Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
Подписываем
2 слайд
Основные этапы построения 3D-геологической модели – литологическое моделирование, результатом которого является создание куба литологии, заполненного индексами, определяющими фациальную принадлежность ячеек трехмерной геологической сетки, и петрофизическое моделирование, результатом которого являются поля основных подсчетных параметров – пористости, проницаемости, нефтенасыщенности. Суть моделирования свойств заключается в распределении свойств между скважинами таким образом, чтобы реалистично сохранить гетерогенность пласта и обеспечить соответствие со скважинными данными.
3 слайд
Для решения этих задач используются два подхода – детерминистский и стохастический. При использовании детерминистского подхода природная неоднородность сохраняется в геологической модели только в случае использования геолого-геофизической информации по большому количеству скважин, вскрывших продуктивный интервал достаточно плотной сеткой. Стохастические методы моделирования основаны на математических алгоритмах, использование которых базируется на аппарате геостатистики. Часто применение стохастических методов связано с субъективной оценкой задаваемых при моделировании параметров, не связанных с результатами оценки геологической неоднородности продуктивного интервала. Проблема оценки параметров для геологического моделирования, их связи с неоднородностью геологической среды и влияния на прогноз добычных свойств нефтяных и газовых пластов является актуальной.
Оба подхода зарекомендовали себя как надежные инструменты моделирования в ситуациях достаточно полно представленных наборов данных.
4 слайд
Детерминистическое моделирование – моделирование свойств пласта, при задании одних и тех же параметров которого получается один и тот же результат.
Если вы представите три точки в прямой линии с устойчиво увеличивающимися значениями, вы могли бы допустить, что это тренд через все данные. Однако, три точки это не очень много, и также может быть, что те данные которые вы выбрали, сильно изменяются, и вам посчастливилось получить повышающиеся данные, т.е. если бы выбирали снова в тех же самых областях, то вполне вероятно, что вы имели бы самое высокое значение в середине или на противоположном конце. Реальное распределение кого-либо параметра может выглядеть следующим образом (показываем на появляющуюся синюю кривую). Т.е. детерминированное моделирование не учитывает, насколько полученные нами исходные данные случайны. Поэтому детерминированные методы дадут адекватные результаты лишь при большом объёме исходной информации (показываем на второй график).
При применении детерминированных методов для малого числа скважин, важно определить, существует ли тренд на самом деле или нет, и игнорировать тренды, если они кажутся неправдоподобными.
5 слайд
Стохастические (или вариантные) алгоритмы, такие как Sequential Gaussian Simulation (последовательная имитация (моделирование) Гаусса), являются более сложными, и поэтому занимают больше времени для выполнения, но они учитывают больше аспектов входных данных, особенно изменчивость входных данных. Это означает, что в результате будут появляться локальные высокие и низкие значения, которые не управляются входными данными, и чье местоположение является следствием использованного случайного начального числа. Поэтому, результат будет иметь распределение, характерное больше для реальной ситуации, несмотря на то, что отдельные вариации трудно согласовать. Это может быть полезным, особенно когда модель используется для дальнейшего моделирования, потому что изменчивость свойства может быть так же важна, как его среднее значение. Недостаток этого алгоритма состоит в том, что некоторые важные аспекты модели могут быть случайными и поэтому важно выполнять правильный анализ неточности с несколькими реализациями одной и той же модели свойств с разными случайными начальными числами.
Один из важнейших объектов, для которых существенно стохастическое моделирование, – это трещиноватые структуры. Трещиноватость – многомасштабное явление. Крупные разломы – это элементы структуры месторождений, явно выделяемые при построении геологических и гидродинамических моделей.
6 слайд
Остановимся на основных источниках неопределенности геологических моделей, которая явилась причиной возникновения технологии стохастического моделирования.
Последовательное моделирование Гаусса (sequential Gaussian Simulation), которое Petrel использует в Property Modeling, требует, чтобы входные данные имели среднее значение, равное 0, и стандартное отклонение, равное 1. Алгоритм создает свойство со стандартным нормальным распределением, поэтому если входные данные не были стандартно нормально распределены, то результаты не будут согласовываться с входными данными.
