Помощь студентам в учебе
Методика комплексной интерпретации геолого-геофизических данных обучаемыми нейронными сетями на примере Талаканского нефтегазоконденсатного месторождения
|
ВВЕДЕНИЕ 6
Актуальность работы 6
Задачи 15
Цель работы 16
Научная новизна 16
Достоверность полученных научных результатов 17
Практическая значимость работы 17
Фактический материал, личный вклад, методы исследования 19
Апробация работы и публикации 19
КРАТКОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ 21
Защищаемые положения 23
ГЛАВА 1. ТАЛАКАНСКОЕ НЕФТЕГАЗОКОНДЕНСАТНОЕ МЕСТОРОЖДЕНИЕ 24
Общая характеристика месторождения 24
Г еолого-геофизическая изученность 27
Сейсморазведочные работы 28
Бурение 29
Опробование и испытание скважин 33
Вертикально сейсмическое профилирование (ВСП) 34
Геофизические исследования в скважинах 34
Литолого-стратиграфическая характеристика разреза 39
Тектоника 52
Анализ проведенных литолого-фациальных исследований продуктивного горизонта 61
Выводы по первой главе 65
ГЛАВА 2. МЕТОДИКА ГЕОЛОГИЧЕСКОЙ ИНТЕРПРЕТАЦИИ ДАННЫХ ГИС С ПРИМЕНЕНИЕМ ОБУЧАЕМЫХ НЕЙРОННЫХ СЕТЕЙ НА ПРИМЕРЕ ТАЛАКАНСКОГО НЕФТЕГАЗОКОНДЕНСАТНОГО МЕСТОРОЖДЕНИЯ .. 67
1. Расчет критерия 70
2. Выделение литологических типов пород, основанное на анализе описания керна и шлифов, с учетом комплекса физических свойств характеризующих каждый литологический тип, и возможности его выделения комплексом методов ГИС 74
3. Формирование обучающей выборки с учетом главных факторов, влияющих
на показания исходных данных ГИС 81
4. Обучение нейронной сети 85
5. Тестирование, прогноз, анализ качества прогноза 89
Выводы по второй главе 98
ГЛАВА 3. МЕТОДИКА КОМПЛЕКСНОЙ ИНТЕРПРЕТАЦИИ АТРИБУТОВ ГЕОХИМИЧЕСКИХ, ГЕОФИЗИЧЕСКИХ ПОЛЕЙ И СЕЙСМИЧЕСКОГО ВОЛНОВОГО ПОЛЯ С ПРИМЕНЕНИЕМ НЕЙРОИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ, РЕАЛИЗОВАННЫХ В ГЕОИНФОРМАЦИОННОЙ
СИСТЕМЕ «НЕЙРОИНФОРМГЕО» 99
Пример прогноза эффективных толщин продуктивного горизонта в межскважинном пространстве Талаканского нефтегазоконденсатного месторождения разработанной методикой 102
Выводы по третьей главе 121
ГЛАВА 4. ЛИТОЛО-ФАЦИАЛЬНАЯ СХЕМА ТАЛАКАНСКОГО
МЕСТОРОЖДЕНИЯ 122
Литофациальные условия образования отложений 122
Выводы по четвертой главе 132
ЗАКЛЮЧЕНИЕ 133
Список публикаций 135
Список использованной литературы: 140
Актуальность работы 6
Задачи 15
Цель работы 16
Научная новизна 16
Достоверность полученных научных результатов 17
Практическая значимость работы 17
Фактический материал, личный вклад, методы исследования 19
Апробация работы и публикации 19
КРАТКОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ 21
Защищаемые положения 23
ГЛАВА 1. ТАЛАКАНСКОЕ НЕФТЕГАЗОКОНДЕНСАТНОЕ МЕСТОРОЖДЕНИЕ 24
Общая характеристика месторождения 24
Г еолого-геофизическая изученность 27
Сейсморазведочные работы 28
Бурение 29
Опробование и испытание скважин 33
Вертикально сейсмическое профилирование (ВСП) 34
Геофизические исследования в скважинах 34
Литолого-стратиграфическая характеристика разреза 39
Тектоника 52
Анализ проведенных литолого-фациальных исследований продуктивного горизонта 61
Выводы по первой главе 65
ГЛАВА 2. МЕТОДИКА ГЕОЛОГИЧЕСКОЙ ИНТЕРПРЕТАЦИИ ДАННЫХ ГИС С ПРИМЕНЕНИЕМ ОБУЧАЕМЫХ НЕЙРОННЫХ СЕТЕЙ НА ПРИМЕРЕ ТАЛАКАНСКОГО НЕФТЕГАЗОКОНДЕНСАТНОГО МЕСТОРОЖДЕНИЯ .. 67
1. Расчет критерия 70
2. Выделение литологических типов пород, основанное на анализе описания керна и шлифов, с учетом комплекса физических свойств характеризующих каждый литологический тип, и возможности его выделения комплексом методов ГИС 74
3. Формирование обучающей выборки с учетом главных факторов, влияющих
на показания исходных данных ГИС 81
4. Обучение нейронной сети 85
5. Тестирование, прогноз, анализ качества прогноза 89
Выводы по второй главе 98
ГЛАВА 3. МЕТОДИКА КОМПЛЕКСНОЙ ИНТЕРПРЕТАЦИИ АТРИБУТОВ ГЕОХИМИЧЕСКИХ, ГЕОФИЗИЧЕСКИХ ПОЛЕЙ И СЕЙСМИЧЕСКОГО ВОЛНОВОГО ПОЛЯ С ПРИМЕНЕНИЕМ НЕЙРОИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ, РЕАЛИЗОВАННЫХ В ГЕОИНФОРМАЦИОННОЙ
СИСТЕМЕ «НЕЙРОИНФОРМГЕО» 99
Пример прогноза эффективных толщин продуктивного горизонта в межскважинном пространстве Талаканского нефтегазоконденсатного месторождения разработанной методикой 102
Выводы по третьей главе 121
ГЛАВА 4. ЛИТОЛО-ФАЦИАЛЬНАЯ СХЕМА ТАЛАКАНСКОГО
МЕСТОРОЖДЕНИЯ 122
Литофациальные условия образования отложений 122
Выводы по четвертой главе 132
ЗАКЛЮЧЕНИЕ 133
Список публикаций 135
Список использованной литературы: 140
Актуальность работы
По оценкам специалистов Международного института энергетической политики и дипломатии (МГИМО МИД РФ) и ведущих мировых экспертов, мировое энергопотребление в период до 2025 года увеличится не менее чем на 58%. Наиболее важным первичным энергоносителем в мире в этот период будет оставаться нефть. Возникает необходимость более бережного отношения к не возобновляемым ресурсам планеты, что выражено, прежде всего, в пополнении запасов и на настоящее время эффективной эксплуатации существующих месторождений, обеспеченной качественной интерпретацией нового и пере-интерпретации старого геологоразведочного материала.
