Description:

"'"', 'Инновационный гибридный алгоритм,', 'разработанный', 'для', 'повышения', 'качества', 'определения параметров по данным сейсморазведки (Innovative hybrid algorithm designed to enhance seismic characterization) Pascal Klein и Andy Peloso из Paradigm представляют метод для комплексной интерпретации свойств горных пород и флюидов путем классификации данных в кубы сейсмических фаций, используемые для описания и характеристики сейсмических неоднородностей и свойств.', 'Сейсмофациальный анализ выполнялся со времен использования сейсмических данных для задач E&P (разведка и добыча полезных ископаемых). Традиционный метод сейсмической интерпретации включает анализ сейсмических отражательных горизонтов, включая конфигурации (то есть сигмообразность, холмистость, и т.д.) и связанные с ними атрибуты (то есть амплитуда, частота, выдержанность, и т.д.). Эти модели и/или конфигурации картируются для создания карты сейсмических фаций. Эта методика, однако, достаточно медленна и очень зависит от навыков интерпретатора и ограничена двумя измерениями. С введением компьютеризированных методик анализа сейсмических фаций, этот процесс автоматизирован и может выполняться в трехмерном пространстве. Эти методики классифицируют все значения из наборов кубов сейсмических атрибутов по зонам, задаваемым пользователем, для создания куба классифицированных значений. Многоатрибутная сейсмическая методология классификации выполняет кластеризацию значений ряда входных атрибутов. Эти методики продолжают развиваться и играть важную роль в технологических рабочих потоках интерпретации в промышленности. В последние годы наблюдался взрыв в количестве сейсмических атрибутов, доступных для использования в E&P. Использование этих атрибутов помогает глубже анализировать и открыть важные особенности, от региональной геологии до детальных свойств пласта. Чтобы эффективно понимать множество сейсмических атрибутов, компания Paradigm разработала методики классификации для поддержки количественной оценки целей поисковоразведочных работ и повышения качества определения коллекторских свойств в проектах разработки месторождений (Peloso и др., 2005). Цель процесса классификации фаций состоит в том, чтобы описать характеристики в пределах сейсмических данных и связать эти характеристики с интерпретацией свойств горных пород и свойств флюидов, а также помочь при выделении качественных залежей углеводородов. Технология алгоритмов кластеризации более или менее приспособлена к управлению большим количеством объектов. Алгоритм Kсредних (K-means) дает бесспорные преимущества, потому что он позволяет интерпретатору выполнить сейсмическую кластеризацию в большом кубе данных за низкую цену. Однако его недостаток состоит в том, что он выделяет фиксированный набор кластеров, основанных на начальных центральных позициях. Напротив, иерархическая кластеризация (Hierarchical Clustering) семейство алгоритмов, которые могут быть классифицированы как детерминистические, дают те же самые результаты, используя те же самые данные. Кроме того, эти алгоритмы дают некоторую информацию о числе кластеров, которое можно использовать, но они плохо приспособлены к большим наборам данных. Фактически, алгоритм K-средних является дополнением к другим методикам кластеризации. Позволяя выполнять кластеризацию больших наборов данных, этот алгоритм допускает сокращение размера набора данных, предварительно выполняя группировку данных. По этим причинам был разработан гибридный алгоритм, чтобы приспосабливаться к кластеризации больших томов данных, состоящих из тысяч или десятков тысяч объектов. Этот инновационный подход есть комбинация двух методик кластеризации и соответственно называется Гибридной Кластеризацией (Hybrid Clustering) (Wong, 1982). Гибридная Кластеризация (Рис. 1) выполняется в три фазы: 1) Начальное разделение, где набор данных, который будет кластеризован первоначально разделяется для получения десятков и даже сотен векторов прототипов, которые оптимально представляют первоначальный набор данных, но с меньшим количеством объектов. В процессе работы алгоритма K-средних (Рис. 3) увеличивается разделение между группами для каждой итерации, в процессе которой создается разбиение заданного числа векторов прототипов, в зависимости от начального выбора средних центров. Эти векторы прототипов становятся основными элементами следующей фазы; 2) Иерархическая агрегация. Цель этого шага состоит в том, чтобы воссоздать кластеры, которые были фрагментированы, и агрегировать объекты вокруг их первоначальных центров. Иерархическая кластеризация этих векторов прототипов по возрастанию выполняется с конечным числом центров кластера, которые показаны в виде дерева (Рис. 2 и 3). При этом еще раз выполняется фаза уточнения Рис. 1. Гибридная Кластеризация сочетает способ K-средних и иерархическую кластеризацию. Способ Kсредних используется для начальной кластеризации и для уточнения результатов иерархической классификации.', 'Рис. 2. Диаграмма (двоичное дерево), показывающая результирующую иерархическую классификацию по возрастанию. Красная линия показывает разветвление дерева на две группы кластера. параметров по алгоритму K-средних. Эта оптимизация состоит в небольшой настройке центров кластера таким образом, чтобы они оптимально представляли объекты первоначального набора данных. Преимущества использования этой гибридной методики представлены ниже: 1) Фаза разделения была проектирована таким образом, чтобы удалить шум, содержавшийся в первоначальных данных. Векторы прототипа, выделенные в процессе этой фазы, скрывают шум от последующей иерархической кластеризации, которая проходит намного лучше в таких оптимизированных условиях и дает более выделяющиеся кластеры. 