Прогнозирование модели скоростей распространения поперечных волн по данным геофизических исследований скважин и сейсморазведки с применением нейронных сетей
Приводятся особенности прогнозирования тонкослоистой двумерной модели среды по скоростям распространения поперечных волн. Разработан метод прогнозирования дву- и трехмерных моделей скоростей на основе данных ГИС на продольных и поперечных волнах и сейсморазведки 2D/3D на продольных волнах. Метод баз...
Saved in:
| Published in: | Геоінформатика |
|---|---|
| Date: | 2012 |
| Main Author: | |
| Format: | Article |
| Language: | Russian |
| Published: |
Центр менеджменту та маркетингу в галузі наук про Землю ІГН НАН України
2012
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/96490 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Прогнозирование модели скоростей распространения поперечных волн по данным геофизических исследований скважин и сейсморазведки с применением нейронных сетей / Х.Б. Агаев // Геоінформатика. — 2012. — № 4. — С. 46-52. — Бібліогр.: 14 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859643471094087680 |
|---|---|
| author | Агаев, Х.Б. |
| author_facet | Агаев, Х.Б. |
| citation_txt | Прогнозирование модели скоростей распространения поперечных волн по данным геофизических исследований скважин и сейсморазведки с применением нейронных сетей / Х.Б. Агаев // Геоінформатика. — 2012. — № 4. — С. 46-52. — Бібліогр.: 14 назв. — рос. |
| collection | DSpace DC |
| container_title | Геоінформатика |
| description | Приводятся особенности прогнозирования тонкослоистой двумерной модели среды по скоростям распространения поперечных волн. Разработан метод прогнозирования дву- и трехмерных моделей скоростей на основе данных ГИС на продольных и поперечных волнах и сейсморазведки 2D/3D на продольных волнах. Метод базируется на создании моделей физических свойств среды, проведении кластерного анализа и прогнозировании скоростей с использованием нейронных сетей. “Обучение” нейронных сетей по данным ГИС позволяет прогнозировать по результатам сейсмической инверсии модель скоростей распространения поперечных волн. Метод опробован по геофизическим данным одной из структур в Южно-Каспийской впадине. По данным кластерного анализа выявлен сложный характер между петрофизическими свойствами среды. В результате прогнозирования получен разрез по скоростям, более дифференцированным по глубине и профилю, чем по эмпирическим зависимостям.
Наведено особливості прогнозування тонкошаруватої двовимірної моделі середовища за швидкостями поширення поперечних хвиль. Розроблено метод прогнозування дво- і тривимірних моделей швидкостей на основі даних ГДС на поздовжніх і поперечних хвилях і сейсморозвідки 2D/3D на поздовжніх хвилях. Метод ґрунтується на створенні моделей фізичних властивостей середовища, проведенні кластерного аналізу і прогнозуванні швидкостей з використанням нейронних мереж. “Навчання” нейронних мереж за даними ГДС дає змогу прогнозувати за результатами сейс¬мічної інверсії модель швидкостей поширення поперечних хвиль. Метод випробувано за геофізичними даними однієї із структур у Південнокаспійській западині. За даними кластерного аналізу виявлено складний характер між петрофізичними властивостями середовища. В результаті прогнозування одержано розріз за швидкостями, більш диференційований за глибиною і по профілю, ніж за емпіричними залежностями.
The properties of prediction of thin-layered two-dimensional model on velocities of shear waves are given. Prediction method of two- and three-dimensional models of velocities was developed on the basis of GSW (Geophysical Studying of Wells) data on pressure and shear waves, and seismic survey of 2D/3D on pressure waves. The method was based on a creation of medium physical properties models, conducting of cluster analysis and prediction of velocities using neural networks. The model of velocities of shear waves is predicted by “Teaching” neural networks on GSW data according to the results of seismic inversion. The method was tested on geophysical data of one of the South-Caspian Basin structures. The complicated character was revealed between petrophysical properties of medium on cluster analysis. As a result of prediction the section on velocities is more differentiated on depth and profile than on empirical dependences.
|
| first_indexed | 2025-12-07T13:24:26Z |
| format | Article |
| fulltext |
46 ISSN 1684-2189 GEOINFORMATIKA, 2012, ¹ 4 (44)
© Õ.Á. Àãàåâ
Ââåäåíèå. Ïðè ãåîôèçè÷åñêèõ èññëåäîâàíèÿõ
ñêâàæèí (ÃÈÑ), ñåéñìîðàçâåäêå 2D/3D è â äðó-
ãèõ âèäàõ ãåîôèçè÷åñêèõ ðàáîò ïðèìåíåíèå ñî-
âðåìåííîãî ïîëåâîãî îáîðóäîâàíèÿ, ñèñòåì íà-
áëþäåíèé, ìîùíûõ êîìïüþòåðîâ, ãåîôèçè÷åñêîãî
ïðîãðàììíîãî îáåñïå÷åíèÿ, ìåòîäèê îáðàáîòêè è
èíòåðïðåòàöèè äàííûõ ïîçâîëÿåò ñ âûñîêîé äî-
ñòîâåðíîñòüþ îïðåäåëÿòü êîìïëåêñ ôèçèêî-ìåõà-
íè÷åñêèõ ñâîéñòâ ãåîëîãè÷åñêîãî ðàçðåçà. Äëÿ óñ-
ïåøíîãî ðåøåíèÿ ñëîæíûõ ãåîëîãè÷åñêèõ çàäà÷,
òàêèõ êàê îïðåäåëåíèå òðåùèíîâàòîñòè, íåôòåãà-
çîíàñûùåííîñòè, àíîìàëüíî âûñîêèõ ïëàñòîâûõ
äàâëåíèé è äð., íàðÿäó ñ äðóãèìè ãåîôèçè÷åñêè-
ìè äàííûìè òðåáóþòñÿ äàííûå î ñêîðîñòÿõ ðàñ-
ïðîñòðàíåíèÿ ïîïåðå÷íûõ âîëí ïî ÃÈÑ è 2D/3D.
Èçâåñòíî, ÷òî ñîâìåñòíîå èñïîëüçîâàíèå ïðîäîëü-
íûõ (P) è ïîïåðå÷íûõ (S) âîëí ïî äàííûì ìíîãî-
êîìïîíåíòíûõ (2–4) íàçåìíûõ èëè äîííûõ ìîð-
ñêèõ ñåéñìè÷åñêèõ íàáëþäåíèé 2D/3D ïîçâîëÿåò
òî÷íåå ïðîãíîçèðîâàòü ôèçèêî-ìåõàíè÷åñêèå
ñâîéñòâà ãåîëîãè÷åñêîãî ðàçðåçà, ÷åì èñïîëüçî-
âàíèå òîëüêî îäíîãî òèïà âîëí. Âñëåäñòâèå äî-
ðîãîâèçíû è òðóäîåìêîñòè ìíîãîêîìïîíåíòíûå
íàáëþäåíèÿ ïðîâîäÿòñÿ êðàéíå ðåäêî. Â Àçåðáàé-
äæàíñêîì ñåêòîðå Êàñïèéñêîãî ìîðÿ íà ìåñòîðîæ-
äåíèè Àçåðè-×ûðàã-Ãþíåøëè âûïîëíåíû ÷åòû-
ðåõêîìïîíåíòíûå äîííûå ìîðñêèå ñåéñìè÷åñêèå
ðàáîòû 3D/4-Ñ [10]. Êàê ïðàâèëî, ñåéñìîðàçâå-
äî÷íûå ðàáîòû 2D/3D ïðîâîäÿòñÿ ñ èñïîëüçîâà-
íèåì ïðîäîëüíûõ âîëí. Îäíèì èç ïóòåé îïðåäå-
ëåíèÿ äâó- èëè òðåõìåðíîé ìîäåëè ñðåäû ïî
ñêîðîñòÿì ðàñïðîñòðàíåíèÿ ïîïåðå÷íûõ âîëí ÿâ-
ëÿåòñÿ ýêñòðàïîëÿöèÿ îäíîìåðíîé ìîäåëè ñðåäû
ïî ñêîðîñòÿì S-âîëíû, ïîëó÷åííûì ïî äàííûì
ÃÈÑ, âäîëü ñåéñìè÷åñêèõ ïðîôèëåé 2D/3D. Ïðè
ýòîì íàäî ó÷èòûâàòü èçìåíåíèÿ êèíåìàòè÷åñêèõ
è äèíàìè÷åñêèõ ïàðàìåòðîâ îòðàæåííûõ ïðîäîëü-
íûõ âîëí âäîëü ñåéñìè÷åñêîãî ïðîôèëÿ. Ïðè ýê-
ñòðàïîëÿöèè ìîäåëè ïî ñëîæíîïîñòðîåííûì ñðå-
äàì ñóùåñòâóþò òðóäíîñòè, îáóñëîâëåííûå
íåïðåðûâíîé è âûñîêîé èçìåí÷èâîñòüþ òåðìîäè-
íàìè÷åñêèõ óñëîâèé, ëèòîëîãè÷åñêîãî ñîñòàâà ïî-
ðîä, èõ ôèçè÷åñêèõ ñâîéñòâ ïî ãëóáèíå è âäîëü
ïðîôèëÿ ïî ìåðå óäàëåíèÿ îò ñêâàæèíû. Ýòî
ïðåæäå âñåãî êàñàåòñÿ ãåîëîãè÷åñêîé ñðåäû, ñî-
ñòîÿùåé èç âûñîêîàìïëèòóäíîé ñòðóêòóðû è îñà-
äî÷íûõ ïîðîä, êîòîðûå èç-çà âûñîêîé ïîðèñòîñòè
áîëåå ÷óâñòâèòåëüíû ê èçìåíåíèþ òåðìîäèíàìè-
÷åñêîãî ñîñòîÿíèÿ ñðåäû, ÷åì êîðåííûå ïîðîäû.
Ðåçóëüòàòû èññëåäîâàíèé äëÿ îñàäî÷íûõ ïîðîä ïî
êåðíîâûì äàííûì â ëàáîðàòîðèÿõ [8], ÃÈÑ è ñåé-
ñìîðàçâåäêè 2D/3D óêàçûâàþò íà ñóùåñòâåííîå
âëèÿíèå óñëîâèé ñðåäû íà ôèçèêî-ìåõàíè÷åñêèå
ñâîéñòâà ïîðîä. Ïîýòîìó òî÷íîñòü ïðîãíîçèðîâà-
íèÿ ñêîðîñòåé ðàñïðîñòðàíåíèÿ ïîïåðå÷íûõ âîëí,
â îñíîâíîì, çàâèñèò îò òî÷íîñòè ó÷åòà âëèÿíèÿ
èçìåíåíèÿ òåðìîäèíàìè÷åñêèõ óñëîâèé ïî ïðî-
ãíîçèðóåìîé ÷àñòè ãåîëîãè÷åñêîãî ðàçðåçà â ïðå-
äåëàõ ñåéñìè÷åñêîãî ïðîôèëÿ.
