Содержание к диссертации
Введение
1. Геологическое строение юрубчено-тохомской зоны (ЮТЗ) нефтегазонакопления 12
1.1. История освоения ЮТЗ 14
1.2. Глубинное строение ЮТЗ 19
1.3. Стратиграфия 23
1.4. Тектоника 31
1.5. Связь нефтегазоносности с тектоникой 38
1.6. Влияние траппового магматизма 39
1.7. Новейшая тектоника 44
1.8. Эволюция взглядов на модель строения Юрубчено-Тохомского месторождения 47
2. Методология (последовательность процедур) нейронного анализа 52
2.1. Распознавание образов и искусственные нейронные сети 52
2.1.1. Математические методы в геологии 52
2.1.2. Отличие нейросетевого подхода от классического распознавания образов 53
2.1.3. Использование комплексного нелинейного анализа
2.2. ГИС «GeolEdit» 57
2.3. Теоретические основы нейронного анализа
2.3.1. Слоистые и полносвязные нейронные сети 61
2.3.2. Активационная функция 62
2.3.3. Алгоритм обучения ИНС 63
2.4. Модификации алгоритма обратного распространения ошибки 65
2.4.1. Коррекция весов ИНС 65
2.4.2. Локальные минимумы 67
2.4.3. Коэффициенты значимости
2.5. Подбор конфигурации нейронной сети 70
2.6. Контроль качества обучения ИНС 75
2.7. Прогнозирование нефтегазоносности в ГИС «GeolEdit» 80
3. Выбор оптимального набора дистанционных характеристик для решения задачи прогнозирования 82
3.1. Обзор методов выбора информативных признаков 82
3.1.1. Корреляционно-регрессионный анализ 82
3.1.2. Метод главных компонент 83
3.1.3. Фрактальный анализ 85
3.1.4. Экспертные методы классификации 85
3.2. Критерии оптимальности и средства комплексного анализа 86
3.2.1. Критерий оптимальности набора признаков 86
3.2.2. ИНС как средство комплексной обработки данных 86
3.3. Оптимальный набор дистанционных характеристик для ЮТЗ 87
3.3.1. Использование космоснимков Landsat 91
3.3.2. Водоносность территории как критерий отбраковки ложных аномалий 93
4. Прогноз нефтегазоносности юрубчено-тохомской зоны нефтегазонакопления 95
4.1. Прогноз перспективных участков ЮТЗ при помощи ИНС 96
4.2. Сравнение с другими методами прогнозирования нефтегазоносности 99
4.3. Использование горизонтальных стволов 102
Заключение 104
Литература
- Тектоника
- Новейшая тектоника
- Использование комплексного нелинейного анализа
- Критерии оптимальности и средства комплексного анализа
Введение к работе
Актуальность проблемы и степень ее разработанности
Для повышения эффективности поисково-оценочных работ на
месторождениях Юрубчено-Тохомской зоны (ЮТЗ) представляется
целесообразным увеличить объем информации, используемой при выборе
точек заложения поисково-оценочных и разведочных скважин и их
горизонтальных стволов, за счет использования наряду с информацией,
получаемой при сейсморазведке и глубоком бурении, других
дистанционных методов и совершенствования методов обработки и геологической интерпретации такой гетерогенной информации.
При поисках, оценке и разведке сложнопостроенных
месторождений одновременно с накоплением огромных объемов
информации усложняется и ее структура. В практике геологоразведочных работ появляются новые методы, модифицируются традиционные, вс больший удельный вес в составе различных комплексов приобретают методы, позволяющие исследовать не один, а множество параметров, характеризующих геологический разрез, выделять среди них наиболее информативные.
Вместе с тем теория и практика комплексной интерпретации такой сложной по генезису и структуре информации совершенствуется недостаточно динамично. Развитие вычислительной техники позволило в
70х – 80х гг. прошлого века достичь значительных результатов, но большинство методов базировалось на «линейном» моделировании и «линейной» статистике.
Исследованные в настоящей работе месторождения Юрубчено-
Тохомской зоны нефтегазонакопления отличаются, как уже было отмечено,
особой сложностью геологического строения. Неоднородным является
коллектор, представленный доломитами и известняками рифейского
возраста. Наблюдается масштабное выщелачивание карбонатных пород.
