автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Программно-аппаратные средства для интерпретации геофизических исследований скважин на основе нейроинформационных технологий

На правах рукописи

ФЕДОРОВ Алексей Владимирович

УДК 550.832+519.688+681.3.01

ПРОГРАММНО-АППАРАТНЫЕ СРЕДСТВА ДЛЯ ИНТЕРПРЕТАЦИИ ГЕОФИЗИЧЕСКИХ ИССЛЕДОВАНИЙ СКВАЖИН НА ОСНОВЕ НЕЙРОИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ

Специальности:

05.13.18- Математическое моделирование, численные методы и комплексы программ 05.13.01 - Системный анализ, управление и обработка информации (в машиностроении и вычислительной технике)

Автореферат диссертации на соискание ученой степени кандидата технических наук

Ижевск 2005

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

Научные руководители:

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

доктор технических наук, доцент Сенилов М.А.

Официальные оппоненты:

доктор технических наук, профессор Мурынов А.И. (ИжГТУ);

доктор технических наук, доцент Коловертнов Г.Ю.

(Уфимский государственный нефтяной технический университет, г, Уфа).

Ведущая организация: Институт математического моделирования РАН {г. Москва).

Защита состоится 17 декабря 2005 г. в 15 часов

на заседании диссертационного совета Д 212.065.04

в ИжГТУ по адресу: 426069, г. Ижевск, ул. Студенческая, 7, ауд.1-4.

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

С диссертацией можно ознакомиться в библиотеке института. Автореферат разослан 10 ноября 2005 г.

Ученый секретарь диссертационного совета,

доктор технических наук, профессор

шош

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время преимущества применения компьютерной техники в геофизике ни у кого не вызывает сомнений. Она позволяет отойти от традиционных методов сбора и обработки информации, решать проблему переработки больших массивов информации, исключить субъективность интерпретации результатов исследований.

Существует большое количество программных средств и аппаратно-программных комплексов, позволяющих автоматизировать все процессы сбора, обработки и хранения данных геофизических исследований скважин (ГИС). Но даже при современном многообразии различных программных средств, производящих интерпретацию ГИС, системы, использующие возможности искусственного интеллекта, немногочисленны по своей номенклатуре и обладают достаточно невысокими интеллектуальными способностями, что не позволяет использовать их в качестве основных решающих инструментов при вынесении заключения с высокой степенью достоверности о наличии нефтяных коллекторов в литологической структуре как скважин, так и геологических горизонтов. 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, Ыегпй-технологии и инфотелекоммуникационные системы для принятия с высокой степенью достоверности решения о наличии нефтеносного коллектора при ГИС.

Одним из направлений развития систем искусственного интеллекта является использование в них аппарата искусственных нейронных сетей (НС). Несмотря на простоту их построения и функционирования, они позволяют накапливать уже известные закономерности ГИС, обобщать факты и давать вполне корректные оценки в ситуациях, когда на входе НС представлены зашумлен-ные данные. НС уже широко применяются за рубежом в различных системах распознавания образов, например, прогнозирования, управления и др. К сожалению, в нашей стране, пока это редкое явление.

В настоящее время создано множество программных продуктов, имитирующих работу НС. Но возможности их применения в геофизической области весьма ограничены. Это связано с тем, что данные программы не содержат в себе ни правил формализации исходных данных и заключений, применяемых для решения задач ГИС, ни специализированных НС, ни средств импорта/экспорта геофизических данных.

В связи с этим, применение НС для интерпретации данных ГИС позволит повысить надежность результатов затрачи-

ваемое на решение данной задачи. Поэто] [у актуальных задач

С.Пете»бурь - 1

за»!

и посвящена настоящая диссертация.

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

Предметом исследования являются методы и алгоритмы интерпретации геофизической информации; генетические алгоритмы оптимизации; методы и алгоритмы обучения НС; нейроинформационные технологии для расчленения разреза скважины на пласты; нейросетевые методы прогнозирования коэффициентов пористости коллекторов; нейросетевая модель поточечной интерпретации данных ГИС; методы классификации пластов нефтяных скважин; 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 литологическое расчленение скважины и выявление нефтенасыщенных коллекторов на основе разработки эффективных алгоритмов интерпретации ГИС, базирующихся на нейросетевых технологиях, внедрение которых имеет существенное значение для повышения степени автоматизации интерпретации геолого-геофизической информации.

Для реализации поставленной цели необходимо решить следующие задачи:

- 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 лито-логического расчленения разреза скважины;

- разработка алгоритма поточечного моделирования для решения задачи интерпретации разных уровней;

- применение метода главных компонент для сжатия входной информации в сочетании с применением нечеткой нейронной сети;

- выбор корректных оценок, позволяющих определять качество интерпретации с помощью НС;

- разработка методики классификации пластов нефтяных скважин, основанных на применении алгоритмов обучения без учителя;

- создание алгоритмов последующей обработки результатов работы НС для повышения качества и надежности интерпретации.

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

При решении задачи качественной интерпретации данных ГИС применялись: многослойная нейронная сеть; радиальная сеть; нечеткая сеть ТБК; математические методы снижения размерности данных. Для обучения интерпретирующих систем применялся гибридный алгоритм оптимизации.

Предварительная обработка геолого-геофизической информации базиру-

ется на использовании методов статистического анализа временных рядов в приложении к геофизическим сигналам. Построение ИСИ велось на основе 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 алгоритмы математической статистики, пет-рофизические закономерности.

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, 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++.

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 нейроинформационных технологий, 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 петрофизиче-ских зависимостях.

Достоверность экспериментальных результатов обеспечена использованием большого объема экспериментального материала, статистическими методами обработки данных и хорошей воспроизводимостью результатов. Достоверность эталонного материала для обучения моделей HJI 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, 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 геоло-ю-геофизической и промысловой информации, в том числе:

- применение средств искусственного интеллекта для определения лито-

логического состава разреза скважины по данным каротажа путем обучения на основе анализа соответствия КД имеющемуся экспертному заключению;

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

- выбор и обоснование правил формализации задачи литологического расчленения разреза скважины с помощью НС;

- анализ влияния правил представления входных геофизических данных и выходных заключений результатов интерпретации на качество обучения нейронной сети;

- достижение преимуществ применения специализированных алгоритмов обработки результатов работы сети для увеличения информативности сигнала, выдаваемого НС, и повышения надежности распознавания;

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

- проектирование и реализация ИСИ ГИС, разработка концептуальной структуры объектно-ориентированной системы, принципов построения 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 нейроинформационных технологий, в ходе которых:

- осуществлен выбор структуры и создана ИСИ ГИС на основе нейроинформационных технологий, предложены концепция и принципы построения ее программного и информационного обеспечения;

- разработан новый гибридный метод оптимизации, основанный на 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.

Практическая полезность. 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 нейросетевый технологий.

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.

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 се 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 обра-

батывать данные по скважинам, методам и измерениям.

