Настройка произвольных многомерных петрофизических моделей на основе данных керна. Восстановление недостающего каротажа. Классификация пород. Прогноз геологических параметров в 3D геологических моделях.
Уникальные алгоритмы обучения нейронных сетей. Используется гибридное сочетание генетических алгоритмов и градиентных методов обратного распространения ошибки. Генетические алгоритмы включают в себя селекцию, обмен признаками и мутацию.
Скважинная петрофизика и геологическое моделирование. Кроме таблиц керна и кривых ГИС, на вход можно подавать трехмерные кубы, экспортированные из любого пакета геологического моделирования в формате GRDECL. В таком случае на выходе формируется куб с результатами прогноза, который можно импортировать в геологическую модель.
Интеграция с внешним ПО. Возможность экспорта обученной нейросети в файл открытого формата с целью ее повторного использования в модуле или во внешнем программном обеспечении.
Работа с неконсолидированными и зашумленными данными. Поисковый движок позволяет гибко настроить параметры поиска разбросанных по скважинам данных. А скриптовая фильтрация — исключить эксперименты с влиянием искажающих факторов.
Ключевые возможности
01
Линейная регрессия. Задача решается нахождением обратной матрицы. Данные с логарифмическим распределением (например, проницаемость) автоматически линеаризуются. Для стабилизации решения используется регуляризация Тихонова. Можно так же использовать результаты снижения размерности задачи на основе факторного анализа.
02
Нелинейная регрессия. Задача решается методом условной оптимизации на основе оценки функции невязки, вид которой можно задавать. Если исходная выборка зашумлена выбросами, то стабилизация решения достигается вводом в функцию невязки некоторой сублинейной функции, нивелирующей выбросы. Предложен ряд стабилизирующих функций, позволяющих подавлять выбросы в различной степени.
03
Нейронная сеть. Модуль использует полносвязную многослойную сеть с прямыми связями (deep feed forward). Этот класс персептрона хорошо подходит для задач, связанных с регрессией, классификацией, обработкой изображений и других типов задач. Настройка персептрона осуществляется экспертно, на основе анализа метрик качества результатов прогноза и графика процесса обучения нейросети. Высокая устойчивость решения достигается применением уникального способа обучения, сочетающего в себе как градиентные, так и генетические алгоритмы обучения.
04
Факторный анализ. Его идея проста — уменьшить количество переменных в наборе данных, сохранив при этом как можно больше информации. Меньшие наборы данных легче исследовать и визуализировать, а анализ данных становится проще и быстрее для алгоритмов машинного обучения. Результаты факторного анализа подаются на вход линейной регрессии.
05
Оценка качества модели. Предложен целый ряд показателей, каждый из которых предназначен для использования в различных ситуациях и имеет свои особенности применения. Стандартно оценивается математическое ожидание ошибки прогноза, выборочный парный линейный коэффициент детерминации и средняя абсолютная процентная ошибка. Дополнительно анализируются моменты статистических распределений, график процесса обучения, карты плотностей ошибки.
В качестве обучающей выборки использовалась таблица стандартных измерений на керне (Кп, Кво, Кпр). Задача решена тремя способами: нахождением коэффициентов системы линейных уравнений, нахождением коэффициентов модельной функции (Коатеса) и нахождением весовых коэффициентов персептрона. Для модельной функции использовалась стабилизация по Huber. Далее по найденным коэффициентам в заданной коллекции скважин сделан расчет проницаемости. В каждой скважине сформирован планшет с результатами расчетов. Пример планшета представлен на рисунке. На поле «Кпр» отображены точки керна (Кпр.керн) и три кривые — проницаемость по методике ТАВС (черная штрихами), проницаемость по нейросети (красная), проницаемость по линейной регрессии (зеленая), и проницаемость по результатам нахождения коэффициентов модели Коатеса (черная сплошная). Анализ результатов показал, что в чистых песчаниках прогнозные проницаемости достаточно хорошо совпадают. Расхождения увеличиваются в интервалах ухудшенных ФЕС. Проницаемость, рассчитанная по нейронной сети практически полностью совпадает с проницаемостью, рассчитанной по методике TABC.
В качестве обучающей выборки использовались кривые каротажа – ГК, ННК, АК, ГГКп. Для обучающей выборки задан фильтр по кривой каверномера – в неразмытых интервалах. Подбор конфигурации персептрона и других настроечных параметров осуществлялся экспертно на основе анализа графиков обучения и контроля качества (2 скрытых слоя по 10 нейронов в каждом). На основе анализа статистических моментов синтетической кривой определены коэффициенты ее эталонировки. Далее по найденным весовым коэффициентам в заданной коллекции скважин сделан расчет кривой ГГКп (RHOB). В каждой скважине сформирован планшет с результатами расчетов. Пример планшета представлен на рисунке. На поле «ГГК» отображены три кривые — зарегистрированная в скважине плотность (розовая), теоретическая плотность по методике ТАВС (синяя), и прогнозная плотность (зеленая). Анализ результатов моделирования показал, что нейронную сеть можно использовать в скважинах, где каротаж ГГКп не проведен.
Исходная выборка геологических данных для обучения модели прогноза величины Кнг включала параметры пространственного положения прослоя коллектора, структурно-минералогическую и флюидальную модели. На рисунке приведен разрез по ряду скважин с сопоставлением величин Кнг, определенных по данным ГИС (ESKS_prop.Sh – зеленая линия) и по нейронной сети (NEURO.Sh – красная линия). В некоторых узких интервалах красная и зеленая кривые расходятся. Превышение Кн по нейросети над Кн по данным ГИС хорошо коррелирует с интервалами обводнения пластовой водой, экспертно определенным на этапе интерпретации данных ГИС. В случае пресного обводнения в переходной зоне и ниже картина обратная. Поскольку регрессионная модель не содержит сведений об удельном электрическом сопротивлении породы, то она была использована для расчета начальных геологических запасов нефти.
Остались вопросы?
Оставьте свои контактные данные, и мы свяжемся с вами в ближайшее время для уточнения деталей