Природа пустотного пространства полигенетична. Куюмбинское и
Юрубчено-Тохомское месторождения разбиты на блоки большим
количеством дизъюнктивных нарушений.
Приведенный и другие многочисленные примеры свидетельствуют об актуальности проблемы совершенствования технологий обработки геолого-геофизической информации.
В последние десятилетия во всем мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях (ИНС). Нейросетевой подход особенно эффективен в задачах экспертной оценки по той причине, что он сочетает в себе способность компьютера к обработке чисел и способность мозга к обобщению и распознаванию.
Схожесть с хорошо знакомым геологу методом аналогий и
распознаванием образов и в то же время возможность в автоматическом
режиме строить зависимость между исходным набором признаков и
прогнозируемыми параметрами делает этот метод особенно
привлекательным. Нейронная сеть представляет собой мощный инструмент для принятия эмпирически обоснованных решений в тех случаях, когда теория явления отсутствует или недостаточно разработана.
ИНС интенсивно используются в обработке изображений и нелинейном управлении, распознавании образов и адаптивной фильтрации, идентификации и финансовом прогнозировании. Согласно анализу, приведенному в «Основных концепциях нейронных сетей» (Р. Каллан, 2003), нейросетевой подход имеет, преимущества перед традиционными математическими методами в тех случаях, когда подлежащая решению задача в силу конкретных особенностей не поддается адекватной формализации, поскольку содержит элементы неопределенности. Именно такая ситуация возникает при решении широкого круга геологических задач. При решении задач такого класса приходится либо производить упрощение алгоритмов (что снижает качество решения), либо применять соответствующий нейросетевой подход, при условии, что он обеспечит нужное качество решения задачи.
Большинство важных задач нефтегазовой геологии сводится к распознаванию образов (Фотиади и др., 1967; Конторович, Фотиади, 1975; Конторович и др., 1972, 1981). К таким задачам можно отнести диагностику
геологических объектов по геофизическим полям, прямые методы поисков
залежей нефти и газа, районирование территорий с целью количественной и
качественной оценки перспектив нефтегазоносности, выявление
закономерностей пространственного размещения объектов, диагностику
различных видов фауны, диагностику нефтепроизводящих отложений,
реконструкцию условий осадконакопления по литологическим и
геохимическим особенностям осадочных пород и т.д. (Воронин и др., 1969; Черемисина и др., 1975; Конторович и др., 1981).
Стоит отметить, что применение ИНС в задачах распознавания образов достаточно широко используется в мировой практике: задачи оптического распознавания текста, распознавания лиц на кадрах видеоряда зачастую решаются именно нейросетевыми алгоритмами. Это позволяет рассматривать ИНС как инструмент для изучения закономерностей пространственного размещения объектов и нефтегазогеологического районирования недр.
Объектом исследований является рифейский нефтегазоносный комплекс Юрубчено-Тохомской зоны нефтегазонакопления.
Предмет исследований – закономерности пространственной локализации участков, благоприятных по геологическому строения для бурения глубоких скважин с промышленными притоками нефти и газа в пределах ЮТЗ.
Цель работы – повысить эффективность оценки и разведки сложнопостроенных месторождений нефти и газа Лено-Тунгусской нефтегазоносной провинции за счет применения нейронного анализа совокупности дистанционных характеристик геологической среды.
Для достижения поставленной цели необходимо решить задачу
обоснования методики оптимизации размещения поисково-оценочных
скважин в пределах сложнопостроенных нефтегазовых месторождений с
использованием нейронного анализа на примере Юрубчено-Тохомской зоны
нефтегазонакопления. Изложенное выше обосновывает целесообразность
использования искусственных нейронных сетей как инструмента
многофакторного нелинейного анализа данных для решения поставленной задачи. В качестве основных этапов е решения автор выделил:
-
подготовка базы данных для нейронного анализа (набор признаков и результатов глубокого бурения на исследуемой территории);
-
выбор параметров аппроксимации модели (число и мощность слоев нейронной сети);
-
обучение нейронной сети, построение модели пространственного распределения глубоких скважин на ЮТЗ, в которых получены промышленные притоки нефти и газа, прогноз не изученных глубоким бурением участков, наиболее вероятных для получения промышленных притоков нефти и газа.
