Sơ Đồ Biểu Diễn Các Bước Của Phương Pháp Co-Kriging

Thuộc tính độ lớn gradient (Gradient Magnitude)

Là căn bậc hai của bình phương của đạo hàm bậc một theo 3 chiều dọc theo tuyến đo (inline), ngang tuyến đo (crossline) và chiều thẳng đứng.

Công thức:

Trong đó: f’(x), f’(y) và f’(z) là đạo hàm bậc nhất của của xung sóng địa chấn theo inline, crossline và chiều thẳng đứng.

Ứng dụng: Thuộc tính gradient magnitude có tính nhạy với sự thay đổi của biên độ và góc dốc của các phản xạ nên được dùng để xác định sự thay đổi của thạch học, đứt gãy, và các đới có mật độ nứt nẻ cao trong móng. Thuộc tính độ lớn biên độ giúp xác định vị trí các đứt gãy và các đới có mật độ nứt nẻ cao trong móng, từ đó chỉ ra đặc tính của các đới này [27].

Thuộc tính biến đổi (Variance)

Thuộc tính biến đổi (ngược với thuộc tính đồng nhất), biểu diễn sự thay đổi hình dạng xung địa chấn trong không gian, giúp xác định sự thay đổi của trở kháng âm theo phương ngang. Các xung sóng tương tự nhau có hệ số biến dị thấp, và khu vực có đặc tính địa chất không liên tục có hệ số biến dị cao.

Có thể bạn quan tâm!

Xem toàn bộ 168 trang tài liệu này.

Công thức:

Trong đó

σ : Độ biến dị ( 0≤ σ ≤ 1)

xij : Gía trị của mẫu tại vị trí i (trục hoành) và j (trục tung– thời gian) w j-t :Hệ số

L : Độ lớn cửa sổ

Ứng dụng: Thuộc tính biến đổi thường được sử dụng trong việc xác định các đứt gãy trên bề mặt móng. Tuy nhiên tài liệu địa chấn bên trong móng thường có tỉ số tín hiệu trên nhiễu thấp nên việc sử dụng thuộc tính này để phân biệt các đứt gãy và các khe nứt sinh kèm không chính xác và độ tin cậy không cao [27].

Thuộc tính theo dấu vết (Ant tracking)

Thuộc tính lần theo dấu vết mô phỏng thói quen của loài kiến là lần theo đường dấu vết để kiếm thức ăn, thuộc tính này lần theo các đặc điểm của bề mặt được cho là mặt đứt gãy trong một phạm vi nhất định, các bề mặt nếu không có hoặc ít khả năng là mặt đứt gãy sẽ không được thể hiện trên khối số liệu. Thuộc tính ant tracking có thể được áp dụng tốt trong việc xây dựng đứt gãy và hệ thống nứt nẻ bên trong móng và xác định đặc điểm của nứt nẻ như góc dốc, phương, mật độ và giao điểm giữa các hệ thống khe nứt khác nhau. Tuy nhiên, về cơ bản, thuộc tính này sẽ làm tăng tính liên tục của các phản xạ địa chấn nên không thể giữ nguyên biên độ thực của phản xạ địa chấn, do đó có hạn chế khi đánh giá được mức độ liên thông của các nứt nẻ khác nhau dọc theo mặt đứt gãy [27].

2.3.4. Các phương pháp toán học để tổ hợp số liệu

Phương pháp mạng nơ-ron (ANN)

Trong ngành dầu khí những năm gần đây, những thành tựu của trí tuệ nhân tạo đã được các nhà nghiên cứu áp dụng để giải quyết nhiều nhiệm vụ địa chất, đặc biệt là những công nghệ trong tính toán mềm (soft computing) như mạng nơ-ron (neural networks) và logic mờ (fuzzy logic) nhằm tổ hợp các số liệu. Các phương pháp tiếp cận để giải quyết nhiệm vụ xây dựng trên cơ sở của mạng nơ-ron và logic mờ đã đạt được kết quả tốt hơn rất nhiều so với các phương pháp truyền thống [27, 29]. Trong khoảng 10 năm gần đây, cùng với sự phát triển mạnh mẽ của công nghệ thông tin, mạng nơ-ron đã được các nhà khoa học áp dụng vào nhiều lĩnh vực của ngành công nghiệp dầu khí, ở hầu hết mọi giai đoạn từ tìm kiếm, thăm dò đến khai thác, chế biến sản phẩm dầu khí. Mạng nơ-ron được ứng dụng trong phân tích và minh giải tài liệu địa chất-địa vật lý; phân tích và đánh giá rủi ro; xây dựng cơ sở dữ liệu, .. với mục đích nhằm: (i) giảm tối đa rủi ro trong tìm kiếm, thăm dò dầu khí, (ii) giảm thiểu chi

