Ключевые слова: нейронные сети, сейсморазведка, прогноз, ФЭС, клиноформенные отложения.
Вопрос корректного определения коллекторских свойств при решении задач сейсмической интерпретации с привлечением методов машинного обучения в последние годы набирает актуальность. Решение таких задач имеет ряд сложностей по причине нелинейности и неоднородности геологической среды. Использование классических подходов – атрибутный анализ и инверсия – не в полной степени обеспечивает достаточную точность моделирования емкостных свойств и сильную корреляционную зависимость к прогностическим свойствам.
Главная задача – поиск функциональной аппроксимации сейсмических данных к данным каротажа с целью последующего распространения на всю площадь объекта.
Для нивелирования неопределенностей во время сейсмической интерпретации в данной работе использовался метод прогнозирования коллекторских свойств, основанный на анализе данных сейсморазведки и применении нейронных сетей Колмогорова [2].
Алгоритмы машинного обучения, интегрированные в ПО «IP-Seismic» («ООО «Лаборатория Приезжева»), уже использовались при прогнозировании свойств пласта [5, 6, 7] на нефтяных месторождениях.
Методы
В рамках решения задачи использовалось ПО «IP Seismic» («ООО «Лаборатория Приезжева»), при этом ключевую роль в процессе играли алгоритмы, основанные на нейронных сетях Колмогорова. Отличительной чертой нейросетей Колмогорова является сложная и глубокая структура, что выделяет их на фоне традиционных моделей нейросетей. В отличие от привычного метода построения архитектуры сети с прямыми связями, где слои нейронов последовательно обрабатывают и передают данные, нейросети Колмогорова обладают возможностью формирования более комплексной нелинейной структуры благодаря рекуррентной архитектуре, что позволяет осуществлять соединения между нейронами в различных конфигурациях, обеспечивая высокую эффективность обработки информации.
Входные данные одного нейрона могут стать выводами для другого, как показано на рис. 1. Каждый нейрон применяет уникальную нелинейную функцию к своим входам, что значительно увеличивает их гибкость. Благодаря наличию большего количества скрытых слоев, нейросети, разработанные Колмогоровым, способны более эффективно анализировать сложные наборы данных. Обучение этих сетей производится с использованием смешанного алгоритма, сочетающего в себе генетические и градиентные методы. Для достижения надежных результатов прогнозирования применяются методы, основанные на теореме о монотонности функций от Колмогорова и техники регуляризации по Тихонову.
В процессе работы можно прогнозировать распределение коллектора по скважинным данным, в 2D- и 3D-вариантах, а также другие ключевые параметры для оценки качества резервуара. Рекомендуется применение стохастического подхода, предполагающего создание множества прогнозов путем исключения определенных скважин из каждого расчета для изучения вариативности результатов. Данный подход позволяет генерировать кубы данных, отражающие различные уровни вероятности (P10, P50, P90), средние значения и стандартные отклонения, также глубинные кубы данных могут быть эффективно интегрированы в 3D-моделирование, служа объемным трендом для оценки и прогнозирования потенциальных изменений в трехмерной модели коллектора.
Применение нейронных сетей в прогнозных вычислениях можно разделить на два ключевых этапа.
Первый этап – обучение нейронных сетей, используя необходимый набор данных: значение прогнозируемого параметра, определенное в конкретной точке вдоль ствола скважины; вектор переменных, используемый для выполнения прогноза. В данном контексте этот вектор состоял из данных сейсмического по трассе заданного куба (или нескольких кубов) выше и ниже точки прогноза с параметром вдоль ствола скважины. Возможно использовать как и кубы, полученные по результатам инверсии, так и амплитудные кубы. Кроме того, возможно использовать кубы в глубинном масштабе, для того чтобы в дальнейшем использовать их при построении геологической модели
Обучающий массив может иметь большую размерность, так как в нем используются все точки на заданных скважинах. Выборка этих точек и диапазон зоны прогноза могут быть ограничены интервалом целевого пласта. Если заданный пласт можно разбить на пропластки дополнительными поверхностями, то эти поверхности также используются для определения низкочастотного тренда при прогнозе. В случае большого количества скважин на изучаемом участке предлагается использовать режим раздельного обучения нейронных сетей по каждой скважине, что позволяет получить набор отдельных обученных нейронных сетей, соответствующих каждой скважине. В процессе выполнения расчета результативного куба используются несколько нейронных сетей с ближайших к расчетной трассе скважин. Значения на этой трассе вычисляются как средневзвешенное по результатам применения нейронных сетей, с весом, обратным расстоянию до соответствующих скважин, и с учетом защитного радиуса, задаваемого пользователем. Количество ближайших скважин также задается пользователем.