Фактический материал и методы исследования:
Основой для настоящей работы послужил анализ опубликованных и фондовых материалов, результатов проведенных ГРР на территории Юрубчено-Тохомской зоны нефтегазонакопления, включающих:
цифровую модель рельефа;
результаты обобщения и интерпретации данных по гравитационному и магнитному полям (материалы ООО ГП «Сибирьгеофизика»);
результаты дешифрирования поканальных космических снимков Landsat-7 (разрешающая способность 15 м);
обобщение данных по результатам бурения и испытаний более 100 поисковых и разведочных скважин, пробуренных на анализируемой территории;
карту аномалий плотности линеаментов Юрубчено-Тохомской зоны нефтегазонакопления, сформировавшихся в доальпийские тектонические этапы.
Научная новизна
-
Разработана методология нейросетевого прогнозирования для задач нефтегазовой геологии: предложены необходимые модификации алгоритма обратного распространения ошибки, направленные на стабилизацию процесса обучения искусственной нейронной сети и адаптацию для геолого-геофизических данных.
-
Выбран оптимальный набор дистанционных характеристик для нейронного анализа и решения задачи прогнозирования. В рамках настоящей работы оптимальным считается минимальный набор признаков, достаточный для выделения участков, перспективных на получение промышленных притоков углеводородов в вертикальных и горизонтальных скважинах.
-
Проведенные исследования позволили построить модель, пространственного размещения глубоких скважин с промышленными притоками нефти и газа в Юрубчено-Тохомской зонеы нефтегазонакопления и выполнить прогноз участков, перспективных для получения промышленных притоков углеводородов.
Практическая значимость
Построена карта прогноза нефтегазоносности и предложены
рекомендации по направлениям дальнейшей оценки Юрубчено-Тохомской
зоны нефтегазонакопления поисковыми скважинами, позволяющие
повысить эффективность оценки зон месторождений, для которых выполнен подсчет запасов по категории С2, новыми скважинами и осуществить перевод запасов из категории С2 в категорию С1.
Разработанная технология нейросетевого прогнозирования может
быть использована на других месторождениях Сибирской платформы, при условии правильного выбора информативных признаков, используемых при обучении искусственной нейронной сети.
Защищаемые положения
-
Адаптированная для задачи оптимизации размещения поисково-оценочных скважин на сложнопостроенных месторождениях нефти и газа последовательность процедур нейронного анализа (включающая создание формализованной геологической легенды, е наполнение оптимальным набором исходных данных в ГИС «GeolEdit»).
-
Минимально-достаточный набор параметров для решения задачи оптимизации размещения поисково-оценочных скважин в пределах ЮТЗ, включающий: цифровую модель рельефа, данные по гравитационному и магнитному полям, удельную протяженность и плотность отдешифрированных по аэрофото- и космоснимкам линеаментов; база данных о результатах испытаний пробуренных скважин.
-
Прогноз перспективных участков для заложения вертикальных скважин в пределах ЮТЗ (скважины Верхне-Юрубченская 1, Тычанская 1) и рекомендации по заложению горизонтальных окончаний (скважины Куюмбинская 232 и Куюмбинская 235).
Апробация работы
Основные положения диссертационной работы и результаты
проведенных исследований докладывались и обсуждались на научно-
практических конференциях «Перспективы развития нефтегазо
добывающего комплекса Красноярского края» (Красноярск, 2007 г.);
«Комплексирование геолого-геофизических методов при обосновании
нефтегазопоисковых объектов на Сибирской платформе (в Восточной
Сибири и Республике Саха (Якутия))» (Новосибирск, 2008 г.); «Методы
прямого прогнозирования залежей углеводородов» (Новосибирск, 2008 г.);
«Состояние, тенденции и проблемы развития нефтегазового потенциала
Западной Сибири» (Тюмень, 2009 г.); на IV, V и VI Международных
научных конгрессах «Гео-Сибирь» (Новосибирск, 2008, 2009, 2010 г.); на
III Всероссийской научно-практической конференции «Молодые в геологии
нефти и газа» (Москва, 2011 г.).
Итоги исследований отражены в 11 публикациях, в том числе две в
журнале «Геология и минерально-сырьевые ресурсы Сибири»,
рекомендованном ВАК при Минобрнауки России.
