автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Математические модели и программно-аппаратные средства интеллектуальных систем для интерпретации геофизических исследований скважин

На правах рукописи

СБНИЛОВ Михаил Андреевич

УДК 550.832+519.688+681.3.01

МАТЕМАТИЧЕСКИЕ МОДЕЛИ И ПРОГРАММНО-АППАРАТНЫЕ СРЕДСТВА ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ДЛЯ ИНТЕРПРЕТАЦИИ ГЕОФИЗИЧЕСКИХ ИССЛЕДОВАНИЙ СКВАЖИН

Специальность:

05.13.18- Математическое моделирование, численные методы и комплексы программ

Автореферат диссертации на соискание ученой степени доктора технических наук

Ижевск 2005

Работа выполнена в ГОУ ВПО «Ижевский государственный технический университет» (ИжГТУ)

Научные консультанты:

заслуженный изобретатель Российской Федерации, доктор технических наук, профессор Лялин В.Е.

заслуженный деятель науки Удмуртской Республики, доктор физико-математических наук, профессор Тененев В. А.

Официальные оппоненты: Академик РАН,

доктор технических наук, профессор Липанов A.M. (Институт прикладной механики, УрО РАН, г. Ижевск); Доктор технических наук, профессор Закиров Э.С. (Институт проблем нефти и газа РАН, г. Москва); Доктор технических наук, профессор Миловзоров Г.В. (ИжГТУ).

Ведущая организация: Институт математического моделирования РАИ (г. Москва).

Защита состоится 8 июля 2005 г. в 14 часов на заседании диссертационного совета Д 212.065.04 в ИжГТУ по адресу: 426069, г. Ижевск, ул. Студенческая, 7.

Отзыв на автореферат, заверенный гербовой печатью, просим выслать по указанному адресу.

С диссертацией можно ознакомиться в библиотеке института. Автореферат разослан 27 мая 2005 г.

Ученый секретарь диссертационного совета, доктор технических наук, профессор

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Нефтегазодобывающая отрасль - это крупный народнохозяйственный комплекс, играющий ведущую роль в экономике страны. Развитие данной отрасли на современном этапе неразрывно связано с разведкой, разработкой и освоением новых месторождений нефти и газа. Последние, преимущественно, характеризуются сложными условиями залегания полезных ископаемых: большими глубинами, небольшой толщиной пластов-коллекторов, многокомпонентным литологическим составом и сложной структурой порового пространства, что затрудняет их разработку, и, следовательно, повышает требования к качеству интерпретации результатов геофизических исследований скважин (ГИС).

Литологическая классификация и выделение коллекторов основаны на различии физических и геофизических параметров горных пород. Нахождение значений геологических параметров в некоторых диапазонах дает возможность прогнозирования литологии пласта. Так как диапазоны перекрываются для различных пород, то необходима идентификация литологии пород по набору кол-лекторских, физических и геофизических параметров. При геологической разведке месторождений важной является предварительная экспресс-оценка продуктивности скважины. Это является причиной создания автоматизированных интеллектуальных интерпретирующих систем, обеспечивающих управление измерениями, регистрацию, первичную обработку и интерпретацию скважин-ных материалов. Кроме того, такие системы позволяют избавить интерпретатора от большого количество информации, подлежащего обработке.

При наличии некоторой эмпирической базы данных возможно использование методов извлечения знаний из данных и создание обучающихся информационных систем для интерпретации ГИС. Интерпретация ГИС относится к классу особо сложных задач, решаемых в условиях неполной информации. Однако в большинстве существующих методик интерпретации не заложен принцип адаптивности, т.е. самонастройки к условиям измерений и объектам ГИС. Этот фактор негативно влияет на качество и скорость интерпретации данных.

Методы интеллектуального анализа данных включают ряд конкурирующих подходов, к которым, в частности, относятся нечеткая логика (НЛ) и искусственные нейронные сети (НС). Адаптивные системы нечеткого вывода в настоящее время представляют собой перспективное направление в развитии теории искусственного интеллекта. Появление таких систем объясняется возросшей потребностью в анализе больших массивов данных, накопленных в базах данных автоматизированных систем обработки информации. НС нашли широкое применение для извлечения знаний из системы данных и для решения задач аппроксимации сложных функций многих переменных. Важным их свойством является способность к обучению и обобщению полученных знаний. Перспективным и реализованным в данной работе является объединение идеологий нечеткого вывода и НС.

При использовании методов интерпретации ГИС часто приходится решать оптимизационные задачи. Использование для этого классических алгоритмов, основанных на вычислениях градиента целевой функции, показало низкую эффективность, связанную с разрывностью и многоэкстремальностью функции. Значительно более эффективным, что показано в данной работе,

кМММТЕКА

УЗУ//

ских и гибридных алгоритмов. Принимая во внимание, что задачи интерпретации ГИС имеют в своей основе сложные функциональные зависимости, обладающие структурной и параметрической неопределенностью, применение адаптивных систем НЛ и НС для их решения вполне приемлемо и обоснованно.

Развитие интеллектуальных компьютерных систем, разработка высоких информационных технологий, доведение их до уровня, соответствующего современным требованиям экспертных систем, является магистральным направлением в развитии скважинной геофизики.

Использование преимуществ искусственного интеллекта позволяет выйти па иной, более качественный уровень обработки результатов ГИС, поскольку он позволяет в значительной мере заменить геофизика-интерпретатора, занимающегося рутинной работой просмотра огромных массивов однотипной геолого-геофизической информации на автоматизированный программно-аппаратный комплекс, использующий сетевые технологии, Internet-технологии и инфо-телекоммуникационные системы для принятия с высокой степенью достоверности решения о наличии нефтеносного коллектора при ГИС.

Для решения данных задач создаются интеллектуальные системы интерпретации (ИСИ) результатов ГИС. Каждая из них характеризуется разной степенью вовлеченности в процессы сбора, обработки и хранения геолого-геофизической информации. В каждой из них присутствуют элементы контроля достоверности данных на этапах ввода, обработки, либо с помощью механизмов систем управления базами данных (СУБД). Но нельзя не отметить отсутствие комплексного подхода к контролю достоверности, согласованности и непротиворечивости данных. Именно, рассматривая данные в комплексе, можно сделать выводы об их достоверности. Решения, основанные на недостоверной информации, обходятся очень дорого, так как цена ошибки возрастает с увеличением количества операций, в которых участвуют ошибочные данные.

В настоящее время создано множество программных продуктов, имитирующих работу ИСИ, однако возможности их применения в геофизической области весьма ограничены. Это связано с тем, что данные программы не содержат в себе ни правил, формализующих знания эксперта, применяемых для решения задач ГИС, ни механизмов обучения и адаптации к условиям измерений и объектам ГИС, ни средств импорта/экспорта геофизических данных.

В связи с этим, применение математической теории интеллектуальных систем для интерпретации данных ГИС позволит повысить качество и надежность результатов интерпретации, сократить время, затрачиваемое на решение данной задачи, обеспечить гибкость и оперативность работы системы. Решению данных актуальных задач и посвящена настоящая диссертационная работа.

Объектом исследования являются каротажные данные (КД), представленные в цифровом виде; адаптивные модели FIJI и НС для решения задач интерпретации ГИС; многослойные, радиальные и нечеткие интерпретирующие НС; ИСИ ГИС на основе моделей НЛ и НС; математическая теория интеллектуальных систем (ИС); методы оптимизации, применяемые для обучения ИС.

Предметом исследования являются методы и алгоритмы интерпретации геофизической информации; генетические и гибридные алгоритмы оптимиза-

ции; методы и алгоритмы нечеткого логического вывода для определения продуктивности коллекторов; алгоритмы распознавания литологии пластов на основе НЛ; методы и алгоритмы обучения НС; нейросетевые методы для расчленения разреза скважины на пласты; нейросетевые методы прогнозирования коэффициентов пористости коллекторов; нейросетевая модель поточечной интерпретации данных ГИС; методы классификации пластов нефтяных скважин; алгоритмы обработки и анализа достоверности геолого-геофизической и промысловой информации; программное, информационное обеспечение и структура ИСИ ГИС.

Цель работы состоит в получении научно-обоснованных математических моделей и программно-аппаратных средств интеллектуальных систем интерпретации ГИС, обеспечивающих повышение надежности выявления нефтенасыщен-ных коллекторов при оптимизации использования количества производимых при ГИС методов каротажа на основе разработки эффективных гибридных алгоритмов, базирующихся на положениях теории НЛ и НС, проведение комплексной верификации геолого-геофизической и промысловой информации, ведущее к расширению функциональных возможностей специализированных баз данных, внедрение которых имеет существенное значение в области автоматизации обработки и интерпретации геолого-геофизической информации.

Для реализации поставленной цели необходимо решить следующие задачи:

- выбор и обоснование методов предварительной обработки КД;

- выработка научно-обоснованных решений для построения моделей НЛ для распознавания литологической структуры разреза скважины; разработка способа определения информативности методов каротажа при интерпретации результатов ГИС на основе алгоритмов нечеткого вывода;

- исследование влияния различных комбинаций методов каротажа на качество интерпретации результатов ГИС посредством модели НЛ; оптимизация процесса интерпретации, заключающаяся в нахождении минимального количества методов каротажа, проводимых непосредственно на скважине, для достижения максимально точного и надежного результата определения наличия количества нефтенасыщенных пластов в скважине;

- выбор и обоснование путем теоретических и экспериментальных исследований 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;

- выбор корректных оценок, позволяющих определять качество интерпретации с помощью НС; создание алгоритмов последующей обработки результатов работы НС для повышения качества и надежности интерпретации;

- исследование структуры геолого-геофизической и промысловой информации и на основе ее получение правила контроля достоверности данных; разработка алгоритмических и программных решений для проведения комплексной верификации геолого-геофизических и промысловых данных;

- создание структуры системы контроля, схемы ее работы и инструментов

для визуализации результатов работы; выбор и обоснование путем теоретических и экспериментальных исследований структуры ИСИ, принципов построения программного, лингвистического и информационного обеспечения для ввода, хранения, обработки и анализа правил, применяемых в системе комплексного контроля достоверности данных;

- исследование потоков информации, возникающих при построении моделей месторождений; изучение влияния различных ошибочных геолого-геофизических данных на геологические и гидродинамические модели месторождений; интегрирование системы контроля достоверности данных в существующую широкораспространенную базу данных геолого-геофизической информации.

Методы исследования. В работе применялись теоретические и экспериментальные методы исследования.

При решении задачи распознавания литологической структуры разреза скважины использовалась модель HJT, обучаемая генетическим алгоритмом. В модели HJI в качестве функций принадлежности использовались гауссовские и трапецеидальные функции. Обучение системы HJI осуществлялось на всех возможных комбинациях методов каротажа, входящих в состав стандартного набора методов ГИС, снимаемых на скважине. Результаты работы системы НЛ исследовались на предмет адекватности выделенных нефтенасыщенных, водо-насыщенных и непродуктивных участков разреза скважины экспертным оценкам. При решении задачи качественной интерпретации данных ГИС применялись: многослойная нейронная сеть; радиальная сеть; нечеткая сеть TSK; математические методы снижения размерности данных Для обучения интерпретирующих систем применялся гибридный алгоритм оптимизации.

Предварительная обработка геолого-геофизической информации базируется на использовании методов статистического анализа временных рядов в приложении к геофизическим сигналам. Построение ИСИ велось на основе метода структурной декомпозиции программных модулей, позволяющего обеспечить удобство настройки системы и высокую степень интеграции с другими программными продуктами. При решении задач комплексного анализа достоверности данных использовались модели HJI, алгоритм адаптивного выбора подклассов (АВП), алгоритмы математической статистики, петрофизические закономерности. Для оценки параметров коллекторов применялась теория нечетких множеств (НМ). Результаты работы исследовались на предмет влияния ошибок при построении моделей.

Информационная модель ИСИ создана с учетом объектно-ориентированных принципов разработки программных комплексов. База правил разработана с учетом механизмов построения реляционных структур данных. Структурная схема системы спроектирована и реализована с учетом теоретических основ информатики и вычислительной техники.

Программное обеспечение системы реализовано на алгоритмическом языке высокого уровня - Object Pascal, интерфейс пользователя разработан в интегрированной среде Borland Delphi 6 0, база данных работает под управлением таких СУБД как Oracle 8 и Microsoft SQL Server 7 0, а внутренняя база данных реализована в формате Microsoft Access (mdb). Часть правил системы

используются в виде внешних библиотек (dll) и реализованы на языке высокого уровня Microsoft Visual С++. Для построения моделей привлекался инструментарий компании Roxar: IRAP RMS и TempestMORE.

Достоверность и обоснованность полученных в работе результатов и выводов подтверждается сопоставительным анализом разработанных и существующих математических моделей и методов, а также итогами практического использования ИСИ ГИС.

Математические модели, алгоритмы и прикладные программы, используемые в работе, основаны на положениях теории нечетких множеств и многослойных нейронных сетей, на теоретических основах функционального анализа, теории статистического анализа каротажных диаграмм как временных рядов, а также теории вероятностей, случайных функций и фундаментальных основ построения экспертных систем. Методики расчета параметров коллекторов базируются на широко применяемых при геофизических исследованиях скважин петрофизических зависимостях.

Достоверность экспериментальных результатов обеспечена использованием большого объема экспериментального материала, статистическими методами обработки данных и хорошей воспроизводимостью результатов. Достоверность эталонного материала для обучения моделей НЛ обеспечена использованием утвержденных в ОАО «Башнефтегеофизика» экспертных заключений по обрабатываемым скважинам.

На защиту выносятся результаты проведения исследований по определению информативности методов каротажа при распознавании литологической структуры разреза скважины посредством модели НЛ, исследования применения нейронных сетей для качественной интерпретации данных ГИС, обеспечивающих возможность получения заключения по наличию нефтенасыщенных коллекторов непосредственно после проведения каротажных работ на скважине, а также принципы разработки ИСИ ГИС, обеспечивающей повышение уровня достоверности и согласованности геолого-геофизической и промысловой информации, снижению затрат на ресурсы, затрачиваемых при использовании этих данных, вследствие раннего обнаружения и исправления ошибок, в том числе:

- выбор алгоритмов предварительной обработки КД; разработка моделей НЛ для выделения нефтенасыщенных коллекторов; определение способа оценки качества результатов литологического расчленения разреза по данным ГИС на основе алгоритмов нечеткого вывода;

- применение средств искусственного интеллекта для определения литологического состава разреза скважины по данным каротажа путем обучения на основе анализа соответствия КД имеющемуся экспертному заключению;

- разработка программного, информационного обеспечения и структуры ИСИ ГИС; реализация ИСИ ГИС на основе модели НЛ для получения реальных результатов литологического расчленения разреза скважин.

- результаты разработки гибридного оптимизационного метода, основанного на применении градиентных и генетических алгоритмов, и его тестирование на возможность применения при оптимизации многоэкстремальных функций большой размерности для достижения глобального экстремума;

- выбор и обоснование правил формализации задачи литологического расчленения разреза скважины с помощью НГ; определение корректных оценок для анализа качества представляемости задачи качественной интерпретации с помощью НС;

- анализ влияния правил представления входных геофизических данных и выходных заключений результатов интерпретации на качество обучения нейронной сети и, как следствие, на точность оценок, даваемых сетью распознаваемым литологическим пластам;

- достижение преимуществ применения специализированных алгоритмов обработки результатов работы сети для увеличения информативности сигнала, выдаваемого НС, и повышения надежности распознавания; разработка программно-инструментальных средств интеллектуальной системы качественной интерпретации данных ГИС;

- реализация разработанных алгоритмических средств и программного комплекса для практического использования и получения реальных результатов экспресс-интерпретации различных скважин;

- применение средств искусственного интеллекта для контроля качества оцифровки КД путем анализа соответствия оцифрованной информации имеющемуся экспертному заключению по скважине, характерных интервалов значений диаграмм и других критериев;

- методика проведения комплексного анализа достоверности и согласованности геолого-геофизических и промысловых данных с использованием ряда математических и алгоритмических структур; анализ и систематизация структуры геолого-геофизической и промысловой информации;

- алгоритмы и программные модули, позволяющие определить мощность коллекторов, а также их количественные параметры (пористость, нефтенасыщен-ность, водонасыщенность, глинистость); состав и структура базы правил системы контроля достоверности информации;

- проектирование и реализация ИСИ ГИС, разработка концептуальной структуры объектно-ориентированной системы, принципов построения программного, информационного, математического и лингвистического обеспечения системы.

Научная новизна полученных результатов определяется проведенными комплексными исследованиями, в результате которых вместо применения классических методов интерпретации, использующих решения трансцендентных уравнений петрофизики, в процессе интерпретации КД применен подход, существенно сокращающий количество вычислительных операций и повышающий быстродействие оперативной качественной интерпретации непосредственно на скважине в ходе проведения ГИС путем применения современной математической теории интеллектуальных систем на основе аппарата НЛ и НС, в ходе которых:

- определены принципы построения алгоритмов, применяемых на этапе предварительной обработки КД; осуществлен выбор структуры и создание ИСИ ГИС на основе моделей НЛ и НС, произведено создание и обоснование концепции и принципов построения программного и информационного обеспечения;

- разработана база каротажных данных для решения задачи автоматизации обработки результатов ГИС; решены проблемы импорта, хранения и поиска разнородной информации, ее визуализации и вывода на печать; предложены принципы построения интерфейса взаимодействия базы данных с программами обработки и анализа каротажной информации;

- предложена модель НЛ для литологического расчленения пройденных скважиной пород; отработана и апробирована методика построения правил базы знаний; в результате проведения комплекса исследований по экспресс-интерпретации КД и сопоставлении их результатов с экспертными оценками выведены критерии, позволяющие использовать оптимальный набор методов каротажа для выделения нефтенасыщенных коллекторов с заданной точностью при использовании созданных алгоритмов, построенных на основе НЛ;

- разработан новый гибридный метод оптимизации, основанный на параллельной работе градиентного метода (МСГ — метод сопряженных градиентов, МПМ - метод переменной метрики) и генетического алгоритма с бинарным или вещественным кодированием;

- применен аппарат искусственных нейронных сетей, позволяющий использовать накопленный эмпирический материал и знания опытных интерпретаторов, являющийся ядром базы знаний интеллектуальной системы для литологического расчленения разреза скважины;

- получены зависимости точности определения литологической структуры разреза скважины от вида представления каротажных данных, что дает возможность применять аппарат искусственных НС в геолого-геофизической области; предложена методика применения НС, не зависящая от количества входных каротажных диаграмм, позволяющая проводить качественную экспресс-интерпретацию даже в тех случаях, когда на скважине проведен неполный набор методов геофизических исследований и решающая проблему точной классификации типа пласта в случае противоречивости данных ГИС;

- разработаны алгоритмы повышения надежности распознавания литологической структуры скважины, являющиеся составной частью интеллектуальной системы и обеспечивающие возможность использования в качестве операторов-пользователей данной системы специалистов среднего уровня; разработана интеллектуальная система на основе НС, опирающаяся на проведенный вычислительный эксперимент, позволяющая проводить качественную экспресс-интерпретацию каротажных диаграмм, используя созданную базу знаний с учетом эмпирических данных высококлассных геофизиков-интерпретаторов, даже в процессе проведения ГИС;

- создана ИСИ ГИС, обладающая возможностью оценки уровня достоверности геолого-геофизической и промысловой информации, хранящейся как в специально разработанных хранилищах, так и в разрозненных источниках; осуществлен выбор структуры и состава компонентов ИСИ, произведена разработка концепции и принципов построения программного, лингвистического и информационного обеспечения ИСИ, обеспечивающих анализ достоверности геолого-геофизических данных;

- определены принципы построения алгоритмов и программных средств,

предназначенных на ранней стадии обработки информации выявлять ошибочные данные с механизмом их автоматического исправления; разработаны научно обоснованные программные решения, направленные на повышение уровня достоверности геолого-геофизических и промысловых данных;

- разработанная система контроля достоверности информации обладает высокой степенью совместимости и мобильности, вследствие чего может быть интегрирована в уже существующие хранилища данных, а также портироваться на сервера различных производителей, поддерживающих реляционную модель данных; разработана единая технология контроля различных по структуре видов данных, обеспечивающая методы интегрированного анализа, применяемых в рамках различных программных решений;

- предложено программное решение, позволяющее строить графы обработки, представляющие собой последовательность действий решения определенной задачи, которое может использоваться для фиксирования результата этапов расчетов для последующего анализа.

Практическая полезность исследования состоит в том, что в результате комплексных исследований на практике реализована кибернетическая теория распознавания образов, реализуемая на основе принципов построения и функционирования систем искусственного интеллекта и математической теории информационных систем, позволяющих реализовать теоретические основы экспертных систем с помощью легко внедряемого и доступного при широкой реализации аппарата методов HJI и НС.

Применение ИСИ ГИС позволяет существенно сократить временные затраты при решении задачи литологического расчленения скважин за счет реализации современных достижений в области развития систем искусственного интеллекта. Это выражается в том, что найден магистральный путь отхода от решения классических уравнений математической физики, в частности, геофизики, и переходу к применению дискретных многофункциональных систем, использующих базы знаний и базы данных, позволяющих принимать решения на основе применения эмпирически обоснованных экспертных оценок. Данные возможности появились в результате реализации математической теории интеллектуальных систем на основе методов HJI и НС.

Полученные в работе методики и алгоритмы применения аппарата искусственных нейронных сетей для качественной экспресс-интерпретации данных ГИС позволяют существенно автоматизировать труд геофизика-интерпретатора за счет колоссальных вычислительных возможностей по обработке терабайт геофизической информации интеллектуальными системами на базе как отдельных компьютеров, так и компьютерных сетей, существенно использующих реляционные базы данных таких как «Finder» и др. НС за счет заложенных в них эталонных данных позволяют сократить время, необходимое на проведение качественной экспресс-интерпретации скважин в несколько раз с одновременным повышением качества интерпретации и сокращением ошибок при принятии решений.

Созданная ИСИ ГИС позволила решить ряд проблем, возникших при обработке различного рода геолого-геофизической и промысловой информации. Применение системы повышает уровень достоверности и согласованности данных,

используемых в качестве исходных при построении геологических, гидродинамических и прочих моделей месторождений, а также обеспечивает реализацию механизма обнаружения ошибок и неточностей па ранних стадиях обработки дан-пых. С помощью системы можно построить граф обработки данных, что позволяет неоднократно применять одинаковые подходы для верификации одних и тех же данных на разных стадиях обработки геолого-геофизической информации.

Практическую ценность системе придает ее независимость от используемых аппаратных средств персональных компьютеров и слабую зависимость от хранилища данных. Структура разработанной ИСИ легко модифицируется под ' конкретные требования, обеспечивает возможность добавления новых модулей, а также адаптацию системы к различным правилам проверки данных. .

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 необходимости адаптировать ее под любую другую СУБД, поддерживающую реляционные модели баз данных. Модульность созданной системы обеспечивает возможность подключения программных модулей сторонних разработчиков, что позволяет более тонко осуществлять настройку на предметную область. Измерительная информация представлена в виде базы данных, что позволяет обрабатывать 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 динамически связываемых библиотек (dll), дающих широкие возможности расширения, позволяет рассматривать созданную ИСИ как многофункциональный инструмент анализа геофизических данных.

Настоящая работа обеспечивает необходимую.базу для дальнейшего развития и совершенствования новых направлений обработки и интерпретации геолого-геофизической информации, построенных на математическом аппарате НЛ и НС, с использованием материалов ГИС.

Реализация работы в производственных условиях. При непосредственном участии автора была разработана и реализована ИСИ ГИС, построенная на принципах систем искусственного интеллекта и реализованная на математическом аппарате HJI и НС, в том числе созданы технические и методические средства, направленные на повышение точности ее функционирования и универсальности. Разработанная система использовалась при работе с перспективной базой данных Finder, где правила системы служат для проверки данных на достоверность и согласованность, а также обеспечивают возможность автоматической корректировки заведомо ошибочной информации.

Тесная интеграция системы в программный комплекс оцифровки, предназначенный для создания базы электронных дел скважин.ряда месторождений Западной Сибири, позволило увеличить скорость обработки скан-рбразов и снизить ошибки, возникающие при заполнении базы. Работа системы протеста-

рована в ходе верификации геолого-геофизических и промысловых данных ряда месторождений Западной Сибири. Результатом верификации являлось построение геологических и гидродинамических моделей месторождений.

Работа выполнялась в соответствии с планами хоздоговорных НИР, проводимых ООО «Институт интеллектуальных технологий» и ОАО «ТНК-ВР»: № ГР 01200 405097 «Верификация геолого-геофизической информации по объектам разработки месторождений Северного НГДП ОАО «Нижневартовск»; № ГР 01200 405096 «Формирование базы данных геолого-технологических мероприятий на скважинах Самотлорского месторождения»; № ГР 01200 405095 «Оцифровка каротажного материала Каширо-подольского объекта Вятской площади Арланского месторождения»; № ГР 01200 405096 «Создание библиотеки скан-образов скважин Самотлорского месторождения»; № ГР 01200 406709 Формирование базы данных по ОАО «Варьеганнефтегаз».

Работа выполнялась в Институте математического моделирования разработки нефтяных месторождений ИжГТУ в соответствии с планами хоздоговорных НИР, проводимых ИжГТУ с ОАО «Удмуртгеология» и ОАО «Белкамнефть».

Вся работа в целом, а также ее отдельные части могут быть использованы предприятиями нефтегазодобывающей отрасли, организациями, занимающимися построением ряда различных моделей на основе геолого-геофизической и промысловой информации.

