Основой построения комплексных геолого-геофизических моделей являются данные сейсморазведочных съемок, поскольку они наиболее равномерно и плотно распределены в зонах исследования. В процессе обработки сейсморазведочных данных, их интерпретации и анализа появляется огромное количество вторичных данных, которые принято называть атрибутами. Количество вычисляемых атрибутов может в десятки и сотни раз превышать количество обработанных данных (полнократных и частично-кратных стеков амплитуд волнового поля). Потенциал использования атрибутов огромен. Они помогают более детально интерпретировать разломы, приразломные зоны, зоны трещиноватости, контакты пластов, контуры литологических фаций, которые сложно уверенно выделить по картам, срезам, разрезам или кубам обработанных данных. Примером атрибутов являются результаты вычислений разнообразными инверсионными методами, поскольку они позволяют, при наличии скважинных данных, построить полуколичественные и количественные модели упругих параметров горных пород и оценить важные инженерные и промысловые параметры. Современные методы атрибутного анализа предлагают в качестве наилучших решений различные способы преобразования, интеграции и комплексирования. С учетом большого количества атрибутов, число комбинаций может быть значительным. Таким образом, перед исследователями возникают типичные проблемы, характерные для Больших Данных. Несмотря на накопленный опыт в комплексировании атрибутов, наиболее эффективные и интересные решения могут быть пропущены. Особенности исходных данных сейсморазведки морских акваторий и накопленный опыт позволили создать алгоритмы и схемы работ, которые могут быть использованы для выделения статистически значимых ассоциаций атрибутов. Несмотря на то, что алгоритмы достаточно требовательны к вычислительным ресурсам, можно значительно сократить время вычислений за счет применения методов параллельного программирования.
Список литературы
1. Yunsong Huang. Full Waveform Inversion with Multisource Frequency Selection. For Marine-streamer or Land-streamer Data. – LAP Lambert, 2017. – 116 р.
2. Pisupati P.B. Seisic Waveform Inversion // Geophysical Journal International. – 2017. – P. 1076–1092.
3. Chopra S., Castagna J.P. AVO. – Tulsa, Oklahoma, USA: Society of Exploration Geophysics, 2014. – 304 р. – https://doi.org/10.1190/1.9781560803201
4. Buland A., Kolbjornsen A., Omre H. Rapid spatially coupled AVO inversion in the Fourier domain // Geophysics. – 2003. – № 68 (3). – Р. 824–836.
5. Francis A. Understanding stochastic inversion: Part 1 // First Break. – 2006. – V. 24. – Р. 69–77.
6. Francis A. Limitations of Deterministic and Advantages of Stochastic Seismic Inversion // Canadian Society of Exploration Geophysicists. – 2005. – № 2. – Р. 1–12.
7. Andrieu C.A., Djuric P.M., Doucet A. Model selection by MCMC computation // Signal Processing. – 2001. – № 81. – Р. 19–37.
8. Brooks S.P. Markov chain Monte Carlo and its application // The Statistician. – 1998. – № 47. – Р. 69–100.
9. Introducing Ji-Fi – Joint Impedance & Facies Inversion / M.A.C. Kemper, K. Waters, A. Somoza [et al.] // Ikon Science. Proceedings of 6th EAGE Saint Petersburg International Conference and Exhibition. – 2014. – https://doi.org/10.3997/2214-4609.20140151
10. Colombo D., De Stefano M. Geophysical modeling via simultaneous joint inversion of seismic, gravity and electromagnetic data: application to prestack depthimaging // The Leading Edge. – 2007. – March. – P. 326–331.
11. Кубышта И.И., Павловский Ю.В., Емельянов П.П. Эффективность технологий инверсии данных сейсморазведки 3D как основа построения и уточнения сейсмогеологической модели вендских отложений месторождения Восточной Сибири // PROнефть. – 2016. – № 1. – С. 27–37.
12. Ампилов Ю.П., Барков А.Ю., Яковлев И.В. Почти все о сейсмической инверсии. Ч. 1 // Технологии сейсморазведки. – 2009. – № 4. – С. 3–16.
13. Еремин Н.А., Кондратюк А.Т., Еремин Ал. Н. Ресурсная база нефти и газа арктического шельфа Pоссии. – http://www.http://oilgasjournal.ru/2009-1/3-rubric/eremin.pdf
14. Особенности бурения скважин на арктическом шельфе / В.Г. Кузнецов, Н.Е. Щербич, А.И. Сазонов, С.Е. Кузьменко. – Тюмень: Тюменский государственный нефтегазовый университет, 2016. – 52 с.
15. Castagna J.P., Bazle M.L., Kan T.K. Rock physics – The link between rock properties and AVO response / in J.P. Castagnaand, M.M. Backus, eds. // Off-set-dependent reflectivity // Theory and practice of AVO analysis. – Soc. Expl. Geophys. – 1993. – V. 8. – P. 135–171.
16. Сахаутдинов И.Р., Вахитова Г.Р. Анализ результатов восстановления и коррекции плотностных свойств горных пород // Вестник Башкирского университета. – 2018. – Т. 23. – № 2. – С. 299–304.
17. Ведерников Г.В., Максимов Л.А., Чернышова Т.И. Прогноз залежей углеводородов по характеристикам микросейсм. – http://geovers.com/base/ files/gr11/papers/15_Vedernikov_GV.pdf
18. Воронов М.В., Пименов В.И., Суздалов Е.Г. Прикладная математика: технологии применения. В сб. Интервальное оценивание коэффициента корреляции. – М.: Юрайт, 2017. – 168 с.
19. Андерсон Т. Статистический анализ временных рядов. – М.: Мир, 1976. – 755 c.
20. Fuzzy Cluster Analysis: Methods for Classification / F. Höppner, R. Kruse, F. Klawonn, T. Runkler. – Willy, 1999. – 289 p.
21. Patrascu V. A Generalization of Gustafson-Kessel Algorithm Using a New Constraint Parameter // Proceedings of the Joint 4th Conference of the European Society for Fuzzy Logic and Technology and the 11th Rencontres Francophones sur la Logique Floue et ses Applications, Barcelona, Spain, 7–9 September 2005. – Р. 1250–1255.