Степень достоверности полученных результатов
обеспечивается:
комплексностью методов исследований, в которые входили: анализ данных дистанционного зондирования Земли и геофизических исследований, результаты опробования скважин, а также применением современных специализированных программных комплексов для интерпретации и обработки фактического материала (ESRI ArcGis; Golden Software Surfer, GeolEdit и др.);
большим объемом использованного фактического материала, который представлен результатами проведенных геолого-разведочных работ на территории Юрубчено-Тохомской зоны нефтегазонакопления, результатами обобщения и интерпретации данных по гравитационному и магнитному полям, математической поверхности дневного рельефа; анализом новейшей тектоники с использованием поканальных космических снимков Landsat; данными о результатах испытаний более 100 скважин, пробуренных на анализируемой территории.
Структура и объем работы
Тектоника
Несмотря на большие объемы геолого-геофизических исследований, проведенных в 1960-1980-е гг., земная кора значительных территорий России, таких как Сибирская платформа, в том числе ее область сочленения с ЗападноСибирской плитой, остаются все еще недостаточно изученными глубинными сейсмическими методами. Достоверные данные о сейсмогеологическом строении земной коры необходимы для понимания общей структуры этих регионов и могут быть использованы для установления закономерностей размещения полезных ископаемых. Исследователи [75] подчеркивают, что необходима более точная информация о строении поверхности кристаллического фундамента (на уровне выделения структур 2-го и 3-го порядка) и Мохоровичича, их районирование по значениям граничной скорости. Знание скоростной характеристики земной коры может быть использовано для формирования представлений о ее вещественном составе
Результаты переинтерпретации большого объема данных профильных глубинных сейсмических зондирований по методике сейсмотомографии позволили установить сейсмоскоростные параметры разреза, выполнить структурное картирование по ряду внутрикоровых поверхностей и определить объемные характеристики основных составляющих слоистой модели консолидированной коры (рисунок 3).
Согласно [84] мощность вулканогенно-осадочного слоя в Байкитской антеклизе (по геотраверсу «Батолит») изменяется от 3 до 5 км. Стоит отметить, что стратификация сейсмических горизонтов осуществлялась с привязкой к глубоким скважинам, которые, как правило, вскрывают верхнюю часть рифейского комплекса, так что глубина подошвы рифейской толщи и ее мощность определялась лишь по характеру сейсмической записи. Рисунок 3 – Фрагмент «Карты рельефа поверхности консолидированной коры» под ред. В.С. Суркова, В.Л. Кузнецова, 2005 г. По современным данным (рисунок 4), поверхность фундамента прослеживается на глубинах от 8000 м (в прогибах) до 2300 м (северный склон Куюмбинского поднятия). Судя по изменению характера сейсмической записи на разрезе, можно предполагать блоковое строение Юрубченской площади, где в пределах отдельных блоков отсутствуют отложения рифея [31].
Изучение отложений рифея в обнажениях и по материалам бурения во внутренних частях Сибирской платформы дает возможность сделать следующие выводы: Вскрытые скважинами разрезы по вещественному составу и последовательности залегания хорошо сопоставляются с рифейскими толщами, обнаженными на ближайших окраинах платформы. В большинстве разрезов имеет место предвендский перерыв и размыв верхней части рифейских осадков.
Рифейские отложения западной и восточной частей Сибирской платформы имеют существенные различия: степень вторичной преобразованности пород рифея увеличивается в направлении с востока на запад; следы размыва рифейских толщ четко фиксируются только в западных разрезах; углы наклона пород рифея в восточной половине платформы незначительные, одинаковые с углами наклона вышележащих образований венда и кембрия, в западных районах угловое несогласие между этими отложениями фиксируется в большинстве разрезов.
Согласно Н.К. Губиной [23] это обусловлено различиями в возрасте консолидации западного (позднеархейско-раннепротерозойского) и восточных (катархейских-раннеархейских) крупных блоков фундамента. Слабая консолидированность фундамента в пределах западного блока привела к формированию крупных рифейских прогибов, накоплению рифейских толщ мощностью в несколько километров, промежуточной складчатости этих толщ.
Геофизические исследования и глубокие скважины, пробуренные в пределах Юрубчено-Тохомской зоны нефтегазонакопления, показали, что залегающие в основании осадочного чехла рифейские отложения, сложенные карбонатными, терригенно-карбонатными и терригенными породами, имеют весьма сложное пликативно-блоковое строение. Как и в большинстве разрезов Сибирской платформы, имеет место предвендский размыв рифейских осадков. В результате размыва уничтожена верхняя часть рифейских образований, а участками размыты и все породы рифея (рисунок 5).
