EA011054B1 - Байесова сеть в применении к геологии и геофизике - Google Patents

Abstract

Раскрыты способ и устройство для моделирования системы для оценки значений и связанных неопределенностей для первого набора переменных, описывающих систему. Выбирают второй набор системных переменных, причем второй набор имеет прямую или косвенную причинно-следственную связь с первым набором переменных. Получают или оценивают данные для каждой переменной во втором наборе и оценивают качество выбранных данных. Формируют сеть, узлы которой включают в себя оба набора переменных и оценки качества, имеющую направленные связи, соединяющие взаимозависимые узлы, причем направленные связи отражают известные причинно-следственные отношения. Используют алгоритм байесовой сети с данными и информацией качества для решения сети относительно первого набора переменных и связанных с ними неопределенностей.

Description

По данной заявке испрашивается приоритет на основании предварительной патентной заявки США № 60/586,027, поданной 7 июля 2004 г.

Предпосылки изобретения

Байесовы сети являются инструментом для моделирования систем. Описание байесовых сетей приведено в патенте США № 6,408,290, описание которого представлено ниже, с пропусками, обозначенными многоточиями. Фиг. 1 из патента 6,408,290 продублирована здесь как фиг. 1.

Байесова сеть является представлением вероятностных отношений между отличительными особенностями окружающего мира. Каждая отличительная особенность, иногда именуемая переменной, может принимать одно из полного набора взаимоисключающих возможных состояний. Байесова сеть выражается ациклическим ориентированным графом, где переменным сопоставлены узлы и отношениям между узлами сопоставлены ребра. На фиг. 1 представлена иллюстративная байесова сеть 101. Согласно фиг. 1 существуют три переменные, Х₁, Х₂ и Х₃, представленные узлами 102, 106 и 110, соответственно. Эта байесова сеть содержит два ребра 104 и 108. С каждой переменной в байесовой сети связан набор распределений вероятностей. Используя традиционную в теории вероятностей систему обозначений, набор распределений вероятностей для переменной можно обозначить как ρ(χ;|Π;,ζ), где ρ обозначает распределение вероятностей, где Π; обозначает родителей переменной X;, и где ζ обозначает знания эксперта. Греческая буква ζ указывает, что байесова сеть отражает знания эксперта в данной области. Таким образом, это выражение читается так: распределение вероятностей для переменной X; при данных родителях X; и знаниях эксперта. Например, Х₁ является родителем Х₂. Распределения вероятностей характеризуют силу отношений между переменными. Например, если X! имеет два состояния («истина» и «ложь»), то с Х₁ связано одно распределение вероятностей ρ(χ;|ζ) и с Х₂ связаны два распределения вероятностей ρ(χ |х1 =ΐ,ζ) и ρ(χ |х1 =ί,ζ).

Ребра в байесовой сети выражают зависимость между узлами. При наличии ребра между двумя узлами, распределение вероятностей первого узла зависит от значения второго узла, когда направление ребра указывает от второго узла к первому узлу. Например, узел 106 зависит от узла 102. В этом случае говорят, что узлы 102 и 106 условно зависимы. Отсутствие ребер в байесовой сети выражает условные независимости. Например, узел 102 и узел 110 условно независимы при данном узле 106. Однако две переменные, косвенно связанные через промежуточные переменные, условно зависимы ввиду отсутствия знания о значениях (состояниях) промежуточных переменных. Поэтому, если значение для узла 106 известно, узел 102 и узел 110 являются условно зависимыми.

Другими словами, наборы переменных X и Υ считаются условно независимыми, при данном наборе переменных Ζ, если распределение вероятностей для X при данном Ζ не зависит от Ζ. Однако если Ζ пуст, X и Υ считаются независимыми, а не условно независимыми. Если X и Υ не являются условно независимыми, при данном Ζ, то X и Υ называются условно зависимыми при данном Ζ.

Переменные, используемые для каждого узла, могут быть разных типов. В частности, существует два типа переменных: дискретный и непрерывный. Дискретная переменная - это переменная, которая имеет конечное или счетное множество состояний, тогда как непрерывная переменная - это переменная, которая имеет несчетное множество состояний. ... Примером дискретной переменной является логическая переменная. Такая переменная может принимать только одно из двух состояний: истина или ложь. Примером непрерывной переменной является переменная, которая может принимать любое действительное значение между -1 и 1. Дискретные переменные имеют соответствующее распределение вероятностей. В отличие от них, с непрерывными переменными связана функция плотности вероятности (плотность). Когда событие имеет набор возможных исходов, плотность р(х) для переменной х и событий а и Ъ задается в виде:

где р (а <=х <= Ъ) - это вероятность того, что х лежит между а и Ъ. Байесовы сети также опираются на закон Байеса, который гласит

для двух переменных, где р(В|А) иногда называется: апостериорной вероятностью. Аналогичные уравнения выведены для более двух переменных. Набор всех переменных, связанных с системой, называется областью.

Построение сети, узлы которой связаны согласно закону Байеса, предусматривает, что изменения значений переменных, связанных с конкретным узлом, оказывают влияние на вероятности в сети. Например, согласно фиг. 1, если предположить, что Х₁, Х₂ и Х₃ имеют распределения вероятностей, и что каждое из распределений вероятностей связано по закону Байеса с тем узлом, с которым данный узел соединен ребром, то изменение в распределении вероятностей для Х₂ может вызвать изменение в распределении вероятностей для Х₁ (посредством индукции) и Х₃ (посредством дедукции). Эти механизмы

- 1 011054 также задают полную объединенную вероятность всех переменных области (т.е. Х_ь Х₂, Х₃), в то же время допуская неопределенность данных, связанных с каждой переменной.