Апробация работы. Отдельные законченные этапы работы обсуждались на VII Всесоюзн. совещ. «Теория и методы математического моделирования» (Москва, 1978); IX Всесоюзн. симпозиуме по кибернетике (Москва, 1981); Всесоюзн. конф. «Теория адаптивных систем и ее применения» (Ленинград, 1983); VI науч.-техн. семинаре «Управление при наличии расплывчатых категорий» (Пермь, 1983); Международном коллоквиуме по Европейскому сотрудничеству в научно-технической сфере (Германия,Кохен,1997); 38-й Международной конференции по процессам управления (Словакия,Братислава, 1997); Международной НТК «Информационные технологии в инновационных проектах» (Ижевск, 1999-2004); Научно-технических конференциях ИжГТУ (Ижевск, 19992004); 5-м Международном конгрессе по мат.моделированию (Дубна,2002); Международной НТК, посвящ. 50-летию ИжГТУ (Ижевск,2002); Международной НТК «Искусственный интеллект-2002» (Таганрог,2002); Международной конф. по мягким вычислениям и измерениям (СПб,2003); Международной НТК «Интеллектуальные и многопроцессорные системы-2003» (Таганрог,2003); 4-й Международной НТК «Компьютерное моделирование 2003» (СПб,2003); Российской НТК «Высокопроизводительные вычисления и технологии» (Ижевск,

2003); Международной конференции «Компьютерное моделирование» (СПб, 2003-2004); 31-й Международной конференции «Информационные технологии в науке, образовании, телекоммуникациях и бизнесе» (Украина, Крым, Ялта - Гурзуф,

2004); Международном симпозиуме «Надежность и качество» (Пенза, 2004); 6-м Международном конгрессе по мат.моделированию (Н.Новгород, 2004); 31-й Международной конференции «Информационные технологии в науке, социологии, экономике и бизнесе» (Украина, Крым, Ялта - Гурзуф, 2004); 4-м научном симпозиуме «Геоинформационные технологии в нефтегазовом сервисе» (Уфа,2005).

Публикации. Основные научные результаты по теме диссертации опубликованы в 124 научных работах, в том числе: 1 монография (128 е.); 7 отчетов о НИР (63с., 59с., 91с., 35с., 53с., 48с., 80с.). Автор имеет 19 научных трудов в изданиях, выпускаемых в РФ и рекомендуемых ВАКом для публикации основных результатов диссертаций на соискание ученой степени доктора наук.

Структура диссертационной работы определяется общими замыслом и логикой проведения исследований.

Диссертация содержи! введение, 7 глав и заключение, изложенные на 335 с. машинописного текста. В работу включены 125 рис., 51 табл., список литературы из 306 наименований и приложение, в котором представлены акты об использовании результатов работы.

СОДЕРЖАНИЕ РАБОТЫ

Введение содержит обоснование актуальности темы, формулировку цели и задач работы, основные положения, выносимые на защиту, и определяет содержание и методы выполнения работы.

В первой главе дан анализ методов разработки и интерпретации результатов ГИС. Представлен обзор методов получения данных о геофизических харак-1еристиках скважин. Особое внимание уделено электрическому, акустическому, радиоактивному методам каротажа, а также кавернометрии. Определены основные этапы автоматизации процессов сбора, обработки и интерпретации геофизических данных. При этом дан сопоставительный анализ различных методов и алгоритмов интерпретации данных, таких как статистические методы, алгоритм с использованием диагностических кодов, лиюлогическое расчленение с оценкой вероятности, метод нормализации и методы классификации, основанные на пет-рофизических данных. Описаны характеристики ирофаммных средств, предназначенных для автоматизации работ по оцифровке и интерпретации КД.

Во второй главе решены задачи обучения интеллектуальных систем с применением методов оптимизации, которые состоят в подборе численных значений определяющих коэффициентов таким образом, чтобы рассчитываемые выходные значения системы наилучшим образом согласовывались с фактическими данными, т.е. происходила минимизация ошибки, заданной в какой-либо норме. Алгоритм работы системы представим в виде оператора Q, преобразующего входной векторный сигнал X в результирующий вектор Y: Y = Q(X,A), а коэффициенты, обеспечивающие количественное значение Y, - в виде вектора А. При обучении на выборке из пар (xf задача заключается в нахождении век-

гора А, минимизирующего JjQ(X-^,Aj-Y-^jj—>min, что тождественно решению

задачи оптимизации многомерной функции /(А) min.

Проведен анализ использования градиентных методов решения задач нелинейного программирования. Одномерный поиск в данных методах основывается на алгоритме золотого сечения. Проблема поиска глобального экстремума многоэкстремальных функций для этого класса методов является нерешенной. Результат решения и сходимость методов во многом определяются выбранным началь-

ным приближением. Другим классом методов, решающих в большей степени проблему многоэкстремальности, являются генетические алгоритмы, основанные на имитации в искусственных системах некоторых свойств живой природы. Сильной стороной генетических алгоритмов является их способность решать мно-гоэкстремапьные задачи без наложения условий на вид оптимизируемой функции. Однако достижения глобального экстремума они не гарантируют. Основная идея генетического алгоритма состоит в создании популяции особей (индивидов), каждая из которых представляется в виде хромосомы. Любая хромосома есть возможное решение рассматриваемой оптимизационной задачи Для поиска лучших решений необходимо только значение целевой функции или функции приспособленности. Ее значение показывает, насколько хорошо подходит особь, описанная данной хромосомой, для решения задачи. Эффективность градиентных методов и генетических алгоритмов бинарного (BGA) и вещественного кодирования (RGA) изучалась на многомерной функции Розенброка вида

Л*.....,*,♦,) = ¿(ЮО • (дс„, - х,2 )2 + (1 - x,f) min.

<=i

Оптимальные значения переменных при /(Х) = 0 равны х' = 1, i = +1. Для многомерной функции (N > 20) наиболее эффективный метод переменной метрики находит решение только в узком диапазоне начальных приближений (0 95 < <1.05). Генетическими алгоритмами глобальный экстремум, как правило, не достигается, что связано с овражным характером целевой функции. Для устранения этого недостатка целесообразно применение гибридных алгоритмов, объединяющих свойства градиентных и эволюционных алгоритмов.

В работе предложен гибридный алгоритм, основанный на параллельной работе генетических операторов и какого-либо градиентного метода. В популяции, созданной генетическим алгоритмом, выбирается лучшая особь - лидер, который 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 популяции 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 (МНС), метод сопряженных градиентов (МСГ) и метод переменной метрики(МПМ)).

Суть разработанного гибридного алгоритма заключается в следующем:

1) к = 0. Формируется популяция, состоящая из т особей {C'.j = l,m}*, по BGA- или RGA- методу. Первый номер принимает особь С1 с лучшим показателем. С помощью преобразования ц/ л получаем вектор XJhX'=XJ;

2) к = к +1. С помощью одного из алгоритмов (МНС, МСГ, МПМ) вычисляется приближение вектора X*. Алгоритмом BGA или RGA создается популяция {С1,5 = 1 ,т}к и находится лучшая особь, определяющая очередной вектор X*;

3) Если Л Xj) < /(X*), то X* = X*;

4)Если ДХ;)>/(Х*),то С'=[Х',И;

5) Если выполняется условие остановки, го «конец» иначе возврат к п.2. Гибридный алгоритм тестировался на задаче минимизации функции Ро-

зенброка при N = 2000. Задача поиска глобального экстремума функции большой размерности успешно была решена обоими: BGAVM (симбиоз бинарного генетического алгоритма и метода переменной метрики) и RGAVM (вещественный генетический алюригм и мегод переменной метрики) примерно за одинаковое время. Следует ошегить, что методы BGA, RGA, МПМ не позволяют получить значения минимизируемой функции меньше 104.

J (X ) tlAMoi J\A 100000

Рис 1 Минимизация многомерной функции Розенброка гибридным генетическим алгоритмом ВОАУМ при N = 2000:

I АХ). 2 - сКМах, 3 с1ХЛу

1000 1500 2000 2500 и

Рис 2 Минимизация многомерной функции Розенброка гибридным генетическим ал! оритмом ИСАУМ при N = 2000:

I -ЛХ), 2 - ¡IXМах, 3 - ¿ХАч

На рис.1 показан итерационный процесс для алгоритма BGAVM, а на рис.2 - для RGAVM. Методу BGAVM присущи более продолжительные участки с низкой скоростью сходимости и более резкие скачки уменьшения значения функции, чем методу RGAVM. На рисунках dXMax, dXAv соответствуют максимальному и среднеквадратичному отклонению решения от оптимального значения.

Кроме функции Розенброка рассматривались другие функции, обычно применяемые при тестировании (Расстригина, de Jong). Эти функции удовлетворительно минимизируются стандартными генетическими алгоритмами, но алгоритм BGAVM оптимизирует их значительно быстрее.

Разработанный гибридный алгоритм показал пригодность также при решении широкого класса задач: условной и безусловной оптимизации, решения систем нелинейных уравнений большой размерности. Его свойства дают основание рекомендовать метод для обучения интеллектуальных систем.

В третьей главе представлена математическая модель каротажной кривой и подробно описана процедура предварительной обработки данных, включающая нормирование и нормализацию, удаление тренда и фильтрацию, сглаживание, увязку кривых по глубине и переход к равномерному масштабу по глубине, что необходимо для повышения точности и эффективности интерпретации ГИС.

В четвертой главе исследовалась возможность интерпретации результатов ГИС на основе применения адаптивных систем нечеткого вывода (HJI), которые представляют собой перспективное направление в развитии теории искусственного интеллекта Нечеткие знания формулируются в виде нечетких продукционных правил вывода, задаваемых в форме: ЕСЛИ х эш А, ТО у это В, где А и В -

нечеткие множества, //,(*), //„(у) - соответствующие им функции принадлежности, построенные в пространстве входных значений X и выходных У Левая часть правила называется условием, или предпосылкой, правая часть - следствием или заключением. Для и переменных правило У?, принимает вид нечеткого рассуждения: Л,: ЕСЛИ дг, это Ап ... И ... хп это Ат, ТО у эю Вп (/ = 1,/я).

Процесс построения системы нечеткого вывода состоит из двух этапов: структурной и параметрической адаптации. Эти процедуры могут выполняться как раздельно, так и одновременно, и проводятся с использованием экспериментальных данных обучающей выборки. Структурная адаптация подразумевает генерацию базы нечетких правил вида «если - то». Критерием качества сформированной базы правил выступает полнота покрытия правилами всех примеров из обучающей выборки. На этапе параметрической адаптации производится настройка форм функций принадлежности нечеткой системы. Для этого минимизируется сумма квадратов разностей между фактическим у1 и спрогнозированным с11 значениями переменной вывода нечеткой системы (1), где I 1 X - вектор параметров функций принадлежности;

Ф(Х) = — ^(у, (1) Н - объем обучающей выборки. Дополнительно 1-1 накладываются ограничения на границы термов.

Таким образом, процесс построения адаптивной нечеткой системы всегда сводится к решению некоторого конечного множества оптимизационных задач. Вид оптимизационной функции зависит от данных из обучаемой выборки. Нахождение глобального экстремума такой функции традиционными методами оптимизации является сложной, а часто неразрешимой задачей. Поэтому для обучения нечеткой системы применен разработанный гибридный алгоритм.

В работе рассмотрен алгоритм точечной оценки. Имеется система данных, в которой выделяется обучающая выборка. После выбора разрешающей формы определяются правила. Затем операцией пересечения нечетких множеств вычисляется степень выполнения каждого правила. Для правой части у-го правила находится степень принадлежности /л (У) = 1шп[д(Л'1)], где Х: -

базовая переменная для лингвистической переменной входящей в левую часть правила (/ = 1,...,т, ¿Фк), а У - базовая переменная для лингвистической переменной хк, входящей в правую часть правила. Функция принадлежности, соответствующая переменной У, определяется по соотношениям:

■= 1к (у); а (у)=я? (у) ; ^ {у)=ч\гх + £ - ч'Г1^; /=Щ; дЦ = о к

с использованием вероятностной I - конормы, где Ьк - число правил с одинаковой правой частью. Затем вычисляется центроидная точечная оценка переменной У:

У0 = ¡рс(и)ис1и / ]//с(иУи.

Ч 'у

Функции принадлежности трапецеидальной формы можно описать с помощью координат угловых точек трапеций для каждого терма. Обозначим эти параметры х1 / = 1 ,т, / = 1,7;, р —1,4, где 7] - количество термов для переменной хг

Вид правил также определяют левая и правая границы термов ВЦ, BR[, i = \,т, t = 1, Tt, которые в общем случае не совпадаю г с х'и, x'ti.

Итогом работы алгоритма точечной оценки является результат У0, зависящий от правил и параметров х' , ВЦ, BR't, / = 1,/и, t = \,Tt, р = 1,4. Следовательно, можно считать, что определена функция Y = F(X,Z), где X = [Xt] - вектор входных переменных; Z - вектор, состоящий из переменных (параметров) х' , ВЦ, BR[, i = l,m, / = l,7j, /7 = 1,4. Для обучения определяется целевая функция

¥(Z) =

£(.Р(Х\г)-У)2 =>min, где |{х\Г)} (* = 1,/г) - система данных,

используемая для обучения (обучающая выборка); А - объем обучающей выборки.

Ее минимизация дает оптимальные значения параметров нечеткой системы Ъ = {х'р1,В1!1,В^1,1 = \,т\1 = \,Т1\р = \,А}. Оптимальные функции принадлежности, полученные в результате обучения на правилах и соответствующие рассматриваемым геофизическим методам, используются далее для прогнозирования и идентификации литологичсских типов пластов на новых скважинах. На рис 3,а,б для двух скважин показан прогно! продуктивности пластов в сравнении с данными расшифровок. Прогнозу соответствуют темные столбики, рас -

шифровке - светлые. Видно, что для обеих скважин продуктивные пласты, соответствующие нефти, узнаются на 100%. Водяные пласты распознаются на 95 и 97% соответственно. Пласты типа нефть-вода распознаются хуже-система отнесла 5 пластов нефть-вода

Рис 3 Результаты прогнозирования продуктивности пласюв к нефта и ) пласт к

воде. Важно, что обученная нечеткая система не пропускает продуктивных пластов типа нефть, и поэтому рассмотренный метод может применяться для экспресс-анализов новых скважин.

В этой же главе описан процесс создания и обучения системы НЛ на основе различных наборов методов каротажа, определена информативность методов каротажа в зависимости от их набора, по которому строилась система НЛ.

Объектом исследования явились скважины Вятской площади Арланского месторождения. КД представлены в числовом виде, а их интерпретация была осуществлена специалистами ОАО «Башнефтегеофизика» без использования ав-

томатизированных систем интерпретации Исследовано 25 скважин с номерами из интервала 13015-13622, на которых снимался набор из пяти методов каротажа (гамма-каротаж (ПИ), нейтронный гамма-каротаж (МОЯ), боковой каротаж (ВК), акустический каротаж (ОТ) и кавернометрия (ОЭ)). Рассмотрению подлежали интервалы глубин. На каждую скважину пришлось порядка 900 отсчетов. Обучающую выборку составили 5 скважин с номерами 13090, 13115, 13438, 13499, 13582; остальные 20 использовались на этапе экзамена. Для создания нечеткой системы принимались во внимание такие литологические типы, как нефтеносный коллектор, водоносный коллектор и неколлектор.

При обучении на одном методе каротажа база знаний системы НЛ была представлена в виде правил: /7,: если (х есть Ав), то у есть Ув; Пг: если (х есть Ап), то у есть Уи; /7,: если (хесть Аш), то у есть Ут; где х - значения методов каротажа; у - переменная вывода; Ав, Аи, Аж - нечеткие множества, определенные на х, соответствующие водоносному, нефтеносному коллекторам и неколлектору; Уи, К , Уж - нечеткие множества, определенные на у, соответствующие водоносному, нефтеносному коллекторам и неколлектору. Нечеткие множества Ав, А„, Анк характеризуются гауссовскими функциями принадлежности (2), параметры акр которых подлежат определению:

я^у я^Т »г'-».у

/<,(*) = « А ] = е 2[ А J Мш(х) = е * > (2)

Нечеткие множества У„, К , Упк определены на интервале [-1,4] и характеризуются функциями принадлежности (3), представленными на рис.4.

--Г—-—у

| 1 о

* 08

0

1 06

I 04

С

X 02 £ 0

н/к вода Г г.

I.

нефть

" -10 12 3 4

Насыщение

Рис 4 Функции принадлежности для переменной вывода

Таблица 1

Метод каротажа а„ Ре а» Р» а«к Р„К Эффсктиность по нефти, % Информативность метода каротажа

вя 0.75 0.10 0.00 0 10 0.75 0.35 100.0 41.0

шя 0.57 0.02 0.60 0.32 0.92 0.31 100.0 15.1

ВК 0.62 0.35 0.64 0.65 0.35 0.14 100.0 35.1

эт 0.08 0.35 0.13 1.00 0.94 0.97 100.0 23.5

Э8 0.25 0 10 0.50 0.35 1.00 0.85 100 0 30.8

Использование метода среднего максимума в качестве метода дефаззификации позволило сопоставить четким значениям переменной вывода следующую смысловую нагрузку: 0 - «нет насыщения», 1 - «вода», 2 - «вода+нефть», 3 - «нефть». Так как идентификация литологической структуры разреза ориентирована на нахождение нефтеносных слоев, сначала осуществлялось выявление доли нефтеносных участков, определенных как нефтеносные, а только после этого вычислялась ошибка распознавания литологического состава по всему разрезу скважины. Модель НЛ считалась адекватной при 100% совпадении нефтеносных участков. При этом часть слоев, не являющихся нефтеносными, могли быть определены как нефтеносные, но не наоборот.

СИ вк

■ - экспертная оценка ш - результат интерпретации ■ - экспертная оценка, из - результат интерпретации

«) б)

Рис 5 Результаты интерпретации: а) по одному методу каротажа, б) по двум методам каротажа

Результаты распознавания структуры разреза при помощи системы НЛ по одному и двум методам каротажа приведены на рис.5, а вид функций принадлежности - на рис.6. Найденные значения параметров функций принадлежности ав, Д,, ан, Д,, аш, Рик обеспечивающие наилучшее распознавание, сведены в табл. 1. Колонка «Эффективность по нефти» содержит долю нефтеносных учасч -

ков, определенных как нефтеносные В последнем столбце -информативность методов каротажа. Полученные функции принадлежности для входных переменных (рис.6) практически соответствуют методу диагностических кодов. Отличия объясняются тем, что, когда по значению метода невозможно однозначно определить какой-то тип литологии, система не может подобрать соответствующую ему функцию принадлежности.

При обучении на двух и более методах каротажа предлагается строить базу знаний по следующему принципу. На области значений одного из методов определяется п нечетких множеств А1,Л2, ..., Ап. Функции принадлежности этих нечетких множеств

\ нефть

\ ^ \ ^ ' • \ х

\ / /

вода / \

\

0 02 04 06 08 1

СЯ

1 — -щц нефть^"^,.*''

ОВ ч у

х^/ вода

06

04

/ ч

02

0

метры определяются подбором. Вид функций приведен на рис.7 (метод ЫСЯ). Для остальных методов каротажа задается 3 п нечетких множеств В1,В7,...,В-111, параметры их функций принадлежности %1'Х^---'Хь, также определяются подбором:

02 04 06 06 1

1

09

Об

04 ■Г х

02 у У \

- —

_

ф) = е 2(А 1 / = 1 ,п *,(*) = <

» У '

1

(4)

Рис 7 Функции принадлежности для моделей НЛ, использующих два метода каротажа

Нечеткие множества переменной вывода Ун, К , Ут задаются так же, как и при работе с одним методом каротажа. База знаний системы НЛ содержит правила вида: если (х, есть Д) и (х2есть

- и (хкесть ВЦ\]М), то у есть Ув; 2: если (х,есть А,) и (х2есть В[%\2+2) ... и (хкесть К-»м)' т0 у есть если (х|ссть А) и (х2

есть В!*2')... и (хк есть В\]к 1), то у есть Уш; где х, -значения первого метода каротажа; х] - значения ос-

тальных методов каротажа; 1 - нечеткое множе-

Рисб Функции принадлежпо- Ство, определенное на х ; у - переменная вывода; сги для моделей НЛ, исполь- _

зующих один метод каротажа / = 1,»; К - количество методов каротажа.

По результатам эксперимента можно сделать выводы о состоятельности

подхода к задаче распознавания литологического состава разреза скважины при помощи обучения моделей НЛ Наблюдается тенденция повышения качества распознавания при увеличении количества методов каротажа, участвующих в работе модели НЛ Оценки литологического состава разреза скважины, полученные при помощи моделей НЛ, могут служить оценкой сверху наличия нефтеносных участков в разрезе

В пятой главе представлены результаты разработки интерпретирующих систем с использованием нейросетевых методов. Для извлечения знаний из системы данных и для решения задач аппроксимации сложных функций многих переменных широкое применение нашли однонаправленные многослойные НС, важным свойством которых является способность к обучению и обобщению полученных знаний Обученная на ограниченном множестве обучающих выборок НС обобщает накопленную информацию и выдает реакцию на данные, не применявшиеся при обучении. НС осуществляет нелинейное преобразование вектора х в вектор у: у =Ф(\¥,х), где W - матрица коэффициентов преобразования, определяемая в процессе обучения сети.

В работе проведено исследование применимости трех типов НС для решения задач интерпретации ГИС' многослойная однонаправленная сеть; радиальная ссть (ИВР), нечеткая сеть (ТБК).

Многослойная нейронная сеть состоит из входного и выходного слоев, а гакже из нескольких внутренних (скрытых) слоев. Входной слой имеет размерность входного вектора х = [*,,...,хп]. Выходные преобразованные сигналы суммируются на последующем слое и т.д. до последнего выходного слоя:

и* = I!> 2* = '=Щ~,* = Щ,такчтог° = х,у = гАс.

го

Построенная таким образом НС содержит весовые коэффициенты ^,

/ = 1, Л^ , 7 = 0, Nкл , к = \,Кс, определяемые в процессе обучения.

В отличие от многослойных НС, сети радиального типа реализуют принцип локальной аппроксимации. Радиальная сеть имеет только один скрытый слой, выполняющий нелинейное отображение при помощи нейронов с базисными радиальными функциями вида <р{\\ X - С, ||). Математическая запись такой сети имеет вид: н

^(Х) = (||Х-С, ||), где X - входной вектор; чг, - вектор весов скрытого

1=1

слоя; С, (г = 1,2,...,Я) - множество центров, подлежащих определению.

Объединение принципов нечеткого логического вывода и нейросетевой структуры привело к созданию нечетких нейронных сетей. В диссертации использован один из вариантов нечеткой сети - нечеткая нейронная сеть Такаги-Сугено-Канга (ТБК). Нечеткая сеть основана на М правилах Я,: Если х, это Аи,..,,х это

это Аш, то у1 ¡-\,М для вектора х=[х1,...,хп], где А (/ —1,/У;/ = \,М) - нечет-

кие множества с соответствующими им функциями принадлежности /ил (х), построенными в пространстве входных значений. Выходной результат правила Л, представ-

N

лен в виде четкой функции у1 ~ у (х) ~ + У/',,*, Функция принадлежности имеет

I

вид //+(х)=

щ

. Результат левой части правила Л, задается алгсбраи-

, Агрегированный выход-

ческим произведением: /(.,,(*) = 1 + _с</]/°</)

Р11-

М ( N \ ' .V

ной сигнал такой сети рассчитывается по формуле у(х)-У^ (р:а + У/>,*,),

1=1 / /=)

где Ру (/ = \,М, у = 0,М) - веса, подбираемые в процессе обучения; коэффициенты

и>( (;' = \,М) определяются значениями соответствующих функций:

д' Г гь 1 1

и< -//,,(х) = I +([*, ~"С,,]/СГ'/) .Неизвестные в сети параметры с:/, ац, Ьц,

г\ -1

Р = \Р,1 ] >' = 1. М, у = О, N делятся на две части су, ач, Ьц и Р = [#,]. Коэффициента Р = [Ру] находятся с применением псевдоинверсии. Остальные неизвестные параметры во всех рассмотренных методах находятся с применением гибридного генетического алгоритма.