 äàííîé ñòàòüå èçëàãàåòñÿ ìåòîä ïðîãíîçèðî-
âàíèÿ òîíêîñëîèñòîé ìîäåëè ñðåäû ïî ñêîðîñòÿì
ðàñïðîñòðàíåíèÿ ïîïåðå÷íûõ âîëí íà îñíîâå äàí-
íûõ ÃÈÑ è ñåéñìè÷åñêèõ íàáëþäåíèé 2D/3D ïî
ïðîäîëüíûì âîëíàì ñ ïðèìåíåíèåì íåéðîííûõ
ГЕОЛОГО-ГЕОФІЗИЧНІ ТА МАТЕМАТИЧНІ МЕТОДИ
І СУЧАСНІ КОМП'ЮТЕРНІ ТЕХНОЛОГІЇ ДОСЛІДЖЕННЯ ЛІТОСФЕРИ
ÓÄÊ 550.83.017
Õ.Á. Àãàåâ
ÏÐÎÃÍÎÇÈÐÎÂÀÍÈÅ ÌÎÄÅËÈ ÑÊÎÐÎÑÒÅÉ
ÐÀÑÏÐÎÑÒÐÀÍÅÍÈß ÏÎÏÅÐÅ×ÍÛÕ ÂÎËÍ
ÏÎ ÄÀÍÍÛÌ ÃÅÎÔÈÇÈ×ÅÑÊÈÕ ÈÑÑËÅÄÎÂÀÍÈÉ ÑÊÂÀÆÈÍ
È ÑÅÉÑÌÎÐÀÇÂÅÄÊÈ Ñ ÏÐÈÌÅÍÅÍÈÅÌ ÍÅÉÐÎÍÍÛÕ ÑÅÒÅÉ
Ïðèâîäÿòñÿ îñîáåííîñòè ïðîãíîçèðîâàíèÿ òîíêîñëîèñòîé äâóìåðíîé ìîäåëè ñðåäû ïî ñêîðîñòÿì ðàñïðîñòðà-
íåíèÿ ïîïåðå÷íûõ âîëí. Ðàçðàáîòàí ìåòîä ïðîãíîçèðîâàíèÿ äâó- è òðåõìåðíûõ ìîäåëåé ñêîðîñòåé íà îñíîâå
äàííûõ ÃÈÑ íà ïðîäîëüíûõ è ïîïåðå÷íûõ âîëíàõ è ñåéñìîðàçâåäêè 2D/3D íà ïðîäîëüíûõ âîëíàõ. Ìåòîä
áàçèðóåòñÿ íà ñîçäàíèè ìîäåëåé ôèçè÷åñêèõ ñâîéñòâ ñðåäû, ïðîâåäåíèè êëàñòåðíîãî àíàëèçà è ïðîãíîçèðîâà-
íèè ñêîðîñòåé ñ èñïîëüçîâàíèåì íåéðîííûõ ñåòåé. “Îáó÷åíèå” íåéðîííûõ ñåòåé ïî äàííûì ÃÈÑ ïîçâîëÿåò
ïðîãíîçèðîâàòü ïî ðåçóëüòàòàì ñåéñìè÷åñêîé èíâåðñèè ìîäåëü ñêîðîñòåé ðàñïðîñòðàíåíèÿ ïîïåðå÷íûõ âîëí.
Ìåòîä îïðîáîâàí ïî ãåîôèçè÷åñêèì äàííûì îäíîé èç ñòðóêòóð â Þæíî-Êàñïèéñêîé âïàäèíå. Ïî äàííûì
êëàñòåðíîãî àíàëèçà âûÿâëåí ñëîæíûé õàðàêòåð ìåæäó ïåòðîôèçè÷åñêèìè ñâîéñòâàìè ñðåäû.  ðåçóëüòàòå
ïðîãíîçèðîâàíèÿ ïîëó÷åí ðàçðåç ïî ñêîðîñòÿì, áîëåå äèôôåðåíöèðîâàííûì ïî ãëóáèíå è ïðîôèëþ, ÷åì ïî
ýìïèðè÷åñêèì çàâèñèìîñòÿì.
Êëþ÷åâûå ñëîâà: íåéðîííàÿ ñåòü, êëàñòåð, ïðîãíîçèðîâàíèå, ñêîðîñòü ðàñïðîñòðàíåíèÿ ïîïåðå÷íîé âîëíû,
ñåéñìè÷åñêàÿ èíâåðñèÿ, âðåìåííîé ðàçðåç, óïðóãèå ïàðàìåòðû, îäíîìåðíûå, äâóìåðíûå ìîäåëè ñðåäû.
47ISSN 1684-2189 ÃÅβÍÔÎÐÌÀÒÈÊÀ, 2012, ¹ 4 (44)
© Õ.Á. Àãàåâ
ñåòåé. Ïðèâîäÿòñÿ ðåçóëüòàòû, ïîëó÷åííûå ìåòî-
äîì äëÿ ïðîãíîçèðîâàíèè äâóìåðíîé ìîäåëè ñðå-
äû ïî óêàçàííûì ñêîðîñòÿì â îäíîé èç ñòðóêòóð
Þæíî-Êàñïèéñêîé âïàäèíû (ÞÊÂ).
Íåêîòîðûå îñîáåííîñòè ïðîãíîçèðîâàíèÿ ñêî-
ðîñòåé ðàñïðîñòðàíåíèÿ ïîïåðå÷íûõ âîëí. Äëÿ
ïðîãíîçèðîâàíèÿ ñêîðîñòåé íà èññëåäóåìîé ïëî-
ùàäè íåîáõîäèìî èçó÷åíèå ôèçèêî-ìåõàíè÷å-
ñêèõ ñâîéñòâ ïîðîä ñðåäû íà îñíîâå äàííûõ
ÃÈÑ, 2D/3D è äðóãèõ âèäîâ ãåîôèçè÷åñêèõ ðà-
áîò. Ïî äàííûì ÃÈÑ íàäî îïðåäåëèòü çàâèñèìîñ-
òè ìåæäó îòäåëüíûìè ôèçè÷åñêèìè ñâîéñòâàìè
ïîðîä, ïîñòðîèòü îäíîìåðíûå ìîäåëè ôèçèêî-ìå-
õàíè÷åñêèõ ñâîéñòâ ñðåäû. Äëÿ ýòîãî ïîðîäû,
âñêðûòûå ñêâàæèíîé, ãðóïïèðóþòñÿ ïî ëèòîëî-
ãè÷åñêèì ñâîéñòâàì.
Ðàñïîçíàâàíèå ïî äàííûì ÃÈÑ ëèòîëîãè÷å-
ñêè ïîäîáíûõ ïîðîä ñ ðàçëè÷íûì íàñûùåíèåì,
íàõîäÿùèõñÿ â ðàçíûõ òåðìîäèíàìè÷åñêèõ óñëî-
âèÿõ, è îïðåäåëåíèå ìíîãîìåðíûõ ýìïèðè÷åñêèõ
çàâèñèìîñòåé (f) ìåæäó îòäåëüíûìè ôèçè÷åñêèìè
ñâîéñòâàìè ïîðîä – ñëîæíàÿ è òðóäîåìêàÿ çàäà-
÷à. Åå ðåøåíèå íà îñíîâå êëàññè÷åñêèõ ìåòîäîâ
íå âñåãäà îáåñïå÷èâàåò íåîáõîäèìóþ òî÷íîñòü ðå-
çóëüòàòîâ.  ïîñëåäíåå âðåìÿ â ãåîôèçè÷åñêèõ
ðàáîòàõ, â òîì ÷èñëå ïðè èíòåðïðåòàöèè äàííûõ
ÃÈÑ, ïðèìåíÿåòñÿ êëàñòåðíûé àíàëèç íà îñíîâå
ñîçäàíèÿ èñêóññòâåííûõ íåéðîííûõ ñåòåé. Ðå-
çóëüòàòû ïðèìåíåíèÿ ýòîãî ìåòîäà ïîêàçûâàþò
åãî áîëåå âûñîêóþ ýôôåêòèâíîñòü [2, 9] ïî ñðàâ-
íåíèþ ñ ñòàòèñòè÷åñêèìè ìåòîäàìè. Ýòî ìîæíî
îáúÿñíèòü îäíîâðåìåííûì èñïîëüçîâàíèåì èíòåë-
ëåêòóàëüíîé ñïîñîáíîñòè èíòåðïðåòàòîðà, îãðîì-
íîé âû÷èñëèòåëüíîé ñêîðîñòè êîìïüþòåðà (îáåñ-
ïå÷èâàåòñÿ âûïîëíåíèå ñîòåí èòåðàöèé ïîèñêà
îïòèìàëüíûõ ðåøåíèé) è èñêóññòâåííûõ íåéðîí-
íûõ ñåòåé ïî îáîáùåíèþ äàííûõ è ðàñïîçíàâà-
íèþ îáðàçîâ. Ïðèìåíåíèå íåéðîííîé ñåòè ïîçâî-
ëÿåò ïðèíÿòü ýìïèðè÷åñêè îáîñíîâàííîå
îïòèìàëüíîå ðåøåíèå ïî äàííûì îãðîìíîé è ðàç-
íîîáðàçíîé èíôîðìàöèè î ñðåäå äàæå â ñëó÷àå,
êîãäà çàâèñèìîñòè ìåæäó ðàçëè÷íûìè ôèçè÷å-
ñêèìè ïàðàìåòðàìè ñõîäíûõ ïîðîä ñëîæíûå. Îíî
ïîçâîëÿåò îïòèìàëüíî ãðóïïèðîâàòü ïîðîäû ïî
çàäàííûì ôèçè÷åñêèì ïàðàìåòðàì, ò. å. ðàñ÷ëå-
íÿòü äàííûå íà êëàñòåðû. Ïðè êëàñòåðèçàöèè
äàííûõ ÃÈÑ öåëåñîîáðàçíî èñïîëüçîâàòü äàííûå
ÀÊ, à òàêæå î ëèòîëîãèè ïîðîä, ýëåêòðè÷åñêîãî,
ðàäèîàêòèâíîãî äðóãèõ âèäîâ êàðîòàæà. Â öåëîì,
÷åì áîëüøå âèäîâ êàðîòàæåé ïðè êëàñòåðèçàöèè
ïî íåéðîííûì ñåòÿì áóäåò èñïîëüçîâàíî, òåì ðå-
àëüíåå ðàñ÷ëåíåíèå ïî ïîðîäàì ñ ó÷åòîì òåðìîäè-
íàìè÷åñêèõ óñëîâèé. Òàêèì îáðàçîì, ïðèìåíèâ
êëàñòåðíûé àíàëèç ê äàííûì ÃÈÑ, ïî êàæäîìó
êëàñòåðó ïîðîä ìîæíî îïðåäåëèòü ýìïèðè÷åñêèå
çàâèñèìîñòè. Îäíàêî ñëåäóåò îòìåòèòü, ÷òî äàæå
ïðè áîëüøîì êîëè÷åñòâå ýìïèðè÷åñêèõ çàâèñè-
ìîñòåé ïîãðåøíîñòü àïïðîêñèìàöèè ðåàëüíûõ çà-
âèñèìîñòåé ìåæäó ñêîðîñòÿìè áûâàåò âûñîêîé.