Программное обеспечение, доступное от нескольких производителей, в том числе Ыогкук 8оП\гагс Согр., позволяет строить байесовы сети с большим количеством взаимосвязанных узлов, причем каждый узел способен иметь много состояний. Байесовы сети можно использовать для построения доверительных байесовых сетей и байесовых сетей принятия решений.

Согласно вышесказанному, байесовы сети использовались для моделирования физических систем. В ряде случаев, модели физических систем базируются на наблюдаемых данных. Часто, с такими данными связан параметр качества или достоверности, который отражает меру доверия, которое наблюдатель испытывает к наблюдаемым данным.

Сущность изобретения

В общем случае, один аспект изобретения предусматривает способ моделирования системы для оценки значений и связанных неопределенностей для первого набора переменных, описывающих систему. Способ включает в себя этапы, на которых выбирают второй набор переменных системы, где второй набор имеет прямую или косвенную причинно-следственную связь с первым набором переменных. Способ дополнительно включает в себя этапы, на которых получают или оценивают данные для каждой переменной во втором наборе и оценивают качество выбранных данных. Способ дополнительно включает в себя этапы, на которых формируют сеть, узлы которой включают в себя оба набора переменных и оценки качества, имеющую направленные связи, соединяющие взаимозависимые узлы, причем направленные связи отражают известные причинно-следственные отношения. Способ дополнительно включает в себя этапы, на которых используют алгоритм байесовой сети с данными и информацией качества для решения сети относительно первого набора переменных и связанных с ними неопределенностей.

Реализации изобретения могут включать в себя один или несколько из следующих этапов. По меньшей мере одно из второго набора системных переменных может представлять наблюдаемые значения одного из первого набора переменных. Этап формирования сети может включать в себя этап, на котором формируют одну или несколько триад факторов риска. Каждая триада факторов риска может включать в себя первый узел, представляющий наблюдаемое значение одного из первого набора переменных, второй узел, представляющий фактическое значение переменной первого узла, и третий узел, представляющий качество наблюдаемого значения переменной первого узла. Каждый из второго и третьего узлов может быть соединен с первым узлом связью, указывающей, что второй и третий узлы обуславливают первый узел.

Этап формирования триады факторов риска может включать в себя этап, на котором формируют триаду факторов риска так, что второй узел представляет распределение вероятностей фактических значений переменных первого узла. Этап формирования триады факторов риска может включать в себя этап, на котором формируют триаду факторов риска так, что третий узел представляет распределение вероятностей качества наблюдаемых значений переменных первого узла. Этап формирования триады факторов риска может включать в себя этап, на котором формируют триаду факторов риска так, что первый узел представляет распределение вероятностей наблюдаемых значений переменных первого узла. Этап формирования триады факторов риска может включать в себя этап, на котором формируют триаду факторов риска так, что второй узел представляет распределение вероятностей фактических значений переменных первого узла, третий узел представляет распределение вероятностей качества наблюдаемых значений переменных первого узла, первый узел представляет распределение вероятностей наблюдаемых значений переменных первого узла, и распределение вероятностей первого узла связано с распределением вероятностей второго узла и распределением вероятностей третьего узла по закону Байеса. Этап формирования триады факторов риска может включать в себя этап, на котором формируют триаду факторов риска так, что распределение вероятностей первого узла имеет измерение, связанное с распределением вероятностей второго узла, и распределение вероятностей первого узла имеет измерение, связанное с распределением вероятностей третьего узла. Этап формирования триады факторов риска может включать в себя этап, на котором формируют триаду факторов риска так, что распределение вероятностей первого узла является дискретным распределением вероятностей, распределение вероятностей второго узла является дискретным распределением вероятностей и распределение вероятностей третьего узла является дискретным распределением вероятностей. Этап формирования триады факторов риска может включать в себя этап, на котором формируют триаду факторов риска так, что переменная первого узла имеет состояния, причем состояния являются взаимоисключающими, и состояния образуют полный набор.

Система может иметь поведение, и способ может дополнительно включать в себя этап, на котором выбирают первый набор переменных и второй набор переменных, чтобы вместе они были достаточно полны, чтобы учитывать поведение системы. Для оценки качества можно не выбирать никакие данные.

Моделируемая система может представлять собой систему, определяющую состав нефтеносной породы и текстуру нефтеносной породы. Первый набор переменных может включать в себя состав нефтеносной породы и текстуру нефтеносной породы. Второй набор переменных может включать в себя геологию тыловой области складчатости, эрозию и перенос в тыловой области складчатости и перенос и

- 2 011054 осаждение во впадине.

Моделируемая система может представлять собой систему, определяющую качество коллектора. Первый набор переменных может включать в себя качество коллектора, и второй набор переменных может включать в себя контроль состава, эффект избыточного давления, глубину залегания, уплотнение, средний размер зерен, раннюю глинистую корку, площадь активной поверхности, максимальную температуру, время при максимальной температуре, цементацию, сортировку, пропорция вмещающей породы и начальное Вр.

Моделируемая система может представлять собой систему, необходимую для идентификации ярких пятен на сейсмическом разрезе. Первый набор переменных может включать в себя сейсмическую настройку, нетто, брутто, поровый флюид, и второй набор переменных может включать в себя тип керогена, преобразованность, заряд, ловушку, закупорку, модель отложения, разрешающую способность сейсморазведки, сейсмический амплитудный отклик, нетто/брутто и мощность коллектора.

Моделируемая система может представлять собой систему, определяющую карбонатный цемент в кластических коллекторах. Первый набор переменных может включать в себя предрасположенность к выпадению карбонатного цемента и локальный объем кальцита, и второй набор переменных может включать в себя условия осаждения, аридность в открытом положении, тракт системы, реактивный кальцит, начальное содержание СаСО₃, вулканогенные материалы, богатые Са, плагиоклазы, дополнительный цемент, свойства потока, настройку последовательности и конкреции.