Для обучения использовалась система данных, представляющая собой набор наблюдаемых точек {х', Г'), у = 1,р, где х, f - входной вектор и вектор функции, соответственно. Система данных из р точек делится на две выборки: обучающую (ху,Гу), у' = 1 ,И и проверочную (х\{'), j = h + \,р. Неизвестные коэффициенты нужно подобрать таким образом, чтобы они обеспечили минимальное отклонение рассчитываемых в сети значений у от имеющихся Г, т.е. давали бы минимум целе-1 т

вой функции /г(\у) = —^(х -/,я)2 =>пнп, где w - вектор неизвестных коэффициентов; ц - номер предъявляемой для обучения пары из выборки (х',Р), д = \,И, Рассмотренные нейронные сети применялись для прогнозирования коэффициента пористости выделенного пласта-коллектора. На входы сети подавались КД выделенных пластов-коллекторов, выходной сигнал соответствовал значению пористости для всего пласта. В эксперименте участвовало 8 разведочных скважин Вятской площади, к которым прилагались расшифровки геофизиков-интерпретаторов с указанием глубин скважин, соответствующих коллекторам, коэффициента общей пористости Кр (м3/м3, %) и типа насыщения. Для нефтенасы-щенных коллекторов дополнительно указывался коэффициент нефтенасыщения Кн . На вход сети подавались показания 7 методов: ВК, БР (собственные потенциалы), Р2, (потенциал-зонд), ГтИ, ИОЯ, ОТ, 1К (индукционный каротаж). Общее количество обучающих примеров составило 200, половина из которых использовалась для обучения, остальные - для тестирования НС. Для синтеза архитектуры и обучения многослойной НС применялся генетический алгоритм ВвА. Модель

многослойного персептрона удовлетворительно справляется с прогнозированием пористости по данным комплекса геофизических методов. Определено, что задача определения коэффициента пористости лучше решалась сетью Т8К. Среднеквадратичная ошибка прогнозирования на тестовом множестве данных для многослойного персептрона <т = 1,9%, для сети Т8К - а = 1,6%. На рис.8 изображены графики зависимостей коэффициента К, выданного НС, от эталонного

Нейросетевые методы также применялись для разделения разреза на пласты-коллекторы. Методика выделения коллекторов по КД основывается на следующих характерных признаках коллекторов: проницаемость; пониженное содержание поверхностно-активной пластичной составляющей твердой фазы; повышенная пористость. На входы сети подавались показания геофизических методов в каждой точке скважины. На выходе фиксировались одно из двух значений - 1 (пласт есть) и 0 (пласт отсутствует). Более высокого качества разбиения, с учетом того, что границы пластов-коллекторов являются размытыми, удалось добиться с помощью кодирования выходных сигналов НС. Для этого в пласт вписывается функция, заданная параболой. Например, пусть коллектор находится на глубине /г,.../^ (/^>/1,), тогда значение функции или выхода сети на глубине И (в метрах) вычисляется по формуле:

/(й) = -2(^-/г,Г2(/г-[/1, + /г2]/2)2+1.

Таким образом, в середине пласта-коллектора выходное значение сети максимально и равно 1.

При исследовании эффективности метода для обучения НС были взяты геофизические данные для скважин Вятской площади с известными расшифровками границ пластов. Обучающая выборка содержала около 2000 точек. После обучения процент распознанных точек достиг 80. Проверка проводилась на других скважинах этой площади. Ниже показано разделение разреза на пласты по указанной методике для двух скважин №13022 (рис.9,а) и №13416 (рис.9,б). Спрогнозированные пласты показаны верхними прямоугольниками. Нижние прямоугольники соответствуют данным расшифровки КД для соответствующих скважин.

Используя полученную от геофизика информацию о выделенных коллекторах из нескольких скважин, выявлены закономерности между показаниями каротажей и наличием или отсутствием коллектора. Задачи выделения коллек-

коэффициента пористости К

Рис 8 График выходов нейронной сети Т8К, определяющей пористость:

а) обучающее множество, б) тестовое множество

торов решались с применением всех рассмотренных типов нейронных сетей. На рис.10 показан результат аппроксимации радиальной сетью ЯВР части сигнала, представленного в обучающей скважине на глубине от 900 до 930 м. Мегод нейросетевого выделения пластов геофизических скважин показал высокую скорость обработки новых скважин и независимость от условий измерений.

ш

ж.,

I

ж

I

I

944 946 948 950 952

958 960 962 964

I

б)

Рис.9 Разделение пластов нейросетевым методом: а) скважина №13022, б) скважина №13416

904 5 909

- Обучающий сигнал

9135

922 5 927

- Аппроксимация ИВР

Рис 10 Результат работы сети ИВР на скважине при выделении коллекторов

В этой же главе описаны экспериментальные исследования, проведенные на оцифрованном материале скважин Вятской площади. Перед обработкой КД нормировались. В эксперименте участвовало 400 интерпретированных скважин, которые разделялись на обучающее (30%) и тестовое (70%) множества. В зависимости от эксперимента количество используемых кривых изменялось. Все эксперименты были направлены на поиск коллекторов и выявление типа флюида. Целью исследования являлась проверка применимости многослойной НС для литологического расчленения разреза скважины и оценка качества интерпретации. Эксперимент был разделен на пять частей: обучение НС без окна данных по группе методов; обучение НС с окном данных по группе методов; обучение НС без окна данных по каждому методу отдельно; обучение НС с окном данных по каждому методу отдельно; переход к точным оценкам и повышение надежности распознавания.

В каждой части эксперимента, кроме перехода к точным оценкам, производилось выделение пластов-коллекторов и нефте-, водо-, нефтеводонасыщен-ных пластов без предварительного выделения коллекторов.

Для выделения пластов-коллекторов результирующий вектор НС был сокращен до вида: С, =(/,)> гле: " степень достоверности того, что пласт на отсчете [лубины /' является коллектором. При определении типа насыщения использовался результирующий вектор НС следующего вида: С, л,2,.где

- степень водонасыщенности пласта на отсчете глубины г, - степень неф-тенасыщенности пласта на отсчете глубины /; - степень нефте-водонасы-щенности пласта на отсчете глубины I.

Таким образом, все НС, используемые для выделения коллекторов, содержали один выход, а сети, применяемые для определения типа насыщения, -три. В качестве входных данных были выбраны следующие каротажные методы: ВК, диаметр скважины (08), ОТ, вЯ, ЫСЖ. Это объясняется тем, что данные методы представлены на всех скважинах в имеющемся наборе каротажных методов. Размерность входного слоя НС составила 5 нейронов.

В ходе эксперимента было построено и обучено по несколько НС на каждый вариант формализации задачи, а затем из полученного множества была выбрана одна, наиболее точно строящая заданное отображение.

Рис 11 Результаты обучения сети при выделении пластов-коллекторов

Результаты эксперимента по одной скважине при выделении пластов-коллекторов без использования окна данных представлен на рис. 11. Для определения типа насыщения результат обучения сети без окна данных представлен на рис.12.

11 1 -08 0.6 0.4 • 02 -0 -0.2

.

46 61

76 91 106 121 136 151 166 181

;Вода ШПИМШ Нефть

Нефть вода -

-Оц нефти -

- Оц воды---Оц нефть вода

Рис 12 Результаты обучения сети при определения тина насыщения

Использование окна данных позволяет НС анализировать не только текущее значения каротажных методов, но и характер поведения кривой в окрестности оцениваемой глубины. В ходе эксперимента применялись окна размерностью в 3 и 5 отсчетов глубины. Размерность входных слоев НС составила 15 и 25 нейронов соответственно. Результаты эксперимента представлены на рис.13 для окна в 3 отсчета и на рис.14 для окна в 5 отсчетов.

|-Заключение эксперта---Оценка сети |

Рис 13 Результаты обучения сети с окном данных 3 отсчета

|-Заключение эксперта--- Оценка сети |

Рис 14 Результаты обучения сети с окном данных 5 отсчетов

Установлено, что качество интерпретации при использовании окна данных возрастает. Но при этом возрастает размерность интерпретирующей НС и, как следствие, время ее обучения. При проведении эксперимента с разделением каротажных методов в качестве входных данных были выбраны ВК, П>8, ОТ, вЯ, N011,1К, PZ, 8Р. Нейронные сети обучались распознавать пласты-коллекторы и характер насыщения как с окном данных в 5 отсчетов глубины, так и без окна данных Результаты эксперимента по одной скважине (определение характера насыщения) с окном данных в пять отсчетов приведены на рис.15.

Кривая ВК Кривая 1)8

Кривая ОТ Кривая вИ

Рис 15 Определение типа насыщения но отдельным методам

Кривая N01*

Кривая 1К

Окончание рис 15 Определение типа насыщения по отдельным методам

Для проверки точности данного подхода были интерпретированы скважины по полному набору методов и по части методов, а именно: ВК, СЛ, ЫОЯ, ОЯ.

Результаты выделения пластов-коллекторов при полном наборе методов каротажа представлены на рис. 16 без окна данных и на рис 17 при окне данных в 5 отсчетов.

1.2 1

08 •

0.6

04

02

-j <

*>

Г\

»Ь

ffllFI

tr

1 51 101 151 201 251 301 351 401 451 501 551 601 651 / -Заключение эксперта---Оценка сети

1.2 1

0.8 0.6 0,4 0 2

Рис 16. Результат выделения коллекторов без окна по 8 методам

V

VI

h

M

•л

Ж.

у/Л/^

■ПА

101 151 201 251

401 451 501 551 601 651

- Заключение эксперта -

■ - Оценка сети

Рис 17 Результат выделении коллекторов с окном данных в 5 отсчетов

Для приведения оценок НС к точным значениям применялось два метода: введение порога округления и использование нечеткой системы.

В шестой главе решены задачи повышения информативности моделей итерпретации данных ГИС В известных системах обработки геофизической информации интерпретация параметров проводится либо в попластовом, либо в поточечном варианте. При попластовой интерпретации непрерывная кривая зависимости геофизических параметров от глубины заменяется ступенчатой. Каждая ступенька соответствует некоторому геометрическому объекту (пласту). Ппаст характеризуется осредненными геофизическими свойствами. Основная проблема при данном методе интерпретации заключается в неоднозначном разбиении геофизической кривой на пласты. При поточечной интерпретации проводится обработка оцифрованной зависимости геофизических параметров от глубины разреза. Результатом обработки является зависимость характеристик разреза от его глубины. Решение задачи поточечной интерпретации основано на методах обратной фильтрации, учитывающих влияние пород, окружающих исследуемую точку. Основной проблемой применения метода поточечной интерпретации является значительная вычислительная трудоемкость. Возможности, повышения эффективности поточечной интерпретации связаны с применением эффективных оптимизационных и аппроксимирующих алгоритмов.

Обозначим свойства разреза вектором Хе/?"1. В качестве таких свойств обычно выступают коэффициент пористости кр, коэффициент глинистости kg,

коэффициент водонасыщенности kw, коэффициент нефтенасыщенности кп и т.д. Для проведения геофизических исследований скважин применялись несколько методов: электрометрические, акустические, радиометрические, термометрические и др. Для каждого метода фиксировался сигнал Y е /?", определяющий физические характеристики (электрическое сопротивление, скорость распространения звуковой волны, уровень радиоактивного излучения), связанные со свойствами разреза. Эта связь задавалась в виде петрофизических уравнений: Y = F(X,P,Q,a), где Р, Q- векторы, описывающие общие физические свойства пород; а - вектор эмпирических коэффициентов. Определение X сводится к задаче нелинейного программирования. Определен критерий оптимизации и составлена целевая функция:

Ац г

/(X,W) = £||Y, -F(X,,P,Q,a)|| min, где К - количество точек в /=i

направлении z; ||Y( - F(X,,P,Q,a)|f = ¿w [ytj - F,(X,,P,Q,a))2 - метрика;

j-i

W=[wy] - нормированный вектор весовых коэффициентов.

К целевой функции добавляются ограничения, задающие область определения g,(X)> о,i = \J.

При решении данной задачи предполагалось, что коэффициенты (Р ,Q,a) в петрофизических уравнениях известны. Для их определения необходимо иметь обучающую выборку (X,(z), Y,(z)), i = l,K. При наличии данных о коэффициентах Р, Q, характеризующих общие свойства пород, проводилась настройка только коэффициентов а, W. Для обучения привлекались данные раз-

ных месторождений и с нескольких скважин, т е (X,(z), Y,(z)), / = 1 , t = \,T Настройка коэффициентов производилась при решении следующей задачи безусловной оптимизации:

/(а, W) = ¿¿¡Y, - F(X„P,Q)f => min.

/=i /=i

После вычисления коэффициенты а, W использовались в процессе поточечной интерпретации для произвольных месторождений.

При отсутствии данных о коэффициентах Р, Q подбор их производился на основе обучающих данных, полученных на конкретном месторождении:

/(a,P,Q,W) = ¿||Y, - F(X,)|f => min .

Подобранные таким образом коэффициенты (а, Р, Q, W) применялись при интерпретации геофизических данных рассматриваемого месторождения.

Для моделирования процесса интерпретации были сгенерированы данные Y(z) для заданных свойств разреза X(z) по петрофизическим уравнениям. Фрагмент зависимости Y(z) для четырех методов показан на рис.18. Затем на половине этих данных ({X,(z),Y((z)), i-\,K, К =2000, Ah = 0,2) проведено обучение интерпретирующей системы и свойства X(z) восстановлены на другой половине данных.

У

Рис 18 Данные геофизических методов по глубине

На рис.19 представлены восстановленные и исходные значения свойств разреза. Как следует из рис. 19 восстановленные зависимости отслеживают заданные (фактические) значения Х(г). По восстановленным зависимостям уверенно производится разбиение разреза на пласты и определяются литологиче-ские свойства. Обученная таким образом интерпретирующая система готова к оперативной интерпретации геофизических данных.

Повышение качества интерпретации ГИС достигается также снижением размерности системы данных. Методы снижения размерности предназначены для представления системы, характеризующейся переменными х е Я", в координатном пространстве меньшей размерности у £ Ят, причем т<п. Для этого можно использовать либо нелинейные методы (многомерное шкалирование), либо линейные (метод главных компонент). В методе главных компонент РСА

каждая координатная ось является линейной комбинацией исходных переменных системы хеЯ". Преобразование по методу главных компонент определяет корреляцию между переменными, образующими входное множество. Если переменные коррелируют между собой, то для определения всех данных доста-

а) коэффициент пористости, 6) коэффициент глинистости

На представленной выборке определялась матрица преобразования сигналов в значения главных компонент у = \Ух для пяти методов. Значения у подавались на вход нечеткой сети ТБК вместо сигналов х. Фактически, это означает, что конструируется сеть вида: х —> РСЛ —>у—> ТЯК --> /

Результаты экспертной интерпретации и расчета показаны на рис.20.

0 5 10 15 20 25 30 35 40 Н'т

Рис 20 Результаты интерпретации фрагмента сигнала по разделению пластов с применением составной сети х —> РСА —> у —> ТЯК —> /

Проведено исследование применения методов классификации пластов нефтяных скважин, основанных на алгоритмах обучения без учителя, для задач интерпретации ГИС с целью получения дополнительной информации о структуре разреза Рассмотрены следующие алюритмы: самоорганизующиеся карты Кохопена, мешд многомерного шкалирования; метод главных компонент РСА Укамнные алгоритмы дали примерно одинаковые результаты.

Например, для случая двухмерного шкалирования имеем отображение многомерного пространства признаков на плоскость в системе измерений г<,, иг, показанное на рис.21 с известными результатами расшифровок для них. и2 1 1,5

О - вода ф

• - нефть X - нефть-вода

1,0

0,5 -

раздела

Рис 21 Результаты двухмерного шкалирования

Из рис.21 следует, что все пласты расположились двумя компактными группами. Одна группа занимает область и2> 0 и соответствует продуктивным пластам. Другую группу и2 < 0 образуют водоносные пласты. Смешанные пласты занимают промежуточное положение. и2 2,0

1,0

0,5

0,0

-0,5

-1,0

О - вода

• - нефть •• •

X - нефть-вода • • •

•• • •

линия • раздела *

1 -3,0 ° -2,0 -иО -о-г-*- а гШ 3.°

и1

Рис 22 Двухмерное шкалирование для группы пластов с нсиюестными лигологичсскими характеристиками

После добавления к рассмотренным объектам группы пластов еще для трех скважин с неизвестными заранее литологическими свойствами все продуктивные пласты оказались выше линии раздела, а все водоносные - ниже (рис.22). Таким образом, разделение на продуктивные и непродуктивные пласты данным методом является стопроцентным.

Седьмая глава посвящена разработке программных модулей ИСИ ГИС. Представлена оригинальная структура базы данных Carbon, существенно использующая основополагающие принципы реляционной базы данных Finder. Описаны алгоритмы функционирования разработанных интерпретирующего и экспертного модулей. Представлены новые структуры системы контроля достоверности данных, приведены применяемые в программной реализации алгоритмы работы с базой правил и системы в целом, а также примеры модулей этой системы. Описаны созданные при участии автора работы файловые структуры данных. В этой же главе предложена методика проверки достоверности устьевых координат скважин, приведены оценка влияния недостоверных данных на результаты моделирования и результаты анализа моделей.

В качестве альтернативы системы Finder была разработана и реализована база данных каротажной информации Carbon как хранилище данных для гсоло-го-геофизической информации, основу которой составляют КД, представляющие собой массив разнородной информации, в котором можно выделить несколько основных составляющих: общие данные о скважине - местоположение, дата проведения комплекса исследований, альтитуда устья скважины, тип и свойства бурильного раствора и т.д ; состав комплекса геофизических исследований скважины, заключение о качестве полученного материала; КД, полученные в результате проведения комплекса исследований различными методами каротажа; данные о приборах и зондах, которыми проводились исследования, их параметры; инклинометрия скважины и построенный по ней план скважины; экспертное заключение по результатам интерпретации.

В программе реализован удобный для пользователя многооконный интерфейс, позволяющий работать одновременно с данными нескольких скважин (рис.23). Структурная схема базы каротажных данных состоит из блоков (рис.24).

1. Скважина. Представляет собой внутреннее хранилище обрабатываемых программой данных - документации по скважине каротажных кривых, инкли-нометрии, заключений по интерпретации результатов геофизических исследований скважин. Предоставляет другим модулям средства для обработки хранимых данных.

2. Модуль взаимодействия с SQL-сервером. Обеспечивает согласование хранимых в оперативной памяти вычислительной машины данных и данных, хранимых в базе данных SQL-сервера. Этот модуль призван унифицировать используемые программой структуры данных и, как следствие, упростить дальнейшую разработку прикладных модулей.

3. Модуль управления базой данных. Основными функциями этого модуля являются создание новой и удаление существующей скважины.

4. Модуль импорта/экспорта. Выполняет функции импорта и экспорта данных в различных форматах для повышения удобства и гибкости использования БД.

заключение по результатам Г'ИС

Рис 23 Окно интерфейса программы БД «Carbon»

Рис 24 Структурная схема БД Carbon

5. Модуль отображения. Обеспечивает отображение информации в удобном для пользователя виде. Вся хранимая инфопммшн14^Щтгае¥ея--в таблич-

I mmwtik«

ном виде, дополнительно существует возможность отображения КД.

6. Модуль редактирования. Позволяет осуществлять редактирование хранимой в базе данных информации.

7. Модуль печати. Выполняет печать данных на принтере или плоттере.

При проектировании БД с учетом требований к адаптируемости и гибкости использования на различных программно-аппаратных платформах, надежности хранения данных, а также для обеспечения многопользовательского режима работы была выбрана архитектура баз данных типа «клиент-сервер».

В качестве сервера баз данных был выбран Microsoft SQL-Server 7.0. Использование SQL-сервера решает задачи обеспечения высокой производительности, защиты данных от несанкционированного доступа и обеспечения сохранности д|нных как от аппаратных или программных сбоев, так и от ошибочных действий оператора. Кроме того, благодаря встроенным механизмам выполнения хранимых процедур, SQL-сервер берет часть вычислительной нагрузки на себя Структура базы была разработана с помощью программы AHFu-sion ERwin Data Modeler компании Computer Associates и в последствии была импортирована на SQL-сервер.

Модули взаимодействия с БД созданы с помощью Borland Delphi 5.0. Эта среда разработки обеспечивает удобство и наглядность процесса создания программы, предоставляя готовые средства для решения задач доступа к данным на SQL-сервере, их визуализации и вывода на печать.

—|Заключе№яТ-.- —I Информация о скважине |—i

PK Ю Square

Name

Areas ,

PK ULAQA

Name

»t«é¡

PK ID Oblect

Name

ю_Агеа

tD_Squsfe

ID_Object

ID_Skv

SkvNom

CUy

Dale

Srvc

Stvc_OC

Ekb

Tdl

Scd

Scop

Cd

Cdp

Bs

Dfl

Dld

Oh

Dir

Ml

Tau_GR

TauJiGR

K_GR

K_NGR

Otn_Knl

Speed

1 Информация о методах ГИС

Mithod

FK1 ID Skv

FK3 ID Cartridge

FM ID_Probe

FK6 ID Method

CodeMet

Start

Stop

Step

DepthUmls

Mathod.CW

PK ШЛаШш1

• Name Unite Description

a. (D Probe

Name

zMeth1

IDJUetlwd

Depth

Value. .Value

PK tp. Cartridge

Name

Инклинометрия

PK ID Sk»

FK1 Codelnk

.УЛгйцУ'

PK Шок

Depth

Angle

Azimut

Udl

AbsDepth

Shift

DirAngie

Shift NS

Shift_EW

Intens

Рис 25 Структура данных Carbon

Исходя из требований к видам хранимой информации разработана структура данных, приведенная на рис.25. Учитывая то, что в среднем каждая кривая имеет от 1,5 до 12,5 тысяч отсчетов, что эквивалентно интервалу глубин от 300

до 2500 метров при шаге оцифровки 0,2 метра, а комплекс ГИС для каждой скважины имеет от 5 до 12 кривых, получается, что для хранения кривых одной скважины необходимо занять как минимум 7500 строк таблицы ZMeth. Если на хранение такого объема не налагается никаких особых ограничений, то процесс чтения или записи данных может занять достаточно большое время и вызвать большую нагрузку на сеть и SQL-сервер. В качестве решения этой проблемы был найден следующий выход: хранить в базе данных значения кривой в упакованном особым образом текстовом представлении, где значения записываются последовательно, начиная со стартовой глубины с шагом, равным шагу оцифровки Для разделения значений используется специальный символ-разделитель. При таком способе записи количество передаваемых данных значительно уменьшается, и как следствие, повышается скорость работы программы.

Механизм распределенной работы позволяет осуществлять многосерверную работу с возможностью синхронизации хранимой информации, оперативно получать и обрабатывать данные, полученные на скважине. Область применения созданной базы данных не ограничивается только хранением каротажной информации. Благодаря интеграции с MS Excel, база данных предоставляет широкие возможности анализа данных. Хранение большого фонда геофизической информации позволяет производить корреляционный и ковариационный анализ КД различных скважин, как одной, так и разных площадей. В процессе создания программы были написаны модули для среды разработки Delphi, обеспечивающие интерфейс между хранимыми данными и прикладными программами. Таким образом, имеется возможность для последующего создания программных средств обработки информации, полученной в результате проведения ГИС.

В этой же главе представлено описание математических методов, используемых для определения степени достоверности геолого-геофизической информации. Описаны предлагаемые автором подходы к решению задач определения достоверности устьевых координат скважин, измерения инклинометрии, каротажных кривых. Приведены методы оценки петрофизических параметров коллекторов при помощи аппарата HJI. Проанализированы результатов гидродинамических исследований скважин Для проверки достоверности координат скважин использован алгоритм адаптивного выбора подклассов (АВП). Проверка проводилась на основании номера куста и координаты X и Y. Алгоритм использовался в режиме обучения и классификации. Режим обучения необходим для объединения ряда скважин в кусты, далее эта информация сопоставлялась с реальными данными по кустам. В режиме классификации координаты проверяемых скважин автоматически относились к какому-либо классу (кусту), а затем сопоставлялись с реальными данными. На основании результатов сопоставления делался вывод о достоверности координат скважин. В режиме обучения алгоритм АВП выполняет построение разделяющих поверхностей сложной формы. После обучения алгоритм на основании построений может выполнять классификацию, т.е. относить заданный вектор к той или иной плоскости (классу).

Пусть классифицируемый объект представлен «-мерным случайным вектором z = (z,,z2,...,zfl)r, и каждый класс объектов имеет некоторую плотность распреде-

ления вероятностей <pt (z), где v = 1,.., К , v - номер класса, К - число классов Определены обучающие выборки классов: z = {z( 11,z(2',...,z''}, где v - 1,..., К .

Тогда задача обучения для класса v сводится к восстановлению функции <pt (z) по обучающей выборке z,.. Для задачи определения достоверности координат скважин вектор z - двумерный, т.е. п = 2, количество классов соответствует количеству кустов. В данном алгоритме функция cpL,(z) аппроксимируется линейной комбинацией нормальных плотностей:

^)«5>,/,(*),(5)где /,(*) = Г(2*)5П<т,] ' exp{-0.5¿(^^-)2}, ¿p, = 1.

Каждая нормальная плотность f,(z) определяется вектором математических ожиданий М, и матрицей ковариаций R,:

Аппроксимация (5) определяет разбиение области класса на подклассы, или моды. Каждой плотности f,(z) соответствует своя мода, которую условно будем отождествлять с областью векторов в пространстве 7., близких к М,. В качестве метрики выбран квадрат евклидова расстояния'

, где

/=I

z(1),zf2)eZ. Каждая 1-я мода определяется параметрами M¡, D, и P¡, где D, - (а^, а у,.. вектор дисперсий; Pt можно рассматривать как отношение

числа векторов п,, отнесенных в моду, к общему числу векторов в обучающей выборке, то есть р, =n,¡N Моду с номером / будем считать свободной, если P¡= 0, что равносильно тому, что n¡ = 0. Введены вспомогательные параметры для моды: - порог / -ой моды; В, ={bu,bv,...,bn¡)T - вектор вторых моментов

/-ой моды для любого zeZ [z]2 =(z,2,zj,...,z2) . При этом вектор г представляет собой совокупность параметров, учитывая которые нужно отнести этот вектор к определенному классу.

Для получения совокупности классов (кустов) использован алгоритм обучения, предназначенный для получения оценок параметров М, (математическое ожидание), D, (дисперсия), Р, (вероятность моды) и В, (вектор вторых моментов) по обучающей выборке класса. Выполнение алгоритма прекращается по достижении необходимого результата, т.е. после того как входные векторы будут разбиты на классы и будут вычислены параметры этих классов. Перед началом обучения задается число L - максимальное предполагаемое число подклассов в данном классе. Начальные значения векторов М, (/ = 1 ,...,£) выбираются произвольно, а начальные значения параметров п, и т], выбираются нулевыми, то есть п, - 0, rj, = 0 (I = 1,.., L).

