Содержание к диссертации
Введение
ГЛАВА 1. Анализ существующих методов автокорреляции разрезов скважин и алгоритмов автовыделения пластов 11
1.1. Описание проблемы 11
1.2. Обзор и анализ существующих методов и подходов к автокорреляции 13
1.2.1. Системный подход к выделению объектов 13
1.2.2. Метод, основанный на принципе триангуляционных сетей 23
1.2.3. Метод, учитывающий «генетический признак» 33
1.2.4. Подход, основанный на DTW-анализе 37
1.2.5. Подход, основанный на анализе Фурье 39
1.2.6. Применение вейвлет-анализа при автокорреляции 40
1.2.7. Метод, основанный на системе правил 45
1.2.8. Подход, основанный на применении искусственных нейронных сетей 48
1.3. Обзор и анализ существующих программных комплексов 52
1.4. Определение основных направлений исследований 55
Выводы по главе 1 57
ГЛАВА 2. Разработка методики комплексной автоматизации процесса идентификации трехмерных геологических объектов 59
2.1. Выделение и автокорреляция пластов на основе теории нейронных сетей 61
2.1.1. Основы теории искусственных нейронных сетей 61
2.1.2. Выбор и предварительная обработка исходных данных 70
2.1.3. Реализация процесса выделения и автокорреляции пластов с применением искусственной нейронной сети 79
2.2. Выделение и корреляция песчаных тел в разрезе скважин с применением bar-кодов 88
2.3. Использование фациального анализа для корреляции песчаных тел 96
2.3.1. Корреляция с использованием нейросети с обучением «с учителем» 96
2.3.2. Корреляция с использованием нейросети с обучением «без учителя» 104
2.4. Построение структурного каркаса 105
2.5. Прикладное применение разработанной комплексной методики 105
2.5.1. Оценка степени гидродинамической связанности песчаных тел внутри пласта как путей фильтрации 105
2.5.2. Автоматический подбор геолого-технических мероприятий 108
Выводы по главе 2 110
ГЛАВА 3. Формализация методики идентификации трехмерных геологических объектов 112
3.1. Формализация процесса идентификации трехмерных геологических объектов 113
3.1.1. Выделение границ пластов 113
3.1.2. Корреляция пластов 115
3.1.3. Выделение песчаных тел в пластах 116
3.1.4. Корреляция песчаных тел 117
3.1.5. Построение структурного каркаса 127
3.2. Описание программного обеспечения 133
Выводы по главе 3 139
ГЛАВА 4. Практическое применение комплексной методики идентификации трехмерных геологических объектов 141
4.1. Описание месторождения 142
4.1.1. Геологическое строение 142
4.1.2. Состояние геолого-физической изученности 148
4.2. Проведение автоматической идентификации песчаных тел 150
Выводы по главе 4 171
Основные выводы и рекомендации 173
Список использованных источников 175
- Метод, основанный на принципе триангуляционных сетей
- Реализация процесса выделения и автокорреляции пластов с применением искусственной нейронной сети
- Выделение песчаных тел в пластах
- Проведение автоматической идентификации песчаных тел
Введение к работе
Актуальность темы
В настоящее время в сфере нефтедобычи «неавтоматизированными» или «низко автоматизированными» остаются нетривиальные задачи, которые сложно формализовать, и в процессе их решения часто получают неоднозначный результат. Одной из таких задач является процесс идентификации геологических объектов (пластов и горизонтов), под которым понимается расчленение разреза скважин на отдельные пласты и пропластки, корреляция выделенных горизонтов по скважинам с последующим построением единой согласованной структурной модели (каркаса) месторождения.
Процесс идентификации геологических пластов является основополагающей стадией геологического моделирования, и в свете повсеместного внедрения компьютерных технологий необходимо решать задачу оперативной корреляции разрезов скважин с использованием новых или совершенствованных, а также комплексных методик выделения стратиграфических отдельностей. Кроме того, только корректная идентификация пластов как путей фильтрации углеводородов в разрезе скважин позволит более эффективно вести выработку запасов нефти и газа.
