Математическое, алгоритмическое и программное обеспечение для идентификации структурных объектов по комплексу разнородных геолого-геофизических данных тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат наук Бурлаков, Никита Сергеевич

• Бурлаков, Никита Сергеевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Бурлаков, Никита Сергеевич

СОДЕРЖАНИЕ

s

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ ПОДХОДОВ И СИСТЕМ

1.1 Описание проблемы

1.2 Обзор литературы

1.2.1 Подход, основанный на кросс-корреляции

1.2.2 Подход, основанный на динамическом программировании

1.2.3 Подход, основанный на преобразовании Фурье

1.2.4 Подход, основанный на распознавании образов

1.2.5 Подход, основанный на принципе упорядоченности пластов

1.2.6 Подход, основанный на принципе перспективного соответствия

1.2.7 Подход, основанный на построении триангуляционной сети скважин

1.2.8 Подход, основанный на искусственных нейронных сетях

1.2.9 Подход, основанный на экспертных системах

1.3 Обзор существующего программного обеспечения

1.4 Цели и задачи исследования

Выводы по первой главе

ГЛАВА 2. ПРОЕКТИРОВАНИЕ И АНАЛИЗ АЛГОРИТМОВ АВТОМАТИЗАЦИИ КОРРЕЛЯЦИИ СКВАЖИН

2.1 Постановка задачи автоматической корреляции скважин

2.2 Проблема применимости процедуры АКС

2.3 Классификация каротажных кривых по степени применимости АКС

2.4 Предварительная подготовка входных данных и их анализ

2.4.1 Предварительный анализ качественных характеристик скважин

2.4.2 Предварительный анализ качественных характеристик каротажа

2.4.3 Фильтрация шумов каротажных данных для использования в АКС

2.4.3 Методы снижения размерности входных данных

2.4.4 Нейросетевая инверсия недостающих методов ГИС

2.5 Критерии отбора обучающих скважин.!

2.5.1 Критерий, основанный на расстоянии до места потенциального пластопересечения

2.5.2 Критерий, основанный на анизотропии геологических свойств

2.5.3 Критерий, основанный на качественных параметрах каротажа

2.5.4 Критерий, основанный на «предсказательной способности» скважины

2.6 Распознавание образца сигнала пласта на неизвестной скважине

2.6.1 Принцип скользящего окна

2.6.2 Линейная и ранговая кросс-корреляция

2.6.3 Стандартизированная Евклидова метрика

2.6.4 Метрики Чебышева, Манхеттена, косинусоидальная

2.6.5 Спектральный анализ

2.6.6 Алгоритм множественного выравнивания последовательностей ДНК92

2.6.7 Алгоритм Shape Context

2.6.8 Алгоритмы распознавания речи

2.6.9 Искусственные нейронные сети

Выводы по второй главе

ГЛАВА 3. ФОРМАЛИЗАЦИЯ ГЕОЛОГО-ГЕОФИЗИЧЕСКИХ ПРИНЦИПОВ ДЛЯ ПРОГРАММ АВТОМАТИЧЕСКОЙ КОРРЕЛЯЦИИ Л

3.1 Формализация геологических принципов для задач АКС

3.1.1 Интегрированный подход к задаче АКС

3.1.2 Геометрия простирания пластов

3.1.3 Использование данных сейсморазведки

3.1.4 Использование автоматической фациальной интерпретации ГИС

3.1.5 Использование других разнородных геолого-геофизических данных

3.1.6 Автоматическая сегментация каротажных кривых

3.1.7 Распознавание разломов и зон стратиграфического несогласия

3.1.8 Принцип согласованности корреляции

3.2 Адаптивная система настройки параметров АКС

3.2.1 Весовая система для задач АКС

3.2.2 Адаптивная система поиска оптимальных весов для алгоритмов

3.2.3 Адаптивная система выбора множества обучающих скважин и методов ГИС

ВЫВОДЫ ПО третьей главе

ГЛАВА 4. ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ АЛГОРИТМОВ

4.1 Программное обеспечение системы автоматической корреляции скважин

4.1.1 Архитектура программного комплекса

4.1.2 Описание основных классов и методов

4.1.3 Графический интерфейс пользователя

4.2 Результаты исследования на примере реальных данных

4.2.1 Информация по месторождениям

4.2.2 Результаты тестирования модуля предварительного анализа и подготовки входных данных

4.2.3 Результаты тестирования модуля отбора обучающих скважин

4.2.4 Результаты тестирования модуля распознавания образца пласта

4.2.5 Результаты тестирования модуля формализации геологических принципов

4.2.6 Результаты тестирования модуля адаптивной весовой системы

4.3 Показатели эффективности системы

Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Математическое, алгоритмическое и программное обеспечение для идентификации структурных объектов по комплексу разнородных геолого-геофизических данных»

ВВЕДЕНИЕ

Актуальность темы исследования

В условиях ограниченности ресурсов нефти и газа, роста потребления нефтепродуктов и цен на них, жесткой конкуренции и быстро меняющейся ситуации на рынке предприятий нефтегазовой отрасли, ключевой областью деятельности, требующей максимально пристального внимания, становится повышение эффективности производств нефтегазовой сферы посредством внедрения инновационных систем автоматизации производственной деятельности.

В то время как все большая часть месторождений выходит на завершающую стадию разработки, перед нефтегазовой промышленностью стоит задача освоения новых месторождений трудноизвлекаемых запасов углеводородов, а также снижения риска и затрат при геологоразведке, особенно в регионах, где существует относительно большое количество уже выработанных месторождений.

Одной из ключевых процедур, проводимых при геологоразведке новых месторождений нефти и газа, а также при доразведки уже существующих, является корреляция разрезов скважин. Основной задачей корреляции является идентификация и прослеживание по площади структурных объектов -одноименных стратиграфических комплексов, горизонтов и пластов [26]. На результатах корреляции базируются все последующие процедуры создания геологических статических и гидродинамических двух- и трехмерных моделей залежей углеводородов. От качества проведения корреляции и построения структурной модели зависит эффективность разведки и разработки месторождений нефти и газа [38].