Ïîýòîìó ýìïèðè÷åñêèå çàâèñèìîñòè öåëåñîîáðàç-
íî èñïîëüçîâàòü òîëüêî äëÿ ïîëó÷åíèÿ àïðèîð-
íûõ çíà÷åíèé ñêîðîñòåé âäîëü ñåéñìè÷åñêîãî ïðî-
ôèëÿ, ÷òî íåîáõîäèìî äëÿ ïðîãíîçèðîâàíèÿ íà
èõ îñíîâå áîëåå òî÷íûõ çíà÷åíèé ñêîðîñòåé. Ñî-
ãëàñíî ðåçóëüòàòàì òåñòèðîâàíèÿ ïðîãðàììû ïðî-
ãíîçèðîâàíèÿ ïî íåéðîííûì ñåòÿì, ÷åì òî÷íåå
àïðèîðíûå äàííûå, òåì òî÷íåå ïðîãíîçèðóåòñÿ
ôèçè÷åñêèé ïàðàìåòð. Íàïðèìåð, ïðè ñëó÷àéíûõ
èëè ïîñòîÿííûõ îøèáêàõ â àïðèîðíûõ çíà÷åíèÿõ
ñêîðîñòåé, ðàâíûõ 10 è 20 %, ïîãðåøíîñòè ïðî-
ãíîçèðîâàíèÿ ñîñòàâëÿþò ïðèìåðíî 5 è 10 %.
Ïðè ïðîãíîçèðîâàíèè íåîáõîäèìî ïîñòðîèòü
ïî äàííûì 2D/3D äâó- è òðåõìåðíûå àïðèîðíûå
ìîäåëè ôèçèêî-ìåõàíè÷åñêèõ ñâîéñòâ ñðåäû,
â òîì ÷èñëå ìîäåëè ñêîðîñòåé ðàñïðîñòðàíåíèÿ ïî-
ïåðå÷íûõ âîëí. Ìîäåëè, ïî âîçìîæíîñòè, äîëæíû
îáëàäàòü âûñîêîé òî÷íîñòüþ. Èçâåñòíî, ÷òî ïðè
ìîðñêèõ íàáëþäåíèÿõ 2D/3D ñòàáèëüíîñòü óñëî-
âèé âîçáóæäåíèÿ è ïðèåìà ñåéñìè÷åñêèõ êîëåáà-
íèé ñóùåñòâåííî âûøå, ÷åì ïðè íàáëþäåíèÿõ íà
ñóøå. Ïîýòîìó ìîðñêèå ñåéñìè÷åñêèå çàïèñè ïî-
ëó÷àþòñÿ ãîðàçäî êà÷åñòâåííåå, ÷åì ñóõîïóòíûå.
Ýôôåêòèâíîñòü ïðèìåíåíèÿ ê ýòèì äàííûì îò-
äåëüíûõ ïðîöåäóð îáðàáîòêè, òàêèõ êàê îïðåäåëå-
íèå ñêîðîñòåé ñóììèðîâàíèÿ, îáðàòíàÿ ôèëüòðà-
öèÿ, ìèãðàöèÿ è äð. [14], âûøå, ÷åì ïî
ñóõîïóòíûì äàííûì. Ïî ìîðñêèì ñåéñìè÷åñêèì
çàïèñÿì ðåçóëüòàòû ñåéñìè÷åñêîé èíâåðñèè
[12, 14] è AVO-àíàëèçà [3, 11], êàê ïðàâèëî, òàê-
æå õàðàêòåðèçóþòñÿ áîëåå âûñîêîé òî÷íîñòüþ.
Îäíàêî ïðè ïðîãíîçèðîâàíèè íàñûùåíèÿ, òðåùè-
íîâàòîñòè è äðóãèõ ôèçè÷åñêèõ ïàðàìåòðîâ ñðåäû
äàæå âûñîêîå êà÷åñòâî ñåéñìè÷åñêèõ çàïèñåé ïî
ïðîäîëüíûì âîëíàì íå êîìïåíñèðóåò îòñóòñòâèÿ
èíôîðìàöèè î ñêîðîñòÿõ ðàñïðîñòðàíåíèÿ ïîïå-
ðå÷íûõ âîëí. Àïðèîðíóþ èíôîðìàöèþ î òàêèõ
ñêîðîñòÿõ âäîëü ñåéñìè÷åñêèõ ïðîôèëåé ìîæíî
èçâëåêàòü èç ðåçóëüòàòîâ AVO-àíàëèçà – ïî âðå-
ìåííûì ðàçðåçàì ïðîäîëüíûõ è ïîïåðå÷íûõ âîëí.
Ïî íèì âîçìîæíî îïðåäåëåíèå àïðèîðíûõ çíà÷å-
íèé ñîîòíîøåíèé ñåéñìè÷åñêèõ ñêîðîñòåé. Îäíà-
êî, êàê èçâåñòíî, ýòè ðàçðåçû ïîëó÷àþòñÿ ïðè
îïðåäåëåííûõ ïðåäïîëîæåíèÿõ [3, 13], êîòîðûå
äëÿ èññëåäóåìûõ ñðåä íå âñåãäà ïðèåìëåìû. Êðî-
ìå òîãî AVO-ïðåîáðàçîâàíèå èìååò îãðàíè÷åííóþ
ãëóáèíó èññëåäîâàíèÿ, à òî÷íîñòü èçìåðåíèÿ ñî-
îòíîøåíèÿ ñêîðîñòåé íåâûñîêàÿ.
Äâó- è òðåõìåðíûå òîíêîñëîèñòûå ìîäåëè
ñðåäû ïî ñêîðîñòÿì ðàñïðîñòðàíåíèÿ ïðîäîëüíûõ
âîëí è ïëîòíîñòÿì ïîðîä äîñòàòî÷íî òî÷íî îï-
ðåäåëÿþòñÿ â ðåçóëüòàòå ñåéñìè÷åñêîé èíâåð-
ñèè [12]. Äåòàëüíîñòü ýòèõ ìîäåëåé ïî âåðòèêàëè
çàâèñèò îò ÷àñòîòíîãî ñïåêòðà ñåéñìè÷åñêèõ çà-
ïèñåé. Êàê ïðàâèëî, âûñîêîå ïîäîáèå âðåìåííûõ
ðàçðåçîâ ÎÃÒ ïî ðåàëüíûì ñåéñìè÷åñêèì äàííûì
è ñèíòåòè÷åñêèõ, ðàññ÷èòàííûõ äëÿ îòìå÷åííûõ
48 ISSN 1684-2189 GEOINFORMATIKA, 2012, ¹ 4 (44)
© Õ.Á. Àãàåâ
ìîäåëåé, óêàçûâàåò íà âûñîêóþ òî÷íîñòü ñåéñìè-
÷åñêîé èíâåðñèè. Èìåÿ âûñîêîòî÷íûå ìîäåëè ïî
äàííûì ÃÈÑ è 2D/3D, ìîæíî ïðèñòóïèòü ê ïðî-
ãíîçèðîâàíèþ òîíêîñëîèñòîé äâóìåðíîé ìîäåëè
ñðåäû ïî ñêîðîñòÿì ðàñïðîñòðàíåíèÿ ïîïåðå÷íûõ
âîëí. Ñëåäóåò îòìåòèòü, ÷òî â ïîñëåäíåå âðåìÿ
ïðè ïîèñêàõ ìåñòîðîæäåíèé íåôòè è ãàçà â êîìï-
ëåêñå ñ äðóãèìè âèäàìè ãåîôèçè÷åñêèõ ðàáîò íà
ñóøå è íà ìîðå øèðîêî ïðèìåíÿþòñÿ ýëåêòðîðàç-
âåäêà [7] è âûñîêîòî÷íàÿ ãðàâèðàçâåäêà, äàííûå
êîòîðûõ ìîæíî èñïîëüçîâàòü äëÿ ïîâûøåíèÿ òî÷-
íîñòè ïðîãíîçèðîâàíèÿ óêàçàííûõ ñêîðîñòåé.
Îäíèì èç ñïîñîáîâ ïðîãíîçèðîâàíèÿ àïðè-
îðíîé òîíêîñëîèñòîé ìîäåëè ñðåäû ïî ñêîðîñòÿì
ðàñïðîñòðàíåíèÿ ïîïåðå÷íûõ âîëí ÿâëÿåòñÿ å¸
ïåðåñ÷åò èç ñêîðîñòåé ðàñïðîñòðàíåíèÿ ïðîäîëü-
íûõ âîëí èñõîäÿ èç ýìïèðè÷åñêîé çàâèñèìîñòè
ìåæäó ñêîðîñòÿìè. Çàâèñèìîñòü ñ âûñîêîé òî÷-
íîñòüþ ìîæíî îïðåäåëèòü ïî äàííûì ÀÊ î ñåéñ-
ìè÷åñêèõ ñêîðîñòÿõ â îòäåëüíûõ òî÷êàõ èññëåäó-
åìîé ïëîùàäè. Äëÿ ïîâûøåíèÿ òî÷íîñòè
ïðîãíîçèðîâàíèÿ íåîáõîäèìî ïî äàííûì ÀÊ îï-
ðåäåëèòü íåñêîëüêî äåñÿòêîâ ýìïèðè÷åñêèõ çà-
âèñèìîñòåé, îõâàòûâàþùèõ âåñü ëèòîëîãè÷åñêèé
ñîñòàâ ïîðîä è äèàïàçîí èçìåíåíèé òåðìîäèíà-
ìè÷åñêèõ óñëîâèé ïî ïðîãíîçèðóåìîé ÷àñòè ãåî-
ëîãè÷åñêîãî ðàçðåçà, â ïðåäåëàõ ñåéñìè÷åñêîãî
ïðîôèëÿ.
