Вы находитесь на странице: 1из 23

Технологии сейсморазведки, № 2, 2017, с. 5–27 http://ts.sbras.

ru
doi: 10.18303/1813-4254-2017-2-5-27 УДК 550.834

КОЛИЧЕСТВЕННЫЙ УЧЕТ АПРИОРНОЙ ГЕОЛОГИЧЕСКОЙ ИНФОРМАЦИИ


ПРИ СЕЙСМИЧЕСКОЙ ИНВЕРСИИ.
ЧАСТЬ 1. ТЕОРЕТИЧЕСКОЕ ОБОСНОВАНИЕ МЕТОДА
К.А. Эпов
АО «Руспетро», 115054, Москва, Стремянный переулок, д. 11, Россия,
e-mail: kepov@ruspetro.com

В работе рассматривается подход, позволяющий на количественном уровне учитывать геологическую


информацию при сейсмической инверсии. Представления об истории осадконакопления и развитии бассейна
совместно с результатами петрофизической интерпретации каротажных данных и петроупругого
моделирования используются как для построения фоновых моделей и регуляризации решения, так и при
последующей количественной интерпретации результатов инверсии. Метод базируется на использовании при
параметризации априорных геологических представлений набора «обобщенных геологических переменных»,
на количественном уровне описывающих наблюдаемое или предполагаемое фациальное разнообразие.
Топология и метрика модели определяются набором базисных обстановок осадконакопления и статистиками
фациальных переходов. Предлагаемая методика может быть применена к районам с различной степенью
изученности скважинными методами и детальностью существующих геологических представлений.

Сейсмическая инверсия, обстановки осадконакопления, фации, условная вероятность, априорная


информация, теорема Байеса

QUANTITATIVE INCORPORATION OF A-PRIORI GEOLOGICAL INFORMATION


INTO INVERSION OF SEISMIC AMPLITUDES.
PART 1. THEORETICAL CONCEPTS
K.A. Epov
Ruspetro JSC, 115054, Moscow, Stremyanny pereulok, 11, Russia, e-mail: kepov@ruspetro.com

An approach to quantitative incorporation of geological data into seismic inversion process is presented.
Information about depositional environments and geological evolution of sedimentary basin along with well logs
interpretation and petro-elastic modeling data are used not only for background model building and inversion
regularization, but also for inversion results interpretation and reservoir properties prediction. The method is based on
a parameterization of geological model using a so-called “generalized geological variables”. These variables provide a
quantitative description of observed or expected facies diversity. Topological and metric properties of the model are
defined by a set of reference sedimentary environments and estimates of facies transitions probabilities. The developed
approach can be applied to the areas with widely various availability of well data and a-priori geological knowledge.

Seismic inversion, depositional environments, facies, rock physics, conditional probability, prior information,
Bayes theorem

_____________________

© К.А. Эпов, 2017


5
ВВЕДЕНИЕ
В современной технологической цепочке построения моделей нефтегазовых месторождений
сейсмическая инверсия играет ключевую роль, являясь основой для прогноза свойств природных
резервуаров в межскважинном пространстве. Хорошо известно, что при оценке упругих параметров
геологической среды по амплитудам сейсмической записи необходимо использовать дополнительные
ограничения на класс возможных решений задачи [Тихонов, Арсенин, 1979; Scales, Tenorio, 2001;
Tarantola, 2005; Кабанихин, Искаков, 2007]. Такие ограничения базируются на априорной информации, не
содержащейся в инвертируемых данных, и позволяют включить в модель среды постоянную
составляющую и другие компоненты, находящиеся вне сейсмического диапазона частот. В самом простом
случае регуляризация некорректной задачи инверсии амплитуд отражений сводится к построению
низкочастотной фоновой модели упругих параметров и наложении ряда ограничений на допустимые
отклонения решения от этого начального приближения. В процессе инверсионных преобразований
осуществляется поиск такого решения (детерминистическими либо стохастическими методами), которое,
с одной стороны, обеспечивает минимальную невязку между синтетическими и наблюденными
сейсмическими трассами, а с другой – находится в пределах, определяемых допустимым отклонением от
начального приближения [Гогоненков, 1987; Sen, Stoffa, 1991; Russell, 1998; Sen, 2006]. Само начальное
приближение и границы возможного отклонения могут задаваться либо явно, либо с применением
вероятностного подхода, лежащего в основе многих алгоритмов стохастической инверсии [Кащеев,
Кирнос, 2002; Gunning, Glinsky, 2004].
Фоновая модель является главным фактором, контролирующим уровень значений упругих
параметров, получающихся в результате инверсии сейсмических данных (см., например, [Ball et al., 2015]).
В процессе дальнейшей количественной интерпретации упругие характеристики используются для оценки
таких свойств, как пористость, глинистость и др. При этом параметры зависимостей, на которых
базируется прогноз, во многом определяются предполагаемой фациальной принадлежностью пород.
Поэтому очевидно, что корректная оценка коллекторских свойств по результатам инверсии сейсмических
данных может быть выполнена только при условии использования фоновой модели упругих параметров,
согласованной с априорными геологическими и петрофизическими представлениями.
С этих позиций сейсмическая инверсия должна рассматриваться не как формализованная
процедура пересчета амплитуд отражений в разрез упругих параметров при уже заданной фоновой
модели упругих свойств, а как процесс геологического моделирования, обусловленный сейсмическими и
скважинными данными [Haas, Dubrule, 1994; Bosch et al., 2010; Яковлев и др., 2011; Grana, 2013]. Вместе
с тем, на сегодняшний день использование геологической информации при количественной
интерпретации сейсмических данных весьма ограничено на практике. Технология построения начальных
моделей инверсии во многих случаях по-прежнему сводится к проведению интерполяции данных
акустического и плотностного каротажа в межскважинное пространство, а последующий количественный
прогноз свойств может выполняться с привлечением геологических представлений, не использовавшихся
при построении фоновой модели. Такой подход характеризуется рядом серьезных недостатков,
способных привести к получению не обоснованных с геологической точки зрения результатов, что
неоднократно отмечалось во многих публикациях [Sams, Saussus, 2013; Kemper, Gunning, 2014]. Для
снижения неопределенности при построении фоновой модели упругих и литолого-емкостных
характеристик среды в межскважинном пространстве необходимо привлекать информацию о возможных
вариациях свойств пород, основанную на представлениях об условиях формирования отложений
целевого интервала и их преобразованиях в геологической истории.
Публикуемые в последнее время результаты работ показывают, что наиболее перспективным с
точки зрения решения данной задачи, по-видимому, является подход, основанный на байесовском
формализме [Duijdnam, 1998; Bulland et al., 2008; Bosch et al., 2010; Ulvmoen, Omre, 2010]. В рамках данного
подхода, например, производится оценка вероятностей появления литотипов (Li), обусловленных
значениями упругих свойств ( melas ) среды, которые были получены в результате инверсии сейсмических
данных:

p(melas | Li ) PLi 
P( Li | melas )  . (1)
p prior(melas )

6
Прогноз коллекторских свойств ( mres ) может быть осуществлен следующим образом:

p mres | melas    p mres | melas , Li P ( Li | melas ) . (2)


i

Использование подобных выражений позволяет не только получить кубы таких параметров, как
вероятности литотипов, пористость и глинистость, но и оценить неопределенность выполненного
прогноза. Однако при глубокой проработке алгоритмов сейсмического моделирования и инверсии,
обеспечивающих переход от сейсмических данных к упругим параметрам { mres }, и технологий
петроупругого моделирования, позволяющих оценить вероятностные распределения p ( melas | Li ) и
pmres | melas , Li  в выражениях (1) и (2) [Mukerji et al., 2001; Avseth et al., 2005; Mavko et al., 2009; Grana et
al., 2012; Dvorkin et al., 2014], особенностям оценки априорных вероятностей P(Li) в сегодняшней
производственной практике уделяется незначительное внимание. Пожалуй, один из самых
распространенных подходов к их заданию основан на анализе пропорций литотипов в разрезах скважин
в ограниченных стратиграфических интервалах и распространении этих пропорций на всю площадь
исследований в предположении об отсутствии латеральной изменчивости данных вероятностей. В
подавляющем большинстве случаев такая методика оценки не выдерживает никакой критики как с точки
зрения статистики, так и с геологических позиций. Более обоснованные подходы базируются на попытках
явного учета фациальной зональности в начальной модели с последующей настройкой вероятностных
распределений индивидуально для каждой из выделенных зон [Gonzalez et al., 2016]. Это требует
картирования границ таких зон до выполнения инверсии сейсмических данных.
Важность учета геологической информации при построении моделей для инверсии неоднократно
подчеркивалась во многих работах [Wang, Huang, 2009; Sams et al., 2011; Sams, Saussus, 2012; Zhao et al.,
2016; Xiuwei, Zhu, 2016]. Следует отметить достигнутые успехи в разработке алгоритмов, реализующих
синхронное восстановление упругих свойств и вероятностей типов отложений P( Li | melas ) c
применением подходов стохастической инверсии [González, 2008; Rimstad, Omre, 2010; Saussus, Sams,
2012; Gunning, Kemper, 2014; Walker et al., 2016]. Для преодоления трудностей, связанных с заданием
априорных вероятностей в (1), делаются попытки построения иерархических моделей [Marquez et al., 2013;
Filippova, 2014]. Но зачастую используемый на практике набор литотипов { Li } основан на разделении
горных пород на классы лишь по значениям коллекторских свойств. Как правило, такая классификация
напрямую не связана с информацией об условиях формирования и истории геологического развития
изучаемых пластов, закладываемой современными геологами в понятие «фация» [Крашенинников, 1971;
Reading, 2001]. Вместе с тем, использование данных о генезисе отложений способно существенно снизить
неопределенность получаемых моделей. Высокая прогностическая ценность методов совместной
геологической интерпретации сейсмических и скважинных данных, основанных на использовании таких
подходов, как стратиграфия секвенций и седиментационное моделирование [Жемчугова и др., 2015],
подсказывает, что построение фоновых моделей, необходимых для регуляризации и последующего
анализа результатов инверсии, должно выполняться с учетом подобных геологических представлений.
Современный подход к построению геологических моделей осадочных комплексов основан на
реконструкции обстановок осадконакопления, установлении связей литологического состава пород с
процессами седиментации через систему генетически связанных фаций и последующем моделировании
распределения фаций в пространстве. При этом генетическая интерпретация наблюдаемого
разнообразия типов пород базируется на детальном анализе кернового материала, который, как правило,
был отобран лишь в небольшом числе скважин из ограниченного интервала глубин. Для распространения
результатов таких детальных исследований на всю изучаемую область осуществляется переход к системе
каротажных фаций, позволяющей восстановить целостную картину смены обстановок осадконакопления.
Сложность объединения результатов седиментационного моделирования с материалами
интерпретации данных ГИС и сейсморазведки связана с различиями в способах представления
информации, детальности и масштабах этих методов. Так, например, при интерпретации кернового
материала количество выделенных литогенетических типов пород существенно превышает количество
«петрофизических фаций», которые могут быть диагностированы по ограниченному набору каротажных
методов. Очевидное различие наблюдается также в вертикальной разрешенности результатов