В следствии множества геологических процессов, проистекавших во времени, структура пластов месторождения часто имеет очень сложный и нерегулярный характер, поэтому сама процедура корреляции скважин

обоснованно считается сложнейшей неформализованной задачей,

требующей от промыслового геолога высокой квалификации и больших временных затрат.

Таким образом, проблема автоматизации процедуры геологической корреляции разрезов скважин является одной из наиболее актуальных задач геологоразведки и нефтегазовой промышленности в целом. Состояние вопроса

В связи с этим, за последние 30 лет было множество попыток формализовать эту процедуру. Основные подходы к решению задачи автоматизации корреляции разрезов скважин, были предложены в работах следующих ученых и производственников: Ш.А. Губерман, Е.Е. Калинина, М.И. Овчинникова, В.Ф. Осипов (МИНХиГП); И.С. Гутман, В.В. Бакина, И.Ю. Балабан, В.Е. Копылов, Г.П. Кузнецова, H.H. Лисовский, O.P. Мусин, В.М. Староверов (РГУ Нефти и Газа им. И.М. Губкина, ИПМ им. М.В. Келдыша РАН, ЦКР Минтопэнерго, МГУ им. М.В. Ломоносова); Е.В. Ковалевский, Г.Н. Гогоненков, М.В. Перепечкин (ОАО «ЦГЭ»); В.М. Омелин, В.И. Славин, И.П. Суматохина, В.Ф. Химич (ВНИГРИ); R.A. Olea, R.J. Sampson (Kansas Geological Survey); S. Zoraster, R.K. Paruchuri (Landmark Graphics Corporation); M.G. Kerzner (Dresser Industries, Inc.); J.S. Lim, J.M. Kang, J. Kim (Korea Petroleum Development Corp.); J.H. Fang, H.C. Chen, A.W. Shultz, W.Mahmoud (University of Alabama, Conoco Inc.); R.A. Startzman, T.B. Kuo (Texas A&M University); A.P. Yang (Texaco Inc.);

Несмотря на относительно большое количество работ по теме автоматической корреляции скважин, тем не менее, большинство авторов останавливалось на написании одной или двух статей, перейдя к другим направлениям и оставив подающее надежды, но незаконченное исследование, если, конечно, считать законченной работу, вылившуюся в реализацию программного продукта, который, как минимум, способен обрабатывать хотя бы базовые ситуации и выводить результат в формате, сравнимым с ручной корреляцией.

Начиная с 1990 года и далее, количество работ по данной тематике существенно сократилось, можно даже сказать, что в научной среде сложилось мнение, что задача автоматической корреляции скважин либо уже решена, либо безнадежна.

Ситуация несколько улучшилась, когда, в начале 2000-х годов, при поддержке ЦКР Роснедр (H.H. Лисовский), получили продвижение два программных продукта (AutoCorr [38] и DV-Geo [41]), включающих в себя возможность автоматической корреляции скважин. Тем не менее, называть данные программные комплексы стандартом в нефтегазовой индустрии пока ещё рано, и, по-прежнему, подавляющее большинство российских нефтегазовых компаний (и практически все международные), предпочитают проводить корреляцию скважин вручную.

Причин тому несколько - и от недоверия, что данная процедура подлежит формализации, и от технологических причин, таких как: трудоемкая настройка и адаптация к каждому новому набору входных данных, сложность подбора ряда наукоемких параметров, участие в расчетах только каротажных методов ГИС (без учета сейсмической интерпретации, фациальной интерпретации, карт трендов), устаревший интерфейс существующих программных комплексов (относительно принятых в индустрии пакетов моделирования), низкая надежность результата на ряде месторождений.

Таким образом, можно утверждать, что задача автоматизации корреляции разрезов скважин, на сегодняшний день все ещё остается открытой для новых исследований, повышающих эффективность и доступность данной процедуры. Что приводит нас к формулировке цели и задач исследования.

Целью работы является проектирование и апробация алгоритмов и программ для автоматизации процедуры корреляции скважин, а также разработка интегрированной методики для увеличения эффективности процедуры автоматической корреляции скважин, учитывающей комплекс разнородной геолого-геофизической информации и являющейся адаптивной по отношению к входным данным.

Основные задачи исследования в соответствии с поставленной целью сформулированы следующим образом:

1. Изучение существующих подходов, алгоритмов и программ для решения задачи автоматической корреляции скважин.

2. Формализация входных данных и исследуемых объектов.

3. Разработка и исследование алгоритмов автоматизации корреляции скважин.

4. Разработка адаптивных математических методов решения задачи автоматической корреляции скважин с учетом разнородности входных данных.

5. Разработка программного обеспечения для решения задачи автоматической корреляции скважин.

6. Апробация разработанной системы алгоритмов, методики и программ на месторождениях нефти и газа различных регионов мира.

Для решения поставленных задач использовались методы исследования, базирующиеся на анализе временных рядов, программных средств распознавания образов и визуализации, методах динамического программирования, аппарате искусственных нейронных сетей, многомерном статистическом анализе, инструментах организации комплексов программных средств, подходах объектно-ориентированного программирования. Для программной реализации использован язык программирования С#, среда разработки Microsoft Visual Studio 2010, программный комплекс для геолого-геофизического моделирования Petrel (,Schlumberger). Взаимодействие с Petrel происходит посредством интерфейса программирования приложений Océan API. Научная новизна работы

1. Впервые предложена адаптивная система комплекса алгоритмов и

программ для задачи автоматической корреляции разрезов скважин.

2. Впервые предложен алгоритмизированный метод автоматизированного

отбора опорных скважин для проведения корреляции пластов на

неизвестных скважинах, основанный на критерии «предсказательной

способности», анизотропии геологических свойств и

качественных характеристиках каротажа и скважины.

3. Впервые предложена адаптивная система взвешенной комбинации алгоритмов вычисления метрик подобия дискретных сигналов для задачи распознавания положения отбивки пласта на неизвестных скважинах. Часть метрик была применена впервые для задач автоматической корреляции (алгоритм множественного выравнивания ДНК, алгоритм Shape Context).

