автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Интегрированная обработка геоинформации в автоматизированной системе управления сырьевыми ресурсами

рг-з оа

- о № 230Л

На правах рукописи

Соколов Алексей Анатольевич

ИНТЕГРИРОВАННАЯ ОБРАБОТ1СА ГЕОИНФОРМАЦИИ В АВТОМАТИЗИРОВАННОЙ СИСТЕМЕ УПРАВЛЕНИЯ СЫРЬЕВЫМИ

РЕСУРСАМИ

Специальность 05.13.06 - Автоматизированные системы управления

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Москва-2000

Работа выполнена в Российском государственном университете нефти и газа имени И.М. Губкина

Научный руководитель - доктор технических наук, профессор, Григорьев Леонид Иванович

Официальные оппоненты: доктор технических наук, профессор

Лебедев Роман Кириллович, доктор физико-математических наук Ампилов Юрий Петрович

Ведущая организация: ДОАО «Газпромгеофизика»

Защита состоится « » июня 2000 г. в @ ~ , ауд. _

заседании диссертационного совета К 053.27.10 в Российском государствен» университете нефти и газа им. И.М. Губкина

С диссертацией можно ознакомиться в библиотеке Российского государственно университета нефти и газа им. И.М. Губкина

Автореферат разослан «//» 2000 г.

Ученый секретарь диссертационного совета, кандидат технических наук, доцент V/ В.Д. Сапунцов

1. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. В последнее время в газовой отрасли приобретает актуальность создание отраслевой гео'лого-геофизической интегрированной системы (ОГТИС), являющейся автоматизированной системой управления сырьевыми ресурсами. Её целью является повышение эффективности геологоразведочных работ (ГРР) на основе всестороннего сбора, учёта и обработки геоинформации (географических, геологических, геофизических полевых и промысловых данных), необходимой для оптимального решения задач по выявлению, изучению и эксплуатации месторождений нефти и газа (МНГ).

Необходимость создания подобной системы продиктована тем фактом, что объём информации, подлежащей учёту при проведении подобных исследований, уже давно вышел за пределы человеческой способности реально её использовать при традиционных методах и средствах работы. Проблема заключается не в отсутствии необходимой информации, а в том, что исследователь не в состоянии всесторонне анализировать имеющиеся исходные данные.

Цель и задачи исследования. Изучение и анализ работ, посвященных вопросам геолого-математического моделирования, позволили в качестве основной цели исследований определить создание методики интегрированной обработки геоинформации, ориентированной на всесторонний учёт априорных сведений по МНГ. Объектом исследования при этом является процесс обработки данных ГРР, а предметом - научно-методическое обеспечение реализации геолого-математического моделирования (одной из основных функций ОГТИС). Основными задачами работы, определёнными поставленной целью, с учётом сложностей совместной обработки полевых и промысловых геофизических данных, стали:

• разработка методики интегрированной интерпретации сейсмических данных;

• создание системы статистических оценок неоднородности интервала сейсмического волнового поля;

• создание интегрированной параметрической модели МНГ;

• выбор системы показателей для комплексной оценки эффективности и целесообразности реализации интегрированного подхода.

Методы исследования. Основные результаты диссертационной работы получены на основе использования теории и методов искусственного интеллекта, математической статистики, теории графов и принципов системного анализа.

Научная новизна. Предлагаемая в работе методика реализует интегрированный подход к обработке геоинформации, который, в сравнении с существующим подходом, позволяет учесть значительно больше априорных сведений по МНГ. Предложенная методика отличается от традиционного комплексирования геофизических методов также тем, что в результате получается параметрическая модель МНГ, наилучшим образом подходящая для решения последующих задач проектирования вариантов разработки, а не "аномалия типа залежи" - обычный результат комплексной интерпретации материалов ГРР.

Основные научные результаты по проблеме интегрированной обработки геоинформации, представляемые на защиту:

• предложена методика интегрированной интерпретации сейсмических данных с использованием скважинных данных;

• систематизированы и формализованы в статистическом смысле оценки неоднородности сейсмических волновых полей;

• проведены устойчивые аналогии между слоистыми нейронными сетями прямого распространения (персептронами) и методами регрессионного анализа, благодаря чему задача обучения персептрона сформулирована в терминах стохастических методов решения безусловной экстремальной задачи и исследованы статистические свойства персептронов;

• предложен метод выбора конструкции и инициализации персептрона, позволяющий успешно применять алгоритмы стохастического обучения;

• предложен метод восстановления данных акустического каротажа (АК) в случае их нехватки;

• предложена модель интегрированного параметрического моделирования МНГ с использованием персептронов, на основе чего предложен метод нахождения дополнительных оценок подсчётных параметров;

• предложена система показателей, формирующая комплексный критерий эффективности и целесообразности конкретной реализации интегрированного подхода в терминах потенциальных потребителей информационной продукции ОГТИС.

Практическая ценность работы состоит в реальной возможности построения минимально неопределённых параметрических моделей МНГ. Разработанная методика интегрированной обработки позволяет решить проблему всестороннего учёта априорной геоинформации в процессе геолого-математического моделирования.

Апробация работы. Основные положения работы докладывались и обсуждались на семи научных конференциях, проходивших в г. Москве: Научно-технической конференции (НТК) «Нефть и газ - 96» (1996), П и Ш НТК «Актуальные проблемы состояния и развития нефтегазового комплекса России» (1997 и 1999), II НТК «Новые технологии в газовой промышленности» (1997), НТК молодых специалистов, посвященная 50-летию ВНИИГаза (1999), Ш Всероссийской НТК молодых ученых (1999), XV Губкинских чтениях «Перспективные направления, методы и технологии комплексного изучения нефтегазоносности недр» (1999).

Публикации. По материалам диссертации опубликовано 18 печатных

работ.

Структура и объём работы. Диссертационная работа состоит из введения, пяти глав, заключения, списка сокращений и библиографического списка использованной литературы. Общий объём работы составил 157 страниц, список литературы содержит 118 наименований. В работе 26 рисунков и 3 таблицы.

2. СОДЕРЖАНИЕ РАБОТЫ

Во введении приводится обоснование актуальности темы, формулируются цели и основные задачи исследования, кратко излагается содержание работы.

В первой главе диссертационной работы рассматривается часть проекта ОГГИС, затрагивающая вопросы обработки геоинформации. Рассматривается функциональная структура, анализируются информационные аспекты организации системы.

Анализируются этапность ГРР и рассматриваются задачи, связанные с реализацией основных функций ОГГИС. Проводится анализ существующего положения по обработке геоинформации, рассматриваются её этапы (рис. 1), определяются её виды и примерные объёмы. Рассматриваются особенности традиционного подхода и обосновывается необходимость создания методики, ориентирующей пользователя на всесторонний учёт имеющейся априорной геоинформации по МНГ.

Параметрическое моделирование МНГ рассматривается как информационная основа для решения задач проектирования технологических режимов и мероприятий. Показывается, что данные ГРР являются исходными для этапов первичного и прогнозного геолого-математического моделирования МНГ.

Показывается, что построение модели залежи, содержащей исчерпывающую информацию о положении границ, характеризующих геометрию залежи, а также о подсчётных параметрах, описывающих строение залежи, её физико-геологические свойства и свойства насыщающего флюида, возможно лишь на основе привлечения всей доступной априорной информации

На основе проведённого обзора выдвигается ряд конкретных требований к создаваемой методике.