Рифейский этап отвечает начальной стадии формирования осадочного чехла. В областях прогибания накапливались вначале терригенные, а позднее карбонатно-терригенные и карбонатные породы. Однако соотношение терригенной и карбонатной составляющих не оставалось постоянным. Иногда наблюдалось неоднократное чередование пачек существенно терригенных и существенно карбонатных пород. Достаточно высокая тектоническая активность рифейского этапа нашла отражение в мощности синхронных отложений, которая измеряется от 0 до 4 км и более, а также в наличие зон интенсивной дислоцированности рифейских отложений, перекрытых полого залегающими венд-кембрийскими горизонтами.
Стратиграфия рифея имеет слабую палеонтологическую основу, которая позволяет выделять только крупные стратиграфические подразделения – эратемы. Однако география находок ископаемых остатков и их незначительное количество не позволяет исследователям прийти к единой точке зрения по биостратиграфическому расчленению и корреляции рифейских отложений Сибирской платформы. Изотопные и хемостратиграфические методы применяются довольно широко, но их результаты слабо увязываются с биостратиграфией и корреляцией разрезов, что делает выводы во многом спорными [63].
Новейшая тектоника
Одним из пионеров внедрения математических методов и ЭВМ в геологию СССР был Э.Э. Фотиади. По его инициативе были созданы два научных коллектива: при Вычислительном центре СО АН СССР и в СНИИГГиМСе. Основной задачей было повысить достоверность, точность и детальность прогноза нефтегазоносности. И если первый коллектив (под руководством Ю.А. Воронина) сосредоточил свои усилия на разработке общей теории поисков полезных ископаемых, то коллектив СНИИГГиМС (под руководством А.Э. Конторовича) специализировался на совершенствовании основ количественной теории прогноза и поиска месторождений нефти и газа.
В работах А.Э. Конторовича [45, 46, 47, 48, 49, 50] большое внимание уделено геолого-математическому моделированию, теорико-вероятностной оценке ресурсов нефти и газа и внедрению математических методов в практику геологических исследований.
Расширение круга прогнозных задач нефтяной геологии, необходимость их формальной постановки и системного подхода к объектам прогноза (нефтегазоносным бассейнам, зонам нефтегазонакопления, ловушкам) требуют использования всей геолого-геофизической информации. Условно информацию можно разделить на два типа: во-первых, первичная геологическая информация – данные геологической съемки, результаты структурного и глубокого бурения, геофизические работы разных видов и масштабов; во-вторых, общегеологические представления и концепции (эмпирические и теоретические модели геологии), в рамках которых обрабатывается первичный фактический материал. В результате такой обработки возникает третья группа информационных показателей, отражающая геологическую модель конкретного объекта оценки (совокупность карт, схем и разрезов).
Основой для построения моделей является глубокий системный анализ закономерностей размещения залежей нефти и газа в хорошо изученных эталонах, принадлежащих к классу исследуемых объектов (нефтегазоносные бассейны определенного типа или зоны нефтегазонакопления или структурные ловушки конкретного нефтегазоносного комплекса определенного бассейна, его части и т.д.).
Большинство важных задач геологии сводится к распознаванию образов. К таким задачам можно отнести диагностику геологических объектов по геофизическим полям, прямые методы поисков залежей нефти и газа, разделение «рудных» и «безрудных» интрузий по химическому и петрографическому составу слагающих их пород, диагностику различных видов фауны, диагностику нефтепроизводящих отложений, реконструкцию условий осадконакопления по литологическим и геохимическим особенностям осадочных пород и т.д. [8, 47, 114].
В практике работ СНИИГГиМСа по геолого-математическому моделированию широко применяются различные алгоритмы распознавания: «Энтропия» [48], «Голотип» [18, 19] и др. Все алгоритмы можно разделить на две большие группы: статистические методы, построенные на использовании идей теории статистических решений и эвристические методы, построенные, по существу, на принципе аналогии, основанном на предыдущем опыте.
Математический аппарат искусственных нейронных сетей развивает и дополняет теорию распознавания образов.
Под образом обычно понимается множество объектов определенного класса. В простейшем случае, говоря о задачах нефтяной геологии, можно районировать территорию, разделив ее на перспективные и «пустые» зоны. Возможно выделение большего числа классов, например, земли, с плотностью запасов менее 25, от 25 до 50, от 50 до 100 и более100 тыс.т / км2.
