Modelowanie profilowania geofizyki otworowej na podstawie innych pomiarów z wykorzystaniem sztucznych sieci neuronowych

Abstract

Celem projektu było modelowanie wartości czasu interwałowego (DT) w profilowaniu akustycznym i gęstości objętościowej (RHOB) w profilowaniu gamma-gamma gęstościowym w oparciu o dostępne dane otworowe z wykorzystaniem sztucznych sieci neuronowych (SSN). Modelowanie zostało wykonane dla klastycznych (iłowcowo-mułowcowo-piaskowcowych) utworów miocenu, występujących w profilach analizowanych otworów wiertniczych. Dla wstępnego rozpoznania zmienności ośrodka geologicznego oraz optymalnego podziału zbioru danych wejściowych do pracy z SSN wykorzystano metodę k-średnich i algorytm V- krotnego testu krzyżowego. Przetestowano wpływ różnych parametrów na efektywność uczenia SSN i wykonano modelowanie zadanych parametrów w oparciu o optymalnie dobrane sieci neuronowe dla otworu Ci-1. Stwierdzono, że wykonanie wiarygodnego modelowania zależy nie tylko od doboru zmiennych, lecz także od sposobu konstrukcji zbioru uczącego. Stwierdzono również, że pozytywne rezultaty przynosi zastosowanie metody k–średnich do wstępnego opracowania zbioru dostępnych danych, które pozwala na zoptymalizowanie procesu uczenia sieci.

The main aim of the Engineering Project was interval transit time (DT) in sonic log and bulk density (RHOB) in gamma-gamma log modelling based upon available well logging data with artificial neural networks (ANN). Modelling was provided for the Miocene siliciclastic (claystones-mudstones-sandstones) sediments. Initial exploration of the data variability and a division of the input data for efficient ANN learning has been realised by statistical k- means and V-fold cross validation methods. Impact of different factors on ANN learning process was investigated. There were prepared ANNs models of interval transit time (DT) in sonic log and bulk density (RHOB) in gamma-gamma log for well Ci-1. It was found that calculation of a reliable ANN model depends not only on input variables selection but the division of data sets too. Moreover, application of k -means clustering is useful for optimisation in ANNs application.