Рис. 1. Структурная схема процессов обработки геоинформации

В качестве её необходимых составляющих выделены методическая постановка интегрированной интерпретации геофизических данных, приведение разномасштабной информации к одному масштабу, создание модели интегрированного параметрического моделирования продуктивной залежи, а также выбор показателей для формирования комплексного критерия эффективности и целесообразности реализации интегрированного подхода.

Во второй главе, в соответствии с изложенными требованиями, предлагается общая схема методики интегрированной обработки геоинформации (рис. 2).

Проектирование режимов и мероприятий

Интегрированное параметрическое моделирование

Рис. 2. Интегрированная обработка геоинформации

Рассмотрены методические аспекты привязки продуктивных пластов к сейсмическому волновому полю с использованием скважинных данных. На основе соответствия свойств геофизических полей свойствам геологических отложений показывается возможность отождествления некоторого интервала сейсмического временного разреза с продуктивным пластом. Метод, изложенный

в методике, опирается на суммирование данных АК для нахождения временной привязки глубинной отметки вскрытия продуктивной залежи (рис. 3).

«пйг

Схема расположения скважин и сейсмических временных разрезов

Рис. 3. Интегрированная интерпретация сейсмических данных

Рассматриваются способы оценки неоднородности волнового поля в пределах отождествлённого с залежью интервала временного разреза (рис. 4). Дифференциальные динамические параметры волнового поля характеризуют свойства отражающей поверхности и рассчитываются с помощью преобразований Гильберта: мгновенная амплитуда, мгновенная частота, мгновенная фаза, кажущаяся полярность, а также некоторые их модификации - произведение амплитуд и мгновенных частот или косинус мгновенных фаз.

Параметры неоднородности сейсмического волнового поля

Интегральные

1. Осреднённые в пределах интервала дифференциальные параметры

2. Среднеквадратическая амплитуда

3. Баланс энергии

4. Мера знакового контраста

5. Частотный состав

6. Скорость изменения амплитуд

7. Максимальная пиковая и минимальная впадинная амплитуды

8. Средняя пиковая и впадинная амплитуды

9. Соотношение между преобладающими периодами сейсмической трассы

10. Изменение формы сейсмической трассы при изменении мощности отложений

11. Внутренняя структура интервала трассы по соотношению амплитуд

Дифференциальные

1. Мгновенная амплитуда

2. Наклон мгновенной амплитуды

3. Мгновенная фаза

4. Мгновенная частота

5. Средняя взвешенная мгновенная

частота

6. Кажущаяся полярность

7. Фаза отклика

8. Частота отклика

Групповые

1. Парный коэффициент корреляции

2. Сводный коэффициент корреляции

3. Частный коэффициент корреляции

Рис. 4. Анализ неоднородности сейсмического волнового поля

Интегральные и групповые динамические параметры волнового поля отражают в одном значении некоторый объём сейсмической информации, и их нахождение аналогично осреднению оценок подсчётных параметров со сложной весовой функцией. Они рассчитываются по нескольким отсчётам одной или нескольких сейсмических трасс, на основе статистических оценок вертикальной или горизонтальной неоднородности сейсмических отражений в границах интервала, отождествленного с залежью.

Рассмотрим некоторые оценки. Будем символом [и, от] обозначать множество {t - целое :п<к<т , через t и i, - сейсмическую трассу и i -ый отсчет этой трассы соответственно, ie[n,m]; пят- границы интервала анализа отсчетов трассы, п,т е[9,Т — 9]. Последнее требование на границы анализа при моделировании газовых залежей всегда выполнено.

Оценку среднего значения модуля комплексного сигнала называют «мгновенной амплитудой». Приняв во внимание, что преобразование Гильберта сейсмической трассы в дискретном виде выглядит как

2 £ М9.Т-9]. (1)

IVO

эта оценка имеет вид

<2)

Оценка АЕ вводит статистическую оценку средней энергии отражений заданного интервала трассы: 1 m

Ц Ztf, (3)

давая аномалии преимущественно на скрытых внутри залежи отражениях.

Оценка HF задаёт число отсчётов, при прохождении которых средняя энергия отражений интервала трассы набирает половину своего значения:

- пил] к е [п,т\.АЕ{(?„ < < АЕ(()кп

£+1

(4)

Оценка выборочного коэффициента линейной парной корреляции Я между трассами и С характеризует горизонтальную неоднородность интервала волнового поля и вычисляется по формуле

1

Я

(■•.'•Г-'-

п -т

т 1 т т

ем—¡-Чете*;

п — т ,_„•

\1—П 1=4 1—П

п*-т*

• \ • / •

1/п/71 1 т

п -т ,_„

ч " ;=« у

(5)

где п* з тах^!°,й*} и те* = - начальный и конечный

интервалы анализа трасс Г и (*, отождествлённых с залежью в интервалах соответственно и [п*,/и*] .

Видно, что оценивание неоднородности волнового поля в конечном итоге аналогично осреднению подсчётных параметров, что позволяет решить проблемы несоответствия временной системы отсчёта сейсмических разрезов пространственному характеру геолого-математического моделирования и слабой разрешенное™ сейсмических данных.

Предложена принципиальная схема интегрированного параметрического моделирования продуктивной залежи, опирающаяся на поиск зависимости значений подсчётных параметров от оценок неоднородности волнового поля (рис. 5). Показано, как, исходя из найденной зависимости, выполняется преобразование параметров неоднородности в оценки подсчётных параметров. Ввиду совпадения масштабов, оказывается возможным использовать эта оценки в параметрическом моделировании наряду с оценками, полученными по скважинным данным.

Анализируется традиционная схема геостатистических исследований, показывается её соответствие процессу интегрированного параметрического моделирования. Показывается, что линейность корреляционных и регрессионных

1

моделей, лежащих в её основе, обусловливает недостатки этой схемы для сопоставления параметров неоднородности волновых полей с осреднёнными оценками подсчётных параметров. Обосновывается необходимость привлечения методов нелинейного корреляционного и регрессионного анализа статистических выборок для интегрированного параметрического моделирования, делается предположение о возможности использования слоистых нейронных сетей прямого распространения (персептронов) в качестве нелинейных регрессоров.

В третьей главе приводится классификация нейросетевых конструкций, реализующих вычислительные алгоритмы обработки информации. Особое внимание при этом уделяется сопоставлению персептронов с методами регрессионного анализа.

Показано, что с точки зрения прикладных статистических методов, персептроны представляют собой широкий класс линейных и нелинейных регрессионных моделей. На основе методов теории графов и причинно-следственного анализа показано, что каждому обученному персептрону соответствует некоторый регрессор, и каждому регрессору можно сопоставить некоторый персептрон.

Показано, что функционально персептроны и прикладные методы регрессионного анализа реализуют отображения конечномерных векторных пространств, для чего и те, и другие нуждаются в особых процедурах определения некоторых параметров. При этом используется сходное построение процесса обучения (для искусственных нейронных сетей) и оценивания (для прикладных статистических методов): разделение доступного экспериментального материала на причинную и следственную части с последующим определением численных значений априорно неизвестных параметров.

В процессе обучения нейронных сетей, как и в процессе оценивания статистических моделей, широко используются сходные численные методы линейной алгебры, градиентной оптимизации и стохастического программирования.