7
интерпретации керна и данных ГИС. Переход в сейсмический масштаб требует выполнения
дополнительных процедур перемасштабирования (upscaling). Также определенные проблемы могут
возникать на стадии увязки дискретных переменных (коды литологии) с непрерывными (пористость,
упругие параметры и т. д.).
Приведенные соображения показывают, что на современном этапе развития технологий
количественной интерпретации сейсмических и скважинных данных все большее значение начинает
приобретать выбор удачной параметризации имеющихся представлений о геологическом строении
изучаемого объема пород. В настоящей работе рассматривается методика такой параметризации при
помощи набора количественных показателей, связанных с факторами, контролирующими фациальное (в
седиментологическом смысле) разнообразие исследуемого объекта. При выполнении ряда условий эти
«обобщенные геологические координаты» играют роль латентных переменных априорной геолого-
геофизической модели среды, определяющих (с некоторым уровнем погрешности) остальные ее
свойства: вероятности появления петрофизически значимых типов пород, упругие характеристики,
значения инженерно-петрофизических параметров и другие.

ПОСТАНОВКА ЗАДАЧИ И ПРЕДВАРИТЕЛЬНЫЕ ЗАМЕЧАНИЯ


Следуя широко распространенному сегодня подходу (см., например, [Bosch et al., 2010]),
рассмотрим постановку задачи сейсмической инверсии в рамках формализма метода наибольшего
правдоподобия. Апостериорная функция плотности вероятности искомой модели среды  post ( m ),
обусловленная сейсмическими данными, может быть представлена следующим образом:

 post (m)  c prior(m)  datad obs  g (m)  . (3)

Здесь m – вектор параметров, описывающий модель;


d obs – вектор наблюденных сейсмических данных;
g ( m ) – результат расчета сейсмических данных для модели среды m (результат решения
прямой задачи);
 prior ( m ) – априорная вероятность модели m ;
 data ( d obs – g ( m )) – функция правдоподобия измеренных данных (вероятность получения данных
d obs при модели m ).
Нормировочная константа ‘ c ’ связана с безусловной вероятностью получения данных d obs .
Задача инверсии сводится к поиску модели среды m , максимизирующей  post ( m ). Как было
сказано выше, ее решение во многом определяется априорной моделью  prior ( m ), задание которой
должно выполняться с привлечением всей имеющейся геолого-геофизической информации (не связанной
напрямую с инвертируемыми данными d obs ).
В последнее время отмечаются определенные перспективы в решении проблемы оценки
 prior ( m ), связанные с расширением пространства параметров, участвующих в описании модели ( m )
[Bosch, 2004]. В частности, были реализованы подходы, в которых вместо восстановления только упругих
характеристик, выполняется синхронная инверсия упругих и литофизических (емкостных) параметров m
=( mres , melas ) [Bosch et al., 2009]. Это позволяет снизить уровень неопределенности получаемых фоновых
моделей и обеспечить более тесную связь процедуры сейсмической инверсии с задачей прогноза
коллекторских свойств. При этом, для того чтобы компенсировать увеличение количества неизвестных,
задаются дополнительные внутренние ограничения, связывающие инженерно-петрофизические mres и
упругие параметры melas . Наличие таких связей позволяет не использовать упругие характеристики в
качестве независимых переменных, описывающих априорную модель среды. Фоновая модель для
инверсии рассчитывается из пространственного распределения таких параметров, как, например,
пористость и глинистость, которые легче увязать с априорными геологическими представлениями. В
рамках такого подхода  prior () из (3) может быть представлена следующим образом:

 prior(mres , melas )   rockphys(melas | mres )  priormres  . (4)

Здесь  prior ( mres ) описывает априорное вероятностное распределение инженерно-физических


параметров исследуемого резервуара для каждой ячейки модели, а  rockphys ( melas | mres ) – условные
8
вероятности получения упругих характеристик melas при заданных параметрах mres , оцениваемые в
процессе петроупругого моделирования.
Несмотря на то что указанный подход в последнее время находит все более широкое применение,
особенностям оценки компоненты  prior ( mres ) из (4) на практике уделяется незначительное внимание. Как
правило, учет априорной информации по-прежнему сводится к выполнению простой интерполяции
данных ГИС в межскважинное пространство конформно прослеженным в процессе структурной
сейсмической интерпретации отражающим горизонтам (но теперь интерполируются такие параметры, как
пористость, глинистость и т. д.). Вопрос о достоверности получаемых в фоновых моделях
пространственных распределений и их состоятельности с точки зрения геологии рассматривается на
практике очень редко. Эта проблема особенно остро встает на разведочных стадиях изучения
месторождений, когда исследуемая территория характеризуется низкой плотностью разбуривания.
Например, при наличии на площади работ только одной скважины указанный подход даст начальную
модель, в которой будут отсутствовать латеральные вариации свойств в пластах. Иногда высказывается
мнение, что это не является серьезным недостатком: подразумевается, что латеральные вариации
акустических свойств могут быть восстановлены в процессе инверсии из изменчивости амплитуд
сейсмических отражений по площади, а фоновая модель необходима лишь для контроля «среднего»
уровня значений акустического импеданса. Однако даже простейший анализ синтетических данных
способен показать, что такой подход может привести к серьезным ошибкам при количественном прогнозе
[Kemper, Gunning, 2014; Sams, Carter, 2017].
Другим препятствием на пути построения пространственных распределений параметров
априорной модели на основе инженерно-петрофизической параметризации { mres } является наличие
внутренних взаимосвязей между этими переменными, что не позволяет выполнять их интерполяцию в
межскважинном пространстве независимо друг от друга. Например, для терригенных отложений
характерно присутствие корреляционной зависимости между пористостью и глинистостью, что
соответствующим образом сказывается на упругих свойствах пород [Avseth et al., 2005]. Если значения
пористости и глинистости в ячейках модели рассчитываются независимо друг от друга, то вдали от
скважин могут получаться такие комбинации их значений, которые не соответствуют в рассматриваемых
условиях реально существующим горным породам. Иногда эту проблему можно решить путем
факторизации пространства петрофизических параметров либо учета таких внутренних взаимосвязей при
помощи применения более совершенных методов геостатистической интерполяции. Но зачастую
подобные корреляционные зависимости сами по себе являются нестационарными: при переходе от одних
типов пород к другим параметры совместных распределений вероятности петрофизических
характеристик могут меняться кардинальным образом. Кроме того, характеристики распределений
ρrockphys( melas | mres ) зачастую также сильно зависят от фациальной принадлежности пород.
Выходом из подобных ситуаций может являться применение технологий геологического
моделирования еще на этапе построения априорной модели. Если изменчивость физических свойств
горных пород обусловлена вариациями геологического строения исследуемых пластов, то использование
информации о закономерностях таких вариаций в пространстве и геологическом времени способно
существенно снизить неопределенность результата интерполяции петрофизических характеристик в
межскважинном пространстве.
Кодирование геологических представлений об условиях формирования и преобразованиях горных
пород базируется на использовании системы генетически связанных фаций. Пусть в результате
седиментологического анализа было выделено N таких фаций {Fi} (i=1–N). Учет влияния фациального
разнообразия на физические параметры в выражении (4) может быть выполнен следующим образом:

N
 prior(mres , melas )    rockphys(melas | mres , Fi )  mres | Fi PFi  . (5)
i 1

Здесь P(Fi) – априорная вероятность присутствия фации Fi, значение которой необходимо
задавать в каждой ячейке сеточной модели для всех N фаций. На значения P(Fi) накладывается ряд
ограничений. Прежде всего, при соблюдении ряда естественных требований к результатам фациальной
интерпретации (появление любого элемента из {Fi} может рассматриваться как элементарное событие;

9
набор фаций является полным, т. е. описывает все разнообразие условий осадконакопления,
характерных для исследуемого объекта), должно выполняться условие нормировки:

 P F   1 .
i 1
i (6)