phí trong tìm kiếm, thăm dò và khai thác (iii) nâng cao hệ số thu hồi dầu và kéo dài tuổi thọ cho giếng khai thác. Các ứng dụng của mạng nơ-ron trong lĩnh vực dầu khí chủ yếu là trong xử lý, minh giải tài liệu địa chấn và địa vật lý giếng khoan để tổ hợp số liệu.

Mạng nơ-ron hay còn gọi là mạng nơ-ron nhân tạo (artificial neural network) là một hệ thống xử lý thông tin có một vài đặc tính thực thi giống như là các mạng nơ- ron sinh học. Mạng nơ-ron được phát triển như là tổng quát hoá của các mô hình toán học của nhận thức của con người hay hệ thần kinh sinh học, dựa trên các giả định sau [4]:

- Thông tin xử lý tại nhiều phần tử đơn giản, gọi là các nơ-ron.

- Tín hiệu được truyền giữa các nơ-ron thông qua các kết nối.

- Mỗi kết nối có một trọng số, thông thường được nhân với tín hiệu truyền qua.

- Mỗi nơ-ron sử dụng một hàm kích hoạt để xác định tín hiệu đầu ra theo tổng các tín hiệu đầu vào.

Hình 2.25. Mạng nơ-ron điển hình

Một mạng nơ-ron được đặc trưng bởi 3 đặc tính sau: i) hình thái của các kết nối giữa các nơ-ron (còn gọi là kiến trúc mạng: network architecture), ii) phương pháp xác định các trọng số của các kết nối (còn gọi là thuật toán học hoặc thuật toán huấn luyện: learning/training algorithm) và iii) hàm kích hoạt (activation function). Một mạng nơ- ron thông thường được sử dụng nhằm mục đích phân loại, nhận dạng và dự báo. Hình

2.25 - 2.27 biểu diễn một mạng nơ-ron điển hình, bao gồm 1 lớp đầu vào (input layer), 1 lớp ẩn (hidden layer) và một lớp đầu ra (output layer). Trong các ứng dụng thực tế,

mạng nơ-ron được sử dụng nhiều nhất là mạng nơ-ron tiếp tục cung cấp (feed- forward), với thuật toán huấn luyện lan truyền ngược (back-propagation) và hàm kích hoạt sigmoid. Mạng nơ-ron này còn được gọi là mạng nơ-ron lan truyền ngược (back- propagation neural network).

Trong quá trình học, tập dữ liệu mẫu đưa vào mạng nơ-ron bao gồm cả giá trị đầu vào (inputs) lẫn giá trị đầu ra (output) của các biến phụ thuộc. Các dữ liệu được tính toán và cho ra kết quả đầu ra. Kết quả đầu ra này của mạng nơ-ron sau một vòng lặp (cycle hoặc iteration) được so sánh với kết quả đầu ra thực tế được cho trong tập mẫu để rút ra sai số. Sai số này được lan truyền ngược trở lại các nơ-ron đầu ra (output neurons) và nơ-ron ẩn để các nơ-ron này điều chỉnh lại các trọng số của mình. Quá trình lan truyền theo hai chiều này được tiến hành nhiều lần, cho đến khi sai số đạt tới giá trị cực tiểu nhỏ hơn một giá trị cho phép nào đó, hoặc cho đến khi số vòng lặp đạt đến một giá trị định trước nào đó, tùy thuộc vào người thiết kế mạng. Quá trình học của mạng nơ-ron lan truyền ngược là quá trình học có giám sát [4]

Phương pháp hạ gradient được sử dụng trong quá trình học với thuật toán lan truyền ngược. Các trọng số được xác định sao cho sai số E là cực tiểu:

1 n0 ^ 

Ek yi,k yi,k 

k 1 

trong đó: n0 là số nơ-ron lớp đầu ra

Các trọng số sẽ được cập nhật theo công thức sau:

ap,k

ap,k 1



p,k k

bp,k

bp,k 1



p,k k

Trong đó xk là số nơ-ron lớp đầu vào, hk là số nơ-ron lớp ẩn,  là hệ số học (learning rate).