ти

II 5f ти м

о-,,

При поступлении на вход системы сигнала г'1', и учитывая, что г, = тт^р^М >Г], =0, находится функция «Поиск свободной моды». Далее осуществляется процедура «Формирование моды», и происходит переход к анализу следующего вектора из обучающей выборки на основании выполнения следующих соотношений М. := г01; В^ :=[2<Л]г; :=1.

Описанный выше процесс повторяется для первых Ь векторов из обучающей выборки, которые становятся начальными «центрами» мод. С приходом (¿ + 1)-го вектора после проверки условия «г(. < ц( » и анализа на наличие

свободных мод алгоритм выходит на блок поиска таких векторов М, и М^, что Р (■м/,. м1,) = т.т [р(Мг,М)} = г/Л .

* /'*/",/'./"=1, л

Происходит «Уточнение моды /0» с последующей коррекцией порога Т}^ этой моды; в противном случае выполняется процедура «Объединение мод /, и /2» и также корректируется порог одной из мод. Алгоритм заканчивается процедурой «Исключение маловероятных мод» и вычислением вероятностей /> (/ = 1, ...¿), которая вычисляются по формуле р, = и(Д#-£), где / =

Алгоритм классификации относит заданный вектор к определенному классу (кусту), используя в качестве критерия минимум квадрата евклидова расстояния. Он по найденным ранее параметрам распределений классов и некоторому критерию для входного вектора г и для данного класса К0 определяет номер подкласса /0. В результате, для входного вектора г, для определенного класса, выдается номер подкласса, к которому он принадлежит. При этом ис-

п ^

пользуется критерий: р,о =шт{р(}, / = 1 ,...,ЬУ, где р, = (6). Значе-

1=1

ние / = /0, для которого выполняется (6), является результатом классификации. Этому критерию соответствует кусочно-линейный классификатор.

При применении алгоритма АВП для анализа достоверности расчета координат скважин был получен ряд классов, которые отражают распределение скважин по кустам (рис.26). На основании применения такого подхода производится не только оценка достоверности координат устьев скважин, но и кустов их расположения.

У,тыс км

75-

74-

Класс8(куст 17)

_ Ж % Класс 3 (куст 6)

^ йасс I (куст 2) оф Класс 9 (куст 5) о- Класс 4 (куст I)

Ч

Класс 5 (куст 3) „ Класс 6 (куст 7)

Класс 7 (куст 22) Класс 2 (куст 23) ¿С с#з>

т 1—I—I I Т I—1—г 116 118 120 122 Рис 26 Рсзульга1ы классификации для 9 классов

112 114 116 118 120 122 Х,ТЫС Км

Ныли получены каржпы ночей при ожлонспин ошибочных коэффициен-юи иорииоаи (рис 28) oi нсжипых шлчении (рис 27) Ошибки п поле норисю-С1И получены «ее юс темным» nyiCM, i с были внесены либо при обработке данных, либо при вычислениях, либо непосредс!пенно польювшелями при вводе

Г г

■car щ :-.. : ■» •

Put 27 Поле донеi ни I<vimim\

КЛ)фф||1(|К'П10П IIOpilCIOCIII

Put 2H Ошибочное ноле КО >ффи1(ИС|| гов порис гости

Рис 29 Гидродинамическая модель на основе дсйсгвшельно! о ноля норпсгост

■Ff I -

Рис 30 I идродинамичсская модель на основе ошибочного ноля порисюсти

Проведена оценка влияния неючноаи гсолого-геофизической информации на гидродинамическою модель, например, на качество конечной гидродинамической модели можс! повлия! ь ошибка в расчсих коэффициентов порисюсти (рис 29,30)

Рис 31 Схема и laiiMo.u'iic i имя i.icuraiiiii поли (вершины)

PcjyjibiaioM женеримеша яшяется пых элсме^юв поля на конечною мо ie ib I поддерживав! две схемы таимочаилвпя

Рис 32 Схема В!аимодействня i.iCMCiiiou ноля (i рани)

определение с/епени влияния ошибоч-[еобходимо oi метить, чго среда Tempest jjicMcinoB полей (матриц) между собой

взаимодействие осуществляется через вершины элементов магриц (рис 31) и через грани (рис.32). В первом случае взаимодействие получается более тесным, но возрастает время расчета, во втором случае наоборот. Как показала практика, и в том и в другом случае ошибки распространяются достаточно активно.

После построения гидродинамических моделей с использованием достоверных и ошибочных данных была произведена оценка коэффициентов пористости (рис 31), нефте- и газонасыщенности (рис.34). Как и ожидалось, ошибочные исходные данные поля пористости привели к ошибочной модели. А именно, оказались частично завышены данные по нефтенасыщенности и занижены по газонасыщенности. Необходимо отметить, что ошибочные данные в элементе сетки модели значительно повлияли на данные соседних элементов, а те, в свою очередь, на соседние с ними элементы. Таким образом, наблюдается каскадное распространение ошибки на большой участок модели. Даже там, где исходные коэффициенты пористости имели правильное значение, выявлены отклонения коэффициентов нефте- и газонасыщенности.

Установлено, что гидродинамическое моделирование происходит во времени, а, следовательно, при увеличении интервала моделирования будет накапливаться и распространяться ошибка, заложенная в исходных данных.

В главе описаны разработанные структуры системы, базы правил, методики работы с базой правил, структурной схемы обработки данных. Приведены применяемые в программной реализации алгоритмы работы с базой правил и системы в целом, а также примеры модулей системы.

Разработанная подсистема контроля ориентирована на использование структуры базы данных Finder, компании Schlumberger, а также на структуру базы данных Carbon, в разработке, которой автор принимал непосредственное участие. Обе эти базы данных по структуре являются реляционными и поддерживают клиент-серверную технологию доступа.

Архитектура реализации программного обеспечения «клиент-сервер» позволяет реализовать многопользовательскую обработку данных Кроме того, использование выделенных серверов баз данных, таких как Oracle и Microsoft

к

Рис 33 Коэффициенты пористости Рис 34 Сравнение козфициентов нефте-

и газонасыщенности

SQL Server, обеспечивает надежность хранения данных и быстрый доступ к огромным массивам информации. Немаловажным аргументом в пользу выбора данной архитектуры является защита информации и поддержка авторизации.

Для хранения геолого-геофизической информации наряду с серверами баз данных используются файлы формата ASCII. Эти файлы обычно формируются специализированными программно-аппаратными комплексами. Их использование, в основном, выгодно для обмена данными, но хранить информацию в текстовых файлах неэффективно, т.к. в таком виде их сложно использовать для анализа и обработки.

Файловые структуры используются, как правило, для хранения данных ГИС, результатов интерпретации, измерения кривизны, заключений по исследованиям и пр. Формат представления этих данных носит универсальный характер и поэтому позволяет расширять круг геолого-геофизической и промысловой информации, которую можно хранить в файлах.

—I Управление правщймШ] v Направление потока обработки

данных

-Направление потока данных

адайных |vSga6 ота^с; д а н ны м и

ГрафикиНТМ1_/ХМ1-Обработка результатов"

Рис 35. Структура системы контроля достоверности данных Основным свойством геологической информации является пространственная и временная зависимость данных. В соответствии с множеством изучаемых процессов проводился комплекс периодических исследований геологических процессов и явлений на постоянных полигонах и в отдельно взятых точках некоторого региона. Установлено, что разные процессы имели различную скорость развития, в связи с чем некоторые из них рассматриваются как стационарный фон, а другие нуждаются в исследованиях разной (от столетий до долей суток) периодичности. Результаты исследований накапливаются в единой информационной системе для последующей верификации и анализа.

При разработке системы автор придерживался модульного принципа разбиения задачи на части. В результате этого решения все разработанные подсистемы можно разделить на три основные группы (рис.35):

1) управление правилами Обеспечивает хранение, анализ, обработку и управление правилами. Позволяет построить граф обработки правил;

2) работа с данными. Обеспечивает взаимодействие с системой хранения данных, а также анализ данных до и после проверки. Подсистема обработки правил контролирует процесс управления правилами Эта группа предоставляет ключевые аналитические возможности для работы системы в целом;

1) обработка результатов Содержит ряд подсистем, позволяющих в удобном пользователю виде предоставить результаты работы системы проверки данных (Microsoft Excel, HTML, XML и пр.). Последующим вероятным шагом потока обработки данных является использование верифицированных дан-

В разработанной структуре базы правил (рис.3 б) явно выделяются три группы таблиц.

1) описание правил. Состоит из таблиц, носящих описательный характер правил, входящих в базу;

2) правила. В этой группе описываются сами правила и формат их использования. Правила базы подразделяются на внутренние и внешние;

3) схема обработки правил. Правила выполняются согласно построенной схеме проверки.

Описанные три группы позволяют управлять процессом обработки данных, создавая графы обхода правил проверки, использовать как внутренние, так и внешние библиотеки проверки данных.

В процессе проверки данных ведется сбор статистических параметров работы правил. Собранная статистика позволяет улучшать логику работы правил.

Также в процессе построения и реализации модели системы контроля достоверности данных был выработан ряд критериев, которых необходимо придерживаться при разработке подобного рода подсистем:

1. Разработана система комплексного подхода к контролю достоверности данных. Комплексность заключается в проведении анализа целостности, непротиворечивости и согласованности информации.

2. Система обработки и контроля данных должна быть ..готова к развитию и открыта для изменений.

ных для построения различных типов моделей.

m шщ

PK WSchema

Name Info

RujeText

FK1 Descriptor

Text VB Result

RuIeÜb

FK1 Descriptor

FileName

Function

Params

Result

DLL

Н Правила

Щ M

FK1 idSchema

nStep Name nStepSuccess nStepError

Üft шШй

FK1 idSchema nStop

Status Time

Ч Схема обработки правил

Рис 36 Структура базы правил

3. На уровне идеологии построена открытая система, позволяющая квалифицированным пользователям производить модификацию правил проверки данных без участия разработчика.

4. На уровне архитектуры построена многоуровневая система, состоящая из ядра, интерфейсной и логической части.

5. Построение системы обработки и контроля данных на основе современных технологий возможно лишь при участии специалистов, обладающих знаниями в области разработки, реализации и поддержки программных систем, а также методистов, владеющих знаниями в области геофизики и геологии.

6. Работка программных систем должна носить тесный итерационный характер.

ЗАКЛЮЧЕНИЕ

1. В работе получены научно-обоснованные математические модели и программно-аппаратные средства интеллектуальных систем интерпретации ГИС, обеспечивающих повышение надежности выявления нефтенасыщенных коллекторов при оптимизации использования количества производимых при ГИС методов каротажа на основе разработки эффективных алгоритмов интерпретации ГИС, реализованных в виде адаптивных систем нечеткого вывода и многослойных НС, обучающихся с помощью гибридных генетических алгоритмов, проведение комплексной верификации геолого-геофизической и промысловой информации, ведущее к расширению функциональных возможностей специализированных баз данных.

2. Разработан гибридный генетический алгоритм с элитным обучением лидера, показавший пригодность при решении широкого класса задач: условной и безусловной оптимизации, решения систем нелинейных уравнений большой размерности. Его свойства дают основание рекомендовать метод для обучения интеллектуальных систем. Тестирование предложенного метода на овражных, многоэкстремальных функциях большой размерности показало его высокую эффективность. Оптимальное решение с точностью ~ 1 (Г5 при размерности задачи до 2000 находится за 600 - 1500 итераций. Ни один из известных оптимизационных методов с этой задачей не справляется.

3. Разработан способ определения информативности методов каротажа при распознавании литологической структуры разреза скважины моделью НЛ в зависимости от количества каротажных методов. Проведенные оценки выявили показатели информативности методов каротажа при интерпретации результатов ГИС на основе алгоритмов нечеткого вывода. Наибольшую информативность при использовании пяти методов имеет метод вЛ - 26, следующий ВК - 22.3, затем 08 - 19.6, БТ - 14.9 и ШЯ - 9.6.

4. Разработаны принципы построения адаптивных систем НЛ для распознавания литологической структуры разреза скважины. Выбраны методы обучения для моделей НЛ. Показана состоятельность подхода к задаче распознавания литологической структуры разреза скважины при помощи обучения систем НЛ. Разработанная система интерпретации результатов ГИС на основе нечеткого логического вывода, обученная гибридным генетическим алгоритмом, обеспечивает литологический экспресс-анализ. Продуктивные пласты, содержащие нефть, распознаются на 100%.

5 Проведены комплексные исследования результатов ГИС для определения надежности выявления нефтенасыщенных коллекторов посредством систем НЛ в зависимости от количества и комбинации производимых на скважине методов каротажа. Получены числовые оценки информативности методов каротажа при распознавании литологической структуры разреза на основе моделей НЛ для скважин Вятской площади Получены числовые оценки эффективности интерпретации результатов ГИС при помощи моделей НЛ, основанных на различных наборах методов каротажа

6. Разработаны принципы построения программного комплекса, реализующего интерпретацию результатов ГИС на основе моделей НЛ. Создана интеллектуальная система для интерпретации результатов ГИС на основе НЛ с возможностью как ручной настройки правил, так и обучения по обучающей выборке, имеющая удобный интерфейс и возможность интегрирования с другими программными средствами за счет динамически связываемых библиотек ((111).

7. В результате анализа применимости НС для распознавания литологической структуры скважины доказана возможность применения аппарата НС для качественной интерпретации данных ГИС, что позволяет автоматизировать качественную интерпретацию непосредственно на скважине с достаточно высокой степенью надежности.

8. Разработаны правила формализации входных (данных ГИС) и выходных (заключений интерпретатора) данных при решении задачи литологическо-го расчленения разреза скважины, с помощью которых возможен анализ как определенной постоянной группы методов, так и переменной, размер которой может быть сокращен вплоть до одного метода.

9. Проведен комплексный эксперимент по обучению НС, заключающийся в выделении пластов-коллекторов и нефтенасыщенных, водонасыщенных, неф-те-водонасыщенных пластов. Получены экспериментальные зависимости между правилами формализации задачи и конечными результатами распознавания литологической структуры разреза скважины с помощью аппарата искусственных НС. Это позволило сделать вывод о применимости многослойной НС для качественной экспресс-интерпретации данных ГИС.

10. Тестирование алгоритмов обучения нейронных сетей показало, что применение нового гибридного метода с элитным обучением лидера в 5 раз снижает погрешность аппроксимации на тестовых выборках по сравненито с известными методами. Среди рассмотренных нейросетевых алгоритмов (многослойный персептрон, радиальная сеть, нечеткая сеть) наилучшую эффективность (погрешность аппроксимации) обеспечивает нечеткая сеть ТБК с обучением на основе псевдоинверсии и гибридного алгоритма.

11. Установлено, что применение алгоритмов обработки выхода НС позволило получить до 85% совпадений оценок сети с эталонными данными при использования порога округления и до 93% при использовании аппарата нечеткой логики. Данные по коэффициенту пористости коллекторов с хорошей точностью обобщаются нейронными сетями. Среднеквадратичная ошибка прогнозирования на тестовом множестве данных составила для многослойного пер-септрона а = 1,9%, для сетиТЗК <7 = 1,6%.

12. Разработанный алгоритм поточечного моделирования позволяет решать задачи интерпретации разных уровней. При наличии данных о коэффициентах, характеризующих общие свойства пород, поточечная интерпретации результатов ГИС может проводиться для произвольных месторождений.

13. Применение метода главных компонент (РСА) для сжатия входной информации в сочетании с нечеткой НС TSK привело к архитектуре составной НС PCA-TSK и повысило точность распознавания и обработки геофизических сигналов.

14. Для решения задачи классификации пластов нефтяных скважин рассмотрена возможность применения алгоритмов обучения без учителя (метод многомерного шкалирования, самоорганизующиеся карты Кохонена, метод выделения главных компонент). Эти методы дают дополнительную информацию о структуре разреза скважин, повышающую достоверность интерпретации.

15. В результате разработки и обоснования алгоритмических и программных средств, поддерживающих технологию интегрированного анализа и комплексной верификации геолого-геофизической информации, продемонстрирована возможность применения аппарата математической статистики и моделей HJI, а также алгоритма адаптивного выбора подклассов.

16. Созданная система позволяет проводить комплексную верификацию промысловой информации как в специализированных хранилищах, так и использоваться в качестве интегрированного инструмента контроля достоверности данных, применяемого в рамках программных решений сторонних разработчиков.

17. Разработана технология, позволяющая строить графы обработки, представляющие собой последовательность действий решения определенной задачи, которая может использоваться для фиксирования результата этапов расчетов для последующего анализа. Сам граф может использоваться, как источник опыта для общения между пользователями.

18. Произведена оценка влияния ошибочных данных при проведении геологического и гидродинамического моделирования. Практическим путем выработаны критерии построения подобного рода комплексов. Разработана гибкая система хранения правил контроля, а также алгоритмы их обработки. Система правил имеет возможности расширения за счет использования внешних (dll) библиотечных модулей, что позволяет производить настройку правил системы под конкретные требования.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ ОТРАЖЕНО В СЛЕДУЮЩИХ РАБОТАХ АВТОРА:

1. Сенилов М. А., Тимохин В.И. Применение метода гибких масок в некоторых задачах распознавания искаженных сигналов // Известия ЛЭТИ. Вып. 232. - Л.: Изд-во ЛЭТИ, 1978. - С.34-36.

2. Геппенер В.В., Сенилов М.А., Тимохин В.И. Использование модельных представлений для формирования эталонов в задачах распознавания сигналов // Теория и методы математического моделирования: Тез. докл. VII Всесоюзн. совет. - М.: Наука, 1978. - С. 67-69.

3. Сенилов М.А. Ранговый алгоритм адаптивного выделения кластеров // Теория адаптивных систем и ее применения: Сб. тез. докл. и сообщений Всесоюзн. конф. - М.-Л.: Изд-во «ЛЭТИ», 1983. - С.76-78.

4. Сенилов М.А. Применение нечетких логико-лингвистических моделей при оценке степени предпочтительности ситуации // Управление при наличии расплывчатых категорий: Сб. тез. VI науч.-техн. семинара. - Пермь: Изд-во ППИ, 1983.-С.86-89.

5 Senilov М.А. Logicolinguistic Decision Making Model for the Evaluation of Alternative Situations Preference // International Colloquium on European Cooperation in the International Projects, Information Technologies and Environmental Sciences: Proceedings, Kothen, Germany, June, 1997. - P. 98 - 104.

6. Abramov I.V., Klekovkin V.S., Senilov M.A. Control of engineering products quality factors // International XXXVIII. Machine Parts Departments Conference: Proceedings, Bratislava, Slovakia, September 8-10, University of Technology Bratislava, 1997. - P. 21 - 25.

7. Сенилов M А. Логико-лингвистическое моделирование в гибридных экспертных системах // Информационные технологии в инновационных проектах: Мат-лы докл. междунар. конф. - Ижевск: Изд-во ИжГТУ, 1999. - С. 28-34.

8. Danilov V.A , Senilov М.А., Lyalin V.E. Interpretation of data of geophysical well logging with application of rank algorithm of an adaptive choice of subclasses // 5 International congress of mathematical modeling: Book of abstracts. Vol 1. Dubna, 2002. - M.: JANUS-K, 2002. - P. 62.

9. Паклин Н.Б , Сенилов M.A., Тененев В.А. Интеллектуальные системы интерпретации данных геофизических исследований скважин // Искусственный интеллект-2002- Мат-лы Междунар. науч.-техн. конф. - Таганрог: Изд-во ТРТУ, 2002.-Т. 1. - С.265-268.

10. Паклин Н. Б., Сенилов М. А., Тененев В. А. Классификация пластов по результатам геофизических исследований скважин // Вестник ИжГТУ. -Ижевск: Изд-во ИжГТУ, 2002. - Вып. 5. - С. 14 - 16.

11. Lyalin V.E., Tenenev V A., Senilov М.А. Neuronet and fuzzy modeling of interpretation of data of geophysical well logging // 5 International congress of mathematical modeling: Book of abstracts. Vol.2. Dubna, 2002. - M.: JANUS-K,

2002.-P. 106.

12. Паклин H. Б., Сенилов M. А., Тененев В. А. Определение продуктивных коллекторов с помощью обучающихся информационных систем // Вестник ИжГТУ. - Ижевск: Изд-во ИжГТУ, 2002. - Вып. 5. - С. 31 - 34.

13 Сенилов М. А., Качурин С. И., Лусников Р. Г. Использование искусственных нейронных сетей для определения пластов-коллекторов в скважинах при геофизических исследованиях скважин // Вестник ИжГТУ. - Ижевск: Изд-во ИжГТУ, 2002. - Вып. 5. - С. 20 - 24.

14. Тененев В.А., Сенилов М.А., Паклин Н.Б. Возможности применения интеллектуальных систем в задачах интерпретации каротажных диаграмм // Мат-лы Междунар. науч.-техн. конф., посвящ. 50-летию ИжГТУ - Ижевск: Изд-во ИжГТУ, 2002. -С. 147-152.

15. Сенилов М.А. Развитие интеллектуальных методов обработки геофизических данных // Интеллектуальные и многопроцессорные системы - 2003 (ИМС'2003): Мат-лы Междунар. науч.-техн. конф. - Таганрог- Изд-во ТРТУ,

2003.-Т. 1.-С.99- 101

16. Сенилов М.А., Цепелев В.П. Распознавание литологической структуры разреза скважины посредством нечеткой логики // Математическое моделирование и интеллектуальные системы: Сб. науч. тр. Иж! ТУ. - Ижевск: Изд-во ИжГТУ, 2003. - № 1. - С. 47 - 55.

17. Сенилов М. А. Нейросетевые алгоритмы поточечной интерпретации данных геофизических исследований скважин // Междунар. конф. по мягким вычислениям и измерениям (8СМ'2003): Сб. докл. - СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2003. - Т. 1. - С. 352 - 355.

18. Сенилов М. А., Дубовецкий В. Н. Логико-лингвистическое моделирование для оценки продуктивности коллекторов нефтяных скважин // Компьютерное моделирование 2003: Тр. 4-й Междунар. науч.-техн. конф. -СПб.: Изд-во «Нестор», 2003. - С. 201 - 209.

19. Лусников Р.Г., Сенилов М.А. Модель нечеткой логики и мягких вычислений для выделения и оценки петрофизических параметров коллекторов // Математическое моделирование и интеллектуальные системы: Сб. науч. тр. ИжГТУ. - Ижевск: Изд-во ИжГТУ, 2003. - № 2. - С. 66 - 71.

20. Формирование базы данных геолого-технологических мероприятий на скважинах Самотлорского месторождения: Отчет о НИР / Институт интеллектуальных технологий; Рук. В.Е.Лялин; Исп. М.А. Сенилов, С.И. Качурин и др. -№ ГР 01200 405094 - Ижевск, 2004, 59 с.

21. Сенилов М.А. Метод выделения коллекторов радиальной нейронной сетью при геофизическом исследовании скважин // Известия СПбГЭТУ «ЛЭТИ» Сер. «Информатика, управление и компьютерные технологии». - СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2004. - Вып. 1. - С. 84 - 88.

22. Сенилов М.А., Паклин Н.Б. Интерпретация геофизических данных на основе адаптивной модели нечеткого вывода // Информационные технологии в науке, образовании, телекоммуникациях и бизнесе: Материалы 31 Междн. конф. - Украина, Крым, Ялта - Гурзуф: Ж. «Успехи современного естествознания» №5,2004, Приложение №1, М. «Академия естествознания»,- С.81-84.

23. Сенилов М.А. Распознавание продуктивных пластов нефтяных скважин с помощью методов нейронных сетей и нечеткой логики // Вестник Московской академии рынка труда и информационных технологий. - М.: МАРТИТ, 2004.-№ 11.-С. 28-34.

24. Сенилов М.А Применение гибридного алгоритма для обучения нейронных сетей // Известия Тульского государственного университета. Сер. «Математика. Механика. Информатика». - Тула: ТулГУ, 2004. - Т. 10. - Вып. 3. - С. 216-226.

25. Оцифровка каротажного материала Каширо-подольского объекта Вятской площади Арланского месторождения: Отчет о НИР / Институт интеллектуальных технологий; Рук. В.Е.Лялин; Исп. М.А. Сенилов, А.В.Гурьянов и др. -№ ГР 01200 405095 - Ижевск, 2004, 91 с.

26. Сенилов М.А., Быстрое М.А., Дубовецкий В.Н. Комплексные методы контроля непротиворечивости и целостности геолого-геофизических данных // Надежность и качество: Тр. междунар. симпозиума - Пенза: Изд-во Пенз. гос. ун-та, 2004. - Ч. 2. - С. 352 - 355.

27. Сенилов М А. Применение обучающихся информационных систем для

интерпретации каротажных диаграмм // Вестник Московской академии рынка труда и информационных технологий. - М.: МАРТИТ, 2004. - № 11. - С. 55-60.

28. Lyalin V.E., Senilov М.А. Mathematical Modeling of Pointwise Interpretation of the Geophysical Data II Тез. докл. - Нижний Новгород: Изд-во Нижегородского госуниверситета, 2004. - С.364.

29. Создание библиотеки скан-образов скважин Самотлорского месторождения: Отчет о НИР / Институт интеллектуальных технологий; Рук. В.Е.Лялин; Исп. М.А. Сенилов, А.П. Шеглов и др. - № ГР 01200 405096 -Ижевск, 2004, 35с.