Параметры неоднородности сейсмического волнового поля

V

С

НО

Оценки подсчётных параметров по скважинам

V7

Интегрированные оценки подсчётных параметров

V

С

то

Выбор наилучшей параметрической модели

С

л

Корреляционный анализ

Регрессионный анализ

Факторный анализ

Рис. 5. Схема интегрированного параметрического моделирования

Показано, что на основе рассмотрения персептронов в терминах регрессионного анализа становится возможным проводить статистический анализ на основе регрессионных моделей, реализуемых этими нейронными сетями.

В четвёртой главе приводятся результаты реализации предложенной методики на Песцовом и Ен-Яхинском месторождениях Тюменской области. На примере восстановления данных АК и нахождения дополнительных оценок подсчётных параметров демонстрируется новый подход к выбору конструкции и инициализации персептрона.

Недостающие по большинству скважин данные АК (Ж) были восстановлены на основе данных потенциала самополяризации (алс), кажущегося сопротивления (рк) и отметок глубины (Л), нормированных на отрезок [-1,+1].

Предложен новый метод выбора конструкции и инициализации персептрона, который заключается в следующем. Сначала находится линейная регрессионная зависимость, восстанавливающая нужные данные с некоторой погрешностью. Как показано в третьей главе, каждому линейному регрессору соответствует сетевая диаграмма. Таким образом, мы имеем некоторый персептрон, являющийся линейным приближением к искомой нелинейной конструкции (рис. 6).

Эта нейронная сеть состоит из двух слоев - входного и выходного. Кроме того, в сети имеется смещающий нейрон с выходом, тождественным единице. Добавляя в сеть скрытый слой с тремя нейронами, снабженными сигмоидальными функциями активации, получим нелинейную конструкцию (рис. 7). Инициализация полученного персептрона перед применением метода обучения заключается в присвоении ребрам, соединяющим смещающий и входные нейроны с выходным, соответствующих коэффициентов линейной регрессии в качестве весов. Остальные веса полагаются равными нулю. Таким образом, начальная ошибка распознавания нейронной сети совпадает с ошибкой предсказания в классе линейных регрессионных оценок.

3......0

Рис. 6. Персептрон, реализующий линейный регрессор

Алгоритм обучения персептрона, который представляет собой, как показано в третьей главе, стохастическую модификацию градиентного метода решения безусловной экстремальной задачи, гарантирует уменьшение (по крайней мере, не возрастание) этой ошибки. Для обучения персептрона использована стохастическая модификация метода обратного распространения ошибки и программа SLUG. Регрессор, реализуемый обученным персептроном, имеет вид

Ai(/i) = 2,006Л - 81,746/)х (й) - 9,41алс(й)+739,574 -

__433133___63$394

j+e-3^4SMX59^(A>40,86tonc(ft}«),898 j + g-0,012Ы47ЫфО,05<Ьпс(А}<0,23 7

__431,403

j 556Л+0,589/)д, (А)-0,868апс (A)-0,903 ' '

Восстановленные в результате применения обученного персептрона диаграммы АК оказались точнее тех, что получены на основе линейного регрессионного анализа (рис. 8). Они использованы в интегрированной интерпретации сейсмических данных, что позволило уверенно отождествить некоторый интервал волнового поля с продуктивными пластами сеноманских отложений.

Оценки неоднородности волнового поля в пределах выделенного интервала были подвергнуты факторному анализу (рис. 9), в результате чего, на основе критериев Кайзера и Кэтгела сформировался набор из 10 сейсмических атрибутов продуктивной залежи (F; - 17ю), которые были использованы для

нахождения дополнительных оценок подсчётных параметров (эффективной толщины Нэфф, газонасыщенности Кг, пористости Кп и проницаемости Кх).

данных АК

Как и в случае восстановления данных АК, для нахождения оценок подсчётных параметров использовались персептроны. Выбор их конструкции, инициализация и обучение проводились рассмотренным выше методом. Обученные персептроны реализуют следующие регрессоры: м __0Д26_

Пофф ^ + е1309-1715р2+3989?э+%3р4+2448^5-21К6-1400К,+635К8-1879К9+4902К10

+ 0,744^ -1,348^2 + 0,729^3 - 0,722+ 0,831/<"5 +1,729^6 --0,136^7 +2,836^-0,158^ +0,214^0 + 0,398, (7)

к =_да_.

1 + е1-09^ +13.46/Г! -82,5/^ +14,05Р4 -31,4Щ -5,63^-19,24/? +49,79^-6,71^ +28,47/=]0 -6,76

+ 0,088^-1,431^ +0^ -0,466^4 -0,156^+1,685^ -

- 0,803/^ + 2,354^ - 0,34^9 - 0,745^ш + 1,847, (8) к ___0^06_

П ^ + е-54,4К, +2,65Р2 +37,28^ -9,34^4 +5,31Р5 +17,36/^-10,59^ -3,69р, -6,6К, +28,3-4,19

_0Л9_

+ | + е~219,29^, -29,33Р2 +145,76Я3 -71,64^ -10,93^ + 16,12К6 -25,56Р7 + 18,43^ +2,1+79,83^0 -11,63 +

+ 0,0475Р) -1,139^2 + 0,377Fз - 0,183F4 - 0,231^ + 0,7Щ -

-0,116Р7 -н 1,189/^ + 1Д44^д — 0,64/^0 +0,318, (9)

к__2Д66__

х 2 + е~56,15Р, +«,11Р2 +22,93Р3 +9,54Р4 +54,4^ -3,22Рь -2,18Р-, -1,1+4,05/-"9 -18,33^10 -7,96

- 0,633^ -1,361^2 - 0,359Fз - 0,864F4 - 2,169^ - 3,125Р6 -

-0,171Р7 -0,803^8 +5,898Р, -1,029^10 -6,421. (10)

-

i г

—1

^ I 5 4 <"

е х с.

/ 3 / !

% / \ Л 1

а) б) в) г) д)

Рис. 8. Восстановление диаграммы АК: а) исходная диаграмма; б) диаграмма, восстановленная с помощью линейной регрессии; в) погрешность восстановления для линейной регрессии; г) диаграмма, восстановленная с помощью персептрона; д) погрешность восстановления для нейронной сети

03

с;

и я

В"

о и о X X

о

и

г

я

ГО

14

12

10

14?« 13 1 8 19 22 25 28 31 34 37 40 43 46 4Э Номер собственного числа

Рис. 9. Значения собственных чисел ковариационной матрицы оценок неоднородности волнового поля

Отметим, что для нахождения оценок Кп использован персептрон с двумя нейронами в скрытом слое, а для остальных подсчётных параметров - с одним. Для всех параметров выходной слой состоял из одного нейрона. Нейроны скрытого слоя снабжены сигмоидальными функциями активации, а выходного -линейными.

Применение персептронов для нахождения нелинейной регрессионной зависимости с целью определения подсчётных параметров оказалось в смысле нелинейного корреляционного анализа более эффективным по сравнению с традиционным методом, основанным на линейном регрессионном анализе (табл. 1). Найденные в результате интерполяционного картирования уточнённые распределения подсчётных параметров могут быть использованы для гидродинамического моделирования в процессе проектирования технологических режимов и мероприятий, также создавая предпосылки для пересчёта запасов, что может привести к их приросту.

