Содержание к диссертации
Введение
1. Обзор методов сбора, обработки и интерпретации результатов ГИС 16
1.1. Роль ГИС при разведке месторождений с помощью скважин 16
1.2 Методы каротажа 19
1.2.1. Использование методов каротажа 19
1.2.2. Электрические методы каротажа 20
1.2.3. Акустический каротаж 25
1.2.4. Радиоактивные методы каротажа 26
1.2.5. Кавернометрия 29
1.3. Классические методы интерпретации результатов ГИС 29
1.3.1. Статистические методы 29
1.3.2. Литологическое разделение по диагностическим кодам 33
1.3.3. Литологическое разделение с оценкой вероятности 34
1.3.4. Метод нормализации 35
1.3.5. Методы классификации, основанные на петрофизических данных 37
1.4. Основные модели нечеткой логики 39
1.5. Обзор программных средств 44
1.5.1. Программные средства для интерпретации каротажных диаграмм 44
1.5.2. Программные средства для разработки систем нечеткой логики и эволюционных алгоритмов 48
1.6. Постановка цели и задач исследования 54
2. Распознавание литологическое структуры разреза скважины посредством нечеткой логики 56
2.1. Постановка задачи 56
2.2. Предварительная обработка исходных данных 58
2.2.1. Увязка кривых по глубине 59
2.2.2. Приведение к стандартным условиям измерений 61
2.2.3. Нормирование данных 62
2.3. Теория систем нечеткой логики 63
2.3.1. Основные положения теории нечетких множеств 63
2.3.2. Алгоритмы нечеткого логического вывода 66
2.3.3. Обоснование применимости аппарата нечеткой логики 70
2.3.4. Выбор модели нечеткой логики 72
2.4. Создание базы знаний для системы нечеткой логики 72
2.4.1. Основные положения 72
2.4.2. Использование известных геофизических зависимостей 72
2.4.3. Обучение системы нечеткой логики 74
2.5. Использование эволюционных алгоритмов 75
2.5.1. Теория эволюционных алгоритмов 75
2.5.2. Генетический алгоритм 76
2.6. Выводы 78
3. Определение информативности методов каротажа при интерпретации посредством нечетких методов 80
3.1. Определение объекта и целей исследования 80
3.2. Обучение на одном методе каротажа 81
3.2.1. Построение модели нечеткой логики 81
3.2.2. Применение генетического алгоритма 82
3.2.3. Результаты интерпретации по одному методу каротажа 84
3.3. Обучение на нескольких методах каротажа 87
3.2.1. Построение модели нечеткой логики 87
3.2.2. Применение генетического алгоритма 88
3.2.3. Результаты интерпретации 89
3.6. Выводы 100
4. Разработка программных модулей ИСИ ГИС 102
4.1. Разработка программного комплекса 102
4.1.1. Назначение ИСИ ГИС 102
4.1.2. Структура ИСИ ГИС 103
4.1.3. Решения по комплексу технических средств 105
4.1.4. Решения по комплексу программных средств 106
4.1.5. Описание информационной базы 107
4.1.6. Применение ИСИ ГИС 112
4.2. Разработка подсистемы импорта-экспорта 115
4.2.1. Назначение 115
4.2.2. Функционирование подсистемы 116
4.2.3. Работа подсистемы с файлами формата LAS 117
4.2.4. Алгоритмы работы 119
4.3. Разработка модуля предварительной обработки исходных данных 120
4.3.1. Назначение 120
4.3.2. Функционирование подсистемы 121
4.3.3. Алгоритмы работы 122
4.4. Разработка интеллектуальной подсистемы 123
4.4.1. Назначение 123
4.4.2. Функционирование подсистемы 123
4.4.3. Алгоритмы работы 124
4.5. Разработка обучающей подсистемы 125
4.5.1. Назначение 125
4.5.2. Функционирование подсистемы 126
4.5.3. Алгоритмы работы 127
4.6. Разработка интерпретирующей подсистемы 129
4.6.1. Назначение 129
4.6.2. Функционирование подсистемы 129
4.6.3. Алгоритмы работы 131
4.7. Выводы 131
Заключение 133
Литература 135
Приложение 145
- Классические методы интерпретации результатов ГИС
- Предварительная обработка исходных данных
- Обучение на нескольких методах каротажа
- Разработка подсистемы импорта-экспорта
Введение к работе
Актуальность темы. Нефтегазодобывающая отрасль - это крупный народнохозяйственный комплекс, играющий ведущую роль в экономике страны. Развитие данной отрасли на современном этапе неразрывно связано с разведкой, разработкой и освоением новых месторождений нефти и газа. Последние, преимущественно, характеризуются сложными условиями залегания полезных ископаемых: большими глубинами, небольшой толщиной пластов-коллекторов, многокомпонентным литологическим составом и сложной структурой порового пространства, что затрудняет их разработку, и, следовательно, повышает требования к качеству интерпретации результатов геофизических исследований скважин.
