Применение искусственных нейронных сетей для классификации сейсмических фаций

Описание резервуара и набора данных

Месторождение Западная Курна (The West Qurna) – гигантское многомиллиардное нефтяное месторождение в Южной Месопотамии с многочисленными карбонатными и терригенными коллекторами.

Общая структура месторождения представляет собой наклонную с севера на юг антиклиналь, крутую на западном фланге и пологую на восточном.

Основным добывающим пластом является Среднемеловой Мишрифский коллектор. Резервуар состоит из мощных карбонатных толщ (примерно 250 м), залегающих на мелководной платформе, примыкающей к более глубокозалегающим нерезервированным карбонатным фациям, развивающимся в три стратиграфических последовательных блока второго порядка. Фации Мишрифа характеризуются пористостью более 20% и большим контрастом проницаемости от 10 до 1000 мД.

Детальное описание коллектора было определено на основе каротажей из скважин, исследований керна и сейсмических данных.

Осадочные фации и модель осадконакопления

Модель отложений Мишрифа может быть разделена на два типа карбонатных платформ: рифовый шельф и карбонатный скат. Палеодепозиционная модель колеблется от мелководных открытых морских до лагунных отложений. В соответствии с этой моделью осадконакопления фации Мишрифа можно разделить на четыре основные группы:

Неглубокие открытые морские фации;

Мелководные фации;

Рудистоносные фации;

Лагунные фации.

Методология исследования

Нейронная сеть – программа, которая приблизительно имитирует способ работы человеческого мозга, с его нелинейным, параллельным подходом обработки, обученная с использованием данных и алгоритмов. В настоящей работе для классификации и характеристики фаций Мишрифского водохранилища используются два типа архитектуры нейронных сетей: MLFN и PNN.

MLFN – широко используемая сеть, которая представляет собой форму контролируемого алгоритма машинного обучения (может быть использован для изучения нелинейных функций). Архитектура MLFN включает в себя входной слой, выходной слой и один скрытый слой (рис. 1), каждый из которых состоит из узлов. Выход этой сети обеспечивает один узел из-за предсказания свойств одной кривой.

MLFN используется для различных подходов (картирование и классификация) для определения коллекторских свойств (к примеру, пористости) и идентификации типов коллекторских пород.

PNN – метод математической интерполяции, которая использует архитектуру нейронной сети.

PNN можно использовать как для классификации, так и для картографирования. Вероятностный метод использует набор измерений одного или нескольких параметров, называемых независимыми переменными, для предсказания значения одной зависимой переменной. Эта математическая схема аналогична теории кригинга, которая принимает каждое новое выходное значение и может быть настроена как линейная комбинация обучающих данных.

Однако наиболее важной особенностью PNN является способность классификации извлекать уроки из огромных массивов данных и улучшать их значение посредством обучения.

Результаты

Классификация пород по типу керна. Керн и тонкие разрезы указывают на существование четырех типов пород-коллекторов:

· Высокопористый, высокопроницаемый тип породы (зернистый камень);

· Высокопроницаемый, умеренно проницаемый тип породы (пакстоун);

· Высокопористый, низкопроницаемый тип породы (пакстоун/вакстоун);

· Низкопористый, низкопроницаемый тип породы (аргиллит).

Классификация Сейсмических Фаций. Требуемые фациальные данные были предсказаны с использованием 3D-сейсмических данных. Кривые изменения фаций были основаны на кривых изменения пористости (большинство зон имеют хорошие показатели).

Фациальные кривые также были поделены на четыре категории. На основе характеристик признаков были применены два набора различных нейронных сетей (MLFN и PNN), для каждой из которых был сгенерирован набор данных.

PNN был применен к сейсмическим данным высокого разрешения с использованием акустических импедансов в качестве внешних атрибутов для прогнозирования литологии в межскважинной области. При применении этого инструмента к сейсмическим данным было выделено множество внутренних признаков и отобрано восемь оптимальных на основе корреляции и ошибок, поскольку они имели наименьшую ошибку валидации. Далее были определены композитные сейсмические следы в околоскваженной зоне. Методы MLFN и PNN были применены к этим следам для оптимизации параметров и сравнения результатов моделирования фаций с фактическими фациями из кривых скважин. На основе этих результатов были применены две методики для прогнозирования классификации литофаз.

MLFN была обучена с помощью набора сейсмических кривых генерировать 3D-объемы фаций для классификации фаций Мишрифа. При применении этого инструмента к сейсмическим данным аналогично PNN были выделены различные внутренние признаки, выбраны восемь оптимальных. Затем PNN был применен к тому же набору сейсмических данных для проверки первого алгоритма. После обучения исходных данных сейсмические данные и классы фаций были связаны друг с другом. Куб вероятности также был сгенерирован для получения условных результатов.

Полученная классификация фациального профиля предусматривает два типа фаций коллекторов, класс 1 и класс 2, сверху вниз по Мишрифскому водохранилищу. Это свидетельствует о высокой вероятности (более 80%) возникновения высокопористых коллекторских фаций. Следовательно, результаты фациальных классов MLFN недооцениваются.

Однако прогнозируемая классификация фаций, полученная с использованием PNN, обеспечила иную классификацию с четырьмя оптимальными типами пород-коллекторов (представляющими части рудных камней / зернистых пород, пакстонов, вакстонов и аргиллитовых фаций).

К этим классам относятся:

· фации высоких пород,

· фации средних пород,

· фации микропористых пород,

· фации низких пород.

Что касается вероятностного распределения фаций, то прогнозируемый класс микропористостой фаций формируется до 50-60% от типов горных пород Мишрифа. Таким образом, модель PNN имеет большой потенциал в характеристике фаций Мишрифа.. Предварительная информация из основных данных, геологических знаний и журналов скважин указывает на хорошую согласованность с этой классифицированной литологией (алгоритм PNN).

Различие в классификации между MLFN и PNN объясняется чувствительностью каждого метода машинного обучения, который был обучен с хорошим качеством всех типов пластовых пород в зонах Мишрифа.

В целом PNN был более реалистичным, чем алгоритм MLFN. Прогнозирование сейсмической литологии является ключевым фактором для моделирования условных фаций, поскольку оно влияет на динамические характеристики.

Источник: m.vk.com

Комментарии: