1. 1(28)2020
  2. Побудова швидкісної моделі поперечної хвилі для складноструктурного геологічного середовища з використанням нейронної мережі (на прикладі даних Південно-Каспійського басейну

Побудова швидкісної моделі поперечної хвилі для складноструктурного геологічного середовища з використанням нейронної мережі (на прикладі даних Південно-Каспійського басейну

JGD.
2020;
Випуск 1(28)2020, Номер 1(28)
: 71-80
https://doi.org/10.23939/jgd2020.01.071
Надіслано: Лютий 10, 2020
Автори:
  1. Х. Б. Агаєв
  2. Р. Н. Кулієв
  3. Ш. З. Якубова
1
Інститут геології та геофізики АНА
2
Інститут геології та геофізики АНА
3
Інститут геології та геофізики АНА

Мета. Розробка методу прогнозування двох-трьох мірної швидкісної моделі середовища поперечної хвилі. Досліджується складноструктурне геологічне середовище на базі геофізичних і геологічних даних із застосуванням штучної нейронної мережі. Метод. передбачає побудову та використання моделей середовища за даними геофізичних досліджень свердловин, сейсморозвідки та інших наземних геофізичних методів. На відміну від існуючих методів, в пропонованому методі використовуються також додаткові дані про середовище: про термодинамічний стан середовища, стратиграфічну приуроченість відкладень, літологію порід, розподіл кластерів даних, фізичні властивості середовища та інші. Згідно з методом, спочатку будуються одномірні моделі за різними властивостями середовища на основі даних комплексу геофізичних досліджень свердловин. Потім за сукупністю моделей нейронна мережа вивчається для прогнозування швидкості поперечної хвилі. В подальшому будуються двох-трьох мірні моделі середовища за результатами наземних геофізичних досліджень. З використанням сукупності цих моделей прогнозується двох-трьох мірна швидкісна модель поперечної хвилі. Результати. Із застосуванням методу спрогнозована швидкісна модель поперечної хвилі для складноструктурного геологічного середовища Південно-Каспійського басейну. Наукова новизна. Шляхом збільшення кількості типів використаних даних забезпечується підвищення точності прогнозування моделі середовища. Практична цінність. Підвищення ефективності сейсморозвідки при визначенні нафтогазонасиченості, пружного геодинамічного стану та інших фізичних властивостей геологічного середовища.

