close

Вход

Забыли?

вход по аккаунту

?

bd000101350

код для вставкиСкачать
На правах рукописи
Ф Е Д О Р О В Алексей Владимирович
УДК 550.832+519.688+681.3.01
ПРОГРАММНО-АППАРАТНЫЕ СРЕДСТВА Д Л Я И Н Т Е Р П Р Е Т А Ц И И
Г Е О Ф И З И Ч Е С К И Х ИССЛЕДОВАНИЙ С К В А Ж И Н
НА ОСНОВЕ Н Е Й Р О И Н Ф О Р М А Ц И О Н Н Ы Х Т Е Х Н О Л О Г И Й
Специальности:
05.13.18- Математическое моделгдювание, численные методы
и комплексы программ
05.13.01 - Системный анализ, управление и обработка
информации {fi машиностроении и вычислительной технике)
Автореферат диссертации на соискание ученой степени
кандидата технических наук
Ижевск 2005
Работа выполнена в ГОУ ВПО «Ижевский государственный
технический университет» (ИжГТУ).
Научные руководители:
заслуженный изобретатель Российской Федерации,
доктор технических наук, профессор Лялин В.Е.
доктор технических наук, доцент Сеиилов М.А.
Официальные оппоненты:
доктор технических наук, профессор Мурынов А.И.
(ИжГТУ);
доктор технических наук, доцент Коловертнов Г.Ю.
(Уфимский государственный нефтяной технический университет, г. Уфа).
Ведущая организация: Институт
математического
моделирования РАН {г. Москва).
Защита состоится 17 декабря 2005 г. в 15 часов
на заседании диссертационного совета Д 212.065.04
в ИжГТУ по адресу: 426069, г. Ижевск, ул. Студенческая, 7, ауд.1-4.
Огзыв на автореферат, заверенный гербовой печатью, просим выслать
по указанному адресу.
С диссертацией можно ознакомиться в библиотеке института.
Автореферат разослан 10 ноября 2005 г.
Ученый секретарь диссертационного совета,
__-/'-'^ ^
доктор технических наук, профессор
"U^J^
5.Я. Беидерский
MJOQ^i
/Д
1100U&
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы. В настоящее время преимущества применения ком­
пьютерной техники в геофизике ни у кого не вызывает сомнений. Она позволя­
ет отойти от традиционных методов сбора и обработки информации, решать
Гфоблему переработки больших массивов информации, исключить субъектив­
ность интерпретации результатов исследований.
Существует большое количество программных средств и аппаратнопрограммных комплексов, позволяющих автоматизировать все процессы сбора,
обработки и хранения данных геофизических исследований скважин (ГИС). Но
даже при современном многообразии различных программных средств, произ­
водящих интерпретацию ГИС, системы, использующие возможности искусст­
венного интеллекта, немногочисленны по своей номенклатуре и обладают дос­
таточно невысокими интеллектуальными способностями, что не позволяет ис­
пользовать их в качестве основных решающих инструментов при вынесении
заключения с высокой степенью достоверности о наличии нефтяных коллекто­
ров в литологической струюуре как скважин, так и геологических горизонтов.
Развитие интеллектуальных компьютерных систем, разработка высоких ин­
формационных технологий, доведение их до уровня, соответствующего современньпи требованиям экспертных систем, является магистральным направлени­
ем в развитии скважинной геофизики.
Использование преимуществ искусственного интеллекта позволяет выйти
на иной, более качественный уровень обработки результатов ГИС, поскольку
он позволяет в значительной мере заменить геофизика-интерпретатора, зани­
мающегося рутинной работой просмотра Офомных массивов однотипной гео­
лого-геофизической информации на автоматизированный программноаппаратный комплекс, использующий сетевые технологии, Intemet-технологии
и инфотелекоммуникационные системы для принятия с высокой степенью дос­
товерности решения о наличии нефтеносного коллектора при ГИС.
Одним из направлений развития систем искусственного интеллекта явля­
ется использование в них аппарата искусственных нейронных сетей (НС). Не­
смотря на простоту их построения и функционирования, они позволяют накап­
ливать уже известные закономерности ГИС, обобщать факты и давать вполне
корректные оценки в ситуациях, когда на входе НС представлены зашумленные данные. НС уже широко применяются за рубежом в различных системах
распознавания образов, например, прогнозирования, управления и др. К сожа­
лению, в нашей стране, пока это редкое явление.
В настоящее время создано множество программных продуктов, имити­
рующих работу НС. Но возможности их применения в геофизической области
весьма ограничены. Это связано с тем, что данные профаммы не содержат в
себе ни правил формализации исходных данных и заключений, применяемых
для решения задач ГИС, ни специализированных НС, ни средств импор­
та/экспорта геофизических данных.
В связи с этим, применение НС для интерпретации данных ГИС позволит
повысить надежность результатов интецицеМ1ши. ^fuWMJJJJib время, затрачи­
ваемое на решение данной задачи. Поэто! [у pei^|}^(J|gi^ij^ актуальных задач
«"^5? •
и посвящена настоящая диссертация.
Объектом исследования являются каротажные данные (КД), представ­
ленные в цифровом виде; адаптивные модели НС для решения задач интер­
претации ГИС; многослойные, радиальные и нечеткие интерпретирующие НС;
интеллектуальные системы интерпретации (ИСИ) ГИС на основе моделей НС;
методы оптимизации, применяемые для обучения ИСИ.
Предметом исследования являются методы и алгоритмы интерпретации
геофизической информации; генетические алгоритмы оптимизации; методы и
алгоритмы обучения НС; нейроинформационные технологии для расчленения
разреза скважины на пласты; нейросетевые методы прогнозирования коэффици­
ентов пористости коллекторов; неиросетевая модель поточечной интерпретации
данных ГИС; методы классификации пластов нефтяньпс скважин; профаммное,
информационное обеспечение и структура ИСИ ГИС.
Цель работы состоит в получении научно-обоснованных математиче­
ских моделей и программно-аппаратных средств интеллектуальных систем ин­
терпретации ГИС, обеспечивающих литологическое расчленение скважины и
выявление нефтенасыщенных коллекторов на основе разработки эффективных
алгоритмов интерпретации ГИС, базирующихся на нейросетевых технологиях,
внедрение которых имеет существенное значение для повышения степени ав­
томатизации интерпретации геолого-геофизической информации.
Для реализации поставленной цели необходимо решить следующие задачи:
- выбор и обоснование путем теоретических и экспериментальных исследо­
ваний структуры ИСИ, ее аппаратной части, принципов построения программного
и информационного обеспечения; кодирование отдельных модулей ИСИ ГИС;
- формализация задачи качественной интерпретации данных ГИС для ее
решения с помощью аппарата НС;
- разработка правил и методик применения НС для решения задачи литологического расчленения разреза скважины;
- разработка алгоритма поточечного моделирования дта решения задачи ин­
терпретации разных уровней;
- применение метода главных компонент для сжатия входной информа­
ции в сочетании с применением нечеткой нейронной сети;
- выбор корректных оценок, позволяющих определять качество интерпрета­
ции с помощью НС;
- разработка методики классификации пластов нефтяных скважин, осно­
ванных на применении алгоритмов обучения без учителя;
- создание алгоритмов последующей обработки результатов работы НС для
повышения качества и надежности интерпретации.
Методы исследования. В работе применялись теоретические и экспери­
ментальные методы исследования.
При решении задачи качественной интерпретации данных ГИС применя­
лись: многослойная нейронная сеть; радиальная сеть; нечеткая сеть TSK; мате­
матические методы снижения размерности данных. Для обучения интерпрети­
рующих систем применялся гибридный алгоритм оптимизации.