4. Разработана методика автоматической корреляции скважин с учетом комплекса разнородной геолого-геофизической информации, в основе которой лежит формализация имеющейся информации специальным образом, а также создание на ее основе критериев для улучшения качества автоматического распознавания и прослеживания границ пластов. Практическая значимость работы состоит в создании математического и

программного обеспечения для решения задачи автоматической корреляции геологических разрезов скважин. За счет введения адаптивной модели комплекса алгоритмов, система автоматически подбирает оптимальные параметры на каждой из итераций расчетов, в результате чего существенно увеличивается точность автоматического прослеживания. Кроме того, в результате учета дополнительных геолого-геофизических данных, увеличивается надежность полученных результатов. Также стоит отметить, что благодаря автоматической инициализации начальных параметров, специалисту не приходится разбираться в тонкостях настроек системы, что существенно облегчает процесс использования программного обеспечения, а также приводит к экономии времени высококвалифицированных экспертов. Внедрение результатов

Результаты диссертационной работы успешно используются в производственном процессе ООО «Шлюмберже Лоджелко Инк.».

Положения, выносимые на защиту:

1. Комплексная система алгоритмов для автоматической корреляции разрезов скважин, отличающаяся возможностью: адаптивной настройки параметров алгоритмов на каждой из итераций расчета, а также учетом разнородной геолого-геофизической информации, формализованной специальным образом.

2. Комплекс компьютерных программ, разработанных на базе предложенной системы алгоритмов, позволяющий в автоматическом режиме прослеживать отбивки пластов на скважинах.

3. Алгоритмизированный метод автоматического отбора опорных скважин для проведения корреляции пластов на неизвестных скважинах, основанный на вычислении коэффициента «предсказательной способности» скважины, анизотропии геологических свойств и качественных характеристик каротажа и скважины.

4. Метод адаптивной взвешенной комбинации системы алгоритмов вычисления метрик подобия дискретных сигналов для автоматического распознавания местоположения отбивки пласта на неизвестной скважине.

5. Формализованная методика учета разнородных геолого-геофизических данных (методов ГИС, сейсмической интерпретации, фациальной интерпретации, трендовых структурных карт) для повышения надежности процедуры автоматической корреляции скважин.

Апробация работы

Основные результаты работы докладывались и обсуждались на следующих конференциях:

- IX международной научно-практической конференции «Науки о Земле на современном этапе» (Москва, 2013 год);

- XIV международной научно-практической конференции «Перспективы развития информационных технологий» (Новосибирск, 2013 год);

- X международной научно-практической конференции «Актуальные вопросы науки» (Москва, 2013 год);

- X юбилейной всероссийской конференции молодых ученых, специалистов и студентов «Новые технологии в газовой промышленности» (Москва, 2013 год);

- IX всероссийской конференции молодых ученых, специалистов и студентов по проблемам газовой промышленности России «Новые технологии в газовой промышленности» (Москва, 2011 год);

- 67-ой международной молодежной конференции «Нефть и газ - 2013», два доклада (Москва, 2013 год);

- 66-ой международной молодежной конференции «Нефть и газ - 2012», два доклада (Москва, 2012 год);

Основные положения и этапы работы обсуждались на семинарах кафедры

«Прикладная математика и компьютерное моделирование» Российского

Государственного Университета Нефти и Газа имени И.М. Губкина. Публикации

По теме диссертации опубликованы 12 работ, включая 9 тезисов докладов и 3 статьи (без соавторов) в журнале, входящем в перечень ВАК РФ. По результатам диссертационной работы получен 1 предварительный патент (patent provisionals). Структура работы

Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Объем основной части диссертации составляет 243 е., в том числе 137 рисунков, список литературы из 106 наименований на 10 с. Благодарности

Автор глубоко признателен научному руководителю доц. Чен-Син Э. за научное руководство, помощь, постоянное внимание и поддержку в ходе проведения исследований и написания диссертационной работы; профессорам М.Г. Сухареву и Е.В. Гливенко и всему коллективу кафедры ПМиКМ РГУ нефти и газа имени И.М. Губкина за внимание к работе, а также компании «Шлюмберже» за возможность апробации работы на реальных данных.

ГЛАВА 1. Обзор существующих подходов и систем

1.1 Описание проблемы

В геологии, под корреляцией разрезов скважин понимают выделение характерных горизонтов и определение глубин их залегания в различных скважинах, производимое по данным геофизического исследования скважин (ГИС или каротажным кривым).

Процедура каротажа заключается в измерении вдоль ствола скважины при помощи каротажного зонда какой-либо величины, характеризующей физические, химические или другие свойства горных пород, вскрытых скважиной. Сигналы от скважинного прибора передаются на поверхность и регистрируются наземной аппаратурой, установленной обычно на передвижной каротажной станции. Полученный комплекс каротажных диаграмм поступает на обработку геофизику, который производит их расшифровку (геологическую интерпретацию и корреляцию).

Рис. 1.1. Принципиальная схема измерения каротажа вдоль скважины

Само слово «каротаж» произошло от французского глагола carotter, в геологии обозначающего отбор керна. «Каротаж» как термин геофизики, ввели

братья Конрад и Марсель Шлюмберже (основатели крупнейшей из существующих на данный момент нефтесервисной компании 8сЫитЬе^ег) для обозначения разработанного ими метода электроразведки (КС ПС), позволявшего частично заменить дорогостоящий отбор керна.

Рис. 1.2. Братья Конрад и Марсель Шлюмберже - изобретатели электрического метода каротажа скважин (5 сентября, 1927 г.)

В настоящее время геофизические исследования скважин (ГИС) проводятся с целью выявления в геологическом разрезе полезных ископаемых (нефти, газа, угля, различных руд, воды и т.д.), корреляции разрезов скважин и решения ряда других геологических задач ([50]). На текущий момент существует огромное количество разновидностей зондов и каротажей, среди которых можно выделить следующие: механический, газовый, акустический (АК), электрический (ЭК), диэлектрический (ДК), индукционный (ИК), сопротивления (КС), боковой (БК), радиоактивный (РК), гамма (ГК), гамма-гамма (ГГК), спектрометрический, нейтронный (НК), нейтрон-нейтронный (ННК), нейтронный активационный, нейтронный гамма (НГК), нейтронный импульсный (ИНК), потенциалов самопроизвольной поляризации (ПС), градиента поля самопроизвольной поляризации, ядерно-магнитный (ЯМК), сейсмический (СК). Зависимость каротажных сигналов от расчетных физико-геологических параметров чаще всего имеет нелинейный характер. Поэтому интерпретация ГИС - неоднозначная и трудоемкая задача, требующая большого опыта от геофизика.