Интеграция в единый программный продукт всех модулей ИСИ, средств хранения, предварительной обработки и интерпретации, наличие интерфейсов взаимодействия с другими программными комплексами, использование динамически связываемых библиотек ((111), дающих широкие возможности расширения, позволяет рассматривать созданную ИСИ как многофункциональный инструмент анализа геофизических данных.

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 нейроинформационных технологий, в том числе созданы технические и методические средства, направленные на повышение точности ее функционирования и универсальности.

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 Международных НТК «Информационные технологии в инновационных проектах» (Ижевск,2002-2004); Научно-технических конференциях ИжГТУ (Ижевск,2002-2004); 5-м Международном конгрессе по мат.моделированию (Дубна,2002); Международной НТК «Интеллектуальные и многопроцессорные системы-2005» (Таганрог,2005); Международной НТК «Искусственный интел-лект-2005» (п.Дивноморское,2005); Междунар. научной молодежной школе «Нейроинформатика и системы ассоциативной памяти» (Таганрог,2005); 4-м научном симпозиуме «Геоинформационные технолоши в нефтегазовом сервисе» (Уфа,2005).

Публикации. Основные научные результаты по теме диссертации опубликованы в 13 научных работах, в том числе: 6 отчетов о НИР (63с., 59с., 91с., 35с., 53с., 80с.), 1 депонированная рукопись (объемом 42 страницы), 4 статьи в журналах и сборниках, 2 тезиса докладов на научно-технических конференциях.

Структура диссертационной работы определяется общими замыслом и

логикой проведения исследований.

Диссертация содержит введение, 4 главы и заключение, изложенные на 152 с. машинописного текста. В работу включены 53 рис., 7 табл., список литературы из 157 наименований и приложение, в котором представлен акт 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 обзор существующих методов каротажа и интерпретации результатов ГИС. Представлен обзор методов получения данных о геофизических характеристиках 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, литологическое расчленение с оценкой вероятности, метод нормализации и методы классификации, основанные на петрофизических данных. Описаны характеристики программных средств, предназначенных для автоматизации работ по оцифровке и интерпретации КД.

Во второй главе рассмотрено совершенствование методов оптимизации, применяемых при обучении интеллектуальных систем для интерпретации ГИС. Приведены классические методы оптимизации, построенные на вычислении градиента целевой функции, в том числе метод наискорейшего спуска, алгоритм золотого сечения, метод сопряженных градиентов и метод переменной метрики.

В работе для решения оптимизационных задач предложен гибридный алгоритм, объединяющий стандартные генетические алгоритмы и градиентные методы. Особенность алгоритма заключается том, что работа градиентных и генетических методов ведется параллельно. Это позволяет находить глобальный оптимум с высокой точностью. Метод протестирован на овражных, многоэкстремальных функциях большой размерности без задания начального приближения. Показана эффективная работа алгоритма в процедуре обучения многослойного персептрона.

Определено, что стандартный генетический алгоритм не позволяет решить все проблемы, связанные с оптимизаций функций многих переменных. С увеличением размерности вектора переменных сильно увеличивается размер области поиска. В главе рассмотрен пример поиска минимума тестовой функции Розен-брока. Двумерная функция имеет вид: f{x[,x2) = \QO-{x1 -xff +Q-xl)2 ->min.

Оптимальные значения переменных при f(x),x2) = 0 равны x¡ = 1, jc* = 1. N -мерная функция Розенброка при N =24 запишется в виде

f(xt,...,xN+l) = ¿(100• (*„, -x'f + (1 -x,f)min. (1)

Оптимальные значения переменных при /(Х) = 0 также равны х* = 1, / = 1,JV + 1. Для минимизации функции (1) в области х, е[-5,5], г = 1,jV + 1 при-

f(X) dXUax.dXAP 1000000

менялся стандартный генетический алгоритм с бинарным кодированием. На рис.1 показаны зависимости значений функции /(X) от числа итераций К при N = 24 (зависимость 1) и N = 1 (зависимость 4), а также максимальные отклонения от точного решения dXMax = max \х -х* (зависимости 2 и 5) и среднему! I I

квадратичные отклонения dXAv = J£(x, - х')2 (зависимости 3 и 6) для N = 24

и N = 1 соответственно. Для функции с N = 1 минимальное значение достигает приемлемого уровня 1СГ4 при отклонении от точного решения до 10'2.

В случае же N = 24 сходимость процесса гораздо хуже. Значения функции не опускаются ниже 30, и максимальное отклонение от точного решения устанавливается на уровне 1 (т.е. для некоторых xt решение находится далеко от оптимального). Это связано с тем, что функция Розен-брока имеет выраженный овражный характер, как видно из рис.2. В случае небольшой размерности задачи (N -1) генетический алгоритм находит дно оврага и выходит на приемлемое решение. При увеличении размерности до N = 24 вероятность попадания в нужный овраг существенно уменьшается и итерационный процесс замораживается. Градиентные методы при случайном выборе начального приближения в области Рис 2 Вид функции Розенброка при N = 1 х, е[-5;5], i = 1,7V+1 также застревают в областях локальных минимумов. Данные результаты заставили нас искать пути повышения эффективности генетических алгоритмов.

Нами было принято во внимание, что развитие генетических алгоритмов с целью увеличения скорости сходимости ведется по пути создания новых разновидностей операторов отбора, скрещивания и мутации. Разрабатываются методы распараллеливания генетических алгоритмов. Интенсивно развиваются динамические генетические алгоритмы, в которых в процессе итераций изменяются их параметры. Как правило, введенные усовершенствования показывают улучшение эффекшвно-

Рис 1 Минимизация функции Розенброка бинарным генетическим алгоритмом:

1 - f(X), N=24,2 - dXMax, N=24; 3 - dXAv, N=24, 4 - fPQ> N~1, 5 - dXMax, N=I, 6-dXAv, N~l

ста на тестовых задачах небольшой размерности. При увеличении N проблема нахождения глобального экстремума овражных функций остается актуальной.

Еще одним направлением улучшения работы оптимизационных методов является применение гибридных алгоритмов, объединяющих свойства градиентных и эволюционных алгоритмов. При таком подходе обычно находят начальное приближение, локализованное в области экстремума, с помощью генетического алгоритма, а затем уточняют положение экстремума градиентным методом. При этом также ускоряется сходимость, но экстремум не обязательно будет глобальным.

В работе предложен гибридный алгоритм, основанный на параллельной работе генетических операторов и какого-либо градиентного метода. В популяции, созданной генетическим алгоритмом, выбирается лучшая особь - лидер. Этот лидер обучается отдельно по градиентному методу. Если его качественный показатель при этом лучше, чем у всех остальных особей в популяции, то он вводится в популяцию и участвует в воспроизводстве потомков. Если же в результате эволюции в 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, метод сопряженных градиентов, квазиньютоновский метод или метод переменной метрики).