Предварительная обработка геолого-геофизической информации базиру-
ется на использовании методов статистического анализа временных рядов в
приложении к геофизическим сигналам. Построение ИСИ велось на основе ме­
тода структурной декомпозиции профаммных модулей, позволяющего обеспе­
чить удобство настройки системы и высокую степень интеграции с другими
программными продуктами. При решении задач комплексного анализа досто­
верности данных использовались алгоритмы математической статистики, петрофизические закономерности.
Информационная модель ИСИ создана с учетом объектно-ориентированных
принципов разработки программных комплексов. База правил разработана с уче­
том механизмов построения реляционных структур данных. Структурная схема
системы спроектирована и реализована с учетом теоретических основ информати­
ки и вычислительной техники.
Программное обеспечение системы реализовано на алгоритмическом
языке высокого уровня - Object Pascal, интерфейс пользователя разработан в
интегрированной среде Borland Delphi 6.0, а внутренняя база данных реализо­
вана в формате Microsoft Access (mdb). Часть правил системы используются в
виде внешних библиотек (dll) и реализованы на языке высокого уровня
Microsoft Visual C++.
Достоверность и обоснованность полученных в работе результатов и
выводов подтверждается сопоставительным анализом разработанных и сущест­
вующих математических моделей и методов, а также итогами практического
использования ИСИ ГИС.
Математические модели, алгоритмы и прикладные программы, исполь­
зуемые в работе, основаны на положениях теории нейроинформационньк тех­
нологий, на теоретических основах функционального анализа, теории стати­
стического анализа каротажны?? диаграмм как временных рядов, а также теории
вероятностей, случайных функций и фундаментальных основ построения экс­
пертных систем. Методики расчета параметров коллекторов базируются на ши­
роко применяемых при геофизических исследованиях скважин петрофизических зависимостях.
Достоверность экспериментальных результатов обеспечена использова­
нием большого объема экспериментального материала, статистическими мето­
дами обработки данных и хорошей воспроизводимостью результатов. Досто­
верность эталонного материала для обучения моделей НЛ обеспечена исполь­
зованием утвержденных в ОАО «Башнефтегеофизика» экспертных заключений
по обрабатьгеаемым скважинам.
На защиту выносятся результаты проведения исследований по определе­
нию ршформативности методов каротажа при распознавании литологической
структуры разреза скважины, исследования применения нейронных сетей для каче­
ственной интерпретации данных ГИС, обеспечивающих возможность получения
заключения по наличию нефтенасыщеиных коллекторов непосредственно после
проведения каротажных работ на скважине, а также принципы разработки ИСИ
гас, обеспечивающей повышение уровня достоверности и согласованности геолою-геофизической и промысловой информации, в том числе:
- применение средств искусственного интеллекта для определения лито-
логического состава разреза скважины по данным каротажа путем обучения на
основе анализа соответствия КД имеющемуся экспертному заключению;
- результаты разработки гибридного оптимизационного метода, основан­
ного на применении градиентных и генетических алгоритмов, и его тестирова­
ние на возможность применения при оптимизации многоэкстремальных функ­
ций большой размерности;
- выбор и обоснование правил формализации задачи литологического
расчленения разреза скважины с помощью НС;
- анализ влияния правил представления входных геофизических данных и
выходных заключений результатов интерпретации на качество обучения ней­
ронной сети;
- достижение преимуществ применения специализированных алгоритмов
обработки результатов работы сети для увеличения информативности сигнала,
выдаваемого НС, и повышения надежности распознавания;
- реализация разработанных алгоритмических средств и программного
комплекса для практического использования и получения реальных результатов
экспресс-интерпретации различных скважин;
- проектирование и реализация ИСИ ГИС, разработка концептуальной
структуры объектно-ориентированной системы, принципов построения про­
граммного, информационного, математического и лингвистического обеспече­
ния системы.
Научная новизна полученных результатов определяется проведенными
комплексными исследованиями, в результате которых вместо применения класси­
ческих методов интерпретации, использующих решения трансцендентных урав­
нений петрофизики, в процессе интерпретации КД применен подход, существенно
сокращающий количество вычислительных операций и повьпиающий быстродей­
ствие оперативной качественной интерпретации непосредственно на скважине в
ходе проведения ГИС путем применения современной математической теории ин­
теллектуальных систем на основе нейроинформационньк технологий, в ходе ко­
торых:
- осуществлен выбор структуры и создана ИСИ ГИС на основе нейроинформационных технологий, предложены концепция и принципы построения ее
программного и информационного обеспечения;
- разработан новый гибридный метод оптимизации, основанный на па­
раллельной работе градиентного метода (МСГ - метод сопряженных градиен­
тов, МПМ - метод переменной метрики) и генетического алгоритма с бинарным
или вещественным кодированием;
- применен аппарат искусственных нейронных сетей, позволяющий ис­
пользовать накопленный эмпирический материал и знания опытных интерпре­
таторов, являющийся ядром базы знаний интеллектуальной системы для лито­
логического расчленения разреза скважины;
- получены зависимости точности определения литологической структу­
ры разреза скважины от вида представления каротажных данных, что дает воз­
можность применять аппарат искусственных НС в геолого-геофизической об­
ласти;
- предложена методика применения НС, не зависящая от количества
входных каротажных диаграмм, позволяющая проводить качественную экс­
пресс-интерпретацию даже в тех случаях, когда на скважине проведен непол­
ный набор методов геофизических исследований, и решающая проблему точ­
ной классификации типа пласта в случае противоречивости данных ГИС;
- разработаны алгоритмы повышения надежности распознавания литологической структуры скважины, являюпщеся составной частью интеллектуаль­
ной системы и обеспечивающие возможность использования в качестве опера­
торов-пользователей данной системы специалистов сред1гего уровня;
- разработана интеллектуальная система па основе НС, опирающаяся на
проведенный вычислительный эксперимент, позволяющая проводить качест­
венную экспресс-интерпретацию каротажных диаграмм, используя созданную
базу знаний с учетом эмпирических данных высококлассных геофизиковинтерпретаторов, даже в процессе проведения ГИС.
Практическая полезность. Применение ИСИ ГИС позволяет сущест­
венно сократить временные затраты при решении задачи литологического рас­
членения скважин за счет реализации современных достижений в области раз­
вития систем искусственного интеллекта. Это выражается в том, что найден ма­
гистральный путь отхода от решения классических уравнений математической
физики, в частности геофизики, и переходу к применению дискретных много­
функциональных систем, использующих базы знаний и базы данных, позво­
ляющих принимать решения на основе применения эмпирически обоснованных
экспертных оценок. Данные возможности появились в результате реализации
математической теории интеллектуальных систем на основе нейросетевый тех­
нологий.
Полученные в работе методики и алгоритмы применения аппарата искусст­
венных нейронных сетей для качественной экспресс-интерпретации данных ГИС
позволяют существенно автоматизировать труд геофизика-интерпретатора за счет
колоссальных вычислительных возможностей по обработке терабайт геофизиче­
ской информации интеллектуальными системами на базе как отдельных компью­
теров, так и компьютерных сетей, существенно использующих реляционные базы
данных таких как «Finder» и др. НС за счет заложенньк в них эталонных данных
позволяют сократить время, необходимое на проведение качественной экспрессинтерпретации скважин, в несколько раз с одновременным повьпиением качества
интерпретации и сокращением ошибок при принятии решений.