Рис. 1.3. Современные каротажные зонды

После снятия значения каротажа, наступает черед геологической интерпретации и корреляции скважин.

Корреляция начинается с расчленения разрезов скважин по материалам ГИС с выделением пластов и слоев, сложенных породами разного литологического состава, в том числе с выделением коллекторов и неколлекторов. Среди неколлекторов выделяются наиболее явно, характерно прослеживаемые реперные пласты, которые в дальнейшем послужат основой для установления последовательности напластования. Из числа наиболее надежных реперов выделяется основной, по которому выравниваются («привязываются») разрезы скважин при построении схемы корреляции.

Прослеживание одновозрастных поверхностей начинают с реперов, их кровли и подошвы соединяются прямыми линиями. Затем переходят к слоям, сложенным какими-либо характерными породами - глинами, карбонатами и др. После этого определяют и проводят верхнюю и нижнюю границы продуктивного горизонта: при согласно залегании со смежными слоями прямыми линиями, при несогласном - волнистыми.

Получив таким образом «скелетную схему», показывают последовательность напластования слоев в продуктивном разрезе, прослеживания границы проницаемых слоев и прослоев. Положение кровли и подошвы каждого из них показывают прямыми линиями, примерно параллельными ранее проведенным одновозрастным (синхроничным) слоям и границам. Если в одной

из двух соседних скважин пласт сложен коллектором, а в другой замещен непроницаемыми породами, то на половине расстояния между этими скважинами вертикальной ломанной линией показывают условную границу фациального замещения.

На основании результатов, полученных при детальной корреляции, проводятся другие геологические построения: геологические профили, карты толщин, карты распространения разных типов пород-коллекторов и др.

61 128 120 130 62

Рис. 1.4. Корреляционная схема. Проведена корреляция для трех пластов по каротажным данным пяти скважин.

Корреляция скважин является основополагающей составляющей изучения внутреннего строения залежи и моделирования любого геологического объекта. На результатах корреляции базируются все последующие процедуры создания геологических статических и гидродинамических двух- и трехмерных моделей залежей углеводородов. От качества проведения корреляции зависит эффективность разведки и разработки месторождений нефти и газа.

Основной задачей корреляции является выделение в разрезе и прослеживание по площади одноименных стратиграфических комплексов, горизонтов и пластов. По сути, решается задача распознавания образов -нахождение образцов участков каротажного сигнала одной скважины на других. Основная трудность корреляции состоит в том, что при сопоставлении интервалов двух скважин заранее неизвестно, какие из вскрытых стратиграфических горизонтов сохранились в разрезах обоих скважин, а какие были размыты или подвержены иным нарушениям.

В следствии множества геологических процессов, проистекавших во времени, структура пластов часто имеет очень сложный и нерегулярный характер, поэтому сама процедура корреляции скважин обоснованно считается сложнейшей неформализованной задачей, требующей от промыслового геолога высокой квалификации и больших временных затрат.

В связи с этим, за последние 30 лет было множество попыток формализовать эту процедуру. Рассмотрим основные подходы к решению задачи автоматизации корреляции разрезов скважин, существующие на данный момент.

1.2 Обзор литературы

1.2.1 Подход, основанный на кросс-корреляции

Одним из самых ранних подходов, предложенных для решения задачи автоматизации корреляции скважин, является метод кросс-корреляции. Данный подход был предложен в 1960-х годах сразу несколькими авторами ([101], [62], [67]) для литостратиграической корреляции.

При кросс-корреляционном анализе два временных ряда действительных чисел сдвигаются на одну, две и большее число временных точек относительно друг друга и для каждого сдвига подсчитывается коэффициент корреляции, который показывает степень связи между значениями двух временных рядов. Кросс-корреляция наиболее часто используется для поиска в длинной последовательности более короткой заранее известной.

Рассмотрим два ряда/и g. Кросс- корреляционная функция определяется подформуле:

ч+э

(1.1)

где i - сдвиг между последовательностями относительно друг друга, а верхний индекс в виде звёздочки означает комплексное сопряжение.

При этом, наиболее часто при вычислении кросс-корреляционной функции для двух дискретных временных рядов X = {хх,х2,...,хп) и У ~{у1,у2,...,уп},

используется коэффициент линейной корреляции Пирсона гху [28]:

Еич -£)(;&- р) - ~ V)

-

- 1).^ /А, (1-2)

; ^ич - -'М- Е'.У: - У)' и«=1 '

где х и у - средние значения выборок X и 7, а и зу- их стандартные отклонения.

Значение коэффициента корреляции может находиться в интервале от -1 до +1. Чем ближе коэффициент корреляции к -1, тем сильнее обратная статистическая зависимость между переменными (при возрастании одной переменной, другая убывает, и наоборот); чем ближе к +1 - тем сильнее прямая зависимость (при возрастании одной переменной, другая возрастает, и наоброт).

Преимуществом кросс-корреляции является то, что метод является инвариантным относительно домножения на константу или прибавления константы к одному из временных рядов (т.е. каротажные кривые могут быть представлены в разных масштабах и в разных единицах измерения, что не повлияет на результат алгоритма). Однако, это же является и его недостатком, т.к. в случае приведения кривых к одинаковому масштабу и единицам измерения, метод может дать высокий коэффициент подобия для участка с явно выраженным

изменением свойства (например, существенного возрастания, с минимума до максимума), и участка с незначительными изменением свойства (например, тоже возрастания, но с совершенно несущественным изменением амплитуды), что не всегда верно. Кроме того, кросс-корреляция весьма чувствительна к выбросам в каротажных данных, которые могу возникать как в следствии шумовых помех в записи каротажа, так и в следствии физических явлений (аномальные зоны, например, области размытия глин буровым раствором).