Цитологическая классификация и выделение коллекторов основаны на различии физических и геофизических параметров горных пород. Нахождение значений геологических параметров в некоторых диапазонах дает возможность прогнозирования литологии пласта. Так как диапазоны перекрываются для различных пород, то необходима идентификация литологии пород по набору кол-лекторских, физических и геофизических параметров.
При геологической разведке месторождений важной является предварительная экспресс-оценка продуктивности скважины. Это является причиной создания автоматизированных интеллектуальных интерпретирующих систем, обеспечивающих управление измерениями, регистрацию, первичную обработку и интерпретацию скважинных материалов. Возникает необходимость создания информационной базы перспективных структур и месторождений, которая позволит, используя компьютерную технологию, обеспечить интеграцию данных разведки и добычи, комплексирование методов их обработки и интерпретации для автоматизации решения задач геологической отчетности, проектирования доразведки, подсчета запасов, построения динамических моделей, подготовки проектов разработки по результатам динамического моделирования месторождений, анализа разработки. Построение карт, схем корреляции и геологических разрезов в цифровом виде дает возможность быстрого просмотра любой информации из базы данных. Опыт показывает, что именно использование в едином ключе разнородной геологической, геофизической и промысловой информации является основным ядром технологии и определяет успех и эффект от решения задач. Кроме того, такие системы позволяют избавить интерпретатора от большого количество информации, подлежащего обработке при интерпретации.
В настоящее время существуют методы литологического расчленения по диагностическим кодам. Алгоритм методов заключается в составлении по данным геофизических исследований скважин комплексного кода и сравнении его с прогнозными диагностическими кодами, представляющими геофизическую характеристику пород в разрезе. Развитием этого метода является алгоритм литологического расчленения разреза с оценкой вероятности. Для данного пласта по комплексу показаний геофизических методов определяется наиболее вероятный литологический тип, к которому он должен быть отнесен.
При наличии некоторой эмпирической базы данных возможно использование методов извлечения знаний из данных и применение обучающихся информационных систем. Дальнейшим развитием автоматизации интерпретации каротажного материала является разделение на пласты разреза скважин с помощью экспертных оценок, которые существенным образом используются в системах искусственного интеллекта, построенных на основе теории нечеткой логики.
В общем случае, применение систем нечеткой логики целесообразно в тех случаях, когда нет простой и однозначной математической модели объекта или процесса, но экспертные знания об объекте или процессе представимы в форме предикатных правил. Принимая во внимание, что задачи интерпретации геофизических исследований скважин имеют в своей основе сложные функциональные зависимости, поэтому применение системы нечеткой логики для их решения вполне приемлемо и обоснованно.
Объектом исследования являются каротажные данные (КД), представленные в цифровом виде; модели нечеткой логики (НЛ) для решения задач интерпретации геофизических исследований скважин (ГИС); интеллектуальная система интерпретации результатов геофизических исследований скважин (ИСИ ГИС) на основе НЛ.
Предметом исследования являются программное, информационное обеспечение и структура ИСИ ГИС, методы разработки систем НЛ для выделения нефтенасыщенных коллекторов, математическое описание алгоритмов и методов предварительной обработки и интерпретации КД.