Таблица 1

Статистический анализ регрессоров, используемых для определения дополнительных оценок подсчётных параметров

Подсчётный параметр Линейный регрессор Нелинейный регрессор

Сумма квадратов Корреляционное отношение Сумма квадратов Корреляционное отношение

Нэфф 1,506 0,354 1,311 0,373

Кг 1,073 0,416 0,95 0,483

Кп 1,049 0,334 0,791 0,508

К* 0,974 0,409 0,702 0,575

В пятой главе рассмотрен традиционный подход к анализу эффективности ГРР. Недостатком этого подхода является ориентация, в основном, на показатели характеризующие эффективность разведочного бурения. Для анализг эффективности и целесообразности реализации интегрированного подхода I обработке информации предложена система показателей, формирующаз комплексный критерий.

Анализ с помощью предложенного критерия показал, что пр! традиционном подходе к параметрическому моделированию используется лиш 18% доступной информации против 100% при интегрированном. С привлечение» предложенной в работе технологии снижается (с 22 до 15), по сравнению > традиционным подходом, число разведочных скважин, необходимых дл параметрического моделирования МНГ. Использование априорной информацге сейсмических разрезов для параметрического моделирование позволяет пр: интегрированном подходе увеличить меру информационной обеспеченности зада пластовой гидродинамики до 43% против 21% при использовании традиционног подхода. Новая технология снижает общие затраты на проведение скважинны исследований с 66 до 45 млн. руб., то есть на 21 млн. руб., и удельные затраты н каждый мегабайт используемой информации с 16,5 до 2,25 млн. руб., то ест более чем в 7 раз.

3. ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Разработана методика интегрированной обработки геоинформации, в связи с чем получены следующие результаты:

• предложен подход к интегрированной интерпретации сейсмических данных с использованием скважинных данных;

• систематизированы и формализованы в статистическом смысле оценки неоднородности сейсмических волновых полей;

• предложена модель интегрированного параметрического моделирования продуктивной залежи МНГ или ПХГ.

2. Проведены устойчивые аналогии между персептронами и методами регрессионного анализа, благодаря чему задача обучения персептрона сформулирована в терминах стохастических методов решения безусловной экстремальной задачи, а также исследованы статистические свойства обученных персептронов.

3. Предложен метод выбора конструкции и инициализации персептрона, позволяющий успешно применять алгоритмы стохастического обучения.

4. Предложен метод восстановления данных АК с использованием данных ПС, КС и отметок глубин на основе использования персептрона.

5. Предложена модель интегрированного параметрического моделирования МНГ с использованием персептронов, на основе чего предложен метод нахождения дополнительных оценок подсчётных параметров.

6. Предложена система показателей, формирующая комплексный критерий эффективности и целесообразности конкретной реализации интегрированного подхода в терминах потенциальных потребителей информационной продукции ОГТИС.

По теме диссертации опубликованы следующие работы:

1. Григорьев Л.И., Соколов A.A. Нейросетевые технологии статистическо} обработки информации. - М.: ИРЦ Газпром, 1999. - 37 с.

2. Григорьев Л.И., Соколов A.A. Интегрированное изучение продуктивно! залежи с привлечением нейросетевых технологий. // Тезисы докладов Х\ Губкинских чтений «Перспективные направления, методы и технологи! комплексного изучения нефтегазоносности недр». - М.: РГУ НГ им. И. М Губкина,-1999. - С. 22 - 23

3. Григорьев Л.И., Соколов A.A. Слоистые нейронные сети прямой распространения. Компьютерный практикум. - М.: Изд-во РГУНГ им. И. М Губкина, 1999. - 32 с.

4. Соколов A.A. Современные средства геостатистики в интегрирование» моделировании газовых месторождений. - М.: ИРЦ Газпром, обзорна; серия «Геология и разведка газовых и газоконденсатных месторождений». -1999.-31 с.

5. Соколов A.A. Нейронные сети в информационной поддержке зада1 пластовой гидродинамики. // Тезисы докладов Ш Всероссийской HTI молодых ученых, секция 6. - М.: Изд-во РГУ НГ им. И. М. Губкина. ■ 1999,-С. 12- 13

6. Соколов A.A. Применение нейронных сетей встречного распространения обработке геофизических данных. // Тезисы докладов III НТК «Актуальны проблемы состояния и развития нефтегазового комплекса России. Секци 6». -М.: Изд-во РГУНГ им. И. М. Губкина. - 1999. - С. 32 - 33

7. Соколов A.A. Статистические методы обработки геолого-геофизическо; информации. // Аннотированный сборник конкурсных работ аспирантов < специалистов ОАО «Газпром». - М.: Изд-во ВНИИГаз. - 1999. - С. 33 - 35

8. Соколов A.A. Исследование методов построения решающего правила моделях классификации. // Тезисы докладов II НТК «Новые технологии

газовой промышленности. Секция б». - М: Изд-во ГАНГ им. Губкина, 1997. -С. 28-29

9. Соколов A.A. Информационная поддержка проектирования разработки газовых месторождений. // НТС ИРЦ Газпром «Геология, бурение, разработка и эксплуатация газовых и газоконденсатных месторождений на суше и на шельфе». - 1999. - № 3. - С. 22 - 29

Ю.Соколов A.A. О возможности формирования сейсмических параметров для уточнения геолого-математических моделей залежей углеводородов. // НГС ИРЦ Газпром «Геология, бурение, разработка и эксплуатация газовых и газоконденсатных месторождений на суше и на шельфе». - 1998. - № 9. - С. 18-21

П.Соколов A.A. Применение технологии AVO для уточнения распределения поля газонасыщенности. // НТС ИРЦ Газпром «Геология, бурение, разработка и эксплуатация газовых и газоконденсатных месторождений на суше и на шельфе». -1999. - № 2,- С. 12-16

12.Соколов A.A. Преимущества использования сейсмических атрибутов при оценивании полей распределения фильтрационно-емкостных свойств залежей углеводородов. // Тезисы докладов НТК молодых специалистов, посвященной 50-летию ВНИИГаза. - М.: Изд-во ВНИИГаза. - 1999. - С. 101-103

13. Соколов A.A. Дифференциальные динамические параметры неоднородности волнового поля. // НТС ИРЦ Газпром «Геология, бурение, разработка и эксплуатация газовых и газоконденсатных месторождений на суше и на шельфе». - 2000. - № 1. - С. 14 - 21

14.Соколов A.A. Локальные свойства сейсмических волновых полей. // Сборник научных трудов ВНИИГаза. - М.: Изд-во ВНИИГаза. - 2000. - С. 62-80

15.Соколов A.A. Задача оценки амплитудного спектра сейсмическогс импульса. // Сборник трудов СНО ГАНГ им. Губкина. - М.: Изд-во ГАНГ им. И. М. Губкина. -1995. - С. 43 - 49

16.Соколов A.A. Оптимизационный метод оценки амплитудного спектр; сейсмического импульса. // Тезисы докладов к НТК «Нефть и газ - 96 Секция 1». М.: Изд-во ГАНГ им. И. М. Губкина. -1996 . - С. 42 - 43

П.Соколов A.A., Рапопорт М.Б. Оптимальное оценивание косвенны) сейсмических параметров. // Тезисы докладов II НТК «Актуальны! проблемы состояния и развития нефтегазового комплекса России. Секци! 1». - М.: Изд-во ГАНГ им. И. М. Губкина. - 1997. - С. 12 - 13