Íåîáõîäèìî òàêæå îòìåòèòü íåäîñòàòîê ïðî-
ãíîçèðîâàíèÿ ñêîðîñòåé ïî äàííûì ñêâàæèíû.
Êàê èçâåñòíî, ðàçâåäî÷íûå ñêâàæèíû áóðÿòñÿ â
ñâîäîâîé ÷àñòè ñòðóêòóðû.  ðàéîíå ðàñïîëîæå-
íèÿ ñêâàæèíû è íà ïðîãíîçèðóåìûõ ó÷àñòêàõ èñ-
ñëåäóåìîé ïëîùàäè ïî îäíèì è òåì æå ñëîÿì
ñðåäû ëèòîëîãèÿ ïîðîä, íåôòåãàçîíàñûùåíèå,
òåðìîäèíàìè÷åñêîå ñîñòîÿíèå è äðóãèå åå ñâîé-
ñòâà ìîãóò ñóùåñòâåííî ðàçëè÷àòüñÿ.  ýòèõ ñëó-
÷àÿõ ñëåäóåò îæèäàòü, ÷òî “îáó÷åííàÿ” ïî äàí-
íûì ÃÈÑ íåéðîííàÿ ñåòü íå ñîâñåì ïðàâèëüíî
áóäåò ïðîãíîçèðîâàòü çíà÷åíèÿ ñêîðîñòåé ðàñïðî-
ñòðàíåíèÿ ïîïåðå÷íûõ âîëí. Îäíàêî ðàçëè÷èÿ
ôèçèêî-ìåõàíè÷åñêèõ ñâîéñòâ ñðåäû íà ó÷àñòêå
ðàñïîëîæåíèÿ ñêâàæèíû è â äðóãèõ ÷àñòÿõ ñòðóê-
òóðû áóäóò îòðàæàòüñÿ è íà çíà÷åíèÿõ ñêîðîñòåé
ðàñïðîñòðàíåíèÿ ïðîäîëüíûõ âîëí, ïëîòíîñòåé
ïîðîä, ïîëó÷åííûõ ïî ñåéñìè÷åñêîé èíâåðñèè è
ýëåêòðè÷åñêèì ñâîéñòâàì ïîðîä ïî äàííûì ýëåê-
òðîðàçâåäêè. Ïîýòîìó ïðè ïðîãíîçèðîâàíèè
“îáó÷åííàÿ” íåéðîííàÿ ñåòü áóäåò ñòðåìèòüñÿ
ó÷èòûâàòü ðàçëè÷èÿ, îáóñëîâëåííûå ëèòîëîãèåé,
íàñûùåíèåì, òåðìîäèíàìè÷åñêèìè óñëîâèÿìè è
äðóãèìè ñâîéñòâàìè ñðåäû.
Ìåòîä ïðîãíîçèðîâàíèÿ. Ñîãëàñíî ïðåäëàãàå-
ìîìó ìåòîäó, ïðîãíîçèðîâàíèå òîíêîñëîèñòîé
äâó- èëè òðåõìåðíîé ìîäåëè ãåîëîãè÷åñêîé ñðå-
äû ïî ñêîðîñòÿì ðàñïðîñòðàíåíèÿ ïîïåðå÷íûõ
âîëí â äèàïàçîíå ÷àñòîò ñåéñìè÷åñêèõ çàïèñåé
âûïîëíÿåòñÿ â ñëåäóþùåé ïîñëåäîâàòåëüíîñòè.
1. Ñîñòàâëåíèå îäíîìåðíûõ ìîäåëåé ñðåäû. Íà îñ-
íîâå äàííûõ ÃÈÑ ñòðîÿòñÿ òîíêîñëîèñòûå îä-
íîìåðíûå ìîäåëè ôèçè÷åñêèõ ñâîéñòâ ñðåäû.
Ïðè ýòîì èñïîëüçóþòñÿ äàííûå êàðîòàæåé:
àêóñòè÷åñêîãî íà ïðîäîëüíûõ VP = f1(h) è ïî-
ïåðå÷íûõ VS = f2(h) âîëíàõ; ïëîòíîñòíîãî
ρ = f3(h); ðàäèîàêòèâíîãî G = f4(h); ýëåêòðè÷å-
ñêîãî R = f5(h); äàâëåíèÿ P = f6(h); òåìïåðàòóðû
T = f7(h) è äð., à òàêæå äàííûå î ëèòîëîãè÷å-
ñêîì ñîñòàâå ïîðîä â âèäå êîäîâ ëèòîëîãèè
ïîðîä L = f8(h) è ðàññ÷èòàííûå îäíîìåðíûå
ìîäåëè óïðóãèõ ïàðàìåòðîâ ñðåäû ïî êîýôôè-
öèåíòàì Ïóàññîíà σ = f9(h) è Ëàìå µ = f10(h),
λ = f11(h). Äëÿ óäîáñòâà ñîâìåñòíîãî ïðèìåíå-
íèÿ îäíî- è ìíîãîìåðíûõ ìîäåëåé ïåðâûå ïå-
ðåñ÷èòûâàþòñÿ èç ãëóáèííîãî âî âðåìåííîé
ìàñøòàá (h → t) ñ èñïîëüçîâàíèåì ñðåäíåé ñêî-
ðîñòè ïî ïðîäîëüíîé âîëíå, îïðåäåëÿåìîé èç
äàííûõ ÂÑÏ. Âðåìåííàÿ äëèíà è øàã äèñêðå-
òèçàöèè ìîäåëåé âûáèðàþòñÿ òàêèìè, êàê ó
ñåéñìè÷åñêèõ çàïèñåé. Êðîìå òîãî, èñïîëüçó-
þòñÿ äàííûå âðåìåí îñíîâíûõ ñåéñìè÷åñêèõ
ãîðèçîíòîâ, ïðèâÿçàííûõ ê ñòðàòèãðàôè÷åñêèì
ãðàíèöàì â ñêâàæèíå.
2. Êëàñòåðèçàöèÿ äàííûõ è ïîäãîòîâêà ýìïèðè-
÷åñêèõ çàâèñèìîñòåé. Îïòèìàëüíûå ïàðàìåò-
ðû êëàñòåðèçàöèè äàííûõ âäîëü ñòâîëà èññëå-
äóåìîé ñêâàæèíû îïðåäåëÿþòñÿ ïóòåì
òåñòèðîâàíèÿ èñïîëüçóåìîãî íàáîðà îäíîìåð-
íûõ ìîäåëåé ôèçè÷åñêèõ ïàðàìåòðîâ ñðåäû –
àëãîðèòìîâ êëàñòåðèçàöèè, êîëè÷åñòâà êëàñòå-
ðîâ è èòåðàöèé. Ïî ðåçóëüòàòàì òåñòèðîâàíèÿ
âûÿâëåíî, ÷òî ïðè óâåëè÷åíèè êîëè÷åñòâà îä-
íîìåðíûõ ìîäåëåé, êëàñòåðîâ è èòåðàöèé ðàñ-
÷ëåíåíèå ðàçðåçà îñóùåñòâëÿåòñÿ ñîîòâåòñòâåí-
íî áîëåå äîñòîâåðíî, äåòàëüíî è òî÷íî.
Êðèòåðèåì âûáîðà îïòèìàëüíûõ ïàðàìåòðîâ ïî
êàæäîìó êëàñòåðó ÿâëÿåòñÿ óñòîé÷èâîñòü çàâè-
ñèìîñòè ìåæäó ñêîðîñòÿìè ðàñïðîñòðàíåíèÿ
ïðîäîëüíûõ è ïîïåðå÷íûõ âîëí è ìåæäó ðàç-
ëè÷íûìè ôèçè÷åñêèìè ïàðàìåòðàìè ñðåäû.
Èíôîðìàöèÿ î ðàçáèåíèè íà êëàñòåðû ñëîåâ
ñðåäû ïî âñåìó ñòâîëó ñêâàæèíû ïðåäñòàâëÿ-
åòñÿ â âèäå îäíîìåðíîé ìîäåëè êëàñòåðîâ
C = f12(h). Ïîñëå êëàñòåðèçàöèè ïî êàæäîìó
êëàñòåðó (Ñ) äàííûõ îïðåäåëÿþòñÿ òðåõìåðíûå
ýìïèðè÷åñêèå è ãðàôè÷åñêèå çàâèñèìîñòè
( , ρ , , )C C C C C
S PV f V P T= .