Любой геологический объект, начиная с нефтегазоносной провинции и кончая образцом породы, является сложно организованной системой. Такая система описывается большим числом характеристик, имеющих разную физическую природу и находящихся в сложных взаимосвязях друг с другом. Горные породы в зависимости от условий их образования и распространения обладают различным присущим только им минеральным составом, а также структурными и текстурными признаками. Породы характеризуются определенным комплексом физических свойств, изучение которых путем отбора керна возможно не во всех скважинах. В большинстве случаев керн отбирается не по всему интересующему нас интервалу, что обусловлено ограниченностью применения бурения с отбором керна в силу его высокой стоимости и трудозатрат, а также неполным выносом керна на поверхность. В тоже время, как правило, структурные особенности месторождений охарактеризованы сейсмической разведкой, а весь разрез продуктивных отложений данными геофизических исследований скважин (ГИС). Поэтому прогнозирование коллектора и типов пород по комплексу данных ГИС с дальнейшим комплексированием с данными сейсморазведки для построения согласованной геолого-геофизической модели месторождения, особенно важно для скважин, где отсутствует отбор керна или его вынос мал и непредставителен. На сегодняшний день такие прогнозные модели строятся опытным геофизиком-экспертом в результате комплексной интерпретации и анализа различных полей параметров (геофизических, геохимических), их трансформант, структурного и сейсмического материала, комплекса данных геофизических исследований скважин и т.д.. Модели строятся на основе математического и физического моделирования изучаемых процессов (решение прямых задач геофизики), методах статистического (корреляционного и дискриминантного) анализа, решении систем линейных петрофизических уравнений при интерпретации данных ГИС (обратная задача геофизики), анализа атрибутов сейсмического волнового поля и некоторых других линейностатистических методах [Сысолятин Н.В. и др. Разработка методики и програмного обеспечения прогнозирования нефтенасыщенных коллекторов по энергетическим характеристикам сейсмической записи.- Томск, 1996.] с учетом всего накопленного в этой области потенциала знаний. Таких специалистов, как правило, немного, а построение моделей требует больших трудозатрат или не имеет корректного решения в случае наличия сложных нелинейных связей, не поддающихся строгой алгоритмизации. Чаще всего аналитик сталкивается с ситуацией, когда трудно сделать какие-либо четкие предположения относительно исследуемой задачи. Модель не известна и единственным источником сведений для ее построения является таблица экспериментальных данных типа “вход - выход”, каждая строка которой содержит значения входных характеристик объекта и соответствующие им значения выходных характеристик. В результате интерпретаторы вынуждены использовать всякого рода эвристические или экспертные предположения и о выборе информативных признаков, и о классе моделей, и о параметрах выбранной модели, что не всегда приемлемо особенно при моделировании сложно построенных коллекторов. В связи с чем, актуальным является автоматизация расчета комплексных прогнозных параметров в интеллектуальной картографической системе на основе методов обладающих свойством адаптивности, обобщения, извлечения знаний и моделирования сложных нелинейных зависимостей в массивах данных [Гафуров О.М., Городников М.А. и др. Инновационные методы и технологии нефтегазопоисковых работ и возможные пути их реализации в Томской области // Инновационные методы и технологии нефтегазопоисковых работ и возможные пути их реализации в юго-восточных районах Западной Сибири. Сборник научных статей, Томск, ООО “ИнформГеоСервис”, 2000, вып. 1, с. 8-30.].
В настоящее время компьютерные технологии автоматического интеллектуального, анализа данных переживают бурный расцвет. Это связано, главным образом с потоком новых идей, исходящих из области компьютерных наук, образовавшихся на пересечении искусственного интеллекта, статистики и теории баз данных и обозначаемых как Data Mining (обнаружение знаний в данных) [Кречетов Н.. Продукты для интеллектуального анализа данных. - Рынок программных средств, № 14-15, 1997, с. 32-29]. Этим термином сегодня обозначают процесс получения из "сырых" данных новой, потенциально полезной информации о предметной области. Появившийся в 1978 г., термин Data Mining, оказался удачным и приобрел высокую популярность в конце 90-х годов. Доступность методов записи и хранения данных привели к бурному росту объемов хранимых данных. Объемы данных настолько внушительны, что человеку просто не по силам проанализировать их. Хотя необходимость проведения такого анализа вполне очевидна, ведь в этих “сырых данных” заключены знания, которые могут быть использованы при принятии решений. Алгоритмы, используемые в Data Mining, требуют большого количества вычислений. Раньше это являлось сдерживающим фактором широкого практического применения Data Mining, однако сегодняшний рост производительности современных процессоров снял остроту этой проблемы. Теперь за приемлемое время можно провести качественный анализ сотен тысяч и миллионов записей. Информация, найденная в процессе применения методов Data Mining, обычно нетривиальна и ранее неизвестна. Знания описывают новые связи между свойствами, предсказывают значения одних признаков на основе других и т.д. Найденные знания применимы и на новых данных с некоторой степенью достоверности. Полезность заключается в том, чтобы эти знания могли принести определенную выгоду при их применении.
Процесс извлечения знаний из данных происходит по той же схеме, что и установление физических законов: сбор экспериментальных данных, организация их в виде таблиц и поиск такой схемы рассуждений, которая делает полученные результаты очевидными и дает возможность предсказать новые факты. При этом имеется ясное понимание того, что наши знания об анализируемом процессе, как и любом физическом явлении - в какой то степени приближение. Фактически, термин Data Mining - это попытка узаконить физический подход, в отличие от математического, к решению задач анализа данных. Под понятием “физический подход" подразумевается такой подход, при котором аналитик готов к тому, что анализируемый процесс может оказаться трудно интерпретируемым и не поддающимся точному анализу с помощью строгих аналитических методов. Но можно все же получить хорошее представление о его поведении в различных обстоятельствах, подходя к задаче с различных точек зрения, руководствуясь знанием предметной области, опытом, интуицией и используя различные эвристические подходы. При этом аналитик движется от грубой модели ко все более точным представлениям об анализируемом процессе [Паклин Н.Б. Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах: Дис...к-та техн. наук. -Ижевск, 2004.-162 с.].
Методами Data Mining решаются задачи классификации, кластеризации, прогнозирования и т.д. Для решения данных задач используются различные методы и алгоритмы Data Mining. Ввиду того, что Data Mining развивалась и развивается на стыке таких дисциплин, как статистика, теория информации, машинное обучение, теория баз данных, вполне закономерно, что большинство алгоритмов и методов Data Mining были разработаны на основе различных методов из этих дисциплин. Большую популярность получили следующие методы Data Mining: нейронные сети, деревья решений, алгоритмы кластеризации, в том числе и масштабируемые, алгоритмы обнаружения ассоциативных связей между событиями и т.д. [Паклин Н.Б. Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах: Дис...к-та техн. наук. -Ижевск, 2004.-162 с.].
Применительно к геологоразведке углеводородов, основной целью которой является построение согласованной геолого-геофизической модели месторождения, дающей ясное представление о физических свойствах пласта коллектора и вероятности наличия нефти (газа) в данной точке месторождения, проблема обнаружения знаний о причинно-следственных соотношениях между входными (независимыми) и выходными (зависимыми) переменными, решается на основе нейроинформационных технологий [Гилев С.Е., Коченов Д.А., Миркес Е.М., Россиев Д.А. Контрастирование. Оценка значимости параметров, оптимизация их значений и их интерпретация внейронных сетях. // Нейроинформатика и ее приложения: Материалы III Всеросийского семинара; КГТУ. Красноярск, 1995.-229 с.], что позволяет объяснить механизм получения прогнозных зон нефтеносности в явном виде и является в настоящее время очень актуальным.
Диссертационная работа посвящена разработке методики прогноза литологических типов пород по комплексу данных геофизических исследований скважин в сложных карбонатных коллекторах поровотрещинного типа на примере залежей осинского горизонта Талаканского нефтегазоконденсатного месторождения с использованием такого метода Data Mining, как математический аппарат нейронных сетей (Гафуров Д.О.). Работа посвящена также комплексированию атрибутов сейсмического волнового поля и исследованию их значимости для возможности прогноза эффективной толщины коллектора (Гафуров О.М., Гафуров Д.О., Конторович А.А.) Как результат комплексной интерпретации предложена литолого- фациальная схема Талаканского месторождения (Конторович А.А., Красильникова Н.Б., Гафуров Д.О., Пономаренко З.Ф., и др.).