Второй этап – вычисление прогнозных кубов на основе обученной на первом этапе нейронной сети. На вход нейронной сети подаются сейсмические кубы, которые использовались при обучении. Для оценки точности прогнозных построений используется кросс-валидационный подход, суть которого в выполнении многократных прогнозов на основе обучения на случайной части обучающего массива с удалением части скважин. В результате многократных прогнозов вычисляются кубы среднего прогноза стандартного отклонения P10, P50 и P90.
Прогноз свойств пласта
В процессе работы данный подход был протестирован на одном газоконденсатном месторождении, расположенном в ЯНАО. Метод нейросетевого прогноза применялся как тренд при построении геологической модели, и поэтому важно детально оценить результаты прогноза модели нейронной сети для дальнейшего планирования эксплуатационного бурения в условиях геологических неопределенностей.
Объектом исследования является пласт БУ16, характеризующийся сложным клиноформенным строением (рис. 2). Седиментологически отложения формировались в условиях дельты волнового типа, а залежь обладает структурно-литологическим и пластово-сводовым характером.
Из-за сложности строения пласта и недостаточной степени изученности отмечаются следующие неопределенности:
- малое количество скважин (8 разведочных скважин) и неравномерная сетка разбуривания в пределах месторождения (рис. 3);
- отсутствие универсального площадного атрибута для прогнозирования коллекторских свойств для пластов со сложным клиноформенным строением. При анализе атрибутов важными факторами для получения детального сейсмического тренда являются правильный выбор нарезки и окна для измерения атрибутов. Неверный выбор этих параметров может привести к упущению части информации о коллекторе, что, в свою очередь, снизит корреляцию между прогнозом и фактическими данными, делая результаты непригодными для включения в геологическую модель.
Одним из вариантов решения проблемы поиска связи между скважинными данными с сейсмической информацией рассматривается использование нейронных сетей Колмогорова для построения 2D- и 3D-тренда.
В ходе построения поверхностного тренда были получены карты распространения песчанистости. Расчет производился по алгоритму TNN regression. В качестве входной информации использовались результаты синхронной инверсии – упругие свойства (отношение скорости продольной и поперечной волны, акустический и сдвиговый импеданс). По итогам прогноза был получен двухмерный сейсмический тренд с сильной корреляционной зависимостью (0,92) со скважинными данными. Результаты представлены на рис. 4.
Однако у нейронных сетей есть свои недостатки, поэтому задача интерпретатора заключается в их решении. Для этого важно определиться с критериями, по которым будет оцениваться прогноз, в данном случае на качественном уровне важно оценить его адекватность с геологической точки зрения – убедиться в отсутствии аномальных значений в межскважинном пространстве, что подтверждает контрольную зону выклинивания пласта.
В рамках количественной оценки были выполнены:
- кросс-валидационный анализ – метод, который использует только часть скважинной информации для оценки влияния полученного прогноза на общее распределение. Результаты данного анализа представлены на рисунке 5, где приведено сравнение прогнозных значений для всех имеющихся значений, а также с исключением одной (13 % от общей выборки) и трех (37 % от общей выборки) скважин. По результатам сравнения видно, что даже при исключении до 37 % точек из обучения, прогнозные значения демонстрируют достаточно сильную корреляцию (0,64) с фактическими данными (рис. 5).
- анализ стабильности результатов – выявить потенциальную неустойчивость решения. При предоставлении идентичной информации для прогнозирования нейронные сети выдают значительно различные результаты на выходе при нескольких расчетах. Это препятствует повторяемости результатов моделирования, следовательно, делает использование карт при построении геологических является неприемлемым. Для снижения неопределенности используется встроенный алгоритм валидации, основанный на многократных прогнозах с частичным использованием скважин для обучения. Для активации данной функции был запущен процесс «validation option – number realization», где было установлено необходимое количество реализаций. В данном случае было рассчитано 25 реализаций и количество исключаемых точек из прогноза.
По результатам выполнения стохастических расчетов генерируются карта минимального, среднего, максимального прогноза значений песчанистости, стандартное отклонение прогнозов и карты P10, P50, P90. Для выявления корректности расчетов рассчитывалось отклонение между максимальным и минимальным результатом прогнозов, что составило 6,8 % (рис. 6).
Проверка прогнозных карт позволяет применять их в дальнейшем в геологической модели, но полученные карты не дают понимания о вертикальном распространении свойств в пределах пласта, в связи с этим выполнялась построение 3D-тренда. Прежде всего, стоит отметить, что 2D-построения выполнялись на основе сейсмических данных во временной области, а геологическая модель строится в глубинной области, поэтому для применения трехмерного тренда при конвертации временного куба важно корректно применить закон «время-глубина». Для этого с использованием карт изохрон и структурных карт строится трехмерная скоростная модель, с помощью которой сейсмический куб конвертируется в глубинную область. Преимущество использования куба вероятности распространения коллектора – при выполнении прогноза могут участвовать горизонтальные скважины, в двухмерном прогнозе такой тип скважин, которые не вскрыли всю толщу пласта исключаются из входных данных для обучения.
