Шпаргалка по "Геофизике"

     Эффективным приемом  сейсмостратиграфического анализа является построение палеосейсмических разрезов. Палеореконструкция исходного разреза, выравнивает на нем сейсмические горизонты между соседними СК путем введения в трассы относительных статических сдвигов. Это предполагает отложение осадков вдоль подобного горизонта при практически горизонтальном дне морского бассейна. Такое выравнивание исключает из разреза постсидементационные тектонические деформации осадочных слоев. В результате в более глубоких частях разреза восстанавливаются ранее существовавшие структурные формы. Последовательная палеореконструкция по нескольким горизонтам позволяет воссоздавать тектоническую историю формирования структур современного геологического разреза

На втором этапе, после расчленения  сейсмической информации на СК, осуществляется детальный анализ обстановки осадконакопления в пределах каждого СК с помощью  сейсмофациального анализа. Сейсмическая фация (СФ) - пространственно обособленная совокупность отражений, облик которой существенно отличается от облика соседних совокупностей отражений. Для выделений СФ введено понятие рисунка сейсмической записи, который обусловлен конфигурацией, интенсивностью, протяженностью и расположением отражений относительно друг друга. С одной стороны, сейсмофацию определяет общая ориентировка осей синфазности относительно границ СК, т. е. схема несогласия. С другой - сейсмофация характеризуется взаимным расположением отражений внутри нее, которое может быть параллельным и субпараллельным, расходящимся и косослоистым, сигмовидным и бугристым, почти произвольным и вообще хаотическим (см. следующий слайд).

 1 – параллельная, 2 – субпараллельная, 3 – прерывистая, 4 – волнистая, 5 – расходящаяся, 6 – бугристая, 7 – холмистая, 8 – кулисообразная, 9 – хаотическая.

Однозначной связи рисунка сейсмической записи и вещественного состава  отложений не существует, однако в  конкретных сейсмогеологических условиях на основе привязки к скважинным данным нередко удается установить более  или менее устойчивую корреляцию между режимами седиментации и генезиса и тонкими особенностями наблюдаемой  волновой картины. Параллельные и субпараллельные типы сейсмических рисунков характерны для покровных, облекающих осадков и фаций осадочного заполнения при равномерном темпе погружении шельфа и низкоэнергетическом режиме седиментации. Косослоистые рисунки формируются при боковом наращивании осадков по клиноформным поверхностям в условиях быстрого прогибания наклонного дна при относительно высокоэнергетической обстановке седиментации. Хаотическое расположение отражений характеризует неслоистые структуры оползневых образований и зоны сложных дислокаций осадков в процессе высокоэнергетической обстановки осадконакопления.

 

42) Приведите примеры инструментов, используемых при количественном  сейсмофациальном анализе.

Признак классификации	Классы методов
Характер входных данных	Сейсмическая трасса Совокупность сейсмических трасс  Сейсмические атрибуты
Размерность пространства	2D 3D
Способ получения выходных данных	Качественный (сейсмостратиграфия) Количественный
Связь с априорными данными	Неконтролируемые методы Контролируемые (по скважинам) методы
Методы извлечения выходной информации	Визуальные (сейсмостратиграфия) Вычисление текстурных атрибутов  Регрессионный анализ Кластерный анализ Метод главных  компонент  Нейронные сети Вайвлет-анализ
Характер выходных данных	Качественные атрибуты сейсмофаций Количественные  атрибуты сейсмофаций Литофациальные данные Восстановление  истории осадконакопления

 

 Могут быть использованы непосредственно трассы 2D и 3D сейсмические изображений и многочисленные атрибуты, полученные как по этим изображениям, так и по сейсмограммам (AVO атрибуты).

     Анализ может быть количественным и качественным. Качественный анализ представлен первоначальным подходом к сейсмофациальному анализу – сейсмостратиграфией. В дальнейшем развивались методы количественного анализа фаций.

     Сейсмофациальный анализ может быть неконтролируемым, т.е. не сопоставляться с данными скважин. Такой анализ обычно производится при отсутствии или недостаточном количестве скважин. Если количество скважин достаточно, то анализ контролируется данными скважин и по сути дела сводится к интерполяции при помощи сеймики распределения фаций между скважинами.