Информационная модель системы состоит из правил предметной области,
описывающих корректность информации, которые организованы в единую базу
данных. Использование в качестве СУБД SQL-сервера, Oracle и Microsoft SQL
Server, поддерживающих стандарт ANSI SQL 92, позволяет модифицировать
структуру БД под вновь возникающие требования, а также в случае необходи­
мости адаптировать се под любую другую СУБД, поддерживающую реляцион­
ные модели баз данных. Модульность созданной системы обеспечивает возможьюсть подключения программных модулей сторонних разработчиков, что
позволяет более тонко осуществлять настройку на предметную область. Изме­
рительная информация представлена в виде базы данных, что позволяет обра-
8
батывать данные по скважинам, методам и измерениям.
Интеграция в единый программный продукт всех модулей ИСИ, средств
хранения, предварительной обработки и интерпретации, наличие интерфейсов
взаимодействия с другими программными комплексами, использование дина­
мически связываемых библиотек (dll), дающих широкие возможности растирения, позволяет рассматривать созданную ИСИ как многофункциональный
инструмент анализа геофизических данных.
Реализация работы в производственных условиях. При непосредст­
венном участии автора была разработана и реализована ИСИ ГИС, построенная
па принципах систем искусственного интеллекта и реализованная на математи­
ческом аппарате нсйроипформационных технологий, в том числе созданы тех­
нические и методические средства, направленные на повьпиение точности ее
функционирования и универсальности.
Работа выполнялась в соответствии с планами хоздоговорных IfflP, про­
водимых 0 0 0 «Институт интеллектуальных технологий» и ОАО «ТНК-ВР»: №
ГР 01200 405097 «Верификация геолого-геофизической информации по объек­
там ра.зработки месторождений Северного НГДП ОАО «Нижневартовск»; № ГР
01200 405096 «Формирование базы данных геолого-технологических меро­
приятий на скважинах Самотлорского месторождения»; № ГР 01200 405095
«Оцифровка каротажного материала Каширо-подольского объекта Вятской
площади Арланского месторождения»; № ГР 01200 405096 «Создание библио­
теки скан-образов скважин Самотлорского месторождения»; № ГР 01200
406709 Формирование базы данных по ОАО «Варьеганнефтегаз».
Работа выполнялась в Институте математического моделирования разра­
ботки нефтяных месторождений ИжГТУ в соответствии с планами хоздоговорных
НИР, проводимых ИжГГУ с ОАО «Удмуртгеология» и ОАО «Белкамнефть».
Вся работа в целом, а также ее отдельные части могут быть использованы
предприятиями нефтегазодобывающей отрасли, организациями, занимающи­
мися построением ряда различных моделей на основе геолого-геофизической и
промысловой информации.
Апробация работы. Отдельные законченные этапы работы обсуждались
на Международных НТК «Информационные технологии в инновационных про­
ектах» (Ижевск,2002-2004); Научно-технических конференциях ИжГГУ
(Ижевск,2002-2004); 5-м Международном конгрессе по мат.моделированию
(Дубна,2002); Международной НТК «Интеллектуальные и многопроцессорные
системы-2005» (Таганрог,2005); Международной НТК «Искусственный интеллект-2005» (п.Дивноморское,2005); Междунар. научной молодежной школе
«Нейроинформатика и системы ассоциативной памяти» (Таганрог,2005); 4-м
научном симпозиуме «Геоинформационные технологаи в нефтегазовом сервисе»
(Уфа,2005).
Публикации. Основные научные результаты по теме диссертации опуб­
ликованы в 13 научных работах, в том числе: 6 отчетов о НИР (бЗс, 59с., 91с.,
35с., 53с., 80с.), 1 депонированная рукопись (объемом 42 страницы), 4 статьи в
журналах и сборниках, 2 тезиса докладов на научно-технических конференциях.
Структура диссертационной работы определяется общими замыслом и
логикой проведения исследовании.
Диссертация содержит введение, 4 главы и заключение, изложенные на
152 с. машинописного текста. В работу включены 53 рис., 7 табл., список лите­
ратуры из 157 наименований и приложение, в котором представлен акт об ис­
пользовании результатов работы.
СОДЕРЖАНИЕ РАБОТЫ
Введение содержит обоснование актуальности темы, формулировку цели
и задач работы, основные положения, выносимые на защиту, и определяет со­
держание и методы выполнения работы.
В первой главе дан обзор существующих методов каротажа и интерпрета­
ции результатов ГИС. Представлен обзор методов получения данных о геофизи­
ческих характеристиках скважин. Особое внимание уделено электрическому, аку­
стическому, радиоактивному методам каротажа, а также кавернометрии. Опреде­
лены основные этапы автоматизации процессов сбора, обработки и интерпретации
геофизических данных. При этом дан сопоставительный анализ различных мето­
дов и алгоритмов интерпретации данных, таких как статистические методы, алго­
ритм с использованием диагностических кодов, лито:югическое расчленение с
оценкой вероятности, метод нормализации и методы классификации, основанные
на петрофизических данных. Описаны характфистики программных средств,
предназначенных для автоматизации работ по оцифровке и интерпретации КД.
Во второй главе рассмотрено совершенствование методов оптимизации,
применяемых при обучении интеллектуальных систем для интерпретации ГИС.
Приведены классические методы оптимизации, построенные на вычислении гра­
диента целевой функции, в том числе метод наискорейшего спуска, алгоритм зо­
лотого сечения, метод сопряженных градиентов и метод переменной метрики.
В работе для решения оптимизационных задач предложенгабрвдныйалго­
ритм, обьединяющий стандартные генетические алгоритмы и градиентные методы.
Особенность алгоритма заключается том, что работа градиентных и генетических
методов ведется параллельно. Это позволяет находить глобальный оптимум с высо­
кой точностью. Метод протестирован на овражных, многоэкстремальных функциях
большой размерности без задания начального приближения. Показана эффеюгивная
работа алгоритма в процедуре обучения многослойного персептрона.
Определено, что стандартный генетический алгоритм не позволяет решить
все проблемы, связанные с оптимизаций функций многих переменных. С увели­
чением размерности вектора переменных сильно увеличивается размер области
поиска. В главе рассмотрегт пример поиска мшгамума тестовой функции Розснброка. Двумерная функция имеет вид: f(x^,X2) = l00■(x2 -x^f +(1 -д;^)^ ->min.
Оптимальные значения переменных при /(х,,дг2) = 0 равны д:* =1, x'^-l.
N -мерная ф)щкция Розенброка при Л'' =24 запишется в виде
/(x„...,x^„) = X ( l O O - ( x , „ - x f ) 4 ( l - x , f ) - > m i n . ( l )
/=1
Оптимальные значения переменных при / ( Х ) = 0 также равны х'= 1,
i = \,N + l. Для минимизации функции (1) в области х^ е[-5,5], i = l,N + \ при-
10
менялся стандартный генетический алгоритм с бинарным кодированием. На
рис. 1 показаны зависимости значений функции / ( X ) от числа итераций К при
N = 24 (зависимость 1) и N = 1 (зависимость 4), а также максимальные откло­
нения от точного решения dXMax= max be, -х* (зависимости 2 и 5) и среднеM.W+ll
квадратичные отклонения dXAv = . | ^ ( x , -x]f
(зависимости 3 и 6) для N = 24
и N = l соответственно. Для функции с N = 1 минимальное значение достигает
приемлемого уровня КГ"* при отклонении от точного решения до 10"^.