Решалась задача оптимизации многомерной функции: /(X)-»mn, XeR" (2) и рассматривались некоторые оптимизационные методы.

Стандартный генетический алгоритм с бинарным кодированием (BGA) осуществляется следующим образом.

Перед началом процесса при t = 0 формируется популяция, состоящая из к особей. Особь или хромосома представляется в виде: С-[Х,у/\-(с ),

/ = 1,и, где Х = (х;), i-\,т - вектор аргументов функции; i// - преобразование,

осуществляющее переход от вектора X (фенотипа) к кодированному представ__т

лению (генотипу); (с;), j = \,п, c¡ е{0,1} - битовая строка длиной n = ^¡N¡; N,

1=1

- разрядность представления переменной . Преобразование

у/\ I, -y,(2N' -1)> i = hm, у, = х, -minjc, / max^-minx, , I~»B-»G,

\ i~i,m Jf V. í-l.ffi i-l,m ) где !--(/,), В = (Д), G = (Gt), i = l,m - векторы целочисленного представления, двоичного представления и представления в коде Грея. Обратное преобразование

G ->В—»I, у, ==—í—, х, = minjc, + х[max_x-minj — 1) l-l м V l-ljn

Проводится эволюция популяции на итерации t = t +1 с использованием операторов отбора, скрещивания и мутации.

Генетический алгоритм в вещественных кодах (RGA). Основная идея RGA заключается в том, чтобы напрямую представлять гены в виде вещественных чисел, т.е. генотип объекта становится идентичным его фенотипу. Хромосома представля-

собой вектор вещественных чисел С = {cJ), с] = у , у = 1, и, и точность найденного решения будет определяться не количеством разрядов для кодирования битовой строки, а будет ограничена возможностями ЭВМ, на которой реализуется вещественный генетический алгоритм. Последовательность операций в алгоритме такая же, как и в стандартном генетическом алгоритме бинарного кодирования. Отличие заключается в виде генетических операторов. Преобразование ^(Х) здесь сильно упрощается (осуществляется лишь приведение аргументов к безразмерному виду):

V- У,-'

-, i = l,m; ц/ ': х, = min шах х- minx,

, i = \,m.

maxxj-minjc, 1, „¡^ „ÜÄ j

i-1 ,m r 1,/n

Оператор скрещивания имеет вид (BLX): CD=Cross(CP\Cn),

С™ = arg min[/(C/>l (X)), /(CP2(X))],

Cross:

С™ = arg max[/(C (X)), f(C (X))],

=c~ -a(c7 -c;m,n) + r(c7 -c;,nXl + 2a), y = U, где а e [0; 0,5] - параметр кроссовера; г е (0,1) - случайное число.

Оператор мутации задает случайным образом значения у, е(0,1), i = 1, т. В результате проведенных экспериментов генетические алг оритмы бинарного и вещественного кодирования показали примерно одинаковую эффективность. С увеличением размерности задачи глобальный экстремум достигается не всегда для всех рассмотренных методов. При N > 4 генетический алгоритм вещественного кодирования начинает проигрывать алгоритму бинарного кодирования. Бинарный алгоритм уверенно находит глобальный экстремум при N< 10. При больших значениях N > 10 оптимальное решение находится не всегда. Алгоритм вещественного кодирования при N = 10 застревает в локальных экстремумах.

Разработанный нами гибридный алгоритм реализуется следующим образом:

1) к = 0. Формируется популяция, состоящая из т особей {С' ,s = \,т}к,

по BGA- или RGA - методу. Первый номер принимает особь С1 с лучшим показателем (минимальным значением функции (2)). С помощью преобразования I//'1 получаем вектор Хкь и X* = Хкь.

2) k = k + l. С помощью одного из алгоритмов (МНС, МСГ, МПМ) вычисляется следующее приближение вектора X*. Генетическим алгоритмом BGA или RGA создается следующая популяция {C',s = l,m}k и находится лучшая особь, определяющая очередной вектор Хкь.

3) Если f(Xkb) < f(Xk), то X* = Xj.

4) Если /(Х*)>/(Х*), то C'=[XV]-

5) Если выполняется условие остановки, то «конец» иначе возврат к п.2. Анализ градиентных методов показал, что наиболее предпочтительным

для использования в гибридном алгоритме является метод переменной метри-

ки, имеющий более высокую скорость сходимости.

На рис.3 показаны результаты минимизации функции Розенброка при N=1 гибридным алгоритмом. Зависимости 1,2,3 соответствуют гибридному алгоритму: бинарный генетический алгоритм + метод переменной метрики (ВОАУМ). Зависимости 4, 5, 6 - вещественный генетический алгоритм + метод переменной метрики (ЯОАУМ). По сравнению с рис.1 видно, что функция за несколько итераций уменьшается на восемь порядков до значения КГ6. Количество необходимых итераций меньше в сотни раз, по сравнению со стандартным генетическим алгоритмом. Далее гибридный алгоритм тестировался на функции Розенброка большой размерности N = 200. Результаты для алгоритма ВвАУМ показаны нарис.4.

10 20 30

Рис 3 Минимтания функции Рюенброка гибридным генетическим алгоритмом при N=1:

1 - fl[X), BGA; 2 - dXMax, BGA; 3 - dXAv, BGA, 4 - f(X), RGA, 5 - dXMax, RGA, 6 - dXAv, RGA

Рис 4 Минимизация многомерной функции Розенброка гибридным генетическим алгоритмом BGAVM при N = 200:

1 - ЦХ), 2 - dXMax, 3 • dXAv

Зависимость функции и ошибок аргументов на рис.4 представлены от величины/в условных единицах, соответствующих 1 секунде работы процессора Celeron 800. Количество итераций при этом равно 207. Анализ работы гибридного алгоритма показал, что основная часть работы выполняется в режиме «если /(Х£)</(Х*), то X* = X*»- лидер обучается по методу переменной метрики и улучшает популяцию в целом. Смена лидера происходит не часто - примерно на 1... 5% итераций. На рис.4 этим моментам обычно соответствует скачкообразное уменьшение величин /(X),

ыг .1 р—г*

dXMax = max\х -x \,dXAv= [У(х -х')2.

1=1, А1+И 1 Л| ~

Алгоритм RGAVM также показал хоро-, »лад шую производительность. Число итераций для него больше в 2 - 3 раза, но время, затрачиваемое на одну итерацию, в 2,5 раза меньше, поэтому по затратам вычислительного времени оба алгоритма дают

Рис 5 Проекция траектории движения близкие результаты, представляющей точки к оптимуму, алго- На рис.5 показана проекция тра-

ритм BGAVM при N = 200 ектории движения представляющей точ-

ки к оптимуму. Проекция сделана на две координаты с максимальными откло-

нениями от точного решения. Худшие решения (хШ1,хШ2) находятся далеко от оврага. Попадание в овраг осуществляется по генетическому алгоритму, а затем достаточно быстро определяются оптимальные значения этих переменных и положение глобального экстремума.