Последующие подходы по усовершенствованию метода кросс-корреляции для задач корреляции скважин, были связаны с корректной обработкой случаев латерального изменения толщин литостратиграфических пачек пластов [94, 100]. К сожалению, в большинстве случаев, эти подходы не были особенно успешными, в силу ряда обстоятельств (сложная геологическая обстановка осадконакопления, сложность формализации вариантов несогласного залегания пластов, невозможность корректной обработки выклинивания или замещения пласта).

1.2.2 Подход, основанный на динамическом программировании

Данный подход берет начало из систем распознавания речи, где решается аналогичная, с математической точки зрения, задача. В таких системах, распознавание требует сравнения между входным словом («образец сигнала») и различными словами в словаре («база данных образцов»). Эффективное решение проблемы лежит в динамических алгоритмах сравнения. Поскольку «образец сигнала» может отличаться по темпу речи или по длительности произнесения отдельных гласных (аналог сжатия/растяжения пластов, наблюдаемых по методам ГИС), то целью динамического алгоритма является введение временных масштабов двух слов в оптимальное соответствие. Алгоритмы такого типа являются динамическими алгоритмами трансформации временной шкалы.

Среди работ, использующих подходы динамического программирования стоит отметить работу [80], с успешным результатом распознавания углов

падения пластов, а также работы [85] и [70], описывающие результаты автоматизации литостратиграфической корреляции скважин с переменным уровнем достоверности.

Наибольшее распространения из алгоритмов данного класса, получил алгоритм Dynamic Time Warping (DTW, «Алгоритм динамического трансформации времени»), основанный на нелинейном выравнии сопосталяемых каротажных кривых с поиском наилучшего соответствия [84].

DTW позволяет найти оптимальное соответствие между двумя заданными последовательностями (например, временными рядами), которые нелинейно «искажены», т.е. имеют разницу во времени или скорости. Кроме того, важной особенностью DTW является то, что даже при наличии пропущенных интервалов, алгоритм построит соответствие, при условии наличия достаточного количества других сегментов для согласования.

Единственным ограничением на входные данные является согласованность в разбиении по времени (что легко решается процедурой ресэмплинга).

Рассмотрим порядок работы алгоритма DTW.

Пусть даны два временных ряда X = [x^x2,...,xN), N е N и Y - ум), М е N. На первом этапе вычисляется матрица расстояний

(«distance matrix») или локальная матрица стоимости («local cost matrix») С <е х м , состоящая из попарных разностей элементов X и Y:

Заметим, что эта матрица является единственными входными данными для алгоритма, сами значения временных рядов в дальнейшем не требуются.

Как только получена локальная матрица стоимости, алгоритм проводит процедуру соответствия, находя в ней «оптимальный путь» т.е. путь с минимальной суммарной дистанцией, пролегающей через «зоны» низкой «стоимости» (см. Рис. 1.5):

И/.

т

п

532 238 95 52 55 /9

101 73 43 35 / 85

59 25 16* / 79 123

12 / / 11 43- 95 162

✓ 14 35 92 231 459

3

Рис. 1.5. Матрица стоимости ОТ\\Л Алгоритм определяет соответствие по пути

минимальной стоимости.

Формально, оптимальный путь определяется как последовательность точек р = (р],р2,...,рк), где р, =(р,, р7)е[1:^]х[1:М]для и должен

удовлетворять следующим критериям:

1. Граничное условие: р] =(1, 1) и рк = (./У, М). Первая и последняя точка

оптимального пути должны быть соответственно первой и последней точкой сопоставляемых рядов.

2. Условие монотонности: < п2 <... < пк и тх < т2 <... < тк. Это условие устанавливает временную очередность членов последовательности.

3. Критерий шага: этот критерий наносит ограничение на чрезмерно длинные скачки по времени при сопоставлении временных рядов. Обычно критерий шага берется как рм-р, е { (1,1), (1,0), (0,1)

I

Целевая функция имеет вид ср[Х,У) - ут /При этом,

/=1

оптимальным путем соответствия Р* считается тот путь, сумма элементов которого минимальна.

Таким образом, преимуществом алгоритма DTW можно считать возможность выделения корреляционных связей даже при наличии сжатия/растяжения участков сигнала (что характерно при вертикальной изменчивости мощности пластов на разных скважинах), а также при наличии пропущенных интервалов, при условии наличия достаточного количества других сегментов для согласования (случай выклинивания или частичного замещений пластов). К недостаткам можно отнести тенденцию алгоритма порой слишком сильно сжимать или растягивать интервал, довольно значительно сдвигать его границы. Кроме того, ввиду сравнительно недавнего появления идеи о возможности применения алгоритма к задачам корреляции скважин, в литературе скудно изложены практические результаты применения данного метода. В данной диссертации будут приведены результаты апробации этого метода на реальных данных, с вводом некоторых дополнительных модификаций и ограничений.

Список литературы диссертационного исследования кандидат наук Бурлаков, Никита Сергеевич, 2014 год

СПИСОК ЛИТЕРАТУРЫ

1. Антонов А. С. Под законом Амдала //Компьютерра. - 2002. - №. 5. - С. 2427.

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

3. Айвазян С.А., Бухштабер В.М., Енюков И.С, Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. - М.: Финансы и статистика, 1989. -607с.

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

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

6. 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.

7. Вахитова Г.Р., Валиуллин P.A., Ремеев И.С. Экспертная система обработки данных ГИС // НТВ "Каротажник". Тверь: Изд. АИС. 2000. Вып. 72. С.93-101.

8. Вентцель Е.С. Теория вероятностей - М., 1969. - 567 с.

9. Верхотурова, О.М. Идентификация границ слабоструктурированных трехмерных объектов на основе методов дискретной оптимизации [Текст]: дис.канд.техн.наук: 05.13.01: защищена 11.09.2009: утв. 09.10.09 / Верхотурова Олеся Михайловна. - Уфа, 2009. - 170 с. - Библиогр.: с. 162170.

Ю.Воробьев, В.И. Теория и практика вейвлет-преобразования [Текст]: монография / В.И. Воробьев, В.Г. Грибунин. - СПб.: изд-во ВУС, 1999. -203 с.