/(X) dXUox.dXAv
В случае же N = 24
1000000
сходимость процесса го­
раздо хуже. Значения
функции не опускаются
ниже 30, и максимальное
отююнение от точного
решения устанавливается
на уровне 1 (т.е. для не­
которых х^ решение на­
ходится далеко от опти­
мального). Это связано с
тем, что функция Розен­
Рис 1 Минимизация функции Розенброка бинарным
брока имеет выраженный
генетическим алгоритмом:
овражный характер, как
1 - «(X), N=24,2 - dXMax, N=24; 3 - dXAv, N=24,
4-fP0,N-l, 5-dXMax,N=l, 6-dXAv,N=l
видно из рис.2.
В случае небольшой размерно­
сти задачи (Л' = 1) генетический алго­
ритм находит дно оврага и выходит на
приемлемое решение. При увеличении
размерности до N = 24 вероятность
попадания в нужный овраг существен­
но уменьшается и итерационный про­
цесс замораживается. Градиентные
методы при случайном выборе на­
чального приближения в области
Рис 2 Вид функции Розенброка при N = 1 х, G [-5; 5], г = 1,7V+1 также застревают в
областях локальных минимумов. Данные результаты заставили нас искать пути
повышения эффективности генетических алгоритмов.
Нами было принято во внимание, что развитие генетических алгоритмов с це­
лью увеличения скорост-и сходимости ведется по пути создания новых разновидно­
стей операторов отбора, скрещивания и мутации. Разрабатываются методы распараллелившшя генетических алгоритмов. Интенсивно развиваются динамические ге­
нетические алгоритмы, в которых в процессе итераций изменяются их параметры.
Как правило, введенные усовершенствования показывают улучшение эффективно-
II
сти на тестовых задачах небольшой размерности. При увеличении JV проблема на­
хождения глобального экстремума овражных функций остается актуальной.
Еще одним направлением улучшения работы оптимизационных методов яв­
ляется применение гибридных алгоритмов, объединяющих свойства градиентных и
ЭВОЛЮ1РОННЫХ алгоритмов. При таком подходе обычно находят начальное при­
ближение, локализованное в области экстремума, с помощью генетического алго­
ритма, а затем уточняют положение экстремума градиентным методом. При этом
также ускоряется сходимость, но экстремум не обязательно будет глобальным.
В работе предложен гибридный алгоритм, основанный на параллельной рабо­
те генетических операторов и какого-либо фадиентного метода. В популяции, соз­
данной генетическим алгоритмом, выбирается лучшая особь - лидер. Этот лидер
обучается отдельно по градиентному методу. Если его качественный показатель при
этом лучше, чем у всех остальных особей в популяции, то он вводится в популяцию
и участвует в воспроизводстве потомков. Если же в результате эволюции в популя­
ции появляется особь с лучшим показателем, то лидером становится она.
Исследование предложенного гибридного алгоритма проводилось на основе
двух видов генетических алгоритмов (в бинарных и вещественных кодах) и трех
типов градиентных методов (метод наискорейшего спуска, метод сопряженных
градиентов, квазиньютоновский метод или метод перементюй метрики).
Решалась задача оптимизации многомерной функции: /(X)->mn, Xel^ (2)
и рассматривались некоторые оптимизационные методы.
Стандартный генетический алгоритм с бинарным кодированием (EGA)
осуществляется следующим образом.
Перед началом процесса при ? = О формируется популяция, состоящая из
к особей. Особь или хромосома представляется в виде: С-[X,\f/]-{сj),
/ = 1,и, где Х = (дг,), i-\,m - вектор аргументов функции; (// - преобразование,
осуществляющее переход от вектора X (фенотипа) к кодированному представт
лению (генотипу); (с^), j = \,п, с^ б{0,1} - битовая строка длиной n = ^N/, N,
1=1
- разрядность представления переменной х,. Преобразование
/Гmax л:,-minx, |, I->B->G,
I//: 1,-у,(2 ' -1), i = hm, у,=\ л:,-minx,
l~^,m
где !--(/,), В = ( Д ) , G = (G,), i = l,m - векторы целочисленного представления,
двоичного представления и представления в коде Грея. Обратное преобразование
/,
1//'^: G - > B - ^ I , у, =
(2
—1)
'
, д:, =minx^+y\ maxx,-min_x
, i = l,m.
(=lj»
\^ /=1л
i^ljn
Проводится эволюция популяции на итерации t = t + \ с использованием
операторов отбора, скрещивания и мутации.
Генетический алгоритм в вещественных кодах (RGA). Основная идея RGA
заключается в том, чтобы напрямую представлять гены в виде вещественных чисел,
т.е. генотип объекта становится идентичным его фенотипу. Хромосома представля-
12
собой вектор вещественных чисел С = (с^), с^ =yj, у = 1, и, и точность найденного
решения будет определяться не количеством разрядов для кодирования битовой
строки, а будет офаничена возможностями ЭВМ, на которой реализуется вещест­
венный генетический алгоритм. Последовательность опфаций в алгоритме такая же,
как и в стандартном генетическом алгоритме бин^ного кодирования. Отличие за­
ключается в видегенетическихоператоров. Преобразование i//{X) здесь сильно уп­
рощается (осуществляется лишь приведение гфгументов к безразмерному виду):
х,-minx,
^
V
I//: у, =
'^^
, / = 1,/и; ^/': дг, =minx,+jj maxx,-mmx,
/ = l,w.
maxx,-minx,
l-l,m
.^r;^
[^ „C^
,^
J
(=1.OT
Оператор скрепщвания имеет вид (BLX):
Cross:
С™" = argmin[/(C'''(X)),/(СЧХ))].
С^ =argmax[/(C'''(X)),/(C"(X))],
c^^cj'" -a(cj'" -c;'") + r ( c 7 - c 7 X l + 2a), ; = u ,
где a e [0;0,5] - параметр кроссовера; г e (0,1) - случайное число.
Оператор мутации задает случайным образом значения >', е(0,1), i = l,m.
В результате проведенньк экспериментов генетические алгоритмы бинар­
ного и вещественного кодирования показали примерно одинаковую эффектив­
ность. С увеличением размерности задачи глобальный экстремум достигается не
всегда для всех рассмотренных методов. При Л'^ > 4 генетический алгоритм веще­
ственного кодирования начинает проифывать алгоритму бинарного кодирования.
Бинарный алгоритм уверенно находит глобальный экстремум при iV<10. При
больших значениях Л' > 10 оптимальное решение находится не всегда. Алгоритм
вещественного кодирования при Л^ = 10 застревает в локальных экстремумах.
Разработанный нами гибридный алгоритм реализуется следующим образом:
1) к = 0. Формируется популяция, состоящая из т особей {C',s = \,т}'',
по BGA- или RGA - методу. Первый номер принимает особь С' с лучшим по­
казателем (минимальным значением функции (2)). С помощью преобразования
1//'^ получаем вектор X j и X* = X j .
2) k = k + l. С помощью одного из алгоритмов (МНС, МСГ, МПМ) вы­
числяется следующее приближение вектора X*. Генетическим алгоритмом
BGA или RGA создается следующая популяция {C',5 = l,w}* и находится луч­
шая особь, определяющая очередной вектор X j .
3)ЕслиЛХ*)</(Х*),тоХ*=Х^.
4) Если / ( Х * ) > / ( Х * ) , т о С ' = [ Х * , И .
5) Если выполняется условие остановки, то «конец» иначе возврат к п.2.
Анализ градиентных методов показал, что наиболее предпочтительным
для использования в гибридном алгоритме является метод переменной метри-
13
ки, имеющий более высокую скорость сходимости.