Для моделирования непрерывных свойств используется метод последовательной гауссовской симуляции (SGSM). Его суть заключается в том, что для каждого узла сетки по исходным данным мы оцениваем условное математическое ожидание и условную дисперсию, после чего разыгрываем гауссовскую случайную величину с этими параметрами. Полученное значение добавляется к исходным данным и процесс повторяется до тех пор, пока не будут известны значения во всех узлах. В конечном итоге мы получим реализацию случайного гауссовского процесса.
7 слайд
При создании трехмерных геологических моделей с использованием как детерминистических (кригинг и др.), так и вероятностных (стохастических) методов, основой интерполяции является вариограмма.
Вариограмма – это функция, показывающая изменчивость некоторого параметра в зависимости от расстояния между двумя значениями этого параметра. Зная вариограмму параметра (по точкам, в которых определено значение этого параметра), мы можем статистически аппроксимировать (т.е. предсказать или смоделировать с какой-то долей вероятности) значение этого параметра в остальных точках резервуара.
Большинство параметров вариограммы, как правило, довольно уверенно определяется с помощью анализа исходных данных, за исключением одного – ранга вариограммы в горизонтальном направлении. Это связано с невысокой плотностью данных по горизонтали, то есть плотностью сетки скважин. Ранг вариограммы имеет размерность длины и определяет изменчивость рассматриваемого свойства в данном направлении. Чем больше ранг вариограммы, тем меньше изменчивость пласта по рассматриваемому свойству.
Первое изображение показывает модель свойства с высоким рангом, второе - имеет намного более низкий ранг. На первом изображении высокое значение в центре из-за большого ранга увеличивает вероятность получения высоких значений даже на достаточном расстоянии от центра. На втором – не такой большой ранг означает, что, как только вы отходите от исходных точек, наилучшей оценкой довольно быстро становится среднее значение, (т.е. максимально неопределенное).
8 слайд
Тренд – тенденция изменения исследуемого геологического параметра в пространстве (1D – вдоль оси, 2D – в плоскости, 3D – в трехмерной сетке).
Моделирование с использованием трендов позволяет присваивать параметру значение согласно тренду, который может быть представлен в виде поверхности или линейной функции. В отличие от интерполяции, моделирование с использованием трендов не использует скважинные данные. Однако сами используемые тренды могут быть получены по скважинным данным. Генерируемый тренд-параметр (созданный) может быть дискретным и непрерывным.
Без использования тренда, моделирование сводится к присвоению постоянного значения ячейкам параметра.
Входные данные содержат 5 точек с линейными трендами по одной диагонали и 3 идентичных значения по другой диагонали. //////////
Моделирование двух случаев с использованием кригинга с относительно небольшим размахом иллюстрирует различие, которое эти концепции вносят. Модель слева не имеет выявленных трендов, тогда как модель справа имеет линейный тренд, прямо вдоль трех точек исходных данных.
При использовании стохастического алгоритма применяется такой же метод, хотя различия возможно труднее заметить. И снова, если бы тренд был идеальный, то свойство справа было бы почти полностью сглаженным без аномалий где-либо.
Путем идентификации тренда и подтверждением, что тренд реалистичный (т.е. увязыванием с концептуальной моделью), интерполяция данных может быть ограничена, и результирующая модель более вероятно будет представлять реальную ситуацию.
9 слайд
Для детерминистического и стохастического моделирования используются значения соответствующих петрофизических параметров по скважинам (стратиграфические разбивки), а также вариограммы и тренды. Для изменения параметров и получения различных реализаций при создании детерминистической модели мы можем менять ранг вариограммы, использовать (или не использовать) тренд, включать или исключать данные, полученные по скважинам, которые выбиваются из общего распределения. При стохастическом моделировании различные реализации будут получаться при запуске даже с одинаковыми входными параметрами.