18.Соколов A.A., Митянин С.А., Лесничая Н.В. Комплексировашк геологического структурного моделирования и данных ГИС. // Тезись докладов П НТК «Новые технологии в газовой промышленности. Секция 1» - М.: Изд-во ГАНГ им. И. М. Губкина. - 1997,- С. 31 - 32

Введение

Глава 1. Анализ состояния пилотного проекта ОГГИС и постановка задач исследования

1.1. Назначение, цели, функции и принципы построения ОГГИС

1.2. Проект функциональной и организационной структур ОГГИС

1.3. Информационное взаимодействие ОГГИС с другими пилотными проектами ОИИУС ^

1.4. Анализ процесса обработки геоинформации в проекте ОГГИС и постановка задач исследования

1.5. Выводы

Глава 2. Разработка методики интегрированной обработки геоинформации ^

2.1. Общие положения

2.2. Интегрированная интерпретация сейсмических данных

2.3. Оценки неоднородности сейсмических волновых полей

2.4. Интегрированное параметрическое моделирование

2.5. Место технологий ГИС в реализации интегрированной о бработки геоинформации ^ ^

2.6. Выводы

Глава 3. Модель интегрированной обработки геоинформации

3.1. Статистические методы обработки геоинформации

3.2. Классификация нейросетевых конструкций

3.3. Слоистые нейронные сети прямого распространения

3.4. Выводы

Глава 4. Практическая реализация технологии интегрированной обработки геоинформации

4.1. Характеристика объекта исследования

4.2. Предварительная обработка каротажных диаграмм и интегрированная интерпретация сейсмических данных

4.3. Анализ неоднородности волнового поля и интегрированное параметрическое моделирование

4.4. Выводы

Глава 5. Оценка эффективности использования геоинформации при построении геолого-математических моделей

5.1. Общие положения

5.2. Информационно-технологические и информационно-экономические показатели

5.3. Мера информационной обеспеченности задач пластовой гидродинамики

5.4. Выводы 142 Заключение 143 Сокращения 145 Библиографический список использованной литературы

Управление геологоразведочными работами (ГРР) относится к разряду информационного управления, то есть целиком зависит от результатов геологической и производственной деятельности геологоразведочных предприятий и связано с решением целого ряда информационно-логических и функциональных задач, учитывающих огромный объём геолого-геофизической и технико-экономической информации [3, 11, 15, 19, 37, 45, 47, 55, 60].

Уменьшение капиталовложений в геологоразведку на протяжении последних лет обусловило падение динамики производства и прироста запасов [21, 22, 23, 32]. Необходимость своевременной обработки (по крайней мере в строго фиксированном ритме) всё возрастающего объёма геолого-геофизической информации, производства многовариантных расчетов и взаимной увязки большого количества производственных показателей требует привлечения новых методов и средств работы с информацией [52, 86].

В нефтегазовых компаниях, в частности, ОАО "Газпром", ведётся разработка отраслевой интегрированной информационно-управляющей системы (ОИИУС), представляющей собой совокупность математических методов, средств вычислительной техники и систем информационного обеспечения, в составе которой выделена отраслевая геолого-геофизическая информационная система (ОГТИС) [24, 59, 67, 86, 87]. Её целью является повышение эффективности ГРР на основе всестороннего сбора, учёта и обработки географической, геологической, геофизической разведочной и промысловой информации, необходимой для оптимального решения задач по выявлению, изучению и эксплуатации месторождений нефти и газа (МНГ), а также подземных хранилищ газа (ПХГ).

Актуальность создания подобной системы продиктована тем фактом, что объём информации, подлежащей учёту при проведении названных исследований, уже давно вышел за пределы человеческой способности реально её использовать при традиционных методах и средствах работы с информацией. Проблема заключается не в отсутствии необходимой информации, а в том, что исследователь не в состоянии в заданные сроки всесторонне и комплексно проанализировать все имеющиеся исходные данные. Как следствие, выбираемые для решения указанных задач исходные наборы данных нередко весьма субъективны, и состав их определяется скорее теоретическими симпатиями исследователей, чем глубоким и всесторонним анализом [49, 52, 61, 65,90].

К основным функциям ОГГИС относится информационная поддержка развития и увеличения стоимости ресурсной базы УВС компании. Задачи, встающие в связи с реализацией этой функции, заключаются в построении геолого-математических и гидродинамических моделей МНГ и ПХГ. Их решение с привлечением всего объёма геоинформации на текущем этапе невозможно без интегрированного подхода [39, 57].

Интегрированный подход отличается от существующего традиционного комплексирования геофизических методов тем, что в качестве результата получается конкретная модель месторождения, пригодная для решения последующих задач, а не "аномалия типа залежи", которой обычно обозначается результат комплексной интерпретации материалов ГРР. В основе интегрированной обработки геоинформации лежит процесс определения и истолкования раздельных частей информационной среды месторождения по географическим, геологическим, геофизическим и промысловым данным и воссоединение их для получения модели в целом [9, 36, 39].

Проведенный анализ позволяет в качестве основной задачи исследования определить создание методики интегрированной обработки геоинформации. Именно в процессах обработки содержатся наиболее значимые и определяющие неопределённость прогнозных параметров погрешности, снижение которых оказывается приоритетным и наиболее эффективным способом повышения объёма полезной информации [9, 42]. Традиционным направлением обработки геоинформации является многомерный статистический анализ, а основным методом - линейное регрессионное прогнозирование прогнозных параметров [53]. Однако, рассмотрение существующего положения показало недостаточную состоятельность подхода к обработке геоинформации на основе линейных моделей, что определяет необходимость развития методов нелинейного регрессионного анализа с привлечением современных методов искусственного интеллекта. Исследованы возможности нейросетевых технологий обработки данных, расширяющих возможности статистического анализа.

Актуальность диссертации определяется необходимостью разработки технологии и модели интегрированной обработки информации. Научная новизна работы заключается в систематизации интегрированного подхода к обработке разнородной геоинформации и использовании нейросетевых технологий в рамках этого подхода. Объектом исследования является процесс обработки данных ГРР, а предметом - научно-методическое обеспечение реализации основных функций ОГГИС.

Основные результаты диссертационной работы получены на основе использования теории и методов искусственного интеллекта, математической статистики, теории графов и принципов системного анализа.

Практическая ценность работы состоит в реальной возможности построения минимально неопределённых параметрических моделей МНГ. Разработанная методика интегрированной обработки позволяет решить проблему всестороннего учёта априорной геоинформации в процессе геолого-математического моделирования.

Диссертация состоит из введения, пяти глав, заключения, списка сокращений и библиографического списка использованной литературы. Общий

5.4. Выводы

1. Традиционная система показателей ориентирована на отраслевой уровень, не показывая эффективности использования конкретной технологии обработки геоинформации и формирования геолого-математической модели объекта. В связи с этим, предложена система показателей для оценки эффективности и целесообразности привлечения того или иного подхода к обработке геоинформации.

2. Анализ этих значений показал, что при традиционном подходе к параметрическому моделированию используется лишь 18% доступной информации против 100% при интегрированном. С привлечением предложенной в работе технологии снижается (с 22 до 15), по сравнению с традиционным подходом, число разведочных скважин, необходимых для параметрического моделирования залежи УВС. Использование априорной информации сейсмических разрезов для параметрического моделирование позволяет при интегрированном подходе увеличить меру информационной обеспеченности задач пластовой гидродинамики до 43% против 21% с использованием традиционного подхода. Новая технология снижает общие затраты на проведение скважинных исследований с 66 до 45 млн. руб., то есть на 21 млн. руб., и удельные затраты на каждый мегабайт используемой информации с 16,5 до 2,25 млн. руб., то есть более чем в 7 раз.