3. Ïîñòðîåíèå 2D/3D ìîäåëåé ñðåäû. Â ðåçóëüòàòå
ñåéñìè÷åñêîé èíâåðñèè ïðîôèëÿ ñòðîÿòñÿ òîí-
êîñëîèñòûå 2D/3D ìîäåëè ïî ñêîðîñòÿì ðàñ-
ïðîñòðàíåíèÿ ïðîäîëüíîé âîëíû VP = f1M(t, x, y)
è ïëîòíîñòÿì ïîðîä ρ = f3M(t, x, y), êîòîðûå êà-
ëèáðóþòñÿ ïî îäíîìåðíûì ìîäåëÿì ñîîòâåò-
ñòâåííî VP = f1(t) è ρ = f3(t). Íåïîñðåäñòâåííûé
ïðîöåññ ïðîãíîçèðîâàíèÿ ñêîðîñòåé ðàñïðîñò-
ðàíåíèÿ ïîïåðå÷íûõ âîëí âûïîëíÿåòñÿ ïî
ñëåäóþùåé ñõåìå:
49ISSN 1684-2189 ÃÅβÍÔÎÐÌÀÒÈÊÀ, 2012, ¹ 4 (44)
© Õ.Á. Àãàåâ
- ñîçäàþòñÿ 2D/3D ìîäåëè ýôôåêòèâíîãî
äàâëåíèÿ P = f6M(t, x, y) è òåìïåðàòóðû
T = f7M(t, x, y) ïóòåì ýêñòðàïîëÿöèè îäíî-
ìåðíûõ ìîäåëåé P = f6(t) è T = f7(t) âäîëü
ñåéñìè÷åñêîãî ïðîôèëÿ. Ýêñòðàïîëÿöèÿ
îñóùåñòâëÿåòñÿ ñîãëàñíî ïîëîæåíèþ ñåéñ-
ìè÷åñêèõ ãîðèçîíòîâ â êàæäîé òî÷êå ÎÃÒ
ïðîôèëÿ 2D/3D è òî÷êå ïåðåñå÷åíèÿ ïðî-
ôèëÿ ñî ñêâàæèíîé, à òàêæå ïî èçìåíåíèþ
ãåîñòàòè÷åñêîãî äàâëåíèÿ;
- ðàñ÷ëåíÿþòñÿ ñîñòàâëÿþùèå ìîäåëåé VP = f1(t),
VS = f2(t), ρ = f3(t), P = f6(t) ïî íåéðîííûì ñå-
òÿì íà êëàñòåðû C = f12(t), ïðîâîäèòñÿ “îáó-
÷åíèå” íåéðîííûõ ñåòåé ïî îäíîìåðíûì ìî-
äåëÿì;
- ñîçäàþòñÿ 2D/3D ìîäåëè êëàñòåðîâ
C = f12(t, x, y) ïóòåì ïåðåíîñà îäíîìåðíîé
ìîäåëè C = f12(t) âäîëü ñåéñìè÷åñêîãî ïðî-
ôèëÿ, ñîãëàñíî ïîëîæåíèþ ñåéñìè÷åñêèõ
ãîðèçîíòîâ â êàæäîé òî÷êå ÎÃÒ ïðîôèëÿ
2D/3D è òî÷êå ïåðåñå÷åíèÿ ïðîôèëÿ ñî
ñêâàæèíîé;
- ïðîãíîçèðóþòñÿ àïðèîðíûå ìîäåëè ñêî-
ðîñòåé ðàñïðîñòðàíåíèÿ ïîïåðå÷íîé âîë-
íû 2М ( , , )A
SV f t x y= ñ èñïîëüçîâàíèåì
VP = f1M(t, x, y), ρ = f3M(t, x, y), P = f6M(t, x, y),
T = f7M(t, x, y), C = f12M(t, x, y). Êàæäûé äèñ-
êðåò ìîäåëè VS = f2M(t, x, y) âû÷èñëÿåòñÿ ïî
ýìïèðè÷åñêîé çàâèñèìîñòè, ñîîòâåòñòâóþ-
ùåé åãî êëàñòåðó, ïî çíà÷åíèÿì VP, ρ, P è T
òîãî æå äèñêðåòà;
- ïðîãíîçèðóåòñÿ VS = f2M(t, x, y) ïî “îáó÷åí-
íûì” íåéðîííûì ñåòÿì è ñîâîêóïíîñòè
ìîäåëåé VP = f1M(t, x, y), 2М ( , , )A
SV f t x y= ,
ρ = f3M(t, x, y), P = f6M(t, x, y), T = f7M(t, x, y),
C = f12M(t, x, y), ïðè÷¸ì ó÷èòûâàåòñÿ ïðèíàä-
ëåæíîñòü êàæäîãî äèñêðåòà ìîäåëåé ê ñòðà-
òèãðàôè÷åñêèì êîìïëåêñàì;
- ðàññ÷èòûâàþòñÿ ìîäåëè óïðóãèõ ïàðàìåò-
ðîâ: êîýôôèöèåíòà Ïóàññîíà σ = f9M(t, x, y)
è Ëàìå µ = f10M(t, x, y), λ = f11M(t, x, y).
Ïðè âûïîëíåíèè âûøåóêàçàííûõ ïðîöåäóð
èñïîëüçóåòñÿ ïðîãðàììíûé ïàêåò GEOPRESS [5],
ïðåäíàçíà÷åííûé äëÿ ìîäåëèðîâàíèÿ ôèçè÷åñêèõ
ïàðàìåòðîâ ñðåäû ïî äàííûì ÃÈÑ è 2D/3D. Ïà-
êåò ïîçâîëÿåò òàêæå ðàññ÷èòûâàòü äâóìåðíûå ìî-
äåëè ñðåäû ïî óïðóãèì ïàðàìåòðàì âòîðîãî è
òðåòüåãî ïîðÿäêîâ â ðàìêàõ êëàññè÷åñêîé è íå-
êëàññè÷åñêîé òåîðèé äåôîðìàöèè [1, 5, 6]. Ïðè
êëàñòåðèçàöèè äàííûõ ÃÈÑ èñïîëüçîâàíî ïðî-
ãðàììíîå îáåñïå÷åíèå “Neuroxl-clusterizer”, ïðåä-
íàçíà÷åííîå äëÿ ïðèìåíåíèÿ â ðàçëè÷íûõ îáëàñ-
òÿõ îáðàáîòêè èíôîðìàöèè. Ýòà æå ïðîãðàììà
èñïîëüçîâàíà äëÿ ðàñ÷åòà ïðîãíîçíûõ çíà÷åíèé
VS = f2M(t, x, y).
Ðåçóëüòàòû. Îïèñàííàÿ ìåòîäèêà ïðèìåíåíà
äëÿ ïðîãíîçèðîâàíèÿ äâóìåðíîé ìîäåëè ñðåäû ïî
ñêîðîñòÿì ðàñïðîñòðàíåíèÿ ïîïåðå÷íûõ âîëí â
îäíîé èç ñòðóêòóð ÞÊÂ ïî äàííûì ÃÈÑ è 2D
ìîðñêîé ñåéñìèêè íà ïðîäîëüíûõ âîëíàõ. Èññëå-
äóåìàÿ ñðåäà õàðàêòåðèçóåòñÿ ñëîæíûì ãåîëîãè-
÷åñêèì ñòðîåíèåì. Çäåñü ñòðóêòóðà èìååò àíòè-
êëèíàëüíóþ ôîðìó, îñëîæíåííóþ íàëè÷èåì
ãðÿçåâîãî âóëêàíà è ðàçëîìàìè ðàçëè÷íîé àìïëè-
òóäû.  ãëèíèñòûõ ïëàñòàõ ãåîëîãè÷åñêîãî ðàçðå-
çà øèðîêî ðàçâèòî àíîìàëüíî âûñîêîå ïëàñòîâîå
äàâëåíèå. Ëèòîëîãè÷åñêèé ðàçðåç ïðåäñòàâëåí,
â îñíîâíîì, ïåðåñëàèâàíèåì ãëèíèñòûõ, àëåâðî-
ëèòîâûõ è ïåñ÷àíèêîâûõ ïëàñòîâ. Ðàçëè÷èÿ ãëó-
áèí çàëåãàíèÿ îäíîãî è òîãî æå ïëàñòà â ñâîäå è
ïåðèêëèíàëüíîé ÷àñòè ñòðóêòóðû ñîñòàâëÿþò áî-
ëåå 0,5 êì. Ýòî îçíà÷àåò, ÷òî ïîðîäû îäíîãî è
òîãî æå ïëàñòà íàõîäÿòñÿ â ðàçíûõ òåðìîäèíàìè-
÷åñêèõ óñëîâèÿõ. Ñëåäóåò îòìåòèòü, ÷òî â ðåçóëü-
òàòå âëèÿíèÿ ãåîëîãè÷åñêèõ ïðîöåññîâ èçìåíèëèñü
ïîðèñòîñòü, òðåùèíîâàòîñòü, íåôòåãàçîíàñûùåíèå
è äðóãèå ñâîéñòâà ïîðîä ïëàñòîâ ïî ãëóáèíå è
âäîëü ñòðóêòóðû. Àíàëèç ïî äàííûì ÃÈÑ êîððå-
ëÿöèîííûõ çàâèñèìîñòåé ìåæäó ðàçëè÷íûìè ôè-
çèêî-ìåõàíè÷åñêèìè ñâîéñòâàìè ñâèäåòåëüñòâóåò
î ñëîæíîì èõ èçìåíåíèè âäîëü ñòâîëà ñêâàæèíû.
Ïî ðåçóëüòàòàì ñåéñìè÷åñêîé èíâåðñèè âûÿâëå-
íû ñóùåñòâåííûå èçìåíåíèÿ àêóñòè÷åñêèõ ñâîéñòâ
îäíèõ è òåõ æå ñëîåâ ñðåäû âäîëü ïðîôèëÿ. Âñå
ýòî óêàçûâàåò íà òðóäíîñòè, âîçíèêàþùèå êàê ïðè
êëàñòåðèçàöèè îäíîìåðíûõ ìîäåëåé, òàê è ïðè
ïðîãíîçèðîâàíèè ôèçè÷åñêèõ ñâîéñòâ èññëåäóå-
ìîé ñðåäû.
Äëÿ ïðîãíîçèðîâàíèÿ äâóìåðíîé ìîäåëè ñêî-
ðîñòåé ïîïåðå÷íûõ âîëí èñïîëüçîâàëèñü âûøå èç-
ëîæåííûå îäíîìåðíûå ìîäåëè. Êîëè÷åñòâî äèñ-
êðåòîâ â ðåçóëüòàòàõ èçìåðåíèé ïî îäíîìó âèäó
êàðîòàæà ðàâíî 21 327. Ïî íåéðîííûì ñåòÿì ñëîè
ñðåäû ðàñ÷ëåíåíû íà 7 êëàñòåðîâ. Óâåëè÷åíèå êî-
ëè÷åñòâà êëàñòåðîâ äî 15 ïðèâîäèëî ê íåóñòîé÷è-
âîìó îïðåäåëåíèþ ýìïèðè÷åñêèõ çàâèñèìîñòåé.