сейсморозвідка
хвиля тиску і зсуву
сейсмічні швидкості
середня модель
передбачення
нейронна мережа
  1. Aghayev, Kh. B. (2012). Prediction of the shear waves velocities model accoding to the data of Geophysical researches of wells and seismic-survey using neural networks. Geoinformatika, 4(44), 46-52. (in Russian).
  2. Aghayev, Kh. B. (2013). The use of cluster analysis for disassembling a geological section accoding to well logging data. Karotajnik. Tver. 5, 3–11. (in Russian).
  3. Bouska, J., & Johnston, R. (2005). The first 3D/4-C ocean bottom seismic surveys in the Caspian Sea: Acquisition design and processing strategy. The Leading Edge, 24(9), 910-921.http://dx.doi.org/10.1190/1.2056392.
  4. Burger, H. R., Sheehan, A. F., and Jones, C. H. (2006). Introduction to Applied Geophysics: Exploring the shallow subsurface W.W. Norton & Co., New York, 554 pp.
  5. Castagna, J., Backus, M. (1993). Offset-dependent reflectivity: theory and practice of AVO analysis. Investigations in Geophysics Series, Soc. Expl. Geophysics, January, vol 8, 348 p. 
  6. Castagna, J. P., Batzle, M. L. and Eastwood, R. L. (1985).  Relationships between compressional-wave and shear-wave velocity in clastic silicate rocks. Geophysics, Vol. 50(4), 571-581. http://dx.doi.org/10.1190/1.1441933.
  7. Chashkov, A. V. and Valery, V. M. (2011). Use of the Cluster Analysis and Artificial Neural Network Technology for Log Data Interpretation.  Journal of Siberian Federal University. Engineering & Technologies, 4(4), 453–462. http://elib.sfu-kras.ru/handle/2311/2485.
  8. Eberhart, P. D., Han, D. H., Zoback, M.D. (1989). Empirical relationships among seismic velocity, effective pressure, porosity, and clay content in sandstone, Geophysics, 54, 1, pp. 82–89. https://doi.org/10.1190/1.1442580.
  9. Ellis, D. V., & Singer, J. M. (2007). Well logging for earth scientists (Vol. 692). Dordrecht: Springer. https://doi.org/10.1007/978-1-4020-4602-5.
  10. Eskandari, H., Rezaee, R. and Mohammadnia, M. (2004). Application of Multiple Regression and Artificial Neural Network Techniques to Predict Shear Wave Velocity from Well Log Data for a Carbonate Reservoir, South-West Iran. Cseg Recorder, 42–48.
  11. Garotta, R. J. (2000). Transverse waves: from registration to interpretation. Short Course of Lectures for Higher Education Institutions, Society of Geophysicists-Scouts (SEG), 226 p.
  12. Gholami, R., Moradzadeh, A., Rasouli, V., and Hanachi, J. (2014). Shear Wave Velocity Prediction Using Seismic Attributes and Well Log Data, Acta Geophys. Vol 62, 818-848. doi: 10.2478/s11600-013-0200-7.
  13. Guliev, H. H., and Aghaev, Kh. B. (2010). The seismic sections modeling accounting the stressed state of the medium. Geodynamics, No. 1 (9), p. 81–86. (in Russian).
  14. Guliyev, H., Aghayev, Kh., Mehraliyev, F. and Ahmadova, E. (2019). Determination of the physical properties of complexly constructed media using near-surface crosswell method. Visnyk of Taras Shevchenko National University of Kyiv: Geology. 3(86). 13-20. http://doi.org/10.17721/1728-2713.86.02
  15. Guliyev, H. H., Aghayev, Kh. B. and Shirinov, N. M. (2010). The Research of the Influence of the Pressure to the Values of Elastic Parameters of Geological Medium on the Basis of Seismic and Well Data. Visnyk of Taras Shevchenko National University of Kyiv: Geology, 50. 10–16.
  16. Guliyev, H. H., Aghayev, Kh. B. and Sultanova G. A. (2019). Determination of stress in the geological medium on the basis of well data using acoustoelastic correlations. International Journal of Geophysics 41(6):173–182.
  17. Habib Akhundi, Mohammad Ghafoori, and Gholam-Reza Lashkaripour. (2014). Prediction of Shear Wave Velocity Using Artificial Neural Network Technique, Multiple Regression and Petrophysical Data: A Case Study in Asmari Reservoir (SW Iran) Open Journal of Geology, 4, 303-313.
  18. Krief, M., Garat, J., Stellingwerff, J., and Ventre J. (1990). A petrophysical interpretation using the velocities of P and S waves (full-waveform sonic), The Log Analyst 31, 8, 355-369.
  19. Meltem, Akan. (2016). Processing and Interpretation of Three-Component Vertical Seismic Profile Data, Ross Sea, Antarctica. Graduate Theses & Non-Theses, 64, 90 p. https://digitalcommons.mtech.edu › viewcontent.
  20. Poulton, M.M. (2002). Neural networks as an intelligence amplification tool: A review of applications. Geophysics 67(3), 979–993. doi: 10.1190/1.1484539.
  21. Puzyrev N. N., Trigubov A. V., Brodov L. Yu., Vedernikov G. V., Lebedev K. A. (1985). Seismic exploration by the method of transverse and converted waves / M.: Nedra, 277 p.  (in Russian).
  22. Robert, R. Stewart, James E. Gaiser, R. James Brown, and Don C. Lawton. (2002). Converted‐wave seismic exploration: applications. Geophysics 68(1): 40-57. doi: 10.1190/1.1543193.
  23. Saeed Parvizi, Riyaz Rharrat, Mohammad R. ASEF, Bijan Janangiry and Abdolnabi Hashemi. (2015). Prediction of the Shear Wave Velocity from Compressional Wave Velocity for Gachsaran Formation. Acta Geophysicavol. 63(5), 1231-1243. doi: 10.1515/acgeo-2015-0048.
  24. Schön, J. H. (2015). Physical properties of rocks: Fundamentals and principles of petrophysics. Elsevier. https://trove.nla.gov.au/work/9281433
  25. Shahoo Maleki, Ali Moradzadeh, Reza Ghavami Riabi, Raoof Gholami, and Farhad Sadeghzadeh. (2014). Prediction of shear wave velocity using empirical correlations and artificial intelligence methods.  NRIAG Journal of Astronomy and Geophysics 3, 70–81. doi:10.316/j.nrjag.2014.05.001.
  26. Veeken, P. C. H., and Silva, Da M. (2004). Seismic inversion methods and some of their constraints: First Break, 22, 47-70. doi: 10.3997/1365-2397.2004011.
  27. Volarovich, M. P., Bayuk, E. I., Levykin A. I., and Tomashevskaya, I. S. (1974). Physico-mechanical properties of rocks and minerals at high pressures. Publishing House "Science", 1-123 p. (in Russian).
  28. Voskresensky, Yu. N. (2001). The study of changes in the amplitudes of seismic reflections for the search and exploration of hydrocarbon deposits. Russian State University of Oil and Gas named after THEM. Gubkin. Moscow: Ministry of Education of the Russian Federation. 69 p. (in Russian).
  29. Yilmaz, Oz. (2001). Seismic data analysis: processing, inversion and interpretation of seismic data. Society of Exploration Geopysicists. Investigations in geophysics, 2, Tulsa, SEG, 2027