30. Сенилов М.А., Петров А.Н. Применение спектрального анализа для повышения качества интерпретации данных геофизических исследований скважин с помощью искусственных нейронных сетей II Информационные технологии в науке, образовании, телекоммуникациях и бизнесе: Материалы 31 Междн. конф. -Украина, Крым, Ялта - Гурзуф: Ж. «Успехи современного естествознания» №5, 2004, Приложение №1, М. «Академия естествознания».- С.85-86.

31. Лялин В.Е., Сенилов М.А. Математическое моделирование процесса интерпретации данных геофизических исследований скважин // Вестник Московской академии рынка труда и информационных технологий. — М.: МАРТИТ, 2004. - № 11. - С. 108-115.

32. Паклин Н.Б., Сенилов М.А., Тененев В.А. Интеллектуальные модели на основе гибридного генетического алгоритма с градиентным обучением лидера // Искусственный интеллект. Интеллектуальные и многопроцессорные системы - 2004: Мат-лы Междунар. науч.-техн. конф. - Таганрог: Изд-во ТРТУ, 2004.-Т. 1.-С. 458-460.

33. Паклин Н.Б., Сенилов М.А., Тененев В.А. Обучение нейронных сетей с применением гибридного генетического алгоритма // Вестник Московской академии рынка труда и информационных технологий. - М.: МАРТИТ, 2004. -№ 12.-С. 13-22.

34. Lyalin V.E., Senilov М.А. The Analysis of Efficiency of Algorithms of Interpretation of Wells Survey // Тез. докл. - Нижний Новгород: Изд-во Нижегородского госуниверситета, 2004. - С. 365.

35. Сенилов М.А. Распознавание пластов нефтяных скважин методами нейронных сетей и многомерного шкалирования // Вестник Московской академии рынка труда и информационных технологий.-М.:МАРТИТ,2004.-№ 11.-С.116-120.

36. Сенилов М.А., Тененев В.А. Интеллектуальные алгоритмы интерпретации геофизических исследований скважин.-СПб.:Изд-во CIIÖI ЭТУ«ЛЭТИ»,2004.-128 с.

37. Сенилов М.А. Метод многомерного шкалирования для классификации пластов нефтяных скважин // Информационные технологии в науке, образовании, телекоммуникациях и бизнесе: Материалы 31 Междн. конф. - Украина, Крым, Ялта - Гурзуф: Ж. «Успехи современного естествознания» №5, 2004, Прилож. №1, М. «Академия естествознания».- С.34 - 35.

38. Сенилов М.А., Лялин В.Е. Построение модели разреза геологоразведочной скважины // Вестник Московской академии рынка труда и информационных технологий. - М.: МАРТИТ, 2004. - № 12. - С. 49-55.

39. Lyalin V.E., Senilov М.А., Danilov V.A. Development of Intellectual

N4 2762

Methods for the Interpretation of Well-Log Data // Тез. докл. - Нижний Новгород: Изд-во Нижегородского госуниверситета, 2004. - С.366.

40. Сенилов М. А. Применение составной сети PCA-TSK для анализа результатов геофизического исследования скважин // Вестник Московской академии рынка труда и информационных технологий. -М.: МАРТИТ, 2004. - № 12.-С. 107-113.

41. Верификация геолого-геофизической информации по объектам разработки месторождений Северного НГДП ОАО «ТНК-Нижневартовск»: Отчет о НИР / Институт интеллектуальных технологий; Рук. В.Е.Лялин; Исп. М.А. Сенилов, В.Н. Дубовецкий и др. - № ГР 01200 405097 - Ижевск, 2004,63 с.

42. Сенилов М.А. Применение искусственных нейронных сетей для определения коэффициента пористости коллекторов в задаче геофизического исследования скважин // Известия Тульского гос. ун-та. Сер. «Математика. Механика. Информатика». - Тула: ТулГУ, 2004. - Т. 10. - Вып. 3. - С. 227 - 232.

43. Формирование базы данных по ОАО «Варьеганнефтегаз»: Отчет о НИР / Институт интеллектуальных технологий; Рук. В.Е.Лялин; Исп. В.В. Васильев, С.П. Бархатов, М.А. Сенилов и др. - ГР 01200 406709 - Ижевск, 2004,80 с.

44. Сенилов М.А. Сравнение эффективности многослойного персептрона и нечеткой нейронной сети для задач интерпретации геофизических исследований скважин // Вестник Московской академии рынка труда и информационных технологий. - М.: МАРТИТ, 2004. - № 12. - С. 114 - 119.

45. 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. Немирович, М.А. Сенилов и др. - № ГР 01200 408505 - Ижевск, 2004, 53 с.

46. Васильев В.В., Лялин В.Е., Сенилов М.А. Сравнительный анализ методов классификации пластов-коллекторов // Нефтяное хозяйство - 2005 - №5 - С. 50-51.

47. Данилов М.В., Сенилов М.А. Средства интегрированного анализа и верификация геолого-геофизической информации // Геоинформационные технологии в нефтегазовом сервисе: Мат-лы IV научн. симпозиума. - Уфа:УГНТУ, 2005.-С.178.

48. Сенилов М.А. Совместное применение нейронных сетей РСА и TSK для повышения качества интерпретации каротажных диаграмм // Известия СПбГЭТУ «ЛЭТИ». Сер. «Информатика, управление и компьютерные технологии». - СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2005. - Вып.2. - С.20-26.

49. Качурин С.И., Лялин В.Е., Сенилов МА. Применение на практике оценок количественных характеристик коллекторов нефтяных скважин с использованием искусственных нейронных сетей // Геоинформационные технологии в нефтегазовом сервисе: Мат-лы IV научн. симпозиума. - Уфа:УГНТУ Д005.-С. 195-196.

50. Сенилов М.А., Лялин В.Е. Нейросетевая модель поточечной интерпретации геофизических данных // Вестник Нижегородского университета им. НИ. Лобачевского. - Н.Новгород:ННГУ, 2005. - №6. - С.73-79.

Подписано к печати 23.05.2005 г. Формат 60x84/16. Бумага писчая. Усл. печ. л. 2,0. Тираж 100 экз. Заказ Хе\ Отпечатано в типографии ИжГТУ, 426069, г. Ижевск, ул. Студенческая, 7.

М.А. Сенилов

Л СТР

Введение.

Ф 1. Анализ методов обработки и интерпретации результатов геофизических исследований скважин.

1.1. Методы получения данных о геофизических характеристиках скважин.

1.1.1. Электрические методы каротажа.

1.1.2. Акустический каротаж.

1.1.3. Радиоактивные методы каротажа.

1.1.4. Каеернометрия. щ 1.2. Автоматизация обработки и интерпретации результатов ГИС

1.3. Интерпретация каротажных данных.

1.4. Алгоритмы интерпретации геофизической информации.

1.4.1. Статистические методы

1.4.2. Алгоритм с использованием диагностических кодов

1.4.3. Цитологическое расчленение с оценкой вероятности

1.4.4. Метод нормализации.

1.4.5. Методы классификации, основанные на петрофизиче-ских данных.

1.5. Программные средства обработки геофизической информации

1.5.1. Программы для оцифровки каротажных диаграмм

1.5.2. Программы интерпретации каротажных диаграмм

1.6. Выводы, постановка цели и задач исследований.

2. Развитие методов оптимизации, применяемых для обучения интеллектуальных систем.

2.1. Классические методы оптимизации, использующие вычисление градиента целевой функции.

2.2. Генетические алгоритмы оптимизации.

2.3. Стандартный генетический алгоритм с двоичным кодированием (BGA). ф 2.4. Генетический алгоритм с вещественным кодированием (RGA).

2.5. Гибридный генетический алгоритм с элитным обучением лидера. 78 ,ф 2.6. Тестирование гибридного алгоритма на многоэкстремальных функциях.

2.7. Применение гибридного алгоритма BGAVM для решения оптимизационных задач.

2.8. Полученные результаты и выводы.

3. Каротажные данные и их предварительная обработка перед интерпретацией ГИС.

3.1. Введение.

3.2. Математическая модель каротажной кривой.

3.3. Предварительная обработка данных.

3.3.1. Нормирование и нормализация.

3.3.2. Удаление тренда и фильтрация.

3.3.3. Сглаживание.

3.3.4. Увязка кривых по глубине.

3.3.5. Переход к равномерному масштабу по глубине

3.4. Проверка достоверности устьевых координат скважин.

3.5. Анализ точности инклинометрии.

3.6. Полученные результаты и выводы.

4. Интерпретация результатов ГИС на основе применения интеллектуальных алгоритмов.

4.1. Развитие адаптивных систем нечеткого вывода.

4.2. Адаптивные нечеткие модели для решения задач прогнозирования в сложных системах.

4.2.1. Математическая теория нечетких мноэюеств.

4.2.2. Нечеткие правша.

4.3. Модели нечеткого вывода.

4.3.1. Нечеткий вывод по способу Мамдани (Mamdani). 4.3.2. Нечеткий вывод по Сугено (Sugeno).

4.3.3. Эволюционный подход к построению систем нечеткого ф вывода.

4.4. Программные средства для разработки систем нечеткой логики

4.5. Определение продуктивных коллекторов методом нечеткого логического вывода.

4.6. Анализ информативности каротажных методов при интерпретации с применением системы нечеткого логического вывода

4.6.1. Обучение на одном методе каротажа.

4.6.2. Результаты интерпретации по одному методу каро

-щ тажа.

4.6.3. Обучение на нескольких методах каротажа.

4.6.4. Результаты интерпретации по нескольким методам каротажа.

4.8. Полученные результаты и выводы.

5. Разработка интерпретирующих систем с использованием нейросетевых методов.

5.1. Основы нейросетевых методов.

5.2. Алгоритм обратного распространения ошибки. 5.3. Обучение нейронной сети с помощью гибридного алгоритма

5.4. Радиальные нейронные сети.

5.5. Нечеткая нейронная сеть TSK.

5.6. Расчленение разреза на пласты нейросетевыми методами.

5.7. Определение коэффициентов пористости коллекторов.

5.8. Влияние представления данных на процесс интерпретации многослойной нейронной сетью.

5.9. Полученные результаты и выводы.

6. Повышение информативности моделей интерпретации данных геофизических исследований скважин.

6.1. Модель поточечной интерпретации геофизических данных. ф 6.2. Снижение размерности системы данных.

6.3. Методы классификации пластов нефтяных скважин.

6.3.1. Метод многомерного шкалирования.

6.3.2. Самоорганизующиеся карты Кохонена.

6.3.3. Методы выделения главных компонент.

6.4. Полученные результаты и выводы.

7. Разработка программных модулей ИСИ ГИС.

7.1. Введение.

7.2. Описание структур баз данных.

7.2.1. База данных Finder.

7.2.2. База данных Carbon.

7.2.2.1. Описание программы.

7.2.2.2. Применение базы данных.

7.3. Интерпретирующий модуль ГИС-ЭКСПРЕСС 1.0.

7.4. Разработка экспертного модуля.

7.4.1. Назначение модуля.

7.4.2. Организация данных.

7.4.3. Алгоритм функционирования.

7.5. Файловые структуры данных.

7.5.1. Файловая структура описания инклинометрии.

7.5.2. Файловая структура описания кривых ГИС.

7.5.3. Файловая структура описания РИГИС.

7.6. Разработка структуры системы контроля достоверности данных

7.6.1. Разработка структуры системы.

7.6.2. Разработка структуры базы правил.

7.6.3. Структурная схема обработки данных.

7.7. Разработка программных средств контроля данных.

7.7.1. Алгоритм контроля данных.

7.7.2. Алгоритм обработки правил контроля.

7.7.3. Программная реализация модулей системы контроля данных.

7.8. Проверка достоверности устьевых координат скважин.

7.8.1. Условия построения модели расположения скважин

7.8.2. Результаты построения моделей скважин.

7.9. Оценка влияния недостоверных данных на результаты моделирования

7.9.1. Условия построения моделей.

7.9.2. Результаты обработки построенных моделей.

7.10. Результаты анализа моделей.

7.11. Полученные результаты и выводы.

Актуальность темы. Нефтегазодобывающая отрасль - это крупный народнохозяйственный комплекс, играющий ведущую роль в экономике страны. Развитие данной отрасли на современном этапе неразрывно связано с разведкой, разработкой и освоением новых месторождений нефти и газа. Последние, преимущественно, характеризуются сложными условиями залегания полезных ископаемых: большими глубинами, небольшой толщиной пластов-коллекторов, многокомпонентным литологическим составом и сложной структурой порового пространства, что затрудняет их разработку, и, следовательно, повышает требования к качеству интерпретации результатов геофизических исследований скважин (ГИС).

Цитологическая классификация и выделение коллекторов основаны на различии физических и геофизических параметров горных пород. Нахождение значений геологических параметров в некоторых диапазонах дает возможность прогнозирования литологии пласта. Так как диапазоны перекрываются для различных пород, то необходима идентификация литологии пород по набору кол-лекторских, физических и геофизических параметров. При геологической разведке месторождений важной является предварительная экспресс-оценка продуктивности скважины. Это является причиной создания автоматизированных интеллектуальных интерпретирующих систем, обеспечивающих управление измерениями, регистрацию, первичную обработку и интерпретацию скважин-ных материалов. Кроме того, такие системы позволяют избавить интерпретатора от большого количество информации, подлежащего обработке.

При наличии некоторой эмпирической базы данных возможно использование методов извлечения знаний из данных и создание обучающихся информационных систем для интерпретации ГИС. Интерпретация ГИС относится к классу особо сложных задач, решаемых в условиях неполной информации. Однако в большинстве существующих методик интерпретации не заложен принцип адаптивности, т.е. самонастройки к условиям измерений и объектам ГИС. Этот фактор негативно влияет на качество и скорость интерпретации данных.

Методы интеллектуального анализа данных включают ряд конкурирующих подходов, к которым, в частности, относятся нечеткая логика (НЛ) и искусственные нейронные сети (НС). Адаптивные системы нечеткого вывода в настоящее время представляют собой перспективное направление в развитии теории искусственного интеллекта. Появление таких систем объясняется возросшей потребностью в анализе больших массивов данных, накопленных в базах данных автоматизированных систем обработки информации. НС нашли широкое применение для извлечения знаний из системы данных и для решения задач аппроксимации сложных функций многих переменных. Важным их свойством является способность к обучению и обобщению полученных знаний. Перспективным и реализованным в данной работе является объединение идеологий нечеткого вывода и НС.

При использовании методов интерпретации ГИС часто приходится решать оптимизационные задачи. Использование для этого классических алгоритмов, основанных на вычислениях градиента целевой функции, показало низкую эффективность, связанную с разрывностью и многоэкстремальностью функции. Значительно более эффективным, что показано в данной работе, является применение генетических и гибридных алгоритмов. Принимая во внимание, что задачи интерпретации ГИС имеют в своей основе сложные функциональные зависимости, обладающие структурной и параметрической неопределенностью, применение адаптивных систем НЛ и НС для их решения вполне приемлемо и обоснованно.

Развитие интеллектуальных компьютерных систем, разработка высоких информационных технологий, доведение их до уровня, соответствующего современным требованиям экспертных систем, является магистральным направлением 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, занимающегося рутинной работой просмотра огромных массивов однотипной геолого-геофизической информации на автоматизированный программно-аппаратный комплекс, использующий сетевые технологии, Internet-технологии и инфо-телекоммуникационные системы для принятия с высокой степенью достоверности решения о наличии нефтеносного коллектора при ГИС.

Для решения данных задач создаются интеллектуальные системы интерпретации (ИСИ) результатов ГИС. Каждая из них характеризуется разной степенью вовлеченности в процессы сбора, обработки и хранения геолого-геофизической информации. В каждой из них присутствуют элементы контроля достоверности данных на этапах ввода, обработки, либо с помощью механизмов систем управления базами данных (СУБД). Но нельзя не отметить отсутствие комплексного подхода к контролю достоверности, согласованности и непротиворечивости данных. Именно, рассматривая данные в комплексе, можно сделать выводы об их достоверности. Решения, основанные на недостоверной информации, обходятся очень дорого, так как цена ошибки возрастает с увеличением количества операций, в которых участвуют ошибочные данные.

В настоящее время создано множество программных продуктов, имитирующих работу ИСИ, однако возможности их применения в геофизической области весьма ограничены. Это связано с тем, что данные программы не содержат в себе ни правил, формализующих знания эксперта, применяемых для решения задач ГИС, ни механизмов обучения и адаптации к условиям измерений и объектам ГИС, ни средств импорта/экспорта геофизических данных.

В связи с этим, применение математической теории интеллектуальных систем для интерпретации данных ГИС позволит повысить качество и надежность результатов интерпретации, сократить время, затрачиваемое на решение данной задачи, обеспечить гибкость и оперативность работы системы. Решению данных актуальных задач и посвящена настоящая диссертационная работа.

Объектом исследования являются каротажные данные (КД), представленные в цифровом виде; адаптивные модели HJI и НС для решения задач интерпретации ГИС; многослойные, радиальные и нечеткие интерпретирующие НС; ИСИ ГИС на основе моделей HJI и НС; математическая теория интеллектуальных систем (ИС); методы оптимизации, применяемые для обучения ИС.

Предметом исследования являются методы и алгоритмы интерпретации геофизической информации; генетические и гибридные алгоритмы оптимизации; методы и алгоритмы нечеткого логического вывода для определения продуктивности коллекторов; алгоритмы распознавания литологии пластов на основе HJI; методы и алгоритмы обучения НС; нейросетевые методы для расчленения разреза скважины на пласты; нейросетевые методы прогнозирования коэффициентов пористости коллекторов; нейросетевая модель поточечной интерпретации данных ГИС; методы классификации пластов нефтяных скважин; алгоритмы обработки и анализа достоверности геолого-геофизической и промысловой информации; программное, информационное обеспечение и структура ИСИ ГИС.

Цель работы состоит в получении научно-обоснованных математических моделей и программно-аппаратных средств интеллектуальных систем интерпретации ГИС, обеспечивающих повышение надежности выявления нефтенасыщен-ных коллекторов при оптимизации использования количества производимых при ГИС методов каротажа на основе разработки эффективных алгоритмов интерпретации ГИС, базирующихся на положениях теории НЛ и НС, обучаемых с помощью гибридных генетических алгоритмов, проведение комплексной верификации геолого-геофизической и промысловой информации, ведущее к расширению функциональных возможностей специализированных баз данных, внедрение которых имеет существенное значение в области автоматизации обработки и интерпретации геолого-геофизической информации.

Для реализации поставленной цели необходимо решить следующие задачи:

- выбор и обоснование методов предварительной обработки КД;

- выработка научно-обоснованных решений для построения моделей HJI для распознавания литологической структуры разреза скважины; разработка способа определения информативности методов каротажа при интерпретации результатов ГИС на основе алгоритмов нечеткого вывода;

- исследование влияния различных комбинаций методов каротажа на качество интерпретации результатов ГИС посредством модели HJI; оптимизация процесса интерпретации, заключающаяся в нахождении минимального количества методов каротажа, проводимых непосредственно на скважине, для достижения максимально точного и надежного результата определения наличия количества нефтенасыщенных пластов в скважине;

- выбор и обоснование путем теоретических и экспериментальных исследований 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;

- выбор корректных оценок, позволяющих определять качество интерпретации с помощью НС; создание алгоритмов последующей обработки результатов работы НС для повышения качества и надежности интерпретации;

- исследование структуры геолого-геофизической и промысловой информации и на основе ее получение правила контроля достоверности данных; разработка алгоритмических и программных решений для проведения комплексной верификации геолого-геофизических и промысловых данных;

- создание структуры системы контроля, схемы ее работы и инструментов для визуализации результатов работы; выбор и обоснование путем теоретических и экспериментальных исследований структуры ИСИ, принципов построения программного, лингвистического и информационного обеспечения для ввода, хранения, обработки и анализа правил, применяемых в системе комплексного контроля достоверности данных;

- исследование потоков информации, возникающих при построении моделей месторождений; изучение влияния различных ошибочных геолого-геофизических данных на геологические и гидродинамические модели месторождений; интегрирование системы контроля достоверности данных в существующую широкораспространенную базу данных геолого-геофизической информации.

Методы исследования. В работе применялись теоретические и экспериментальные методы исследования.

При решении задачи распознавания литологической структуры разреза скважины использовалась модель HJI, обучаемая генетическим алгоритмом. В модели HJI в качестве функций принадлежности использовались гауссовские и трапецеидальные функции. Обучение системы HJI осуществлялось на всех возможных комбинациях методов каротажа, входящих в состав стандартного набора методов ГИС, снимаемых на скважине. Результаты работы системы HJI исследовались на предмет адекватности выделенных нефтенасыщенных, водо-насыщенных и непродуктивных участков разреза скважины экспертным оценкам. При решении задачи качественной интерпретации данных ГИС применялись: многослойная нейронная сеть; радиальная сеть; нечеткая сеть TSK; математические методы снижения размерности данных. Для обучения интерпретирующих систем применялся гибридный алгоритм оптимизации.

Предварительная обработка геолого-геофизической информации базируется на использовании методов статистического анализа временных рядов в приложении к геофизическим сигналам. Построение ИСИ велось на основе метода структурной декомпозиции программных модулей, позволяющего обеспечить удобство настройки системы и высокую степень интеграции с другими программными продуктами. При решении задач комплексного анализа достоверности данных использовались модели HJI, алгоритм адаптивного выбора подклассов (АВП), алгоритмы математической статистики, петрофизические закономерности. Для оценки параметров коллекторов применялась теория нечетких множеств (НМ). Результаты работы исследовались на предмет влияния ошибок при построении моделей.

Информационная модель ИСИ создана с учетом объектно-ориентированных принципов разработки программных комплексов. База правил разработана с учетом механизмов построения реляционных структур данных. Структурная схема системы спроектирована и реализована с учетом теоретических основ информатики и вычислительной техники.

Программное обеспечение системы реализовано на алгоритмическом языке высокого уровня - Object Pascal, интерфейс пользователя разработан в интегрированной среде Borland Delphi 6.0, база данных работает под управлением таких СУБД как Oracle 8 и Microsoft SQL Server 7.0, а внутренняя база данных реализована в формате Microsoft Access (mdb). Часть правил системы используются в виде внешних библиотек (dll) и реализованы на языке высокого уровня Microsoft Visual С++. Для построения моделей привлекался инструментарий компании Roxar: IRAP RMS и TempestMORE.

Достоверность и обоснованность полученных в работе результатов и выводов подтверждается сопоставительным анализом разработанных и существующих математических моделей и методов, а также итогами практического использования ИСИ ГИС.

Математические модели, алгоритмы и прикладные программы, используемые в работе, основаны на положениях теории нечетких множеств и многослойных нейронных сетей, на теоретических основах функционального анализа, теории статистического анализа каротажных диаграмм как временных рядов, а также теории вероятностей, случайных функций и фундаментальных основ построения экспертных систем. Методики расчета параметров коллекторов базируются на широко применяемых при геофизических исследованиях скважин петрофизических зависимостях.

Достоверность экспериментальных результатов обеспечена использованием большого объема экспериментального материала, статистическими методами обработки данных и хорошей воспроизводимостью результатов. Достоверность эталонного материала для обучения моделей HJ1 обеспечена использованием утвержденных в ОАО «Башнефтегеофизика» экспертных заключений по обрабатываемым скважинам.

На защиту выносятся результаты проведения исследований по определению информативности методов каротажа при распознавании литологической структуры разреза скважины посредством модели НЛ, исследования применения нейронных сетей для качественной интерпретации данных ГИС, обеспечивающих возможность получения заключения по наличию нефтенасыщенных коллекторов непосредственно после проведения каротажных работ на скважине, а также принципы разработки ИСИ ГИС, обеспечивающей повышение уровня достоверности и согласованности геолого-геофизической и промысловой информации, снижению затрат на ресурсы, затрачиваемых при использовании этих данных, вследствие раннего обнаружения и исправления ошибок, в том числе:

- выбор алгоритмов предварительной обработки КД; разработка моделей HJI для выделения нефтенасыщенных коллекторов; определение способа оценки качества результатов литологического расчленения разреза по данным ГИС на основе алгоритмов нечеткого вывода;

- применение средств искусственного интеллекта для определения литологического состава разреза скважины по данным каротажа путем обучения на основе анализа соответствия КД имеющемуся экспертному заключению;

- разработка программного, информационного обеспечения и структуры ИСИ ГИС; реализация ИСИ ГИС на основе модели HJI для получения реальных результатов литологического расчленения разреза скважин.

- результаты разработки гибридного оптимизационного метода, основанного на применении градиентных и генетических алгоритмов, и его тестирование на возможность применения при оптимизации многоэкстремальных функций большой размерности для достижения глобального экстремума;

- выбор и обоснование правил формализации задачи литологического расчленения разреза скважины с помощью НС; определение корректных оценок для анализа качества представляемости задачи качественной интерпретации с помощью НС;

- анализ влияния правил представления входных геофизических данных и выходных заключений результатов интерпретации на качество обучения нейронной сети и, как следствие, на точность оценок, даваемых сетью распознаваемым литологическим пластам;

- достижение преимуществ применения специализированных алгоритмов обработки результатов работы сети для увеличения информативности сигнала, выдаваемого НС, и повышения надежности распознавания; разработка программно-инструментальных средств интеллектуальной системы качественной интерпретации данных ГИС;

- реализация разработанных алгоритмических средств и программного комплекса для практического использования и получения реальных результатов экспресс-интерпретации различных скважин;

- применение средств искусственного интеллекта для контроля качества оцифровки КД путем анализа соответствия оцифрованной информации имеющемуся экспертному заключению по скважине, характерных интервалов значений диаграмм и других критериев;

- методика проведения комплексного анализа достоверности и согласованности геолого-геофизических и промысловых данных с использованием ряда математических и алгоритмических структур; анализ и систематизация структуры геолого-геофизической и промысловой информации;

- алгоритмы и программные модули, позволяющие определить мощность коллекторов, а также их количественные параметры (пористость, нефтенасыщен-ность, водонасыщенность, глинистость); состав и структура базы правил системы контроля достоверности информации;

- проектирование и реализация ИСИ ГИС, разработка концептуальной структуры объектно-ориентированной системы, принципов построения программного, информационного, математического и лингвистического обеспечения системы.