11. Гайдышев И. Анализ и обработка данных. Специальный справочник/Игорь Гайдышев.-СПб.: Питер, 2001.-752 с. - ISBN 5-31800220-Х.

12.ГЕММА: Обзор комплекса. Центральная геофизическая экспедиция. -www.CGE.ru/Pages/Software/GEMMA/gemma.html

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

14.Губерман Ш.А. Машинное зрение и теория гештальта // Вопросы психологии, 1983 -№3.~ с. 143-149.

15.Губерман, Ш.А. Неформальный анализ данных в геологии и геофизике / Ш.А. Губерман. - М. : Недра, 1987. - 261 с.

16. Губерман Ш.А. Теория гештальта и системный подход // Системные исследования. - М.: Наука, 1984. - с. 66-82.

17. Губерман Ш.А., Калинина Е.Е., Овчинникова М.И., Осипов В.Ф. Корреляция геофизических разрезов скважин на ЭВМ // Геология нефти и газа. 1981. - №2. -http://geolib.ru/OilGasGeo/1981/02/Stat/statl2.html

18. Губерман Ш.А., Овчинникова М.И. Алгоритм расчленения и сопоставления геофизических разрезов скважин на ЭВМ. - Веб.: Нефтепромысловая геофизика. Вып. 5. - Уфа, 1975, с. 48-56.

19. Гутман И.С. и др. Объединенная автоматизированная технология корреляции скважин по данным ГИС // Тезисы докладов Международной геофизической конференции «Санкт-Петербург. - 2010. - Т. 2010.

20. Гутман И.С., Бакина В.В., Балабан И.Ю., Копылов В.Е., Кузнецова Г.П., Лисовский H.H., Мусин О.Р., Староверов В.М. Детальная корреляция продуктивных отложений в активном и интерактивном режимах с помощью программы ГЕОКОР-2 // Труды Всероссийского совещания «Контроль и регулирование разработки нефтяных месторождений». - 2000. - с. 183-184.

21. Гутман И.С., Копылов В.Е., Котов Ф.С., Бронскова Е.И. Корреляция геолого-геофизических разрезов скважин с помощью программы "Геокор-2" // Геология нефти и газа. - 2002. - №1.

22. Гутман И.С., Балабан И.Ю., Постнова О.В., Руднев С.А., Саакян М.И. Программный комплекс ACDV для изучения осадконакопления в залежах углеводородов сложного геологического строения. Геофизика, №4, 2010, стр. 17-25.

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

24. Детальная корреляция для построения трехмерных геологических моделей залежей УВ: учебное пособие к лабораторным работам по курсу «Нефтегазопромысловая геология» [Текст]: монография / И.С. Гутман [и др.]. - Москва: изд-во «Нефть и газ» РГУ нефти и газа им. И.М. Губкина, 2001.-79 с.

25. Деч, В.Н. Методы изучения периодических явлений в геологии [Текст]: монография / В.Н. Деч, Л.Д. Кноринг. - Москва: Недра, 1985. - 255 с.

26. Долицкий В.А. Геологическая интерпретация материалов геофизических исследований скважин. -М.: Недра. 1966. с.32-123, 164-249.

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

28.Елисеева И. И., Юзбашев М. М. Общая теория статистики: Учебник / Под ред. И. И. Елисеевой. - 4-е издание, переработанное и дополненное. -Москва: Финансы и Статистика, 2002. - 480 с. - ISBN 5-279-01956-9

29. Качурин, С.И. Анализ применимости многослойной нейронной сети для распознавания литологической структуры скважин по данным геофизических исследований [Текст]: дис.канд.техн.наук: 05.13.18: защищена 12.05.2003: утв: 10.07.2003 / Качурин Сергей Игоревич. -Ижевск, 2003. - 137 с. - Библиогр.: с. 127-136.

30.Ковалевский, Е.В. Программные средства поддержки детальной корреляции скважин по данным ГИС [Текст] / Е.В. Ковалевский, Г.Н. Гогоненков // Геофизика. - 2004. - Вып.1. - С.21-26.

31. Ковалевский, Е.В. Уточнение геологических моделей посредством использования автоматической корреляции скважин / Е.В. Ковалевский,

Г.Н. Гогенков, М.В. Перепечкин // Недропользование - XXI век. -

20Ю7. - № 4. - С. 28-31.

32. Ковалевский, Е.В. Автоматическая корреляция скважин на основе формализации неопределенности [Электронный ресурс] / Е.В. Ковалевский, Г.Н. Гогенков, М.В. Перепечкин // Центральная Геофизическая Экспедиция: офиц. сайт. - Режим доступа: http://www.cge.ru/?page=dvgeocorr_r. - Загл. с экрана.

33. Кормен Т., Лейзерсон Ч., Ривест Р. Алгоритмы: построение и анализ. - М.: Московский центр непрерывного математического образования, 2000. -960с.

34. Корреляция Типе7УХ: Техническая поддержка программного комплекса Т1те2УХ. - http://www.timezyx.ru/ru/geo/corel.php

35. Крашенинников Г. Ф. Учение о фациях //М.: Высш. шк. - 2014.

36. Максимов М.И. Геологические основы разработки нефтяных месторождений, 2-е издание, М.: Издательство «Недра», 1975, стр. 121.

37. Методы уменьшения размерности и принцип минимальной длины описания: http://aicommunitv.org/reports/Inex/pcamdl/pcamdl.php?t=22

38. Моделирование залежей углеводородов. Корреляция разрезов скважин в автоматическом и полуавтоматическом режиме с помощью программы АиШСогг / И.С. Гутман, И.Ю. Балабан, Г.П. Кузнецова, В.М. Староверов // ЭРЕ Российская нефтегазовая техническая конференция и выставка, 3-6 октября 2006г., Крокус Экспо, Москва, 8РЕ 104343.

39. Нестерова Т.Н. Состояние и перспективы развития программного обеспечения геолого-технологических исследований. НТВ Каротажник. -№269. - С.20-30.