3. Проведенный анализ свидетельствует в пользу преимущества предлагаемой технологии по сравнению с традиционно применяющейся. Подчеркнём, что этот вывод сделан на основании комплексной оценки эффективности с использованием технологических, информационных и экономических показателей.

143

Заключение

Анализ пилотного проекта ОГГИС выявил два существенных недостатка: отсутствие методической проработки процесса извлечения геоинформации из данных ГРР на этапах первичного и прогнозного моделирования МНГ, а также системы оценки эффективности и целесообразности привлечения той или иной методики обработки геоинформации.

Обоснована необходимость привлечения априорной информации сейсмических разрезов, по большей части фактически не используемой при традиционном подходе к параметрическому моделированию МНГ и ПХГ.

Разработана методика интегрированной интерпретации и извлечения максимально возможного количества полезной информации из всего имеющегося объема данных ГРР. Научная новизна предложенной методики заключена в охвате всего процесса обработки геоинформации: интерпретации данных сейсморазведки, оценивания неоднородности волновых полей и параметрического моделирования продуктивной залежи.

Обзор современных методов интерпретации сейсмических данных показал, в основном, их пригодность для решения задач, связанных с реализацией первого этапа. Необходимое дополнение к стандартным методам заключается в методических рекомендациях, связанных с привязкой интервалов сейсмического волнового поля к продуктивной залежи.

Для этапа анализа неоднородности сейсмических волновых полей предложено более 40 статистических оценок. Предложенные оценки неоднородности делятся на дифференциальные, интегральные и групповые. Их нахождение позволяет произвести переход к масштабу осреднённых оценок подсчётных параметров залежи.

Обзор современных методов обработки геоинформации, используемых на этапе параметрического моделирования продуктивной залежи, выявил недостатки линейных методов прикладной геостатистики, что обусловило необходимость исследования нелинейных методов. С точки зрения прикладной статистики, искусственные нейронные сети представляют собой широкий класс линейных и нелинейных регрессионных моделей. На основе рассмотрения методов теории искусственных нейронных сетей в терминах регрессионного анализа предложена интегрированная параметрическая модель продуктивной залежи. Научная новизна и практическая значимость этого результата заключается в возможности учёта нелинейных эффектов при восстановлении значений подсчётных параметров.

Предлагаемая методика интегрированной обработки геоинформации практически реализована на примере Песцового и Ен-Яхинского месторождений. Предложен и успешно опробован метод выбора конструкции персептрона, для его обучения использована стохастическая модификация алгоритма обратного распространения ошибки. Проведён сравнительный статистический анализ регрессоров, получаемых в результате линейного регрессионного анализа и обучения нейронной сети.

Анализ традиционной системы показателей эффективности ГРР выявил её ориентацию на отраслевой уровень, не показывая эффективности использования той или иной технологии обработки геоинформации и формирования геолого-математической модели объекта. В связи с этим, предложена система показателей для оценки эффективности и целесообразности привлечения того или иного подхода к обработке геоинформации.

Анализ эффективности и целесообразности реализации интегрированного подхода показывает преимущество предлагаемой методики по сравнению с традиционно применяющейся. Этот вывод сделан на основании комплексного критерия с использованием информационно-технологических и информационно-экономических показателей, а также расчёта меры информационной обеспеченности задач пластовой гидродинамики.

Сокращения

АК акустический каротаж

АСУ автоматизированная система управления всп вертикальное сейсмическое профилирование

ГВК газоводяной контакт гис географическая информационная система

ГРР геологоразведочные работы

ИУС информационно-управляющая система

КС кажущееся сопротивление мнг месторождение нефти и газа

МТР материально-технические ресурсы оггис отраслевая геолого-геофизическая информационная система

ОИИУС отраслевая интегрированная информационная управляющая система

ОСОДУ отраслевая система оперативно-диспетчерского управления

ОСФЭП отраслевая система финансово-экономических показателеё пг поставки газа

ПС потенциал самополяризации

ПХГ подземное хранилище газа

СУБД система управления базами данных

УВС углеводородное сырьё

УКПГ установка комплексной подготовки газа

POSC petrophysical open software corporation

1. Авербух А.Г. Методика интерпретации данных сейсморазведки при интегрированном изучении нефтегазовых резервуаров. // Геофизика. -1998.-№ 1.-С. 13-19

2. Алберт А. Регрессия, псевдоинверсия и рекуррентное оценивание. М.: Наука, 1977.-232 с.

3. Арзиани К.К., Максимцов М.М., Чистяков Ю.В. Разработка автоматизированных систем управления в геологии. М.: Недра, 1975 -207 с.

4. Ариффин Т.Р. Инструменты сейсморазведки для проектирования разработки месторождений. Н Нефтегазовое обозрение Шлюмберже,-1997,-№2.-с. 10-28

5. Архипченко A.C., Назаров В.И. Экономическая эффективность геологоразведочных работ на нефть и газ в Западно-Сибирской низменности. // Труды ВНИГРИ. 1973. - вып. 425. - С. 26 - 38

6. Асмус В.В., Емельянов А.Н. Принципы построения географических информационных систем. // Труды ВНИГНИ. 1988. - вып. 3. - С. 1 -38.

7. Бакиров A.A. Геологические основы прогнозирования нефтегазоносности недр. М.: Недра, 1973. - 343 с.

8. Бард А. Нелинейное оценивание параметров. М.: Финансы и статистика, 1984. - 322 с.

9. Басин Я.Н. Интегрированный анализ геоинформации при геологоразведочных работах на нефть и газ и принципы их метрологического обеспечения. // Геофизика. 1995. - № 5. - С. 47 - 53

10. Ю.Белонин М.Д., Иванова К.П., Наливкин В.Д. Многомерные методы анализа при оценке нефтегазоносности земных недр. М.: Изд-во ВИЭМС, 1976. - 50 с.

11. П.Белонин М.Д., Подольский Ю.В. АСУ Нефтегазразведка. Принципы и результаты разработки. - Л.: Недра, 1977. - 199 с.

12. П.Белонин М.Д., Татаринов И.В., Калинин О.М. Факторный анализ в нефтяной геологии. М.: Изд-во ВИЭМС, 1971.-55 с.

13. Бембель P.M. Об учете априорной информации, заданной системой линейных уравнений. // Геология и геофизика. 1971. - № 10. - с. 97-102.

14. Варга P.C. Функциональный анализ и теория аппроксимации в численном анализе. М.: Мир, 1984. - 126 с.

15. Васильев Ю.Н. Автоматизированные системы управления разработкой газовых месторождений. М.: Недра, 1987. - 281 с.

16. Васильев Ю.Н., Гереш Г.М., Пасько Д.А. Методы прогнозирования обводнения газовых залежей в условиях функционирования АСУ разработкой месторождений. М.: ИРЦ Газпром, 1994. - 42 с.

17. Вистелиус А.Б. Математическая геология, ее основные направления и задачи. // Советская геология. 1977. -№ 1. - С. 11 - 34

18. Волков В.А. Моделирование геологических поверхностей в связи с задачами размещения скважин и установления достаточности разведки нефтяных месторождений. М.: Изд-во ВИЭМС, 1977. - 43 с.