В современных условиях при бурении и исследовании скважин получают значительный и «разнородный» объем геологической и геофизической информации, которая при ее интерпретации еще больше увеличивается в связи появлением не только конечных результатов, но и, например, их погрешностей. В таком случае, сложность процесса идентификации геологических объектов заключается в необходимости использования большого объема исходных данных для анализа, неоднозначности и спорности результатов, высокой степени геологической изменчивости на сложнопостроенных месторождениях, рутинности и ресурсоемкости процесса.
Существующие сегодня методические подходы, алгоритмы и программные комплексы, позволяющие оперативно выполнять определенные этапы процесса идентификации геологических объектов, имеют некоторые недостатки, в том числе ограничены степенью детальности выделяемых пропластков, условиями применения и использования исходных данных. При этом методики и модели, позволяющие проводить полный комплекс работ процесса идентификации трехмерных геологических объектов, отсутствуют либо обладают большим количеством недостатков и допущений, вследствие чего их применение ограничено.
В связи с этим разработка комплексной методики идентификации трехмерных геологических объектов, основанной на использовании расширенного набора исходных геологических данных, разносторонних математических подходов, является актуальной научной задачей.
Цель диссертационной работы
Обоснование комплексной методики идентификации трехмерных геологических объектов в разрезе скважин до уровня песчаных тел (фаций) как путей фильтрации углеводородов, включающей автоматическое выделение и детальную корреляцию пластов и пропластков в разрезе скважин с последующим построением единой согласованной структурной модели месторождения.
Объект исследования
Нефтегазовые месторождения Западной Сибири.
Предмет исследования
Неоднородные и расчлененные продуктивные пласты.
Основные задачи исследования
1. Определение задачи детальной автокорреляции разрезов скважин как основного этапа процесса идентификации геологических объектов.
2. Разработка комплексной методики идентификации трехмерных геологических объектов до уровня песчаных тел как путей фильтрации углеводородов.
3. Формализация этапов реализации методики и разработка программного модуля для идентификации трехмерных геологических объектов в разрезе скважин.
4. Апробация разработанной комплексной методики на месторождениях Западно-Сибирского осадочного бассейна.
5. Выделение качественных и количественных признаков, оказывающих влияние на эффективность и корректность выделения стратиграфических зон, в рамках разработанной и формализованной методики идентификации трехмерных геологических объектов.
Методы исследования
Поставленные задачи решались с использованием методов, основанных на положениях статистики, системного анализа, анализа и визуализации информации, структурного и объектно-ориентированного программирования, аппарата нейронных сетей. Для решения отдельных задач привлечены методы распознавания образов, статистического анализа, а также методы, основанные на геологических закономерностях.
Научная новизна
1. Предложена методика для идентификации трехмерных геологических объектов в разрезе скважин, основанная на учете максимального количества геологических исходных данных (материалы ГИС, сейсмические тренды и атрибуты, данные геолого-промысловых исследований) и реализованная с помощью комплексного математического аппарата, включающего искусственные нейронные сети.
2. Разработана комплексная математическая модель, позволяющая автоматизировать процесс идентификации трехмерных геологических объектов.
Основные защищаемые научные положения
1. Комплексная методика идентификации трехмерных геологических объектов, учитывающая расширенный набор геологических данных и позволяющая прогнозировать распространение отдельных фаций с построением единого структурного каркаса месторождения.
2. Формализованный алгоритм решения задачи идентификации трехмерных геологических объектов до уровня песчаных тел с использованием интеллектуальных методов обработки геолого-геофизической информации, который позволяет проводить детальное расчленение разреза осадочных пород и автоматизирует процесс межскважинной корреляции.
Теоретическая значимость работы заключается в обосновании возможности комплексирования в единую систему различных математических подходов и алгоритмов с целью прогнозирования распространения отдельных литофаций в пределах стратиграфического комплекса ранга «горизонт».
Достоверность научных положений, выводов и рекомендаций обеспечивается выполнением экспериментальных математических исследований с использованием первичных данных и широким внедрением на предприятиях.
Практическая значимость и реализация результатов работы
Методики, модели и программные модули, разработанные в процессе решения поставленных задач, нашли практическое применение при:
- выделении одновозрастных слоев на ряде месторождений с учетом обстановки осадконакопления и характера слагающих пород;
- выполнении подсчета запасов нефти и газа реальных нефтегазовых месторождений на этапе построения согласованной структурной модели месторождения с последующей успешной экспертизой проектов на научно-технических советах нефтегазовых компаний и государственной комиссии по запасам.
