МОЗ (машинное обнаружение закономерностей)

Машинное обнаружение закономерностей активно применяется в ситуациях, когда отсутствие информации непосредственно об объекте моделирования восполняется за счёт учёта косвенных данных. Получение косвенной информации нередко сводится к МОЗ, которое заключается в обнаружении связей между параметрами «хорошо» изученных (или «хорошо видимых» сейсморазведкой) объектов и моделируемого объекта.

Различного рода зависимости между геологическими, геофизическими, геохимическими и т.п. параметрами, выявленные при изучении смежных территорий либо в пределах полигона моделирования, являются эффективным инструментом контроля процесса моделирования, верификации баз данных и результирующей модели. Они же являются важнейшим источником косвенной информации и в этом качественезаменимы при картировании «плохо видимых» сейсморазведкой и, соответственно, трудно определяемых горизонтов. Это же относится и к слабо изученным сейсморазведкой и бурением горизонтам.

Так, например, при моделировании региональных, зональных или локальных нефтегазоперспективных объектов в нефтегазоносном бассейне чаще всего ищутся и используются на практике стохастические зависимости вида Y=f(X), где Y – картируемый параметр, значения которого известны по редкой сети наблюдений, X – вектор параметров, значения которых известны по более плотной сети наблюдений. Пример такой зависимости:

v (x,y) @ lz (x,y) + ax+by+c,

где x,y – координаты, z(x,y) – график «хорошо» видимой в сейсмическом разрезе геологической поверхности, v (x,y) – график слабо видимой и трудно выделяемой поверхности, l>0 – так называемый коэффициент выполаживания, a,b,c - коэффициенты при x, y и свободный член.Эта зависимость вытекает из анализа структурных взаимоотношений, проведённого Гольдиным (1971). В дальнейшем будем называть её моделью Гольдина. Использована А.М. Волковым и др. (1981, 1988 и др.) для учёта косвенной информации. В следующем выпуске она и способы её применения будут подробно описаны.

МОЗ активно используется при моделировании отметок и толщин флюидоупоров и проницаемых комплексов природных резервуаров УВ, прогнозе их пористости и проницаемости и других параметров. Примеров МОЗ при моделировании геологических объектов в нефтегазоносных бассейнах можно было бы привести довольно много. Причём МОЗ может оказаться полезным при любом уровне изученности регионального, зонального или локального объекта

Для МОЗ, в частности, используется множественный линейный регрессионный анализ, а верификация регрессионных моделей производится, например, через вычисление рангового коэффициента корреляции Спирмена между фактическими и расчётными значениями моделируемого параметра. Эта проверка заключается в установлении достоверности связи между фактическими и расчётными значениями. Могут применяться и другие, в том числе непараметрические, методы, алгоритмы и показатели прикладной статистики, например, нелинейный регрессионный анализ (нелинейное оценивание), представленный в программном продукте Statistica for Windows. Кроме того, не лишней, как и всегда, является геологическая интерпретация выявленных зависимостей.

Что касается программного обеспечения, то для МОЗ с успехом применяются программные продукты, созданные для статистической обработки данных. Отметим, в частности, упоминавшийся уже продукт Statistica for Windows.

Отметим также и стохастические константы – частный случай решающих правил распознавания. Пример их использования для южных и центральных районов Западно-Сибирской НГП: если толщина юры («хорошо» измеримый параметр) не меньше некоторой величины d (метров), то тогурская свита («плохо» наблюдаемое тело в нижне-среднеюрских отложениях) присутствует в разрезе юры (Конторович В.А., 1992, 1995). Наличие таких констант обычно выявляется при анализе информации из региональных баз стратиграфических разбивок. Типичная ситуация – нет «общей» константы d для всего Западно-Сибирского нефтегазоносного бассейна, однако, на уровне отдельных крупных регионов типа южных и центральных областей Западной Сибири, подобные константы во многих случаях прослеживаются.