Применение методов интеллектуального анализа, в частности нейронных сетей, позволило дообучать нейросети при поступлении новых данных, кроме того, применяемые геофизические методы исследований скважин и атрибуты сейсмического волнового поля автоматически ранжировались по уровню их значимости для решения задачи. Разработанная методика реализована в виде пакета программ в настоящей версии интеллектуальной геоинформационной системе “НейроИнформГео” (Гафуров О.М., Гафуров Д.О.).
В данной работе автором используются разработанные Гафуровым О.М., и проверенные на реальных данных в 80-90-х годах коллективом его отдела Томского СКБ НПО "Нефтегеофизика", специфические применительно к предметной области методы построения карт параметров [СКБ сейсмического программного обеспечения. Технический проект “Интерактивное структурное картопостроение с расчетом элементов дислокаций в системе "Информ-Гео", Томск, 1990 г.], в которых применяется математический аппарат кубических сплайнов и решения второй задачи Коши конечно-разностными методами, реализованные в виде картографической системы "ИнформГео" на ЭГВК ПС- 2000 (образец мультипроцессора, имевшего от 8 до 64 процессоров). Система прошла опытно-методическое опробование на материалах Томского геофизического треста и была передана в следующие организации: НОМЭ (г. Новосибирск), Прикаспийское отделение Нижневартовского НИИ геологии и геофизики (г. Астрахань), ААГФЭ (г. Алма-Ата), ЗапСибНИГеофизики, ГВЦ "ГлавТюменьГеология" (г.Тюмень), Наро-Фоминский филиал ВНИИГеофизики (Московская обл.), КОМЭ (г. Киев), ПГО "ЕнисейГеофизика" (г. Красноярск).
В настоящей версии, геоинформационная система «НейроИнформГео» на базе персонального компьютера позволяет решать обратную задачу сейсморазведки - начиная от ввода сейсмического временного разреза, идентификации опорных и целевых горизонтов, учет невязки в пересечениях профилей, расчет и прослеживание дизъюнктивных сбросов, коррекция невязки, построение трехмерных полей параметров, сейсмоголографическое преобразование временных разрезов в глубинные, картопостроение, кросс - плоты, трансформация полей, решение прямой задачи сейсморазведки, учет невязки и коррекция геофизической модели, а также ряд программ позволяющий обрабатывать данные гравиразведки, гамма - спектрометрии, магниторазведки как индивидуально, так и в комплексе с сейсмическими материалом с расчетом комплексных прогнозных параметров и построения согласованных геолого-геофизических моделей месторождений углеводородов на основе спектрально-энергетических и статистических методов, а также использования нейроинформационных технологий, оформление отчетного картографического материала в соответствии с принятыми отечественными стандартами (ARC-INFO и т.д.), обмен данными между различными геоинформационными системами, поддерживающими стандарт POSC (Integral+, GeoVector+) и расположенными на различных платформах (SUN, Silicon Graphics и т.д.).
Также разработан и создан, в отличие от предыдущей версии системы, блок интеллектуального анализа и интерпретации построенных карт геофизических и геохимических параметров и временных сейсмических разрезов на основе нейросетевых методов с целью локализации нефтегазоносных участков месторождения, с ранжированием входных признаков по уровню значимости, обеспечивающим оценку информативного вклада каждого параметра для точности прогноза, а также методы комплексного анализа на основе обученных нейросетей прогноза залежей углеводородов и зон вторичных изменений с использованием геологопромысловых данных по скважинам, данными ГИС и сейсморазведки 2D и 3D (Гафуров О.М., Гафуров Д.О.). Механизм получения прогноза после обучения сети выдается пользователю логическими решающими правилами в понятном для пользователя виде.
Одной из наиболее часто встречающихся проблем, встающих перед учеными различных специальностей при комплексной интерпретации разнородных данных, является проблема построения новых объектов - зон до того на карте или разрезе не существовавших, т.е. участков территорий, однородных в смысле некоторого критерия или группы критериев. В этом смысле задача сводится к проблеме классификации, которая заключается в разбиении многомерного признакового пространства переменных на классы принадлежности или подобия тому или другому эталону и нахождении, таким образом, зависимости между признаковым пространством переменных, описывающих поведение объекта (класса), и самим объектом (классом).
Применение методов интеллектуального анализа данных [Кречетов Н.. Продукты для интеллектуального анализа данных. - Рынок программных средств, № 14-15, 1997, с. 32-29], в частности нейронных сетей, для решения задачи классификации позволит, во-первых учитывать первичные полевые данные, которые могут быть статистически непредставительны, во-вторых, автоматизировать процесс расчета комплексного прогнозного параметра путем обучения искусственной нейронной сети на основе околоскважинной (разведочной) информации, и, в-третьих, решить обратную задачу - ранжировать применяемые геофизические методы по уровню значимости, что в конечном итоге должно привести к сокращению временных и материальных затрат на интерпретацию полевых данных. Другими словами, появляется возможность проводить быстрый эмпирически обоснованный экспресс-анализ каротажных данных по новым скважинам и выявлению аномальных зон в сейсмическом разрезе и потенциальных полях. Многие отечественные геофизики уже оценили высокую эффективность применения интеллектуальных алгоритмов анализа данных. Например, специалисты НПУ “Казаньгеофизика” используют аппарат искусственных нейронных сетей для распознавания нефтеносных и “пустых” зон по комплексу геофизических и геохимических параметров. Результаты их исследований [http://neurogeo.nm.ru] показывают, что даже простейший многослойный персептрон с одним скрытым слоем обеспечивает корректное решение поставленной задачи с вероятностью более 98% (против 54,3% при классификации традиционным в геофизике методом линейно-статистического анализа с помощью дискриминантных функций).
Методики интерпретации данных ГИС и сейсморазведки, разработанные автором с применением математического аппарата нейронных сетей, оптимизируют расшифровку каротажных диаграмм, комплексирование атрибутов сейсмического волнового поля и потенциальных полей, что позволяет в кратчайшие сроки выявить аномальные зоны и интервалы требующие более детального изучения. Кроме того, актуальность разработки методики применения данных методов к анализу данных ГИС и сейсморазведки подтверждается их высокой эффективностью там, где стандартные методы интерпретации не дают приемлемого результата. Литологическое расчленение продуктивного пласта карбонатных пород верхнебилирской подсвиты и прогноз эффективных толщин, разработанной методикой, позволило выделить фации и их распределение по площади месторождения (латерали) и по разрезу верхнебилирской подсвиты и в результате построить литофациальную модель Талаканского месторождения, что актуально для подсчета запасов и построения в дальнейшем адекватной гидродинамической модели месторождения.
Самим автором в качестве ответственного исполнителя и группой специалистов ООО”ИнформГеоСервис” в 2000-м году, был защищен производственный отчет “Изучение условий образования и пространственные неоднородности продуктивных горизонтов Южно-Черемшанского месторождения на основе палеомагнитно-петрофизических и литологоминералогических исследований керна”, а также проведены исследования по комплексированию геофизических и геохимических полей с прогнозом нефтеносности на Южно-Черемшанском нефтяном месторождении, принадлежащем ЗАО "Томск-петролеум-унд-газ". Достоверность полученных научных результатов прогноза подтверждена бурением скважин №№ 105, 106, 107, 112, 225, 232, (нефть), 102бис (вода), а также на Олимпийском куполовидном поднятии и южной периклинали Болтной структуры в результате промышленного внедрения интеллектуальной геоинформационной системы "НейроИнформГео" в ОГУП "Томскинвестгеонефтегаз". Прогнозные зоны нефтеносности, рассчитанные' в ИГС "НейроИнформГео", согласуются с экспертными заключениями, а также коррелируют с прогнозными зонами, полученными независимо в системах "Интерсейс" на основе спектрально-энергетического анализа временного разреза и "Геосейс" на основе фазочастотного анализа сейсмических сигналов, что позволило защитить результаты обработки на совместном заседании ОГУП "Томскинвестгеонефтегаз" и Комитета природных ресурсов Томской области. По полученному прогнозу были разработаны рекомендации к планированию глубокого бурения скважин на Олимпийском куполовидном поднятии.