Результаты диссертационной работы успешно используются в текущей проектной и производственной деятельности ООО «УНК-Пермь», ООО «РН-УфаНИПИнефть», ООО «РН-Пурнефтегаз», ГАНУ «Институт нефтегазовых технологий и новых материалов», ООО «НТЦ Геопроект», а также в учебном процессе Уфимского государственного нефтяного технического университета на кафедре «Геология и разведка нефтяных и газовых месторождений».
Личный вклад автора состоит в постановке задач, их решении; выработке и комплексировании математических методик с целью разработки универсальных инструментов идентификации трехмерных геологических объектов; в проведении аналитических и экспериментальных исследований, обобщении их результатов, внедрении разработанной методики.
Апробация работы
Основные положения диссертации докладывались и обсуждались на:
60-ой и 61-ой научно-технических конференциях студентов, аспирантов и молодых ученых УГНТУ (г. Уфа, 2009 и 2010 гг.);
Международной научной конференции «Технические науки: традиции и инновации» (г. Челябинск, 2012 г.);
IX Всероссийской научно-технической конференции «Актуальные проблемы развития нефтегазового комплекса России» (г. Москва, 2012 г.);
V научно-практической конференции «Математическое моделирование и компьютерные технологии в процессах разработки месторождений» (г. Уфа, 2012 г.);
Основные положения и этапы работы обсуждалась на семинарах кафедры «Геология и разведка нефтяных и газовых месторождений» Уфимского государственного нефтяного технического университета.
Публикации
Основное содержание диссертации опубликовано в 12 печатных трудах, 3 из которых в рецензируемых изданиях, входящих в перечень ВАК Минобразования и науки РФ.
Структура и объем диссертации
Диссертация состоит из введения, четырех глав, основных выводов, списка использованных источников из 95 наименований; содержит 190 страниц, в том числе 74 рисунка, 5 таблиц и 3 приложения.
Разработка, апробация и внедрение методик и алгоритмов, представленных в диссертации, были бы невозможны без консультаций, помощи и критических замечаний со стороны ученых и производственников К.В. Абабкова, А.А. Яковлева, М.А. Фокина, Е.В. Симона и многих других, которым автор выражает свою благодарность.
Автор выражает искреннюю благодарность и особую признательность научному руководителю работы Ш.Х. Султанову за неоценимую помощь и поддержку при работе над диссертацией.
Метод, основанный на принципе триангуляционных сетей
Рассматривается геологическая модель площади, включающей многие десятки или даже сотни скважин. Решается задача уточнения этой геологической модели за счет выполнения более качественной корреляции скважин по данным ГИС.
Реализован следующий подход – точная и геологически обоснованная корреляция скважин выполняется вручную, но внутри автоматически созданной трехмерной визуальной среды.
Визуальная среда рассчитывается посредством интерполяции скважинных данных вдоль формальных квазистратиграфических поверхностей, что дает автоматическую корреляцию интервалов скважин по данным ГИС. Постановка задачи автоматической корреляции По точкам с координатами скважин на плоскости X,Y (или на поверхности некоторого горизонта) рассчитывается триангуляционная сеть. Отрезки триангуляционной сети определяют пары скважин. Коррелируются вертикальные интервалы пар скважин, имеющие протяженность 60-100 м и соответствующие друг другу по глубине.
Сопоставляя интервалы двух скважин, мы не знаем, какие стратиграфические горизонты присутствуют в обоих интервалах, а какие в одном размыты. Соответственно, мы не знаем, когда видимое сходство участков каротажных кривых направляет трассирование стратиграфической поверхности в правильном, а когда - в ошибочном направлении. Для одной пары интервалов эта неопределенность не может быть разрешена никакими формальными средствами. Выход состоит в следующем: в каждой паре интервалов мы будем фиксировать все возможные варианты (направления) корреляции, определяя для каждого варианта его количественную оценку (вес).
Выбор же одного, нужного нам «правильного» варианта в каждой паре, будем производить, используя всю совокупность пар и опираясь на два критерия: - все «правильные» варианты в парах должны быть согласованы на триангуляционной сети; - они должны иметь максимальный суммарный вес.