Этапы построения трехмерного прогноза
В качестве исходных данных использовались структурные карты с целью выделения целевой области прогноза – пласт БУ16. Также, как и при 2D-построениях, использовались кубы, полученные по результатам синхронной инверсии, упругие свойства, но только уже переведенные в глубинную область, и значения оцененного коэффициента песчанистости вдоль стволов скважин.
При выполнении прогноза с помощью нейронных сетей происходит последовательное выполнение этапов, начиная с обучения нейронной сети. Все коэффициенты в нейронной сети настраиваются с целью минимизации объективной функции.
Для внедрения элементов стохастических алгоритмов на каждой итерации обучения (проведено 25 итераций) из обучающей выборки исключалась определенная доля скважин (в данном случае 25 %). В результате такой обработки алгоритм генерирует вероятностные реализации кубов для оценки наличия коллектора (P10, P50, P90), куб среднего значения и куб дисперсии, которые отражают уровень неопределенности выполненного прогноза. По результатам для каждого из вариантов был рассчитан график обучения, про демонстрируемый на рис. 7, где красные кривые показывают уменьшение целевой функции; зеленые кривые – рост коэффициента корреляции в процессе обучения. В среднем коэффициент корреляции для всех вариантов обучения составил 0,82.
После этапа обучения выполнялось вычисление итогового куба распространения песчанистости. Данный куб преобразовался в дискретные значения «коллектор – не коллектор» на основе применения граничного значения, полученного по данным ГИС (рис. 8). В текущей реализации наблюдается хорошая сходимость синтетических кривых из прогнозного куба с данными ГИС (рис. 9), но не так детально, как по кривой ГИС. Данный аспект связан с отличием разрешающей способности данных геофизических исследований скважин с данными, полученными из сейсмической съемки. Прогноз имеет тренд распространения и в большинстве случаях повторяется со значением скважинной информации.
Заключение
Нейросетевой прогноз позволяет получить хорошую сходимость прогнозных и фактических значений по новым скважинам. Также предоставляет возможность получить довольно сильную корреляционную связь по пласту со сложным геологическим строением, полученный результат был проверен на корректность расчетов, так как нейронные сети имеют свои недостатки, эффект переобучения, которые в данном ПО удается избегать путем тестирования различных параметров регуляризации. И второе ограничение – поиск глобального минимума. Это ограничение в данном ПО удается минимизировать путем применения эволюционных алгоритмов.
Также преимуществом метода является возможность построить трехмерный прогнозный куб, достоинством которого является использование наклонных и горизонтальных скважин, данный подход является пригодным для целей сопровождения бурения скважин, принятия оперативных решений о корректировке траектории скважин с целью увеличения эффективности проходки.
Литература
1. Kobrunov A., Priezzhev I. Hybrid combination genetic algorithm and controlled gradient method to train a neural network // Geophysics. – 2016. – vol. 81. – № 4. – Pp. 1–9.
2. Приезжев И.И. Нейронные сети нового поколения на основе теоремы Колмогорова и их применение для прогнозно-инверсионных построений // ГеоЕвразия, Москва, 3–5 февраля. – 2020.
3. Priezzhev I., Shmaryan L., Bejarano G. Non-linear multi trace seismic inversion using neural network and genetic algorithm – «Genetic Inversion» // Annual Meeting St Petersburg, EAGE, Extended Abstracts. – 2008
4. Гайфулина Е.Ф., Решетников А.А., Швыдкой В.С., Дорохов А.Р. Стохастическая инверсия для включения сейсмических данных в трехмерное моделирование // Экспозиция Нефть Газ. 2022. № 8. С. 16–21. DOI: 10.24412/2076-6785-2022-8-16-21.
5. Пример использования нейронных сетей Колмогорова при прогнозировании свойств пласта Покурской свиты в Западной Сибири / И.И. Приезжев [и др.] // Геофизика. – 2022. – № 1. – С. 58–63. (дата обращения: 20.08.2024).
6. Приезжев, И.И. Интеллектуальный анализ геолого-геофизических данных (обзор применяемых алгоритмов) / И.И. Приезжев, Р.А. Ахметзянов // Геофизика. – 2023. – № 1. – С. 2–11. – DOI 10.34926/geo.2023.90.81.001. – EDN JSGWUX.
7. Селетков, И.А. Опыт применения машинного обучения при прогнозе геологического разреза по сейсмическим данным / И.А. Селетков, Д.А. Белышев, И.И. Приезжев // Геофизика. – 2021. – № 5. – С. 12–18. – EDN HOZCDW.
8. Муромцев В.С. Электрометрическая геология песчаных тел – литологических ловушек нефти и газа. – Л.: Недра, 1984. – 260 с.