Таким образом, повышение достоверности интерпретации геологогеофизических данных с целью прогнозирования геолого-промысловых параметров и пространственного распространения продуктивного пласта позволяет уточнять запасы углеводородов и свойства пласта до ввода, и в процессе разработки, что обеспечивает более эффективную и бережную эксплуатацию существующих месторождений и определяет актуальность представленной диссертационной работы.
Задачи
1. Разработать методику интерпретации данных геофизических исследований скважин (ГИС) на основе математического аппарата обучаемых нейронных сетей, позволяющую выделять литологические типы пород вдоль ствола скважины.
2. Спрогнозировать литологические типы пород для скважин Талаканского нефтегазоконденсатного месторождения.
3. Разработать методику комплексной интерпретации атрибутов сейсмического волнового поля с применением нейроинформационных технологий, реализованных в геоинформационной системе «НейроИнформГ ео».
4. Осуществить прогнозирование эффективных толщин осинского
горизонта в межскважинном пространстве Талаканского
нефтегазоконденсатного месторождения с построением литологической модели.
Цель работы
Целью данной работы является создание методических подходов интерпретации данных геофизических исследований скважин и комплекса атрибутов сейсмического волнового поля, на основе математического аппарата обучаемых нейронных сетей на примере Талаканского нефтегазоконденсатного месторождения.
Научная новизна
1. Впервые показана возможность прямого прогнозирования литологических типов пород карбонатного коллектора осинского горизонта вдоль ствола скважины комплексом методов ГИС (гамма каротаж (ГК), нейтронный гамма-каротаж (НГК), кавернометрия (ДС), акустический каротаж (АК), плотностной гамма-гамма каротаж (ГГКП), микробоковой электрический каротаж (МБК), боковой электрический каротаж (БК)), на основе накопления и использования человеческого опыта прогноза и интерпретации в виде паттернов, обученных нейронных сетей на выделенных интерпретатором эталонах. Разработаны методические подходы, позволяющие восстанавливать литологические типы пород вдоль ствола скважины на основе комплексной интерпретации данных ГИС обучаемыми нейронными сетями.
2. Разработаны методические подходы, позволяющие осуществлять прогнозирование геолого-промысловых параметров в межскважинном пространстве на основе комплексной интерпретации атрибутов сейсмического волнового поля обучаемыми нейронными сетями. Выделены инвариантные атрибуты сейсмического волнового поля, характеризующие эффективные толщины карбонатного коллектора осинского горизонта в пределах Талаканского нефтегазоконденсатного месторождения.
3. На основе предложенного методического подхода уточнена литоло- фациальная модель месторождения, позволяющая в свою очередь уточнить оценку запасов и перспективы нефтегазоносности.
Достоверность полученных научных результатов
Достоверность полученных научных результатов, выводов и рекомендаций диссертационной работы подтверждена результатами экспериментальных исследований и камеральной обработки геологогеофизических данных ряда месторождений Восточной Сибири, что отражено протоколом «Заседания Научно-Технического Совета (Секция «Геология, Геофизика и Разработка месторождений») ООО «РН-КрасноярскНИПИнефть», протокол №3 от 3 февраля 2011 г.». Выписка из протокола совета: Авторская методика повсеместно применяется для прогноза промысловых и геологических параметров на данных по месторождениям и ЛУ (лицензионных участках) задействованных в проектах ООО «РН-КрасноярскНИПИнефть». Существенное увеличение достоверности, экономический эффект, выражен в сокращении количества непродуктивных скважин.
Практическая значимость работы
На основе нейроинформационных технологий реализованных в геоинформационной системе «НейроИнформГео» разработаны методические подходы интерпретации данных ГИС для выделения литологических типов пород в карбонатных отложениях венда и кембрия Сибирской платформы и комплекса атрибутов сейсмического волнового поля для осуществления прогноза геолого-промысловых параметров в межскважинном пространстве. Методика интерпретации данных ГИС позволила восстановить литологические типы пород в интервале продуктивного осинского горизонта для скважин Талаканского нефтегазоконденсатного месторождения. Данная методика позволяет уточнять результаты стандартного комплекса интерпретации данных ГИС, на этапе интерпретации выявлять и исправлять возможные ошибки, расширять набор входных данных комплексной интерпретации для уточнения прогноза литологических типов в скважинах, где отсутствует какой либо из методов ГИС, необходимый при определении общей пористости посредством решения системы линейных петрофизических уравнений. Методика интерпретации комплекса атрибутов сейсмического волнового поля позволяет осуществлять прогнозирование геолого-промысловых параметров с определением значимости используемых атрибутов. По осинскому горизонту Талаканского нефтегазоконденсатного месторождения осуществлен прогноз эффективных толщин по площади и построена литологическая модель месторождения.
Созданы объекты интеллектуальной собственности:
1. Патент РФ на изобретение № 2477499 «Способ определения мест заложения эксплуатационных скважин при разработке месторождений углеводородов» заявка №20011125437. Приоритет изобретения 20 июня 2011г. авторы: Гафуров О.М., Гафуров Д.О., Гафуров А.О., Панков М.В., Битнер А.К., Красильникова Н.Б. - 2012 г.
2. Свидетельство о государственной регистрации базы данных в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам: "База данных блока автоматизированного формирования эталонов в интеллектуальной геоинформационной системе "НейроИнформГео"" №201162031 зарегистрирована в Реестре баз данных 23 мая 2011 г., Гафуров О.М., Гафуров Д.О., Гафуров А.О.
3. Свидетельство о государственной регистрации программы для ЭВМ в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам: "Программа обработки сейсмоакустических и геофизических данных в формате сеток .dat на основе обучаемых нейронных сетей для формирования эталонов и расчета паттернов" №2011613919 зарегистрирована в Реестре программ для ЭВМ 19 мая 2011 г., Гафуров О.М., Гафуров Д.О., Гафуров А.О.
Фактический материал, личный вклад, методы исследования
Автором лично разработан методический подход интерпретации данных ГИС для выделения литологических типов пород в карбонатных отложениях венда и кембрия Сибирской платформы на основе нейроинформационных технологий, реализованных в геоинформационной системе «НейроИнформГ ео» и стандартного комплекса интерпретации данных ГИС. Всего данной методикой проинтерпретировано 63 скважины, из них 24 скважины имели полный комплекс ГИС. Автором совместно с Гафуровым О.М. и Конторовичем А.А. разработан методический подход площадной комплексной интерпретации атрибутов сейсмического волнового поля по отслеженному горизонту с построением прогнозных карт эффективных толщин коллектора. Лично автором данная методика доработана и адаптирована применительно к Талаканскому месторождению, проведена, данным методическим подходом, комплексная интерпретация на Талаканском нефтегазоконденсатном месторождении, а также более чем на десятке месторождений и лицензионных участков в пределах Сибирской платформы в рамках подсчетов запасов и выявлении перспективных объектов. Автор являлся ответственным исполнителем двух производственных отчетов по применению и оценке разработанных методических подходов на месторождениях и лицензионных участках компании «НК «Роснефть».
Апробация работы и публикации
Работа легла в основу создания вышеуказанных объектов интеллектуальной собственности. Положения диссертации отражены в 21 публикации, одна из них опубликована в сборнике списка ВАК и в двух производственных отчетах нефтяной компании «НК «Роснефть» ответственным исполнителем которых являлся автор. Автор является, одним из организаторов научно-практического семинара “Инновационные технологии, нейросетевая парадигма геологоразведочных работ на нефть, газ и золото” и членом редакционной коллегии сборника научных статей выпущенного по результатам работы семинара [2-ой выпуск “Инновационные технологии, нейросетевая парадигма геологоразведочных работ на нефть, газ и золото” под ред. Гафурова О.М., Конторовича В.А., Конторовича А.А., Позднякова В.А., Ефимова А.С., Логинова Д.В., Битнера А.К., Гафурова Д.О.: 2006 г., Томск, ТПУ, с. 114].