Цель работы - проведение комплексных исследований, направленных на получение обоснованных методологических и технических решений, способствующих определению надежности выявления нефтенасыщенных коллекторов при оптимизации использования количества производимых при ГИС методов каротажа на основе предлагаемых автором работы алгоритмов, базирующихся на положениях теории НЛ; создание ИСИ ГИС, внедрение которой имеет существенное значение в области обработки и интерпретации геофизической информации.
Для достижения поставленной цели требуется решить следующие задачи: выбор методов предварительной обработки КД; выработка научно-обоснованных решений для построения моделей НЛ для распознавания литологической структуры разреза скважины; -разработка способа определения информативности методов каротажа при интерпретации результатов ГИС на основе алгоритмов нечеткого вывода; - исследование влияния различных комбинаций методов каротажа на ка чество интерпретации результатов ГИС посредством модели НЛ; -оптимизация процесса интерпретации, заключающаяся в нахождении минимального количества методов каротажа, проводимых непосредственно на скважине, для достижения максимально точного и надежного результата определения наличия количества нефтенасыщенных пластов в скважине; - выбор и обоснование путем теоретических и экспериментальных иссле- дований структуры ИСИ, ее аппаратной части, принципов построения программного и информационного обеспечения; - кодирование отдельных модулей ИСИ ГИС.
Методы исследования. В работе применялись теоретические и экспериментальные методы исследования.
При решении задачи распознавания литологической структуры разреза скважины использовалась модель НЛ, обучаемая генетическим алгоритмом. В модели НЛ в качестве функций принадлежности использовались гауссовы функции. Обучение системы НЛ осуществлялось на всех возможных комбинациях пяти методов каротажа, входящих в состав стандартного набора методов ГИС, снимаемых на скважине. Результаты работы системы НЛ исследовались на предмет адекватности выделенных нефтенасыщенных, водонасыщенных и непродуктивных участков разреза скважины экспертным оценкам. Предварительное расчленение разреза на пласты не осуществлялось, обработка КД велась поточечно.
Предварительная обработка геолого-геофизической информации базируется на использовании методов статистического анализа временных рядов в приложении к геофизическим сигналам. Построение ИСИ велось на основе метода структурной декомпозиции программных модулей, позволяющего обеспечить удобство настройки системы и высокую степень интеграции с другими программными продуктами.
Программное обеспечение ИСИ реализовано на алгоритмическом языке высокого уровня - Borland Delphi 6, серверная часть базы данных выполнена под управлением Microsoft SQL-Server 7.0.
Достоверность и обоснованность полученных в работе результатов и выводов подтверждается сопоставительным анализом разработанных и существующих математических моделей и методов, а также итогами практического использования ИСИ ГИС.
Математические модели, алгоритмы и прикладные программы, предложенные в работе, основаны на теоретических основах функционального анали- за, теории статистического анализа каротажных диаграмм как временных рядов, а также теории вероятностей, случайных функций и фундаментальных основ построения экспертных систем.
Достоверность экспериментальных результатов обеспечена использованием большого объема экспериментального материала, статистическими методами обработки данных и хорошей воспроизводимостью результатов. Достоверность эталонного материала для обучения моделей НЛ обеспечена использованием утвержденных в ОАО "Башнефтегеофизика" экспертных заключений по обрабатываемым скважинам.
На защиту выносятся результаты проведения исследований по определению информативности методов каротажа при распознавании литологической структуры разреза скважины посредством модели НЛ, в том числе: выбор алгоритмов предварительной обработки КД; разработка моделей НЛ для выделения нефтенасыщенных коллекторов; определение способа оценки качества результатов литологического расчленения разреза по данным ГИС на основе алгоритмов нечеткого вывода; применение средств искусственного интеллекта для определения литологического состава разреза скважины по данным каротажа путем обучения на основе анализа соответствия КД имеющемуся экспертному заключению; разработка программного, информационного обеспечения и структуры ИСИ ГИС; реализация ИСИ ГИС на основе модели НЛ для получения реальных результатов литологического расчленения разреза скважин.