2) Понижение количества объектов в процессе фазы иерархической кластеризации имеет существенное влияние на требуемые объемы памяти и времени вычисления, что делает методику гибридной кластеризации очень привлекательной для больших объемов данных. Примеры применения типичный рабочий поток обычно начинается с анализа данных ГИС, если эти данные есть, и определения интервалов для классификации сейсмических фаций. Калибровка скважинных данных к сейсмическим данным ключевой момент рабочего потока и очень важная процедура для количественного анализа фаций. Расчет замещения флюидов и моделирование на основе анализа кроссплотов используется итерационно с целью анализа полученных кубов сейсмических фаций. На Рис. 4 и 5 показаны результаты применения описанной выше технологии на данных с месторождения LaPalma, опубликованные в журнале The Leading Edge (Linari и др., 2002). Это месторождение лежит в пределах нефтеносной провинции Colon Unit (юго-западный участок Бассейна Маракайбо) в Венесуэле. На Рис. 4 показаны два кроссплота атрибутов AVO (Индекс Флюида и импеданс P волн) после классификации. Левый кроссплот соответствует традиционной кластеризации, а правый — гибридной кластеризации. Обратите внимание, как кластеры данных и их соответствующие центры более эффективно описывают данные на основе гибридной модели кластеризации. На основе скважинных данных, водоносные и нефтеносные пески были связаны с различными классами сейсмических фаций. На Рис. 5 показан результат традиционной кластеризации в сравнении с соответствующим горизонтальным срезом куба фаций, полученного в результате применения гибридной технологии. Традиционная неконтролируемая кластеризация не в состоянии выделить какую-либо разницу между водяными (белый цвет) и нефтяными скважинами (зеленый цвет). Гибридная кластеризация определила различные классы сейсмических фаций для этих скважин. Заметьте, что тренд в направлении СВ-ЮЗ (коричневая фация) был вскрыт продуктивными скважинами и интерпретировался как нефтеносный песчаный нанос. Другим примером эффективности гибридной кластеризации является изучение карбонатного разреза. Цель этого проекта состояла в том, чтобы очертить распределение фаций, предсказать тип флюида и пористость этих карбонатных отложений на основе комплексирования информации по нескольким упругим атрибутам (AVO, Lambda-rho, Mu-rho) и каротажным данным. В процессе моделирования на основе скважинных данных параметры Lambda-rho и Mu-rho были чувствительны к изменениям в пористости карбонатных отложений. Путем классификации этих атрибутов с помощью гибридного алгоритма, компании Paradigm удалось идентифицировать и предсказать пористые зоны в карбонатных отложениях (Рис. 6). Интерпретируемые пористые зоны показаны красным цветом в пределах карбонатных отложений, в то время как увеличение пористости в более богатых доломитовых породах было выделено в синюю зеленую фации. Продуктивные скважины показаны черным цветом, а непродуктивные скважины — синим цветом. Все продуктивные скважины (черный цвет) в гибридном кубе фации (Рис. 7), кажется, попадают в интерпретируемую красную фацию (большая пористость). Исключение составляет продуктивная скважина на западе (зеленая фация), которая интерпретировалась как более доломитизированная. В традиционном кубе фаций справа не видны различия между продуктивными и водяными скважинами, и поэтому его намного труднее интерпретировать.', 'Рис. 3. Модельный пример: выделение кластеров методом K-средних. a) Начальные условия PCA; b) Первая итерация; c) Вторая итерация.' Ключевые слова: красный, seismic, показать, кластеризация, объём, выполняться, инновационный, eage, флюид, тема комплексный, алгоритм, гибридный алгоритм, основа скважинный, параметр, отложение, метод, предел, характеристика, процесс, azbel, набор дать, кроссплот, скважинный дать, методика, комплексный подход, технология, приспособить, соответствовать, amer, карбонатный, гибридный кластеризация, карбонатный отложение, использовать, clustering, продуктивный, месторождение, дать, показанный, давать, вектор прототип, связанный, гибридный, продуктивный скважина, итерация, фаза, набор, сейсмический атрибут, интерпретация, выполнять, импеданс, первоначальный, цвет, вектор, сейсмический дать, иерархический кластеризация, июнь специальный, образ, разработать, peloso, результат, комбинация, рабочий, основать, куб, определение, центр, применение, выделить, атрибут, скважина, прототип, пористость, фация, сейсмический фация, интерпретировать, моделирование, использование, количество, иерархический, зона, тема, свойство, цель, break июнь, сейсмический, классификация, paradigm, объект, поток, дерево, основа, куб фация, кластер, комплексный, hybrid, июнь, начальный, break, скважина показать, анализ, специальный, подход, традиционный, порода, wong, разделение, значение, скважинный, интерпретироваться, оптимальный, специальный тема