Помимо этого, при оценке пространственных распределений величин P(Fi) необходимо учитывать
ограничения на возможные переходы между фациями, связанные как с направленностью процессов
осадконакопления, так и с мерой генетической близости обстановок. Различные обстановки
осадконакопления сменяют друг друга в плане и разрезе, подчиняясь определенным закономерностям.
Эти закономерности связаны с влиянием ряда внешних факторов, задающих направленность истории
развития осадочного бассейна, изменчивость палеогеографических условий в пространстве и времени и
контролирующих разнообразие процессов осадконакопления. Это создает предпосылки для наличия
дополнительных взаимосвязей между вероятностями появления различных фаций как в одной ячейке
сеточной модели, так и в соседствующих ячейках.
Система фаций, создаваемая в результате седиментологического анализа керна и данных ГИС,
может содержать значительное количество элементов (иногда, не один десяток), что существенно
усложняет задачу построения моделей пространственных распределений значений P(Fi). Очевидно, что
их интерполяция в межскважинном пространстве не может выполняться независимо для генетически
связанных фаций. Это существенно ограничивает применимость таких алгоритмов, как Indicator Kriging
или Sequential Indicator Simulation [Dubrule, 2003]. Более обоснованные подходы подразумевают явный
учет переходных вероятностей между различными типами пород [Eidsvik et al., 2004; Larsen et al., 2006;
Gonzales et al., 2008; Ulvmoen, Omre, 2010; Stien, Kolbjørnsen, 2011; Gunning, Kemper, 2014]. Однако на
этом пути могут возникать значительные затруднения, связанные с нестационарностью случайных
пространственных переменных, моделирующих распределения фаций.
Основная идея настоящей работы состоит в том, чтобы описать наблюдаемое или
предполагаемое разнообразие обстановок осадконакопления, представленное набором из N фаций {Fi},
небольшим числом независимых факторов, количество которых существенно меньше N. Рассмотрим
кратко принципы, лежащие в основе предлагаемого подхода.
Осадочный материал в приемном бассейне накапливается под действием различных физических
процессов, в условиях конкуренции последних за аккомодационное пространство. При изменении
внешних условий меняется и относительный вклад этих процессов, что приводит к вариациям
литологического состава и структурно-текстурных признаков пород, в итоге выражающихся в
закономерной смене фаций. Таким образом, разнообразие возможных направлений фациальных
переходов (т. е. разнообразие фациальных рядов) напрямую определяется факторами,
контролирующими роль различных механизмов в процессе седиментации. Поэтому задача
параметризации принципиальной фациальной модели может быть сведена к выделению этих факторов и
количественной оценке их вклада в различные условия осадконакопления. Следует отметить, что идея
многофакторной параметризации условий седиментации достаточно давно и успешно применяется в
геологии. Так, в рамках подходов стратиграфии секвенций разнообразие прибрежно-морских обстановок
определяется положением относительного уровня моря и аккомодационным пространством, связанным
со скоростью тектонического погружения и количеством привносимого осадочного материала [The
sedimentary record…, 2003; Catuneanu et al., 2011]. Разнообразие фаций глубоководья хорошо
описывается трехфакторной моделью [Zavala et al., 2008]. Для континентальных условий широко
применяется принципиальная модель, объясняющая разнообразие фаций речных и озерно-болотных
обстановок взаимодействием следующих двух факторов: увеличением аккомодационного пространства и
суммарным влиянием твердого и жидкого стока [Bochas, Suter, 1997; Carroll, Bohacs, 1999]. Однако до сих
пор подобные модели были лишены метрики, хорошо описывая наблюдаемое фациальное разнообразие
лишь на качественном уровне.
Рассмотрим множество возможных состояний некоторого элементарного участка земной
поверхности, на котором в разные моменты геологического времени реализуются различные обстановки

10
осадконакопления. История этих изменений может быть описана как параметрическая кривая в некотором
многомерном пространстве, определяемом разнообразием возможных соотношений действующих
физических процессов. Близкие точки в таком пространстве характеризуются близкими условиями
осадконакопления. Влияние внешних крупномасштабных ограничений приводит к тому, что сами базисные
физические процессы также не являются полностью независимыми: фации часто образуют устойчивые
ассоциации. Например, в условиях предгорных аллювиальных долин между вкладами процессов
осадконакопления, связанных с деятельностью активных водных потоков ветвящихся рек, и процессов
плоскостного смыва, приводящих к формированию делювиальных шлейфов, будет наблюдаться
корреляция. При глобальном смещении условий в сторону плоской аллювиальной равнины оба
механизма осадконакопления подавляются, а на смену этим условиям приходят более спокойные
обстановки меандрирующих рек, пойменных озер и болот.
Наличие подобного рода корреляционных связей между базисными процессами
осадконакопления приводит к тому, что на множество возможных фазовых траекторий, описывающих
эволюцию обстановок осадконакопления, могут накладываться дополнительные ограничения. Наличие
таких ограничений позволяет выделить в пространстве переменных, кодирующих интенсивность базисных
физических процессов, многообразие реализуемых состояний геологической среды. Размерность данного
многообразия в окрестности каждой его точки (соответствующей некоторой фации) будет определяться
набором независимых факторов, обусловливающих возможные фациальные переходы. А касательное
подпространство в фиксированной точке многообразия представляет собой векторное пространство,
параметризующее возможные «направления» и «интенсивность» фациальных переходов в условиях,
отвечающих данной точке.
В соответствии с приведенными соображениями, количественное описание фациальной модели
может быть сведено к параметризации рассмотренного фациального многообразия набором «карт»
отдельных его областей, на каждой из которых можно ввести некоторую систему координат. Задание
правила перехода между этими системами координат позволяет объединить «карты» многообразия в
«атлас» (рис. 1). Такая абстрактная геометризация фациальной модели позволяет провести аналогию с
теорией дифференциальных уравнений. Каждому векторному полю, заданному на рассматриваемом
многообразии (и отвечающему определенным условиям гладкости), будет соответствовать некоторое
векторное дифференциальное уравнение. Его решениям соответствует семейство фазовых траекторий,
описывающих историю развития осадочного бассейна. Седиментационное моделирование позволяет на
качественном уровне восстановить фазовый портрет системы, не выписывая в явной форме сами
определяющие дифференциальные уравнения.
При переходе к количественному описанию ключевым является вопрос задания метрики модели.
По мнению автора, подход к заданию меры близости фаций, используемой при решении задачи
построения пространственных геологических моделей, должен быть непосредственно связан с анализом
вероятностей переходов между фациями. В фиксированных условиях, отвечающих некоторой обстановке
Fi, среди всех возможных фациальных переходов c большей вероятностью следует ожидать появления
переходов к таким обстановкам Fj, которые характеризуются максимально близкими условиями к Fi (при
условии равновесия внешних «глобальных» факторов). И обратно, чем ближе природа физических
процессов, определяющих условия осадконакопления, тем выше вероятность соседства
соответствующих фаций.
Различные исследователи неоднократно делали попытки применить данный принцип для
количественного описания фациальных моделей [Miall, 1973; Harper, 1984; Riegl, Purkis, 2009; Colombera
et al., 2013], а полученные результаты подтверждают возможность использования этой идеи для введения
метрики на фациальном многообразии. Более того, согласно хорошо известному принципу Вальтера–
Головкинского [Одесский, 1992; Nurgalieva et al., 2007], вероятности перехода между фациями,
оцениваемые по вертикальным разрезам, должны быть связаны с вероятностями латеральных
фациальных переходов. Данный принцип открывает возможности для использования результатов
статистического анализа фациальных переходов в разрезах скважин при построении фациальной модели
в межскважинном пространстве.

11
Рис. 1. Параметризация геологической модели фациальным многообразием. Каждая точка многообразия М отвечает
уникальным условиям осадконакопления. Фациям Fi соответствуют заданные на многообразии вероятностные
распределения (на рисунке условно показаны «центры» этих распределений). Условия, отвечающие генетически
связанным фациям, формируют области («карты» А, В, …), на которых может быть задана система координат.
История осадконакопления территории описывается семейством фазовых траекторий P(t)

Обобщая приведенные выше предварительные соображения, выпишем базовые принципы,


лежащие в основе предлагаемого подхода к параметризации.
1. Наблюдаемое или предполагаемое разнообразие генетически связанных фаций
объясняется совместным действием одного или нескольких геологических процессов
осадконакопления. Вероятность присутствия фации в конкретной точке среды
определяется относительным вкладом каждого из этих базисных процессов. И обратно,
каждой фации может быть поставлен в соответствие вектор весов, отвечающих влиянию
базисных обстановок. Другими словами, генетически связанные фации могут
рассматриваться как точки (или области) в некотором координатном пространстве.
2. Размерность фациального многообразия определяется числом независимых
(в рассматриваемых условиях) факторов, контролирующих множество наблюдаемых или
предполагаемых фациальных переходов. Переходы обусловлены вариациями вкладов,
конкурирующих за пространство аккомодации базисных седиментационных процессов.
3. Мера схожести обстановок осадконакопления напрямую связана с вероятностью
соответствующих фациальных переходов при условии равновесия внешних (глобальных)
факторов.
Первый принцип базируется на генетическом толковании понятия «фация» и дает ключ к
определению пространства обстановок осадконакопления (или двойственного к нему пространства
фациальных переходов). Топология и метрика вложенного в данное пространство фациального
многообразия определяются на основе предположений 2 и 3 соответственно.

ПАРАМЕТРИЗАЦИЯ ФАЦИАЛЬНОЙ МОДЕЛИ


Пусть в рассматриваемых геологических условиях действует K базисных процессов
осадконакопления {gk}, конкурирующих за пространство аккомодации, каждому из которых соответствует
свой набор признаков, отраженных в структурно-текстурных характеристиках пород. Совместное действие
данных процессов приводит к формированию набора N фаций {Fi} (рис. 2).
12
Рис. 2. Множество генетически связанных фаций как выпуклая оболочка базисных литотипов (g1, g2, …). Изменение
вкладов базисных процессов приводит к фациальным переходам

Обозначим вклад j-го базисного процесса в формирование i-й фации как wij. При этом:

wij  0,
K (7)
w
j 1
ij  1.