Методы извлечения информации при  сейсмофациальном анализе могут быть качественными, например, в сейсмостратиграфии. В основном, это количественные методы, основанные на статистике. К ним относятся текстурные атрибуты, определяющие текстурные особенности сейсмических изображений, анализ сейсмических атрибутов методами кластерного анализа, главных компонент, нейронными сетями, и применением множественных регрессий. Отдельно стоят методы, математической основой которых является вайвлет-анализ. Примером такого метода является спектрально-временной анализ (СВАН), позволяющий определить не только фации, но и пытаться восстанавливать историю осадконакопления. При этом необходимо отметить, что существуют смешанные подходы, состоящие из чередования количественных и качественных этапов.

    Выходная информация, извлекаемая качественно и количественно, обычно представляется в виде распределения сейсмофаций,  однако при наличии достаточного количества скважин она носит литофациальный характер, например в терригенных породах определяется степень песчанистости, глинизации пород и пр.

 

 

43) Дайте представления об использовании  для интерпретации регрессионного  анализа, нейтронных сетей и  методов геостатистики.

Способы линейного регрессионного анализа служат для установления связи между сейсмическими атрибутами и скважинными данными. Величины атрибутов сравниваются с данными ГИС, анализами керна с целью выявления значимых статистических зависимостей между атрибутами и коллекторскими свойствами пород – пористостью, проницаемостью, песчанистостью, нефтегазонасыщенностью и пр. Простейшую прогнозную оценку искомого геологического свойства P вычисляют по значениям одного из сейсмических атрибутов А, используя уравнение линейной регрессии

 

                                                 P = a + bA .                                  (7.5)

Коэффициенты а и b вычисляются методом наименьших квадратов. Статистическая связь между Р и А, определяемая степенью отклонения от линии регрессии, оценивается коэффициентом корреляции, величина которого должна быть не менее 0,7…0,8. В противном случае надежность прогнозных оценок, полученных из корреляционной зависимости, не может быть удовлетворительной. Построенная зависимость (следующий слайд), демонстрирующая достаточно тесную статистическую связь между сейсмическими амплитудами и скважинными данными по пористости позволяет распространить данные о пористости на всю площадь исследований. Если оценку свойства P необходимо дать не по одному, а одновременно по многим атрибутам, то альтернативой двумерному является множественный линейный регрессионный анализ.

Нейронный анализ, является альтернативным регрессионному анализу атрибутов и использует подход, основанный на искусственных нейронных сетях. Нейронные сети имитируют совместную работу нейронов - нервных клеток головного мозга. Модель каждого нейрона имеет множество входов (N) и только один выход (следующий слайд а). Подающиеся на вход нейрона сигналы x_n взвешиваются и суммируются в виде:

 

где w_n – весовые функции, определяемые степенью значимости каждого из входных сигналов. Затем сигнал X преобразуется некоторой функцией Y состояния нейрона, называемой функцией активации. Часто ее задают в виде функции Y = f(X) = 1/(1 + е^-X), которая варьирует в пределах 0…1 при изменении аргумента от -¥ до + ¥ (слайд б). Здесь y – выходной сигнал нейрона. Из сказанного следует, что в отличие от линейной регрессии, связь между входными и выходным сигналом нейрона является нелинейной.

     На практике используются нейросети, состоящие из нескольких слоев нейронов, при этом взаимодействие нейронов происходит только между соседними слоями и реализуется принцип параллельной обработки сигналов в пределах каждого слоя. Пример простой трехслойной нейросети, состоящей из 6 нейронов и имеющей 29 связей между ними, показан на слайде в.

 а - нейрон,

б - функция активации,

в - многослойная нейронная сеть.

Перед началом работы с нейросетью ее необходимо обучить путем подбора оптимальных входных весовых коэффициентов. Обучение может быть контролируемым и неконтролируемым.

