Sztuczne sieci neuronowe dla uzupełnienia danych w geofizyce otworowej - wybrane przykłady

Abstract

Artificial Neural Networks were used for reconstruction of well logs. Transit interval time recorded during acoustic log, bulk density as a result of gamma-gamma log and apparent resistivity were reconstructed on the basis of available logs. Perceptrons were chosen and the back propagation method was applied as the most effective training algorithm. Perceptrons with a few input neurons and at least a few neurons in a hidden layer turned out in reconstructing parameters. Basic statistics calculated for the reconstructed parameters compared to the measured or estimated ones acted as measures of correctness of solutions delivered by the networks. Intervals containing rocks of complex lithology and diversified stratigraphy turned out to be the most difficult to interpret. Results were applied in seismics, gravimetric and magnetotelluric interpretations. Wykorzystano sztuczne sieci neuronowe do odtwarzania profilowań geofizyki otworowej. Na podstawie dostępnych profilowań geofizyki wiertniczej odtworzono czas interwałowy rejestrowany przy profilowaniu akustycznym, gęstość objętościową będącą wynikiem profilowania gamma-gamma oraz oporność pozorną. Wybrano perceptrony i wsteczną propagację błędu jako metodę nauczania. Najbardziej skuteczne przy odtwarzaniu parametrów okazały się perceptrony z kilkoma neuronami na wejściu i przynajmniej kilkoma neuronami w warstwie ukrytej. Miarą poprawności wyników dostarczanych przez sieci były podstawowe statystyki obliczane dla odtworzonych parametrów w porównaniu z wynikami pomiarów lub estymacji. Najtrudniejsze do opracowania okazały się interwały, w których skały miały skomplikowaną litologię i zróżnicowaną przynależność stratygraficzną. Wyniki wykorzystano dla potrzeb interpretacji sejsmicznej, grawimetrycznej i magnetotellurycznej.