Можно интерпретировать величины wij как относительную долю (или априорную вероятность
появления) j-го «базисного литотипа» в i-й фации. Условия (7) означают, что точки, отвечающие фациям
{Fi}, принадлежат выпуклой оболочке множества базисных литотипов {gk}. Другими словами,
наблюдаемые фации в общем случае представляются как смешанные состояния в некотором базисе.
Следует подчеркнуть, что сами «базисные литотипы» не обязательно представляют собой
минералогически чистые разности – важно только, чтобы их структурно-текстурные характеристики
позволяли однозначно диагностировать процессы осадконакопления, выбранные в качестве базисных.
Веса (7) могут рассматриваться как аффинные координаты фаций, а фациальные ряды описываются как
параметрические кривые wk(t) в такой системе координат. Размерность пространства всевозможных
фациальных переходов не превосходит размерность указанной выпуклой оболочки базисных обстановок
(K–1). Но, как было сказано выше, под действием дополнительных внешних ограничений, между
процессами, контролирующими фациальное разнообразие, может наблюдаться корреляция. Это
открывает возможности для дальнейшего уменьшения размерности пространства фациальных
переходов, которое предлагается выполнять с применением инструментов многомерного шкалирования
[Дэйвисон, 1988]. В результате данной процедуры получается набор независимых (в статистическом
смысле) факторов, которые могут быть использованы в качестве «обобщенных координат»,
параметризующих множество генетически связанных фаций («карту» многообразия). Для реализации
описанного подхода необходимо количественно охарактеризовать меру близости между обстановками
осадконакопления.
Рассмотрим переход между двумя фиксированными фациями Fs и Fp. Каждая из них
характеризуется соответствующими векторами вероятностей появления базисных литотипов { wsj} и {wpj}.
Тогда вероятность появления перехода между базисными литотипами gi и gj при условии осуществления
перехода между фациями Fs и Fp равна:

P(Trij | Fs  Fp )  wsi w pj  wsj w pi . (8)

13
Однако напрямую данные коэффициенты не могут быть использованы для задания метрики
модели, поскольку характеризуют лишь «внутреннюю» близость базисных обстановок, связанную со
смещением равновесия механизмов осадконакопления при фиксированном фациальном переходе.
Влияние внешних условий может приводить к тому, что различные фациальные переходы не будут
являться равновероятными, а контролирующие их процессы окажутся коррелированными. Для того чтобы
учесть эти факторы, необходимо выполнить дополнительную нормировку вероятностей (8), используя
наблюдаемые или предполагаемые статистики переходов.
Рассмотрим задачу оценки вероятности появления перехода между двумя фациями. В процессе
седиментологического анализа на основе изучения структурно-текстурных признаков горных пород
диагностируется та фация, для которой вероятность появления наблюденной комбинации признаков
максимальна. Другими словами, процесс диагностики фаций формально может быть рассмотрен как
процесс классификации точек фациального многообразия по фиксированному набору классов. А задача
оценки меры близости между двумя фациями сводится к задаче оценки степени сходства между
соответствующими им вероятностными распределениями в некотором координатном пространстве
признаков.
Пусть { x } – система координат, параметризующая набор генетически связанных фаций. Каждая
фация Fs характеризуется своей функцией плотности вероятности P( x |Fs) = ps ( x ). Равновесным
переходам между фациями Fs и Fp отвечает множество точек на фациальном многообразии, для которых
вероятность появления этих фаций одинакова:

ps  x   p p  x  .

В неравновесных точках обстановка формально определяется по наиболее вероятной фации, а


вероятность появления фациального перехода будет отвечать вероятности диагностики обстановки, не
являющейся доминирующей. Эта вероятность формально эквивалентна вероятности ошибки
классификации для двух распределений с перекрывающимися функциями плотности вероятности (рис. 3).

Рис. 3. Связь фациальных переходов с задачей классификации условий осадконакопления. x – параметр,


характеризующий условия осадконакопления. Фациям F1 и F2 отвечают свои распределения вероятностей P(F1| x) и
P(F2|* x). В точке x* вероятность появления фаций одинакова, что соответствует условиям максимальной вероятности
фациального перехода между F1 и F2. Полная вероятность фациального перехода определяется величиной
перекрытия между соответствующими функциями распределения, определяющей вероятность ошибки
классификации

14
Пусть состояние среды описывается функцией плотности вероятности p ( x ). Тогда вероятность
ошибочной диагностики фации Fs вместо Fp, либо Fp вместо Fs равна:

Perr Fs , Fp    PError | x  p( x)dx   min PFs | x , PFp | x  p( x)dx . (9)
X X

Чем ближе друг к другу по условиям образования две фации, тем сильнее перекрываются
распределения P( x |Fs) и P( x |Fp) и тем выше соответствующая вероятность ошибки классификации, т. е.
тем сложнее разделить эти фации по набору параметров { x }. В соответствии с этим, задача
количественной характеристики меры близости фаций оказывается эквивалентной задаче оценки меры
близости распределений вероятностей случайных величин.
В качестве меры сходства, основанной на степени перекрытия распределений функций плотности
вероятностей, может быть использован коэффициент Чернова [Chernoff, 1952; Nielsen, 2013]:

c  s : p   min p

s ( x) p1p ( x)dx . (10)
 ( 0,1)
X

Данный коэффициент служит для оценки сверху вероятности ошибки классификации и


используется для расчета следующей меры различия двух распределений (дивергенция Чернова первого
типа или информация по Чернову) [Nielsen, 2013]:


DC s : p    ln c  s : p  .  (11)

Эта характеристика тесно связана с дивергенцией Кульбака–Лейблера, однако при этом является
симметричной [Nielsen, 2011]. Величина оптимального значения коэффициента α* в выражениях (10) и
(11) зависит от свойств сравниваемых распределений. Если они принадлежат одному семейству и
характеризуются близкими значениями дисперсии, то следует ожидать, что значение α будет близко к 0.5.
Можно предположить, что данное условие будет приближенно выполняться для такого набора фаций,
элементы которого характеризуют одинаковые уровни изменчивости (неопределенности) условий
осадконакопления. При значении α*, равном 0.5, коэффициент Чернова становится равным
коэффициенту Бхаттачаррия [Bhattacharyya, 1943]:

BC s, p    p s ( x) p p ( x)dx . (12)


X

На дискретном множестве элементарных событий интегрирование заменяется суммированием.


Вернемся к рассмотрению вопроса об оценке меры близости между базисными процессами или
соответствующими им «чистыми» базисными состояниями седиментационной системы. Основываясь на
приведенных выше соображениях, данная мера напрямую связана с вероятностью осуществления
перехода между соответствующими базисными литотипами, которая может быть оценена следующим
образом:

Cij   P(Tr ij | Fs  Fp ) PFs  Fp  . (13)


s , p s

Здесь P(Trij | Fs–Fp) – вероятность перехода между базисными литотипами gi и gj при условии
совершения перехода между фациями Fs и Fp (оцениваемая при помощи выражения (8)), а P(Fs–Fp) –
вероятность соответствующего фациального перехода.
С другой стороны, вероятности P(Fs-Fp) характеризуют меру близости соответствующих фаций,
которая может быть оценена с использованием коэффициента (12). Если теперь в качестве множества
элементарных событий { X } выбрать множество фациальных переходов, то каждая фация будет
характеризоваться соответствующим распределением вероятностей соседства с другими фациями,
которая может быть оценена следующим образом:

15
N sp
p s x   P( x | Fs )  P( Fs  Fp | Fs )  . (14а)
Ns

Здесь Nsp – наблюдаемое число переходов между фациями Fs и Fp (p – свободный индекс), а


Ns – общее число фациальных переходов с участием фации Fs.
Аналогично, для фации Fp имеем:

N sp
p p x   P( x | F p )  P( Fs  Fp | Fp )  , (14б)
Np
здесь s – свободный индекс.
Если рассматриваемые фации характеризуются близким уровнем неопределенности условий
осадконакопления, то меру их сходства можно приблизительно оценить с применением коэффициента
Бхаттачаррия (12). Основываясь на приведенных соображениях, введем понятие коэффициента
близости фаций по переходам:

N sp
Rsp  BC s, p   P( Fs  Fp | Fs ) P( Fs  Fp | Fp )  . (15)
Ns N p

Будем использовать эту величину в качестве оценки (с точностью до нормировочного


коэффициента) безусловной вероятности перехода между фациями P(Fs–Fp) внутри рассматриваемой
совокупности генетически близких обстановок. Комбинируя (8), (13) и (15), окончательно получаем
выражение для меры сходства между базисными литотипами, индуцированной статистическими
свойствами наблюдаемых в разрезах скважин фациальных переходов:

N sp wsi w pj
Cij   . (16)
s ps Ns N p

Аналогично переходу от (10) к (11), в качестве меры различия между базисными обстановками
(интерпретируемой, как квадрат «расстояния») предлагается использовать величину, равную минус
логарифму коэффициентов (16):

Dij   ln Cij  . (17)

Необходимо отметить, что переход к (17) с математической точки зрения не является строго
обоснованным, поскольку величины (16) в общем случае дают оценку коэффициента Чернова лишь с
точностью до некоторого масштабного множителя. Однако можно показать, что последний зависит от
априорных вероятностей появления переходов с участием соответствующих базисных литотипов.
Поэтому можно ожидать, что метрика модели, базирующаяся на вероятностях переходов между
различными базисными обстановками, будет монотонно связана с величинами (17). Этого факта
оказывается достаточно для применения методов многомерного шкалирования к задаче факторизации
фациальной модели [Дэйвисон, 1988].
Формируя из величин (17) матрицу различия (с нулевой диагональю) и выполняя двойное
центрирование и факторизацию (см. приложение), получаем значения координат { X k } базисных
литотипов, описывающих различия между ними, заложенные в величинах (17). Далее, используя веса
фаций (7), из координат базисных обстановок получаем координаты исходных фаций:

K
Yik   wij X jk . (18)
j 1

Здесь Yik – k-я координата i-й фации, X ik – k-я координата j-го базисного литотипа.
16
Изложенный выше подход позволяет выполнить параметризацию обстановок осадконакопления,
формирующихся под действием единого набора конкурирующих геологических процессов. Вернемся к
вопросу задания весов (7), которые до этого предполагались известными. Здесь можно использовать два
взаимодополняющих метода.
Во-первых, веса wij могут назначаться исходя из эмпирических и эвристических соображений о
природе действовавших геологических процессов. Конкретные значения wij задаются на основе
экспертных оценок, основанных на имеющемся опыте работы с рассматриваемыми обстановками
осадконакопления. Например, для таких оценок могут привлекаться результаты седиментологических
исследований, базирующихся на материалах бурения на прилегающих территориях. Данный подход
имеет преимущества на площадях с небольшим числом скважин, охарактеризованных керном, либо для
непредставительных выборок керна.
Второй метод основан на статистическом анализе фаций, определенных по керну. Пусть при таком
анализе была разработана система фаций {Jq}, которая, как правило, не совпадает с набором
каротажных фаций {Fi}. Для выполнения корректной увязки результатов этих исследований достаточно
выполнить оценку весов bqj=P(gj|Jq), обозначающих вероятность появления j-го базисного литотипа
в q-й керновой фации (аналог весов wij для набора каротажных фаций). Эти величины оцениваются в
процессе седиментологического анализа керна по комплексу структурно-текстурных показателей и других
признаков, являющихся диагностическими признаками процессов осадконакопления в керне.
Кроме того, потребуются оценки вероятностей Piq=P(Jq|Fi) появления керновых фаций {Jq} в
обстановках, отвечающих каротажным фациям {Fi}. Данные параметры могут быть оценены по
результатам статистического анализа фаций керн-ГИС.
После этого переход к коэффициентам wij выполняется следующим образом:

wij  Pg j | Fi    Pg j | J q PJ q | Fi    Piqbqj .


NJ NJ
(19)
q 1 q 1

Следует отметить, что в связи с наличием непосредственных диагностических признаков


геологических процессов в керновом материале, определение коэффициентов bqj =P(gj|Jq), как правило,
выполняется с гораздо меньшей степенью неопределенности, чем непосредственное задание весов wij
для каротажных фаций с помощью эвристического подхода. В связи с этим, по возможности, предпочтение
при определении весов wij следует отдавать методике, основанной на выражении (19). Некоторые
сложности в реализации второго подхода могут быть связаны с тем, что выборка данных керн-ГИС часто
является недостаточно представительной с точки зрения определения коэффициентов Piq=P(Jq|Fi). Это
может являться причиной необходимости выполнения коррекции параметров Piq либо wij на основе
априорных геологических представлений. Дополнительную помощь в этом вопросе способно оказать
применение различных инструментов кластерного анализа, основанного на оценке меры сродства фаций
по частоте соответствующих фациальных переходов (выражение (15)). Задача введения метрики
пространства фаций непосредственно с использованием данного коэффициента часто не может быть
решена корректно из-за отсутствия в нем информации о степени близости между генетически не
связанными фациями. Однако на качественном уровне получаемые иерархические схемы кластеров
должны увязываться с информацией, закладываемой в весах wij.

ПОСТРОЕНИЕ АПРИОРНОЙ МОДЕЛИ


После выполнения параметризации с использованием выражений (18) производится расчет
значений оцененных факторов вдоль стволов скважин, а затем осуществляется их интерполяция в
межскважинном пространстве с применением методов геостатистики. Поскольку оси координат,
получаемые при факторизации матрицы различий, являются ортогональными, интерполяция значений
каждого фактора может выполняться независимо от остальных. Это является существенным
преимуществом такой параметризации геологической модели. Кроме того, во многих случаях полученным
«обобщенным геологическим переменным» можно дать физическую интерпретацию и статистически
связать их с некоторыми внешними характеристиками (такими, например, как палеоструктурный план).

17
Подобные корреляционные зависимости могут быть использованы при интерполяции, что дополнительно
помогает снизить уровень неопределенности получаемых моделей.
Затем на основе созданной пространственной модели распределения значений геологических
факторов {x} рассчитываются вероятности присутствия фаций P(Fi) в каждой ячейке сеточной модели.
Для начала оцениваются условные вероятности P(Fi|x), определяющиеся точностью факторизации
фациального многообразия и «внешними» априорными вероятностями фаций, которые по каким-то
причинам не были учтены при параметризации и интерполяции геологических факторов. Если
дополнительная информация, позволяющая задать эти внешние по отношению к построенной
фациальной модели ограничения, отсутствует, то величина P(Fi|x) будет определяться главным образом
«расстоянием» до точек фаций в пространстве «обобщенных геологических переменных». Затем
осуществляется учет погрешности интерполяции геологических факторов в межскважинное пространство:

P ( Fi )   P( F | x) p x dx .
melas
i int

Здесь pint x  – распределение вероятностей значений «обобщенных геологических переменных»,


полученных в результате их оценки в ячейках сеточной модели.
В качестве количественного показателя уровня неопределенности фациальной модели может
быть использована величина энтропии:

H F    P Fi  ln P Fi . (20)


i

После того как получена модель пространственного распределения априорных вероятностей


фаций P( Fi ), проведен анализ петрофизических характеристик каждой из фаций и выполнено
петроупругое моделирование, начальное приближение для сейсмической инверсии рассчитывается на
основе выражения (5). В ряде случаев, когда диапазоны изменений упругих свойств внутри фаций
незначительны, а корреляционные связи между упругими и литолого-емкостными свойствами слабы,
расчет начальной модели упругих параметров может быть выполнен по упрощенной схеме, минуя этап
петроупругого и петрофизического моделирования. Для этого достаточно оценить условные
распределения вероятностей  ( melas | Fi ) на основе результатов статистического анализа данных
акустического и плотностного каротажа (при их наличии). После этого априорные распределения
вероятностей упругих параметров оцениваются следующим образом:

N
 prior(melas )    (melas | Fi ) PFi  . (21)
i 1

Следует отметить, что представленная методика параметризации геологической информации


применима главным образом к литофациальным моделям. Учет влияния насыщения, особенно
актуальный на месторождениях газа и легкой нефти, не вызывает принципиальных трудностей. Для этого
достаточно расширить исходный набор фаций, добавив в него элементы, отвечающие породам с
необходимыми типами насыщения, и оценить для них соответствующие вероятности. Такой способ учета
часто находит применение на практике [Ulvmoen, Omre, 2006; Marquez et al., 2013]. Однако при наличии
необходимых исходных данных выполнение расширенного комплекса исследований, включающего
построение петрофизической модели каждого литологического типа пород и проведение петроупругого
моделирования, может оказаться предпочтительным перед упрощенным статистическим подходом (21).

КОЛИЧЕСТВЕННАЯ ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ ИНВЕРСИИ


В самом общем варианте постановки задачи сейсмической инверсии (3) на выходе получается
оценка распределения вероятностей упругих параметров  post ( melas ), обусловленных сейсмическими
данными. На практике часто ограничиваются оценкой наиболее вероятных (либо средних) значений
параметров упругой модели melas и соответствующих величин стандартных отклонений. Другой подход
применяется при выполнении стохастической инверсии, в рамках которой рассчитывается большое число
18
реализаций упругих моделей. При достаточно большом их числе становится возможным оценить полное
распределение  post ( melas ).
Результаты инверсии могут быть использованы для оценки вероятностей фаций, обусловленных
полученными упругими параметрами melas :

 (melas | Fi ) PFi 
P( Fi | melas )  . (22)
 prior(melas )

Знаменатель в правой части (22) рассчитывается с использованием выражения (21).


Рассматриваемый здесь подход позволяет количественно оценить прирост информации, который
получается за счет привлечения результатов сейсмической инверсии. Для этого достаточно найти
разность энтропии априорной модели, определяемой (20), и энтропии модели, полученной в результате
применения (22):

I  H F   H F | melas   H F    PFi | melas  ln PFi | melas  . (23)


i

Однако следует иметь в виду, что данное выражение будет давать завышенный результат. В нем
не учитывается неопределенность прогноза фаций, связанная с погрешностями восстановления упругих
свойств из сейсмических данных. Соответствующая поправка может быть выполнена, если получена
оценка распределения  post ( melas ) из (3). При этом оказывается возможным оценить вероятности фаций,
обусловленные сейсмическими данными (а не упругими свойствами):

P ( Fi | d obs )   P( F | m
i elas ) post melas dmelas . (24)
melas

Оценка прироста уменьшения неопределенности фациальной модели за счет привлечения


сейсмических данных выполняется аналогично (23).
Еще раз отметим, что в отличие от выражения (1), в (22) используются генетические фации. Кратко
остановимся на вопросе перехода от них к системе петрофизических типов пород. В результате
седиментологического анализа получается набор фаций, не все из которых могут хорошо разделяться в
поле упругих параметров. Кроме того, одной из наиболее востребованных задач, ставящихся перед
количественной интерпретацией сейсмических данных и геологическим моделированием, является
прогноз коллекторских свойств. Разнообразие типов отложений, получаемое в процессе фациального
анализа, может не соответствовать такой постановке вопроса: часто на дальнейших этапах
моделирования месторождения целесообразно оперировать небольшим числом различных типов пород,
выделяемых по фильтрационно-емкостным параметрам без привязки к условиям образования (например:
коллектор/неколлектор).
Поэтому в большинстве случаев возникает необходимость выполнения агрегации
седиментологических фаций. В рамках рассматриваемого подхода эта процедура может быть выполнена
уже после проведения сейсмической инверсии, на этапе вероятностной классификации, основанной на
выражениях (22) или (24). Для этого достаточно указать набор коэффициентов P(Lj|Fi), которые
соответствуют вероятности появления литотипа Lj в условиях формирования фации Fi.
Иногда агрегацию предпочтительнее выполнять до проведения вероятностной классификации
результатов сейсмической инверсии. Это обычно связано с тем, что вместо функции правдоподобия
p ( melas |Fi), связывающей упругие свойства с обстановками осадконакопления, удобнее использовать
функцию p ( melas |Lj), оценка которой, как правило, лучше обоснована с физической точки зрения. При
решении данной задачи можно не только опираться на результаты статистического анализа, но и
применять богатый арсенал средств петроупругого моделирования. В этом случае для литологической
классификации результатов инверсии используется выражение (1), а априорные вероятности P(Li)
оцениваются из построенной модели седиментационных фаций с использованием условных
вероятностей P(Lj|Fi).