По оценкам специалистов Международного института энергетической политики и дипломатии (МГИМО МИД РФ) и ведущих мировых экспертов, мировое энергопотребление в период до 2025 года увеличится не менее чем на 58%. Наиболее важным первичным энергоносителем в мире в этот период будет оставаться нефть. Возникает необходимость более бережного отношения к не возобновляемым ресурсам планеты, что выражено, прежде всего, в пополнении запасов и на настоящее время эффективной эксплуатации существующих месторождений, обеспеченной качественной интерпретацией нового и пере-интерпретации старого геологоразведочного материала.
Любой геологический объект, начиная с нефтегазоносной провинции и кончая образцом породы, является сложно организованной системой. Такая система описывается большим числом характеристик, имеющих разную физическую природу и находящихся в сложных взаимосвязях друг с другом. Горные породы в зависимости от условий их образования и распространения обладают различным присущим только им минеральным составом, а также структурными и текстурными признаками. Породы характеризуются определенным комплексом физических свойств, изучение которых путем отбора керна возможно не во всех скважинах. В большинстве случаев керн отбирается не по всему интересующему нас интервалу, что обусловлено ограниченностью применения бурения с отбором керна в силу его высокой стоимости и трудозатрат, а также неполным выносом керна на поверхность. В тоже время, как правило, структурные особенности месторождений охарактеризованы сейсмической разведкой, а весь разрез продуктивных отложений данными геофизических исследований скважин (ГИС). Поэтому прогнозирование коллектора и типов пород по комплексу данных ГИС с дальнейшим комплексированием с данными сейсморазведки для построения согласованной геолого-геофизической модели месторождения, особенно важно для скважин, где отсутствует отбор керна или его вынос мал и непредставителен. На сегодняшний день такие прогнозные модели строятся опытным геофизиком-экспертом в результате комплексной интерпретации и анализа различных полей параметров (геофизических, геохимических), их трансформант, структурного и сейсмического материала, комплекса данных геофизических исследований скважин и т.д.. Модели строятся на основе математического и физического моделирования изучаемых процессов (решение прямых задач геофизики), методах статистического (корреляционного и дискриминантного) анализа, решении систем линейных петрофизических уравнений при интерпретации данных ГИС (обратная задача геофизики), анализа атрибутов сейсмического волнового поля и некоторых других линейностатистических методах [Сысолятин Н.В. и др. Разработка методики и програмного обеспечения прогнозирования нефтенасыщенных коллекторов по энергетическим характеристикам сейсмической записи.- Томск, 1996.] с учетом всего накопленного в этой области потенциала знаний. Таких специалистов, как правило, немного, а построение моделей требует больших трудозатрат или не имеет корректного решения в случае наличия сложных нелинейных связей, не поддающихся строгой алгоритмизации. Чаще всего аналитик сталкивается с ситуацией, когда трудно сделать какие-либо четкие предположения относительно исследуемой задачи. Модель не известна и единственным источником сведений для ее построения является таблица экспериментальных данных типа “вход - выход”, каждая строка которой содержит значения входных характеристик объекта и соответствующие им значения выходных характеристик. В результате интерпретаторы вынуждены использовать всякого рода эвристические или экспертные предположения и о выборе информативных признаков, и о классе моделей, и о параметрах выбранной модели, что не всегда приемлемо особенно при моделировании сложно построенных коллекторов. В связи с чем, актуальным является автоматизация расчета комплексных прогнозных параметров в интеллектуальной картографической системе на основе методов обладающих свойством адаптивности, обобщения, извлечения знаний и моделирования сложных нелинейных зависимостей в массивах данных [Гафуров О.М., Городников М.А. и др. Инновационные методы и технологии нефтегазопоисковых работ и возможные пути их реализации в Томской области // Инновационные методы и технологии нефтегазопоисковых работ и возможные пути их реализации в юго-восточных районах Западной Сибири. Сборник научных статей, Томск, ООО “ИнформГеоСервис”, 2000, вып. 1, с. 8-30.].
В настоящее время компьютерные технологии автоматического интеллектуального, анализа данных переживают бурный расцвет. Это связано, главным образом с потоком новых идей, исходящих из области компьютерных наук, образовавшихся на пересечении искусственного интеллекта, статистики и теории баз данных и обозначаемых как Data Mining (обнаружение знаний в данных) [Кречетов Н.. Продукты для интеллектуального анализа данных. - Рынок программных средств, № 14-15, 1997, с. 32-29]. Этим термином сегодня обозначают процесс получения из "сырых" данных новой, потенциально полезной информации о предметной области. Появившийся в 1978 г., термин Data Mining, оказался удачным и приобрел высокую популярность в конце 90-х годов. Доступность методов записи и хранения данных привели к бурному росту объемов хранимых данных. Объемы данных настолько внушительны, что человеку просто не по силам проанализировать их. Хотя необходимость проведения такого анализа вполне очевидна, ведь в этих “сырых данных” заключены знания, которые могут быть использованы при принятии решений. Алгоритмы, используемые в Data Mining, требуют большого количества вычислений. Раньше это являлось сдерживающим фактором широкого практического применения Data Mining, однако сегодняшний рост производительности современных процессоров снял остроту этой проблемы. Теперь за приемлемое время можно провести качественный анализ сотен тысяч и миллионов записей. Информация, найденная в процессе применения методов Data Mining, обычно нетривиальна и ранее неизвестна. Знания описывают новые связи между свойствами, предсказывают значения одних признаков на основе других и т.д. Найденные знания применимы и на новых данных с некоторой степенью достоверности. Полезность заключается в том, чтобы эти знания могли принести определенную выгоду при их применении.
Процесс извлечения знаний из данных происходит по той же схеме, что и установление физических законов: сбор экспериментальных данных, организация их в виде таблиц и поиск такой схемы рассуждений, которая делает полученные результаты очевидными и дает возможность предсказать новые факты. При этом имеется ясное понимание того, что наши знания об анализируемом процессе, как и любом физическом явлении - в какой то степени приближение. Фактически, термин Data Mining - это попытка узаконить физический подход, в отличие от математического, к решению задач анализа данных. Под понятием “физический подход" подразумевается такой подход, при котором аналитик готов к тому, что анализируемый процесс может оказаться трудно интерпретируемым и не поддающимся точному анализу с помощью строгих аналитических методов. Но можно все же получить хорошее представление о его поведении в различных обстоятельствах, подходя к задаче с различных точек зрения, руководствуясь знанием предметной области, опытом, интуицией и используя различные эвристические подходы. При этом аналитик движется от грубой модели ко все более точным представлениям об анализируемом процессе [Паклин Н.Б. Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах: Дис...к-та техн. наук. -Ижевск, 2004.-162 с.].
Методами Data Mining решаются задачи классификации, кластеризации, прогнозирования и т.д. Для решения данных задач используются различные методы и алгоритмы Data Mining. Ввиду того, что Data Mining развивалась и развивается на стыке таких дисциплин, как статистика, теория информации, машинное обучение, теория баз данных, вполне закономерно, что большинство алгоритмов и методов Data Mining были разработаны на основе различных методов из этих дисциплин. Большую популярность получили следующие методы Data Mining: нейронные сети, деревья решений, алгоритмы кластеризации, в том числе и масштабируемые, алгоритмы обнаружения ассоциативных связей между событиями и т.д. [Паклин Н.Б. Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах: Дис...к-та техн. наук. -Ижевск, 2004.-162 с.].