На рис.3 показаны результаты минимизации функции Розенброка при Л^=1
гибридным алгоритмом. Зависимости 1,2,3 соответствуют гибридному алгоритму:
бинарный генетический алгоритм + метод переменной метрики ( B G A V M ) . Зависи­
мости 4, 5, 6 - вещественный генетический алгоритм + метод переменной метрики
( R G A V M ) . По сравнению с рис.1 видно, что функция за несколько итераций
уменьшается на восемь порядков до значения 10"*. Количество необходимых ите­
раций меньше в сотни раз, по сравнению со стандартным генетическим алгорит­
мом. Далее гибридный алгоритм тестировался на функции Розенброка большой
размерности N = 200. Результаты для алгоритма B G A V M показаны нарис.4.
/(X),dXUai,J!a»
f{X).dXII*ix,<IXAv
10-
lOOOOD '
10000
1000
100
0,1-
\\ ^
0,01 •
DOOI -
\
.
0000001 -
,
/ \
,
\
3
-Ьь»,
I
1
6
I
1
01
^^^^^\i
0,0001 OOOOOl-
I
10
s
V
—1
4
0,01
0001
X
2
3
0,0001
1—
SN-.^^'
000001
0 000001 -
—
*
■
Рис 3 УЬвшмттщя функщт Рюенброка гиб- Рис 4 Минимшация многомерной функ­
рцщ|ым генетическим алгоритмом при N=1: ции Розенброка гибридным генетическим
алгоритмом BGAVM при N = 200:
1 - IPO, BGA; 2 - dXMax, EGA; 3 - dXAv, BOA,
4 - «X), RGA, 5 - dXMax, RGA, 6 - dXAv, RGA
l-f{X),2-dXMax,3-dXAv
Зависимость функции и ошибок аргументов на рис.4 представлены от величи­
н ы / в условных единицах, соответствующих 1 секунде работы процессора Celeron
800. Количество итераций при этом равно 207. Анализ работы гибридного алгоритма
показал, что основная часть работы выполняется в режиме «если /(Xj)</(?^), то
X* = X * » - лидер обучается по методу переменной метрики и улучшает популяцию в
целом. Смена лидера происходигг не часто - примерно на 1... 5 % итераций. На рис.4
этим моментам обычно соответствует скачкообразное уменьшение величин / ( X ) ,
ййМгс=тахх -x'\,dMv= \У(х -x'f .
1=|,л'+1|
1
V-f
Алгоритм R G A V M также показал хоро, *A-wi Шую производительность. Число итераций
'
для него больше в 2 - 3 раза, но время, за­
трачиваемое на одну итерацию, в 2,5 раза
меньше, поэтому по затратам вычисли­
тельного времени оба алгоритма дают
Рис 5 Проекция траектории движения
близкие результаты.
представляющей точки к оптимуму, алгоНа рис.5 показана проекция траритм B G A V M при N = 200
ектории движения представляющей точ­
ки к оптимуму. Проекция сделана на две координаты с максимальными откло-
14
нениями от точного решения. Худшие решения (x^^^,Xl,^^) находятся далеко от
оврага. Попадание в овраг осуществляется по генетическому алгоритму, а затем
достаточно быстро определяются оптимальные значения этих переменных и
положение глобального экстремума.
На следующем этапе тестирования гибридного алгоритма минимизирова­
лась функция Розенброка при Л^ = 2000. Задача поиска глобального экстремума
функции большой размерности также успешно решена обоими методами
BGAVM и R G A V M примерно за одинаковое время. Следует отметить, что ни
метод BGA, ни RGA, ни МПМ не позволяют получить значения минимизируе­
мой функции меньше 10''. Кроме функции Розенброка рассматривались другие
функции, обычно применяемые при тестировании (функция Расстригина;
функция de Jong). На многомерной функции Розенброка глобальный оптимум
достигается только методами B G A V M и RGAVM. В работе показана эффек­
тивная работа гибридного алгоритма для решения широкого круга задач боль­
шой размерности; условной оптимизации, решении систем нелинейных алгеб­
раических уравнений и вариационных задач.
В третьей главе разработана интеллектуальная система интерпретации
ГИС на основе теории нейронньк сетей, в том числе рассмотрены основы нейроинформационньк технологий, алгоритм обратного распространения ошибки,
обучение нейронной сети с помощью гибридного алгоритма, радиальные ней­
ронные сети, расчленение разреза на пласты нейросетевыми методами, опреде­
ление коэффициентов пористости коллекторов. В главе учтено влияние пред­
ставления данных на процесс интерпретации многослойной нейронной сетью.
В работе также рассмотрены два типа нейронных сетей: многослойный персептрон и нечеткая сеть TSK. Применение их для количественных оценок коэффи­
циента пористости по результатам геофизических измерений показало лучшую
эффективность сети TSK. Представлены результаты экспериментов на скважи­
нах Вятской площади.
Определение коэффициентов пористости и нефтенасьпцения является сле­
дующим этапом в ГИС после выделения пластов-коллекторов. Применение ис­
кусственных нейронных сетей значительно облегчает труд геофизика и ускоряет
процесс интерпретаг(ии новых скважин. Для определения коэффициента пористо­
сти используют результаты измерений, полученных с помощью ряда методов ка­
ротажа. В работе рассмотрена возможность прогнозирования коэффициента по­
ристости выделенного пласта-коллектора многослойным персептроном. Для этого
была построена обучающаяся однонаправленная сигмоидальная сеть вида:
2^ = 2 ] Ч ^ ^ ' J'^^t'
^=J.^> где Н^ - количестю нейронов в k -том слое, АГ - об-
м
щее количество слоев сети, w* - матрицы весовых коэффициентов; j * " ' - выходы
сети. Акгивационная функция J-го нейрона на Л:-том слое описывается формулой
>'* = [l - exp(-Aj Zj + В J) j~ , где Aj, 5* - ее параметры, подлежащие определению.
Далее, на входы сети подавались показания геофизических методов выде­
ленных пластов-коллекторов, приэтомвыходной сигнал соответствовал значению
15
пористости для всего пласта. Поскольку показания каротажей поточечные, то для
каждого пласта рассчитывались их усредненные значения х, по формуле:
с
/
Xi=2^xj /С, i = \..L, где х/ - значение г-го каротажа в у-той точке пласта;
У=1
/
L- количество каротажей, которое для данной задачи совпадает с числом вхо­
дов нейросети; С - количество точек в пласте.
Параметры функции активации, весовые коэффициенты, число нейронов
и число слоев сети принимали за неизвестные величины, которые подбирались
в процессе обучения. Для этого составлялась оптимизационная функция F ( X ) :
F(^)
= ~f,W\)-yX^'
=> min, (3), где Х = {У,1,А),В],Н„К);
N - ко-
личество обучающих выборок; d,, у^ - желаемая и полученная величина выхо­
да сети соответственно.
Подбор параметров нейронной сети, или оптимизация функции (3), осу­
ществлялся в два этапа:
- полный вектор параметров X = (w^,Aj,B'^,Hi^,K) находился с использо­
ванием генетического алгоритма, который не требует вьгаисления производной
функции F ( X ) . Вьиисление градиента функции F ( X ) затруднено из-за раз­
рывности функции по переменным Я ^ , К. После стабилизации значения
функции происходил переход ко второму этапу;
- функция F ( X ) минимизировалась по вектору переменных X=(v»^,y^,5j)
предложенным с участием автора работы гибридным алгоритмом.