На следующем этапе тестирования гибридного алгоритма минимизировалась функция Розенброка при N = 2000. Задача поиска глобального экстремума функции большой размерности также успешно решена обоими методами BGAVM и RGAVM примерно за одинаковое время. Следует отметить, что ни метод BGA, ни RGA, ни МПМ не позволяют получить значения минимизируемой функции меньше 104. Кроме функции Розенброка рассматривались другие функции, обычно применяемые при тестировании (функция Расстригина; функция de Jong). На многомерной функции Розенброка глобальный оптимум достигается только методами BGAVM и RGAVM. В работе показана эффективная работа гибридного алгоритма для решения широкого круга задач большой размерности: условной оптимизации, решении систем нелинейных алгебраических уравнений и вариационных задач.

В третьей главе разработана интеллектуальная система интерпретации ГИС на основе теории нейронных сетей, в том числе рассмотрены основы ней-роинформационных технологий, алгоритм обратного распространения ошибки, обучение нейронной сети с помощью гибридного алгоритма, радиальные нейронные сети, расчленение разреза на пласты нейросетевыми методами, определение коэффициентов пористости коллекторов. В главе учтено влияние представления данных на процесс интерпретации многослойной нейронной сетью. В работе также рассмотрены два типа нейронных сетей: многослойный персеп-трон и нечеткая сеть TSK. Применение их для количественных оценок коэффициента пористости по результатам геофизических измерений показало лучшую эффективность сети TSK. Представлены результаты экспериментов на скважинах Вятской площади.

Определение коэффициентов пористости и нефтенасыщения является следующим этапом в ГИС после выделения пластов-коллекторов. Применение искусственных нейронных сетей значительно облегчает труд геофизика и ускоряет процесс интерпретации новых скважин. Для определения коэффициента пористости используют результаты измерений, полученных с помощью ряда методов каротажа. В работе рассмотрена возможность прогнозирования коэффициента пористости выделенного пласта-коллектора многослойным персептроном. Для этого была построена обучающаяся однонаправленная сигмоидальная сеть вида:

Z* = , j=\,Нк, к=],К, где Нк - количество нейронов в к -том слое, К- об-

щее количество слоев сети, w* - матрицы весовых коэффициентов; - выходы сети. Акгивационная функция j-го нейрона на к -том слое описывается формулой

ykj =[l-exp(-AjZj + Я*)]"', где Ак, Вк} - ее параметры, подлежащие определению.

Далее, на входы сети подавались показания геофизических методов выделенных пластов-коллекторов, при этом выходной сигнал соответствовал значению

пористости для всего пласта. Поскольку показания каротажей поточечные, то для каждого пласта рассчитывались их усредненные значения х, по формуле: с / _

/С, i = \..L, где х{ - значение г-го каротажа в у-той точке пласта;

у=i /

L- количество каротажей, которое для данной задачи совпадает с числом входов нейросети; С - количество точек в пласте.

Параметры функции активации, весовые коэффициенты, число нейронов и число слоев сети принимали за неизвестные величины, которые подбирались в процессе обучения. Для этого составлялась оптимизационная функция F(X):

= => min, (3), где X = (w*,A*,BkJ,Hk,Ky, N - ко-

Ntt

личество обучающих выборок; dt, у1 - желаемая и полученная величина выхода сети соответственно.

Подбор параметров нейронной сети, или оптимизация функции (3), осуществлялся в два этапа:

- полный вектор параметров Х = (м>у,А*,В*,Нк,К) находился с использованием генетического алгоритма, который не требует вычисления производной функции F(X). Вычисление градиента функции F(X) затруднено из-за разрывности функции по переменным Нк, К. После стабилизации значения функции происходил переход ко второму этапу;

- функция F(X) минимизировалась по вектору переменных

предложенным с участием автора работы гибридным алгоритмом.

В эксперименте участвовало 8 разведочных скважин Вятской площади, к которым прилагались расшифровки геофизиков-интерпретаторов с указанием глубин скважин, соответствующих коллекторам, коэффициента общей пористости K¡, (мV, %) и типа насыщения. Для нефтенасыщенных коллекторов дополнительно указывался коэффициент нефтенасыщения Кн. На вход сети подавались показания 7 методов: ВК (боковой каротаж), SP (собственные потенциалы), PZ (потенциал-зоид), GR (гамма-метод), NGR (нейтронный гамма-метод), DT (ультразвуковой метод), ПС (индукционный каротаж). Общее количество обучающих примеров составило 200, половина из которых использовалась для обучения, остальные - для тестирования нейронной сети. Использовались следующие параметры генетического алгоритма, предназначенного для синтеза архитектуры и обучения многослойной нейронной сети: количество хромосом в популяции - 50; вероятность кроссовера 0,90; мутации - 0,05. Применялись стандартный двухточечный оператор скрещивания и стратегия элитизма. В результате после 200-300 эпох алгоритма достигается минимум функции ошибки, в среднем равный 0,0050 для обоих множеств - рабочего и тестового. Количество найденных генетическим алгоритмом скрытых слоев нейронной сети - 1, нейронов в слое - 5. На рис.6 изображены графики зависимостей коэффициента Крр, выданного нейронной сетью от эталонного коэффициента

пористости К , для такого же примера для обучающей и тестовой выборок. Видно,

что описанная выше модель многослойного персептрона удовлетворительно справляется с прогнозированием пористости по данным комплекса геофизических методов. Такая же методика может быть применена для оценки остальных видов порис-

тости, например, динамическои пористости коллекторов.

крО

5 1 0 15 20 25 30 35 40 5 10 15 20 25 30 35 40

а) 6)

Рис б График выходов нейронной сети (многослойный персептрон), определяющей пористость:

а) - обучающее множество, б) - тестовое множество

Нечеткая сеть Т8К (Такаги-Сугено-Канга) использует принципы нечеткого логического вывода для формирования выходного значения в зависимости от входного сигнала. Агрегированный выходной сигнал такой сети рассчитывается по формуле (4).

( ь

Л*) =

V1

Чь-т /

|>Хр,о + ЁР,Л)><4) н=П

1 +

X —с

_ч

К У

Л2»;

(5)

В формуле (4) Р = [/?], < = 1,М, У = 0,Л^ - веса, подбираемые в процессе обучения, М - число правил вывода. \У = ] определяются значениями обобщенной функции Гаусса (5).

Неизвестные в сети параметры с1рау,Ьч, Р = [#,], / ~\,М, у = 0,N делились на две части сь, сгр, Ьч и Р = [р0 ].

Для обучения использовались обучающие выборки ц = \,Н. При

Л1 г 2Ь '

фиксированных коэффициентах и»,' = 1 - с. "

1=1

принимались

у(хч)=с/'1, д = 1 ,Н в виде системы линейных алгебраических уравнений с матрицей в или СР = й. При Н > М(Ы + \), значения Р = [р11] находились в результате применения операции псевдоинверсии Р = С+(1, где С = (СС») Сг.

