Академический Документы
Профессиональный Документы
Культура Документы
ru
doi: 10.18303/1813-4254-2017-2-5-27 УДК 550.834
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
_____________________
p(melas | Li ) PLi
P( Li | melas ) . (1)
p prior(melas )
6
Прогноз коллекторских свойств ( mres ) может быть осуществлен следующим образом:
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
pmres | 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.
N
prior(mres , melas ) rockphys(melas | mres , Fi ) mres | Fi PFi . (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)
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:
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 .
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 PError | x p( x)dx min PFs | x , PFp | 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
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]:
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
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
N sp wsi w pj
Cij . (16)
s ps 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):
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:
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
N
prior(melas ) (melas | Fi ) PFi . (21)
i 1
(melas | Fi ) PFi
P( Fi | melas ) . (22)
prior(melas )
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
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:
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
1
R JDJ . (П.2)
2
1 T
J E l l,
N
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 VV 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 V112 . (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