19. Выбор оптимальных направлений геолого-геофизических исследований в подсистеме АСУ-Геофизика. / Зайченко В.Ю. и др. -М.: Изд-во ВИЭМС, 1982.-43 с.

20. Гавурин М.К. Лекции по методам вычислений. М.: Наука, 1982. - 248 с.

21. Гергедава Ш.К., Акентьев Е.П., Сапрыкин Э.В. Геологическая эффективность результатов геофизических исследований ДОАО

22. Газпромгеофизика" на объектах поиска и разведки ОАО "Газпром", перспективы развития. // Материалы V координационного геологического совещания ОАО "Газпром". М.: ИРЦ Газпром, 1999,- С. 37 - 48

23. Глушков В.М., Стогний А. А., Афанасьев В. Н. Автоматизированные информационные системы. -М.: Знание, 1973. 80 с.

24. Горбань А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. -273 с.

25. Гордин В.М. К теории интерполирования измеренных геолого-геофизических характеристик. // Труды ВНИГНИ. 1973. - вып. 135. -С. 3-31

26. Григорьев Л.И., Соколов A.A. Нейросетевые технологии статистической обработки информации. М.: ИРЦ Газпром, 1999. - 37 с.

27. Григорьев Jl.И., Соколов A.A. Слоистые нейронные сети прямого распространения. Компьютерный практикум. М.: Изд-во РГУНГ им. Губкина, 1999. - 32 с.

28. Губанов В.А., Захаров В.В., Коваленко А.Н. Введение в системный анализ,- Л.: Изд-во ЛГУ, 1988. 270 с.

29. Данные сейсморазведки и подсчёт запасов. / Пороскун В.Л. и др. // Нефть и капитал. 1998. - № 6 - 7. - С. 104 - 107

30. Диде Е. Методы анализа данных. М.: Финансы и статистика, 1985. - 357 с.

31. Жеребин В.М. Информационное обеспечение АСУ. М.: Наука, 1975200 с.

32. Зб.Зайченко В.Ю. О понятии термина "Интегрированная интерпретация геофизических данных". II Геофизика. 1997. - № 1. - С. 68 - 69

33. Игревский В.И. Основные принципы построения автоматизированных систем управления АСУ-Геология. // Советская геология. 1973. - № 1. -С. 3-14

34. Инструкция о содержании и порядке составления геологических отчетов М.: Недра, 1965. - 80 с.

35. Интегрированная интерпретация геофизических данных. // Геофизика-1996,-№2. -С. 3-7

36. Информационная технология. Комплекс стандартов и руководящих документов на автоматизированные системы. ГОСТы 34.003, 34.201-89, 34.601-90, 34.602-89, РД 680-88, РД 50-34.698-90, Р 50-34.119-90. М.: Изд-во стандартов, 1990. - 87 с.

37. Кендал М.Дж., Стюарт А. Многомерный статистический анализ и временные ряды. -М.: Наука, 1976. 934 с.

38. Кобрунов А.И. Информационная модель геофизических исследований. // Геофизика. 1997. - № 3. - С. 18 - 26

39. Кожарев A.B., Каракин В.П. Региональные геоинформационные системы-М.: Наука, 1987. 126 с.

40. Козлов Е.А. Определение экономической эффективности геофизических работ на нефть и газ. М.: Недра, 1980. - 102 с.

41. Конторович А.Э., Фотиади Э.Э. Основы количественной теории прогноза и поиска месторождений нефти и газа. М.: Наука, 1976. - 75 с.

42. Лейбсон М.Г. Вопросы методики оценки эффективности и планирования геологоразведочных работ на нефть н газ. // Труды ВНИГРИ. 1971. -вып. 300.-С. 1-43

43. Лейбсон М.Г., Назаров В.И. Методические рекомендации по определению экономической эффективности геологоразведочных работ на нефть и газ. Л.: Изд-во ВНИГРИ, 1974. - 62 с.

44. Ломтадзе В.В. Программное и информационное обеспечение геофизических исследований. М.: Недра, 1993. -267 с.

45. Маккаллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной деятельности. // Нейрокомпьютер. 1992. - № 3, 4. - С. 40-53

46. Мамиконов А.Г. Методы разработки автоматизированных систем управления. М.: Энергия, 1973. - 336 с.

47. Марченко B.B. Человеко-машинные методы геологического прогнозирования. М.: Недра, 1988. - 232 с.

48. Матерон Ж. Основы прикладной геостатистики. М.: Мир, 1968. -408 с.

49. Методические рекомендации по оценке эффективности инвестиционных проектов и их отбору для финансирования. Официальное издание. — М.: Изд-во АН РФ, 1994. 47 с.

50. Методические указания по проведению отдельных этапов геологоразведочных работ. М.: Гостоптехиздат, 1961. - 53 с.

51. Минский M.JL, Пайперт С. Персептроны. М.: Мир. - 1971. - 283 с.

52. Модин A.A. Интегрированные системы обработки данных. М.: Наука, 1970.-107 с.

53. Наливкин В.Д., Белонин М.Д., Лазарев B.C. Критерии и методы количественной оценки нефтегазоносности слабоизученных крупных территорий. // Советская геология. 1976. - № 1. - с. 28 - 39

54. Овчаров Л.А., Селетков С.Н. Автоматизированные банки данных. М.: Финансы и статистика, 1982. - 212 с.

55. Организация данных в системах обработки данных. Термины и определения. ГОСТ 20886-85. -М.: Изд-во стандартов, 1986 75 с.

56. Педерсен JI. Сейсмическая съемка для мониторинга коллекторов.// Нефтегазовое обозрение Шлюмберже. 1998. - № 2. - С. 8 - 1965 .Пономарёв И.В. Подход Schlumberger к построению АСУП добычи нефтяной компании. // Нефтяное хозяйство. 1998. - № 8. - С. 98-101

57. Родионов Д.А. Статистические методы разграничения геологических объектов по комплексу признаков. М.: Недра, 1968. - 158 с.

58. Розенблатт Ф. Принципы нейро динамики. Персептрон и теория механизмов мозга. М.: Мир. - 1965. - 480 с.

59. Сейфуль-Мулюков Р.Р., Немировский Э.А., Марченко В.В. Системы обработки пространственной геоинформации в геологических исследованиях. М.: Изд-во ВИЭМС, 1991. - 44 с.