10 слайд
1)Детерминированные алгоритмы будут всегда давать одинаковый результат с одними и теми же входными данными. Стохастические алгоритмы используют случайное число дополнительно к входным данным, поэтому пока последовательные прогоны будут давать одинаковые результаты с одними и тем же входными данными, детали результата будут другими. Заметим, что если усреднить большое количество реализаций, то полученный результат стохастического моделирования будет практически совпадать с детерминистической интерполяцией кригингом.
2)Детерминистический подход используется в хорошо изученных (разбуренных), покрытых регулярной сеткой скважин объектах, стохастический – при наличии достаточного набора статистических данных по изучаемому объекту или по соседним с ним объектам.
3)Оценку неопределенностей при детерминистическом моделировании практически невозможно сделать, в отличии от стохастических, учитывающих неоднородность межскважинного пространства. При этом все получаемые реализации воспроизводят неоднородное строение моделируемых резервуаров во всех точках геологической модели одинаково вне зависимости от расстояний до ближайших скважин.
4,5)Детерминированные алгоритмы обычно выполняются быстрее и они очень прозрачные – в них легко видеть, почему какая-то конкретная ячейка получила то или иное значение. Стохастические алгоритмы, такие как Sequential Gaussian Simulation (последовательная имитация (моделирование) Гаусса), являются более сложными, и поэтому занимают больше времени для выполнения.
11 слайд
Кроме того, методы имеют следующие достоинства:
Модели свойств, созданные последовательной имитацией Гаусса, выглядят более корректными, чем те, которые созданы с использованием методов детерминированного усреднения, и учитывают данные распределения более корректно.
Стохастические методы учитывают больше аспектов входных данных. Это означает, что в результате будут появляться локальные высокие и низкие значения, которые не управляются входными данными, и чье местоположение является следствием использованного случайного начального числа. Поэтому, результат будет иметь распределение, характерное больше для реальной ситуации, несмотря на то, что отдельные вариации трудно согласовать. Это может быть полезным, особенно когда модель используется для дальнейшего моделирования, потому что изменчивость свойства может быть так же важна, как его среднее значение.
При детерминистическом методе результаты полностью воспроизводятся и это предотвращает избыточную интерпретацию данных.
И недостатки:
Недостаток метода стохастического моделирования в том, что в него быстро верят, и он выглядит реалистичным, даже в областях, которые далеки от входных данных. К результатам этого метода нужно подходить с осторожностью, (не вводите высокие значения, пока они не будут основаны на данных!) и их следует использовать, только если вы подготовились к работе с несколькими реализациями одной и той же модели.
Также некоторые важные аспекты модели могут быть случайными и поэтому важно выполнять правильный анализ неточности с несколькими реализациями одной и той же модели свойств с разными случайными начальными числами.
Недостатки детерминистических алгоритмов в том, что модели с небольшим количеством входных данных автоматически будут сглаживаться, даже, несмотря на то, что доказательство и опыт могут говорить, что такого не должно быть. В таких моделях часто бывает трудно определить характер неточности модели, заметно отличающейся от входных начальных установок.
12 слайд (итог)
Поскольку возникает вопрос, какой метод лучше, то попробуем ответить на него так. В целом стохастические методы гибче, чем детерминированные. Например, с помощью кригинга никогда нельзя получить случайную реализацию. В то же время, сделав тысячу реализаций и найдя среднее из них, мы получим практически результат кригинга.
В целом же, наиболее хорошие результаты получаются при комбинации различных алгоритмов как при собственно построении модели, так и при адаптации геологической модели 3D к материалам подсчетов запасов
При малой изученности месторождения использование этих подходов становится затруднительным, так как заложенные в них алгоритмы неудовлетворительно работают в ситуации недостаточного набора данных. В таких случаях важными становятся личный опыт геолога с его пониманием процессов, происходивших во время формирования изучаемой залежи, а также его субъективные представления о характере строения изучаемого объекта.