Âûÿâëåíû ýìïèðè÷åñêèå çàâèñèìîñòè ïî êàæäîìó
êëàñòåðó, è ïî íèì âû÷èñëåíû ñêîðîñòè ðàñïðîñò-
ðàíåíèÿ ïîïåðå÷íûõ âîëí. Áîëüøèå ïîãðåøíîñòè
â çíà÷åíèÿõ ñêîðîñòåé óêàçûâàþò íà íåîáõîäè-
ìîñòü äîïîëíèòåëüíîãî óòî÷íåíèÿ ïðîãíîçèðóåìûõ
ñêîðîñòåé. Ïî äàííûì ÀÊ çàâèñèìîñòè ìåæäó
ñåéñìè÷åñêèìè ñêîðîñòÿìè èçìåíÿþòñÿ â øèðî-
êîì äèàïàçîíå (ðèñ. 1) äàæå â ïðåäåëàõ îäíîãî
êëàñòåðà. Ïî êàæäîìó êëàñòåðó äàííûõ ðàññ÷èòàíû
îäíîìåðíûå ìîäåëè êîýôôèöèåíòîâ Ïóàññîíà è
Ëàìå, ïî êîòîðûì îöåíèâàëîñü óïðóãîå ñâîéñòâî
ñðåäû ïî ãëóáèíå. Çíà÷åíèÿ óïðóãèõ ïàðàìåòðîâ
èìåþò ñóùåñòâåííóþ äèñïåðñèþ ïî ãëóáèíå.
Îïòèìàëüíûå ïàðàìåòðû êëàñòåðèçàöèè è ïðî-
ãíîçèðîâàíèÿ îïðåäåëåíû ïóòåì òåñòèðîâàíèÿ ïî
âûøåóêàçàííûì îäíîìåðíûì ìîäåëÿì ÃÈÑ ñ èñ-
ïîëüçîâàíèåì äàííûõ îò îäíîé èìåþùåéñÿ ñêâà-
æèíû íà èññëåäóåìîé ïëîùàäè.  êà÷åñòâå àïðè-
îðíîé ìîäåëè çàäàíû èçâåñòíûå ïî ÃÈÑ çíà÷åíèÿ
ñêîðîñòåé ðàñïðîñòðàíåíèÿ ïîïåðå÷íûõ âîëí.
50 ISSN 1684-2189 GEOINFORMATIKA, 2012, ¹ 4 (44)
© Õ.Á. Àãàåâ
Îäèí èç âàæíûõ ïàðàìåòðîâ ïðè ïðîãíîçèðî-
âàíèè – êîëè÷åñòâî èòåðàöèé è ñëîåâ íåéðîíîâ.
Íà ðèñ. 2, à âèäíî, ÷òî ïî ìåðå óâåëè÷åíèÿ êîëè-
÷åñòâà èòåðàöèé òî÷íîñòü ïðîãíîçèðîâàíèÿ óâå-
ëè÷èâàåòñÿ. Íàèáîëüøàÿ òî÷íîñòü äîñòèãàåòñÿ â
èíòåðâàëå 100–300 èòåðàöèé. Äàëüíåéøåå óâåëè-
÷åíèå êîëè÷åñòâà èòåðàöèé íåñóùåñòâåííî âëèÿåò
íà ïîãðåøíîñòü ïðîãíîçèðîâàíèÿ. Ïðè óâåëè÷å-
íèè êîëè÷åñòâà ñëîåâ íåéðîíîâ, îñîáåííî ïîñëå
75-é, óìåíüøàåòñÿ òî÷íîñòü ïðîãíîçèðîâàíèÿ
(ðèñ. 2, á), ÷òî ñâÿçàíî ñ íåäîñòàòî÷íîñòüþ êîëè-
÷åñòâà èòåðàöèé. Òåñòèðîâàíû òàêæå 5 àëãîðèò-
ìîâ ðàñ÷åòà ïðîãíîçíûõ çíà÷åíèé ïî ïðîãðàììå
“Neuroxl-clusterizer”. Íàèáîëåå òî÷íûå ðåçóëüòà-
òû ïîëó÷åíû ïî àëãîðèòìó “Biopolyar Sigmoid
function”. Îïòèìàëüíûå ïàðàìåòðû ïðîãíîçèðî-
âàíèÿ ñëåäóþùèå: êîëè÷åñòâî èòåðàöèé – 500,
ñëîåâ íåéðîíîâ – 20; ïðè ýòèõ çíà÷åíèÿõ òî÷-
íîñòü ïðîãíîçèðîâàíèÿ ðàâíà 0,95 %. Îñíîâíîé
ïðè÷èíîé íåñîâïàäåíèÿ çàäàííûõ è ñïðîãíîçèðî-
âàííûõ çíà÷åíèé ñêîðîñòåé, ïî-âèäèìîìó, ÿâëÿ-
åòñÿ íåäîñòàòî÷íîå êîëè÷åñòâî èòåðàöèé. Âåðîÿò-
íî, ïðè êîëè÷åñòâå èòåðàöèé â íåñêîëüêî äåñÿòêîâ
òûñÿ÷ ìîæíî äîñòè÷ü áîëåå âûñîêîé òî÷íîñòè
(ðèñ. 2, à). Ïîëó÷åííóþ òî÷íîñòü ïðîãíîçà âðÿä
ëè âîçìîæíî äîñòè÷ü ïðè èñïîëüçîâàíèè ìíîãî-
ìåðíûõ ýìïèðè÷åñêèõ çàâèñèìîñòåé. Âðåìÿ ðàñ-
÷åòà îäíîãî òåñòà íà ïåðñîíàëüíîì êîìïüþòåðå
ïðè êîëè÷åñòâå èòåðàöèé 500 ñîñòàâëÿåò ïðèìåð-
íî 8 ÷àñîâ.
Äëÿ ïðîãíîçèðîâàíèÿ VS = f2M(t, x, y) èñïîëü-
çîâàëèñü ñëåäóþùèå äâóìåðíûå òîíêîñëîèñòûå
ìîäåëè ïî äàííûì 2D – ñêîðîñòè ðàñïðîñòðàíå-
íèÿ ïðîäîëüíûõ âîëí è ïëîòíîñòè ïîðîä, ïîëó-
÷åííûå ïî ðåçóëüòàòàì ñåéñìè÷åñêîé èíâåðñèè;
äàííûå ãåîñòàòè÷åñêîãî è ýôôåêòèâíîãî äàâëå-
íèé, òåìïåðàòóðû, íîìåðà êëàñòåðîâ, ýêñòðàïîëè-
ðîâàííûõ îò ñêâàæèíû. Ýìïèðè÷åñêàÿ çàâèñèìîñòü
ìåæäó ñåéñìè÷åñêèìè ñêîðîñòÿìè îïðåäåëåíà ïî
äàííûì ÃÈÑ â âèäå ïîëèíîìà 3-é ñòåïåíè. Ïî-
ãðåøíîñòü àïïðîêñèìàöèè çàâèñèìîñòè ïîëèíîìîì
íå ïðåâûøàåò 20 %. Áûëè ïîñòðîåíû òîíêîñëîè-
ñòûå äâóìåðíûå ìîäåëè ñðåäû ïî èíòåðâàëüíûì
ñêîðîñòÿì ðàñïðîñòðàíåíèÿ ïîïåðå÷íûõ âîëí â
âèäå âðåìåííûõ ðàçðåçîâ, ðàññ÷èòàííûõ ïî ýì-
ïèðè÷åñêîé çàâèñèìîñòè è ïðîãíîçèðîâàííûõ ïî
íåéðîííîé ñåòè. Âðåìåííûå ðàçðåçû âèçóàëüíî
ìàëî ðàçëè÷àþòñÿ. Ïî õàðàêòåðó èçìåíåíèÿ ñêî-
ðîñòåé ðàçðåçû ïîäîáíû ðàçðåçó ñêîðîñòåé ïî
ïðîäîëüíîé âîëíå. Íà ðàçðåçå ñêîðîñòåé ïîïåðå÷-
íûõ âîëí (ðèñ. 3, à) âèäíî óâåëè÷åíèå èíòåðâàëü-
íûõ ñêîðîñòåé ïî îäíèì è òåì æå ñëîÿì ñðåäû
ïî ìåðå óäàëåíèÿ îò ñâîäà ñîãëàñíî ôîðìå ñòðóê-
òóðû. Ðàçðåç, ïðîãíîçèðîâàííûé ïî íåéðîííîé
ñåòè, áîëåå äèôôåðåíöèðîâàí, ÷åì ðàçðåç, ðàññ÷è-
òàííûé ïî ýìïèðè÷åñêîé çàâèñèìîñòè. Íà ðèñ. 3, á
âèäíî, ÷òî â îòäåëüíûõ ÷àñòÿõ ðàçðåçîâ ðàçëè÷èå
Ðèñ. 1. Çàâèñèìîñòü ìåæäó ñêîðîñòÿìè ðàñïðîñòðàíåíèÿ
ïðîäîëüíûõ è ïîïåðå÷íûõ âîëí, ðàñ÷ëåíåííàÿ íà 7 êëàñ-
òåðîâ
Ðèñ. 2. Ïîãðåøíîñòü ïðîãíîçèðîâàíèÿ â çàâèñèìîñòè îò
êîëè÷åñòâà èòåðàöèé (a) è íåéðîíîâ (á)
51ISSN 1684-2189 ÃÅβÍÔÎÐÌÀÒÈÊÀ, 2012, ¹ 4 (44)
© Õ.Á. Àãàåâ
ñîñòàâëÿåò îò –4 äî +8 %. Õàðàêòåð ðàçëè÷èé ìå-
íÿåòñÿ ïî ïðîôèëþ è ïî âðåìåíè. Ðàçðåç, ïðîãíî-
çèðîâàííûé ïî íåéðîíàì, áîëåå ðåàëüíî îòðàæàåò
ñâîéñòâî ñðåäû ïî ñêîðîñòÿì ðàñïðîñòðàíåíèÿ
ïîïåðå÷íûõ âîëí, òàê êàê â òî÷êå ÎÃÒ, ñîâïàäà-
þùåé ñ ìåñòîïîëîæåíèåì ñêâàæèíû, ñêîðîñòè ïî
2D è ÃÈÑ ïðàêòè÷åñêè ñîâïàäàþò. Äëÿ îöåíêè
äîñòîâåðíîñòè VS = f2M(t, x, y) ðàññ÷èòàíû ãëóáèí-
íûå ðàçðåçû óïðóãèõ ïàðàìåòðîâ ñðåäû. Íà ðàç-
ðåçàõ êîýôôèöèåíòîâ Ïóàññîíà è Ëàìå ïðîñëå-
æèâàþòñÿ èçìåíåíèÿ ôèçè÷åñêèõ ñâîéñòâ ñðåäû
îò ñâîäà ñòðóêòóðû ê ïåðèêëèíàëè. Íàèáîëåå
ñëîæíûé õàðàêòåð èçìåíåíèé îòìå÷àåòñÿ â ñâîäî-
âîé ÷àñòè ñòðóêòóðû. Çäåñü íà îäíèõ è òåõ æå
ãëóáèíàõ çíà÷åíèå êîýôôèöèåíòà Ïóàññîíà â öå-
ëîì âûøå, ÷åì â ïåðèêëèíàëüíîé ÷àñòè, ÷òî îáóñ-
ëîâëåíî, â îñíîâíîì, ðàçóïëîòíåíèåì ïîðîä è íå-
ôòåãàçîíàñûùåíèåì â ñâîäîâîé ÷àñòè. Òàêèì
îáðàçîì, ïðèìåíåíèå íåéðîííûõ ñåòåé ïîçâîëèëî
ïîëó÷èòü áîëåå äèôôåðåíöèðîâàííûé ðàçðåç ïî
ñêîðîñòÿì ðàñïðîñòðàíåíèÿ ïîïåðå÷íûõ âîëí êàê
ïî ãëóáèíå, òàê è âäîëü ïðîôèëÿ.
