Технология нейронной инверсии для прогноза свойств резервуаров по сейсмическим данным

Татьяна Малярова, Роман Копенкин, компания Paradigm

На рынке программных продуктов для интерпретации сейсмических данных и построения геологических моделей появляется все больше разработок, использующих элементы искусственного интеллекта, передовая технология от одного из ведущих игроков в секторе геофизического сервиса компании PARADIGM позволяет вести уточнение параметров и свойств углеводородных резервуаров в условиях малого количества скважин и неполной информации об акустических свойствах среды.

Мозг человека является мощнейшим суперкомпьютером, обладающим колоссальными возможностями обучения, поиска и исправления ошибок, запоминания и нахождения решений. Сложность и многогранность человеческого мозга настолько велика, что смоделировать процессы, происходящие в нем, при помощи обычных компьютеров представляется достаточно сложной задачей. Тем не менее с течением времени и развитием технологий удалось создать искусственный нейрон, который обладает рядом упрощений и ограничений по сравнению со своим живым биологическим аналогом. Опираясь на строение слоистых структур мозга, были созданы искусственные нейронные сети (ИНС) — вычислительные системы, которые преобразуют информацию по образу процессов, происходящих в головном мозге.

На сегодняшний день ИНС успешно применяются в различных областях, где решают проблемы классификации и распознавания образов, аппроксимации функций, предсказаний/прогнозов, оптимизации и управления. Такие сети широко используются для решения разнообразных задач в науке, промышленности, медицине и т. д.

В области геофизических методов искусственный интеллект также нашел свое достойное применение. Сегодня разнообразные алгоритмы нейросетей используются в таких областях, как:

— редакция сейсмических трасс и корреляция первых вступлений;
— восстановление промыслово-геофизических кривых или их фрагментов;
— кластеризация каротажной информации и прогноз электрофаций;
— классификация сейсмических данных с получением сейсмофаций;
— преобразование сейсмических атрибутов в петрофизические параметры.

Решение перечисленных выше задач реализовано в ряде программных продуктов нашей компании, таких как Paradigm Stratimagic™, Paradigm Geolog® (Facimage), Paradigm Echos™ и Paradigm Vanguard™. Большинство этих технологий, наряду с целым рядом других методических подходов, нацелены на определение свойств резервуаров.

Инверсия для прогноза свойств резервуаров

В настоящее время для целей прогноза фильтрационно-емкостных свойств (ФЕС) коллекторов широко применяются различные алгоритмы амплитудной инверсии. При высоком качестве сейсмических и каротажных данных можно с большой достоверностью определять акустические свойства пластов, начиная с 5-7 метров их мощности. Большинство алгоритмов требуют наличие фоновой модели для добавления низкочастотной компоненты и ограничения в процессе оптимизации решения.

Особенно актуально построение детальной фоновой модели в сложных сейсмо-геологических условиях, где наблюдается литолого-фациальная неоднородность и значительная изменчивость ФЕС коллекторов. Однако данные акустического и плотностного каротажа, необходимые для создания фоновой модели, зачастую отсутствуют, либо количество скважин с необходимой информацией ограниченно. В этом случае стоит попробовать осуществить прямое преобразование сейсмических данных в куб петрофизического параметра, например коэффициента пористости, или в куб псевдокаротажа (ПС, ГК и т. д.) с использованием НС.

Процесс нейронной инверсии реализуется в несколько этапов:

— анализ данных и моделирование;
— обучение и подбор оператора преобразования;
— применение найденного оператора ко всему объему данных;
— интерпретация полученных результатов.

Наиболее важным этапом, предопределяющим эффективность и целесообразность проведения инверсии методом нейронных сетей, является анализ данных и оценка влияния изменений параметров пласта (мощность, пористость, плотность и т. д.) на волновое поле. Изучаемый интервал должен быть по возможности хорошо охарактеризован по площади петрофизическими параметрами в точках скважин, вскрывающих различные обстановки осадконакопления. Отдельные литофациальные зоны и изменение коллекторских свойств изучаемого интервала должны находить свой отклик в сейсмическом волновом поле. Только при выполнении всей совокупности этих условий можно ожидать установления тесных корреляционных связей между петрофизическими параметрами и сейсмическими данными, которые позволят рассчитать прогнозный куб с наилучшим приближением к реальной геологической модели.

До начала обучения необходимо убедиться в том, что сейсмические данные корректно увязаны с каротажной информацией и отражающие горизонты соответствуют определенным геологическим границам. В процессе обучения нейронных сетей осуществляется поиск связей между входными сейсмическими данными и скважинными кривыми. В отличие от общепринятой инверсии акустического импеданса, основанной на «сверточной модели», инверсия методом нейронных сетей использует статистический подход, в процессе которого устанавливаются многомерные нелинейные связи сейсмических и каротажных данных в точках скважин.

Получение более устойчивого решения в процессе преобразования возможно с привлечением дополнительных сейсмических атрибутов. Допускается использование как уже рассчитанных сейсмических атрибутов (акустический импеданс, AVO-атрибуты, углы или азимуты и др.), так и атрибутов комплексных трасс, которые рассчитываются «на лету» из входных данных. Чем больше атрибутов используется для расчета оператора, тем выше его размерность. В связи с этим для исключения избыточности и зашумленности данных можно включить в граф работы процедуру, реализующую анализ главных компонент.

