конев С.Н., Косолапов Ю.В. Пять лет использования компьютеризированных комплексов ГЕОТЕК// НТВ "Каротажник". Тверь: Изд. АИС. 2001. Вып. 83. С. 30-39.

65. Короткий С. Нейронные сети Хопфилда и Хэмминга // http://www.neuropower.de/rus/books/index.htm

66. Короткий С. Нейронные сети: алгоритм обратного распространения // http://www.neuropower.de/rus/books/index.htm

67. Короткий С. Нейронные сети: обучение без учителя // http://www.neuropower.de/rus/books/index.htm

68. Короткий С. Нейронные сети: основные положения // http://www.neuropower.de/rus/books/index.htm

69. Крейтер В.М. Поиски и разведка месторождений полезных ископаемых. 2 изд., М., Недра, 1969.

70. Крисилов В.А., Кондратюк А.В. Преобразование входных данных нейросе-ти с целью улучшение их различимости. // http://neuroschool.narod.ru/pub/krikon.pdf

71. Крисилов В.А., Чумкин К.В. Ускорение обучения нейронных сетей за счет адаптивного упрощения обучающей выборки. // http://neuroschool.narod.ru/pub/fstd.pdf

72. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. 2-е изд., стереотип. - М.: Горячая линия - Телеком, 2002. - 382 е.: ил.

73. Купер Дж., Макгиллем К. Вероятностные методы анализа сигналов и систем: Пер с англ.-М.: Мир, 1989.-376 с.

74. Латышова М.Г. Практическое руководство по интерпретации диаграмм геофизических методов исследования нефтяных и газовых скважин. М.: Недра, 1996.

75. Латышова М.Г., Венделыптейн Б.Ю., Тузов В.П. Обработка и интерпретация геофизических исследований скважин. М.: Недра, 1990. - 312с.

76. Ломтадзе В.В. Программное и информационное обеспечение геофизических исследований. М.: Недра, 1993.

77. Лукин А. Введение в цифровую обработку сигналов (математические основы) : МГУ 2002. 44с.

78. Лукьянов Э.Е., Нестерова Т.Н. Компьютерная технология проведения геолого-технологических исследований//НТВ "Каротажник". Тверь: Изд. АИС. 1998. Вып.53. С. 18-29.

79. Лукьянов Э.Е., Стрельченко В.В. Геолого-технологические исследования скважин в процессе бурения. М.: Нефть и газ. 1997. 679 с.

80. Лялин В.Е. Интеллектуальные информационно-измерительные технологии и программно-аппаратные комплексы для автоматизации геофизических исследований скважин. Екатеринбург-Ижевск, 2001. 352с.

81. Макс Ж. Методы и техника обработки сигналов при физических измерениях. Т. 1-М.: Мир, 1983.

82. Макс Ж. Методы и техника обработки сигналов при физических измерениях. Т. 2-М.: Мир, 1983.

83. Марпл С. JI. Цифровой спектральный анализ и его приложения / Пер. с англ. О. И. Хабарова, Г.А. Сидоровой; Под ред. И. С. Рыжака. М. : Мир, 1990. - 584 с.

84. Математические методы в задачах петрофизики и корреляции/Под ред. Вайнбер Я.М. и др. М.: Наука, 1983.

85. Миркес Е.М. Нейроинформатика: Учеб. пособие для студентов / Е.М. Мир-кес. Красноярск: ИПЦ КГТУ, 2002^ 347 с.

86. Мкртчян С.О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов) М.: Энергия, 1971. - 232 с.

87. Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998.

88. Нейропрограммы. Учебное пособие: В двух частях / Под. ред. А.Н.Горбаня. Красноярск: изд. КГТУ, 1994. Часть 1.-137 с. Часть 2.-123 с.

89. Нестерова Т.Н. Состояние и перспективы развития программного обеспечения геолого-технологических исследований. НТВ Каротажник. №69. - С. 20-30.

90. Обработка и интерпретация данных промысловых геофизических исследований на ЭВМ. Справочник /.Сохранов Н.Н., Аксельрод С.М., Зунделевич С.М., Чуринова И.М.; Под. ред. Сохранова Н.Н. М.: Недра, 1989. - 240с.

91. Описание Neural Bench // http://www.icmm.ru/~masich/win/lexion/neyro/neuralb.htm

92. Осипов Д. Delphi. Профессиональное программирование. Символ-Плюс, 2006.

93. Осовский С. Нейронные сети для обработки информации. М: Финансы и статистика, 2001.

94. Подсчет запасов месторождений полезных ископаемых. М.: Недра, 1960.

95. Померанц Л.И., Белоконь Д.В., Козяр В.Ф. Аппаратура и оборудование геофизических методов исследования скважин. М.: Недра, 1985. - 271с.

96. Померанц Л.И., Бондаренко М.Т., Гулин Ю.А., Козяр В.Ф. Геофизические методы исследования нефтяных и газовых скважин. М.: Недра, 1981.