19
Помимо расчета вероятностей появления литотипов рассмотренный подход предоставляет
возможность для выполнения обоснованного прогноза петрофизических характеристик резервуара,
согласованного с построенной фациальной моделью и результатами сейсмической инверсии. Если для
каждого литотипа Li выполнена оценка плотности вероятности инженерно-петрофизических параметров,
обусловленных упругими свойствами p ( mres | melas , Li), то оцененные значения вероятностей появления
литотипов используются в качестве весов для оценки вероятностных распределений параметров mres при
заданных упругих характеристиках:

pmres | melas    pmres | melas , Li P( Li | melas ) . (25)


i

Данное выражение позволяет не только перейти от результатов инверсии сейсмических данных к


кубам таких параметров, как пористость и глинистость, но и оценить неопределенность такого прогноза.
Более того, аналогично переходу от (22) к (24), если в результате инверсии удалось выполнить оценку
функции распределения  post ( melas ), то с использованием (25) может быть сделан переход к
распределению вероятностей петрофизических параметров, обусловленных сейсмическими данными
d obs :
p mres | d obs    pm res | melas  post melas dmelas . (26)
melas

Оценки прироста информации при прогнозе за счет привлечения данных сейсморазведки


выполняются аналогично (23).

СЛОЖНЫЕ СЕДИМЕНТАЦИОННЫЕ СИСТЕМЫ


Рассмотренная методика количественного учета априорной геологической информации основана
на параметризации обстановок осадконакопления, разнообразие которых связано с совместным
действием нескольких базисных процессов. Для непосредственного применения выражений (16) и (17)
необходимо, чтобы для любых двух базисных обстановок существовало непустое множество фациальных
переходов, которым отвечает ненулевая вероятность перехода между этими базисными литотипами.
Другими словами, данные выражения позволяют ввести метрику и задать единую систему обобщенных
координат на подмножестве фаций, характеризующихся общим набором базисных обстановок. Однако
область применения изложенного метода может быть расширена и на более сложные седиментационные
системы, состоящие из нескольких подсистем, характеризующиеся своим набором базисных процессов.
Каждому из таких подмножеств генетически связанных фаций можно поставить в соответствие некоторую
область фациального многообразия, на которой может быть введена метрика и задана своя система
координат. Эти локальные «карты» объединяются в «атлас» фациального многообразия. Если наборы
базисных процессов этих подсистем имеют непустое пересечение, то получаемая модель фациального
многообразия является односвязной. В некоторых случаях, при соблюдении ряда условий, между этими
системами координат может быть осуществлен переход при помощи невырожденного
взаимооднозначного преобразования. В такой ситуации оказывается возможно ввести единую систему
координат на всем многообразии, используя отображения отдельных «карт» друг на друга. Но
метрические свойства при таких преобразованиях координат, вообще говоря, не сохраняются. Для более
общих ситуаций такого взаимооднозначного невырожденного отображения между отдельными «картами»
многообразия может не существовать. Более того многообразие может даже не являться односвязным.
Поэтому в общем случае для параметризации сложных седиментационных систем целесообразно
применять подход, основанный на построении иерархических моделей обстановок (рис. 4). Каждый узел
промежуточного слоя такой модели отвечает набору генетически связанных фаций из нижележащего
уровня, которые являются его «потомками». Каждому уровню иерархической модели отвечают свои
многообразие обстановок и соответствующее ему симплициальное разбиение, вершины которого
соответствуют базисным обстановкам данного уровня. По мере продвижения вниз по иерархии модели
количество базисных обстановок увеличивается, а структура самих многообразий усложняется. Узлы
иерархической модели, имеющие общего «родителя», характеризуются общим набором базисных
литотипов и принадлежат одной «карте» фациального многообразия данного уровня, на которой задается
метрика при помощи изложенного выше подхода.
20
Рис. 4. Абстрактный пример седиментационной системы, содержащей две подгруппы обстановок A1 и А2, фациальное
разнообразие внутри которых определяется частично перекрывающимися наборами базисных процессов {g1,g2,g3} и
{g2,g3,g4}. Каждая подгруппа может быть параметризована своей системой «обобщенных геологических переменных»,
задающих «карты» соответствующих областей фациального многообразия. Фации F5, F6, F7 присутствуют на двух
«картах». Полная параметризация всей системы осуществляется путем задания вероятностей P(A1) и P(A2) и
значений «обобщенных геологических координат» для подсистем {F1,..,F7} и {F5,..,F9,…}

Применительно к модели, изображенной на рис. 4, параметризация всего многообразия


обстановок осуществляется с использованием пяти факторов: по два фактора на подмножества фаций
{F1,..,F7} и {F5,..,F9,…} и один фактор, задающий вероятности появления самих «макрофаций» A1 и A2.
Следует подчеркнуть, что для того чтобы изложенный подход можно было использовать для
параметризации фациальной модели, обстановки одного уровня иерархической схемы должны
характеризоваться одинаковыми значениями неопределенности задания условий осадконакопления. В
противном случае использование меры сходства должно базироваться не на коэффициенте Бхаттачаррия
(10), а на коэффициенте Чернова (12).
Интересно отметить следующее свойство получаемых таким образом моделей. При переходе от
нижних уровней к верхним минимальное количество базисных обстановок, необходимых для задания
симплициальных комплексов, уменьшается. При этом две вершины симплициального комплекса
соединяются ребром, если соответствующие базисные процессы участвуют в формировании условий
хотя бы одного подмножества генетически связанных фаций (имеющих общий «родительский» узел). С
другой стороны, переход к верхним уровням иерархии сопровождается увеличением неопределенности
задания условий осадконакопления. Однако, если сохранить набор базисных обстановок неизменным, то
переход к вышележащим уровням иерархической модели будет сопровождаться появлением
дополнительных ребер в симплициальном комплексе, что эквивалентно увеличению энтропии модели.
Если в фациальной модели, отвечающей нижнему уровню иерархической схемы, вероятности перехода
между какими-то базисными литотипами были малы или равны нулю, то при последовательном смещении
на вышележащие уровни они увеличатся. При этом в целом будет наблюдаться уменьшение различий в
вероятностях появления базисных обстановок. В предельном случае на вершине иерархической схемы
фациальная модель характеризуется максимальной неопределенностью условий – любые две вершины
симплициального комплекса соединены ребром, т. е. возможны переходы между любыми двумя фациями
модели. Именно такой ситуации максимальной неопределенности условий седиментации отвечает
подход к заданию априорных вероятностей фаций в выражениях (1), (5), (21), (22) по пропорциям
литотипов, оцененных на основе анализа разрезов всех скважин изучаемой территории. Привлечение
генетической информации приводит к наложению ограничений на возможные фациальные переходы и
учету седиментационных трендов, что сопровождается уменьшением энтропии получаемой модели.

21
ЗАКЛЮЧЕНИЕ
Изложенный выше подход позволяет решить проблему учета априорной геологической
информации на количественном уровне, остро стоящую при выполнении комплексной интерпретации
геолого-геофизических данных. Получаемый при этом набор «обобщенных геологических координат»
описывает разнообразие условий образования исследуемых пород, т. е. параметризует причины,
приводящие к наблюдаемым вариациям свойств горных пород. Поэтому можно ожидать, что данные
переменные будут являться гиперпараметрами, определяющими (с некоторой погрешностью) все
остальные свойства геолого-геофизической модели. Существующие сегодня технологии совместного
анализа сейсмических и скважинных данных позволяют естественным образом на количественном уровне
увязать описание исследуемого объекта посредством набора таких гиперпараметров с алгоритмами
интерпретации материалов ГИС и сейсмической инверсии (см., например, [Eidsvik et al., 2002]). Поскольку
в результате предложенной методики получается пространственная модель вероятностей фаций
(литотипов), данный подход особенно хорошо подходит для комбинирования с технологиями
стохастической инверсии.
Отдельного обсуждения заслуживает этап интерполяции значений «обобщенных геологических
переменных» в межскважинное пространство. Очевидно, что на этом шаге должны учитываться
характеристики пространственной изменчивости геологической модели. Для решения данной задачи как
нельзя лучше подходят инструменты геостатистики. Использование вспомогательных сейсмических
атрибутов, отражающих информацию о структурном факторе и палеоплане (толщины между
отражающими горизонтами и производные от них параметры), а также различные характеристики,
связанные со структурой волновой картины (dip, когерентность, различные параметры кривизны и т. д.),
может привнести существенный вклад в снижение неопределенности геологической модели в
межскважинном пространстве. Дискуссионным является вопрос корректности использования
амплитудных атрибутов сейсмической записи для построения априорной модели. С одной стороны,
информация об амплитудах отражений непосредственно подвергается инверсии, поэтому не должна
участвовать в построении начального приближения. С другой стороны, в большинстве случаев при
геостатистической интерполяции важную роль играют не сами абсолютные значения амплитуд
отражений, а пространственная конфигурация амплитудных аномалий и границ различных зон, наличие
латеральных трендов и т. д., в то время как абсолютные значения параметров априорной модели
контролируются скважинами. Поэтому во многих ситуациях привлечение таких атрибутов является
целесообразным, хотя и должно выполняться с учетом особенностей работы алгоритмов сейсмической
инверсии или других технологий, в рамках которых планируется использовать полученную геологическую
модель.
Очевидно, что область применимости представленного подхода к построению априорных моделей
определяется тем, насколько сильна причинно-следственная связь между седиментационными
факторами и характеристиками горных пород, восстанавливаемыми при инверсии геофизических данных.
Как правило, такая связь выражена достаточно хорошо даже в тех случаях, когда присутствуют и другие
причины, оказывающие существенное влияние на различные физические параметры. Например,
известно, что диагенетические преобразования тесно связаны с изначальным фациальным составом
отложений [Ajdukiewicz, Lander, 2010; Morad et al., 2010]: на практике широко применяется разделение
трендов уплотнения для пород различной литологии при выполнении интерпретации сейсмических и
скважинных данных [Avseth et al., 2005]. Во многих случаях понимание условий формирования осадочных
пород позволяет точнее описывать и учитывать вариации свойств отложений, связанные со вторичными
преобразованиями и современным состоянием геологической среды. В связи с этим можно ожидать, что
даже в тех случаях, когда фациальная изменчивость не является единственным фактором,
контролирующим физические свойства, использование рассмотренного подхода способно значительно
снизить уровень неопределенности и повысить достоверность получаемых геолого-геофизических
моделей.