Еще до этапа применения важно проконтролировать качество инверсии. Рассчитанные кривые петрофизических параметров сопоставляются с входными скважинными кривыми, что позволяет оценить полученный результат. На основании этого принимается решение либо о пересчете с подобранным оператором сейсмического куба в куб петрофизического параметра, либо об изменении параметров обучения.

После того как процесс обучения завершен, а выходные прогнозные кривые в точках скважин имеют хорошую сходимость с реальными каротажными кривыми, найденный оператор преобразования применяется ко всему кубу данных.

Опыт практического применения нейронной инверсии

В настоящей статье представлены результаты использования нейронной инверсии для прогноза свойств одного из пластов небольшого лицензионного участка на территории юго-восточной части Западной Сибири.

Для изучаемых нижнемеловых отложений в реальных геологических условиях наиболее информативным параметром является кривая ПС, которая, кроме разделения интервала пласта Б10 на «коллектор — не коллектор», позволяет также оценивать качество коллектора. Эффективные толщины пласта изменяются в широких пределах: от 8 до 22 метров. По сейсмическим данным, в интервале исследования наблюдаются, с одной стороны, яркие аномалии, с другой стороны — зоны ослабления амплитуд и интерференции (см. рис.1).

Изучаемый интервал по сейсмическим данным

Рис. 1. Изучаемый интервал по сейсмическим данным

С использованием кривых акустического и плотностного каротажей по одной из скважин было проведено моделирование, которое показало, что изменение петрофизических свойств изучаемого пласта находит свое отражение в волновом поле. Так, при условии глинизации пласта максимальный экстремум в значительной степени ослабевает. Анализ данных показал целесообразность проведения нейронной инверсии для изучаемого интервала.

Обучение проводилось по четырем скважинам из пяти вскрывших интервал исследования. Для контроля эффективности проводимого преобразования из обучения исключалась одна из скважин. Предварительно кривые ПС были сглажены в окне 5-7 метров для удаления высокочастотной компоненты и приведения к уровню вертикальной разрешающей способности сейсморазведки.

В процессе обучения кроме исходного сейсмического куба анализировались дополнительные атрибуты комплексных трасс (Signal Envelope, Cosine of Instantaneous Phase, Amplitude-Weighted Instantaneous Frequency, Differentiation).

После нахождения и расчета оператора инверсии сейсмический куб был преобразован в прогнозный куб псевдо-ПС (рис. 2).

Произвольное сечение куба псевдо-ПС

Рис. 2. Произвольное сечение куба псевдо-ПС

Оценка качества полученного куба показала хорошую сходимость по форме записи и абсолютным значениям извлеченных в точках скважин кривых псевдо-ПС с реальными кривыми ПС даже для скважины, не участвовавшей в расчете оператора.

Используя граничные значения ПС для коллекторов изучаемого интервала, в пакете VoxelGeo были проанализированы полученные результаты с использованием технологии прозрачности (рис. 3), автоматически выделен геологический объект, а также рассчитана карта распределения временной мощности минимальных значений ПС (рис. 4). Была отрисована прогнозная линия глинизации, ограничивающая песчаный пласт Б10 с северо-запада, которая с геологической точки зрения соответствует кромке палеошельфа, и определены три характерные зоны.

Выделение низкоамплитудных значений ПС

Рис. 3. Выделение низкоамплитудных значений ПС по заданным значениям

Карта временной мощности

Рис. 4. Карта временной мощности пониженных значений псевдо-ПС

Первая зона (I) выделяется в виде вытянутой с юго-запада на северо-восток области, проходящей через скв. 1, интерпретируется как зона с улучшенными коллекторскими свойствами, приуроченными к кровле пласта Б10. Другая зона (III) в юго-восточной части площади, напротив, связана с ухудшением коллекторских свойств и значительным уменьшением эффективной мощности изучаемого пласта, что подтверждает скв. 5. Зона II вскрыта скважинами 2, 3, 4 и вместе с незначительным ухудшением коллекторских свойств пласта Б10 по сравнению с первой зоной характеризуется высокими эффективными толщинами и переслаиванием песчаных и глинистых простоев.

В итоге, опираясь также на структурные построения и положение водонефтяного контакта, были выбраны наиболее перспективные точки под дальнейшее бурение. Нейронная инверсия в условиях малого количества скважин и неполной информации об акустических свойствах среды позволила уточнить геологическую модель пласта, спрогнозировать эффективные толщины и положение линий глинизации, а также выделить зоны улучшенных коллекторских свойств.

Заключение

Инверсия с использованием нейронных сетей имеет ряд преимуществ перед традиционной акустической инверсией. Этот метод является менее требовательным к входным данным, для преобразования достаточно суммарного куба амплитуд. Результат не ограничивается получением акустического или упругого импеданса, а предоставляет возможность напрямую получить информативные кубы петрофизических параметров, для которых существуют теоретические предпосылки установления корреляционных связей с сейсмическими данными (плотность, пористость, объем глин и т. д.). Использование в процессе анализа сложных многомерных и нелинейных связей создает предпосылки к нахождению более обоснованного решения.