Научная новизна полученных результатов определяется проведенными комплексными исследованиями, в результате которых вместо использования классических методов интерпретации, использующих решения трансцендентных уравнений петрофизики, в процессе интерпретации КД применен подход, существенно сокращающий количество вычислительных операций и повышающий быстродействие оперативной качественной интерпретации непосредственно на скважине в ходе проведения ГИС путем применения современной математической теории интеллектуальных систем на основе аппарата НЛ, в ходе которых: определены принципы построения алгоритмов, применяемых на этапе предварительной обработки КД; осуществлен выбор структуры и создание ИСИ ГИС на основе модели НЛ, произведено создание и обоснование концепции и принципов построения программного и информационного обеспечения; разработана база каротажных данных для решения задачи автоматизации обработки результатов ГИС; решены проблемы импорта, хранения и поиска разнородной информации, ее визуализации и вывода на печать; предложены принципы построения интерфейса взаимодействия базы данных с программами обработки и анализа каротажной информации; предложена модель НЛ для литологического расчленения пройденных скважиной пород; отработана и апробирована методика построения правил базы знаний; в результате проведения комплекса исследований по экспресс-интерпретации КД и сопоставлении их результатов с экспертными оценками выведены критерии, позволяющие использовать оптимальный набор методов каротажа для выделения нефтенасыщенных коллекторов с заданной точностью при использовании созданных алгоритмов, построенных на основе НЛ.
Практическая полезность исследования состоит в том, что впервые в результате комплексных исследований на практике реализована кибернетическая теория распознавания образов, реализуемая на основе принципов построения и функционирования систем искусственного интеллекта и математической теории информационных систем, позволяющих реализовать теоретические основы экспертных систем с помощью легко внедряемого и доступного при широкой реализации аппарата методов НЛ.
Применение ИСИ ГИС позволяет существенно сократить временные затраты при решении задачи литологического расчленения скважин за счет реализации современных достижений в области развития систем искусственного интеллекта. Это выражается в том, что найден магистральный путь отхода от решения классических уравнений математической физики, в частности, геофизики, и переходу к применению дискретных многофункциональных систем, использующих базы знаний и базы данных, позволяющих принимать решения на основе применения эмпирически обоснованных экспертных оценок. Данные возможности появились в результате реализации математической теории интеллектуальных систем на основе методов НЛ.
Настоящая работа обеспечивает необходимую базу для дальнейшего развития и совершенствования новых направлений обработки и интерпретации геолого-геофизической информации, построенных на математическом аппарате НЛ, с использованием материалов ГИС.
Реализация работы в производственных условиях. Разработанная при непосредственном участии автора ИСИ ГИС, построенная на принципах систем искусственного интеллекта и реализованная на математическом аппарате НЛ, в том числе технические и методические средства, направленные на повышение точности ее функционирования и универсальности, внедрена в ОАО «Удмурт-геология».
Результаты работы могут быть использованы в практике работы предприятий, занимающихся геологоразведкой и оценкой запасов нефтяного фонда, геофизическими исследованиями регионов.
Работа выполнялась в соответствии с планами хоздоговорных НИР, проводимых ИжГТУ с ОАО «Удмуртгеология» и ОАО «Белкамнефть».
Апробация работы. Отдельные законченные этапы работы обсуждались на Электронной заочной конференции «Молодые ученые - первые шаги третьего тысячелетия» (Ижевск, 2000); конференции «Приборостроение в XXI веке. Интеграция науки, образования и производства» (Ижевск, 2001); Научно-технической конференции ИжГТУ, посвященной 50-летию образования ИжГТУ (Ижевск, 2002); International conference Vibroingeneering 2002 (Kaunas, 2002); Международной научно-технической конференции "Информационные техно- логии в инновационных проектах" (Ижевск, 2000-2003); Научно-технических конференциях ИжГТУ (Ижевск, 2001-2003).
Публикации. Результаты работы отражены в 11 научных публикациях, из них: 9 статей в научно-технических журналах и сборниках, 2 тезиса докладов научно-технических конференций.
Структура и объем работы. Диссертация содержит введение, 4 главы и заключение, изложенные на 131 с. машинописного текста. В работу включены 31 рис., 7 табл., список литературы из 105 наименований и приложение, включающее акт об использовании результатов работы.
СОДЕРЖАНИЕ РАБОТЫ
Введение содержит обоснование актуальности темы, формулировку целей работы, основные положения, выносимые на защиту, и определяет содержание и методы выполнения работы.