Çàêëþ÷åíèå. Ðàçðàáîòàí ìåòîä ïðîãíîçèðîâàíèÿ
òîíêîñëîèñòîé ìîäåëè ñðåäû ïî ñêîðîñòÿì ðàñïðîñ-
òðàíåíèÿ ïîïåðå÷íûõ âîëí ïî äàííûì ÃÈÑ è ñåéñ-
ìîðàçâåäêè 2D/3D íà ïðîäîëüíûõ âîëíàõ. Ìåòîä
îïðîáîâàí ñ èñïîëüçîâàíèåì äàííûõ ÃÈÑ è 2D
ñåéñìèêè íà îäíîé èç ñòðóêòóð â Þæíî-Êàñïèéñ-
êîé âïàäèíå. Ïðèìåíåíèå êëàñòåðíîãî àíàëèçà íà
íåéðîííûõ ñåòÿõ ê îäíîìåðíûì ìîäåëÿì ïî äàí-
íûì ÃÈÑ ïîçâîëèëî ðàñ÷ëåíèòü ñëîè ãåîëîãè÷åñ-
êîãî ðàçðåçà íà ãðóïïû, èìåþùèå ñõîäíûå ôèçè-
÷åñêèå ñâîéñòâà. Ïî ðåçóëüòàòàì êëàñòåðíîãî
àíàëèçà è ñåéñìè÷åñêîé èíâåðñèè ïðîôèëÿ 2D ïî
íåéðîííûì ñåòÿì ïðîãíîçèðîâàíà äâóìåðíàÿ òîí-
êîñëîèñòàÿ ìîäåëü ñðåäû ïî ñêîðîñòÿì ðàñïðîñòðà-
íåíèÿ ïîïåðå÷íûõ âîëí. Ïðèìåíåíèå íåéðîííûõ
ñåòåé ïîçâîëèëî ïîëó÷èòü áîëåå äèôôåðåíöèðîâàí-
íûé ðàçðåç êàê ïî ãëóáèíå, òàê è âäîëü ïðîôèëÿ,
÷åì ïî ýìïèðè÷åñêèì çàâèñèìîñòÿì. Óêàçàííûé
ìåòîä ìîæåò áûòü ïðèìåíåí òàêæå ê ïðîãíîçèðîâà-
íèþ äðóãèõ ôèçèêî-ìåõàíè÷åñêèõ ñâîéñòâ ñðåäû.
Áëàãîäàðíîñòü. Âûðàæàþ áëàãîäàðíîñòü ÷ëå-
íó êîððåñïîíäåíòó ÍÀÍ Àçåðáàéäæàíà Ã.Ã. Êó-
ëèåâó çà ïîñòîÿííîå âíèìàíèå è ïîëåçíîå îáñóæ-
äåíèå ðåçóëüòàòîâ.
1. Àëåêñàíäðîâ Ê.Ñ. Ìåòîä îïðåäåëåíèÿ íåëèíåéíûõ óï-
ðóãèõ ñâîéñòâ ãîðíûõ ïîðîä / Ê.Ñ. Àëåêñàíäðîâ,
Ã.Ò. Ïðîäàéâîäà, Á.Ï. Ìàñëîâ // Äîêë. ÐÀÍ. – 2001. –
Ò. 380. – ¹ 1. – Ñ. 109–112.
2. Áàáêèí È.Â. Ïðèìåíåíèå ìåòîäà íåéðîííûõ ñåòåé äëÿ
îïðåäåëåíèÿ òåêóùåé ãàçîíàñûùåííîñòè ïî äàííûì
ÃÈÑ // ÍÒÂ “Êàðîòàæíèê”. – Òâåðü: ÀÈÑ, 2010. –
Âûï. 5. – Ñ. 52–60.
3. Âîñêðåñåíñêèé Þ.Í. Èçó÷åíèå èçìåíåíèé àìïëèòóä
ñåéñìè÷åñêèõ îòðàæåíèé äëÿ ïîèñêîâ è ðàçâåäêè çà-
ëåæåé óãëåâîäîðîäîâ / Þ.Í. Âîñêðåñåíñêèé. – Ì.:
Èçä-âî Ðîñ. ãîñ. óí-òà íåôòè è ãàçà èì. È.Ì. Ãóáêè-
íà, 2001. – 69 ñ.
4. Êóëèåâ Ã.Ã. Îïðåäåëåíèå êîýôôèöèåíòà Ïóàññîíà â
íàïðÿæåííûõ ñðåäàõ / Ã.Ã. Êóëèåâ // Äîêë. Àêàäå-
ìèè íàóê Ðîññèè. – 2000. – Ò. 370. – ¹ 4. –
Ñ. 634–537.
5. Êóëèåâ Ã.Ã. Ìîäåëèðîâàíèå ñåéñìè÷åñêèõ ðàçðåçîâ ñ
ó÷åòîì íàïðÿæåííîãî ñîñòîÿíèÿ ñðåäû / Ã.Ã. Êóëè-
åâ, Õ.Á. Àãàåâ // Ãåîäèíàìiêà. – 2010. – ¹ 1(9). –
Ñ. 81–86.
6. Êóëèåâ Ã.Ã., Àãàåâ Õ.Á. Îïðåäåëåíèå ôèçèêî-ìåõàíè-
÷åñêèõ ñâîéñòâ ïîðîä îñàäî÷íîãî ÷åõëà íà îñíîâå
ñåéñìè÷åñêèõ, ñêâàæèííûõ äàííûõ è òåîðèè óïðóãèõ
âîëí íàïðÿæåííûõ ñðåä // Ãåîôèç. æóðí. – 2011. –
Ò. 33, ¹ 6. – Ñ. 126–135.
7. Ëåâàøîâ Ñ.Ï., ßêèì÷óê Í.À., Êîð÷àãèí È.Í. è äð. Ìå-
òîäè÷åñêèå àñïåêòû ïðèìåíåíèÿ òåõíîëîãèè îáðàáîò-
êè è èíòåðïðåòàöèè äàííûõ äèñòàíöèîííîãî çîíäè-
ðîâàíèÿ Çåìëè ïðè ïðîâåäåíèè ïîèñêîâûõ ðàáîò íà
íåôòü è ãàç â àêâàòîðèÿõ // Ãåî³íôîðìàòèêà. – 2012. –
¹ 1(41). – Ñ. 5–16.
8. Ìàðìîíøòåéí Ë.Ì. Ïåòðîôèçè÷åñêèå ñâîéñòâà îñà-
äî÷íûõ ïîðîä ïðè âûñîêèõ äàâëåíèÿõ è òåìïåðàòó-
ðàõ. – Ì.: Íåäðà, 1985. – 190 ñ.
Ðèñ. 3. Äâóìåðíûå ìîäåëè ñêîðîñòåé ðàñïðîñòðàíåíèÿ ïî-
ïåðå÷íûõ âîëí ïî íåéðîííîé ñåòè (à) è ðàçíîñòü ìîäå-
ëåé (á)
à
á
52 ISSN 1684-2189 GEOINFORMATIKA, 2012, ¹ 4 (44)
© Õ.Á. Àãàåâ
9. Chashkov A.V., Valery V.M. Use of the Cluster Analysis
and Artificial Neural Network Technology for Log Data
Interpretation // J. Siberian Federal Univ. Engineering &
Technologies. – 2011. – Vol. 4. – P. 453–462.
10. Bouska J., Johnston R. The first 3D/4-C ocean bottom
seismic surveys in the Caspian Sea: Aqcuisition desing and
processing strategy // The Leading EDGE. – 2005. –
Vol. 24, N 9.
11. Thomsen L. Understanding Seismic Anisotropy in Exploration
and Explotation // Distinguished Instructor Short Course.
Distinguished Instructor Ser. – 2002. – Vol. 5.
Õ.Á. Àãàºâ
ÏÐÎÃÍÎÇÓÂÀÍÍß ÌÎÄÅ˲ ØÂÈÄÊÎÑÒÅÉ ÏÎØÈÐÅÍÍß ÏÎÏÅÐÅ×ÍÈÕ ÕÂÈËÜ
ÇÀ ÄÀÍÈÌÈ ÃÅÎÔ²ÇÈ×ÍÈÕ ÄÎÑ˲ÄÆÅÍÜ ÑÂÅÐÄËÎÂÈÍ ² ÑÅÉÑÌÎÐÎDzÄÊÈ
²Ç ÇÀÑÒÎÑÓÂÀÍÍßÌ ÍÅÉÐÎÍÍÈÕ ÌÅÐÅÆ
Íàâåäåíî îñîáëèâîñò³ ïðîãíîçóâàííÿ òîíêîøàðóâàòî¿ äâîâèì³ðíî¿ ìîäåë³ ñåðåäîâèùà çà øâèäêîñòÿìè ïîøè-
ðåííÿ ïîïåðå÷íèõ õâèëü. Ðîçðîáëåíî ìåòîä ïðîãíîçóâàííÿ äâî- ³ òðèâèì³ðíèõ ìîäåëåé øâèäêîñòåé íà îñíîâ³
äàíèõ ÃÄÑ íà ïîçäîâæí³õ ³ ïîïåðå÷íèõ õâèëÿõ ³ ñåéñìîðîçâ³äêè 2D/3D íà ïîçäîâæí³õ õâèëÿõ. Ìåòîä ´ðóí-
òóºòüñÿ íà ñòâîðåíí³ ìîäåëåé ô³çè÷íèõ âëàñòèâîñòåé ñåðåäîâèùà, ïðîâåäåíí³ êëàñòåðíîãî àíàë³çó ³ ïðîãíîçó-
âàíí³ øâèäêîñòåé ç âèêîðèñòàííÿì íåéðîííèõ ìåðåæ. “Íàâ÷àííÿ” íåéðîííèõ ìåðåæ çà äàíèìè ÃÄÑ äຠçìîãó
ïðîãíîçóâàòè çà ðåçóëüòàòàìè ñåéñì³÷íî¿ ³íâåðñ³¿ ìîäåëü øâèäêîñòåé ïîøèðåííÿ ïîïåðå÷íèõ õâèëü. Ìåòîä
âèïðîáóâàíî çà ãåîô³çè÷íèìè äàíèìè îäí³º¿ ³ç ñòðóêòóð ó ϳâäåííîêàñï³éñüê³é çàïàäèí³. Çà äàíèìè êëàñòåð-
íîãî àíàë³çó âèÿâëåíî ñêëàäíèé õàðàêòåð ì³æ ïåòðîô³çè÷íèìè âëàñòèâîñòÿìè ñåðåäîâèùà.  ðåçóëüòàò³ ïðî-
ãíîçóâàííÿ îäåðæàíî ðîçð³ç çà øâèäêîñòÿìè, á³ëüø äèôåðåíö³éîâàíèé çà ãëèáèíîþ ³ ïî ïðîô³ëþ, í³æ çà
åìï³ðè÷íèìè çàëåæíîñòÿìè.