Применительно к геологоразведке углеводородов, основной целью которой является построение согласованной геолого-геофизической модели месторождения, дающей ясное представление о физических свойствах пласта коллектора и вероятности наличия нефти (газа) в данной точке месторождения, проблема обнаружения знаний о причинно-следственных соотношениях между входными (независимыми) и выходными (зависимыми) переменными, решается на основе нейроинформационных технологий [Гилев С.Е., Коченов Д.А., Миркес Е.М., Россиев Д.А. Контрастирование. Оценка значимости параметров, оптимизация их значений и их интерпретация внейронных сетях. // Нейроинформатика и ее приложения: Материалы III Всеросийского семинара; КГТУ. Красноярск, 1995.-229 с.], что позволяет объяснить механизм получения прогнозных зон нефтеносности в явном виде и является в настоящее время очень актуальным.
Диссертационная работа посвящена разработке методики прогноза литологических типов пород по комплексу данных геофизических исследований скважин в сложных карбонатных коллекторах поровотрещинного типа на примере залежей осинского горизонта Талаканского нефтегазоконденсатного месторождения с использованием такого метода Data Mining, как математический аппарат нейронных сетей (Гафуров Д.О.). Работа посвящена также комплексированию атрибутов сейсмического волнового поля и исследованию их значимости для возможности прогноза эффективной толщины коллектора (Гафуров О.М., Гафуров Д.О., Конторович А.А.) Как результат комплексной интерпретации предложена литолого- фациальная схема Талаканского месторождения (Конторович А.А., Красильникова Н.Б., Гафуров Д.О., Пономаренко З.Ф., и др.).
Применение методов интеллектуального анализа, в частности нейронных сетей, позволило дообучать нейросети при поступлении новых данных, кроме того, применяемые геофизические методы исследований скважин и атрибуты сейсмического волнового поля автоматически ранжировались по уровню их значимости для решения задачи. Разработанная методика реализована в виде пакета программ в настоящей версии интеллектуальной геоинформационной системе “НейроИнформГео” (Гафуров О.М., Гафуров Д.О.).
В данной работе автором используются разработанные Гафуровым О.М., и проверенные на реальных данных в 80-90-х годах коллективом его отдела Томского СКБ НПО "Нефтегеофизика", специфические применительно к предметной области методы построения карт параметров [СКБ сейсмического программного обеспечения. Технический проект “Интерактивное структурное картопостроение с расчетом элементов дислокаций в системе "Информ-Гео", Томск, 1990 г.], в которых применяется математический аппарат кубических сплайнов и решения второй задачи Коши конечно-разностными методами, реализованные в виде картографической системы "ИнформГео" на ЭГВК ПС- 2000 (образец мультипроцессора, имевшего от 8 до 64 процессоров). Система прошла опытно-методическое опробование на материалах Томского геофизического треста и была передана в следующие организации: НОМЭ (г. Новосибирск), Прикаспийское отделение Нижневартовского НИИ геологии и геофизики (г. Астрахань), ААГФЭ (г. Алма-Ата), ЗапСибНИГеофизики, ГВЦ "ГлавТюменьГеология" (г.Тюмень), Наро-Фоминский филиал ВНИИГеофизики (Московская обл.), КОМЭ (г. Киев), ПГО "ЕнисейГеофизика" (г. Красноярск).
В настоящей версии, геоинформационная система «НейроИнформГео» на базе персонального компьютера позволяет решать обратную задачу сейсморазведки - начиная от ввода сейсмического временного разреза, идентификации опорных и целевых горизонтов, учет невязки в пересечениях профилей, расчет и прослеживание дизъюнктивных сбросов, коррекция невязки, построение трехмерных полей параметров, сейсмоголографическое преобразование временных разрезов в глубинные, картопостроение, кросс - плоты, трансформация полей, решение прямой задачи сейсморазведки, учет невязки и коррекция геофизической модели, а также ряд программ позволяющий обрабатывать данные гравиразведки, гамма - спектрометрии, магниторазведки как индивидуально, так и в комплексе с сейсмическими материалом с расчетом комплексных прогнозных параметров и построения согласованных геолого-геофизических моделей месторождений углеводородов на основе спектрально-энергетических и статистических методов, а также использования нейроинформационных технологий, оформление отчетного картографического материала в соответствии с принятыми отечественными стандартами (ARC-INFO и т.д.), обмен данными между различными геоинформационными системами, поддерживающими стандарт POSC (Integral+, GeoVector+) и расположенными на различных платформах (SUN, Silicon Graphics и т.д.).
Также разработан и создан, в отличие от предыдущей версии системы, блок интеллектуального анализа и интерпретации построенных карт геофизических и геохимических параметров и временных сейсмических разрезов на основе нейросетевых методов с целью локализации нефтегазоносных участков месторождения, с ранжированием входных признаков по уровню значимости, обеспечивающим оценку информативного вклада каждого параметра для точности прогноза, а также методы комплексного анализа на основе обученных нейросетей прогноза залежей углеводородов и зон вторичных изменений с использованием геологопромысловых данных по скважинам, данными ГИС и сейсморазведки 2D и 3D (Гафуров О.М., Гафуров Д.О.). Механизм получения прогноза после обучения сети выдается пользователю логическими решающими правилами в понятном для пользователя виде.
Одной из наиболее часто встречающихся проблем, встающих перед учеными различных специальностей при комплексной интерпретации разнородных данных, является проблема построения новых объектов - зон до того на карте или разрезе не существовавших, т.е. участков территорий, однородных в смысле некоторого критерия или группы критериев. В этом смысле задача сводится к проблеме классификации, которая заключается в разбиении многомерного признакового пространства переменных на классы принадлежности или подобия тому или другому эталону и нахождении, таким образом, зависимости между признаковым пространством переменных, описывающих поведение объекта (класса), и самим объектом (классом).
Применение методов интеллектуального анализа данных [Кречетов Н.. Продукты для интеллектуального анализа данных. - Рынок программных средств, № 14-15, 1997, с. 32-29], в частности нейронных сетей, для решения задачи классификации позволит, во-первых учитывать первичные полевые данные, которые могут быть статистически непредставительны, во-вторых, автоматизировать процесс расчета комплексного прогнозного параметра путем обучения искусственной нейронной сети на основе околоскважинной (разведочной) информации, и, в-третьих, решить обратную задачу - ранжировать применяемые геофизические методы по уровню значимости, что в конечном итоге должно привести к сокращению временных и материальных затрат на интерпретацию полевых данных. Другими словами, появляется возможность проводить быстрый эмпирически обоснованный экспресс-анализ каротажных данных по новым скважинам и выявлению аномальных зон в сейсмическом разрезе и потенциальных полях. Многие отечественные геофизики уже оценили высокую эффективность применения интеллектуальных алгоритмов анализа данных. Например, специалисты НПУ “Казаньгеофизика” используют аппарат искусственных нейронных сетей для распознавания нефтеносных и “пустых” зон по комплексу геофизических и геохимических параметров. Результаты их исследований [http://neurogeo.nm.ru] показывают, что даже простейший многослойный персептрон с одним скрытым слоем обеспечивает корректное решение поставленной задачи с вероятностью более 98% (против 54,3% при классификации традиционным в геофизике методом линейно-статистического анализа с помощью дискриминантных функций).
Методики интерпретации данных ГИС и сейсморазведки, разработанные автором с применением математического аппарата нейронных сетей, оптимизируют расшифровку каротажных диаграмм, комплексирование атрибутов сейсмического волнового поля и потенциальных полей, что позволяет в кратчайшие сроки выявить аномальные зоны и интервалы требующие более детального изучения. Кроме того, актуальность разработки методики применения данных методов к анализу данных ГИС и сейсморазведки подтверждается их высокой эффективностью там, где стандартные методы интерпретации не дают приемлемого результата. Литологическое расчленение продуктивного пласта карбонатных пород верхнебилирской подсвиты и прогноз эффективных толщин, разработанной методикой, позволило выделить фации и их распределение по площади месторождения (латерали) и по разрезу верхнебилирской подсвиты и в результате построить литофациальную модель Талаканского месторождения, что актуально для подсчета запасов и построения в дальнейшем адекватной гидродинамической модели месторождения.