В первой главе рассмотрены физические основы методов каротажа, особенности их применения для различных литологических структур регионов и условий проведения бурильных работ, приведены параметры регистрации показаний. Рассмотрены особенности интерпретации диаграмм отдельных методов каротажа. Проведен анализ существующих алгоритмов и программных средств обработки КД. Сделан анализ применимости программных средств моделирования и разработки систем НЛ к задаче интерпретации КД.
Во второй главе производится формализация задачи распознавания ли-тологической структуры разреза скважины посредством НЛ. Приводится описание алгоритмов предварительной обработки исходных данных. Раскрываются предлагаемые автором подходы к построению модели НЛ для интерпретации результатов ГИС, определяются методы построения базы знаний. Предлагается способ определения информативности методов каротажа.
В третьей главе приводится описание процесса создания и обучения системы НЛ на основе различных наборов методов каротажа, описание полученных результатов и оценка качества интерпретации. Определяется информа- тивность методов каротажа в зависимости от набора методов каротажа, по которому строилась система НЛ.
Четвертая глава содержит описание программного комплекса, созданного на основе теоретических зависимостей, определенных в результате эксперимента и состоящего из следующих модулей: данных, импорта-экспорта, предварительной обработки исходных данных, интерфейсного, интерпретации, интеллектуального и обучающего. Приведено описание функциональной схемы комплекса, структуры базы данных, алгоритмов функционирования.
Заключение содержит описание результатов исследований.
Классические методы интерпретации результатов ГИС
Широкое применение статистических методов для изучения геологических процессов было начато А.Б. Вистелиусом. Этим исследователем впоследствии были проведены важные работы по внедрению математических методов в геологию и использованию вероятностных моделей для описания геологических объектов и процессов. Значительный вклад в разработку качественной статистической интерпретации внесли Ш.А. Губерман, М.Л. Извекова и др., ко торые в 1960-70 годах использовали алгоритмы распознавания образов для решения задач промысловой геофизики [20, 41, 47, 53].
Классификация объектов с обучением [43]. Задачи классификации основаны на том, что в пространстве классы объектов с разными свойствами образуют контактные множества и поэтому могут быть определены границы между ними. Класс - это качественно однородная совокупность объектов. Каждый объект, относящийся к какому-либо классу, описывается несколькими параметрами {х}=(х\, х2, ..., хп). Совокупность всех переменных-параметров называется пространством признаков. Число признаков, описывающих объект, определяет мерность пространства.
Смысл классификации объектов заключается в построении критерия или решающего правила FKp{x] для отнесения объектов к разным классам.
С помощью такого подхода могут решаться задачи классификации пластов на водоносные и продуктивные, на коллекторы и неколлекторы, на разные литологические типы. В качестве параметров выступают различные геофизические характеристики, такие как диаметр скважины, радиоактивные характеристики, диэлектрическая проницаемость среды и т.д. Решение задачи классификации производится в три этапа: обучение, экзамен, распознавание.
На этапе обучения производится поиск границ между классами, на основании выборки классов, принадлежность которых к продуктивным или водоносным объектам достоверно известна. В результате обучения строится уравнение разделяющей гиперплоскости -FKp{;c} таким образом, чтобы пласты, относящиеся к одному классу, удовлетворяли условию F{x} FKp{x}, а относящиеся к другому классу - F{x} FK?{x}. Разработаны различные критерии для повышения точности интерпретации [78].
На этапе экзамена проверяется эффективность найденного решающего правила, на экзаменационной выборке, в которую входят пласты с известным характером насыщения, не участвовавшие в поиске решающего правила. На этапе распознавания производится классификация объектов, характер насыщения которых неизвестен.
Недостатки описанного алгоритма связаны, в основном, с недостаточной статистической выборкой данных. Для проведения обучения требуется представительная выборка пластов с достоверными результатами опробования. Применять данный алгоритм распознавания целесообразно на ранних стадиях разведки месторождений, пока еще не установлены четкие количественные критерии нефть-вода. Но на этом этапе нет достаточного числа опробований, чтобы сформировать представительные выборки по нефтеносным и особенно водоносным пластам. Достаточная информация может быть получена на поздней стадии разведки, но к этому моменту уже известно положение водоносных и нефтеносных пластов. Поэтому подключение программ распознавания, имеющих этап обучения, имеет смысл только при полной автоматизации процесса обработки геолого-геофизических данных по площади и при наличии хорошо развитых территориальных банков данных.
