Вы находитесь на странице: 1из 5

Th BC 16

The Problem of Incomplete Prior Information in


Stochastic Inversion
D.N. Myasoedov* (LARGEO Croup of Companies)

SUMMARY
One of the main problems that always remains unresolved within the framework of the inverse problem is
the prior information. In this pages represent analysis of the problem that arises when using stochastic
inversion on the object wich, not described of prior information, but is clearly associated with a geological
body by seismic data. The existence of complex geological objects with indirect morphological features,
as well as the development of methods for their isolation allows a fresh look at the problem of prior
information in the framework of solving the inverse problem and the character of seismic information.

6th Saint Petersburg International Conference & Exhibition – Geosciences – Investing in the Future
Saint Petersburg, Russia, 7-10 April 2014
Введение

Одной из главных проблем, которая всегда остается неразрешенной в рамках обратной задачи
является первичная информация (Ulrich T.J., Mauricio D.S. 2005, Scales J.A., Tenorio L. 2001).
Мы можем достаточно точно восстанавливать столько фациальных групп, сколько фациальных
групп имеем по данным первого порядка (скважинные данные). Количественное описание
свойства среды и аппроксимации законов распределения петрофизических характеристик
базируются на априорной информации, в предположении, что других законов в изучаемых
толщах нет, либо их влияние незначительно. Данное допущение делается вынужденно, и оно
справедливо для однородной толщи (Dubrule O. 2002).

В данной работе будет проведен анализ ситуации, возникающей при решении обратной задачи
методом геостатистической инверсии в среде, осложненной объектом, явно выделяемым на
сейсмической поле по морфологическим и динамическим признакам. Объектом,
интерпретацией которого нельзя пренебречь, но о котором отсутствует информация первого
порядка. Примером такого объекта могут быть различные палеоканалы и врезы.

Теория

В данной работе априорная скважинная информация о свойствах геологической среды будет


называться информацией первого порядка. Характерной особенностью данной информации
является высокая разрешенность по вертикали, подробное описание физических и
геологических характеристик изучаемого разреза.

Все количественные знания о свойствах изучаемой среды содержатся в точечной информации


первого порядка. Информация эта распределена, как правило, хаотично и содержит
неизвестную долю случайного шума σ. Не совсем верно говорить, что первичная информация
выражает наше полное знание о предмете исследований. Возможно, предположение, которое
позволит получить наиболее объективный результат – данные первого порядка отображают
степень нашего незнания (Ulrich T.J., et. al. 2001).

Сейсмическая информация, которая в текущей работе будет называться данными второго


порядка, несет в себе сведения о крупных неоднородностях, структурном факторе,
латеральном изменении изучаемого поля. В рамках инверсий, она представляет собой некий
каркас, своеобразную функцию интерполяции данных первого порядка.

Характерная особенность любой обратной задачи – случайность. Данные второго порядка не


могут напрямую дать прогноз физических свойств изучаемых толщ. Данные первого порядка
не могут описать сложные латеральные изменения среды.

При решении обратной задачи мы предполагаем существование законов, базирующихся на


информации первого порядка в ограничениях, заданных моделью. В итоге, факты, полученные
в результате инверсионных преобразований, будут зависеть от объема и полноты априорной
информации и допущений, введенных на этапе создания модели. Ситуация становится намного
сложнее, если после проведения качественного анализ данных второго порядка обнаружено
существование фаций, не описанных скважинами, или объекта, имеющего явные
динамические характеристики и морфологические признаки, свойственные определенным
геологическим телам.

Данный тип объекта интересен не только тем, что он не описан информацией первого порядка,
но также тем, что для его корректной интерпретации не являются оптимальными методы
интерполяции, реализованные в алгоритмах инверсии, в частности Sequential Gaussian
Simulation (SGS) (Haas A., Dubrule O. 1994). В данной работе будет использоваться алгоритм
геостатистической инверсии SGS collocated.