40. О разработке программного комплекса Т1те2УХ: Разработка и мониторинг месторождений нефти и газа на основе российских компьютерных технологий. - http://www.timezvx.ru/ru/orazr.php

41. Обзор комплекса ЭУ-Оео: Центральная геофизическая экспедиция -http://www.cge.ru/Pages/Software/DV-Geo/dv-geo.html

42. Обстановки осадконакопления и фации [Текст]: монография / Х.Г. Рединг [и др.]. - Москва: изд-во «МИР», 1990. - 352 с.

43. Омелин В.М., Славин В.И., Суматохина И.П., Химич В.Ф. Интерактивная корреляция геологических разрезов поданным ГИС // Геология нефти и газа. - 1989. - №8.

44.Паклин, Н.С. Использование обучающихся алгоритмов для интерпретации данных ГИС / Н.С. Паклин, P.A. Мухамадиев. - Бурение и нефть. - 2005. -№5.-С. 38-40.

45. Померанцев А. Метод главных компонент (PCА). -http://www.chemometrics.ru/materials/textbooks/pca.htm

46. Программный комплекс геологического, гидродинамического моделирования и мониторинга разработки нефтяных и газонефтяных месторождений (Рекламные материалы группы компаний "TimeZYX") - M., 2007.-36с.

47. Программный комплекс TimeZYX: Корреляция TimeZYX. -http://www.timezyx.ru/ru/geo/corel.php

48. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов. -Мир, 1978.

49. Скворцов A.B. Триангуляция Делоне и её применение. - Томск: Изд-во Том. ун-та, 2002. - 128с.

50.Сковородников И.Г. Геофизические исследования скважин: курс лекций. -Екатеринбург: УТТТА, 2003. - 294с

51. Сыртланова, B.C. Программный комплекс «Автоэкспертиза TimeZYX» -автоматизированная система для оценки качества геолого-гидродинамических моделей [Текст] / B.C. Сыртланова, Н.С. Фогель, A.C. Тихонов // Вестник ЦКР Роснедра. - 2010. - Вып.4. - С.57-68.

52.Тарасенко P.A., Крисилов В.А. Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. // Труды Одесского политехнического университета. -Одесса, 2001. - Вып. 1. - С.90-93.

53. Тененев В.А., Якимович Б.А., Сенилов М.А., Паклин Н.Б. Интеллектуальные системы интерпретации данных геофизических исследований скважин // Искусственный интеллект. - 2002. - №3. - с. 439447.

54. Хайкин, С. Нейронные сети: полный курс [Текст]: монография / С. Хайкин. - Москва: издательский дом «Вильяме», 2006. - 1104 с.

55. Цыпкин, Я.З. Адаптация и обучение в автоматических системах [Текст]: монография / Я.З. Цыпкин. - Москва: главная редакция физико-математической литературы изд-ва «Наука», 1968. - 400 с.

56.Чуринова И.М., Скрипникова Г.В., Тихонов В.Б. ГЕММА - система интегрированной интерпретации геолого-геофизических данных с целью построения моделей месторождения нефти и газа // Материалы Московской Международной конференции по каротажу скважин. - 1998. -http://petrogloss.narod.ru/Churinov.htm

57. Шайбаков, P.A. Анализ и обработка исходной информации, необходимой для автоматизации процесса корреляции разрезов скважин [Текст] / P.A. Шайбаков // Геология, геофизика и разработка нефтяных и газовых месторождений. - 2012. - Вып. 10. - С.54-59.

58. Шайбаков, P.A. Выделение слабоструктурированных залежей на основе комплексного анализа геологических данных [Текст] / P.A. Шайбаков // Сборник статей аспирантов и молодых специалистов «Проблемы геологии, геофизики, бурения и добычи нефти». - Уфа: Изд-во НПФ «Геофизика», 2012. - С. 115-126.

59. Шайбаков, P.A. Использование нейросетевого аппарата для идентификации границ геологических объектов [Текст] / P.A. Шайбаков // материалы международной заочной научной конференции «Технические науки: традиции и инновации». - Челябинск: Изд-во «Молодой ученый», 2012. -С. 8-11.

60. Шерифф Р. Е., Гелдарт JI. П. Сейсморазведка: В 2-х т.: Пер. с англ. - Мир, 1987.

61. Элементарное введение в геостатистику [Текст] / М.Ф. Каневский [и др:] // сборник в серии ВИНИТИ «Проблемы окружающей среды и природных ресурсов». - Москва: Наука, 1999. - 132 с.

62. Anderson R. Y., Kirkland D. W. Intrabasin varve correlation // Geological Society of America Bulletin. - 1966. - T. 77. - №. 3. - C. 241-256.

63. Belongie S., Malik J., Puzicha J. Shape context: A new descriptor for shape matching and object recognition //NIPS. - 2000. - T. 2. - C. 3.

64. Bissell C., Chapman D. A. Digital signal transmission. - Cambridge University Press, 1992.

65. Brown A. R. et al. Interpretation of three-dimensional seismic data. - American Association of Petroleum Geologists and the Society of Exploration Geophysicists, 1999.

66. Data Mining. Методы кластерного анализа. Итеративные методы. http://www.intuit.ru/department/database/datamining/14/datamining_14.html

67. Dean Jr W. E., Anderson R. Y. Application of some correlation coefficient techniques to time-series analysis // Journal of the International Association for Mathematical Geology. - 1974. - T. 6. - №. 4. - C. 363-372.

68. Dubrule O. Geostatistics in petroleum geology. - American Association of Petroleum Geologists, 1998. - T. 38.

69. Duda R., Gaschnig J., Hart P. Model design in the Prospector consultant system for mineral exploration // Expert systems in the microelectronic age. - 1979. - T. 1234.-C. 153-167.

70. Fang J. H. et al. Computer-aided well log correlation (1) //AAPG Bulletin. -1992. - T. 76. - №. 3. - C. 307-317.

71. Forte D. V. The "ART" of log correlation: part 1: Tools and techniques for correlating events and log files //Computer Fraud & Security. - 2004. - T. 2004. - №. 6.-C. 7-11.