22
ПРИЛОЖЕНИЕ. РАСЧЕТ «ОБОБЩЕННЫХ КООРДИНАТ» ФАЦИЙ ПО МАТРИЦЕ РАЗЛИЧИЙ
Расчет значений «обобщенных геологических переменных» из величин (17) выполняется с
применением алгоритма Торгерсона [Torgerson, 1952], лежащего в основе классического метода
многомерного шкалирования [Дэйвисон, 1988; Borg, Groenen, 2005]. Метод базируется на идее
восстановления координат объектов по заданным расстояниям между ними. Он включает расчет
центрированной ковариационной матрицы и последующую ее факторизацию.
Пусть дана матрица различий D, элементами которой являются квадраты «расстояний» между N
объектами анализируемого множества (в рамках данной работы – базисными обстановками):

 0 d12 .. d1N 
 
d 0 .. d 2 N 
D   12 . (П.1)
: : : : 
 
d .. 0 
 1N d 2N

Переход к центрированной ковариационной матрице R осуществляется следующим образом:

1
R   JDJ . (П.2)
2

Здесь матрица J рассчитывается с помощью выражения

1 T
J  E l l,
N

где E – единичная матрица, N – размерность матрицы D (число сравниваемых объектов), а l = {1,1,…1} –


вектор-строка, составленная из N единиц.
В скалярных обозначениях выражение (П.2) записывается в следующем виде [Дэйвисон, 1988]:

rij  
1
d ij  d i*  d* j  d** . (П.3)
2

Здесь d ij – элемент матрицы D (квадрат «расстояния» между i-м и j-м объектом), di* – среднее
значение элементов i-й строки, d * j – среднее значение элементов j-го столбца, d** – среднее значение
элементов матрицы D.
Пусть далее V – матрица собственных вектор-столбцов матрицы R (единичной длины), а Λ –
матрица, на диагонали которой находятся соответствующие собственные значения. Тогда значения
координат объектов в новой факторизованной ортогональной системе определяются вектор-строками
матрицы X:

1
X  V 2 . (П.4)

Ковариационная матрица при такой замене координат не меняется (в силу RV=VΛ и VTV=E):

1 1
XX T  V 2  2V T  VV T  R .

С другой стороны, в силу VTV=E, матрица XTX=Λ является диагональной. То есть факторы,
отвечающие осям новой системы координат, являются статистически независимыми (выборочные
коэффициенты корреляции значений координат равны нулю), а выборочные дисперсии значений
координат равны собственным значениям матрицы R. Поэтому размерность координатного пространства
может быть уменьшена без существенной потери точности, путем отбрасывания факторов, отвечающих
малым собственным числам. При этом матрицы Λ и V в выражении (П.4) заменяются на матрицы Λ1 и V1,
23
отвечающие наибольшим собственным числам, а вместо матрицы X получается прямоугольная матрица
координат X1 с небольшим числом столбцов K<N:

1
X 1  V112 . (П.5)

Зная матрицу W весов базисных обстановок (7), координаты фаций получаются из рассчитанных
с помощью выражения (П.5) координат базисных обстановок X1 следующим образом:

Y  WX1 . (П.6)

Здесь i-я строка матрицы Y содержит K<N «обобщенных координат» i-й фации. Размерность
модели K определяется количеством факторов, значимых с точки зрения точности восстановления
исходной матрицы различий (П.1).
Выражение (П.6) является матричной формой (18).
Погрешность полученной параметризации определяется суммой отброшенных собственных
значений. Эта величина может быть использована при оценке распределений вероятностей P(Fi|x),
участвующих в расчете P(Fi) в (20) и (21).

БЛАГОДАРНОСТИ
Автор выражает глубокую признательность доктору геолого-минералогических наук, профессору
геологического факультета МГУ им М.В. Ломоносова Валентине Алексеевне Жемчуговой. Основные идеи,
нашедшие отражение в данной публикации, родились в результате многолетнего сотрудничества и
плодотворных дискуссий при совместной работе над производственными проектами по комплексной
интерпретации сейсмических и скважинных данных.

ЛИТЕРАТУРА
Гогоненков Г.Н. Изучение детального строения осадочных толщ сейсморазведкой. – М.: Недра, 1987. –
221 с.
Дэйвисон М. Многомерное шкалирование: методы наглядного представления данных. – М.: Финансы и
статистика, 1988. – 254 с.
Жемчугова В.А., Жуков А.П. Некоторые методологические аспекты комплексной интерпретации
сейсмических и скважинных данных // Приборы и системы разведочной геофизики. – 2015. – № 3. – С. 45–
53.
Жуков А.П., Жемчугова В.А., Эпов К.А., Федотов С.Л. Прогнозирование структуры и свойств природных
резервуаров на основе комплексной интерпретации сейсмических и скважинных данных // Технологии
сейсморазведки. – 2006. – № 1. – С. 69–78.
Кабанихин С.И., Искаков К.Т. Обратные и некорректные задачи для гиперболических уравнений. –
Алматы: КНПУ, 2007. – 330 с.
Кащеев Д.Е., Кирнос Д.Г. Использование имитационного аннилинга для инверсии данных
сейсморазведки // Геофизика. – 2002. – Специальный выпуск. – С. 75–79.
Крашенинников Г.Ф. Учение о фациях: Учеб. пособие. – M.: Высшая школа, 1971. – 368 с.
Одесский И.А. Пространственно-временное содержание породно-слоевых границ // Записки Горного
института. – 1992. – Т. 134. – С. 116–123.
Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. – М.: Наука, 1979. – 285 c.
Яковлев И.В., Ампилов Ю.П., Филиппова К.Е. Почти все о сейсмической инверсии. Часть 2 // Технологии
сейсморазведки. – 2011. – № 1. – С. 5–15.
Ajdukiewicz J.M., Lander R.H. Sandstone reservoir quality prediction: The state of the art // AAPG Bulletin. –
2010. – Vol. 94, No. 8. – P. 1083–1091.
Avseth P., Mukerji T., Mavko G. Quantitative seismic interpretation: Applying rock physics tools to reduce
interpretation risk. – Cambridge University Press, 2005. – 359 p.
Bhattacharyya A. On a measure of divergence between two statistical populations defined by their probability
distribution // Bulletin of the Calcutta Mathematical Society. – 1943. – Vol. 35. – P. 99–110.
24
Ball V., Tenorio L., Schiott C., Blangy J. P., Thomas M. Uncertainty in inverted elastic properties resulting from
uncertainty in the low-frequency model // The Leading Edge. – 2015. – Vol. 34, No. 9. – P. 1028–1030, 1032,
1034–1035.
Bohacs K., Suter J. Sequence stratigraphic distribution of coaly rocks: Fundamental controls and paralic
examples // AAPG Bulletin. – 1997. – Vol. 81, No. 10. – P. 1612–1639.
Borg I., Groenen P.J.F. Modern multidimensional scaling: Theory and applications. – NY: Springer, 2005. –
614 p.
Bosch M. The optimization approach to lithological tomography: combining seismic data and petrophysics for
porosity prediction // Geophysics. – 2004. – Vol. 69, No. 5. – P. 1272–1282.
Bosch M., Carvajal C., Rodriges J., Torres A., Aldana M., Sierra J. Petrophysical seismic inversion conditioned
to well-log data: Methods and application to a gas reservoir // Geophysics. – 2009. – Vol. 74, No. 2. – P. O1–O15.
Bosch M., Mukerji T., Gonzalez E.F. Seismic inversion for reservoir properties combining statistical rock physics
and geostatistics: A review // Geophysics. – 2010. – Vol. 75, No. 5. – P. 75A165–75A176.
Buland A., Kolbjørnsen O., Hauge R., Skjæveland Ø., Duffaut K. Bayesian lithology and fluid prediction from
seismic prestack data // Geophysics. – 2008. – Vol. 73, No. 3. – P. C13–C21.
Carroll A.R., Bohacs K.M. Stratigraphic classification of ancient lakes: Balancing tectonic and climatic controls
// Geology. – 1999. – Vol. 27, No. 2. – P. 99–102.
Catuneanu O., Galloway W.E., Kendall C.G.S.T.C., Miall A.D., Posamentier H.W., Strasser A., Tucker M.E.
Sequence Stratigraphy: Methodology and Nomenclature // Newsletters on Stratigraphy. – 2011. – Vol. 44, No. 3.
– P. 173–245.
Chernoff H. A measure of asymptotic efficiency for test of a hypothesis based on the sum of observations // The
Annals of Mathematical Statistics. – 1952. – Vol. 23, No. 4. – P. 493–507.
Colombera L., Mountney N.P., Mccaffrey W.D. A quantitative approach to fluvial facies models: Methods and
example results // Sedimentology. – 2013. – Vol. 60. – P. 1526–1558.
Dubrule O. Geostatistics for seismic data integration in Earth models. SEG/EAGE Distinguished Instructor Short
Course. – 2003. – 283 p.
Duijndam A.J.W. Bayesian estimation in seismic inversion. Part I: Principles // Geophysical Prospecting. – 1988.
– Vol. 36. – P. 878–898.
Duijndam A.J.W. Bayesian estimation in seismic inversion. Part II: Uncertainty Analysis // Geophysical
Prospecting. – 1988. – Vol. 36. – P. 899–918.
Dvorkin J., Gutierrez M.A., Grana D. Seismic reflections of rock properties. – Cambridge University Press, 2014.
– 352 p.
Eidsvik J., Mukerji T., Switzer P. Modeling lithofacies alternations from well logs using Hirarchical Markov Chains
// SEG Technical Program Expanded Abstracts. – 2002. – P. 2463–2466.
Eidsvik J., Avseth P., More H., Mukerji T., Mavko G. Stochastic reservoir characterization using prestack
seismic data // Geophysics. – 2004. – Vol. 69, No. 4. – P. 978–993.
Filippova K. Comparison of different techniques for generating stochastic models constrained with seismic
information // 76th EAGE Conference and Exhibition: Extended abstract. – 2014. – 4 p.
González E.F., Gesbert S., Hofmann R. Adding geologic prior knowledge to Bayesian lithofluid facies estimation
from seismic data // Interpretation. – 2016. – Vol. 4, No. 3. – P.SL1–SL8.
González E.F., Mukerji T., Mavko G. Seismic inversion combining rock physics and multiple-point geostatistics
// Geophysics. – 2008. – Vol. 73, No. 1. – P. R11–R21.
Grana D., Pirrone M., Mukerji T. Quantitative log interpretation and uncertainty propagation of petrophysical
properties and facies classification from rock-physics modeling and formation evaluation analysis // Geophysics.
– 2012. – Vol. 77(3). – P. WA45–WA63.
Grana D. Bayesian inversion methods for seismic reservoir characterization and time-lapse studies. Dis..,
Stanford University. – 2013. – 211 p.
Gunning J., Glinsky M. Delivery: An open-source model-based Bayesian seismic inversion program //
Computers and Geosciences. – 2004. – Vol. 30. – P. 619–636.
Gunning J.S., Kemper M., Pelham A. Obstacles, challenges and strategies for facies estimation in AVO seismic
inversion // 76th EAGE Conference & Exhibition: Extended abstract. – 2014. – 5 p.
Haas A., Dubrule O. Geostatistical inversion – a sequential method of stochastic reservoir modelling constrained
by seismic data // First Break. – 1994. – Vol. 12. – P. 561–569.