Научная новизна полученных результатов определяется проведенными комплексными исследованиями, в результате которых вместо применения классических методов интерпретации, использующих решения трансцендентных уравнений петрофизики, в процессе интерпретации КД применен подход, существенно сокращающий количество вычислительных операций и повышающий быстродействие оперативной качественной интерпретации непосредственно на скважине в ходе проведения ГИС путем применения современной математической теории интеллектуальных систем на основе аппарата ГШ и НС, в ходе которых:

- определены принципы построения алгоритмов, применяемых на этапе предварительной обработки КД; осуществлен выбор структуры и создание ИСИ ГИС на основе моделей HJI и НС, произведено создание и обоснование концепции и принципов построения программного и информационного обеспечения;

- разработана база каротажных данных для решения задачи автоматизации обработки результатов ГИС; решены проблемы импорта, хранения и поиска разнородной информации, ее визуализации и вывода на печать; предложены принципы построения интерфейса взаимодействия базы данных с программами обработки и анализа каротажной информации;

- предложена модель HJI для литологического расчленения пройденных скважиной пород; отработана и апробирована методика построения правил базы знаний; в результате проведения комплекса исследований по экспресс-интерпретации КД и сопоставлении их результатов с экспертными оценками выведены критерии, позволяющие использовать оптимальный набор методов каротажа для выделения нефтенасыщенных коллекторов с заданной точностью при использовании созданных алгоритмов, построенных на основе HJI;

- разработан новый гибридный метод оптимизации, основанный на параллельной работе градиентного метода (МСГ - метод сопряженных градиентов, МПМ - метод переменной метрики) и генетического алгоритма с бинарным или вещественным кодированием;

- применен аппарат искусственных нейронных сетей, позволяющий использовать накопленный эмпирический материал и знания опытных интерпретаторов, являющийся ядром базы знаний интеллектуальной системы для литологического расчленения разреза скважины;

- получены зависимости точности определения литологической структуры разреза скважины от вида представления каротажных данных, что дает возможность применять аппарат искусственных НС в геолого-геофизической области; предложена методика применения НС, не зависящая от количества входных каротажных диаграмм, позволяющая проводить качественную экспресс-интерпретацию даже в тех случаях, когда на скважине проведен неполный набор методов геофизических исследований и решающая проблему точной классификации типа пласта в случае противоречивости данных ГИС;

- разработаны алгоритмы повышения надежности распознавания литоло-гической структуры скважины, являющиеся составной частью интеллектуальной системы и обеспечивающие возможность использования в качестве операторов-пользователей данной системы специалистов среднего уровня; разработана интеллектуальная система на основе НС, опирающаяся на проведенный вычислительный эксперимент, позволяющая проводить качественную экспресс-интерпретацию каротажных диаграмм, используя созданную базу знаний с учетом эмпирических данных высококлассных геофизиков-интерпретаторов, даже.в процессе проведения ГИС;

- создана ИСИ ГИС, обладающая возможностью оценки уровня достоверности геолого-геофизической и промысловой информации, хранящейся как в специально разработанных хранилищах, так и в разрозненных источниках; осуществлен выбор структуры и состава компонентов ИСИ, произведена разработка концепции и принципов построения программного, лингвистического и информационного обеспечения ИСИ, обеспечивающих анализ достоверности геолого-геофизических данных;

- определены принципы построения алгоритмов и программных средств, предназначенных на ранней стадии обработки информации выявлять ошибочные данные с механизмом их автоматического исправления; разработаны научно обоснованные программные решения, направленные на повышение уровня достоверности геолого-геофизических и промысловых данных;

- разработанная система контроля достоверности информации обладает высокой степенью совместимости и мобильности, вследствие чего может быть интегрирована в уже существующие хранилища данных, а также портироваться на сервера различных производителей, поддерживающих реляционную модель данных; разработана единая технология контроля различных по структуре видов данных, обеспечивающая методы интегрированного анализа, применяемых в рамках различных программных решений;

- предложено программное решение, позволяющее строить графы обработки, представляющие собой последовательность действий решения определенной задачи, которое может использоваться для фиксирования результата этапов расчетов для последующего анализа.

Практическая полезность исследования состоит в том, что в результате комплексных исследований на практике реализована кибернетическая теория распознавания образов, реализуемая на основе принципов построения и функционирования систем искусственного интеллекта и математической теории информационных систем, позволяющих реализовать теоретические основы экспертных систем с помощью легко внедряемого и доступного при широкой реализации аппарата методов HJI и НС.

Применение ИСИ ГИС позволяет существенно сократить временные затраты при решении задачи литологического расчленения скважин за счет реализации современных достижений в области развития систем искусственного интеллекта. Это выражается в том, что найден магистральный путь отхода от решения классических уравнений математической физики, в частности, геофизики, и переходу к применению дискретных многофункциональных систем, использующих базы знаний и базы данных, позволяющих принимать решения на основе применения эмпирически обоснованных экспертных оценок. Данные возможности появились в результате реализации математической теории интеллектуальных систем на основе методов HJI и НС.

Полученные в работе методики и алгоритмы применения аппарата искусственных нейронных сетей для качественной экспресс-интерпретации данных ГИС позволяют существенно автоматизировать труд геофизика-интерпретатора за счет колоссальных вычислительных возможностей по обработке терабайт геофизической информации интеллектуальными системами на базе как отдельных компьютеров, так и компьютерных сетей, существенно использующих реляционные базы данных таких как «Finder» и др. НС за счет заложенных в них эталонных данных позволяют сократить время, необходимое на проведение качественной экспресс-интерпретации скважин в несколько раз с одновременным повышением качества интерпретации и сокращением ошибок при принятии решений.

Созданная ИСИ ГИС позволила решить ряд проблем, возникших при обработке различного рода геолого-геофизической и промысловой информации. Применение системы повышает уровень достоверности и согласованности данных, используемых в качестве исходных при построении геологических, гидродинамических и прочих моделей месторождений, а также обеспечивает реализацию механизма обнаружения ошибок и неточностей на ранних стадиях обработки данных. С помощью системы можно построить граф обработки данных, что позволяет неоднократно применять одинаковые подходы для верификации одних и тех же данных на разных стадиях обработки геолого-геофизической информации.

Практическую ценность системе придает ее независимость от используемых аппаратных средств персональных компьютеров и слабую зависимость от хранилища данных. Структура разработанной ИСИ легко модифицируется под конкретные требования, обеспечивает возможность добавления новых модулей, а также адаптацию системы к различным правилам проверки данных.

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 необходимости адаптировать ее под любую другую СУБД, поддерживающую реляционные модели баз данных. Модульность созданной системы обеспечивает возможность подключения программных модулей сторонних разработчиков, что позволяет более тонко осуществлять настройку на предметную область. Измерительная информация представлена в виде базы данных, что позволяет обрабатывать 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 динамически связываемых библиотек (dll), дающих широкие возможности расширения, позволяет рассматривать созданную ИСИ как многофункциональный инструмент анализа геофизических данных.

Настоящая работа обеспечивает необходимую базу для дальнейшего развития и совершенствования новых направлений обработки и интерпретации геолого-геофизической информации, построенных на математическом аппарате HJI и НС, с использованием материалов ГИС.

Реализация работы в производственных условиях. При непосредственном участии автора была разработана и реализована ИСИ ГИС, построенная на принципах систем искусственного интеллекта и реализованная на математическом аппарате HJI и НС, в том числе созданы технические и методические средства, направленные на повышение точности ее функционирования и универсальности. Разработанная система использовалась при работе с перспективной базой данных Finder, где правила системы служат для проверки данных на достоверность и согласованность, а также обеспечивают возможность автоматической корректировки заведомо ошибочной информации.

Тесная интеграция системы в программный комплекс оцифровки, предназначенный для создания базы электронных дел скважин ряда месторождений Западной Сибири, позволило увеличить скорость обработки скан-образов и снизить ошибки, возникающие при заполнении базы. Работа системы протестирована в ходе верификации геолого-геофизических и промысловых данных ряда месторождений Западной Сибири. Результатом верификации являлось построение геологических и гидродинамических моделей месторождений.

Работа выполнялась в соответствии с планами хоздоговорных НИР, проводимых ООО «Институт интеллектуальных технологий» и ОАО «ТНК-BP»: № ГР 01200 405097 «Верификация геолого-геофизической информации по объектам разработки месторождений Северного НГДП ОАО «Нижневартовск»; № ГР 01200 405096 «Формирование базы данных геолого-технологических мероприятий на скважинах Самотлорского месторождения»; № ГР 01200 405095 «Оцифровка каротажного материала Каширо-подольского объекта Вятской площади Арланского месторождения»; № ГР 01200 405096 «Создание библиотеки скан-образов скважин Самотлорского месторождения»; № ГР 01200 406709 Формирование базы данных по ОАО «Варьеганнефтегаз».

Работа выполнялась в Институте математического моделирования разработки нефтяных месторождений ИжГТУ в соответствии с планами хоздоговорных НИР, проводимых ИжГТУ с ОАО «Удмуртгеология» и ОАО «Белкамнефть».

Вся работа в целом, а также ее отдельные части могут быть использованы предприятиями нефтегазодобывающей отрасли, организациями, занимающимися построением ряда различных моделей на основе геолого-геофизической и промысловой информации.

Апробация работы. Отдельные законченные этапы работы обсуждались на VII Всесоюзн. совещ. «Теория и методы математического моделирования» (Москва, 1978); IX Всесоюзн. симпозиуме по кибернетике (Москва, 1981); Всесоюзн. конф. «Теория адаптивных систем и ее применения» (ЛенинградД983); VI науч.-техн. семинаре «Управление при наличии расплывчатых категорий» (Пермь, 1983); Международном коллоквиуме по Европейскому сотрудничеству в научно-технической сфере (Германия,Кохен,1997); 38-й Международной конференции по процессам управления (Словакия,Братислава,1997); Международной НТК «Информационные технологии в инновационных проектах» (Ижевск, 1999-2004); Научно-технических конференциях ИжГТУ (Ижевск, 19992004); 5-м Международном конгрессе по мат.моделированию (Дубна,2002);

Международной НТК, посвящ. 50-летию ИжГТУ (Ижевск,2002); Международной НТК «Искусственный интеллект-2002» (Таганрог,2002); Международной конф. по мягким вычислениям и измерениям (СПб,2003); Международной НТК «Интеллектуальные и многопроцессорные системы-2003» (Таганрог,2003); 4-й Международной НТК «Компьютерное моделирование 2003» (СПб,2003); Российской НТК «Высокопроизводительные вычисления и технологии» (Ижевск,

2003); Международной конференции «Компьютерное моделирование» (СПб, 2003-2004); 31-й Международной конференции «Информационные технологии в науке, образовании, телекоммуникациях и бизнесе» (Украина, Крым, Ялта - Гурзуф,

2004); Международном симпозиуме «Надежность и качество» (Пенза, 2004); 6-м Международном конгрессе по мат.моделированию (ННовгород, 2004); 31-й Международной конференции «Информационные технологии в науке, социологии, экономике и бизнесе» (Украина, Крым, Ялта - Гурзуф, 2004); 4-м научном симпозиуме «Геоинформационные технологии в нефтегазовом сервисе» (Уфа,2005).

Публикации. Основные научные результаты по теме диссертации опубликованы в 124 научных работах, в том числе: 1 монография (128 е.); 7 отчетов о НИР (63с., 59с., 91с., 35с., 53с., 48с., 80с.). Автор имеет 19 научных трудов в изданиях, выпускаемых в РФ и рекомендуемых ВАКом для публикации основных результатов диссертаций на соискание ученой степени доктора наук.

Структура диссертационной работы определяется общими замыслом и логикой проведения исследований.

Диссертация содержит введение, 7 глав и заключение, изложенные на 335 с. машинописного текста. В работу включены 125 рис., 51 табл., список литературы из 306 наименований и приложение, в котором представлены акты об использовании результатов работы.

Результаты работы ЭС записываются в текстовый файл или файл формата MS Word (рис.7.24) в кратком или развернутом виде, в зависимости от установок пользователя.

7.5. Файловые структуры данных

Для хранения геолого-геофизической информации наряду с серверами баз данных используются файлы формата ASCII. Эти файлы обычно формируются специализированными программно-аппаратными комплексами. Их использование в основном выгодно для обмена данными, но хранить информацию в текстовых файлах не выгодно, т.к. в таком виде их сложно использовать для анализа и обработки.

Файловые структуры используются, как правило, для хранения данных геофизических исследований скважин (ГИС), результатов интерпретации, измерению кривизны, заключений по исследованиям и пр. Формат представления этих данных носит универсальных характер и поэтому позволяет расширять круг геолого-геофизической и промысловой информации, которую можно хранить в файлах. Далее будет описан наиболее распространенный стандарт текстовых файлов для хранения данных ГИС. Файлы этого стандарта поддерживаются, описываемой здесь, системой контроля достоверности данных.

В настоящее время наиболее широко используемым среди промышленных стандартов данных ГИС считается LAS (Log ASCII Standard), который создается и поддерживается компанией «Canadian Well Logging Service (CWLS)». LAS-файлы широко используются в нефтяной, газовой и рудной геологии [197-201,256].

LAS файлы подразделяются на логические секции. Секции распознаются по строкам, начинающимся с символа «~» (тильда, ASCII 126). Эти определяющие секции строки называются «Заголовками Секций». Отдельные секции распознаются по их именам, которые следуют за символом «~». Именем секции является полное слово, следующее за «~», а не только первый следующий символ.

Секции содержат строки, в которых описываются и/или хранятся данные. Существует несколько типов секций и несколько типов строк внутри секций.

LAS 3.0 стандарт определяет, какие комбинации секций могут существовать в LAS файлах и в каком порядке. Например, секции «-Version» и «-Well» должны присутствовать в указанном порядке в каждом LAS файле версии 3.0. В одном файле может быть описана только одна скважина [296].

Данные хранятся в одно-, двух- или трехмерных массивах. Данные обычно индексированы по глубине или времени, но, если необходимо, могут представлять также результаты поточечных измерений.

Данные сгруппированы по типу во взаимосвязанные секции, поскольку они относятся к скважине, в которой данные были получены. Типы включают каротаж, индексированный по глубине или времени, керн, инклинометрию, бурение, границы формаций, данные тестирования, определенные пользователем типы и т.д.

В LAS файлах можно выделить несколько главных типов секций:

1) секции параметров данных (Parameter Data Sections). Содержат любое количество строк Параметров Данных (Parameter Data). Предназначены для хранения одномерных данных, которые в целом относятся к одному из описанных типов данных;

2) секции определения столбцов (Column Definition Sections). Содержат любое количество строк Определения Столбцов (Column Definition). Предназначены для хранения подробных описаний (имя, единицы измерения и т.п.) каждого 2D или 3D канала, хранимого секции Столбцов Данных (Column Data). Всегда присутствует связанная секция Column Data;

3) секции столбцов данных (Column Data Sections). Содержат любое количество строк Столбцов Данных (Column Data). Предназначены для хранения 2D и 3D индексированных и неиндексированных каналов. Всегда присутствует связанная секция Column Definition, которая полностью описывает каждый канал. Может присутствовать также связанная секция Parameter Data, в которой хранятся параметры;

4) секции, определенные пользователем (User Defined Sections). Пользователь может по мере необходимости определять другие типы секций. Всегда, когда только возможно, следует использовать три определенных выше главных типа секций.

Строки секции в свою очередь делятся на следующие типы:

- строки параметров (Parameter Data Lines). Содержатся в секциях

Parameter Data. Каждая строка параметров содержит одномерный член данных, состоящий из (обычно, но не обязательно) одного или двух элементов. Каждая строка также содержит полное описание этих данных. Некоторые строки параметров являются обязательными в некоторых секциях. Некоторые из этих обязательных строк обязаны также содержать данные, в то время как другие - нет. Последующие разделы рассматривают специфические секции, которые устанавливают специфические требования. «Обязательная» означает, что строка Parameter Data для каждого перечисленного члена должна существовать и состоять из мнемоники (Mnemonic), единиц измерения (если имеет смысл) и описания. Поле значения (Value) строки Parameter Data не обязательно должно быть заполнено для совместимости с LAS;

- строки определения столбцов (Column Definition Lines). Содержатся только в секциях Column Definition. Хотя структурно идентичны строкам Parameter Data (см. выше), каждая строка Column Definition используется для описания каждого соответствующего (по порядку) канала, содержащегося в соответствующей секции Column Data. Имя, единицы измерения, код кривой, описание и формат (если используется), содержащиеся в каждой строке Column Definition полностью описывают соответствующий им канал;

- строки столбцов (Column Data Lines). Содержатся только в секциях Column Data. Каждая строка содержит серию разграниченных значений данных. Символ-ограничитель определен значение параметра DLM в секции -Version. Описание каждого данного содержится в соответствующей секции Column Definition.

Русскоязычным аналогом приведенного стандарта LAS является SDEF-формат (SibNIINP Data Exchange File), разработанный СибНИИНП. Этот формат также служит для обмена данными по ГИС, РИГИС (результаты интерпретации ГИС) и контролю за разработкой. При разработке структуры данного файла использовались принципы LAS-формата, широко применяемого для обмена данными ГИС между различными программными комплексами.

7.5.1. Файловая структура описания инклинометрии

Инклинометрия (каротаж пространственного положения ствола скважины) проводится для корректировки траектории скважины в процессе бурения наклонно направленных стволов и проверки соответствия фактической траектории ствола скважины проектной.

-File Format

Version= 1.00 : SibNIINP Data Exchange File Format Version 1.00

Character OEM : Character Code Table (DOS).

-Скважина

Скважина =1111

Площадь = Северная

Месторождение = Ново-северное

Куст = 25

Служба = Нижневартовскнефтегеофизика | Служба, проводившая измерения

Дата per. =11.11.99 | Дата регистрации измерений инклинометрии

Нет данных = -9999.00 | Признак отсутствия данных

-Параметры

Альтитуда | м = 80.80 [ Альтитуда стола ротора

Забой | м = 2670.00 | Последняя точка замера инклинометрии

Маг. попр. | град = 13.33 j Магнитная поправка

Список=Инклинометрия

Глубина | м = | Глубина

Угол | град = | Угол наклона ствола скважины

Азимут | град = | Азимут

Удлинение | м = | Удлинение

Абсолютная глубина | м = | Абсолютная глубина

X | м = | Координата X

У | м = | Координата У

Смещение | м = | Смещение ствола скважины

Дирекционный угол | град = | Дирекционный угол

Интенсивность | град = | Интенсивность

Данные=Инклинометрия

Глубина Угол Азимут Удлинение Абс.гл. X У Смещение Дир.угол Интенсивность

80 3.75 -9999.00 0.0 -0.8 -9999.00 -9999.00 -9999.00 -9999.00 0.9

2640 12.25 38 173.8 2385.4 636.2 610.1 881.5 57.1 0.0

2660 12.00 37 174.2 2405.0 639.6 612.6 885.7 57.1 0.2

Рис.7.25. Типичный пример файла инклинометрии

Замеры инклинометрии производятся в открытом стволе обычно сразу после бурения. В скважинах, обсаженных металлическими трубами, измерение азимута и угла проводят гироскопическими инклинометрами.

Точность измерения углов инклинометром достигает 30', а азимутов - нескольких градусов. Если учесть, что глубокая скважина на разных глубинах может отклоняться от вертикали на сотни метров, а по азимуту превышать 360, то нетрудно понять практическое значение инклинометрии. Особенно необходима инклинометрия в скважинах наклонного бурения. Разведочные скважины имеет обычно вертикальную направленность и измерение кривизны таких скважин обычно не имеет смысла. Такие скважины считаются вертикальными, а значения угла наклона и азимута неизменными.

Стандартная инклинометрия (рис.7.25) обычно содержит следующие значения параметров: глубина замера, угол наклона скважины, азимут, удлинение, абсолютная глубина, координаты х и у, смещение ствола скважины, дирекци-онный угол и интенсивность. Кроме этих замеров в инклинометрии также должна быть указана общая информация по скважине: площадь, месторождение, куст, дата регистрации измерений, альтитуда стола ротора, забой скважины, а также магнитная поправка. Именно набор этих параметров будет подвергнут дальнейшей верификации.

7.5.2. Файловая структура описания кривых ГИС

Геофизические методы исследования скважин предназначены для изучения геологического разреза и, в частности, выявления пластов разной литологии, определения углов и азимутов их падения, выделения полезных ископаемых в разрезах, а также оценки пористости, проницаемости, коллекторских свойств окружающих пород и их возможной нефтегазоносной продуктивности.

Специальной аппаратурой производится контроль технического состояния скважин (определение их диаметров, искривления, наличия цемента в затрубном пространстве и др.), а также прострелочно-взрывные работы в скважинах (отбор образцов из стенок, перфорация обсадных колонн). Физические свойства горных пород, определяемые в результате исследования в скважинах, служат не только для непосредственного получения той или иной геологической информации, но и для интерпретации данных полевой геофизики. -File Format

Version= 1.00 : SibNIINP Data Exchange File Format Version 1.00 Character=OEM : Character Code Table /DOS/.

-Скважина Скважина =1111 Площадь = Северная Месторождение = Ново-северное Куст = 25

Служба = Нижневартовскнефтегеофизика | Служба, проводившая измерения

Дата per. = 11.11.99 j Дата регистрации измерений ГИС

Нет данных = -9999.00 | Признак отсутствия данных

Кровля = 2314.00

Подошва = 2672.00

-Параметры

Альтитуда | м = 80.80 |Альтитуда стола ротора Забой | м = 2671.00 |Забой скважины Диам.скв. | м = 0.216

Раствора | Ом*м = 2.5 | Удельное сопротивление бур.р-ра. Водоотдача | смЗ/ЗОмин = 5.0 | Водоотдача раствора

-Дополнения

Качество регистрации методов ГИС

Метод Прибор Масштаб Интервал Качество

ПС Э-1 1 200 2314-2664 уд

ГЗО 45 Э-1 1 200 2314-2664 уд

Г31 05 Э-1 1 200 2314-2664 уд огз Э-1 1 200 2314-2641 уд

ПК 4Ф0.75 1 200 2314-2671 уд

БК Э-1 1 200 2314-2670 уд

PC Э-1 1 200 2314-2670 уд

ДРСТ-1 НКТ ГК 1 200 2300-2646 уд

ДРСТ-1 1 500 25-2300 уд

ЗАКЛЮЧЕНИЕ

1. В работе получены научно-обоснованные математические модели и программно-аппаратные средства интеллектуальных систем интерпретации ГИС, обеспечивающих повышение надежности выявления нефтенасыщенных коллекторов при оптимизации использования количества производимых при ГИС методов каротажа на основе разработки эффективных алгоритмов интерпретации ГИС, реализованных в виде адаптивных систем нечеткого вывода и многослойных НС, обучающихся с помощью гибридных генетических алгоритмов, проведение комплексной верификации геолого-геофизической и промысловой информации, ведущее к расширению функциональных возможностей специализированных баз данных.

2. Разработан гибридный генетический алгоритм с элитным обучением лидера, показавший пригодность при решении широкого класса задач: условной и безусловной оптимизации, решения систем нелинейных уравнений большой размерности. Его свойства дают основание рекомендовать метод для обучения интеллектуальных систем. Тестирование предложенного метода на овражных, многоэкстремальных функциях большой размерности показало его высокую эффективность. Оптимальное решение с точностью ~ 10~5 при размерности задачи до 2000 находится за 600 - 1500 итераций. Ни один из известных оптимизационных методов с этой задачей не справляется.

3. Разработан способ определения информативности методов каротажа при распознавании литологической структуры разреза скважины моделью HJI в зависимости от количества каротажных методов. Проведенные оценки выявили показатели информативности методов каротажа при интерпретации результатов ГИС на основе алгоритмов нечеткого вывода. Наибольшую информативность при использовании пяти методов имеет метод GR - 26, следующий ВК - 22.3, затем DS - 19.6, DT - 14.9 и NGR - 9.6.

4. Разработаны принципы построения адаптивных систем HJI для распознавания литологической структуры разреза скважины. Выбраны методы обучения для моделей HJI. Показана состоятельность подхода к задаче распознавания литологической структуры разреза скважины при помощи обучения систем HJI. Разработанная система интерпретации результатов ГИС на основе нечеткого логического вывода, обученная гибридным генетическим алгоритмом, обеспечивает литологический экспресс-анализ. Продуктивные пласты, содержащие нефть, распознаются на 100%.

5. Проведены комплексные исследования результатов ГИС для определения надежности выявления нефтенасыщенных коллекторов посредством систем HJI в зависимости от количества и комбинации производимых на скважине методов каротажа. Получены числовые оценки информативности методов каротажа при распознавании литологической структуры разреза на основе моделей HJI для скважин Вятской площади. Получены числовые оценки эффективности интерпретации результатов ГИС при помощи моделей HJI, основанных на различных наборах методов каротажа.