Удовлетворяющий данным требованиям набор вариантов корреляции интервалов будет решением задачи. С его помощью можно будет построить одну квазистратиграфическую поверхность, ассоциированную примерно с центрами интервалов и идущую параллельно самому выразительному в них ненарушенному стратиграфическому горизонту. Повторив расчет корреляции для чуть более глубоких интервалов, можно будет получить квазистратиграфическую поверхность на 30-50 м ниже предыдущей, и т.д. Стопка из таких формальных поверхностей позволит нам рассчитать упомянутую выше трехмерную визуальную среду. Этапы решения поставленной задачи Решение поставленной задачи разбивается на четыре этапа: I. Выделение альтернативных корреляционных предположений в парах скважин. II. Конструирование цепочек предположений вдоль сторон треугольников. III. Конструирование локальных гипотез вокруг узлов триангуляционной сети. IV. Согласование локальных корреляционных гипотез на всей триангуляционной сети. Далее каждый из названных этапов рассматривается подробно. I. Выделение альтернативных корреляционных предположений в парах скважин Перед выделением корреляционных предположений каротажные кривые приводятся к виду, допускающему их формальное сравнение. А именно, кривые ПС преобразуются в кривые альфа-ПС, кривые БК (с острыми пиками) логарифмируются, все кривые (кроме альфа-ПС) нормируются на среднее значение в интервале. При расчете корреляции интервалов скважин учитываются вклады, даваемые корреляцией кривых разных методов ГИС (рисунок 1.6).
Корреляция интервалов одноименных каротажных кривых
Формальное сравнение интервалов одноименных кривых производится посредством их наложения с переменным сдвигом по вертикали. Корреляция кривых при каждом наложении рассчитывается как обратное значение их разности. При нулевой разности корреляция равна 100. При разности (max-min) N корреляция равна 0 (max, min – минимум и максимум значений кривых в двух интервалах, N – число сопоставляемых дискретных значений).
Наложение каротажных кривых и оценка степени корреляции
Важное дополнение – корреляция кривых рассчитывается раздельно для малых фрагментов интервалов (выделено цветом), и далее учитываются вклады только тех фрагментов, в пределах которых корреляция выше заданного порога. В противном случае большое различие кривых вследствие размыва отдельных участков интервалов скрывает высокую степень корреляции ненарушенных горизонтов (рисунок 1.7). Вид функции корреляции и выделение корреляционных предложений Рисунок 1.7 – Наложение каротажных кривых Вид функции корреляции интервалов кривых показан слева. Ее аргументом является величина смещения интервалов друг относительно друга. Функция корреляции интервалов определяется как сумма функций корреляции кривых разных методов ГИС. При выделении альтернативных корреляционных предположений задается разрешение .
Реализация процесса выделения и автокорреляции пластов с применением искусственной нейронной сети
Максимальная сходимость конфигураций кривых соответствует минимальным значениям P(). 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 п=201 отсчет. На следующем этапе шаг уменьшается до 101 отсчета.
На третьем этапе осуществляется локальная увязка кривых в пределах одного кванта, при этом п=26. В качестве меры близости берется квадратичная характеристика:
Квадратичная мера дает более стабильные результаты, но точки с большой амплитудой показаний обладают очень большим весом. Использование абсолютной меры на первых двух этапах существенно уменьшает влияние на конечный результат аномальных показаний методов и не подавляет информацию об участках кривых с низкими и средними амплитудами.
Данный алгоритм является полностью автоматическим и не требует вмешательства специалиста. На рисунке 2.5 представлен результат работы алгоритма увязки кривых собственной поляризации (SP) и гамма-каротажа (GK) на примере одной из скважин Комсомольского месторождения компании ОАО «НК «Роснефть».
Статистическая стандартизация (данных ГИС) - это статистические методы устранения влияния различных факторов, затрудняющих сравнение показателей. Эти факторы можно условно объединить в три группы.
Во-первых, геофизические исследования скважин, выполненные за долгий период эксплуатации месторождений, были проведены аппаратурой различного типа, при измерениях применялись различные технологии, что трудно учесть из-за отсутствия достаточной информации.