Моделируемая система может представлять собой систему, определяющую решения по бурению на основе прямых признаков наличия углеводородов. Первый набор переменных может включать в себя (решение на) производство полного анализа ΌΗΙ и (решение на) бурение, и второй набор переменных может включать в себя стоимость полного анализа ΌΗΙ (полезность), стоимость буровых работ (полезность), наличие углеводородов, предварительный анализ ΌΗΙ, указывающий наличие углеводородов, и полное исследование ΌΗΙ, указывающее углеводороды.

В целом, другой аспект изобретения предусматривает байесову сеть. Байесова сеть включает в себя первый узел, представляющий наблюдаемые значения переменной, второй узел, представляющий фактическое значение переменной, и третий узел, представляющий качество наблюдаемого значения переменной. Каждый из второго и третьего узлов соединен с первым узлом связью, указывающей, что второй и третий узлы обуславливают первый узел.

В целом, еще один аспект изобретения предусматриваем способ построения байесовой сети. Способ включает в себя этапы, на которых создают первый узел, представляющий наблюдаемое значение первой переменной, создают второй узел, представляющий фактическое значение переменной, и создают третий узел, представляющий качество наблюдаемого значения переменной. Каждый из второго и третьего узлов соединен с первым узлом связью, указывающей, что второй и третий узлы обуславливают первый узел.

Краткое описание чертежей

Фиг. 1-3 - представления логически корректных и причинно-следственных вероятностных отношений в байесовой сети.

Фиг. 4-6 - представления конкретных применений логически корректных и причинно-следственных вероятностных отношений в байесовой сети.

Фиг. 7 - представление вероятностного отношения, не связанного с причинностью, в байесовой сети.

Фиг. 8 - представление байесовой сети, построенной посредством линейных отношений условной независимости между узлами.

Фиг. 9 - представление триады факторов риска.

Фиг. 10 - представление триады узлов, не связанных причинно-следственными отношениями.

Фиг. 11-13 - байесовы сети с триадами факторов риска.

Фиг. 14 - пример многомерного распределения вероятностей при наличии данных, введенных экспертом.

Фиг. 15 - программный код для реализации байесовой сети.

Фиг. 16 - логическая блок-схема создания байесовой сети.

Фиг. 17 - логическая блок-схема создания триады факторов риска.

Подробное описание изобретения

Хотя описанные здесь технологии применимы к многочисленным областям промышленности, нижеследующее описание относится к моделированию для нефтяной промышленности. В нефтедобывающей промышленности используются неопределенные данные из сложной области для генерации прогнозов наилучшей оценки с правильными связанными неопределенностями. Ученый, инженер или экономист, имеющий дело с такими данными, хорошо представляют себе, как работает область. Иными словами, они могут знать, что если переменная А изменится, это приведет к изменению переменной В на предсказуемую величину, с той или иной неопределенностью. Это знание области может быть доступным для всех критических переменных в области, что позволяет задавать причинно-следственные связи между ними. Такого рода информацию можно использовать, например, в процессе прогнозирования, а

- 3 011054 также в анализе чувствительности и при определении ценности информации. Байесовы сети формируют эту информация причинной области, совместно с любыми экспериментальными данными или наблюдениями, в вычислительной системе. Такие сети можно использовать для создания строгих прогнозов значений геологических, экономических и технических переменных со связанными неопределенностями для обеспечения более полной информации для процесса принятия решений в отношении геологоразведки. Полезно моделировать объединенную вероятность всех переменных области для обеспечения анализа неопределенностей, анализа, чувствительности и определения устойчивости к недостатку данных или неопределенности данных.

Описанные здесь байесовы сети учитывают известные причинно-следственные отношения между узлами при установлении зависимостей между узлами. Когда причинно-следственные отношения надлежащим образом смоделированы, можно правильно смоделировать отношения независимости/зависимости, свойство байесовых сетей под названием б-разделений. Анализ байесовой сети позволяет вывести полную объединенную вероятность всех переменных области и данных, которые могут быть неопределенными в той или иной степени. Таким образом, байесова сеть представляет знание об области. Кроме того, байесовы сети моделируют область напрямую, в отличие от, например, просто умозаключений относительно области или от того, как эксперт анализирует информацию области.

Одна такая причинно-следственная связь между узлами, которую можно включить в описанные здесь байесовы сети, представляет собой триаду факторов риска, которая включает качество, или достоверность, наблюдаемых данных в модель.

Логически корректные и причинно-следственные вероятностные отношения в байесовой сети можно моделировать тремя отношениями между 3 узлами, которые показаны на фиг. 1-3. Конфигурация сходящихся ребер, показанная на фиг. 2, которая также называется конфигурацией «слабого объяснения», составляет первую возможность. В показанном примере, узел 202 зависит от узла 204 и узла 206. Поправка, внесенная в распределение вероятностей узла 204, может привести к изменению распределения вероятностей узлов 202 и 206. Если такая поправка приводит к снижению вероятности, связанной с узлом 204, то узел 204 будет слабо объяснен по отношению к узлу 202.

Два других логически корректных и причинно-следственных метода соединения трех узлов иллюстрируют условную независимость. Первый представляет собой линейную конфигурацию, показанную на фиг. 1. В этой конфигурации, если значение среднего узла (узла 106) известно без неопределенности, то два других узла (узлы 102 и 110) могут изменяться независимо друг от друга. Таким образом, какоелибо знание об одном из двух узлов (узлов 102 и 110) не добавляет никакой информации о другом.

На фиг. 3 показана другая конфигурация моделирования условной независимости, где соединения расходятся. Как и прежде, если значение среднего узла (узла 302) известно с определенностью, то два других узла (узлы 304 и 306) ведут себя независимо.