6th Saint Petersburg International Conference & Exhibition – Geosciences – Investing in the Future
Saint Petersburg, Russia, 7-10 April 2014
Примеры и пути решения

В качестве геологической основы в данной работе взят фрагмент площади, расположенной в


Западной Сибири. Объект исследований локализован в толще сеномана. Кровлей интервала
пластов, содержащих в себе палеоканал, является отражающий горизонт ОГ «Top», подошвой
– ОГ «Bot». Средняя мощность интервала ≈ 80мс. Не одна из имеющихся скважин не
вскрывает отложения палеоканала.

Вариограммы, которые строятся по скважинным данным, описывают упрощенную модель.


Геостатистический подход рассматривает геологическую переменную как совокупность некого
систематического тренда и случайной компоненты (Doyen P.M. 2007). Пример результата
геостатистической инверсии приведен на рисунке 1B.

Геостатистический подход не ставит перед собой задачу выявление аномальных областей


вариограммы, или существования нескольких независимых трендов. Информация первого
порядка определяет степень отображение среды на модель. Однако, тип выбранного объекта
для анализа предполагает, что фациальное распределение в среде имеет относительно четкие
границы. Фация речных отложений существует локально и ее пространственное распределение
ограничено, что отображено на волновом поле (Рис. 1A). Технологии спектрального
разложения (Chakraborty A., Okaya D. 1995) и цветового смешивания (McArdle N.J., Ackers
M.A. 2012) позволяют уверенно провести демаркацию объекта и выделить его в объеме.

Рисунок 1 Интервал перспективного горизонта. A- Визуализация с применением технологии


Colour Blending результата спектрального разложения; B – результат геостатистической
инверсии.

Описание закона распределения свойств внутри объекта опирается на предположении, что


свойства среды в изучаемой толще изменяются равномерно, но только в пределах фаций.
Литологический состав объекта канального типа, условно, может быть песчаный, либо
глинистый. Вышележащая толща сложена глинами и высокий контраст коэффициента
отражения в области объекта свойственен смене литологического типа. Морфологические
признаки и геологическая априорная информация также подтверждают песчаный состав.

При моделировании возможного облака объекта в осях упругих параметров, за основу было
взято нормальное распределение. Анализировались следующие параметры: значения
коэффициента отражения в кровле и подошве объекта, мощность объекта, которая не должна
быть меньше мощности окружающих фаций; скорость. Пример распределения литологических
типов в интервале анализа приведен на рисунке 2. Ввиду множественности решений обратной
задачи, область распространения руслового песчаника носит весьма условный, схематический
характер.

6th Saint Petersburg International Conference & Exhibition – Geosciences – Investing in the Future
Saint Petersburg, Russia, 7-10 April 2014
Рисунок 2 Распределение литологических типов в интервале анализа.

На вход в алгоритм геостатистической инверсии идет каркасная модель, закон распределения


свойств, полученный по данным первого порядка и сейсмические данные. Очевидно, что для
восстановления свойств палеоканала и свойств «фона» требуются разные законы. При этом
восстановление всей толщи по закону, не учитывающему наличие изучаемого объекта, не
является корректным по причине не возможности объективного восстановления свойств и
границ палеоканала. «Фон» полученный при использовании одного закона распределения
свойств на всю площадь, ввиду влияния сейсмических трасс, расположенных в объекте на
рассчитываемое значение дисперсии и кригинга при последовательном моделировании,
косвенно также будет содержать в себе долю ошибки.

В виде исключительной меры, для интеграции в алгоритм инверсии, объект и полученное


распределение свойств внутри объекта необходимо перевести в ранг дополнительной
первичной информации. Данное допущение необходимо для решения обратной задачи
совместно для всего массива данных, без последующего вмешательства субъективного
фактора, а также, как механизм ограничения влияния точек поля сейсмической съемки,
находящихся внутри объекта на результат работы алгоритма SGS вне его.

Для того, чтобы попытаться избежать субъективного фактора, при переводе объекта в ранг
априорной информации, необходимо задать ряд критериев, описывающих признаки объекта.
Одним из таких критериев может служить отсутствие корреляции, либо низкая корреляция
между волновыми полями в точках расположения информации первого порядка и в области
распространения объекта (Рис. 3A).