Во-вторых, особенности скважинных условий, связанные с изменением технологии бурения разных скважин, также неодинаково сказываются на показаниях методов ГИС. До увязки SP, mV
К третьей группе факторов можно отнести всевозможные случайные ошибки, появляющиеся, например, на этапе оцифровки каротажных диаграмм. Влияние указанных факторов и несовершенство методик эталонировки скважинных приборов выражаются в смещении нулевых линий и искажении масштабов записи каротажных диаграмм. Таким образом, все это затрудняет качественную оперативную обработку исходных данных ГИС. Решение этой проблемы требует создания специальных средств преобразования исходных каротажных диаграмм в устойчивый стандартный вид. Эти преобразования подразумевают различные процедуры стандартизации, нормировки, калибровки, корректировки и нормализации диаграмм. В общем понимании, стандартизация – это математическое преобразование кривых ГИС, устраняющее смещение нулевых линий и искажение масштабов записи диаграмм. [93]
Статистическая стандартизация заключается в приведении входных данных кривой ГИС с множеством значений X={x1,x2,…,xn} к заданному математическому ожиданию и заданной дисперсии : где щ - математическое ожидание кривой ГИС , 2 - дисперсия кривой ГИС , І - множество стандартизованных значений кривой ГИС .
Также можно провести нормировку множества значений X кривой ГИС на заданные квантили, положив и равными соответствующим значениям.
Квантилем хр случайной величины , имеющей функцию распределения F(x), называют решение хр уравнения F(x)=p, рє(0,1). Квантили, наиболее часто встречающиеся в практических задачах, имеют свои названия: - 0,25-квантиль называется первым (или нижним) квартилем; - 0,5-квантиль называется медианой или вторым квартилем; - 0,75-квантиль называется третьим (или верхним) квартилем. Интерквартильным размахом называется разность между третьим и первым квартилями, то есть xo.75-xo.25. Интерквартильный размах является характеристикой разброса распределения величины и является робастным аналогом дисперсии.
Вместе медиана и интерквартильный размах могут быть использованы вместо математического ожидания и дисперсии в случае распределений с большими выбросами либо при невозможности вычисления последних.
Приведение входных данных кривой ГИС с множеством значений Х={хьх2,… ,хп} к заданной медиане и заданному верхнему квартилю , где І - множество стандартизованных значений, будет выглядеть следующим образом:
Нормировка (данных ГИС) - это корректировка ряда значений (обычно представляющих набор измерений) в соответствии с некоторыми функциями преобразования с целью приведения к одним условиям измерения для их количественного сравнения. Нормировка данных также требуется в случае несовместимости единиц измерений переменных. [53]
Для удобства расчетов и восприятия чаще всего ограничивают диапазон изменения данных на интервале от 0 до 1.
В статистической обработке данных широко распространены линейные нормировки по «минимаксу». Представим кривую ГИС как совокупность вектора глубин и вектора значений, представляющего собой функцию от вектора глубин
На рисунке 2.6 представлен результат работы алгоритма нормировки на примере кривой SP. Кроме того, это позволяет избежать некоторых проблем, возникающих при обучении НС: [51] - нейроны входного слоя могут оказаться в постоянном насыщении или будут все время заторможены; - весовые коэффициенты примут очень большие или очень малые значения, что приведет к значительному увеличению времени обучения и снижению точности; - возможна ситуация «паралича сети», при которой обучение вообще остановится. До нормировки SP, mV
Для использования тренда осадконакопления при автокорреляции предлагается следующий подход: при работе нейронной сети на выходе будет установлен дополнительный слой, который будет отвечать за согласование результатов кластеризации (классификации) с направлениями тренда. Причем для анализа будет использоваться не значение на определенных скважинах, а общее строение пласта. Рассмотрим этапы применения предлагаемого подхода.
Необходимо перейти от двумерного вида (карты тренда) к скважинному, для того, чтобы была возможность сравнивать и сопоставлять направление простирания пласта. Для этого необходимо снять значения с тренда на скважинах и нормировать данные.