На фиг. 4, 5 и 6 продемонстрированы примеры этих конфигураций узлов применительно к нефтепромысловой геологии. На фиг. 4 представлены выводы из анализа плотностного каротажа, проведенного в скважине. Истинная объемная плотность - это фактическая объемная плотность породы и флюидов, окружающих местоположение измерения; Каротажная объемная плотность - это показание каротажного инструмента или его интерпретация; и Достоверность каротажа описывает неопределенность любого значения, полученного от инструмента. В этом примере, каротажная объемная плотность, полученная с помощью инструмента, зависит от истинного значения (истинной объемной плотности) и достоверности инструмента (достоверности каротажа).

На фиг. 5 показана линейная конфигурация для прогнозирования проницаемости породы. Одной непосредственной причиной повышенной проницаемости является наличие трещин в породе. Коренной причиной проницаемости является напряжение, испытываемое породами. Условная независимость проявляется в том, что, если мы знаем состояние трещиновитости породы, знание о напряжении не добавляет информации о состоянии проницаемости породы.

На фиг. 6 показана расходящаяся конфигурация для прогнозирования затрат на бурение и типа флюида в коллекторе (нефть, газ, вода). Условная независимость проявляется в том, что, если мы знаем глубину коллектора, знание состояния любых других переменных не добавляет информации об оставшейся.

На фиг. 7 показана сеть без причинно-следственных связей, которая иллюстрирует, как геолог может решать проблему, проиллюстрированную на фиг. 4. Можно рассуждать следующим образом: Какой вывод можно сделать о состоянии природы на основании значения плотности, полученного с помощью инструмента, и достоверности инструмента? Этот подход противоположен показанному на фиг. 4. Согласно фиг. 4, анализ в достаточной степени опирается на причинно-следственные связи, поскольку каротажная объемная плотность зависит от истинной объемной плотности и достоверности каротажа. Иными словами, наблюдаемое значение объемной плотности зависит от фактического значения объемной плотности и качества, или достоверности, наблюдения. Напротив, согласно фиг. 7 анализ не опирается на причинно-следственные связи, поскольку фактическое значение объемной плотности зависит от наблюдаемого значения объемной плотности и качества наблюдения, хотя, в принципе, фактическое значение не зависит от наблюдаемого значения или качества наблюдения.

- 4 011054

Единственная схожесть состоит в том, что конфигурация, показанная на фиг. 7, порождает верное численное значение для наиболее вероятного состояния и верную количественную оценку связанной неопределенности. Таким образом, конфигурации, показанные на фиг. 4 и 7, отличаются своей топологией и не могут, в общем случае, выдавать одни и те же результаты для всех состояний узлов.

Строгие причинно-следственные конструкции могут быть вообще невозможны, и поэтому иногда можно использовать альтернативные конструкции. Например, в статье Йенсена (Тепкеи, Б.У.), Ап ΙηίτοбисОоп ίο Вауе81ап №1\\όγ1<5 (§рппдег-Уег1ад, №\ν Уогк 1996), предложен метод реализации корреляций между переменными.

Описанные здесь методы не предусматривают связей, противоречащих известным причинноследственным отношениям.

Пример байесовой сети, построенной посредством линейных отношений условной независимости между узлами, показанный на фиг. 8, можно использовать для прогнозирования количества кальцита, вводимого в кластическую породу коллектора (которое, будучи слишком большим, приведет к выпадению карбонатного цемента и закупорке пористости коллектора). Иллюстрация была сгенерирована с использованием продукта ΝΕΤΙΟΑ, доступного от Ыогкук 8оП\саге Согр. Каждый из блоков, изображенных на фиг. 8, представляет узел байесовой сети. Фраза в заголовке каждого блока (например, СО: начальное содержание СаСО₃) - это имя переменной, связанной с этим узлом. Список под именем в каждом блоке это список возможных состояний для соответствующей переменной и вероятности этого состояния.

Например, вероятность того, что значение переменной начального содержания СаСО₃ составляет от 45 до 55, равна 1%. Наиболее вероятное значение указано в нижней части блока, когда такое значение можно вычислить. Например, наиболее вероятное значение начального содержания СаСО₃ равно 7,24±8,3. Возможность отрицательного процентного содержания кальцита является артефактом механизма моделирования.

На фиг. 4 показан пример конфигурации узлов байесовой сети, в которой воплощена следующая концепция: то, что существует в природе (истинная объемная плотность) и способность нашей технологии выявлять то, что существует в природе (достоверность каротажа), объединяются для определения того, что мы фактически наблюдаем с помощью нашей технологии (каротажная объемная плотность). Конфигурация узлов байесовой сети, в которой воплощена эта общая концепция, которую можно называть триадой факторов риска, проиллюстрирована на фиг. 9. Фактическое значение (узел 902) и качество, или достоверность, наблюдения (узел 904) объединяются для выявления наблюдаемого значенич (узел 906). Триада факторов риска включает в себя качество, или достоверность, наблюдения для улучшения прогнозирования того, что существует в природе. Включение триад факторов риска в байесову сеть, где может быть важно качество данных, скорее всего, повысит качество модели, представленной байесовой сетью.

На фиг. 10 показан обобщенный вариант конфигурации узлов байесовой сети, изображенной на фиг. 7. Согласно фиг. 10, наблюдаемое значение (узел 906) и качество наблюдения (узел 904) объединяются для прогнозирования фактического значения (узел 902) .

На фиг. 11, 12 и 13 показаны байесовы сети с триадами факторов риска. Фрагмент байесовой сети, показанный на фиг. 11, можно использовать для прогнозирования пористости и состава порового флюида на основании плотностного каротажа. Триада факторов риска 1118^1120^1122 указана в сети.