Đặc điểm của mạng nơ-ron là có khả năng giải quyết được những vấn đề phức tạp bằng cách làm sáng tỏ những mối quan hệ phi tuyến, do vậy mà mạng nơ-ron đã được ứng dụng để giải quyết các vấn đề thực tế trong nhiều lĩnh vực: công nghệ thông tin, sinh học, quản lý, kinh tế, y tế… khi mà các quan hệ giữa các yếu tố là phi tuyến. Các ứng dụng của mạng nơ-ron trong giải quyết các vấn đề cụ thể có thể nhóm lại

thành hai nhóm chính, đó là các vấn đề với mục đích phân loại, nhận dạng và các vấn đề với mục đích dự báo.

Trong lĩnh vực dầu khí, mạng nơ-ron cũng đã được các nhà nghiên cứu sử dụng để phân loại thạch học, tính toán các tham số vật lý thạch học, xác định các đặc điểm tầng chứa …. và thu được nhiều kết quả đáng khích lệ

Hình 2.26. Mô hình của một nơ-ron

Hình 2.27. Hàm kích hoạt sigmoid

Độ chính xác của mô hình mạng nơ-ron để dự báo độ rỗng và độ thấm phụ thuộc vào những yếu tố chính sau: (i) Các đường cong ĐVLGK đại diện và được trung bình hóa cho một thể tích lớn đất đá phụ thuộc độ phân giải của đường cong, trong khi đó độ rỗng và độ thấm đo trên mẫu lõi trụ chỉ đại diện cho một thể tích nhỏ của đất đá;

(ii) Tính chính xác của việc dịch chuyển chiều sâu giữa mẫu lõi và ĐVLGK; (iii) Tính đại diện của mẫu lõi; (iv) Số lượng mẫu lõi có được để xây dựng tập dữ liệu chuẩn đào tạo mạng nơ-ron. Số lượng càng nhiều thì khả năng xây dựng mô hình mạng nơ-ron cho kết quả chính xác càng cao hơn; (v) Độ tin cậy của kết quả đo ghi mẫu lõi; (vi) Độ

rỗng và độ thấm được đo ghi trong điều kiện PTN, trong khi đó các đường cong ĐVLGK lại đo trong điều kiện vỉa; (vii) Cấu trúc của mạng nơ-ron như: số lượng đầu vào (input), số nơ-ron ẩn,….; (viii) Thuật toán học (learning algorithm) và (ix) Kinh nghiệm của người phân tích và xây dựng mô hình [4]

Phương pháp địa thống kê (Kriging và Co-Kriging)

Kriging là 1 phương pháp thống kê dùng để dự đoán/nội suy giá trị của các biến địa phương từ các giá trị mẫu. Phép thống kê này là 1 hàm phi tuyến trung bình trọng số của các giá trị đã biết [27].

Ưu điểm so với các phương pháp thống kê khác

- Phép dự đoán có tính đối xứng

- Sử dụng tối ưu các dữ liệu đầu vào

- Cho phép kiểm tra sai số Nhược điểm

- Cần có phân tích cấu trúc trước khi thực hiện phép thống kê

- Có giả định về tính ổn định Phân loại:

- Ordinary kriging (dữ liệu không đổi, phân bố chuẩn)

- Lognormal kriging (phân bố chuẩn loga)

- Disjunctive kriging (xác suất ngưỡng)

- Indicator kriging

- Co-Kriging: Dữ liệu trực tiếp từ giếng khoan còn hạn chế, có nhiều dữ liệu từ địa chấn.

Trong ngành công nghiệp dầu khí thường có ít tài liệu cứng – hard data, là những tài liệu chính xác và tin tưởng được xác định trực tiếp từ giếng khoan, các tài liệu giếng khoan này thường ở cách xa nhau, nên việc nội suy giữa chúng có thể không chính xác. Tuy nhiên lại có khá nhiều tài liệu mềm – soft data, là các tài liệu không xác định trực tiếp từ giếng khoan (phần lớn là từ tài liệu địa chấn và các tài liệu địa chấn khác). Co-Kriging tận dụng cả 2 loại tài liệu này trong phương pháp thống kê.