6. Разработаны принципы построения программного комплекса, реализующего интерпретацию результатов ГИС на основе моделей HJI. Создана интеллектуальная система для интерпретации результатов ГИС на основе HJI с возможностью как ручной настройки правил, так и обучения по обучающей выборке, имеющая удобный интерфейс и возможность интегрирования с другими программными средствами за счет динамически связываемых библиотек (dll).

7. В результате анализа применимости НС для распознавания литологической структуры скважины доказана возможность применения аппарата НС для качественной интерпретации данных ГИС, что позволяет автоматизировать качественную интерпретацию непосредственно на скважине с достаточно высокой степенью надежности.

8. Разработаны правила формализации входных (данных ГИС) и выходных (заключений интерпретатора) данных при решении задачи литологического расчленения разреза скважины, с помощью которых возможен анализ как определенной постоянной группы методов, так и переменной, размер которой может быть сокращен вплоть до одного метода.

9. Проведен комплексный эксперимент по обучению НС, заключающийся в выделении пластов-коллекторов и нефтенасыщенных, водонасыщенных, неф-те-водонасыщенных пластов. Получены экспериментальные зависимости между правилами формализации задачи и конечными результатами распознавания литологической структуры разреза скважины с помощью аппарата искусственных НС. Это позволило сделать вывод о применимости многослойной НС для качественной экспресс-интерпретации данных ГИС.

10. Тестирование алгоритмов обучения нейронных сетей показало, что применение нового гибридного метода с элитным обучением лидера в 5 раз снижает погрешность аппроксимации на тестовых выборках по сравнению с известными методами. Среди рассмотренных нейросетевых алгоритмов (многослойный персептрон, радиальная сеть, нечеткая сеть) наилучшую эффективность (погрешность аппроксимации) обеспечивает нечеткая сеть TSK с обучением на основе псевдоинверсии и гибридного алгоритма.

11. Установлено, что применение алгоритмов обработки выхода НС позволило получить до 85% совпадений оценок сети с эталонными данными при использования порога округления и до 93% при использовании аппарата нечеткой логики. Данные по коэффициенту пористости коллекторов с хорошей точностью обобщаются нейронными сетями. Среднеквадратичная ошибка прогнозирования на тестовом множестве данных составила для многослойного пер-септрона cr = 1,9%, для сети TSK сг-1,6%.

12. Разработанный алгоритм поточечного моделирования позволяет решать задачи интерпретации разных уровней. При наличии данных о коэффициентах, характеризующих общие свойства пород, поточечная интерпретации результатов ГИС может проводиться для произвольных месторождений.

13. Применение метода главных компонент (РСА) для сжатия входной информации в сочетании с нечеткой НС TSK привело к архитектуре составной НС PCA-TSK и повысило точность распознавания и обработки геофизических сигналов.

14. Для решения задачи классификации пластов нефтяных скважин рассмотрена возможность применения алгоритмов обучения без учителя (метод многомерного шкалирования, самоорганизующиеся карты Кохонена, метод выделения главных компонент). Эти методы дают дополнительную информацию о структуре разреза скважин, повышающую достоверность интерпретации.

15. В результате разработки и обоснования алгоритмических и программных средств, поддерживающих технологию интегрированного анализа и комплексной верификации геолого-геофизической информации, продемонстрирована возможность применения аппарата математической статистики и моделей HJI, а также алгоритма адаптивного выбора подклассов.

16. Созданная система позволяет проводить комплексную верификацию промысловой информации как в специализированных хранилищах, так и использоваться в качестве интегрированного инструмента контроля достоверности данных, применяемого в рамках программных решений сторонних разработчиков.

17. Разработана технология, позволяющая строить графы обработки, представляющие собой последовательность действий решения определенной задачи, которая может использоваться для фиксирования результата этапов расчетов для последующего анализа. Сам граф может использоваться, как источник опыта для общения между пользователями.

18. Произведена оценка влияния ошибочных данных при проведении геологического и гидродинамического моделирования. Практическим путем выработаны критерии построения подобного рода комплексов. Разработана гибкая система хранения правил контроля, а также алгоритмы их обработки. Система правил имеет возможности расширения за счет использования внешних (dll) библиотечных модулей, что позволяет производить настройку правил системы под конкретные требования.

1. Абрамов И. В., Клековкин В. С., Сенилов М. А. Управление показателями качества машиностроительных изделий // Вестник ИжГТУ. - Ижевск: Изд-во ИжГТУ, 1998. - Вып. 1. - С. 29 - 33.

2. Абрамов И. В., Сенилов М. А. Применение методов искусственного интеллекта в инженерных расчетах // Ученые Ижевского государственного технического университета производству: Тез. докл. науч.-техн. конф. - Ижевск: Изд-во ИжГТУ, 1994. - С. 97 - 98.

3. Аверкин А.Н. и др. Нечеткие множества в моделях управления и искусственного интеллекта/Под. ред. О.А. Поспелова. М: Наука, 1986. 312с.

4. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях. Тюмень: Изд-во ТГУ, 2000. - 352 с.

5. Альбом палеток и номограмм для интерпретации промысловых геофизических данных. М.: Недра, 1984.

6. Анализ информации и сопровождение баз данных по месторождениям ОАО «Варьеганнефтегаз»: Отчет о НИР / Институт интеллектуальных технологий; Рук. В.Е. Лялин; Исп. М.В. Данилов, М.А. Сенилов и др. ГР 01200 409312 - Ижевск, 2005, 48 с.

7. Андрейчиков А.В., Андрейчикова О.Н. Анализ, синтез и планирование решений в экономике. -М.: Финансы и статистика, 2000. 363 с.

8. Аронов В.И. Об оптимальном размещении разведочных скважин / Математические методы решения задач нефтяной геологии на ЭВМ. М.: ВНИГНИ, 1979.-С. 3-13.

9. Бадабаглы В.А., Изотова Т.С., Карпенко И.В., Кучеров Е.В. Цитологическая интерпретация геофизических материалов при поисках нефти и газа. М.: Недра, 1998.

10. Батищев Д.И. Генетические алгоритмы решения экстремальных задач / Под ред. Львовича Я.Е.: Учеб. пособие. Воронеж, 1995.

11. Бахвалов Н.С. Численные методы. М.: Наука, 1973. - 631 с.

12. Бенамеур JL, Минаев Ю.Н., Филимонова О.Ю., Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. М: Горячая линия - Телеком, 2003.

13. Бендат Дж., Пирсол А. Прикладной анализ данных. М.: Мир, 1989. - 540 с.

14. Бобровский С.И. Delphi 5: учебный курс. СПб: Питер-пресс, 2002.

15. Боганик В.Н. Методы оперативного обобщения промыслово-геофизической информации. -М.: Недра, 1983.

16. Боганик В.Н., Медведев А.И., Григорьев С.Н. и др. Способы повышения достоверности обработки данных ГИС// НТВ "Каротажник". Тверь: Изд. АИС. 2001. Вып. 86. С. 99-110.

17. Бонгард М.М. и др. Опыт использования обучающейся программы для выделения нефтеносных пластов. Сб. "Проблемы расширения возможностей автоматов", №5. Ротапринт, 1964.

18. Борисов А.Н., Алексеев А.В., Крумберг О.А. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982. - 256 с.

19. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. Рига: Зинатне, 1990. - 184 с.

20. Бродский П.А., Фионов А.И., Тальнов В.Б. Опробование пластов приборами на кабеле. М.: Недра, 1974.

21. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++. 2-е изд. М., Издательство Бином, СПб., Невский диалект, 1999.

22. Быстрые алгоритмы в цифровой обработке изображений/Под. ред. Т.С. Хуанга- М.: Радио и связь, 1984. 224 с.

23. Васильев В.В., Лялин В.Е., Сенилов М.А. Сравнительный анализ методов классификации пластов-коллекторов // Нефтяное хозяйство 2005 -№5 - С.50-51.

24. Васильков В.И., Горшков Л.Ф., Свириденко В. А. Методы и средства организации каналов передачи данных./Под ред. В.И.Васильева. -М.: Радио и связь, 1982. -152 с.

25. Вахитова Г.Р., Валиуллин Р.А., Ремеев И.С. Экспертная система обработки данных ГИС//НТВ "Каротажник". Тверь: Изд. АИС. 2000.

26. Венделыптейн Б.Ю., Резванов РА. Геофизические методы определения параметров нефтеносных коллекторов, М,: Недра, 1978, - 317 с,

27. Вендров A.M. CASE-технологии. Современные методы и средства проектирования информационных систем. М., Финансы и статистика, 1998.

28. Волкова В.Н., Денисов А.А. Основы теории систем и системного анализа. Изд-е 3-е, перераб. и дополн. - СПб.: Изд-во СПбГПУ, 2003. - 520 с.

29. Вороновский Г.К. и др. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. / Г.К. Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. Харьков: Основа, 1997. - 112 с.

30. Вычислительная математика и техника в разведочной геофизике: Справочник геофизика / Под ред. В.И. Дмитриева М.: Недра, 1990.

31. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Харьков: Основа, 1997. - 112 с.

32. Геолого-технологические исследования в процессе бурения//РД 390147716-102-87. Уфа: ВНИИнефтепромгеофизика. 1987. 273 с.

33. Геолого-технологические исследования скважин/ Л.М. Чекалин, А.С. Моисеенко, А.Ф. Шакиров и др. М.: Недра. 1993. 240 с. 129

34. Геофизические методы исследования скважин. Справочник геофизика. Под ред. В.М. Запорожца. М., Недра, 1983.

35. Геппенер В. В., Назаров В. Б., Сенилов М. А. Распознавание шумовых сигналов в условиях помех и частотно-зависимых искажений // Тр. Десятой Все-союзн. школы-семинара по статистической гидроакустике. Новосибирск, 1980.

36. Геппенер В. В., Сенилов М. А., Тимохин В. И. Использование модельных представлений для формирования эталонов в задачах распознавания сигналов // Теория и методы математического моделирования: Тез. докл. VII Всесоюзн. совещ. М.: Наука, 1978. - с.67-69.

37. Геппенер В. В., Сенилов М. А., Тимохин В. И. Методы распознавания сигналов, подвергнутых искажениям в среде распространения / ЛЭТИ. Л., 1978. 22 с. Деп. в НИИЭИР, № 3-5815.

38. Геппенер В. В., Сенилов М. А., Тимохин В. И. Методы формирования эталонных моделей в задаче распознавания сигналов // Вычислительная техника в автоматизированных системах контроля и управления. Вып. 8. Пенза, 1978.

39. Герман О. В. Введение в теорию экспертных систем и обработку знаний. Минск: ДизайнПРО, 1995.

40. Головин Б. А., Калинникова М.В, Оптимальный технико-методический комплекс литолого-петрофизических исследований в процессе бурения нефтегазовых скважин//НТВ "Каротажник". Тверь: Изд. АИС. 1998. Вып.51. С. 55-64.

41. Горбачев Ю.И. Геофизические исследования скважин. М.: Недра, 1990.-398с.

42. Городнов А.В., Добрынин В.М., Чёрноглазов В.Н., Рыжков В.И. Применение системы "Камергон" для обработки волновых акустических полей и комплексной интерпретации данных ТИС// НТВ "Каротажник". Тверь: Изд. АИС. 2000. Вып. 71. С. 69-77.

43. Григорьев А.И., Тульчинский В.Г. Практическое применение пакета программ "Геопоиск" для обработки данных ГИС. НТВ Каротажник. №77. - С. 60-69.

44. Григорьев JI.И., Гуров И.Ю., Элланский М.М. Методика построения интеллектуальной системы поддержки принятия решений (на примере задач нефтегазовой геологии). Компьютерный практикум. М.: РГУ нефти и газа, 1999.

45. Губерман Ш.А., Извекова М. Л., Хургин Я. И. Применение методов распознавания образов при интерпретации геофизических данных. М.: Самообучающиеся автоматические системы, 1966.

46. Гурьянов А.В., Нистюк А.И., Лялин В.Е. Комплекс программ для оперативной предварительной обработки каротажных сигналов//НТЖ "Вестник ИжГТУ" -Ижевск: Изд. ИжГТУ, 2002. Вып.З, С, 93-101.

47. Данилов В. А., Зимин П. В., Сенилов М. А. Методы анализа геофизических данных // Информационные технологии в инновационных проектах: Тр. IV Междунар. науч.-техн. конф. (Ижевск, 29-30 мая 2003 г.). Ижевск: Изд-во ИжГТУ, 2003. - Ч. 2. - С. 26 - 28.

48. Данилов М.В., Сенилов М.А. Средства интегрированного анализа и верификация геолого-геофизической информации // Геоинформационные технологии в нефтегазовом сервисе: Материалы IV научного симпозиума. Уфа: УГНТУ, 2005.-С.178.

49. Дахнов В.Н. Геофизические методы определения коллекторских свойств и нефтегазонасыщения горных пород. М., «Недра», 1975. С. 268-272.

50. Дахнов В.Н. Интерпретация результатов геофизических исследований резервов скважин. М., Недра, 1982. - 448с.

51. Дахнов В.Н. Электрические и магнитные методы исследования скважин. М.: Недра, 1980.

52. Дебранд Р. Теория и интерпретация результатов геофизических методов исследования скважин. -М.: Недра, 1972.

53. Девид Чеппел. Технологии ActiveX и OLE. М.: Издательский отдел. Русская редакция, 1997.

54. Дейл Роджерсон. Основы СОМ. М.: Издательский отдел. Русская редакция, 1997.

55. Дембицкий С.И. Оценка и контроль качества геофизических измерений в скважинах М.: Недра, 1991.

56. Дж. Вейскас. Эффективная работа с Microsoft Access 2000. СПб.:1. Питер, 2001.

57. Дьяконов Д.И., Леонтьев Е.И., Кузнецов Г.С. Общий курс геофизических исследований скважин. М.: Недра, 1984. - 432 с.

58. Дьяконова Т.Ф. Применение ЭВМ при интерпретации данных геофизических исследований скважин. М.: Недра, 1991. 220с.

59. Дьяконова Т.Ф., Рудая B.C., Расторгуев В.Н. Комплексы обработки данных ГИС на ЭВМ эффективность, качество. НТВ Каротажник. - №33. - С. 87-97.

60. Дюк В. Самойленко A. Data Mining. СПб.: Питер, 2001. - 368 с.

61. Еремин Н.А. Моделирование месторождений углеводородов методами нечеткой логики. М.: Наука, 1994. - 462 с.

62. Завьялец А.Н., Кусембаев С.Х. О некоторых вопросах внедрения компьютеризированных каротажных станций информации // Научно-технический вестник АИС "Каротажник"-Тверь, 1997, Выпуск 32, С. 26-32.

63. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 165 с.

64. Зайченко В.Ю. Интеллектуализация добычных нефтегазовых технологий в России следствие глобализации// НТВ "Каротажник". Тверь: Изд. АИС. 2001. Вып. 84. С. 59-70.

65. Зверев Г.Н.Т Халилов Д.Д., Головацкая И.Б. Применение алгоритма распознавания образцов для интерпретации промыслово-геофизических данных в Башкирии. Тр. МИНХиГП, Вып. 62. М.: Недра, 1966.

66. Зимин П. В., Лялин В. Е., Сенилов М. А. Применение имитационного моделирования электромагнитного поля в задаче проектирования РЭС // Молодые ученые первые шаги третьего тысячелетия: Тр. электронной заочной конф. - Ижевск: Изд-во УдГУ, 2000. - С. 31.

67. Зувделевич СМ„ Сохранов Н,Н, и др. Описание алгоритмов интерпретаций данных электрического каротажа в рамках АСОИГИС/ЕС. — М.: Изд. ВНИИ Геофизики, 1983. 82 с.

68. Ивакин В.Н., Карус Е.В., Кузнецов O.JI Акустический метод исследования скважин. -М.: Недра» 1978.

69. Иванов В.А., Лялин В.Е., Тарануха В.П. Разработка технических средств для повышения точности привязки каротажных сигналов к глубине скважины.// Тез. докл. 32 Научно-технической конференции ИжГТУ. Ижевск: ИжГТУ, 2000.

70. Ильинский В.М. Боковой каротаж. М.: Недра, 1971.

71. Инструкция (временное методическое руководство) по исследованию нефтегазовых скважин аппаратурой СПАК-4. М.: Недра, 1979.

72. Интеллектуальные системы интерпретации данных геофизических исследований скважин / Н. Б. Паклин, М. А. Сенилов, В. А. Тененев и др. // Искусственный интеллект. Донецк: Наука i освгга, 2002. - № 3. - С. 439 - 447.

73. Исаченко В.Х. Система контроля за траекторией ствола скважины за рубежом. Обзорная информация ВНИИОЭНГ. Сер. Бурение. 1981.

74. Итенберг С.С. Интерпретация результатов геофизических исследований скважин. М.: Недра, 1987.131с.

75. Итенберг С.С. Интерпретация результатов каротажа скважин. М.: Недра, 1978.

76. Итенберг С.С., Шнурман Г.А. Интерпретация результатов каротажа сложных коллекторов. М.: Недра, 1984.

77. Кабанов В.М., Красильников С.Н, Драцов В.Г. Компьютеризированная обработка данных геолого-геофизических исследований скважин. НТВ Каротажник. №92. - С. 75-85.

78. Каждая А.Б. Разведка месторождений // БСЭ: В 30 т. / Гл. ред.

79. А.М.Прохоров. 3-е изд. - М.: СЭ, 1975. Т. 21: Проба - Ременсы. - С. 406.

80. Каллан Р. Основные концепции нейронных сетей. М.: Вильяме, 2002.

81. Карпов Б.И. Delphi: специальный справочник. СПб: Питер-пресс, 2002. 688с.

82. Кафедра ТИС РТУ нефти и газа им. И.Н. Губкина предлагает компьютерную систему "Камертон"//НТВ "Каротажник". Тверь: Изд. АИС. 1999. Вып. 54. С. 106-109.

83. Кендэл М. Временные ряды. М.: Финансы и статистика, 1981.

84. Кнеллер Л.Е., Гайфуллин Я.С., Рындин В.Н. Автоматизированное определение коллекторских свойств, нефтегазонасыщенности по данным каротажа (петрофизические модели и методы)// Обзор. М: ВИЭМС 1990 72 с.

85. Кнеллер Л.Е., ГайфуллинЯ.С., Потапов А.П. и др. Некоторые вопросы теории и интерпретации материалов геофизических исследований сква-жин//НТВ "Каротажник". Тверь: Изд. АИС. 2001. Вып. 82. С. 188-205.

86. Кнеллер Л.Е., Рындин В.Н., Плохотников А.Н. Оценка проницаемости пород и дебитов нефтегазовых скважин в условиях сложных коллекторов по данным ГИС// Обзор. Сер. Разведочная геофизика. М.: ВИЭМС МГП Тео-информмарк. 1991. 65 с.

87. Козыряцкий Н.Г. Анализ точности расчета координат ствола скважины по данным инклинометрии. НТВ Каротажник. №33. - С. 58-68.

88. Комаров С.Г. Геофизические методы исследования скважин. М.: Недра, 1973.

89. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. М.: Изд-во МГТУ им. Баумана, 2002. - 320 с.

90. Комплексная интерпретация геофизических параметров функциональными преобразованиями с помощью ЭВМ/ Под. ред. Шапиро О.Г. — Минск, 1981.

91. Компьютерная поддержка сложных организационно-технических систем / В.В. Борисов, И.А. Бычков, А.В. Дементьев, А.П. Соловьев, А.С. Фе-дулов. М.: Горячая линия - Телеком, 2002. - 154 с.

92. Конев С.Н., Косолапов Ю.В. Пять лет использования компьютеризированных комплексов ГЕОТЕК// НТВ "Каротажник". Тверь: Изд. АИС. 2001. Вып. 83. С. 30-39.

93. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. М., Нолидж, 2001. - 352 с.

94. Корреляция геофизических резервов скважин на ЭВМ/ Ш.А, Гу-берман, Е.Е. Калинина, М.И. Овчинникова, В.Ф. Осипов, Геология нефти и газа, 1981, №2, с. 52-57.

95. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982. -432 с.

96. Кравченко Ю.А. Перспективы развития гибридных интеллектуальных систем // Перспективные информационные технологии и интеллектуальные системы. 2002. - № 3. - С. 34-38.

97. Крейг Д.Г., Рэндол Б.В. Методы расчета пространственного положения скважин //Инженер-нефтяник, 1976.

98. Крешер В.М. Поиски и разведка месторождений полезных ископаемых. 2 изд., М, Недра, 1969.

99. Круглов В.В. Адаптивные системы нечеткого вывода // Нейрокомпьютеры: разработка и применение. 2003. - № 3. - С. 15-19.

100. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. 2-е изд., стереотип. - М.: Горячая линия - Телеком, 2002. - 382 е.: ил.

101. Круглов В.В., Дли М.И., Годунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001. - 224 с.

102. Курейчик В.В. Перспективные архитектуры генетического поиска // Перспективные информационные технологии и интеллектуальные системы. — 2000.-№ 1.-С. 58-60.

103. Курейчик В.М. Генетические алгоритмы // Перспективные информационные технологии и интеллектуальные системы. 2000. - № 1. - С. 18-22.

104. Курейчик В.М., Зинченко JI.A., Хабарова И.В. Алгоритмы эволюционного моделирования с динамическими параметрами // Информационные технологии.-2001.-№ 6.-С. 10-15.

105. Курейчик В.М., Зинченко JI.A., Хабарова И.В. Исследование динамических операторов в эволюционном моделировании // Перспективные информационные технологии и интеллектуальные системы. 2001. -№ 3. - С. 65-70.

106. Латышова М.Г. Венделынтейн Б.Ю., Тузов В.П. Обработка и интерпретация геофизических исследований скважин. М.: Недра, 1990. -312с.

107. Латышова М.П. Практическое руководство по интерпретации диаграмм геофизических методов исследования нефтяных и газовых скважин. М.: Недра, 1996.

108. Ломтадзе В.В. Программное и информационное обеспечение геофизических исследований. М.: Недра, 1993.

109. Лукьянов Э.Е., Нестерова Т.Н. Компьютерная технология проведения геолого-технологических исследований/УНТВ "Каротажникл. Тверь:

110. Изд. АИС. 1998. Вып.53. С. 18-29.

111. Лукьянов Э.Е., Стрельченко В.В. Геолого-технологические исследования скважин в процессе бурения. М.: Нефть и газ. 1997. 679 с.

112. Лусников Р. Г., Сенилов М. А. Использование алгоритмов классификации для литологического расчленения разреза скважины // Математическое моделирование и интеллектуальные системы: Сб. науч. тр. ИжГТУ. — Ижевск: Изд-во ИжГТУ, 2003. № 2. - С. 44 - 49.

113. Лялин В. Е., Сенилов М. А. Математическое моделирование процесса интерпретации данных геофизических исследований скважин // Вестник Московской академии рынка труда и информационных технологий. М.: МАРГИТ, 2004.-№ 11.-С. 108-115.

114. Лялин В. Е., Сенилов М. А., Щеглов А. П. Машинный расчет и анализ тепловых параметров РЭС на основе имитационного моделирования // Молодые ученые первые шаги третьего тысячелетия: Тр. электронной заочной конф. - Ижевск: Изд-во УдГУ, 2000. - С. 114.

115. Лялин В. Е., Сенилов М. А., Щеглов А. П. Применение имитационного моделирования теплового поля в задаче проектирования РЭС // Молодые ученые первые шаги третьего тысячелетия: Тр. электронной заочной конф. — Ижевск: Изд-во УдГУ, 2000. - С. 113.

116. Мазницкий А.С., Галета В.О., Зорин Д.П., Мардер И.Е. и др. Инструкция по проведению инклинометрических исследований в скважинных. Калинин: НПО «Союзпромгеофищика», 1989.

117. Макс Ж. Методы и техника обработки сигналов при физических измерениях. Пер. с франц. М.: Мир, т.1. Основные принципы и классические методы, 1983. - 312 е.; т.2. Техника обработки сигналов. Применение. Новые методы, 1983. - 256 с.

118. Математические методы в задачах петрофизики и корреляции/Под ред. Вайнбер Я.М. и др. -М.: Наука, 1983.

119. Миловаевский Э.Ю., Сохранов Н.Н. Построение геолого-геофизических моделей разреза нефтяных и газовых скважин при комплексной интерпретации результатов полевой и промысловой геофизики. // НТВ "Каротажник". Тверь: Изд. АИС. 2000. Вып. 68. С. 57-62.

120. Мкртчян С.О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов) М.: Энергия, 1971. - 232 с.

121. Ненахов А.Н., Бернштейн JI.C., Коровин С.Я. Ситуационные системы с нечеткой логикой. М.: Наука, 1990. 272 с.

122. Нестерова Т.Н. Состояние и перспективы развития программного обеспечения геолого-технологических исследований. НТВ Каротажник. №69. - С. 20-30.

123. Нечеткая логика в задачах управления. М.: Наука, 1987. 236 с.

124. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука, 1986. - 311 с.

125. Обработка и интерпретация данных промысловых геофизических исследований на ЭВМ. Справочник / Сохранов Н.Н., Аксельрод С.М., Зунделе-вич С.М., Чуринова И.М.; Под. ред. Сохранова Н.Н. М.: Недра, 1989. - 240с.

126. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с.

127. Оцифровка каротажного материала Каширо-подольского объекта Вятской площади Арланского месторождения: Отчет о НИР / Институт интеллектуальных технологий; Рук. В.Е.Лялин; Исп. М.А. Сенилов, А.В.Гурьянов и др. № ГР 01200 405095 - Ижевск, 2004, 91 с.