На фиг. 11 также показана способность байесовой сети учитывать физические ограничения. Фрагмент сети, показанный на фигуре, прогнозирует содержимое коллектора (воду, газ, нефть). В этом примере, сумма значений трех компонентов должна быть равна единице. Узел 1104, обозначенный промежуточная сумма: не изменять, обеспечивает эту сумму, с допуском, например, ±1%. Он делает это благодаря тому, что постоянно задан равным истине, причем вероятности истины не равны нулю только, когда сумма трех компонентов действительно близка к 100%.

Байесова сеть, показанная на фиг. 12, иллюстрирует определение интервала высоты из элемента данных, имеющего неопределенность. В частности, она применяется для измерения возможной высоты колонны залежи над уровнем свободной воды (БАЬ) , который оценивается из близлежащей скважины (ΝΒΑ) с использованием двух несовершенных петрофизических методов. Интерпретированный БАЬ в ΝΒΑ всегда задается как элемент данных (нуль), но неопределенность распространяется на фактический БАЬ в узле 1202 в его левой части. Модель свертывает записанное понимание подобия ΝΒΑ с новой скважиной, которую мы пробурим, для оценки БАЪ на новой буровой площадке (выведенный БАЬ 1204). Верхняя часть структуры (измеренная как интервал по отношению к оцененному БАЬ) считается несовершенно изображенной посредством сейсмического разреза (левый нижний узел 1206), что приводит к неопределенности фактического интервала высоты структуры. БАЬ 1204 и интервал высоты структуры из БАЬ 1208 объединяются для получения показанного распределения вероятностей для высоты колонны залежи (нижний правый узел 1210). Байесова сеть включает в себя триаду факторов риска 1212, которая включает в себя узлы 1206, 1208 и 1214. Проиллюстрированные значения и распределения неопределенности являются выдуманными.

На фиг. 13 показана байесова сеть, выдающая вероятность успешной добычи углеводородов и извлечение выгоды из этой добычи. Переменные выбирают для конкретного воспроизведения, не для об

- 5 011054 щей модели. В этом примере используются три типа конфигураций узлов: конфигурации «слабого объяснения», например 1302, линейные конфигурации, например 1304, и расходящиеся конфигурации, например 1306. Он также включает в себя триады факторов риска, например 1308.

На фиг. 13 показан другой подход: любой отдельный узел одновременно может быть частью более одной конфигурации узлов. Например, узел 1310 является частью конфигурации «слабого объяснения» 1302 и линейной конфигурации 1304. Аналогично, узел 1312 является частью конфигурации «слабого объяснения» 1302 и расходящейся конфигурации 1306.

Распределение вероятностей для узла 1312 трещиновитости, показанного на фиг. 14, имеет два измерения, по одному из каждого из своих родительских узлов (узлов 1314 (РтохРеппРаиЙ, или «близость к пенсильванским возрастным разломам») и 1316 (фактические фации)), и четыре состояния (отсутствует, слабая, средняя и сильная). В показанном примере значения, приведенные в таблице, были сообщены экспертом в данной области.

На фиг. 15 представлен код, соответствующий стандартному уравнению возраста для данных треков деления, использующий байесову парадигму. Каждая переменная образует узел, по аналогии с графическим представлением сети на фиг. 5, однако этот алгоритм не использует дискретные состояния, но делает выборки из указанных функций распределения. Эта модель для определения возраста образца из набора возрастов зерен использует причинно-следственные отношения, согласно которым фактический возраст образца и естественная изменчивость радиохимии зерен обуславливает наблюдаемое разнообразие видимых возрастов зерен. Код, показанный на фиг. 15, имеет формат, используемый механизмами отыскания решений ВИО8 или \νίηΒυ08 (ВИ68: Меб1са1 Векеагсй Соипсй (МВС); \νίηΒυ08: 1шрепа1 Со11еде & МВС, ИК) , которые используют алгоритм 01ЬЬк Моп1е Саг1о Маткоу Сйаш (или алгоритм Ме1торо11к-тейй1п-01ЬЬк или подобный ему) для отыскания распределение объединенной вероятности на области.

Иллюстративный способ построения байесовой сети для использования в моделировании систем, показанный на фиг. 16, начинается с выбора первого набора переменных системы. Эти переменные должны включать в себя свойства системы, подлежащие оценке или прогнозированию. Например, согласно фиг. 11, первый набор переменных системы может включать в себя газонасыщенность 1106, нефтенасыщенность 1108, водонасыщенность 1110, удельный вес твердой фазы 1112, пористость 1114, удельный вес жидкой фазы 1116 и истинную объемную плотность 1118.

После этого производится выбор второго набора переменных системы, связанного причинноследственными отношениями с первым набором переменных системы (блок 1605). Согласно фиг. 11, второй набор переменных системы включает в себя каротажную объемную плотность 1120. В примере, показанном на фиг. 11, каротажную объемная плотность интерпретировали как составляющую от 2,1 до 2,28.

Два набора системных переменных выбирают так, чтобы, после объединения, они были достаточно полны для практически исчерпывающего описания поведения системы, т.е. для генерации прогноза, полезного для назначенной цели. Однако существует некоторая свобода при размещении конкретной переменной в первом наборе или втором наборе. Например, любой из узлов, указанных выше как принадлежащий к первому набору переменных системы, включая, например, узел 1112 удельного веса твердой фазы, можно поместить во второй набор переменных системы, а не в первый.

Затем получают или оценивают данные для каждой переменной во втором наборе переменных системы (блок 1610). Оценка данных обычно производится экспертом в данной области. Например, значения в столбцах отсутствует, слабая, средняя и сильная на фиг. 14 представляют собой вероятность трещиновитости при данных двух входных параметрах (РтохРеппРаиЙ и фактических фаций).