97. Померанц Л.И., Чуркин В.Т. Аппаратура и оборудование для геофизических исследований скважин. М., Недра, 1978.

98. Попов Э. В. Экспертные системы. Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987.

99. Потемкин В.Г. Инструментальные средства MATLAB 5.x. М: Диалог-Мифи, 2001.

100. Рекламные материалы НПЦ "Тверьгеофизика": Комплекс программ обработки данных электрического, электромагнитного, акустического и радиоактивного каротажа нефтегазовых скважин// НТВ "Каротажник". Тверь: Изд. АИС. 1997, Выпуск 32, С. 81-95.

101. Розов Е.А., Нестерова Т.Н. Принципы построения системы сбора и обработки геолого-технологической информации в реальном времени. НТВ Каротажник. №70. - С. 5-19.

102. Руководство пользователя программы Neuro Office.

103. Руководство пользователя программы NNet.

104. Сайт BaseGroup Labs Кластеризация // http://www.basegroup.ru/clusterization/

105. Сайт BaseGroup, Labs Нейронные сети // http://www.basegroup.ru/neural/

106. Сайт BaseGroup Фильтрация // http://www.basegroup.ru/filtration/

107. Сато Ю. Обработка сигналов: первое знакомство, Додэка, 2002, 176 стр.

108. Система автоматизированной визуальной интерпретации результатов геофизических исследований скважин Gintel 97. Руководство пользователя.- М.: Компания ГИФТС Ко. Лтд., 2000.

109. Словарь терминов разведочной геофизики/В. Н. Ботаник и др.; Под ред. А.И. Богданова. М.: Недра, 1989.

110. Служаев В.Н. Состояние и перспективы НИОКР в ОАО НПФ "Геофизика". НТВ Каротажник. №88. - С. 106-115.

111. Сохранов Н.Н. Машинные методы обработки и интерпретации результатов геофизических исследоваций скважин. М.: Недра, 1973.

112. Сохранов Н.Н. XX Век некоторые вехи биографии нашего карота-жа//НТВ "Каротажник". - Тверь: Изд. АИС, 2000. Вып.76. С. 30-54.

113. Сохранов Н.Н., Аксельрод С.М. Обработка и интерпретация с помощью ЭВМ результатов геофизических исследований нефтяных и газовых скважин. М.: Недра, 1984. - 255 с.

114. Тарасенко Р.А., Крисилов В.А. Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирова-ния'временных рядов. // Труды Одесского политехнического университета.- Одесса, 2001. Вып.1. - С. 90-93.

115. Уоссермен Ф. Нейрокомпьютерная техника. М., Мир, 1992.

116. Устройства для регистрации аналого-цифровой информации автоматических каротажных станций / Вахрушев И.А., Лялин В.Е., Попович М.Е.; ИжГТУ- Деп. в ВИНИТИ 1999, № 3428-В99. 54с.

117. Хайкин С. Нейронные сети: полный курс, 2-е издание. М., Издательский дом «Вильяме», 2006.

118. Царегородцев В.Г. Об исследовании эффективности одного метода построения отказоустойчивых нейросетей // Материалы X Всеросс. семинара "Нейроинформатика и ее приложения", Красноярск, 2002. 185с. с.157-160.

119. Царегородцев В.Г. Оптимизация предобработки данных для обучаемой нейросети: критерии оптимальности предобработки // Материалы XIV Международной конференции по н^йрокибернетике, Ростов-на-Дону, 2005.1. Т.2. С.64-67.

120. Царегородцев В.Г. Оптимизация предобработки данных: константа Липшица обучающей выборки и свойства обученных нейронных сетей И Нейрокомпьютеры: разработка, применение. 2003, №7. с.3-8.

121. Царегородцев В.Г. Перспективы распараллеливания программ нейросете-вого анализа и обработки данных // Материалы III Всеросс. конф. "Математика, информатика, управление 2004", Иркутск, 2004.

122. Чуринова И.М., Сержантов Р.Б., Скрипникова Г.В., Шацкий А.В. Интегрированная система "Гемма",и ее применение при моделировании залежей углеводородов. НТВ Каротажник. №80. - С. 108-120.

123. Шерстнев С.Н. Аппаратное обеспечение компьютеризированной технологии геолого-геохимических исследований скважин в процессе буре-ния//НТВ "Каротажник". Тверь: Изд. АИС. 2000. Вып.73. С. 47-68.

124. Элланский М.М. Использование современных достижений петрофизики и физики пласта при решении задач нефтегазовой геологии по скважинным данным: Учебное пособие для вузов. М.: РГУ нефти и газа, 1999.

125. Элланский М.М., Холин А.И., Зверев Г.Н., Петров А.П. Математические методы в газонефтяной геологии и геофизике. М.: Недра, 1972.