Процесс распознавания образов – это процедура отнесения объекта к одному из образов по комплексу признаков, замеренных на нем. Постановка задачи прогноза нефтегазоносности как задачи распознавания образов позволяет формализовать традиционную для геологии процедуру рассуждений по аналогии. При этом крайне важным является выбор решающего правила, позволяющего по набору признаков отнести объект к тому или иному классу.
Формальному совершенствованию исходных теоретических представлений в геологии и выработке на этой основе удовлетворительных с точки зрения математики постановок основных задач геологии и геофизики посвящены монографии [15, 16]. Однако одной формальной постановки задачи недостаточно: для успешного решения задачи распознавания необходимы 2 условия: достаточный для разделения исходного множества объектов на классы набор признаков и алгоритм (решающее правило), позволяющий проводить такое разделение. В статье [48] много внимание уделяется необходимости совершенствования методов решения задач распознавания, и особенно, выбору решающего правила для эвристических алгоритмов.
Важным отличием нейросетевого подхода от распознавания образов является то, что выбор решающего правила происходит автоматически по методу обратного распространения ошибки. Это можно сравнить с численным вычислением интеграла в отличие от аналитического его взятия. Обобщенное дельта-правило, предложенное в 80-х годах прошлого века Rumelhart [119] стало основой алгоритма, позволяющего итерационно корректировать веса нейронной сети, минимизируя ошибку. Это позволило «обучать» нейронную сеть, самой подбирая решающее правило исходя из представленного набора образов.
Использование комплексного нелинейного анализа
С развитием вычислительной техники возросла перспективность использования ИНС как средства многофакторного анализа и обработки информации. Теоретически, каждая непрерывная функция N переменных, заданная на единичном кубе N-мерного пространства, представима с помощью операций сложения, умножения и суперпозиции из непрерывных функций одного переменного [42]. Это является основой применения нейронного анализа, характерными чертами которого являются: гибкая модель для нелинейной аппроксимации многомерных функций; прогнозирование временных рядов (средство прогнозирования во времени для процессов, зависящих от многих переменных); классификатор по многим признакам, дающий разбиение входного пространства на области; средство распознавания образов; инструмент для поиска по ассоциациям; модель для поиска закономерностей в массивах данных. Перспективность использования нейронного анализа данных также подчеркивается свободой от ограничений обычных компьютеров благодаря параллельной обработке и сильной связанности нейронов: если техника «шагнет вперед», то разработанные алгоритмы будет легко к ней адаптировать.
Вс вышеизложенное обосновывает выбор именно ИНС как средства многофакторного нелинейного анализа данных. Однако остается открытым вопрос, какие именно параметры необходимо подавать на вход ИНС для получения качественного прогноза.
Выбору набора информативных признаков посвящены работы многих исследователей [39, 45, 80 и др.]. На практике оказывается трудным указать набор, необходимый и достаточный для решения задачи распознавания образов.
А.Э. Конторовичем отмечается, что даже если выбранный список признаков позволяет решать задачу прогнозирования, никогда нельзя быть уверенным в том, что он является оптимальным в смысле надежности прогноза или в смысле стоимости (затраты на сбор информации) [48]. Поэтому при решении геологических задач распознавания желательно и необходимо привлекать для организации признакового пространства генетические соображения, но при этом априорно не следует отдавать предпочтение ни одной из существующих теорий.
Опыт работ СНИИГГиМС на территории ЮТЗ [39] показывает, что: фактор неоднократного обновления заложенных некогда древних систем трещиноватости имеет ключевое значение для развития высокопродуктивных карбонатных коллекторов; наблюдается прямая зависимость между наиболее активными неотектоническими зонами, плотностью линиаментной сети и дебитами скважин. Особенно это относится к месторождениям или перспективным площадям, где есть или ожидаются нефтегазопродуктивность мозаичного или фрагментарного характера: высокодебитные по нефти скважины расположены в зонах с наименьшей плотностью пород, а скважины с минимальным дебитом нефти, как правило, расположены в зонах повышенной плотности пород. Эта связь наиболее закономерна в зоне повышенной проницаемости пород; локализация высокопродуктивных участков контролируется во многих случаях в пределах Сибирской платформы зонами дезинтегрированных локальных поднятий, испытавшими в новейший тектонический этап активный подъем; на картах азимутальных направлений отдешифрированных линиаментов и обновленных разломов в районе таких построек выделяются тектонические нарушения, имеющие северо-северо-восточное простирание. По данным статистической обработки полевых замеров зон трещиноватости в естественных обнажениях горных пород, северо-северо-восточное простирание этих зон преобладает на многих участках.