Выделение песчаных тел в пластах
На основе анализа Западно-Сибирского бассейна осадконакопления были определены все возможные фациальные обстановки региона и выявлены последовательности и законы распределения данных фаций по разрезу и по площади. Реализация данного подхода к детальной корреляции, позволяет: - автоматизировать процесс идентификации и корреляции песчаных тел; - корректно прогнозировать простирание коллекторов и зоны выклиниваний; - обеспечить в качестве основы для автоматической детальной корреляции не статистические обработки, а непосредственно геологические показатели. Исходными данными для автоматизации фациального анализа служат: - выделенные интервалы песчаных тел в разрезе пласта в каждой скважине (с целью упрощения описания работы предлагаемой методики будем использовать один пласт в разрезе скважин); - результаты керновых исследований в виде привязки фациальной зоны к определенному интервалу (песчаному телу - фации); - матрица распределения фаций для данного бассейна осадконакопления (в нашем случае – Западная Сибирь); - преимущественное направление сноса материала в бассейне осадконакопления. Последовательность реализации предлагаемого подхода
На первом этапе с целью выделения фаций в интервале пласта используется аппарат нейронных сетей с обучением «с учителем». По результату работы пласт будет разделен на фации по вертикали в каждой скважине.
В данной работе с целью расчленения разреза скважин на фации предлагается использовать методику распознавания каротажных кривых [93], разработанную в ООО «РН-УфаНИПИнефть», при этом внеся в нее, разработанные в данной работе, дополнениями.
Таким образом, возникает задача разработки системы распознавания образов, позволяющей по данным каротажа скважин восстанавливать условия формирования осадков и осуществлять их прогнозирование.
Решение данной задачи сводится к проведению распознавания каротажных кривых и классификации путем сопоставления с эталонными данными диаграмм ГИС (в нашем случае с основными типами осадконакопления).
Исходя из теории нейронных сетей, для классификации предлагается использовать многослойный персептрон с обучением «с учителем» (используется метод обратного распространения ошибки - ОРО). По анализу публикаций последнего времени видно, что данный вид искусственной нейронной сети позволяет с максимальной точностью проводить обучение и распознавание [63-65]. В данном случае применение ИНС с обучением «без учителя» не целесообразно, так как заранее известны необходимые типы классов (в нашем случае фаций).
Проведенный анализ различных структур нейронных сетей в работе [93] (многослойные сети, сети с обратными связями и различным числом нейронов, классификаторов на основе нейронной сети) показал, что сделать однозначный выбора в пользу той или иной структуры нельзя, т.к. при соответствующем количестве нейронов нейронные сети способны обучиться и давать правильное решение с заданной точностью. Конкретный выбор структуры нейронной сети был основан на времени ее обучения, простоте реализации, а так же принимался во внимание тот факт, что эксперты-геологи были удовлетворены результатами распознавания нейронной сети (рисунок 2.14).
В качестве архитектуры нейронной сети была выбрана трехслойная нейронная сеть (персептрон), использующая метод обратного распространения ошибки (“two-layerfeed-forward network trained with backpropagation algorithm”). Входной слой нейронной сети не участвует в преобразовании информации, а выполняет функцию распределения входных сигналов между нейронами скрытого слоя. Число нейронов во входном слое равно числу подаваемых каротажных кривых. В скрытом слое число нейронов подбиралось опытным путем.
Параметры нейронной сети: количество входных нейронов - 2; количество нейронов скрытого слоя - 20; функция активации скрытого слоя - сигмоидальная; функция активации выходного слоя - линейная; - алгоритм обучения - Левенберга-Марквардта. При этом в качестве опорных моделей фаций, на которые необходимо классифицировать разрез, были использованы модели, разработанные и выявленные В.С. Муромцевым в книге «Электрометрическая геология песчаных тел литологических ловушек нефти и газа» [93], в которой седиментологические и электрометрические модели фаций устанавливались в различных нефтегазоносных бассейнах, сложенных терригенными осадками различного возраста. Сочетания обнаженных участков и многочисленных скважин позволили путем детальных комплексных исследований отложений наиболее характерных фаций определить последовательность смены палеогидродинамических уровней среды седиментации для каждой из них и установить их седиментологические модели
Проведение автоматической идентификации песчаных тел
Задана информация / о классах кг кп, описание множества М и описание I(S) объекта S, о котором неизвестно - к каким из классов Kv ...,к„ он принадлежит. Требуется по информации /, описанию I(S) установить для каждого у значение свойства 5 є Kpj = і, п. Определим образ на множестве М как некоторое подмножество близких измерений исследуемой системы. Будем считать, что система изменяется во времени с точки зрения исследователя случайно и ее изменения не представляют интереса, и лишь иногда на графике может появиться один из интересуемых образов. В этом случае задача заключается, во-первых, в определении области, где изменение неслучайно, а во-вторых, в определении типа возникшего образа.