Самим автором в качестве ответственного исполнителя и группой специалистов ООО”ИнформГеоСервис” в 2000-м году, был защищен производственный отчет “Изучение условий образования и пространственные неоднородности продуктивных горизонтов Южно-Черемшанского месторождения на основе палеомагнитно-петрофизических и литологоминералогических исследований керна”, а также проведены исследования по комплексированию геофизических и геохимических полей с прогнозом нефтеносности на Южно-Черемшанском нефтяном месторождении, принадлежащем ЗАО "Томск-петролеум-унд-газ". Достоверность полученных научных результатов прогноза подтверждена бурением скважин №№ 105, 106, 107, 112, 225, 232, (нефть), 102бис (вода), а также на Олимпийском куполовидном поднятии и южной периклинали Болтной структуры в результате промышленного внедрения интеллектуальной геоинформационной системы "НейроИнформГео" в ОГУП "Томскинвестгеонефтегаз". Прогнозные зоны нефтеносности, рассчитанные' в ИГС "НейроИнформГео", согласуются с экспертными заключениями, а также коррелируют с прогнозными зонами, полученными независимо в системах "Интерсейс" на основе спектрально-энергетического анализа временного разреза и "Геосейс" на основе фазочастотного анализа сейсмических сигналов, что позволило защитить результаты обработки на совместном заседании ОГУП "Томскинвестгеонефтегаз" и Комитета природных ресурсов Томской области. По полученному прогнозу были разработаны рекомендации к планированию глубокого бурения скважин на Олимпийском куполовидном поднятии.
Таким образом, повышение достоверности интерпретации геологогеофизических данных с целью прогнозирования геолого-промысловых параметров и пространственного распространения продуктивного пласта позволяет уточнять запасы углеводородов и свойства пласта до ввода, и в процессе разработки, что обеспечивает более эффективную и бережную эксплуатацию существующих месторождений и определяет актуальность представленной диссертационной работы.
Задачи
1. Разработать методику интерпретации данных геофизических исследований скважин (ГИС) на основе математического аппарата обучаемых нейронных сетей, позволяющую выделять литологические типы пород вдоль ствола скважины.
2. Спрогнозировать литологические типы пород для скважин Талаканского нефтегазоконденсатного месторождения.
3. Разработать методику комплексной интерпретации атрибутов сейсмического волнового поля с применением нейроинформационных технологий, реализованных в геоинформационной системе «НейроИнформГ ео».
4. Осуществить прогнозирование эффективных толщин осинского
горизонта в межскважинном пространстве Талаканского
нефтегазоконденсатного месторождения с построением литологической модели.
Цель работы
Целью данной работы является создание методических подходов интерпретации данных геофизических исследований скважин и комплекса атрибутов сейсмического волнового поля, на основе математического аппарата обучаемых нейронных сетей на примере Талаканского нефтегазоконденсатного месторождения.
Научная новизна
1. Впервые показана возможность прямого прогнозирования литологических типов пород карбонатного коллектора осинского горизонта вдоль ствола скважины комплексом методов ГИС (гамма каротаж (ГК), нейтронный гамма-каротаж (НГК), кавернометрия (ДС), акустический каротаж (АК), плотностной гамма-гамма каротаж (ГГКП), микробоковой электрический каротаж (МБК), боковой электрический каротаж (БК)), на основе накопления и использования человеческого опыта прогноза и интерпретации в виде паттернов, обученных нейронных сетей на выделенных интерпретатором эталонах. Разработаны методические подходы, позволяющие восстанавливать литологические типы пород вдоль ствола скважины на основе комплексной интерпретации данных ГИС обучаемыми нейронными сетями.
2. Разработаны методические подходы, позволяющие осуществлять прогнозирование геолого-промысловых параметров в межскважинном пространстве на основе комплексной интерпретации атрибутов сейсмического волнового поля обучаемыми нейронными сетями. Выделены инвариантные атрибуты сейсмического волнового поля, характеризующие эффективные толщины карбонатного коллектора осинского горизонта в пределах Талаканского нефтегазоконденсатного месторождения.
3. На основе предложенного методического подхода уточнена литоло- фациальная модель месторождения, позволяющая в свою очередь уточнить оценку запасов и перспективы нефтегазоносности.
Достоверность полученных научных результатов
Достоверность полученных научных результатов, выводов и рекомендаций диссертационной работы подтверждена результатами экспериментальных исследований и камеральной обработки геологогеофизических данных ряда месторождений Восточной Сибири, что отражено протоколом «Заседания Научно-Технического Совета (Секция «Геология, Геофизика и Разработка месторождений») ООО «РН-КрасноярскНИПИнефть», протокол №3 от 3 февраля 2011 г.». Выписка из протокола совета: Авторская методика повсеместно применяется для прогноза промысловых и геологических параметров на данных по месторождениям и ЛУ (лицензионных участках) задействованных в проектах ООО «РН-КрасноярскНИПИнефть». Существенное увеличение достоверности, экономический эффект, выражен в сокращении количества непродуктивных скважин.
Практическая значимость работы
На основе нейроинформационных технологий реализованных в геоинформационной системе «НейроИнформГео» разработаны методические подходы интерпретации данных ГИС для выделения литологических типов пород в карбонатных отложениях венда и кембрия Сибирской платформы и комплекса атрибутов сейсмического волнового поля для осуществления прогноза геолого-промысловых параметров в межскважинном пространстве. Методика интерпретации данных ГИС позволила восстановить литологические типы пород в интервале продуктивного осинского горизонта для скважин Талаканского нефтегазоконденсатного месторождения. Данная методика позволяет уточнять результаты стандартного комплекса интерпретации данных ГИС, на этапе интерпретации выявлять и исправлять возможные ошибки, расширять набор входных данных комплексной интерпретации для уточнения прогноза литологических типов в скважинах, где отсутствует какой либо из методов ГИС, необходимый при определении общей пористости посредством решения системы линейных петрофизических уравнений. Методика интерпретации комплекса атрибутов сейсмического волнового поля позволяет осуществлять прогнозирование геолого-промысловых параметров с определением значимости используемых атрибутов. По осинскому горизонту Талаканского нефтегазоконденсатного месторождения осуществлен прогноз эффективных толщин по площади и построена литологическая модель месторождения.
Созданы объекты интеллектуальной собственности:
1. Патент РФ на изобретение № 2477499 «Способ определения мест заложения эксплуатационных скважин при разработке месторождений углеводородов» заявка №20011125437. Приоритет изобретения 20 июня 2011г. авторы: Гафуров О.М., Гафуров Д.О., Гафуров А.О., Панков М.В., Битнер А.К., Красильникова Н.Б. - 2012 г.
2. Свидетельство о государственной регистрации базы данных в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам: "База данных блока автоматизированного формирования эталонов в интеллектуальной геоинформационной системе "НейроИнформГео"" №201162031 зарегистрирована в Реестре баз данных 23 мая 2011 г., Гафуров О.М., Гафуров Д.О., Гафуров А.О.
3. Свидетельство о государственной регистрации программы для ЭВМ в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам: "Программа обработки сейсмоакустических и геофизических данных в формате сеток .dat на основе обучаемых нейронных сетей для формирования эталонов и расчета паттернов" №2011613919 зарегистрирована в Реестре программ для ЭВМ 19 мая 2011 г., Гафуров О.М., Гафуров Д.О., Гафуров А.О.