Êëþ÷îâ³ ñëîâà: íåéðîííà ìåðåæà, êëàñòåð, ïðîãíîçóâàííÿ, øâèäê³ñòü ïîøèðåííÿ ïîïåðå÷íî¿ õâèë³, ñåéñì³÷íà
³íâåðñ³ÿ, ÷àñîâèé ðîçð³ç, ïðóæí³ ïàðàìåòðè, îäíîâèì³ðí³, äâîâèì³ðí³ ìîäåë³ ñåðåäîâèùà.
Kh.B. Aghayev
PREDICTION OF THE SHEAR WAVES VELOCITIES MODEL ACCORDING TO THE DATA
OF GEOPHYSICAL RESEARCHES OF WELLS AND SEISIMIC-SURVEY USING NEURAL NETWORKS
The properties of prediction of thin-layered two-dimensional model on velocities of shear waves are given. Prediction
method of two- and three-dimensional models of velocities was developed on the basis of GSW (Geophysical Studying of
Wells) data on pressure and shear waves, and seismic survey of 2D/3D on pressure waves. The method was based on a
creation of medium physical properties models, conducting of cluster analysis and prediction of velocities using neural
networks. The model of velocities of shear waves is predicted by “Teaching” neural networks on GSW data according to
the results of seismic inversion. The method was tested on geophysical data of one of the South-Caspian Basin structures.
The complicated character was revealed between petrophysical properties of medium on cluster analysis. As a result of
prediction the section on velocities is more differentiated on depth and profile than on empirical dependences.
Keywords: Neural network, cluster, prediction, velocity of shear waves, seismic inversion, time section, elastic parameters,
one- and two- dimensional models of medium.
12. Veeken P.C.H. Seismic inversion methods and some of their
constraints / P.C.H. Veeken, M. Da Silva // Multi-
disciplinary geoscience special topics, first break, EAGE. –
2004. – Vol. 22. – P. 47–70.
13. Verm R., Hilterman F. Lithology color-coded seismic
sections: The calibration of AVO crossplotting to rock
properties // The Leading EDGE. – 1995. – Vol. 14,
N 8. – P. 847–853.
14. Yilmaz Oz. Seismic data analysis: processing, inversion and
interpretation of seismic data // Investigations in
geophysics. – Tulsa: SEG, 2001. – Vol. 2. – 2027 p.
Èíñòèòóò Ãåîëîãèè Íàöèîíàëüíîé Àêàäåìèè Íàóê
Àçåðáàéäæàíà, Áàêó, Àçåðáàéäæàí
Ïîñòóïèëà â ðåäàêöèþ 15.05.2012 ã.
|
| id | nasplib_isofts_kiev_ua-123456789-96490 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1684-2189 |
| language | Russian |
| last_indexed | 2025-12-07T13:24:26Z |
| publishDate | 2012 |
| publisher | Центр менеджменту та маркетингу в галузі наук про Землю ІГН НАН України |
| record_format | dspace |
| spelling | Агаев, Х.Б. 2016-03-17T12:44:54Z 2016-03-17T12:44:54Z 2012 Прогнозирование модели скоростей распространения поперечных волн по данным геофизических исследований скважин и сейсморазведки с применением нейронных сетей / Х.Б. Агаев // Геоінформатика. — 2012. — № 4. — С. 46-52. — Бібліогр.: 14 назв. — рос. 1684-2189 https://nasplib.isofts.kiev.ua/handle/123456789/96490 550.83.017 Приводятся особенности прогнозирования тонкослоистой двумерной модели среды по скоростям распространения поперечных волн. Разработан метод прогнозирования дву- и трехмерных моделей скоростей на основе данных ГИС на продольных и поперечных волнах и сейсморазведки 2D/3D на продольных волнах. Метод базируется на создании моделей физических свойств среды, проведении кластерного анализа и прогнозировании скоростей с использованием нейронных сетей. “Обучение” нейронных сетей по данным ГИС позволяет прогнозировать по результатам сейсмической инверсии модель скоростей распространения поперечных волн. Метод опробован по геофизическим данным одной из структур в Южно-Каспийской впадине. По данным кластерного анализа выявлен сложный характер между петрофизическими свойствами среды. В результате прогнозирования получен разрез по скоростям, более дифференцированным по глубине и профилю, чем по эмпирическим зависимостям. Наведено особливості прогнозування тонкошаруватої двовимірної моделі середовища за швидкостями поширення поперечних хвиль. Розроблено метод прогнозування дво- і тривимірних моделей швидкостей на основі даних ГДС на поздовжніх і поперечних хвилях і сейсморозвідки 2D/3D на поздовжніх хвилях. Метод ґрунтується на створенні моделей фізичних властивостей середовища, проведенні кластерного аналізу і прогнозуванні швидкостей з використанням нейронних мереж. “Навчання” нейронних мереж за даними ГДС дає змогу прогнозувати за результатами сейс¬мічної інверсії модель швидкостей поширення поперечних хвиль. Метод випробувано за геофізичними даними однієї із структур у Південнокаспійській западині. За даними кластерного аналізу виявлено складний характер між петрофізичними властивостями середовища. В результаті прогнозування одержано розріз за швидкостями, більш диференційований за глибиною і по профілю, ніж за емпіричними залежностями. The properties of prediction of thin-layered two-dimensional model on velocities of shear waves are given. Prediction method of two- and three-dimensional models of velocities was developed on the basis of GSW (Geophysical Studying of Wells) data on pressure and shear waves, and seismic survey of 2D/3D on pressure waves. The method was based on a creation of medium physical properties models, conducting of cluster analysis and prediction of velocities using neural networks. The model of velocities of shear waves is predicted by “Teaching” neural networks on GSW data according to the results of seismic inversion. The method was tested on geophysical data of one of the South-Caspian Basin structures. The complicated character was revealed between petrophysical properties of medium on cluster analysis. As a result of prediction the section on velocities is more differentiated on depth and profile than on empirical dependences. Выражаю благодарность члену-корреспонденту НАН Азербайджана Г.Г. Кулиеву за постоянное внимание и полезное обсуждение результатов. ru Центр менеджменту та маркетингу в галузі наук про Землю ІГН НАН України Геоінформатика Геолого-геофізичні та математичні методи і сучасні комп'ютерні технології дослідження літосфери Прогнозирование модели скоростей распространения поперечных волн по данным геофизических исследований скважин и сейсморазведки с применением нейронных сетей Прогнозування моделі швидкостей поширення поперечних хвиль за даними геофізичних досліджень свердловин і сейсморозвідки із застосуванням нейронних мереж Prediction of the shear waves velocities model according to the data of geophysical researches of wells and seisimic-survey using neural networks Article published earlier |
| spellingShingle | Прогнозирование модели скоростей распространения поперечных волн по данным геофизических исследований скважин и сейсморазведки с применением нейронных сетей Агаев, Х.Б. Геолого-геофізичні та математичні методи і сучасні комп'ютерні технології дослідження літосфери |
| title | Прогнозирование модели скоростей распространения поперечных волн по данным геофизических исследований скважин и сейсморазведки с применением нейронных сетей |
| title_alt | Прогнозування моделі швидкостей поширення поперечних хвиль за даними геофізичних досліджень свердловин і сейсморозвідки із застосуванням нейронних мереж Prediction of the shear waves velocities model according to the data of geophysical researches of wells and seisimic-survey using neural networks |
| title_full | Прогнозирование модели скоростей распространения поперечных волн по данным геофизических исследований скважин и сейсморазведки с применением нейронных сетей |
| title_fullStr | Прогнозирование модели скоростей распространения поперечных волн по данным геофизических исследований скважин и сейсморазведки с применением нейронных сетей |
| title_full_unstemmed | Прогнозирование модели скоростей распространения поперечных волн по данным геофизических исследований скважин и сейсморазведки с применением нейронных сетей |
| title_short | Прогнозирование модели скоростей распространения поперечных волн по данным геофизических исследований скважин и сейсморазведки с применением нейронных сетей |
| title_sort | прогнозирование модели скоростей распространения поперечных волн по данным геофизических исследований скважин и сейсморазведки с применением нейронных сетей |
| topic | Геолого-геофізичні та математичні методи і сучасні комп'ютерні технології дослідження літосфери |
| topic_facet | Геолого-геофізичні та математичні методи і сучасні комп'ютерні технології дослідження літосфери |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/96490 |
| work_keys_str_mv | AT agaevhb prognozirovaniemodeliskorosteirasprostraneniâpoperečnyhvolnpodannymgeofizičeskihissledovaniiskvažiniseismorazvedkisprimeneniemneironnyhsetei AT agaevhb prognozuvannâmodelíšvidkosteipoširennâpoperečnihhvilʹzadanimigeofízičnihdoslídženʹsverdloviníseismorozvídkiízzastosuvannâmneironnihmerež AT agaevhb predictionoftheshearwavesvelocitiesmodelaccordingtothedataofgeophysicalresearchesofwellsandseisimicsurveyusingneuralnetworks |