Primjena računalnog učenja u obradi i interpretaciji geofizičkih podataka s naglaskom na samoorganizirajućim mapama (SOM)

Poslijediplomski studij

Autor: Ana Brcković, mag. geol.

Višeznačnost interpretacije je pojam koji je karakterističan za većinu geofizičkih podataka, a govori o nemogućnosti definiranja jednog jedinstvenog modela podzemlja na temelju mjerenih podataka. Ova pojava uzrokovana je heterogenošću promatrane sredine, odnosno činjenicom da se svojstva stijena mijenjaju u svim smjerovima, iako se ta svojstva mogu međusobno povezati (Klose, 2006). Višeznačnost se uvelike smanjuje primjenom različitih geofizičkih metoda istraživanja, no različite metode podrazumijevaju i to da su prikupljeni podaci raznoliko strukturirani, vrlo često na različitim intervalima, a ovisno o metodi,  i u drugačijim dimenzijama. Takav primjer predstavljaju seizmički i bušotinski podaci. Seizmički podaci najčešće se prikupljaju unutar predefinirane 3D kocke (Slika 1), a geofizički parametri stijena dobivaju se pomoću brzina prostiranja valova kroz podzemlje.

slika1-odlagalište_hr.jpg

Slika 1 Prikaz poprečnih profila unutar 3D seizmičke kocke (osi X i Y predstavljaju geografske koordinate, os Z prikazje amplitude seizmičkog vala u  dvostruko vrijeme putovanja)

S druge strane, bušotinski podaci predstavljaju skup 1D  podataka gdje se, ovisno o korištenoj sondi, geofizički parametri promatraju u odnosu na dubinu (Slika 2).

 

20220429 2 

Slika 2 Prikaz bušotinskih podataka iz jedne bušotine (plava krivulja prikazuje vrijednosti spontanog potencijala na temelju kojeg se mogu odvojiti propusne i nepropusne naslage; zelena krivulja prikazuje prirodnu radioaktivnost nabušenih naslaga, ružičasta prikazuje rasprostiranje zvučnih valova, a crvena krivulja prikazuje gustoće)

Povezivanje podataka u različim mjerilima postiže se izradom sintetskih seizmograma, kojima se proračunava izgled vala nakon prolaska kroz nabušene slojeve na temelju zvučne karotaže i karotaže gustoće.

Navedene karotaže se u praksi najčešće ne izvode duž cijelog kanala bušotine, već na interesantnim intervalima gdje se procjenjuje postojanje rezervoarskih stijena koje u sebi mogu sadržavati ugljikovodike (Slika 2).

Prikupljene podatke mjerenja je zatim potrebno interpretirati, odnosno isčitati korisne informacije potrebne za izradu modela istraživanog dijela podzemlja. Informacije koje bismo htjeli dobiti su raznolike,kreću se od saznanja o različitim vrstama stijena (litologija), razlomljenim zonama (rasjedi) i pukotinama (poroznost), sve do zapunjenosti pora različitim fluidima.

 

20220531 4

Slika 3 Proračunate vrijednosti poroznosti (plavo) te uprosječene vrijednosti (narančasto). Niske vrijednosti ukazuju na kompaktnije stijene s manje pora i pukotina, ososbito vidljive na najdubljem dijelu bušotine (desno). Veće vrijednosti ukazuju na stijene s više pornog prostora u kojem se mogu nalaziti različiti fluidi.

Uvođenjem metoda računalnog učenja može se olakšati i poboljšati interpretacija mjerenih podataka. Pomoću određenih algoritama moguće je efikasnije uočiti pravilnosti u naizgled nepravilnim podacima te ih grupirati i okarakterizirati na temelju toga.

Algoritam samoorganizirajuće mape (self-organizing map – SOM) je vrsta umjetne neuronske mreže koja se temelji na nenadziranom učenju na podacima, što znači da za pronalaženje sličnosti u podacima ne koristi testni set već se analiza radi na cijelom setu odjednom (Kohonen, 1981). Različite značajke mogu se prepoznati prikazivanjem multidimenzionalnih podataka u obliku 2D mape (Slika 4).

20220531 8

Slika 4 Struktura SOM-a (mreža se sastoji od ulaznih podataka i sloja neurona s težinskim faktorom na temelju čije udaljenosti se podaci raspoređuju u kategorije u ravnini)

Izdvojenim grupama je potrebno pridodati oznake, a na temelju prikaza je potrebno uočiti mogu li se parametri unutar mreže dodatno prilagoditi za bolje razlučivanje (Slika 5).

 

20220531 9

Slika 5 Grupiranje seizmičkih podataka pomoću SOM-a na primjeru dva seizmička atributa (svjetla područja prikazuju grupe sa sličnim karakteristika, a najtamniji dijelovi su granice među grupama)

Na temelju grupiranih podataka koji predstavljaju područja sličnih karakteristika u podzemlju  vrši se klasifikacija facijesa na istraživanom području te predviđanje geofizičkih parametara poput poroznosti ili brzine rasprostiranja seizmičkih valova u intervalima s nedovoljno ili nepotpunim bušotinskim podacima (Junno, 2019).

 

20220531 10

Slika 6 Grupiranje bušotinskih podataka pomoću SOM-a (pretpostavljeno je šest kategorija grupiranja na temelju 5 karotažnih krivulja iz jedne bušotine)

 

Reference:

Junno, N., Koivisto, E., Kukkonen, I., Malehmir, A., Montonen, M. (2019): Predicting Missing Seismic Velocity Values Using Self-Organizing Maps to Aid the Interpretation of Seismic Reflection Data from the Kevitsa Ni-Cu-PGE Deposit in Northern Finland; Minerals, pp 16

Kohonen, T. (1981): Automatic formation of topological maps of patterns in a self-organizing system. In Proceedings of the Second Scandinavian Conference on Image Analysis, Helsinki, Finland, 15–17; Springer: New York, NY, USA, 214–220.

Klose, C. D. (2006): Self-organizing maps for geoscientific data analysis: geological interpretation of multidimensional geophysical data. Computational Geosciences, 10, 265–277.

Taner, M. T., J. D. Walls, M. Smith, G. Taylor, M. B. Carr, and D. Dumas (2001): Reservoir characterization by calibration of self-organized map clusters. 71st Annual International Meeting, SEG, Expanded Abstracts, 20, 1522–1525.


Ana Brcković, mag. geol. je asistentica na Zavodu za geofizička istraživanja i rudarska mjerenja na Rudarsko-geološko-naftnom fakultetu Sveučilišta u Zagrebu.

E-portfolio Link

ResearchGate Link

Google Scholar Link

CROSBI Link