Проблему классификации будем рассматривать применительно к решаемой задаче распознавания форм на каротажных кривых. На каждой скважине дано множество к каротажных кривых [xt хк},% є й„. На выборочных скважинах экспертом проводится фациальный анализ и формируется обучающая выборка (т - количество фаций): L = Кхі_,:.,хк,у)},Уі Є [1,2,-,m- 1] Требуется по предъявленным кривым остальных скважин поставить в соответствие каждой отметке глубины идентификатор фации, т.е. на предъявленной кривой выделить и классифицировать горные породы (фациальный анализ).
Реализация нейронной сети
Распознавание образов формально определяется как процесс, в котором получаемый образ/сигнал должен быть отнесен к одному из предопределенных классов (категорий). Чтобы нейронная сеть могла решать задачи распознавания образов, ее сначала необходимо обучить, подавая последовательность входных образов наряду с категориями, которым эти образы принадлежат. После обучения сети на вход подается ранее не исследованный образ, который принадлежит тому же набору категорий, что и множество образов, использованных при обучении. Благодаря информации, выделенной из данных обучения, сеть сможет отнести представленный образ к конкретному классу. Распознавание образов, выполняемое нейронной сетью, является по своей природе статистическим. При этом образы представляются отдельными точками в многомерном пространстве решений. Все пространство решений разделяется на отдельные области, каждая из которых ассоциируется с определенным классом. Границы этих областей как раз и формируются в процессе обучения.
Решение задачи распознавания образов с учетом специфики рассматриваемого временного ряда осуществляется в три этапа: 1) Подготовка и нормализация данных. Приведение кривых каротажей к заданному математическому ожиданию и заданной дисперсии в виду разброса их значений от скважины к скважине. 2) Выбор архитектуры и подбор параметров нейронной сети. Обучение нейронной сети по кривым каротажей, на которых была проведена интерпретация экспертом. 3) Предъявление нейронной сети тестовой выборки. Система формирует заключение относительно принадлежности каждой точки ряда образу некоторого класса. Структура и свойства искусственного нейрона
Нейрон - это составная часть нейронной сети. На рисунке 3.1 показана его структура. В состав нейрона входят умножители (синапсы), сумматор и нелинейный реобразователь. Синапсы осуществляют связь между нейронами и умножают входной сигнал на число, характеризующее силу связи, – вес синапса. Сумматор выполняет сложение сигналов поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента – выхода сумматора. Эта функция называется «функция активации» или «передаточная функция» нейрона. Нейрон в целом реализует скалярную функцию векторного аргумента. Математическая модель нейрона описывается соотношениями: где wi – вес синапса (i = 1, ..., n); b – значение смещения; s – результат суммирования; xi – компонента входного вектора (входной сигнал) (i = 1, ..., n); y – выходной сигнал нейрона; n – число входов нейрона; f – нелинейное преобразование. В общем случае входной сигнал, весовые коэффициенты и значения смещения могут принимать действительные значения. Выход y определяется видом функции активации и может быть как действительным, так и целым. Во многих практических задачах входы, веса и смещения могут принимать лишь некоторые фиксированные значения. Синаптические связи с положительными весами называют возбуждающими, с отрицательными весами–тормозящими.
Таким образом, нейрон полностью описывается своими весами wi и передаточной функцией f(s). Получив набор чисел (вектор) xi в качестве входов, нейрон выдает некоторое число y на выходе. На входной сигнал s нелинейный преобразователь отвечает выходным сигналом f(s), который представляет собой выход нейрона y. Примеры активационных функций представлены в таблице 1 и на рисунке 3.2.
Похожие диссертации на Обоснование комплексной методики идентификации трехмерных геологических объектов