Классификация объектов без обучения. Принципы работы данного алгоритма были разработаны и реализованы Е.А. Нейманом в 1984 году, в программе КОБО - "Классификация объектов без обучения" [43]. Алгоритм состоит из следующих шагов:
1. Составляется таблица подлежащих классификации объектов (пластов, образцов керна), охарактеризованных различными геофизическими или петро-физическими признаками. Задается число классов, на которые надо разделить объекты. Выбираются объекты, которые могут быть центрами классов. Если нет никаких обоснованных соображений по выбору центров классов, то центрами задаются первые подряд идущие в таблице объекты.
Предварительная обработка исходных данных
Для машинной обработки используются каротажные данные, выражаемые по формуле (2.1), но представленные в дискретном виде. При использовании равномерной системы квантования значения gt определяется вдоль ствола скважины, от подошвы интервала к кровле, через заданный шаг по глубине Ah (0,1-0,2 м). Глубина любой точки ht определяется как
h\ - глубина первой точки; і - номер точки.
При неравномерном квантовании минимизируется число точек, в которых снимаются показания функции, исходя из требования, что непрерывную кривую gi можно восстановить с требуемой точностью. Система неравномерного квантования применяется крайне редко.
При преобразовании кривых с шагом квантования Ah точность их взаимной увязки по глубине, если они были зарегистрированы не одновременно, составляет величину Ah. Погрешность интерпретации также равна Ah, по причине того, что имеющиеся экспертные оценки, полученные на основании аналогового представления сигнала, не имеют шага квантования.
При снятии данных каротажа в показания методов вкрадываются погрешности. Погрешность Ах есть отклонение результата измерений от истинного значения величины х : Ах = х - х . Погрешности измерений возникают по различным причинам и имеют разный характер. Причинами погрешностей могут быть несовершенство методики, несовершенство инструмента измерения или человеческий фактор. По характеру погрешности делятся на систематические и случайные [76, 77].
Для любых видов измерений нахождение погрешности требует наличия точного значения определяемой величины. Для информационно-измерительной системы, представляющей собой процесс геофизического исследования скважин, таких эталонов нет и, возможно, не может быть создано.
Прямая информационная модель ГИС [43] подразумевает наличие известных зависимостей вида: где L - классификатор типа литологии; х , - точное значение геофизического метода.
Практическую ценность представляют такие литологические типы, как «нефтеносный коллектор», «водоносный коллектор», «глина», «твердая порода».
Задача литологического расчленения разреза скважины подразумевает нахождение обратного преобразования где ХІ - результат геофизических измерений.
Поскольку переход от измеренных значений геофизических параметров xt к истинным х і затруднен, необходимы дополнительные предположения для построения обратной задачи. Кроме того, не всегда удается найти точное решение обратной задачи из-за возникающих математических трудностей, что приводит к использованию приближенных формул и вычислительных процессов. В результате получаемые оценки свойств отличаются от истинных значений параметров. Эти отклонения составляют ошибку интерпретации.
Уменьшить ошибку интерпретации планируется за счет процедур предварительной обработки данных, которые позволяют уменьшить влияние погрешностей на результат измерения [15].
Адекватной работой в условиях неполной определенности характеризуются системы нечеткой логики. Предполагается, что часть погрешностей будет учитываться интеллектуальной интерпретирующей системой на основе нечеткой логики [82].
Смещения кривых по глубинам возникают из-за неточной разметки кабеля при проведении замеров, из-за влияния скважинных условий, из-за погреш ностей при оцифровке диаграмм [50]. Задача увязки кривых по глубине заключается в определении величины смещения диаграмм каждого вида относительно одной, принятой за опорную. Все известные алгоритмы автоматической увязки не решают задачу полностью.
Широко используются алгоритмы увязки методом взаимной корреляции и увязки кривых по этапам.