В первом случае, подбор весов осуществляется подачей известных сигналов на вход нейросети и контролем правильности работы сети по известному выходному сигналу. Простейшим способом контроля является метод обратного распространения ошибки, оптимизирующий выбор весов путем минимизации функции ошибок сети, представляющей сумму квадратов разностей между выходными и желаемыми данными. После обучения нейросеть способна моделировать искомую нелинейную функцию, связывающую значения входных и выходных переменных, и затем такую нейросеть можно использовать для прогнозирования неизвестных выходных значений. В этом случае нейросеть решает задачу нелинейной регрессии.

Во втором - система самоорганизуется по внутреннему критерию, заложенному в алгоритм обучения. Обучающий алгоритм подстраивает веса нейросети для получения согласованных выходных данных так, чтобы подаваемые на вход достаточно близкие сигналы давали одинаковые выходы. Процесс обучения определяет статистические свойства обучающего множества и группирует сходные входные данные в классы. В этом случае нейросеть решает задачу классификации данных.

Нейронные сети широко применяется  в сейсморазведке. Входными сигналами  для них могут являться любые  атрибуты, в том числе и сейсмические трассы. В зависимости от решаемой задачи выходными сигналами могут  быть коллекторские свойства пород (пористость, степень глинизации, нефтегазонасыщенность и др.) или сами сейсмические трассы. При обучении используются сейсмические атрибуты в местах, где свойства пород точно известны по скважинным данным (ГИС, керн и пр.). В процессе работы сети, после ее обучения, получают распределение свойств пород по всему изучаемому профилю или площади. Нейросети используются также для классификации сейсмических фаций и для амплитудной инверсии.

     Правильность результата  работы сети оценивается путем  сравнения результата с данными  проверочных скважин, которые  не участвовали в обучении  сети. Крайним случаем является  так называемая взаимная проверка, когда каждая из имеющихся скважин поочередно определяется в качестве проверочной, а остальные участвуют в обучении

 

44) Чем геостатическая инверсия отличается от обычной сейсмической инверсии?

     Методы геостатистики широко применяются для интерполяции полученных по данным скважин геологических данных в межскважинном пространстве, в том числе и с учетом сейсмических атрибутов. Обычные методы интерполяции, основанные на сглаживании скважинных данных (метод наименьших квадратов, сплайн-аппроксимации) не дают хороших результатов, поскольку получаемые данные могут не совпадать с исходными величинами в точках скважин, а ошибки интерполяции считаются некоррелированными между собой в пространстве.

     В геостатистике интерполяция параметра z(x) представляется в виде суммы систематического полиномиального тренда m(x) и остаточной случайной функции r(x), которая считается коррелированной в пространстве. Допущение о стационарности r(x) позволяет использовать свойства ковариации C(h) (ненормированной функции взаимной корреляции) для измерения корреляции между двумя любыми точками пространства, находящимися на расстоянии h.

Однако в геостатистике предпочитают использовать не ковариацию, а вариограммы, рассчитываемые без необходимости определения среднего значения. Вариограмма, оценивающая пространственную корреляцию данных, получается согласно выражению

 

где z_i и z_i+h – пары величин, отстоящих на расстояние h, а N – число значений вариограммы, попадающих в малые интервалы Dh, на которые разделена ось h, и в пределах которых значения усредняются. В случае стационарности переменной z_i вариограмма выполаживается, начиная с некоторого расстояния h₀, равного радиусу корреляции, после которого данные становятся некоррелированными. На следующем слайде а показана вариограмма g(h) и ее соотношение с ковариацией C(h). Порог вариограммы    соответствует общей дисперсии значений на всем интервале исследований h. Вариограммы могут строиться как изотропные, когда азимуты между точками не учитываются, так и с учетом анизотропии по заданным азимутам. Экспериментальные вариограммы аппроксимируются аналитическими кривыми, которые определяют параметры используемых для интерполяции вариограмм.

а-Соотношение между ковариацией и вариограммой, 
б - результатов обычной интерполяции,

в - результаты интерполяции по данным кригинга с азимутальной анизотропией.

При интерполяции данных в оцениваемую  точку   по известным данным в  соседних скважинах P_i, эта величина представляется в виде взвешенной суммы:

                                                    = а₁P₁+…+а_nP_n ,                           (7.9)