Фактический материал, личный вклад, методы исследования
Автором лично разработан методический подход интерпретации данных ГИС для выделения литологических типов пород в карбонатных отложениях венда и кембрия Сибирской платформы на основе нейроинформационных технологий, реализованных в геоинформационной системе «НейроИнформГ ео» и стандартного комплекса интерпретации данных ГИС. Всего данной методикой проинтерпретировано 63 скважины, из них 24 скважины имели полный комплекс ГИС. Автором совместно с Гафуровым О.М. и Конторовичем А.А. разработан методический подход площадной комплексной интерпретации атрибутов сейсмического волнового поля по отслеженному горизонту с построением прогнозных карт эффективных толщин коллектора. Лично автором данная методика доработана и адаптирована применительно к Талаканскому месторождению, проведена, данным методическим подходом, комплексная интерпретация на Талаканском нефтегазоконденсатном месторождении, а также более чем на десятке месторождений и лицензионных участков в пределах Сибирской платформы в рамках подсчетов запасов и выявлении перспективных объектов. Автор являлся ответственным исполнителем двух производственных отчетов по применению и оценке разработанных методических подходов на месторождениях и лицензионных участках компании «НК «Роснефть».
Апробация работы и публикации
Работа легла в основу создания вышеуказанных объектов интеллектуальной собственности. Положения диссертации отражены в 21 публикации, одна из них опубликована в сборнике списка ВАК и в двух производственных отчетах нефтяной компании «НК «Роснефть» ответственным исполнителем которых являлся автор. Автор является, одним из организаторов научно-практического семинара “Инновационные технологии, нейросетевая парадигма геологоразведочных работ на нефть, газ и золото” и членом редакционной коллегии сборника научных статей выпущенного по результатам работы семинара [2-ой выпуск “Инновационные технологии, нейросетевая парадигма геологоразведочных работ на нефть, газ и золото” под ред. Гафурова О.М., Конторовича В.А., Конторовича А.А., Позднякова В.А., Ефимова А.С., Логинова Д.В., Битнера А.К., Гафурова Д.О.: 2006 г., Томск, ТПУ, с. 114].
В результате исследований получены следующие результаты:
1) Разработана методика интерпретации данных ГИС на основе нейроинформационных технологий реализованных в геоинформационной системе «НейроИнформГео»;
2) Методика позволила спрогнозировать литологические типы пород в интервале продуктивного осинского горизонта Талаканского нефтегазоконденсатного месторождения для 24-х скважин имеющих полный комплекс ГИС (ГК, НГК, ДС, АК, ГГКП, МБК, БК). Спрогнозированные классы литологических типов пород коррелирует с имеющейся керновой информацией со значением линейного коэффициента корреляции превышающего R > 0.7. Для скважин с отсутствием выполненного ГГКП, 23 скважины, коэффициент корреляции с керном составляет R=0.67. Выделение коллектора подтверждается как керном, так и прямыми методами исследования пласта с коэффициентом корреляции R > 0.9 как для скважин первого цикла обучения - 24 скважины, так и второго - 23 скважины. При дальнейшем уменьшении комплекса ГИС, прогнозирование литологических типов для осинского карбонатного колектора Талаканского месторождения, является нецелесообразным. Однако остается возможным отбивать границы коллектора и определять его мощность комплексом ГИС включающем в себя методы: ГК, НГК, ДС, АК;
3) Для 24-х скважин первого цикла обучения, показано, что нелинейная аппроксимация нейронными сетями может превышать точность решения задачи моделью системы линейных петрофизических уравнений, в частности за счет возможности нейронной сети расширения используемого комплекса данных ГИС, а соответственно увеличения физических признаков характеризующих коллекторские свойства;
4) Разработана методика интерпретации комплекса атрибутов
сейсмического волнового поля позволяющая осуществлять прогнозирование наиболее вероятных границ распространения по площади продуктивного пласта и его геолого-промысловых параметров в межскважинном пространстве с определением значимости используемых атрибутов. По осинскому горизонту Талаканского нефтегазоконденсатного месторождения осуществлен прогноз эффективных толщин по площади;
5) Выделены инвариантные атрибуты с высоким козффициентом значимости характеризующие эффективную мощность карбонатного коллектора каверна-порово-трещинного типа осинского горизонта Талаканского месторождения;
6) Построена геологическая модель Талаканского месторождения, прогнозная точность которой проверена тестовыми скважинами и содержит в себе знания о зависимости наличия коллектора и его свойств в данной точке месторождения от геофизических параметров.
Установленные зависимости потенциально применимы для изучения данного типа коллектора за пределами изучаемого месторождения по Непско- Ботуобинской нефтегазоносной области, в условиях сокращения, во-первых, объектов разведочной информации (скважин), и, во-вторых, признаковых аргументов анализа с учетом полученных коэффициентов, их значимости для прогноза карбонатного коллектора порово-каверно-трещинного типа осинского продуктивного горизонта, что может способствовать сокращению временных и материальных затрат на полевые и камеральные работы по интерпретации геологоразведочных данных.
1) Разработана методика интерпретации данных ГИС на основе нейроинформационных технологий реализованных в геоинформационной системе «НейроИнформГео»;
2) Методика позволила спрогнозировать литологические типы пород в интервале продуктивного осинского горизонта Талаканского нефтегазоконденсатного месторождения для 24-х скважин имеющих полный комплекс ГИС (ГК, НГК, ДС, АК, ГГКП, МБК, БК). Спрогнозированные классы литологических типов пород коррелирует с имеющейся керновой информацией со значением линейного коэффициента корреляции превышающего R > 0.7. Для скважин с отсутствием выполненного ГГКП, 23 скважины, коэффициент корреляции с керном составляет R=0.67. Выделение коллектора подтверждается как керном, так и прямыми методами исследования пласта с коэффициентом корреляции R > 0.9 как для скважин первого цикла обучения - 24 скважины, так и второго - 23 скважины. При дальнейшем уменьшении комплекса ГИС, прогнозирование литологических типов для осинского карбонатного колектора Талаканского месторождения, является нецелесообразным. Однако остается возможным отбивать границы коллектора и определять его мощность комплексом ГИС включающем в себя методы: ГК, НГК, ДС, АК;
3) Для 24-х скважин первого цикла обучения, показано, что нелинейная аппроксимация нейронными сетями может превышать точность решения задачи моделью системы линейных петрофизических уравнений, в частности за счет возможности нейронной сети расширения используемого комплекса данных ГИС, а соответственно увеличения физических признаков характеризующих коллекторские свойства;
4) Разработана методика интерпретации комплекса атрибутов
сейсмического волнового поля позволяющая осуществлять прогнозирование наиболее вероятных границ распространения по площади продуктивного пласта и его геолого-промысловых параметров в межскважинном пространстве с определением значимости используемых атрибутов. По осинскому горизонту Талаканского нефтегазоконденсатного месторождения осуществлен прогноз эффективных толщин по площади;
5) Выделены инвариантные атрибуты с высоким козффициентом значимости характеризующие эффективную мощность карбонатного коллектора каверна-порово-трещинного типа осинского горизонта Талаканского месторождения;
6) Построена геологическая модель Талаканского месторождения, прогнозная точность которой проверена тестовыми скважинами и содержит в себе знания о зависимости наличия коллектора и его свойств в данной точке месторождения от геофизических параметров.
Установленные зависимости потенциально применимы для изучения данного типа коллектора за пределами изучаемого месторождения по Непско- Ботуобинской нефтегазоносной области, в условиях сокращения, во-первых, объектов разведочной информации (скважин), и, во-вторых, признаковых аргументов анализа с учетом полученных коэффициентов, их значимости для прогноза карбонатного коллектора порово-каверно-трещинного типа осинского продуктивного горизонта, что может способствовать сокращению временных и материальных затрат на полевые и камеральные работы по интерпретации геологоразведочных данных.