В эксперименте участвовало 8 разведочньк скважин Вятской площади, к ко­
торым прилагались расшифровки геофизиков-интерпретаторов с указанием глубин
скважин, соответствующих коллекторам, коэффигщента общей пористости К,,
(м^/м^, % ) и типа насыщения. Для нефтенасьпценных коллекторов дополнительно
указывался коэффициент нефтенасьпцения К„. На вход сети подавались показания
7 методов: В К (боковой каротаж), SP (собственные потенциалы), PZ (потенциалзонд), GR (гамма-метчзд), NGR (нейтронный гамма-метод), DT (ультразвуковой ме­
тод), I K (индукционный каротаж). Общее количество обучаюпщх примеров соста­
вило 200, половина из которых использовалась для обучения, остальные - для тес­
тирования нейронной сети. Использовались следующие параметры генетического
алгоритма, предназначенного для синтеза архитектуры и обучения шюгослошюй
нейронной сети: количество хромосом в популяции - 50; вероятность кроссовера
0,90; мутации - 0,05. Применялись стандартный двухточечный оператор скрещива­
ния и стратегия элитизма. В результате после 200-300 эпох алгоритма достигается
минимум функции опшбки, в среднем равный 0,0050 для обоих множеств -рабоче­
го и тестового. Количество найденных генетическим алгоритмом скрытых слоев
нейронной сети - 1, нейронов в слое - 5. На рис.6 изображены графики зависимо­
стей коэффициента К^^, выданного нейронной сетью от эталонного коэффициента
пористости К , для такого же примера для обучающей и тестовой выборок. Видно,
16
что описанная выше модель многослойного персептрона удовлетворительно справ­
ляется с прогнозированием пористости по данным комплекса геофизических мето­
дов. Такая же методика может быть применена для оценки остальных видов порис­
тости, например, динамической пористости коллекторов.
Крр.%
Крр.%
40 ■
to
20
25 30 35
а)
6)
Рис б График выходов нейронной сети (многослойный персептрон),
определяющей пористость:
15
25
30
35
40
5
10
15
20
1<pf,%
40
а) - обучающее множество, б) - тестовое множество
Нечеткая сеть TSK (Такаги-Сугено-Канга) использует принципы нечетко­
го логического вывода для формирования выходного значения в зависимости
от входного сигнала. Агрегированный выходной сигнал такой сети рассчитыва­
ется по формуле (4).
JW =
f А
S^*
VW
11^.(р.о+11РЛ^' W
м
/
1+
W, =
П
J''
(Т„
(5)
В формуле (4) Р = [/?^], i = l,M, j = 0,N - веса, подбираемые в процессе
обучения, М - число правил вывода. W = [wJ определяются значениями
обобщенрюй функции Гаусса (5).
Неизвестные в сети параметры c^j,a^j,b^,'P = lp,j], i-\,M, j = 0,N дели­
лись на две части с^,, сг^,, i^ и Р = [/J^ ] .
Для обучения использовались обучающие выборки (x',c/'j, q = \,H. При
Л' г
2Ь '
фиксированных коэффициентах wf =fl[ 1+(Г^^~'^/У]/С''„)"
;=1 1-
принимались
j(x')=(i*, q = \,H в виде системы линейных алгебраических уравнений с мат­
рицей G или G P = d. При Н >M(N + l), значения 'P = [p,j] находились в ре­
зультате применения операции псевдоинверсии Р = G*d, где G " = (C^G j G^.
17
Выходные значения сети находились из (4) или у = G P , у = [>>',...,>'''] .
Для корректировки параметров c^j,a^^,b^,i = \,M,j = \,N применялся оп1 "
тимизационный алгоритм минимизации целевой функции: Е = — V(;^(x*) -1/*).
2 *-i
Градиент целевой функции рассчитывался по конечно-разностной формуле.
После нескольких итфаций повторялся этап вьлисления коэффициентов Р = [/>,].
Как показал вычислительный эксперимент, нечеткая нейронная сеть TSK
обеспечила лучшие результаты на тестовых функциях, по сравнению с много­
слойным персептроном. Поэтому целесообразно рассмотреть ее применение
для прогнозирования коэффициента пористости. Результаты обучения сети
TSK и тестирования представлены на рис.7. Из сравнения рис.6 и рис.7 следует,
что задача определения коэффициента пористости лучше решается сетью TSK.
Среднеквадратичная ошибка прогнозирования на тестовом множестве данных
для многослойного персептрона а -1,9%, для сети TSK а = 1,6%.
Крр.%
Крр,%
АО
-kpf.%
5-
20
25
б)
+<pf %
40
Рис 7 График выходов нейротюй сети TSK, определяющей пористость:
а) - обучающее множество; б) - тестовое множество
Так как по времени обучения рассматриваемые типы нейронных сетей
эквивалентны, то для задач интерпретации результатов ГИС следует применять
именно сеть TSK.
В четвертой главе предложены математические и программные средства
повышения информативности моделей интерпретации данных ГИС. Представ­
лена модель поточечной интерпретации геофизических данных, исследованы воз­
можности снижения размерности системы данных. В этой же главе описаны ме­
тоды классификации пластов нефтяных скважин, в том числе метод многомер­
ного шкалирования, самоорганизующиеся карты Кохонена и методы выделения
главных компонент.
Для предварительной обработки входного сигнала применялся метод
главных компонент, обеспечивающий снижение размерности системы данных.
Сочетание метода РСА с нечеткой нейронной сетью позволил повысить качест-
18
BO интерпретации каротажных диаграмм.
Методы снижения размерности предназначены для представления систе­
мы, характеризующейся переменными \ER", В координатном пространстве
меньшей размерности у е /?", причем т<^п. Для этого в напгем случае исполь­
зовались либо нелинейные методы (многомерное шкалирование), либо линей­
ные (метод главных компонент). В методе главных компонент каждая коорди­
натная ось является линейной комбинацией исходных переменных системы
xeR". Преобразование по методу главных компонент имеет вид у = W x , где
W 6 Л"""" - матрица преобразования.
Матрица W строится таким образом, что первая главная компонента
п
>'|(х) = V w . jc^ обладает наибольшей дисперсией. Вторая главная компонента
7-1
имеет наибольшую дисперсию из оставшихся и т.д. Размерность т выбирается
таким образом, чтобы выходное пространство у eR" сохранило наиболее важ­
ную информацию об исходной системе. Преобразование по методу главных
компонент заменяет большое количество взаимно коррелирующих данных ста­
тистически независимыми компонентами с определенным вкладом.
Представив систему данных х^, k = l,p последовательностью векторов
z^, к = 1,р, образующих матрицу Z = [ z j , р - число наблюдений, где векторы
Zj, к = \,р обозначают случайные векторы с нулевым средним значением:
^":"~~'
' " ^ ' " ' * = !'/'' гле x, = Y,x,Jp, ст, = j£(:Crt -х)
р , вы­
числяем матрицу корреляции S = р''ЧЛ].
Матрицу преобразования W образуют собственные векторы матрицы S.
Собственные векторы и собственные значе1гая Я, связаны соотношением:
Sw, =/l,w,, i = l,n. Так как матрица S симметричная и положительно опреде­
ленная, то ее собственные числа действительные и положительные. Последова­
тельность собственных чисел можно упорядочить в порядке убывания:
Л,>А,>...>Д„>0. Соответствующие собственные векторы упорядочиваются в
той же последовательности, и первые т собственных векторов образуют мат­
рицу преобразования W = [w,,W2,...,w^] ,т<п.