25
Harper C.W.J. Facies model revisited: an examination of quantitative methods // Geoscience Canada. – 1984. –
Vol. 11, No. 4. – P. 203–207.
Kemper M.A.C., Gunning J. Joint impedance and facies inversion – seismic inversion redefined // First Break. –
2014. – Vol. 32(9). – P. 89–95.
Larsen A.L., Ulvmoen M., Omre H., Buland A. Bayesian lithology/fluid prediction and simulation on the basis of
a Markov-chain prior model // Geophysics. – 2006. – Vol. 71(5). – P. R69–R78.
Marquez D., Saussus D., Bornard R., Jimenez J. Incorporating rock physics into geostatistical seismic inversion
– a case study // 75th EAGE Conference & Exhibition: Extended abstract. – 2013.
Mavko G., Mukerji T., Dvorkin J. The rock physics handbook. – Cambridge University Press, 2009. – 511 p.
Miall A.D. Markov chain analysis applied to an ancient alluvial plain succession // Sedimentology. – 1973. –
No. 20. – P. 347–364.
Morad S., Al-Ramadan K., Ketzer J.M., De Ros L.F. The impact of diagenesis on the heterogeneity of sandstone
reservoirs: A review of the role of depositional facies and sequence stratigraphy // AAPG Bulletin. – 2010. –
Vol. 94, No. 8. – P. 1267–1309.
Mukerji T., Avseth P., Mavko G., Takahashi I., Gonzalez E.F. Statistical rock physics: Combining rock physics,
information theory, and geostatistics to reduce uncertainty in seismic reservoir characterization // The Leading
Edge. – 2001. – Vol. 20. – P. 313–319.
Nielsen F. An information-geometric characterization of Chernoff information // IEEE Signal Processing Letters.
– 2013. – Vol. 20, No. 3. – P. 269–272.
Nielsen F. Chernoff information of exponential families // arXiv:1102.2684v1, 2011.
Nurgalieva N.G., Vinokurov V.M., Nurgaliev D.K. The Golovkinsky strata formation model, basic facies law and
sequence stratigraphy concept: historical sources and relations // Russ. J. Earth Sci. – 2007. – Vol. 9. – P. ES
1003.
Reading H.G. Clastic facies models, a personal perspective // Bulletin of the Geological Society of Denmark. –
2001. – Vol. 48. – P. 101–115.
Riegl B., Purkis S.J. Markov models for linking environments and facies in space and time (recent Arabian Gulf,
Miocene Paratethys) // Perspectives in Carbonate Geology: A Tribute to the Career of Robert Nathan Ginsburg.
– IAS Special Publication 41. – 2009. – P. 337–360.
Rimstad K., Omre H. Impact of rock-physics depth trends and Markov random fields on hierarchical Bayesian
lithology/fluid prediction // Geophysics. – 2010. – Vol. 75. – No. 4. – P. R93–R108.
Russell B.H. Introduction to seismic inversion methods. – Tulsa: SEG, 1988. – 178 p.
Sams M., Carter D. Stuck between a rock and a reflection: A tutorial on low-frequency models for seismic
inversion // Interpretation. – 2017. – Vol. 5, No. 2. – P. B17–B27.
Sams M., Millar I., Satriawan W., Saussus D., Bhattacharyya S. Integration of geology and geophysics through
geostatistical inversion: a case study // First Break. – 2011. –Vol. 29(8). – P. 47–56.
Sams M., Saussus D. Practical implications of low frequency model selection on quantitative interpretation results
// SEG Technical Program Expanded Abstracts. – 2013. – P. 3118–3122.
Saussus D., Sams M. Facies as the key to using seismic inversion for modelling reservoir properties // First
Break. – 2012. – Vol. 30, No. 7. – P. 45–52.
Scales J.A., Tenorio L. Prior information and uncertainty in inverse problems // Geophysics. – 2001. – Vol. 66,
No. 2. – P. 389–397.
Sen M.K. Seismic inversion. – SPE, 2006. – 120 p.
Sen M.K., Stoffa P.L. Nonlinear one‐dimensional seismic waveform inversion using simulated annealing //
Geophysics. – 1991. – Vol. 56, No. 10. – P. 1624–1638.
Stien M., Kolbjørnsen O. Facies modeling using a Markov mesh model specification // Mathematical
Geosciences. – 2011. – Vol. 43. – P. 611–624.
Tarantola A. Inverse problem theory and methods for model parameter estimation. – SIAM, 2005. – 342 p.
The sedimentary record of sea-level change / edited by Angela L. Coe. – Cambridge, UK: Cambridge University
Press and the Open University, 2003. – 287 p.
Torgerson W.S. Multidimensional scaling: I. Theory and method // Psychometrica. – 1952. – Vol. 17, No. 4. – P.
401–419.
Ulvmoen M., Omre H. Improved resolution in Bayesian lithology/fluid inversion from prestack seismic data and
well observations: Part 1 – Methodology // Geophysics. – 2010. – Vol. 75, No. 2. – P. R21–R35.

26
Walker M., Grant S., Conolly P., Smith L. Stochastic inversion for facies: A case study on the Schiehallion field
// Interpretation. – 2016. – Vol. 4(3). – P. SL9–SL20.
Wang J., Huang X. Seismic inversion constrained by well data and geological facies // 79th Annual SEG
International Meeting: Expanded Abstracts. – Tulsa, 2009. – P. 2477–2481.
Xiuwei Y., Zhu P. A fast stochastic impedance inversion under control of sedimentary facies based on
geostatistics and gradual deformation method // SEG Technical Program Expanded Abstracts. – 2016. – P. 3746–
3750.
Zavala C., Carvajal J., Mercano J., Delgado M. Sedimentological indices: A new tool for regional studies of
hyperpycnal systems // Sediment transfer from shelf to deepwater – Revisiting the delivery mechanisms:
Conference Proceedings. – 2008. – Article #50076. – 7 p.
Zhao X., Jin F., Liu L., Xiao Y., Wang L. Improve impedance inversion by adopting seismic sedimentary-guided
a priori model // Interpretation. – 2016. – Vol. 4(3). – P. T313–T322.

КОРОТКО ОБ АВТОРЕ
ЭПОВ Кирилл Александрович – окончил геологический факультет МГУ им. М.В. Ломоносова, кафедру
сейсмометрии и геоакустики. В настоящее время работает старшим геофизиком компании АО «Руспетро».
Сфера профессиональных интересов: количественная интерпретация сейсмических данных,
петроупругое моделирование, сейсмическая инверсия, геостатистика.

27