128. Паклин Н. Б., Сенилов М. А., Тененев В. А. Интеллектуальные модели на основе гибридного генетического алгоритма с градиентным обучением лидера // Искусственный интеллект. Донецк: Наука i ocBtia, 2004. - № 4. — С. 159- 168.

129. Паклин Н. Б., Сенилов М. А., Тененев В. А. Классификация пластов по результатам геофизических исследований скважин // Вестник ИжГТУ. — Ижевск: Изд-во ИжГТУ, 2002. Вып. 5. - С. 14 - 16.

130. Паклин Н. Б., Сенилов М. А., Тененев В. А. Обучение нейронных сетей с применением гибридного генетического алгоритма // Вестник Московской академии рынка труда и информационных технологий. М.: МАРТИТ, 2004.-№ 12.-С. 13-22.

131. Паклин Н. Б., Сенилов М. А., Тененев В. А. Определение продуктивных коллекторов с помощью обучающихся информационных систем // Вестник ИжГТУ. Ижевск: Изд-во ИжГТУ, 2002. - Вып. 5. - С. 31 - 34.

132. Паклин Н.Б., Сенилов М.А., Тененёв В.А. Возможности применения интеллектуальных систем в задачах интерпретации каротажных диаграмм.// Материалы международной юбилейной НТК. Ижевск: Изд. ИжГТУ, 2002, - с. 147-152.

133. Подсчет запасов месторождений полезных ископаемых. М., Недра,1960.

134. Померанц Л.И., Чуркин В.Т. Аппаратура и оборудование для геофизических исследований скважин. М., Недра, 1978.

135. Попов Э. В. Экспертные системы. Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987.

136. Поспелов Д.А. Моделирование рассуждений: опыт анализа мыслительных актов. М.: Радио и связь, 1989. 184 с.тельных актов. -М.: Радио и связь, 1989. 184 с.

137. Представление и использование знаний: Пер. с япон./Под ред. X. Уэно, Ш. Исидзуки. М.: Мир, 1989. 220 с.

138. Прикладные нечеткие системы / Под ред. Т. Тэрано. М.: Мир, 1993.-512 с.

139. Принятие решений на основе нечетких моделей: Примеры использования. Рига: Зинатне, 1990. 186 с.

140. Программно-аппаратный комплекс ScanDigit 4.4. Дубна: НТП "Норд Софт", 2000.

141. Программный комплекс DigitControl 2.4. Дубна: НТП "Норд Софт",2000.

142. Рекламные материалы НПЦ "Тверьгеофизика": Комплекс программ обработки данных электрического, электромагнитного, акустического и радиоактивного каротажа нефтегазовых скважин// HI В "Каротажник". Тверь: Изд. АИС. 1997, Выпуск 32, С. 81-95.

143. Розов Е.А. Построение современной системы сбора и обработки данных автономных геофизических комплексов. НТВ Каротажник. №108. - С. 78-86.

144. Розов Е.А., Нестерова Т.Н. Принципы построения системы сбора и обработки геолого-технологической информации в реальном времени. НТВ Каротажник. №70. - С. 5-19.

145. Рудов И.В., Городнов А.В. и др. Объектно-ориентированная база данных интегрированной системы мониторинга месторождений. НТВ Каротажник. №33. - С. 58-68.

146. Сенилов М. А. Автоматизированная система обработки радиологических данных для решения задач медицинской диагностики // Биомедицинские технические системы. Межвузовский сб. Вып. 162. Л.: ЛИАП, 1983.

147. Сенилов М. А. Интеллектуальная компьютерная консультирующая система // Современные проблемы университетского образования: Мат-лы XX науч.-метод. конф. ИжГТУ (Ижевск, 24-28 апреля 1995 г.). Ижевск, 1995. - С. 76-77.

148. Сенилов М. А. Логико-лингвистическое моделирование в гибридных экспертных системах // Информационные технологии в инновационных проектах: Мат-лы докл. междунар. конф. ( Ижевск, 20-22 апр. 1999 г.). — Ижевск: Изд-во ИжГТУ, 1999. С. 28 - 34.

149. Сенилов М. А. Логико-лингвистическое моделирование в гибридных экспертных системах для управления качеством проектируемых объектов // XXII науч.- метод, конф. ИжГТУ, 19-23 апр. 1999 г.: Тез. докл. Ижевск: Изд-во ИжГТУ, 1999. - С. 48 - 49.

150. Сенилов М. А. Математическая модель адаптивного выбора подклассов на основе ранговых корреляций // Методы вычислительного эксперимента в инженерной практике. Вып. 1. Ижевск, 1992.

151. Сенилов М. А. Метод выделения коллекторов радиальной нейронной сетью при геофизическом исследовании скважин // Известия СПбГЭТУ «ЛЭТИ». Сер. «Информатика, управление и компьютерные технологии».

152. СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2004. Вып. 1. - С. 84 - 88.

153. Сенилов М. А. Применение гибридного алгоритма для обучения нейронных сетей // Известия Тульского государственного университета. Сер. «Математика. Механика. Информатика». Тула: ТулГУ, 2004. - Т. 10. - Вып. 3. -С. 216-226.

154. Сенилов М. А. Применение инвариантных решающих правил в некоторых задачах распознавания искаженных сигналов // Автоматические устройства учета и контроля. Вып. 3. Ижевск: Изд-во ИМИ, 1978.

155. Сенилов М. А. Применение логической схемы индуктивного нечеткого вывода в интеллектуальном пакете прикладных программ // Логическое управление в промышленности: Материалы VII симпозиума. Ижевск, 1984.

156. Сенилов М. А. Применение методов искусственного интеллекта в инженерных расчетах // Диагностика, информатика, метрология 94 (ДИМ-94): Тез. докл. науч.-техн. конф.(Санкт-Петербург, 28-30 июня 1994 г.). - СПб., 1994.-С. 168-169.

157. Сенилов М. А. Применение нечетких логико-лингвистических моделей при оценке степени предпочтительности ситуации // Управление при наличии расплывчатых категорий: Тез. VI науч.-техн. семинара. Пермь: Изд-во ППУ, 1983.

158. Сенилов М. А. Применение нечетких логических моделей в инженерных расчетах // Непрерывная логика и ее применение в технике, экономике и социологии: Тез. докл. I Всерос. науч. конф. (Пенза, 22-23 сент. 1994 г.). — Пенза, 1994.-С. 118.

159. Сенилов М. А. Применение обучающихся информационных систем для интерпретации каротажных диаграмм // Вестник Московской академии рынка труда и информационных технологий. М.: МАРТИТ, 2004. - № 11. — С. 55-60.

160. Сенилов М. А. Принятие решений в автоматизированной системе медицинской диагностики // Автоматизация и механизация трудоемких процессов: Тез. докл. Третьей республиканской конференции молодых ученых. Устинов, 1984.-С. 135- 136.

161. Сенилов М. А. Проблемно-ориентированный язык с фреймовой структурой для представления знаний и описания нечетких понятий // Управление при наличии расплывчатых категорий: Тез. III науч.-техн. семинара. — Пермь, 1980.

162. Сенилов М. А. Развитие интеллектуальных методов обработки геофизических данных // Искусственный интеллект. Донецк: Наука i освгга, 2003.-№4.-С. 357-364.

163. Сенилов М. А. Ранговый алгоритм адаптивного выделения кластеров // Теория адаптивных систем и ее применения: Сб. тез. докл. и сообщений

164. Всесоюзн. конф. -M.-JL: Изд-во ЛЭТИ, 1983. с.76-78.

165. Сенилов М. А. Распознавание пластов нефтяных скважин методами нейронных сетей и многомерного шкалирования // Вестник Московской академии рынка труда и информационных технологий. М.: МАРТИТ, 2004. - № 11. -С. 116-120.

166. Сенилов М. А. Распознавание продуктивных пластов нефтяных скважин с помощью методов нейронных сетей и нечеткой логики // Вестник Московской академии рынка труда и информационных технологий. М.: МАРТИТ, 2004. - № 11. - С. 28 - 34.

167. Сенилов М. А. Семиотическая система медицинской диагностики на основе микро-ЭВМ // Микропроцессорные системы. Л., 1983.

168. Сенилов М. А. Система представления знаний для автоматизированной системы определения качества сложных объектов // IX Всесоюзн. симпозиум по кибернетике: Сб. тез. докл. -М.: Изд-во МИРЭА, 1981,- с.127-130.

169. Сенилов М. А. Язык представления знаний с фреймовой структурой для САПР // Вторая республиканская науч. конф. молодых ученых: Тез. докл. Техника. Ижевск, 1981.

170. Сенилов М. А. Языковые и программные средства создания концептуальной модели с фреймовой структурой для САПР // Обмен опытом в области современных методов разработки программ на ЗВМ: Тезисы докладов семинара. Ижевск, 1982.

171. Сенилов М. А., Журавлев А. В. Концепция создания университетской сети с выходом в Internet // XXXI науч.-техн. конф. ИжГТУ, 15-17 апр. 1998 г.: Тез. докл. В 2-х ч. - Ч. 1. - Ижевск: Изд-во ИжГТУ, 1998. -С. 6-1.

172. Сенилов М. А., Истомин К. Ю. Применение логико-лингвистических моделей в оценке качества сложных многопараметрических объектов // Диагностика, информатика, метрология, экология, безопасность — 96 (ДИМЭБ-96): Тез. докл. науч.-техн. конф. СПб., 1996.

173. Сенилов М. А., Кадацкая М. С. Экспертная советующая система // Ученые Ижевского механического института производству: Тез. докл. науч.-техн. конф. - Ижевск, 1992.

174. Сенилов М. А., Карпов С. В. Вопросы применения методов искусственного интеллекта в инженерном конструировании // Диагностика, информатика, метрология, экология, безопасность 96 (ДИМЭБ-96): Тез. докл. науч.-техн. конф. - СПб., 1996.

175. Сенилов М. А., Карпов С. В. Применение методов искусственного интеллекта в расчетах деталей машин // Диагностика, информатика, метрология 95 (ДИМ-95): Тез. докл. науч.-техн. конф. (Санкт-Петербург, 4-6 июля 1995 г.).-СПб., 1995.-С. 183.

176. Сенилов М. А., Карпов С. В. Применение нечеткой логики в системах автоматизированного конструирования // Непрерывная и смежные логики в технике, экономике, социологии: Мат-лы междунар. науч.-техн. конф. Пенза: Изд-во ПТУ, 1996.

177. Сенилов М. А., Качурин С. И., Лусников Р. Г. Использование искусственных нейронных сетей для определения пластов-коллекторов в скважинах при геофизических исследованиях скважин // Вестник ИжГТУ. Ижевск: Изд-во ИжГТУ, 2002. - Вып. 5. - С. 20 - 24.

178. Сенилов М. А., Коловертнов Г. Ю. Применение составной сети PCA-TSK для анализа результатов геофизического исследования скважин // Вестник Московской академии рынка труда и информационных технологий. — М.: МАРТИТ, 2004.-№ 12.-С. 107-113.

179. Сенилов М. А., Лугачев П. П. Алгоритм построения конечноэле-ментных моделей // Методы вычислительного эксперимента в инженерной практике. Вып. 3. Ижевск, 1992.

180. Сенилов М. А., Лугачев П. П. Математическая модель для оценки зависимости параметров систем по данным экспертного опроса // Математическое моделирование в инженерной практике: Тез. докл. зональной науч.-техн. конф. Ижевск, 1988.

181. Сенилов М. А., Лугачев П. П. Методика поддержки средствами искусственного интеллекта системы управления качеством товаров // Диагностика, информатика, метрология, экология, безопасность 96 (ДИМЭБ-96): Тез. докл. науч.-техн. конф. - СПб., 1996.

182. Сенилов М. А., Лугачев П. П. Методы построения и оптимизации конечноэлементных сеток // Ученые Ижевского механического института -производству: Тез. докл. науч.-техн. конф. Ижевск, 1990.

183. Сенилов М. А., Лугачев П. П. Модели нечеткой логики в управлении организациями при совершенной конкуренции // Непрерывная и смежные логики в технике, экономике, социологии: Мат-лы междунар. науч.-техн. конф. -Пенза, 1996.

184. Сенилов М. А., Пугачев П. П. Программное обеспечение и основанная на нем методика бизнес-планирования // XXXI науч.-техн. конф. ИжГТУ, 15-17 апр. 1998 г.: Тез. докл. В 2-х ч. - Ч. 1. - Ижевск: Изд-во ИжГТУ, 1998. - С. 8.

185. Сенилов М. А., Лялин В. Е., Коловертнов Г. Ю. Построение модели разреза геологоразведочной скважины // Вестник Московской академии рынка труда и информационных технологий. М.: МАРТИТ, 2004. - № 12. - С. 49 - 55.

186. Сенилов М. А., Мочалов А. В. Нечеткая система оценки технического состояния высокоточных роторов // Диагностика, информатика, метрология, экология, безопасность 96 (ДИМЭБ-96): Тез. докл. науч.-техн. конф. — СПб., 1996.

187. Сенилов М. А., Перевощиков В. В. Автоматизированная система медицинской диагностики в области радиогепатографии // Автоматизация и механизация трудоемких процессов: Тез. докл. Третьей республиканской конференции молодых у ченых. Устинов, 1984.

188. Сенилов М. А., Перевощиков В. В. Нечеткая семиотическая система медицинской диагностики // Управление при наличии расплывчатых категорий: Тез. VI науч.-техн. семинара. Пермь, 1983.

189. Сенилов М. А., Старыгин А. В. Использование нечетких моделей в САПР трубчатых валов // XXXI науч.-техн. конф. ИжГТУ, 15-17 апр. 1998 г.: Тез. докл. В 2-х ч. - Ч. 1. - Ижевск: Изд-во ИжГТУ, 1998. - С. 5 - 6.

190. Сенилов М. А., Старыгин А. В. Применение нечеткой логики при оценке технического состояния высокоточных роторов // Непрерывная и смежные логики в технике, экономике, социологии: Мат-лы междунар. науч.-техн. конф.-Пенза, 1996.

191. Сенилов М. А., Старыгин А. В. Применение схемы индуктивного нечеткого вывода в расчетах деталей машин // Молодые ученые первые шаги третьего тысячелетия: Тр. электронной заочной конф. - Ижевск: Изд-во УдГУ, 2000. -С. 11- 78.

192. Сенилов М. А., Старыгин А. В. Применение экспертных систем на различных этапах жизненного цикла машиностроительного изделия // XXXI науч.-техн. конф. ИжГТУ, 15-17 апр. 1998 г.: Тез. докл. В 2-х ч. - Ч. 1. — Ижевск: Изд-во ИжГТУ, 1998. - С. 4 - 5.

193. Сенилов М. А., Тененев В. А. Интеллектуальные алгоритмы интерпретации геофизических исследований скважин. СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2004. - 128 с.

194. Сенилов М. А., Тимохин В. И. Применение метода гибких масок в некоторых задачах распознавания искаженных сигналов // Известия ЛЭТИ. Вып. 232. Л.: Изд-во ЛЭТИ, 1978. - с.94-96.

195. Сенилов М. А., Цепелев В. П. Распознавание литологической структуры разреза скважины посредством нечеткой логики // Математическое моделирование и интеллектуальные системы: Сб. науч. тр. ИжГТУ. Ижевск: Изд-во ИжГТУ, 2003. - № 1. - С. 47 - 55.

196. Сенилов М.А. Математическая модель адаптивного выбора подклассов на основе ранговых корреляций. Методы вычислительного эксперимента в инженерной практике. - Ижевск: ИМИ, 1992.

197. Сенилов М.А., Лялин В.Е. Нейросетевая модель поточечной интерпретации геофизических данных // Вестник Нижегородского университета им. Н.И. Лобачевского. Н.Новгород:ННГУ, 2005. - №6. - С.73-79.

198. Сенилов М.А., Тененев В.А., Паклин Н.Б. Модели радиальных нейронных сетей в задачах промышленной геофизики // Труды IV межд. науч.-техн. конференции «Информационные технологии в инновационных проектах». -Ижевск: Изд-во ИжГТУ, 2003. Ч. 2. - С. 85-87.

199. Система автоматизированной визуальной интерпретации результатов геофизических исследований скважин Gintel 97. Руководство пользователя. М.: Компания ГИФТС Ко. Лтд., 2000.

200. Скрипникова Г.В. Разработка технологии построения геологической модели нефтяных и газовых залежей средствами интегрированной системы ГЕММА и пакета динамической визуализации DV: Автореф. дис. канд. техн. наук. М., 2000. 20 с.

201. Словарь терминов разведочной геофизики / В.Н.Боганик и др.; Под ред. А.И. Богданова. М.: Недра, 1989. - 183 с.

202. Создание библиотеки скан-образов скважин Самотлорского месторождения: Отчет о НИР / Институт интеллектуальных технологий; Рук. В.Е.Лялин; Исп. М.А. Сенилов, А.П. Шеглов и др. № ГР 01200 405096 -Ижевск, 2004, 35 с.

203. Солтон Дж. Динамические библиотечно-информационные системы. М.: Мир, 1979.

204. Сохранов Н.Н. Машинные методы обработки и интерпретации результатов геофизических исследований скважин. М., Недра, 1973.

205. Сохранов Н.Н., Акселърод С.М. Обработка и интерпретация с помощью ЭВМ результатов геофизических исследований нефтяных и газовых скважин, — М.; Недра, 1984.

206. Спецификация формата LAS. http://www.geotec.ru/fLAS.php3.

207. Тененев В.А., Сенилов М.А., Паклин Н.Б. Классификация пластов по результатам геофизических исследований скважин // Вестник ИжГТУ. — Ижевск: Изд-во ИжГТУ, 2002. Вып. 5. - С. 14-16.

208. Тененев В.А., Сенилов М.А., Паклин Н.Б. Определение продуктивных коллекторов с помощью обучающихся информационных систем // Вестник ИжГТУ. Ижевск: Изд-во ИжГТУ, 2002. - Вып. 5. - С. 31-34.

209. Тененев В.А., Якимович Б.А., Сенилов М.А., Паклин Н.Б. Интеллектуальные системы интерпретации данных геофизических исследований скважин // Искусственный интеллект. Донецк: Наука i освпга, 2002. - № 3. — С. 439-447.

210. Теоретические основы и методы поисков и разведки скоплений нефти и газа М., Недра, 1968.

211. Устройства для регистрации аналого-цифровой информации автоматических каротажных станций / Вахрушев И.А., Лялин В.Е., Попович М.Е.; ИжГТУ- Деп. в ВИНИТИ 1999, № 3428-В99. 54с.

212. Формирование базы данных геолого-технологических мероприятий на скважинах Самотлорского месторождения: Отчет о НИР / Институт интеллектуальных технологий; Рук. В.Е.Лялин; Исп. М.А. Сенилов, С.И. Качурин и др. № ГР 01200 405096 - Ижевск, 2004, 59 с.

213. Формирование базы данных по ОАО «Варьеганнефтегаз»: Отчет о НИР / Институт интеллектуальных технологий; Рук. В.Е.Лялин; Исп. В.В. Васильев, С.П. Бархатов, М.А. Сенилов и др. ГР 01200 406709 - Ижевск, 2004, 80 с.

214. Фролов Ю.В. Интеллектуальные системы и управленческие решения М.: МШУ, 2000 - 294 с.

215. Чекалин J1.M., Мельников И.Г., Кожевников С.В. Геолого-технические исследования как составная часть компьютеризированной технологии поисково-разведочных работ// НТВ "Каротажник". Тверь: Изд. АИС 2000. Вып. 71. С. 51-58.

216. Чуринова И.М., Сержантов Р.Б., Скрипникова Г.В., Шацкий А.В. Интегрированная система "Гемма" и ее применение при моделировании залежей углеводородов. НТВ Каротажник. №80. - С. 108-120.

217. Швецова JI.E. О качестве и достоверности ГИС в связи с автоматизированной обработкой данных ГИС-контроль. НТВ Каротажник. -№95.-С. 94-100.

218. Шерстнев С.Н. Аппаратное обеспечение компьютеризированной технологии геолого-геохимических исследований скважин в процессе буре-ния//НТВ "Каротажник". Тверь: Изд. АИС. 2000. Вып.73. С. 47-68.

219. Шторм Р. Теория вероятностей. Математическая статистика. Статистический контроль качества. Пер. с немецкого Н.Н. и М.Г. Федоровых. М.: Мир, 1970.

220. Элланский М.М. Использование современных достижений петро-физики и физики пласта при решении задач нефтегазовой геологии по сква-жинным данным. Учебное пособие Сводный тем. план, 1999.

221. Элланский М.М., Еникеев Б.Н. Использование многомерных связей в нефтегазовой геологии. -М.: Недра, 1991.

222. Элланский М.М., Еникеев Б.Н. Компьютерное моделирование и современные компьютерные технологии в нефтегазовой геологии: Учебное пособие для вузов. РГУ нефти и газа, 1999.

223. Элланский М.М., Садыков А. Применение математических методов и алгоритмизация в решении задач нефтегазовой геологии: Учебное пособие.

224. Ташкент.: Ташк. Политехи. Ин-т,1989.

225. Элланский М.М., Холин А.И., Зверев Г.Н., Петров А.П. Математические методы в газонефтяной геологии и геофизике. М.: Недра, 1972.

226. Casillas J., Cordon O., Herrera F. Learning cooperative fuzzy linguistic rules using ant colony optimization algorithms // Technical Report DECSAI-00119, Dept. of Computer Science A.I., University of Granada, October 2000. 29 p.

227. Casillas J., Cordon O., Jesus M.J. del, Herrera F. Genetic tuning of fuzzy rule deep structures for linguistic modeling // Technical Report DECSAI-010102, Dept. of Computer Science and A.I., University of Granada, January 2001. 8 p.

228. Cordon O, Herrera F, Lozano M. On the bidirectional integration of fuzzy logic and genetic algorithms // 2nd Online Workshop on Evolutionary Computation (WEC2), Nagoya (Japan), 1996.-P. 13-17.

229. Cordon O., Herrera F., A General study on genetic fuzzy systems // Genetic Algorithms in engineering and computer sience, 1995. P. 33-57.

230. Cordon O., Herrera F., Lozano M. A Classified review on the combination fuzzy logic-genetic algorithms bibliography // Technical Report DECSAI-95129, Dept. of Computer Science and A.I., University of Granada, December 1996. 35 p.

231. Cordon О., Jesus M.J. del, Herrera F. Evolutionary approaches to the ^ learning of fuzzy rule-based classification systems // Evolution of Engineering and1.formation Systems and Their Applications. L.C. Jain (Ed.), CRC Press, 1999. P. 107-160.

232. Cotta C., Alba E., Troya J. M. Evolutionary design of fuzzy logic controllers //InProc. ISIC'96 Conference (Detroit), 1996. P. 127-132.

233. Finder. Система управления данными. Обзор возможностей. М.: Компания SIS, 2002.

234. Goldberg D.E. Genetic Algorithms in Search, Optimization, and Machine learning. Addison-Wesley, 1989.

235. Herrera F., Lozano M. Gradual Distributed Real-Coded Genetic Algorithms // IEEE Transactions on Evolutionary Computation 4:1 (2000). P. 43-63.

236. Herrera F., Lozano M., Verdegay J. Genetic algorithms applications to fuzzy logic based systems // 9th Polish-Italian and 5th Polish-Finnish Symposium on Systems Analysis, Warsaw (Poland), 1993, Omnitech Press. P. 125-134.

237. Herrera F., Lozano M., Verdegay J.L. Tackling real-coded genetic algo-^ rithms: operators and tools for the behaviour analysis // Artificial Intelligence Re-^ view, Vol. 12, No. 4, 1998. P. 265-319.

238. Hoffmann F. Evolutionary Algorithms for fuzzy control system design // Proceedings of IEEE, vol. 20, No. 5, September 2001. -P. 1318-1333.

239. Hsu K., Chang S. K. Multiple-shot processing of array sonic wavefomis // Geophysics. 1987. V. 52. N 10. P. 1376 1390.

240. Ignizio J.P. Introduction to expert systems. The development and implementation of rule-based expert systems. New York: McGraw-Hill, Inc, 1991.

241. IRAP RMS. Руководство пользователя RMSsimgrid. Версия 7.0.x,

242. Rxar software solutions, 2002.

243. Kosko B. Fuzzy systems as universal approximators // IEEE Transactions on Computers, vol. 43, No. 11, November 1994. P. 1329-1333.

244. LAS 3.0. Log ASCII Standard. Document #1 File Structures. Kenneth Heslop & others. Canadian Well Logging Society, 2000.

245. Lyalin V.E., Tenenev V.A., Senilov M.A., Paklin N.B. Neuronet and fuzzy modeling of interpretation of data of geophysical well logging // 5 International congress of mathematical modeling. Book of abstracts, V. 2 M.: "JANUS-K", 2002 -P. 156.

246. Michalewicz, Z. Genetic algorithms, numerical optimization and constraints // Proceedings of the 6th International conference on genetic algorithms, Pittsburgh, July 15-19, 1995.-P. 151-158.

247. Senilov M. A. A Logicolinguistic Decision Making Model for the

248. Evaluation of Alternative Situations Preference // International Colloquium on European Cooperation in the International Projects, Information Technologies and Environmental Sciences: Proceedings, Kothen, Germany, June, 1997. P. 98 - 104.

249. TEMPEST MORE. User Guide. Version 6. Roxar software solutions, 2003.

250. TEMPEST VIEW. User Guide. Version 6. Roxar software solutions, 2003.

251. Tukey J.W.: Exploratory Data Analysis. Addison-Wesley, Reading, Mass., 1977.