60. Соколов A.A. Дифференциальные динамические параметры неоднородности волнового поля. // НТС ИРЦ Газпром «Геология, бурение, разработка и эксплуатация газовых и газоконденсатных месторождений на суше и на шельфе». 2000. - № 1. - С. 14-21

61. Соколов A.A. Задача оценки амплитудного спектра сейсмического импульса. // Сборник трудов СНО ГАНГ им. Губкина. М.: Изд-во ГАНГ им. Губкина. - 1995. - С. 43 - 49

62. Соколов A.A. Информационная поддержка проектирования разработки газовых месторождений. // НТС ИРЦ Газпром «Геология, бурение, разработка и эксплуатация газовых и газоконденсатных месторождений на суше и на шельфе». 1999. - № 3. - С. 22 - 29

63. Соколов A.A. Исследование методов построения решающего правила в моделях классификации. // Тезисы докладов II НТК «Новые технологии в газовой промышленности. Секция б». М.: Изд-во ГАНГ им. Губкина,1997.-С. 28-29

64. Соколов A.A. Локальные свойства сейсмических волновых полей. // Математическое моделирование и информатика в научных исследованиях и научном проектировании газовой отрасли. М.: Изд-во ВНИИГаза. -2000. - С. 62 - 80

65. Соколов A.A. Нейронные сети в информационной поддержке задач пластовой гидродинамики. // Тезисы докладов III Всероссийской НТК молодых ученых, секция 6. М.: Изд-во РГУ НГ им. Губкина. - 1999. - С. 12-13

66. Соколов A.A. Оптимизационный метод оценки амплитудного спектра сейсмического импульса. // Тезисы докладов НТК «Нефть и газ 96. Секция 1». М.: Изд-во ГАНГ им. Губкина. - 1996 . - С. 42 - 43

67. Соколов A.A. Применение технологии AVO для уточнения распределения поля газонасыщенности. // НТС ИРЦ Газпром «Геология, бурение, разработка и эксплуатация газовых и газоконденсатных месторождений на суше и на шельфе». 1999. - № 2,- С. 12-16

68. Соколов A.A. Современные средства геостатистики в интегрированном моделировании газовых месторождений. М.: ИРЦ Газпром, обзорная серия «Геология и разведка газовых и газоконденсатных месторождений». - 1999. - 31 с.

69. Соколов A.A. Статистические методы обработки геолого-геофизической информации. И Аннотированный сборник конкурсных работ аспирантов и специалистов ОАО «Газпром». М.: Изд-во ВНИИГаз. - 1999. - С. 33 -35

70. Соколов A.A., Митянин С.А., Лесничая Н.В. Комплексирование геологического структурного моделирования и данных ГИС. // Тезисы докладов II НТК «Новые технологии в газовой промышленности. Секция 1». М.: Изд-во ГАНГ им Губкина. - 1997.- С. 31 - 32.

71. Соколов A.A., Рапопорт М.Б. Оптимальное оценивание косвенных сейсмических параметров. // Тезисы докладов к II НТК «Актуальные проблемы состояния и развития нефтегазового комплекса России. Секция 1». М: Изд-во ГАНГ им. Губкина. - 1997. - С. 12 - 13

72. Стратегия развития сырьевой базы ОАО "Газпром" на период 2001 2030 г.г. / Ремизов В.В. и др. // Материалы V координационногогеологического совещания ОАО "Газпром". М.: ИРЦ Газпром, 1999. -С. 3 - 10

73. Структура и стратегия создания ОИИУС РАО "Газпром". М.: ИРЦ Газпром, 1997. - 47 с.

74. Татаринов И.В., Калинина В.П., Никитина М.П. Информационное и программное обеспечение автоматизированной системы геолого-экономического анализа результатов поисково-разведочных работ на нефть и газ в СССР. // Труды ВНИГРИ. 1978,- вып. 324. - С. 74 - 87

75. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир. - 1992. - 237 с.

76. Харас Б.З. Корпоративная информационная система. // Нефтяное хозяйство. 1998. - № 8. - С. 84 - 87

77. Хейс Д. Причинный анализ в статистических исследованиях. М.: Финансы и статистика, 1981.-255с.

78. Хургин Я.И. Новые способы оценки запасов нефти и газа. // Нефтяное хозяйство. 1993. - № 5. - С. 28 - 30

79. Ченцов Н.Н. Статистические решающие правила и оптимальные выводы-М.: Наука, 1972. 304 с.

80. Ampilov Y.P., Arts R.J. Reservoir study using factor analysis and supervised cluster analysis of seismic attributes. // Technical abstracts of EAGE 60th Conference and Technical Exhibition. Leipzig, 1993 - P. 135 - 136

81. Angeleri G. P., Carpi R. Porosity prediction from seismic data. // Geophysical prospecting. 1982. - Vol. 30. - P. 580 - 607

82. Barron A.R. Universal approximation bounds for superposition of a sigmoidal function. // IEEE Trans, on Information Theory. 1989. - Vol. 39. - P. 930 -945

83. Bois P. Determination of the nature of reservoirs by use of pattern recognition algorithm with prior learning. // Geophysical prospecting. 1981. - Vol. 29-P. 681 -701

84. Broomhead D.S., Lowe D. Multivariable functional interpolation and adaptive networks. // Complex Systems. 1988. - Vol. 2. - P. 321 - 355

85. Cattell R.B. Scree test for the number of factors. // Multivariate Behavioral Research. 1966. - Vol. 1. - P. 140 - 161

86. Chen Q., Sidney S. Seismic attribute technology for reservoir forecasting and monitoring. // The Leading Edge. 1997. - № 5. - P. 12-20

87. Cybenko G. Approximation by superpositions of a sigmoid function. // Mathematics of Control, Signals and Systems. 1989. - Vol. 2. - P. 303 -314

88. Doyen P. M. Porosity from seismic data: A geostatistical approach. // Geophysics. 1988. -№ 4. - P. 1263 - 1275

89. Dumay J., Fournier F. Multivariate statistical analysis applied to seismic facies recognition. // Geophysics. 1988. - № 4. - P. 1151 - 1159

90. Fournier F., Derain J.F. A statistical methodology for deriving reservoir properties from seismic data. // Geophysics. 1995. - № 5. - P. 1437 - 1450

91. Funahashi K.I. On the approximate realization of continuous mappings by neural networks. // Neural Networks. 1989. - Vol. 2. - P. 183-192

92. Hagen D.C. The application of principal components analysis to seismic data. // Geoexploration. 1982. - Vol. 20. - P. 93 - 111

93. Hebb D.O. Organization of behavior. N.Y.: Science Ed., 1961. - 116 p.

94. Jones L.K. A simple lemma on greedy approximation in Hilbert space and convergence rates for projection pursuit regression and neural network training. // Annals of Statistics. 1992. - Vol. 20. - P.608 - 613

95. Justice J.H., Hawkins D.J., Wong G. Multidimensional attribute analysis and pattern recognition for seismic interpretation. // Pattern Recognition. 1985 -Vol. 18.-P. 391 -407

96. Kaiser H.F. The application of factor analysis. // Educational and Psychological Measurement, 1960. Vol. 20. - P. 141 - 151157

97. Lendzionowski V., Walden A.T., White R.E. Seismic character mapping over reservoir intervals. // Geophysical Prospecting. 1990. - Vol. 38. - P. 951 -969

98. Liu Z., Liu J. Seismic-controlled nonlinear extrapolation of well parameters using neural networks. // Geophysics. 1998. - № 6. - P. 2035 - 2041

99. Piatt J.C. Learning by combining memorization and gradient descent. // Advances in Neural Information Processing Systems. 1991. - Vol. 3. - P. 714-720

100. Rummelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors. //Nature. 1986. - Vol. 323. - P. 533 - 536

101. Sinvhal A., Khattri K. Seismic indicators of stratigraphy. // Geophysics. -1984.-№4.-P. 1196-1212

102. Stanulonis S.F., Tran H.V. Metod to determine porosity thickness directly from 3D seismic amplitude. // The Leading Edge. 1992. - № 1. - P. 14-20

103. Wessels L.F.A., Barnard E. Avoiding false local minima by proper initialization of connections. // IEEE Transactions on Neural Networks. -1992.-Vol. 3,-P. 899-905

104. White H. Connectionist nonparametric regression: Multilayer feedforward networks can learn arbitrary mappings. // Neural Networks. 1990. - Vol. 3,- P. 535 -549