Затем оценивают качество или достоверность, по меньшей мере, некоторых данных (блок 1615). На фиг. 11, блок 1122 иллюстрирует оценивание качества данных каротажной объемной плотности. Оценивание качества, по меньшей мере, некоторых данных является необязательной частью способа. Для данных, для которых важно качество, оценивание качества будет способствовать повышению качества модели, представленной байесовой сетью. На фиг. 8 показана байесова сеть, которая не включает в себя оценивание качества каких-либо данных.

Затем формируют сеть с использованием обоих наборов переменных и оценок качества, в которой причинно-следственные связи представляют известные причинно-следственные отношения (блок 1620). Это показано на фиг. 11, причем узлам в сети присвоены первый и второй набор системных переменных и оценка качества. Причинно-следственные отношения между узлами и сеть обозначены ребрами между узлами с направлением узла, указывающим причинно-следственные отношения. Например, показано, что истинная объемная плотность 1118 и достоверность каротажа 1122 обуславливают каротажную объемную плотность 1120. После того как сеть построена, способ предусматривает использование алгоритма байесовой сети для решения сети относительно первого набора переменных и связанных с ними неопределенностей (блок 1625). Для этого, например, загружают информацию узлов в коммерчески доступное программное обеспечение, например ИБИСА от Иогкук 8оП\таге Согр., и компилируют сеть. Согласно фиг. 11, заштрихованным прямоугольникам присвоены значения со 100% определенностью. Когда сеть скомпилирована, используя терминологию, принятую в Иогкук, вероятности других узлов в системе

- 6 011054 подвергают ревизии в соответствии с отношениями, установленными между узлами и распределениями вероятностей, заданными для каждого узла.

Триаду факторов риска формируют, как показано на фиг. 17, создавая первый узел, представляющий наблюдаемое значение переменной (блок 1705). Например, согласно фиг. 11, первый узел представляет собой узел 1120 каротажной объемной плотности.

Затем создают второй узел (1710), представляющий фактическое значение переменной. Согласно фиг. 11, второй узел представляет собой узел 1118 истинной объемной плотности, который представляет фактическую объемную плотность.

Затем создают третий узел (блок 1715), представляющий качество, или достоверность, наблюдаемого значения переменной. Согласно фиг. 11, узел 1122 достоверности каротажа является третьим узлом, который представляет качество каротажной объемной плотности 1120.

Наконец, второй и третий узлы соединяют с первым узлом связями, указывающими, что второй и третий узлы обуславливают первый узел (блок 1720). На фиг. 11 это обозначено ребрами от узла 1118 истинной объемной плотности и узла 1122 достоверности каротажа к узлу 1120 каротажной объемной плотности.

Описанные здесь байесовы сети можно использовать в различных целях во многих отраслях промышленности. Например, байесовы сети можно применять в секторе геологоразведки нефтяной промышленности для осуществления следующих операций.

(a) Прогнозирование состава нефтеносной породы и текстуры нефтеносной породы - в этом примере анализируемая или моделируемая система представляет собой систему, определяющую состав нефтеносной породы и текстуру нефтеносной породы. Согласно одному варианту осуществления такой системы первый набор переменных включает в себя состав нефтеносной породы и текстуру нефтеносной породы, и второй набор переменных включает в себя геологию тыловой области складчатости, эрозию и перенос в тыловой области складчатости и перенос и осаждение во впадине.

(b) Прогнозирование качества коллектора - в этом примере анализируемая или моделируемая система представляет собой систему, определяющую качество коллектора. Согласно одному варианту осуществления такой системы первый набор переменных включает в себя качество коллектора, и второй набор переменных включает в себя контроль состава, эффект избыточного давления, глубину залегания, уплотнение, средний размер зерен, раннюю глинистую корку, площадь активной поверхности, максимальную температуру, время при максимальной температуре, цементацию, сортировку, пропорция вмещающей породы и начальное КО.

(c) Анализ ярких пятен на сейсмическом разрезе - в этом примере анализируемая или моделируемая система представляет собой систему, необходимую для идентификации ярких пятен на сейсмическом разрезе. Согласно одному варианту осуществления такой системы первый набор переменных включает в себя сейсмическую настройку, нетто, брутто, поровый флюид, и второй набор переменных включает в себя тип керогена, преобразованность, заряд, ловушку, закупорку, модель отложения, разрешающую способность сейсморазведки, сейсмический амплитудный отклик, нетто/брутто и мощность коллектора.

(б) Прогнозирование выпадения карбонатного цемента в кластических коллекторах - в этом примере анализируемая или моделируемая система представляет собой систему, определяющую карбонатный цемент в кластических коллекторах. Согласно одному варианту осуществления такой системы первый набор переменных включает в себя предрасположенность к выпадению карбонатного цемента и локальный объем кальцита, и второй набор переменных включает в себя условия осаждения, аридность в открытом положении, тракт системы, реактивный кальцит, начальное содержание СаСО₃, вулканогенные материалы, богатые Са, плагиоклазы, дополнительный цемент, свойства потока, настройку последовательности и конкреции.

(е) Решения по бурению на основе прямых признаков наличия углеводородов - в этом примере анализируемая или моделируемая система представляет собой систему, определяющую решения по бурению на основе прямых признаков наличия углеводородов. Согласно одному варианту осуществления такой системы первый набор переменных включает в себя (решение на) производство полного анализа ΌΗΙ и (решение на) бурение, и второй набор переменных включает в себя стоимость полного анализа ΌΗΙ (полезность), стоимость буровых работ (полезность), наличие углеводородов, предварительный анализ ΌΗΙ, указывающий наличие углеводородов, и полное исследование ΌΗΙ, указывающее углеводороды.