Вектор у = Wx = [>»,,...j^»^] является вектором главных компонеьгг. Пофешность реконструкции вектора данных х определяется как сумма отброп
шейных собственных чисел s- ^ -i, •
Преобразование по методу главных компонент определяет корреляцию
между переменными, образующими входное множество. Если переменные кор­
релируют между собой, то для определения всех данных достаточно взять
меньшее число переменных.
19
Для нахождения матрицы преобразования
применялись стандартные методы нахождения
собственных векторов, например продолжение де­
композиции QR. Выявлено, что при большой раз­
мерности входных векторов лучше подходят адап­
тивные методы без явного определения матрицы
S. Для этого метод главных компонент представ­
ляется в виде нейронной сети РСЛ с линейными
функциями активации нейронов (рис.8).
Количество входов равно исходной размер­
ности системы, количество нейронов и выходов
равно количеству учитываемых главных компо­
нент. Весовые коэффициенты являются элемента­
Рис 8 Структура сети РСА
ми матрицы W .
На вход сети подаются значения х ., j = 1,п, к = \,р. Выходные сигналы
определяются выражением: y^{q) = ^w^j(q)Xj^.
j'l
Уточнение весовых коэффициентов основано на правиле Хебба:
w^(q+\)=w/q)+T}y_j^(q)
*(^)-Е^Д9)л(9) , / = 1,от, у=1,и, k=\,p, qr=0,1,2,...,(6)
где q - номер итерации; TJ - итерационный параметр, Т]е[0;1); w,j{0) = l/n.
Сходимость итерационного
процесса для последовательности
сигналов пяти геофизических ме­
тодов (БК - метод измерения
электрического
сопротивления
пласта; акустический метод; гам­
ма-метод; нейтронный гаммаметод; метод кавернометрии) из
0,00012600 точек показана на рис.9.
Величина Д обозначает раз­
0,00001
ность
между собственными значе­
50
100
150
200
250
300
350
400 *
ниями
соответствующих векторов,
Рис 9 Итерационный процесс вычисления
собственных векторов и собственных значений определенных по методу продол3-я «мпоненга
жения декомпозиции QR и вычисленных по формуле (6): А, = Д - Я,^" . Собст­
венные значения находятся по матрице S и векторам w,: Д, = wfSw,, / = 1, и.
В данной главе сначала рассмотрена задача разделения пластов по пока­
заниям геофизических методов на выборке из 2600 точек на скважине. Для этих
целей применялась нечеткая сеть TSK с обучением по методу BGAVM, пока­
завшая наилучшие результаты на тестовых задачах.
Ыа рис.10 показан фрагмент данных из 2600 точек с шагом 0,2 м на одной
из скважин. Цифрами обозначены методы: 1 - БК, 2 - акустический метод.
20
ша
3 - гамма - метод, 4 - ней­
тронный гамма-метод. Ме­
^
тод кавернометрии исклю­
-s-3
чен из рассмотрения, так как
L-"
его присутствие при интер­
•"Ч
претации ухудшает обуче­
пТмЗи
5
10
15
20
25
30
35
ние сети и прогноз. Линия
Рис JO Фрагмент каротажной диаграммы
«Эксперт» представляет за­
кодированные результаты интерпретации эксперта, «Прогноз» - результат про­
гнозирования на обученной сети.
Далее на представленной выборке определялась матрица преобразования
сигналов в значения главных компонент у = Wx для пяти методов. Значения у
подавались на вход нечеткой сети TSK вместо сигналов х. Фактически, это оз­
начает, что конструируется сеть вида: х -> РСА ->у -^ TSK -> / .
Результаты экспертной интерпретации и расчета показаны на рис. 11 ,а.
3<^iMspi
—
Прогчоз
AJUMJ
^^^^^^^^./^-лЛ^^^-^^
е)
f)
Рис И Преобразование исходного сигнала по методу кчавных компонент
Наилучшие результаты по вьщелению пластов получены при учете пер­
вой компоненты и отбрасывании остальных. Если рис.11,а сравнить с рис.10, то
видно, что качество интерпретации с применением метода выделения главных
компонент улучшилось. Произошло разпепение пласта при /г «8 м, а разделе­
ние при Л »16 м исчезло.
Зависимости преобразованных сигналов >',(//), г =1,5 показаны на
рис.1 l,b-f соответственно. Таким образом, применение составной сети вида
X —> РСА —> у ^ TSK -^ / улучшает качество разбиения каротажной диаграм­
мы на пласты.
21
Проведено исследование
применения методов классиX пефть-€о<)а
фикащ1И пластов нефтяных
скважин, основанных на алго­
ритмах обучения без учителя,
для задач интерпретации ГИС
с целью получения дополни­
тельной информации о струк­
туре разреза. Рассмотрены
Рис 12 Результаты двухмерного шкалирования
следующие алгоритмы: само организующиеся карты Кохонена; метод многомерного шкалирования; метод
главных компонент РСА. Указанные алгоритмы дали примерно одинаковые ре­
зультаты.
Например, для случая
двухмерного
шкалирования
имеем отображение многомер­
ного пространства признаков на
плоскость в системе измерений
м,, «2, показанное на рис. 12 с
известными результатами рас­
шифровок для них.
О
•
вода
- нефть
Из рис. 12 следует, что все
пласты расположились двумя
компактными группами. Одна
группа занимает область MJ > О
Рис 13 Двухмерное шкалирование для группы
пластов с неизвестными литологическими
характеристиками
и соответствует продуктивным пластам. Другую группу м^ < О образуют водо­
носные пласты. Смешанные пласты занимают промежуточное положение.
После добавления к рассмотренным объектам группы пластов еще для
трех скважин с неизвестными заранее литологическими свойствами все про­
дуктивные пласты оказались выше линии раздела, а все водоносные - ниже
(рис.13). Таким образом, разделение на продуктивные и непродуктивные пла­
сты данным методом является стопроцентным.
ЗАКЛЮЧЕНИЕ
1. В работе получены научно-обоснованные математические модели и
программно-аппаратные средства интеллектуальных систем интерпретации
ГИС, обеспечивающие яитологическое расчленение скважины и выявление
нефтенасыщенных коллекторов па основе разработки эффективных алгоритмов
интерпретации ГИС, базирующихся на нейросетевых технологиях, внедрение
которых имеет существенное значение для повышения степени автоматизации
интерпретации геолого-геофизической информации.
2. Разработан гибридный генетический алгоритм с элитным обучением
лидера, показавший пригодность при решении широкого класса задач: услов­
ной и безусловной оптимизации, решения систем нелинейных уравнений боль-
22
шой размерности. Тестирование предложенного метода на овражных, много­
экстремальных функциях большой размерности показало его высокую эффек­
тивность. Оптимальное решение с точностью -10"' при размерности задачи до
2000 находится за 600 - 1500 итераций. Ни один из известных оптимизацион­
ных методов с этой задачей не справляется.
3. Применение гибридной схемы для генетического алгоритма, основан­
ной на дополнительном обучении квазиньютоновским методом лучшего пред­
ставителя популяции, дало эффект - «сумма больше составляющих частей». В
результате стало допустимым решение задач, невозможное при использовании
каждого метода в отдельности.
4. Результаты тестовых исследований показали возможность использова­
ниягабридногогенетического алгоритма с градиентным обучением лидера для
решения широкого круга задач большой размерности: условная оптимизация,
нахождение корней систем нелинейных уравнений, оптимизация динамических
систем, обучение искусственных нейронных сетей и гибридных интеллектуаль­
ных систем.