В алгоритме увязки методом взаимной корреляции определяется средний сдвиг показаний между двумя кривыми, одна из которых принята за опорную, другая - за увязываемую. Увязываемая кривая по отношению к опорной сдвигается целиком как единое целое. Близость увязки оценивается по функции взаимной корреляции [15]: где R(b)ij - функция взаимной корреляции на і-м шаге для у-го геофизического метода; х, - показания опорной кривой на і-м шаге квантования; у у - показания увязываемой j-ro метода; i=k..(k+n) - интервал увязки кривых в шагах квантования; 5 - сдвиг указываемой кривой, кратный шагу квантования.
Алгоритм увязки заключается в том, что на опорной кривой в любом месте выбирается характерный интервал порядка 30-40 метров. На увязываемой кривой в окрестностях выбранного интервала также фиксируется окрестность в п точек, и путем последовательного сдвига находиться интервал с максимальным значением функции взаимной корреляции.
Увязка кривых по этапам принимает мерой близости увязываемых кривых не квадратичную, а абсолютную характеристику:
Производные/ находятся численным дифференцированием по пяти точ кам: где А - шаг квантования. Максимальная сходимость конфигураций кривых соответствует минимальным значениям Р(Ь).
Для поиска сдвигов в разных интервалах кривых, имеющих разную величину и разный знак, и обеспечения устойчивости решения при больших невязках работа алгоритма организована в три этапа. На первом этапе осуществляется глобальная увязка кривых, для чего выбирается большое окно, где «=201 отсчет (40 метров). На следующем этапе шаг уменьшается до 101 отсчета (20 метров).
Обучение на нескольких методах каротажа
Входными данными для системы НЛ являются показания нескольких методов каротажаХ= {х }. Входные данные определены на интервале [0, 1].
При обучении на двух и более методах каротажа предлагается строить базу знаний по следующему принципу.
На области значений одного из методов определяется п нечетких множеств Аи А2, ... Ап. Функции принадлежности этих нечетких множеств щ, ц,2,. \in определяются по формуле (3.4), их параметры определяются подбором. Пример функций отображен на рис. 3.5 (метод NGR).
Для остальных методов каротажа задается Ъп нечетких множеств В и В2,... 53„, параметры их функций принадлежности %ь Ул,... Хз« также определяются перебором:
Нечеткие множества переменной вывода Yn, Ув, FHK задаются так же, как и при работе с одним методом каротажа (см. формулу (3.2), рис. 3.2.). База знаний системы НЛ содержит правила вида: значения первого метода каротажа; xj - значения остальных методов каротажа; B J - нечеткое множество, определенное на х/, у - переменная вывода;
Число классов п различно для разного количества методов каротажа, используемых при создании модели НЛ.
Перебор параметров функций принадлежности а,-, (3, функций принадлежности (3.4) осуществляется при помощи генетического алгоритма аналогично тому, как это было сделано при работе с одним методом каротажа. Параметры имеют область определения [0, 1]. Особь определяется по формуле (2.10).
Вещественные значения параметров, заложенные в генотип особи, также кодируются целыми числами по формуле (3.3).
Начальная популяция задается случайным образом. При генерации нового поколения используется принцип элитизма. Параметры генетического алгоритма приводятся в табл. 3.1.
Отличием поиска параметров функций принадлежности с помощью генетического алгоритма для модели НЛ, работающей с одним методом каротажа, от поиска для модели НЛ, работающей с несколькими каротажными методами, является то, что в первом случае число параметров, кодируемых в генотипе особи, равно 6, а во втором случае - 2-(3+1)-«.
Целевая функция формулируется аналогичным образом, как при работе с одним методом каротажа. В качестве целевой функции используется функция ошибки (2.9). Так как определение литологической структуры разреза ориентировано в большей мере на нахождение нефтеносных слоев, сначала происходит определение доли нефтеносных участков, определенных как нефтеносные, а только после этого вычисляется ошибка распознавания литологического состава по всему разрезу скважины.
Модель НЛ считается адекватной при 100% совпадении нефтеносных участков. При этом часть слоев, не являющихся нефтеносными, может быть определена как нефтеносные, но не наоборот.