Ví dụ: các giá trị độ rỗng từ giếng khoan (số lượng giếng thường hạn chế) là các biến số chính, kết hợp với các thuộc tính địa chấn – biến số phụ – có thể liên kết với độ rỗng, từ đó xây dựng được mô hình phân bố độ rỗng 3D cho khu vực nghiên cứu.

Hình 2.28. Sơ đồ biểu diễn các bước của phương pháp Co-Kriging

Phương pháp phân tích hồi quy được ứng dụng rất rộng rãi trong mọi lĩnh vực nói chung cũng như trong phân tích tài liệu địa vật lý giếng khoan và địa chấn nói riêng. Khi cần xác định mối tương quan thực nghiệm giữa hai đại lượng bất kỳ, phương trình hồi quy sẽ được thiết lập và tùy theo từng trường hợp, có thể là hồi quy tuyến tính hoặc hồi quy phi tuyến sẽ được lựa chọn.

Hàm hồi quy của Y theo X được gọi là phi tuyến nếu E(Y/X) = aX + b.

Hàm hồi quy của Y theo X được gọi là phi tuyến khi mà E(Y/X) là hàm số mũ, hàm bậc hai, bậc ba,…. chẳng hạn như E(Y/X) = aX 2+ bX + c hay E(Y/X) = aeX + b.

Khi có nhiều biến X thì hàm hồi quy bội phi tuyến của Y theo X1,.......,Xn là:



y = a0 a1 x1  ..... an xn

Ngoài ra còn có hàm hồi quy bội phi tuyến, lúc đó trong phương trình E (Y/X1,.....Xn) = a0 + a1X1 + .......+anXn các biến aiXi sẽ là các hàm phi tuyến như hàm loga, hàm số mũ,....

Trong lĩnh vực dầu khí, phương pháp địa thống kê Co-Kriging được sử dụng để xác định độ thấm từ độ rỗng dựa theo tài liệu đo ghi được trên mẫu lõi trong phòng thí nghiệm; xác định độ rỗng từ một thuộc tính địa chấn hoặc xác định độ rỗng từ trở kháng âm. Tuy nhiên hiện nay phương pháp này vẫn chưa được ứng dụng rộng rãi trong công tác nghiên cứu móng nứt nẻ ở Việt Nam.

2.4. Phương pháp, quy trình xây dựng mô hình độ rỗng nứt nẻ trong đá móng mỏ Hải Sư Đen.

2.4.1. Cơ sở dữ liệu

Tài liệu sử dụng trong nghiên cứu và xây dựng mô hình độ rỗng móng nứt nẻ mỏ Hải Sư Đen bao gồm:

- Các báo cáo nghiên cứu địa chất mỏ Hải Sư Đen.

- Các đường cong địa vật lý giếng khoan (GR, mật độ, Neutron, sóng siêu âm, điện trở) của 8 giếng khoan trong mỏ Hải Sư Đen: HSD-1X, HSD-2X/ST, HSD-3X, HSD-4X, HSD-5XP, VD-1X và VD-2X.

- Tài liệu mẫu lõi các giếng khoan trong khu vực.

- Tài liệu FMI của các giếng: HSD-2X/ST, HSD-3X, HSD-4X, HSD-5XP.

- Tài liệu DST của các giếng: HSD-1X, HSD-2X/ST, HSD-3X, HSD-4X, HSD-5XP.

- Tài liệu địa chấn: các cube địa chấn PSTM 2007, Kirchhoff APSDM 2009, CBM 2009, cube giải ngược địa chấn (AI inversion).

- Báo cáo nghiên cứu đặc điểm nứt nẻ trên các điểm lộ.

2.4.2. Các bước thực hiện

Như đã đề cập trong phần trước, các phương pháp nghiên cứu và xây dựng mô hình độ rỗng trong đá móng nứt nẻ trên thế giới nói chung và ở Việt Nam nói riêng vẫn còn nhiều hạn chế, vẫn chưa có một tổ hợp hoàn chỉnh nào có khả năng phản ánh được chính xác sự phân bố của độ rỗng trong móng. Trong luận án này, NCS đề xuất hướng nghiên cứu của mình theo sơ đồ hình 2.29.

Từ các tài liệu đầu vào, NCS lần lượt tiến hành các bước xây dựng mô hình độ rỗng trên cơ sở sử dụng các phương pháp địa vật lý giếng khoan, địa chấn và toán học,