Выходные значения сети находились из (4) или у = СР, у = \_у ■

Для корректировки параметров с^ст^Д,/ = 1,А/,у' = 1,^ применялся оп-

1 н

тимизационный алгоритм минимизации целевой функции: Е = — ~ •

2 н-1

Градиент целевой функции рассчитывался по конечно-разностной формуле. После нескольких итераций повторялся этап вычисления коэффициентов Р = [р ].

Как показал вычислительный эксперимент, нечеткая нейронная сеть ТБК обеспечила лучшие результаты на тестовых функциях, по сравнению с многослойным персептроном. Поэтому целесообразно рассмотреть ее применение для прогнозирования коэффициента пористости. Результаты обучения сети ТБК и тестирования представлены на рис.7. Из сравнения рис.6 и рис.7 следует, что задача определения коэффициента пористости лучше решается сетью ТБК. -Среднеквадратичная ошибка прогнозирования на тестовом множестве данных для многослойного персептрона а -1,9%, для сети ТБК а = 1,6%.

а) б)

Рис 7 График выходов нейронной сети ТЖ, определяющей пористость:

а) - обучающее множество; б) - тестовое множество

Так как по времени обучения рассматриваемые типы нейронных сетей эквивалентны, то для задач интерпретации результатов ГИС следует применять именно сеть ТБК.

В четвертой главе предложены математические и программные средства повышения информативности моделей интерпретации данных ГИС. Представлена модель поточечной интерпретации геофизических данных, исследованы возможности снижения размерности системы данных. В этой же главе описаны методы классификации пластов нефтяных скважин, в том числе метод многомерного шкалирования, самоорганизующиеся карты Кохонена и методы выделения главных компонент.

Для предварительной обработки входного сигнала применялся метод главных компонент, обеспечивающий снижение размерности системы данных. Сочетание метода РСА с нечеткой нейронной сетью позволил повысить качест-

во интерпретации каротажных диаграмм.

Методы снижения размерности предназначены для представления системы, характеризующейся переменными хеR", в координатном пространстве меньшей размерности у еRm, причем и«и. Для этого в нашем случае использовались либо нелинейные методы (многомерное шкалирование), либо линейные (метод главных компонент). В методе главных компонент каждая координатная ось является линейной комбинацией исходных переменных системы х € R". Преобразование по методу главных компонент имеет вид у = Wx, где

W е Rmm - матрица преобразования.

Матрица W строится таким образом, что первая главная компонента

п

_у,(х) = ^wijxj обладает наибольшей дисперсией. Вторая главная компонента

г 1

имеет наибольшую дисперсию из оставшихся и т.д. Размерность т выбирается таким образом, чтобы выходное пространство у е R" сохранило наиболее важную информацию об исходной системе. Преобразование по методу главных компонент заменяет большое количество взаимно коррелирующих данных статистически независимыми компонентами с определенным вкладом.

Представив систему данных хк, к = \,р последовательностью векторов гк, к = \,р, образующих матрицу Z = [z4], р - число наблюдений, где векторы

zt, к = \,р обозначают случайные векторы с нулевым средним значением: ы1'п> к=]>р>где *

числяем матрицу корреляции S = р'17Л].

Матрицу преобразования W образуют собственные векторы матрицы S. Собственные векторы и собственные значения А( связаны соотношением:

Sw,=A,w(, i = \,n. Так как матрица S симметричная и положительно определенная, то ее собственные числа действительные и положительные. Последовательность собственных чисел можно упорядочить в порядке убывания: Л1>Я)>...>Л11> 0. Соответствующие собственные векторы упорядочиваются в той же последовательности, и первые т собственных векторов образуют матрицу преобразования W = [w,,w2,...,wm]r, т<п.

Вектор у = Wx = [yi}..является вектором главных компонент. Погрешность реконструкции вектора данных х определяется как сумма отбро-

п

шенных собственных чисел s- ^ А,.

Преобразование по методу главных компонент определяет корреляцию между переменными, образующими входное множество. Если переменные коррелируют между собой, то для определения всех данных достаточно взять меньшее число переменных.

Для нахождения матрицы преобразования применялись стандартные методы нахождения собственных векторов, например продолжение декомпозиции . Выявлено, что при большой размерности входных векторов лучше подходят адаптивные методы без явного определения матрицы в. Для этого метод главных компонент представляется в виде нейронной сети РСЛ с линейными функциями активации нейронов (рис.8).

Количество входов равно исходной размерности системы, количество нейронов и выходов равно количеству учитываемых главных компонент. Весовые коэффициенты являются элементами матрицы .

Рис 8 Структура сети РСА

На вход сети подаются значения х к, ] = 1,п, к = 1 ,р. Выходные сигналы

п

определяются выражением: = .

Уточнение весовых коэффициентов основано на правиле Хебба:

wIJ(q+\)=w(q)+T]yli{q)

, i = \,m, j = 1,п, к-\р, <7=0,1,2,..., (6)

где q - номер итерации; r¡ - итерационный параметр, 0;l); wlj{0) = \l п.

3-я компонента

0,00!

0,0001

0,00001

Сходимость итерационного процесса для последовательности сигналов пяти геофизических методов (БК - метод измерения электрического сопротивления пласта; акустический метод; гамма-метод; нейтронный гамма-метод; метод кавернометрии) из 2600 точек показана на рис.9.

Величина Д обозначает разность между собственными значениями соответствующих векторов, определенных по методу продол-

50 100 150 200 250 300 350 400 *

Рис 9 Итерационный процесс вычисления собственных векторов и собственных значений

жения декомпозиции QR и вычисленных по формуле (6): А( = |Д - . Собственные значения находятся по матрице S и векторам w,: Л, = wfSw,, i = 1, п.

В данной главе сначала рассмотрена задача разделения пластов по показаниям геофизических методов на выборке из 2600 точек на скважине. Для этих целей применялась нечеткая сеть TSK с обучением по методу BGAVM, показавшая наилучшие результаты на тестовых задачах.

На рис.10 показан фрагмент данных из 2600 точек с шагом 0,2 м на одной из скважин. Цифрами обозначены методы: 1 - БК, 2 - акустический метод,

3 - гамма - метод, 4 - нейтронный гамма-метод. Метод кавернометрии исключен из рассмотрения, так как его присутствие при интерпретации ухудшает обучение сети и прогноз. Линия «Эксперт» представляет закодированные результаты интерпретации эксперта, «Прогноз» - результат прогнозирования на обученной сети.

Далее на представленной выборке определялась матрица преобразования сигналов в значения главных компонент у = для пяти методов. Значения у подавались на вход нечеткой сети ТвК вместо сигналов х. Фактически, это означает, что конструируется сеть вида: х -» РСА у ГЖ /.

Результаты экспертной интерпретации и расчета показаны на рис. 11 ,а.