5. Разработаны принг1ипы построения программного комплекса, реали­
зующего интерпретацию результатов ГИС на основе НС. Создана игггеллектуальная система для И1П-ерпретации результатов ГИС на основе НС с возможно­
стью как ручной настройки правил, так и обучения по обучающей выборке,
имеющая удобный интерфейс и возможность интегрирования с другими про­
граммными средствами за счет динамически связываемых библиотек (dll).
6. В результате анализа применимости НС для распознавания литологической структуры скважины доказана возможность применения аппарата НС
для качественной интерпретации данных ГИС, что позволяет автоматизировать
качественную интерцретацию непосредственно на скважине с достаточно вы­
сокой степенью надежности.
7. Проведен комплексный эксперимент по обучению НС, заключающийся
в выделении пластов-коллекторов и нефтенасыщенных, водонасыщенных, нефте-водонасыщенных пластов. Получены экспериментальные зависимости меж­
ду правилами формализации задачи и конечными результатами распознавания
литологической структуры разреза скважины с помощью аппарата искусствен­
ных НС. Это позволило сделать вывод о применимости многослойной НС для
качественной экспресс-интерпретации данных ГИС.
8. Тестирование алгоритмов обучения нейронных сетей показало, что
применение нового гибридного метода с элитным обучением лидера в 5 раз
снижав г погрешность аппроксимации на тестовых выборках по сравнению с
известными методами. Среди рассмотренных нейросетсвых алгоритмов (мно­
гослойный персептрон, радиальная сеть, нечеткая сеть) наилучшую эффектив­
ность (погрешность аппроксимации) обеспечивает нечеткая сеть TSK с обуче­
нием на основе псевдоинверсии и гибридного алгоритма.
9. Разработанный алгоритм поточечного моделирования позволяет ре­
шать задачи интерпретации разных уровней. При наличии данных о коэффици­
ентах, характеризующих общие свойства пород, поточечная интерпретации ре­
зультатов ГИС может проводиться для произвольных месторождений.
23
10. Гфименение метода главных компонент (PCА) для сжатия входной ин­
формации в сочетании с нечеткой НС TSK привело к архитектуре составной НС
PCA-TSK и повысило точность распознавания и обработки геофизических сигаалов.
11. Для решения задачи классификации пластов нефтяных скважин рас­
смотрена возможность применения алгоритмов обучения без учителя (метод
многомерного шкалирования, самоорганизующиеся карты Кохонена, метод вы­
деления главных компонент). Эти методы дают дополнительную информацию
о структуре разреза скважин, повышающую достоверность интерпретации.
Н А У Ч Н Ы Е П У Б Л И К А Ц И И ПО Т Е М Е ДИССЕРТАЦИИ:
1. Lyalin V.E., Fedorov A.V., Senilov М.А. Neuronet and fuzzy .modeling of
inteфretation of data of geophysical well logging // 5 International congress of
mathematical modeling: Book of abstracts. Vol.2. EHibna, 2002. - M.: JANUS-K,
2002.-P. 106.
2. Качурин С И . , Федоров A.B., Сенилов М.А. Минимизация ошибок
оценки нейронной сети при интерпретации данных ГИС // Информационные
технологии в инновационных проектах: Труды I V международной научнотехнической конференции (Ижевск, 2003), - В 4 ч. - 4.2. - Ижевск: ИжГТУ,
2003.-С.ЗЗ-35.
3. Формирование базы данных геолого-технологических мероприятий на
скважинах Самотлорского месторождения: Отчет о НИР / Институт интеллек­
туальных технологий; Рук. В.Е.Лялин; Исп. М.А. Сенилов, С И . Качурин, А.В.
Федоров и др. - № ГР 01200 405094 - Ижевск, 2004,59 с.
4. Оцифровка каротажного материала Каширо-подольского объекта Вят­
ской площади Арланского месторождения: Отчет о НИР / Институт интеллек­
туальных технологий; Рук. В.Е.Лялин; Исп. М.А. Сенилов, А.В. Федоров,
А.В.Гурьянов и др. - № ГР 01200 405095 - Ижевск, 2004,91 с.
5. Создание библиотеки скан-образов скважин Самотлорского месторож­
дения: Отчет о НИР / Институт интеллектуальных технологий; Рук. В.Е.Лялин;
Исп. М.А. Сенилов, А.П. Щеглов, А.В. Федоров и др. - № ГР 01200 405096 Ижевск, 2004,35с.
6. Верификация геолого-геофизической информации по объектам разра­
ботки месторождений Северного НГДП ОАО «ТНК-Нижневартовск»: Отчет о
НИР / Институт интеллектуальных технологий; Рук. В.Е.Лялин; Исп. М.А. Се­
нилов, В.Н. Д^бовецкий, А.В. Федоров и др. - № ГР 01200 405097 - Ижевск,
2004,63 с.
7. Формирование базы данных по ОАО «Варьеганнефтегаз»: Отчет о НИР /
Институт интеллектуальных технологий; Рук. В.Е.Лялин; Исп. В.В. Васильев,
С П . Бархатов, А.В. Федоров и др. - ГР 01200 406709 - Ижевск, 2004,80 с.
8. Отчет по договору 561 на производство работ по переинтерпретации
материалов ГИС Ижевского месторождения ОАО «Удмуртнефть»: Отчет о
НИР/ Институт интеллектуальных технологий Рук. В.Е. Лялин; Исп. Т.Г. Не­
мирович, М.А. Сенилов, А.В. Федоров и др. - № гР 01200 408505 - Ижевск,
2004, 53 с.
9. Лялин В.Е., Костиков Д.В., Федоров А.В. Анализ эффективности при­
менения нейронной сети для распознавания литологической структуры сква-
жины / V I конгресс нефтегазопромышле?
ционные технологи в нефтепромысловом
симпозиума. - Уфа: Изд-во ОАО НПФ « Г
10. Лялин В.Е., Сенилов М.А., Фед<
претации нефтяных коллекторов с помоп
ентного метода // Интеллектуальные и
Р2 24б 1
Р Н Б Р у с с к и й фонд
2006-4
(ИМС'2005): Материалы Междунар. НТК
-С.156-159.
^ ^ ^ " ^
90"^^^
11. Лялин В.Е., Федоров А.В. Прим ^IVlTttU fA/lt-n 4LXI.1.\.
^ U J^» О
нения разреза скважины // Нейроинформатика и системы ассоциативной памя­
ния ядра базы знаний интеллектуальной Cn^i
ти: Материалы Междунар. научной молодежной школы. - Таганрог: Изд-во
ТРТУ,2005.-С.95-99.
12. Лялин В.Е., Федоров А.В. Гибридный метод оптимизации на основе
генетического алгоритма с бинарным и вещественным кодирование // Ж. А Н
Украины «Искусственный интеллект» - №3, 2005. - Донецк: Изд-во Наука i осв1та,2005.-С.446-449.
13. Совершенствование методов оптимизации, применяемых при обуче­
нии интеллектуальных систем для интерпретации геофизических исследований
скважин / Федоров А.В.; ИжГТУ - Ижевск, 2005. - Деп. в ВИНИТИ 2005,
№1442-В2005.-42с.
А.В. Федоров
Лицеюия ЛР №020764 от 29 04 98 г
Подписано в печать 09 11 2005 Формат 60x84 1/16
Отпечатано на ризографе Уч-издл 1,84 Уел печ л 1,39
Тираж 100 экз Заказ № 322/1
Издательство Института экономики УрО Р А Н
620014, г Екатеринбург, ул Московская - 29
Документ
Категория
Без категории
Просмотров
0
Размер файла
1 344 Кб
Теги
bd000101350
1/--страниц
Пожаловаться на содержимое документа