Качество результатов интерпретации КД, показанных моделями НЛ, зависит от количества нечетких множеств п. В ходе работы определено оптимальное п в зависимости от количества методов каротажа К. Как показали исследования, дальнейшее увеличение п не вызывает существенного повышения эффективности распознавания:
Примеры функций принадлежности для систем НЛ, построенных на двух методах каротажа (NGR и DT, NGR и ВК) представлен на рис.3.5. Ведущим методом, для которого были определены п нечетких множеств А\,А2, ... Ап, являлся NGR. Для DT и ВК определялись параметры функций принадлежности нечетких множеств В\, Z?2v Bin. Количество нечетких множеств п равно 3. На рис. 3.6, 3.7 отображены функции принадлежности для моделей НЛ, построенных на двух методах каротажа, ведущим методом для которых являлся GR.
Разработка подсистемы импорта-экспорта
Подсистема импорта-экспорта предназначена решать следующие задачи: преобразование значений методов каротажа, представленных в файле формата LAS, в данные таблиц БД ИСИ ГИС; ввод в БД экспертных заключений по литологической структуре разреза скважины; занесение данных инклинометрии; сохранение значений таблиц БД во внешних файлах; обеспечение работы с различными входными и выходными форматами файлов.
Структура подсистемы импорта-экспорта разработана в соответствии с поставленными задачами.
Подсистема позволяет работать с данными, представленными как обычный текстовый файл, так и как файл в формате LAS. Поддерживаемые системой форматы входных и результирующих файлов описываются шаблонами, хранящимися в БД, и процедурами интерпретации шаблонов, подключаемых как динамически подключаемые библиотеки. Добавление нового формата файлов осуществляется добавлением соответствующих шаблона и библиотеки.
Подсистема импорта-экспорта выполнена в виде отдельного модуля. Функциональная схема представлена на рис. 4.4.
При работе модуля импорта-экспорта используется таблица TEMPLATES, содержащая шаблоны входных и выходных форматов файлов и данные, необходимые для подключения динамически подключаемых библиотек с процедурами интерпретации шаблонов.
При импорте кроме шаблонов и процедур интерпретации к исходным данным для работы модуля относятся файлы на внешнем носителе, содержащие информацию, которую необходимо занести в БД. Модуль вносит изменения в таблицы ZAKL (заключения), INKL (инклинометрия) и METHOD (каротажные данные).
При экспорте таблицы ZAKL, INKL и METHOD рассматриваются как исходные данные, а в результате работы модуля создаются файлы на внешнем носителе.
Работой подсистемы импорта-экспорта управляет пользователь в интерактивном режиме посредством подсистемы интерфейса. Связь с таблицами БД осуществляется через модуль данных.
Файл, записанный в формате LAS (LAS-avui), является стандартным и широко используемым средством передачи геофизической информации между программными и программно-аппаратными комплексами, используемыми в геофизических исследованиях и построении геологических моделей месторождений. Спецификация стандарта на файл в формате LAS дана в [67].
Стандарт .Ы -файла разбивает весь файл на несколько блоков в зависимости от типа записываемой информации и определяет основную структуру блоков. В то же время стандарт не регламентирует содержание и вид записи блока " (P)arameter information" (блок параметров), содержащего информацию о параметрах скважины и проведенных измерений, то есть не существует определенных соглашений на именование различных параметров измерений в этом блоке.
БД хранит документацию по скважине, часть параметров которой может соответствовать информации, записанной в блоке параметров LAS-файла, поэтому с целью максимально полного использования информации, относящейся к документации по скважине, была создана подсистема импорта таких файлов. Основным понятием, используемым подсистеме импорта, является шаблон LAS-файла. Шаблон представляет собой заголовок 5 -файла в котором с помощью условных обозначений явно показано, откуда должны быть прочитаны нужные параметры. Таким образом, если при чтении заголовка программа встретит в шаблоне условное обозначение, соответствующее какому-либо параметру, то будет выполнена подстановка условного обозначения реальным параметром из загружаемого LAS-файла. Наличие средств для создания и редактирования шаблонов позволяет оперативно настроить БД на импорт любого типа LAS-файла самим пользователем.