72. Geomodeling. Mallet J.L. - Oxford, University press. - 2002. - 599 p .

73. Goovaerts P. Geostatistics for natural resources evaluation. -Oxford university press, 1997.

74. Haites Т. B. Perspective correlation // AAPG Bulletin. - 1963. - T. 47. - №. 4. -C. 553-574.

75. Hamilton J. D. Time series analysis. - Princeton : Princeton university press, 1994.-T. 2.

76. Jarque С. M., Bera A. K. Efficient tests for normality, homoscedasticity and serial independence of regression residuals //Economics Letters. - 1980. - T. 6. -№. 3.-C. 255-259.

77. Jekhowsky D. E. B. 1963. La methode des distances minimales, nouveau procede quantitatif de correlation stratigraphique; exemple d* application en palynologie //Revue de I'lnslitul Franfais du Petrole. - T. 18. - C. 629-653.

78. Keogh E., Pazzani M. Derivative dynamic time warping. In First SIAM International Conference on Data Mining, - Chicago, 1L. - 2001. -http://www.ics.uci.edu/-pazzani/Publications/sdmO 1 .pdf

79. Kerr D. R., Jirik L. A. Fluvial architecture and reservoir compartmentalization in the Oligocene middle Frio Formation, South Texas. - 1990.

80. Kerzner M. G. Method for determining formation dip : пат. 4517835 США. -1985.

81. Kohonen, Т. Self Organization and Associative Memory, Third Edition / T. Kohonen. - New York: Springer London, Limited, 1989. - 312 C.

82. Kovalevskiy E.V., Gogonenkov G.N., Perepechkin M.V. Automatic well-to-well correlation based on consecutive uncertainty elimination // 69th EAGE Conference, London. - 2007. - H038. http://www.centralgeo.ru/index.php?page=dvgeocorr_e

83. Kwon B. D., Rudman A. J. Correlation of geologic logs with spectral methods //Journal of the International Association for Mathematical Geology. - 1979. - T. 11. - №. 4. -C. 373-390.

84. Lallier F. et al. Relevance of the stochastic stratigraphic well correlation approach for the study of complex carbonate settings: application to the

Malampaya buildup (Offshore Palawan, Philippines) //Geological

Society, London, Special Publications. - 2012. - T. 370. - №. 1. - C. 265-275.

85. Le Nir I. et al. Cross-section construction from automated well log correlation: a dynamic programming approach using multiple well logs //SPWLA 39th Annual Logging Symposium. - Society of Petrophysicists and Well-Log Analysts, 1998.

86. Lim J.S. Multivariate statistical techniques including PCA and rule based systems for well log correlation // Developments in Petroleum Science, Volume 51, 2003.-C. 673-688.

87. Lim J. S., Kang J. M., Jungwhan K. I. M. Artificial-intelligence approach for well-to-well log correlation //Journal of petroleum technology. - 1998. - T. 50. -№. 11.-C. 30-32.

88. Lim J. S., Kang J. M., Kim J. Interwell log correlation using artificial intelligence approach and multivariate statistical analysis //Articulo SPE. - 1999. -T. 54362.-№. 9.

89. Lineman D. J., Mendelson J. D., Toksoz M. N. An expert system for well-to-well log correlation : /i,hc. - Massachusetts Institute of Technology, Department of Earth, Atmospheric, and Planetary Sciences, 1987.

90.Lineman D. J., Mendelson J. D., Toksoz M. N. Well-to-Well Log Correlation Using Knowledge-Based Systems and Dynamic Depth Warping. - Massachusetts Institute of Technology. Earth Resources Laboratory, 1987.

91. Luthi S. M., Bryant I. D. Well-log correlation using a back-propagation neural network // Mathematical geology. - 1997. - T. 29. - №. 3. - C. 413-425.

92. Mallet, J.L., Discrete Modeling for Natural Objects. Journal of Mathematical Geology, V.29, No.2. - C. 199-219.

93. Mann C. J., Dowell Jr T. P. L. Quantitative lithostratigraphic correlation of subsurface sequences //Computers & Geosciences. - 1978. - T. 4. - №. 3. - C. 295-306

94. Norman S. N., Poggiagliolmi E. L. I. Stratigraphic Modeling and Interpretation // Geophysical Principals and Techniques: AAPG Educational Course Notes Series. - 1979.-T. 13.

95. Olea R.A., Correlator - an interactive computer system for lithostratigraphic correlation of wireline logs. - Kansas Geological Survey, Lawrence, Kansas, Petrophysical Ser.4. - 1988. - 85 C.

96. Olea R. A., Davis J. C. An artificial intelligence approach to lithostratigraphic correlation using geophysical well logs. - Kansas Geological Survey, 1986. - №. CONF-86IO8O.

97. Pevzner P. A. et al. Combinatorial approaches to finding subtle signals in DNA sequences //ISMB. - 2000. - T. 8. - C. 269-278.

98. Preston F. W., Henderson J. Fourier series characterization of cyclic sediments for stratigraphic correlation. - Kansas Geological Survey, 1964.

99. Rigoutsos I., Floratos A. Combinatorial pattern discovery in biological sequences: The TEIRESIAS algorithm //Bioinformatics. - 1998. - T. 14. - №. 1. - C. 55-67.

100. Rudman A. J., Lankston R. W. Stratigraphic correlation of well logs by computer techniques // AAPG Bulletin. - 1973. - T. 57. - №. 3. - C. 577-588.

101. Schwarzacher W. An application of statistical time-series analysis of a limestone-shale sequence //The Journal of Geology. - 1964. - C. 195-213.

102. Soto B.R., Soto T.C. An object oriented expert system to enhance the log analysis of the Colombian basins //Petroleum computer conference. - 1995. - C. 153-158.

103. Speech Recognition by Dynamic Time Warping: Symmetrical DTW algorithm. Stuart N. Wrigley: The University of Sheffield. -http://www.dcs.shef.ac.uk/~stu/com326/sym.html

104. Startzman R. A. et al. A rule-based system for well log correlation //SPE Formation Evaluation. - 1987. - T. 2.-№. 03.-C. 311-319.

105. Tearpock D. J., Bischke R. E. Applied subsurface geological mapping with structural methods. - Pearson Education, 2002.

106. Walker J. S. Fast fourier transforms. - CRC press, 1996. - T. 24.