Исходя из этих соображений для обучения искусственной нейронной сети автором использовалась база данных по гравитационному и магнитному полям, математической поверхности и эрозионной расчлененности дневного рельефа, удельной протяженности и плотности линеаментов, отдешифрированных по аэрофотоснимкам, продуктивности пробуренных скважин.
В статье [27] показана эффективность использования именно этого набора признаков на Юрубчено-Тохомском полигоне 3D: для каждой дистанционной характеристики оценивался коэффициент значимости, который учитывался при построении комплексной модели. Этот коэффициент показывает корреляцию отдельных дистанционных характеристик с данными о результатах испытаний скважин, но не показывает комплексной многофакторной связи; тем не менее, его использование в процессе обучения ИНС позволяет улучшить качество получаемой модели. Далее строится нелинейная комплексная модель, связывающая указанный набор дистанционных характеристик с продуктивностью пробуренных скважин. Автор придерживается позиции исследователей СНИИГГиМС [97], что между источниками геофизических аномалий и геологическими неоднородностями земной коры существуют либо детерминистские (причинно-следственные), закономерно обусловленные, либо вероятностные связи. Провести однозначное соответствие между распределением аномалий любого параметра и, например, нефтегазовыми месторождениями, обычно не представляется возможным. И только комплексный анализ дистанционных характеристик позволяет выходить на решение основной задачи - прогноза нефтегазоносности.
При необходимости исследовать влияние некоторой новой характеристики исследуемой территории, проводится построение модели с использованием и без использования данной характеристики. Полученные результаты сравниваются, и делается вывод о целесообразности выбранного набора дистанционных характеристик для изучаемой территории.
Критерии оптимальности и средства комплексного анализа
Согласно последним данным испытания скважин, уровень нефтегазопродуктивности в границах ЮТЗ обусловлен изменчивостью фильтрационно-емкостных свойств рифейского резервуара, зависящей от степени его дезинтегрированности, определяемой в основном, архитектурой разломной тектоники и субвертикальных зон дезинтеграции. В работе [101] говориться, что залежи Куюмбинского и Юрубчено-Тохомского месторождений контролируются блоковыми системами, ограниченными крупными разломами различной кинематики, главным образом, сдвиговой природы и формирующими трещинное пространство продуктивных рифейских пород в результате интенсивных транстенсионных процессов поздненеоген-четвертичного времени (рисунок 27).
На карту прогнозной нефтегазоносности (рисунок 26) вынесены рекомендуемые ООО ГП «Сибирьгеофизика» поисковые скважины. Видно, что авторский прогноз подтверждает перспективность заложения скважин Верхне-Юрубченской 1 и Тычанской 1. Также в перспективные области попадает скважина второй очереди, расположенная северо-восточнее Куюмбинской-305 (давшей приток нефти).
Рекомендуемая поисковая скважина Турамская-1 не попала в перспективную зону нейросетевого прогноза. Это объясняется тем, что она отделена глубинным разломом, который вполне может играть роль экрана и препятствовать распространению углеводородов. Более точное определение перспектив нефтегазоносности северо-восточнее реки Турима возможно при расширении исследуемой территории в данном направлении и добавлении в обучающую выборку искусственной нейронной сети данных, характеризующих этот участок.
Сравнивая прогнозы недропользователей (рисунок 27) с авторским (рисунок 26), можно отметить, перспективность для дальнейшей разведки и поискового бурения северо-куюмбинской залежи, 1 блока Южно-Куюмбинской залежи, Терской группы залежей.