В предыдущих примерах система представляет собой нефтеносную или потенциально нефтеносную геологическую или геофизическую систему. Конкретным примером систем являются физические системы. Изобретение также применимо к искусственной системе или объединению искусственной и физической системы. Примеры искусственных систем можно найти, без ограничения, в области нагнетания нефтяной промышленности. Эти варианты применения включают в себя моделирование систем нефтедобычи, управление активами и оценку перспектив. Примеры систем нагнетания, которые можно моделировать способом, отвечающим настоящему изобретению, включают в себя подачу очистительного материала и процедуры и продукты, распределение и маркетинг.

Хотя настоящее изобретение было описано со ссылкой на иллюстративные варианты его осуществ

- 7 011054 ления, специалисты в данной области могут предложить различные изменения в форме, которые можно произвести без отхода от сущности и объема заявленного изобретения, определенных в прилагаемой формуле изобретения. Например, специалистам в данной области очевидно, что узлы пограничного влияния можно добавить в сеть с небольшими последствиями для ценности сети даже, если такие узлы имеют соединения, не связанные с причинно-следственными отношениями. Все такие изменения подлежат включению в нижеследующую формулу изобретения.

Claims (33)

1. ФОРМУЛА ИЗОБРЕТЕНИЯ

   1. Способ моделирования нефтегазоносной геологической или геофизической системы для оценки значений и связанных неопределенностей для первого набора геологических или геофизических переменных, описывающих одну или более фактических физических свойств указанной нефтегазоносной геологической или геофизической системы, способ содержит этапы, на которых выбирают второй набор переменных геологической или геофизической системы, причем второй набор переменных включает наблюдаемые или оцениваемые свойства указанной нефтегазоносной геологической или геофизической системы и имеет прямую или косвенную причинно-следственную связь с первым набором геологических или геофизических переменных, оценивают качество выбранных геологических или геофизических данных из второго набора наблюдаемых или оцениваемых свойств, для того, чтобы определить достоверность второго набора переменных в прогнозировании первого набора переменных, формируют сеть, узлы которой содержат оба набора геологических или геофизических переменных и оценки качества, имеющую направленные связи, соединяющие взаимозависимые узлы, причем направленные связи отражают известные причинно-следственные отношения и используют алгоритм байесовой сети с указанными геологическими или геофизическими данными и информацией качества для решения сети относительно первого набора фактических геологических или геофизических переменных, описывающих одно или более физических свойств указанной нефтегазоносной геологической или геофизической системы и связанных с ними неопределенностей.
2. 2. Способ по п.1, в котором по меньшей мере одно из второго набора переменных системы представляет наблюдаемые значения одного из первого набора переменных.
3. 3. Способ по п.2, в котором на этапе формирования сети формируют одну или несколько триад факторов риска, причем каждая триада факторов риска содержит первый узел, представляющий наблюдаемое значение одного из первого набора переменных, второй узел, представляющий фактическое значение переменной первого узла, и третий узел, представляющий качество наблюдаемого значения переменной первого узла, причем каждый из второго и третьего узлов соединен с первым узлом связью, указывающей, что второй и третий узлы обуславливает первый узел.
4. 4. Способ по п.2, в котором на этапе формирования триады факторов риска формируют триаду факторов риска так, что второй узел представляет распределение вероятностей фактических значений переменных первого узла.
5. 5. Способ по п.2, в котором на этапе формирования триады факторов риска формируют триаду факторов риска так, что третий узел представляет распределение вероятностей качества наблюдаемых значений переменных первого узла.
6. 6. Способ по п.2, в котором на этапе формирования триады факторов риска формируют триаду факторов риска так, что первый узел представляет распределение вероятностей наблюдаемых значений переменных первого узла.
7. 7. Способ по п.2, в котором на этапе формирования триады факторов риска формируют триаду факторов риска так, что второй узел представляет распределение вероятностей фактических значений переменных первого узла, третий узел представляет распределение вероятностей качества наблюдаемых значений переменных первого узла, первый узел представляет распределение вероятностей наблюдаемых значений переменных первого узла и распределение вероятностей первого узла связано с распределением вероятностей второго узла и распределением вероятностей третьего узла по закону Байеса.
8. 8. Способ по п.7, в котором на этапе формирования триады факторов риска формируют триаду факторов риска так, что распределение вероятностей первого узла имеет измерение, связанное с распределением вероятностей второго узла, и распределение вероятностей первого узла имеет измерение, связанное с распределением вероятностей третьего узла.
9. 9. Способ по п.7, в котором на этапе формирования триады факторов риска формируют триаду факторов риска так, что

