презентация

1.

2.

Выбор оптимального алгоритма синхронной
инверсии для интеграции фациальной
информации с целью повышения детальности
геологических моделей
П.В. Уразов*, А.В. Буторин, С.В. Зайцев, И.А. Коваленко,
Р. М. Юзофатов (ООО «Недра»)
2

3.

Актуальность: От упругих свойств к литофациям
Современная интерпретация требует прямого прогноза литофаций, а не только упругих параметров
Традиционный подход
синхронная инверсия +
классификация
Перспективный подход
Литологическая инверсия [1, 2] –
интеграция данных РИГИС в
инверсионный процесс
Высокая скорость получения результата
Объединение двух процессов в один
Субъективность
Учет геофизики в процессе инверсии
Накопление неопределенностей
Ресурсоемкие вычисления
Несогласованность результатов
1) Gunning, J., & Kemper, M. (2014). Joint impedance and facies inversion – seismic inversion redefined. First Break, 89–95
2) Barajas-Olalde, C., Mur, A., Adams et.al (2021, March). Joint impedance and facies inversion of time-lapse seismic data for
improving monitoring of CO2 incidentally stored from CO2 EOR. 15th International Conference on Greenhouse Gas Control Technologies (GHGT15)
3

4.

Объект и цель исследования
Объект: Метод литологической инверсии (Joint
Impedance and Facies Inversion)
Проблема: Этап синхронной инверсии (СИ)
внутри этого метода — наиболее ресурсоемкий
Цель: Провести анализ трех алгоритмов СИ и
выбрать оптимальный по точности и скорости
для применения в рамках литологической
инверсии
Данные профилировки по итерациям алгоритма
литологической инверсии
(> 90 % процентов времени – СИ)
4

5.

Алгоритмы СИ. Стохастический адаптивный градиентный спуск с
гибридной целевой функцией
Основная формула алгоритма: целевая функция гибридного типа
F = w·MSE + (1 - w)·χ + θ
MSE — СКО между реальными и синтетическими трассами
χ — антикросскорреляция
θ — регуляризующий функционал
w — весовой коэффициент [0,1]
Прямая задача: синтетическая трасса сверткой коэффициентов отражения c импульсом (используется
уравнение Нотта-Цеппритса
Минимизация: стохастическая реализация Nesterov ADAM (NADAM) [3] – случайно выбирается доля
параметров целевой функции для нахождения производных)
3) Zhao, H., An, J., Yu, et.al (2021). Nesterov-accelerated adaptive momentum estimation-based wavefront distortion correction algorithm.
Optics Express, 8, 7177-7185
5

6.

Алгоритмы СИ. Линеаризация задачи инверсии через аппроксимацию
коэффициента отражения и решение системы линейных алгебраических
уравнений (СЛАУ)
Аппроксимация коэффициента отражения линейного типа
r = D· (A·x + B·y + C·z)
D – матрица Теплица (аналог первой производной)
А, B, C – диагональные квадратные матрицы с коэффициентами,
зависящие от угла и отношения Vs/Vp
соответствующие аппроксимации Аки-Ричардса [4]
sobs = Gm
СЛАУ решается методом наименьших квадратов
относительно поправок с добавлением
регуляризующих компонентов
4) Niu, L., Geng, J., & Wu, X. (2018, June). Linearized AVO inversion with modified Aki-Richards’ approximation. 80th EAGE Conference &
Exhibition, Copenhagen, Denmark. Th P1 12.
6

7.

Алгоритмы СИ. Градиентный метод оптимизации с линеаризацией
целевой функции
Основная формула алгоритма [5, 6]:
ri = f(Vpi, Vpi+1, Vsi, Vsi+1, i, i+1)
Функционал минимизации