/« УЦ

е) П

Рис 11 Преобразование исходного сигнала по методу главных компонент Наилучшие результаты по выделению пластов получены при учете первой компоненты и отбрасывании остальных. Если рис.11,а сравнить с рис.10, то видно, что качество интерпретации с применением метода выделения главных компонент улучшилось. Произошло раздетение пласта при И «8 м, а разделение при Ъ »16 м исчезло.

Зависимости преобразованных сигналов у,(Ь), г =1,5 показаны на рис.11,Ь-Г соответственно. Таким образом, применение составной сети вида х —> РСА —> у —» ТБК / улучшает качество разбиения каротажной диаграммы на пласты.

О 5 10 15 20 25 30 35 40

Рис 10 Фрагмент каротажной диаграммы

О вода • - нефть

X нефть-во<к1

раздела

•3,0 о -20

4

оо 14

% °

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 алгоритмы: само -

Рис 12 Результаты двухмерного шкалирования

организующиеся карты Кохонена; метод многомерного шкалирования; метод главных компонент РСА. Указанные алгоритмы дали примерно одинаковые результаты.

Например, для случая двухмерного шкалирования имеем отображение многомерного пространства признаков на плоскость в системе измерений м,, и2, показанное на рис. 12 с известными результатами расшифровок для них.

Из рис. 12 следует, что все пласты расположились двумя компактными группами. Одна группа занимает область и2> 0

и2

2,0-

О веда

1 5J • -нефть

X -нефть-тюа

1.0-

•

0,5-

тшя •

0,0 30 ° -2,0

-05-

10-

раздет

-Ж

фЪ <

Рис 13 Двухмерное шкалирование для группы пластов с неизвестными литологическими характеристиками

и соответствует продуктивным пластам. Другую группу и2< 0 образуют водоносные пласты. Смешанные пласты занимают промежуточное положение.

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.13). Таким образом, разделение на продуктивные и непродуктивные пласты данным методом является стопроцентным.

ЗАКЛЮЧЕНИЕ

1. В работе получены научно-обоснованные математические модели и программно-аппаратные средства интеллектуальных систем интерпретации ГИС, обеспечивающие литологическое расчленение скважины и выявление нсфтенасыщенных коллекторов на основе разработки эффективных алгоритмов интерпретации ГИС, базирующихся на нейросетевых технологиях, внедрение которых имеет существенное значение для повышения степени автоматизации интерпретации геолого-геофизической информации.

2. Разработан гибридный генетический алгоритм с элитным обучением лидера, показавший пригодность при решении широкого класса задач: условной и безусловной оптимизации, решения систем нелинейных уравнений боль-

шой размерности. 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. Применение гибридной схемы для генетического алгоритма, основанной на дополнительном обучении квазиньютоновским методом лучшего представителя популяции, дало эффект - «сумма больше составляющих частей». В результате стало допустимым решение задач, невозможное при использовании каждого метода в отдельности.

4. Результаты тестовых исследований показали возможность использования гибридного генетического алгоритма с градиентным обучением лидера для решения широкого круга задач большой размерности: условная оптимизация, нахождение корней систем нелинейных уравнений, оптимизация динамических систем, обучение искусственных нейронных сетей и гибридных интеллектуальных систем.

5. Разработаны принципы построения программного комплекса, реализующего интерпретацию результатов ГИС на основе НС. Создана интеллектуальная система для интерпретации результатов ГИС на основе НС 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).

6. В результате анализа применимости НС для распознавания литологи-ческой 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.

7. Проведен комплексный эксперимент по обучению НС, заключающийся в выделении пластов-коллекторов и нефгенасьнценных, водонасыгценных, 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.

8. 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 нейросетсвых алгоритмов (многослойный персептрон, радиальная сеть, нечеткая сеть) наилучшую эффективность (погрешность аппроксимации) обеспечивает нечеткая сеть ТБК с обучением на основе псевдоинверсии и гибридного алгоритма.

9. 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.

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

11. 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.

НАУЧНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ:

1. Lyalin V.E., Fedorov A.V., 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.

2. Качурин С.И., Федоров A.B., Сенилов М.А. Минимизация ошибок ' оценки нейронной сети при интерпретации данных ГИС // Информационные технологии в инновационных проектах: Труды IV международной научно-технической конференции (Ижевск, 2003). - В 4 ч. - 4.2. - Ижевск: ИжГТУ,

2003. - С.33-35.

3. 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, A.B. Федоров и др. - № ГР 01200 405094 - Ижевск, 2004,59 с.

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

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

6. 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, A.B. Федоров и др. - № ГР 01200 405097 - Ижевск, 2004,63 с.

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

8. Отчет по договору 561 на производство работ по переинтерпретации материалов ГИС Ижевского месторождения ОАО «Удмуртнефть»: Отчет о НИР/ Институт интеллектуальных технологий Рук. В.Е. Лялин; Исп. Т.Г. Немирович, М.А. Сенилов, A.B. Федоров и др. - № ГР 01200 408505 - Ижевск,

2004. 53 с.

9. Лялин В.Е., Костиков Д.В., Федоров A.B. Анализ эффективности применения нейронной сети для распознавания литологической структуры сква-

2 2 4 6 1

жины / VI конгресс нефтегазопромышле» ционные технологи в нефтегфомысловом симпозиума. - Уфа: Изд-во ОАО НПФ «Г

Ю. Лялин В.Е., Сенилов М.А., Фед< РНБ Русский фонд

претации нефтяных коллекторов с помои

ентного метода // Интеллектуальные и 2006-4

(ИМС'2005): Материалы Междунар. НТК -С. 156-159.

11. Лялин В.Е., Федоров А.В. Прим ния ядра базы знаний интеллектуальной Си^

20358

^ivinpi mixt

нения разреза скважины // Нейроинформатика и системы ассоциативной памяти: Материалы Междунар. научной молодежной школы. - Таганрог: Изд-во ТРТУ, 2005. - С.95-99.

12. Лялин В.Е., Федоров A.B. Гибридный метод оптимизации на основе генетического алгоритма с бинарным и вещественным кодирование // Ж. АН Украины «Искусственный интеллект» - №3, 2005. - Донецк: Изд-во Наука i ос-вла, 2005. - С.446-449.

13. Совершенствование методов оптимизации, применяемых при обучении интеллектуальных систем для интерпретации геофизических исследований скважин / Федоров A.B.; ИжГТУ - Ижевск, 2005. - Деп. в ВИНИТИ 2005, №1442-В2005. - 42с.

A.B. Федоров

Лицензия ЛР №020764 от 29 04 98 г

Подписано в печать 09 11 2005 Формат 60x84 1/16 Отпечатано на ризографе Уч-издл 1,84 Уел печ л 1,39 Тираж 100 экз Заказ № 322/1

Издательство Института экономики УрО РАН 620014, г Екатеринбург, ул Московская - 29

Введение.

1. Обзор существующих методов каротажа и интерпретации результатов геофизических исследований скважин.

1.1. Методы геофизических исследований скважин.