Согласно исследованиям М.И. Барановой [6], весьма перспективные зоны связываются с брахиантиклинальными складками, сопровождающими сдвиги (ориентированными, преимущественно, в субмеридиональном и северо-западном направлении к западу от Ангаро-Катангского сдвига, а с восточной стороны от Ангаро-Катангского сдвига складки имеют северо-восточное простирание) (рисунок 28). Они представляют собой зоны, трассируемые цепочкой малоамплитудных положительных структур, сопровождающих сбросо-сдвиги и местами вытянуты вдоль них. Размер складок, оцененный при интерпретации сейсмических профилей, составляет первые километры в длину и около 250 метров в высоту. В сейсмическом облике они отражаются близкими к изометричным зонами потери корреляции отражающих горизонтов, контролируемые разрывами. На карте индекса открытой трещиноватости рифейских горизонтов, эти складки сопоставляются с участками высоких значений открытой трещиноватости.
Наименее перспективной является грабенообразная, линейно вытянутая структура северо-восточного направления, в пределах которой пробурены скважины Км-15 и Км-223, показавшие отсутствие коллектора.
Сравнивая с полученными М.И. Барановой результатами, можно сказать, что большинство перспективных участков также подтверждается нейросетевым прогнозом. Исключение составляет область между скважинами Км-211 (фонтанный приток нефти приток из интервала 2525-2542 м дебитом 156 м3/сут на штуцере 14 мм) и Км-232, Км-235 (приток воды). Как отмечалось в главе 3, подпункт 3.3.2, тектонические критерии не позволяют оценить, чем заполнены потенциальные ловушки. С привлечением прогноза водоносности в качестве слоя признакового пространства позволило отбраковать данные положительные аномалии. Скважина Км-15 (не давшая притока) в авторской методике, также как у М.И. Барановой, находится в центре отрицательной аномалии.
В каверно-трещинных коллекторах часто оправдано заложение горизонтальных стволов в скважинах. Когда горизонтальные скважины бурятся перпендикулярно плоскостям природных трещин, создается отличная дренажная система для повышения добычи [53]. Выявление зон трещиноватости и определение ориентации трещин являются решающими условиями успешного проектирования скважин в таких породах. Скважины с боковыми стволами, перпендикулярными природным трещинам обеспечивают более высокую производительность, чем вертикальные скважины после гидроразрывов пласта.
По последним данным [12, 13] технология горизонтального бурения требует значительных доработок и в условиях сложного карбонатного коллектора ЮТЗ на практике пока не позволяет бурить по продуктивному нефтяному пласту в режиме депрессии. Однако уже по первому объекту апробации «технологии управляемого давления» явно виден прирост суммарной проницаемости вскрытого коллектора, что является аргументом в пользу ее дальнейшего применения.
Говоря о прогнозировании эффективности заложения горизонтальных стволов, следует отметить, что используемый в данной работе набор признаков не позволяет решить эту задачу. По мнению автора, для этого необходимо привлечение дополнительных тектонических критериев. В то же время, замечено, что в некоторых случаях прогнозируемые ИНС положительные аномалии вблизи скважин, не давших притока, оказывались как раз по направлению наиболее эффективного заложения горизонтального ствола (определенному по кубу трещиноватости). Так, в малодебитной (30 м3/сут) скважине Юр31 был заложен горизонтальный ствол в северо-западном направлении, что позволило увеличить дебит более чем на 100 м3/сут. Если посмотреть на прогнозную карту (рисунок 26), то видно, что для этой скважины как раз имеется положительная аномалия со значением 100-200 северо-западнее точки заложения скважины.
Еще один важный на взгляд автора пример – разведочная скважина Км-220. После окончания строительства скважина Км-220 была передана для проведения длительных исследований горизонтального ствола в интервале 2471-2762 м для определения характеристик нефтяной Южно-Куюмбинской залежи – I. За время исследования проводился отбор нефти (пробная эксплуатация). Конечные параметры исследования: дебит нефти – 36-37 м3 /сут, обводненность около 20 %. Всего за 2005 год набрано нефти в объеме 1727,3 тонны [35, 36]. Согласно авторскому прогнозу (рисунок 26), место заложения этой скважины, а также значительная часть территории около нее малоперспективна с точки зрения нефтегазоносности. Такой вывод согласуется с относительно низкими притоками из скважины, даже с учетом е горизонтального окончания.
Для рассмотренных ранее скважин Км-232 и Км-235, согласно авторскому прогнозу (рисунок 26), возможно заложение горизонтальных окончаний в северном и северо-восточном направлении соответсвтенно. Тем не менее, в рамках настоящей работы вопрос об эффективном заложении горизонтальных стволов не рассматривался. Это может стать целью дальнейших исследований