Рисунок 3 Интервал перспективного горизонта. A –карта значений коэффициента


корреляции между импульсом, извлеченным по волновому полю объекта и волновым полем
площади исследований; B – результат геостатистической инверсии с вводом
дополнительного условия.

6th Saint Petersburg International Conference & Exhibition – Geosciences – Investing in the Future
Saint Petersburg, Russia, 7-10 April 2014
Данный критерий может подаваться на вход в инверсию, как дополнительное условие «если»
при использовании алгоритма SGS. Условие может ставиться перед расчетом условного
гауссовского в виде функций: If r(Si) < Rb and r(Si) ≥ Rc, G = O; If r(Si) ≥ Rb and r(Si) < Rc, G =
B; If r(Si) < Rb and r(Si) < Rc, G = U; где r – коэффициент корреляции; Si – сейсмическая трасса;
соответствующая выбранной генератором случайных чисел ячейке модели; Rb, Rc - граничные
значения коэффициента корреляции для причисления трассы к фону, либо к палеоканалу,
соответственно; O – функция распределения свойств внутри канала; B – функция
распределения свойств фона; U – неопределенная функция; G – результат инверсии. Далее, для
расчета дисперсии и значения кригинга для функций O и B создаются свои множества точек
первичной информации. Алгоритм SGS при этом является оптимальным, так как инверсия
идет последовательно.

Результаты геостатистической инверсии с использованием алгоритма SGS с вводом


дополнительного условия показаны на рисунке 3B. Как видно по рисунку, оптимизация
алгоритма расчета позволила уверенно выделить палеорусло, однако, очевидна одна из
проблем, связанных с дополнительным условием – «несглаженность» модели в области
объекта.

Выводы

Существование сложных геологических объектов, имеющих косвенные морфологические


признаки, а также развитие методов их выделения позволяет по новому взглянуть на проблему
первичной информации в рамках решения обратной задачи и на роль информации второго
порядка.

У геостатистического подхода решения обратной задачи существуют объективные


ограничения. Однако, в современной геофизике применение всех методик и технологий
интерпретации проходит комплексно, что позволяет обогатить общий результат.

В данной работе была сделана попытка, в отсутствии скважинных данных по объекту


исследований, приблизиться к более точной интерпретации его свойств. Тем не менее, ряд
проблем, таких как неоднозначность закона распределения свойств внутри объекта, не
позволяют считать полученный результат полностью достоверным.

Проблема первичной информации всегда останется неразрешенной, но изучение данной


проблемы, в отношении явных геологических тел позволит приблизиться к максимально
достоверному результату.

Список литературы

1. Ulrich, T.J. and Mauricio, D.S. [2005] Information-based inversion and processing with
applications. ELSEVIER B.V. Radarweg 29P.O. Box 211, 1000 AE Amsterdam The Netherlands.
2. Scales, J.A. and Tenorio, L. [2001] Prior Information and Uncertainty in Inverse Problems.
Geophysics, 66(2), (MARCH-APRIL).
3. Dubrule, O. [2002] Seismic Data Integration in Earth Models. EAGE.
4. Ulrych, T. J., Mauricio D.S. and Woodbury A. [2001] A Bayes tour of inversion: A tutorial.
Geophysics, 66(1).
6. Haas, A. and Dubrule, O. [1994] Geostatistical inversion—a sequential method of stochastic
reservoir modelling constrained by seismic data. First Break, 12(11), NOVEMBER 1994/561.
7. Doyen, P.M. [2007] Seismic Reservoir Characterization. An Earth Modelling Perspective. EAGE
Publications bv. The Netherlands.
8. Chakraborty, A. and Okaya, D. [1995] Geophysics, 60(6), 1906-1916
9. McArdle, N.J. and Ackers, M.A. [2012] Understanding seismic thin-bed responses using frequency
decomposition and RGB blending. First Break, 30(12), 57-65.

6th Saint Petersburg International Conference & Exhibition – Geosciences – Investing in the Future
Saint Petersburg, Russia, 7-10 April 2014

Оценить