1.1.1. Электрические методы каротажа.

1.1.2. Акустический каротаж.

1.1.3. Радиоактивные методы каротажа.

1.1.4. Кавернометрия.

1.2. Автоматизация обработки и интерпретации результатов ГИС

1.3. Интерпретация каротажных данных.

1.4. Алгоритмы интерпретации каротажных данных.

1.4.1. Статистические методы.

1.4.2. Алгоритм с использованием диагностических кодов

1.4.3. Литологическое расчленение с оценкой вероятности . .

1.4.4. Метод нормализации.

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

1.5. Комплексы программных средств для обработки данных ГИС

1.5.1. Программы для оцифровки каротажных диаграмм

1.5.2. Программы интерпретации каротажных диаграмм

1.6. Выводы, постановка цели и задач исследований.

2. Совершенствование методов оптимизации, применяемых при обучении интеллектуальных систем для интерпретации ГИС.

2.1. Методы оптимизации, построенные на вычислении градиента целевой функции.

2.2. Генетические алгоритмы оптимизации.

2.3. Стандартный генетический алгоритм с двоичным кодированием (BGA).

2.4. Генетический алгоритм с вещественным кодированием (RGA)

2.5. Гибридный генетический алгоритм с элитным обучением лидера.

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. Разработка интеллектуальной системы интерпретации ГИС на основе теории нейронных сетей.

3.1. Основы нейроинформационных технологий.

3.2. Алгоритм обратного распространения ошибки.

3.3. Обучение нейронной сети с помощью гибридного алгоритма

3.4. Радиальные нейронные сети.

3.5. Нечеткая нейронная сеть TSK.

3.6. Расчленение разреза на пласты нейросетевыми методами.

3.7. Определение коэффициентов пористости коллекторов.

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

3.9. Полученные результаты и выводы.

4. Математические и программные средства повышения информативности моделей интерпретации данных ГИС.

4.1. Модель поточечной интерпретации геофизических данных.

4.2. Снижение размерности системы данных.

4.3. Методы классификации пластов нефтяных скважин.

4.3.1. Метод многомерного шкалирования.

4.3.2. Самоорганизующиеся карты Кохонена. 4.3.3. Метод выделения главных компонент.

4.4. Полученные результаты и выводы.

Актуальность темы. В настоящее время преимущества применения компьютерной техники в геофизике ни у кого не вызывает сомнений. Она позволяет отойти от традиционных методов сбора и обработки информации, решать проблему переработки больших массивов информации, исключить субъективность интерпретации результатов исследований.

Существует большое количество программных средств и аппаратно-программных комплексов, позволяющих автоматизировать все процессы сбора, обработки и хранения данных геофизических исследований скважин (ГИС). Но даже при современном многообразии различных программных средств, производящих интерпретацию ГИС, системы, использующие возможности искусственного интеллекта, немногочисленны по своей номенклатуре и обладают достаточно невысокими интеллектуальными способностями, что не позволяет использовать их в качестве основных решающих инструментов при вынесении заключения с высокой степенью достоверности о наличии нефтяных коллекторов в литологической структуре как скважин, так и геологических горизонтов. 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 инфотелекоммуникационные системы для принятия с высокой степенью достоверности решения о наличии нефтеносного коллектора при ГИС.

Одним из направлений развития систем искусственного интеллекта является использование в них аппарата искусственных нейронных сетей (НС). Несмотря на простоту их построения и функционирования, они позволяют накапливать уже известные закономерности ГИС, обобщать факты и давать вполне корректные оценки в ситуациях, когда на входе НС представлены зашумлен-ные данные. НС уже широко применяются за рубежом в различных системах распознавания образов, например, прогнозирования, управления и др. К сожалению, в нашей стране, пока это редкое явление.

В настоящее время создано множество программных продуктов, имитирующих работу НС. Но возможности их применения в геофизической области весьма ограничены. Это связано с тем, что данные программы не содержат в себе ни правил формализации исходных данных и заключений, применяемых для решения задач ГИС, ни специализированных НС, ни средств импорта/экспорта геофизических данных.

В связи с этим, применение НС для интерпретации данных ГИС позволит повысить надежность результатов интерпретации, сократить время, затрачиваемое на решение данной задачи. Поэтому решению данных актуальных задач и посвящена настоящая диссертация.

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

Предметом исследования являются методы и алгоритмы интерпретации геофизической информации; генетические алгоритмы оптимизации; методы и алгоритмы обучения НС; нейроинформационные технологии для расчленения разреза скважины на пласты; нейросетевые методы прогнозирования коэффициентов пористости коллекторов; нейросетевая модель поточечной интерпретации данных ГИС; методы классификации пластов нефтяных скважин; 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 литологическое расчленение скважины и выявление нефтенасыщенных коллекторов на основе разработки эффективных алгоритмов интерпретации ГИС, базирующихся на нейросетевых технологиях, внедрение которых имеет существенное значение для повышения степени автоматизации интерпретации геолого-геофизической информации.

Для реализации поставленной цели необходимо решить следующие задачи:

- 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 лито-логического расчленения разреза скважины;

- разработка алгоритма поточечного моделирования для решения задачи интерпретации разных уровней;

- применение метода главных компонент для сжатия входной информации в сочетании с применением нечеткой нейронной сети;

- выбор корректных оценок, позволяющих определять качество интерпретации с помощью НС;

- разработка методики классификации пластов нефтяных скважин, основанных на применении алгоритмов обучения без учителя;

- создание алгоритмов последующей обработки результатов работы НС для повышения качества и надежности интерпретации.

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

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 алгоритмы математической статистики, пет-рофизические закономерности.

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, 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++.

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 нейроинформационных технологий, 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 петрофизиче-ских зависимостях.

Достоверность экспериментальных результатов обеспечена использованием большого объема экспериментального материала, статистическими методами обработки данных и хорошей воспроизводимостью результатов. Достоверность эталонного материала для обучения моделей HJI 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, 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, в том числе:

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

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

- выбор и обоснование правил формализации задачи литологического расчленения разреза скважины с помощью НС;

- анализ влияния правил представления входных геофизических данных и выходных заключений результатов интерпретации на качество обучения нейронной сети;

- достижение преимуществ применения специализированных алгоритмов обработки результатов работы сети для увеличения информативности сигнала, выдаваемого НС, и повышения надежности распознавания;

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

- проектирование и реализация ИСИ ГИС, разработка концептуальной структуры объектно-ориентированной системы, принципов построения 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 нейроинформационных технологий, в ходе которых:

- осуществлен выбор структуры и создана ИСИ ГИС на основе нейроинформационных технологий, предложены концепция и принципы построения ее программного и информационного обеспечения;

- разработан новый гибридный метод оптимизации, основанный на 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 лито-логического 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.

Практическая полезность. 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 нейросетевый технологий.

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.

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.

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 нейроинформационных технологий, в том числе созданы технические и методические средства, направленные на повышение точности ее функционирования и универсальности.