   - 8 011054 распределение вероятностей первого узла является дискретным распределением вероятностей, распределение вероятностей второго узла является дискретным распределением вероятностей и распределение вероятностей третьего узла является дискретным распределением вероятностей.
10. 10. Способ по п.7, в котором на этапе формирования триады факторов риска формируют триаду факторов риска так, что переменная первого узла имеет состояния; причем состояния являются взаимоисключающими; и состояния образуют полный набор.
11. 11. Способ по п.1, в котором система имеет поведение, причем способ дополнительно содержит этап, на котором выбирают первый набор переменных и второй набор переменных, чтобы вместе они были достаточно полны, чтобы учитывать поведение системы.
12. 12. Способ по п.1, в котором для оценки качества не выбирают никакие данные.
13. 13. Способ по п.1, в котором моделируемая система представляет собой систему, определяющую состав нефтеносной породы и текстуру нефтеносной породы, первый набор переменных включает в себя состав нефтеносной породы и текстуру нефтеносной породы и второй набор переменных включает в себя геологию тыловой области складчатости, эрозию и перенос в тыловой области складчатости и перенос, и осаждение во впадине.
14. 14. Способ по п.1, в котором моделируемая система представляет собой систему, определяющую качество коллектора, первый набор переменных включает в себя качество коллектора и второй набор переменных включает в себя контроль состава, эффект избыточного давления, глубину залегания, уплотнение, средний размер зерен, раннюю глинистую корку, площадь активной поверхности, максимальную температуру, время при максимальной температуре, цементацию, сортировку, пропорцию вмещающей породы и начальное КО.
15. 15. Способ по п.1, в котором моделируемая система представляет собой систему, необходимую для идентификации ярких пятен на сейсмическом разрезе, первый набор переменных включает в себя сейсмическую настройку, нетто, брутто, поровый флюид и второй набор переменных включает в себя тип керогена, преобразованность, заряд, ловушку, закупорку, модель отложения, разрешающую способность сейсморазведки, сейсмический амплитудный отклик, нетто/брутто и мощность коллектора.
16. 16. Способ по п.1, в котором моделируемая система представляет собой систему, определяющую карбонатный цемент в кластических коллекторах, первый набор переменных включает в себя предрасположенность к выпадению карбонатного цемента и локальный объем кальцита, и второй набор переменных включает в себя условия осаждения, аридность в открытом положении, тракт системы, реактивный кальцит, начальное содержание СаСО₃, вулканогенные материалы, богатые Са, плагиоклазы, дополнительный цемент, свойства потока, настройку последовательности и конкреции.
17. 17. Способ по п.1, в котором моделируемая система представляет собой систему, определяющую решения по бурению на основе прямых признаков наличия углеводородов, первый набор переменных включает в себя (решение на) производство полного анализа ΌΗΙ и (решение на) бурение, и второй набор переменных включает в себя стоимость полного анализа ΌΗΙ (полезность), стоимость буровых работ (полезность), наличие углеводородов, предварительный анализ ΌΗΙ, указывающий наличие углеводородов, и полное исследование ΌΗΙ, указывающее углеводороды.
18. 18. Байесова сеть для моделирования геологической или геофизической системы по п.1, содержащая первый узел, представляющий наблюдаемые значения геологической или геофизической переменной, второй узел, представляющий фактическое значение геологической или геофизической переменной, и третий узел, представляющий качество наблюдаемого значения геологической или геофизической переменной, причем каждый из второго и третьего узлов соединен с первым узлом связью, указывающей, что второй и третий узлы обуславливает первый узел.
19. 19. Байесова сеть по п.18, в которой второй узел представляет распределение вероятностей фактического значения переменной.
20. 20. Байесова сеть по п.18, в которой третий узел представляет распределение вероятностей качества наблюдаемого значения переменной.

    - 9 011054
21. 21. Байесова сеть по п.18, в которой первый узел представляет распределение вероятностей наблюдаемых значений переменной.
22. 22. Байесова сеть по п.18, в которой второй узел представляет распределение вероятностей, относящееся к переменной, третий узел представляет распределение вероятностей, относящееся к качеству наблюдаемого значения переменной, первый узел представляет распределение вероятностей, относящееся к наблюдаемому значению переменной, и распределение вероятностей первого узла связано с распределением вероятностей второго узла и распределением вероятностей третьего узла по закону Байеса.
23. 23. Байесова сеть по п.22, в которой распределение вероятностей первого узла имеет измерение, связанное с распределением вероятностей второго узла, и распределение вероятностей первого узла имеет измерение, связанное с распределением вероятностей третьего узла.
24. 24. Байесова сеть по п.22, в которой распределение вероятностей первого узла является дискретным распределением вероятностей, распределение вероятностей второго узла является дискретным распределением вероятностей и распределение вероятностей третьего узла является дискретным распределением вероятностей.
25. 25. Байесова сеть по п.22, в которой переменная первого узла имеет состояния, состояния несовместимы и состояния образуют полный набор.
26. 26. Способ построения байесовой сети по п.18, содержащий этапы, на которых создают первый узел, представляющий наблюдаемое значение первой геологической или геофизической переменной, создают второй узел, представляющий фактическое значение геологической или геофизической переменной, и создают третий узел, представляющий качество наблюдаемого значения переменной, причем каждый из второго и третьего узлов соединен с первым узлом связью, указывающей, что второй и третий узлы обуславливает первый узел.
27. 27. Способ по п.26, в котором на этапе создания второго узла идентифицируют распределение вероятностей фактического значения переменной.
28. 28. Способ по п.26, в котором на этапе создания третьего узла идентифицируют распределение вероятностей качества наблюдаемого значения переменной.
29. 29. Способ по п.26, в котором на этапе создания первого узла идентифицируют распределение вероятностей наблюдаемого значения переменной.
30. 30. Способ по п.26, в котором на этапе создания второго узла идентифицируют распределение вероятностей, относящееся к фактическому значению переменной, на этапе создания третьего узла идентифицируют распределение вероятностей, относящееся к качеству наблюдаемого значения переменной, на этапе создания первого узла идентифицируют распределение вероятностей, относящееся к наблюдаемому значению переменной, и связывают по закону Байеса распределение вероятностей первого узла с распределением вероятностей второго узла и распределением вероятностей третьего узла.
31. 31. Способ по п.30, в котором на этапе идентификации распределения вероятностей первого узла идентифицируют первое измерение, связанное с распределением вероятностей второго узла, и на этапе идентификации распределения вероятностей первого узла идентифицируют второе измерение, связанное с распределением вероятностей третьего узла.
32. 32. Способ по п.30, в котором на этапе идентификации распределения вероятностей первого узла идентифицируют дискретное распределение вероятностей для первого узла, на этапе идентификации распределения вероятностей второго узла идентифицируют дискретное распределение вероятностей для второго узла и на этапе идентификации распределения вероятностей третьего узла идентифицируют дискретное распределение вероятностей для третьего узла.
33. 33. Способ по п.30, в котором на этапе создания первого узла идентифицируют несовместимые состояния, образующие полный набор, для переменной первого узла.