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 Международных НТК «Информационные технологии в инновационных проектах» (Ижевск,2002-2004); Научно-технических конференциях ИжГТУ (Ижевск,2002-2004); 5-м Международном конгрессе по мат.моделированию (Дубна,2002); Международной НТК «Интеллектуальные и многопроцессорные системы-2005» (Таганрог,2005); Международной НТК «Искусственный интеллект-2005» (п.Дивноморское,2005); Междунар. научной молодежной школе «Нейроинформатика и системы ассоциативной памяти» (Таганрог,2005); 4-м научном симпозиуме «Геоинформационные технологии в нефтегазовом сервисе» (Уфа,2005).

Публикации. Основные научные результаты по теме диссертации опубликованы в 13 научных работах, в том числе: 6 отчетов о НИР (63с., 59с., 91с., 35с., 53с., 80с.), 1 депонированная рукопись (объемом 42 страницы), 4 статьи в журналах и сборниках, 2 тезиса докладов на научно-технической конференции.

Структура диссертационной работы определяется общими замыслом и логикой проведения исследований.

Диссертация содержит введение, 4 главы и заключение, изложенные на 152 с. машинописного текста. В работу включены 53 рис., 7 табл., список литературы из 157 наименований и приложение, в котором представлен акт об использовании результатов работы.

ЗАКЛЮЧЕНИЕ

1. В работе получены научно-обоснованные математические модели и программно-аппаратные средства интеллектуальных систем интерпретации ГИС, обеспечивающие литологическое расчленение скважины и выявление нефтенасыщенных коллекторов на основе разработки эффективных алгоритмов интерпретации ГИС, базирующихся на нейросетевых технологиях, внедрение которых имеет существенное значение для повышения степени автоматизации интерпретации геолого-геофизической информации.

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. 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. Применение гибридной схемы для генетического алгоритма, основанной на дополнительном обучении квазиньютоновским методом лучшего представителя популяции, дало эффект - «сумма больше составляющих частей». В результате стало допустимым решение задач, невозможное при использовании каждого метода в отдельности.

4. Результаты тестовых исследований показали возможность использования гибридного генетического алгоритма с градиентным обучением лидера для решения широкого круга задач большой размерности: условная оптимизация, нахождение корней систем нелинейных уравнений, оптимизация динамических систем, обучение искусственных нейронных сетей и гибридных интеллектуальных систем.

5. Разработаны принципы построения программного комплекса, реализующего интерпретацию результатов ГИС на основе НС. Создана интеллектуальная система для интерпретации результатов ГИС на основе НС 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).

6. В результате анализа применимости НС для распознавания литологи-ческой 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

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

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

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

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

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

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

8. 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.

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

10. 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.

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

12. Бродский П.А., Фионов А.И., Тальнов В.Б. Опробование пластовприборами на кабеле. М.: Недра, 1974.

13. 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.

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

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

16. Волков A.M. Решение практических задач геологии на ЭВМ. М.: Недра, 1980. - 224 с.

17. 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.

18. 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.

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

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

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

22. 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.

23. Городнов А.В., Добрынин В.М., Чёрноглазов В.Н., Рыжков В.И. Применение системы "Камертон" для обработки волновых акустических полей и комплексной интерпретации данных ТИС// НТВ "Каротажник". Тверь: Изд.

24. АИС. 2000. Вып. 71. С. 69-77.

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

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

27. 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.

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

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

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

31. Добрынин В.М. Каротаж // БСЭ: В 30 т. / Гл. ред. А.М.Прохоров. -3-е изд. М.: СЭ, 1975. Т. 11: Италия - Кваркуш. - С. 450 - 451.

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

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

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

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

36. 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.

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

38. 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.

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

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

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

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

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

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

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

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

47. Каждая А.Б. Разведка месторождений // БСЭ: В 30 т. / Гл. ред. А.МЛрохоров. 3-е изд. - М.: СЭ, 1975. Т. 21: Проба - Ременсы. - С. 406.

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

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

50. 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.

51. 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.

52. 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.

53. Колмогоров А.Н. Теория вероятностей и математическая статистика. М.: Наука, 1986. - 536 с.

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

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

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

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

58. Концептуальные основы структуры программного обеспечения информационно-измерительной системы для компьютеризированной каротажной станции / Кузнецов В.Б., Оленчикова Т.Ю., Иванов В.А., Лялин В.Е.; ИжГТУ -Ижевск, 1999.-Деп. в ВИНИТИ 1999, №3881-В99.-15с.

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

60. 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.

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

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

63. Купер Дж., Макгиллем К. Вероятностные методы анализа сигналов и систем: Пер с англ.-М.: Мир, 1989.-376 с.

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

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

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

67. Лукьянов Э.Е., Нестерова Т.Н. Компьютерная технология проведения геолого-технологических исследований/УНТВ "Каротажникл. Тверь: Изд. АИС. 1998. Вып.53. С. 18-29.

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

69. Лялин В.Е., Федоров А.В. Гибридный метод оптимизации на основе генетического алгоритма с бинарным и вещественным кодирование // Ж. АН Украины «Искусственный интеллект» №3, 2005. - Донецк: Изд-во Наука i ос-вгга, 2005. - С.446-449.

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

71. 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.

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

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

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

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

76. Зимин П.В., Сенилов М.А. Анализ алгоритмов и программных средств для обработки геофизической информации/ Вестник ИжГТУ. Ижевск: ИжГТУ, 2002.

77. 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.

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

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

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

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

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

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

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

85. 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.

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

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

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

89. 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.

90. 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.

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

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

93. 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.

94. 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.

95. 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.

96. 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.

97. Сенилов М. А., Пугачев П. П. Алгоритм построения конечноэлементных моделей // Методы вычислительного эксперимента в инженерной практике. Вып. 3. Ижевск, 1992.

98. Сенилов М. А., Пугачев 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.

99. Сенилов М. А., Пугачев 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.

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

101. 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.

102. 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.

103. 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.

104. 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.

105. 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. 77-78.

106. 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.

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

108. 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.

109. 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.

110. 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.

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

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

113. Совершенствование методов оптимизации, рименяемых при обучении интеллектуальных систем для интерпретации геофизических исследований скважин / Федоров А.В.; ИжГТУ Ижевск, 2005. - Деп. в ВИНИТИ 2005, №1442-В2005. - 42с.

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

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

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

117. Спецификация формата LAS. URL=http://www.geotec.ru/f LAS.php3

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

119. 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.

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

121. Химмельблау Д. Анализ процессов статистическими методами. -М.: Мир, 1973.-957 с.

122. Чекалин Л.М., 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.

123. 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.

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

125. 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.

126. 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 г.

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

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

129. Элланский М.М., Садыков А. Применение математических методов и алгоритмизация в решении задач нефтегазовой геологии: Учебное пособие. -Ташкент.: Ташк. Политехи. Ин-т,1989

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

131. 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.