- Trang Chủ
- Kiến trúc - Xây dựng
- Xây dựng mạng nơron nhân tạo và ứng dụng kỹ thuật phân tích thành phần chính để dự báo giá trị độ thấm – độ rỗng mỏ X, bể Cửu Long
Xem mẫu
- Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018 Kỷ yếu khoa học
XÂY DỰNG MẠNG NƠRON NHÂN TẠO VÀ ỨNG DỤNG KỸ THUẬT
PHÂN TÍCH THÀNH PHẦN CHÍNH ĐỂ DỰ BÁO GIÁ TRỊ
ĐỘ THẤM – ĐỘ RỖNG MỎ X, BỂ CỬU LONG
Trịnh An Bình*
Trường Đại học Dầu Khí Việt Nam
*Tác giả liên lạc: binhta03@pvu.edu.vn
TÓM TẮT
Nghiên cứu tập trung xây dựng mạng nơron nhân tạo dự báo độ thấm, độ rỗng
dựa trên tập số liệu của giếng A-21 mỏ X tập C bể Cửu Long. Sau khi so sánh kết
quả này với kết quả thu được của phương pháp minh giải truyền thống, tác giả
nhận thấy rằng mô hình mạng nơron cho kết quả dự báo với mức độ chính xác
cao hơn, vì vậy tác giả đã áp dụng mô hình mạng nơron này tính giá trị độ thấm
và độ rỗng cho giếng A-19 cùng thuộc mỏ X tập C bể Cửu Long. Kết quả mang
lại rất khả quan với độ thấm trung bình cho tầng sản phẩm là: 375.88(mD) và
14.02(%) với độ rỗng. Ngoài ra, với việc nâng cao hệ số tương quan (r) cũng như
giảm thiểu sai số trung bình bình phương (MSE) thì công cụ phân tích thành phần
chính (PCA) được áp dụng trong nghiên cứu này đã mang lại hiệu quả thiết thực
cho việc cải thiện độ chính xác của mạng nơron nhân tạo.
Từ khóa: Mạng Nơron nhân tạo, phân tích thành phần chính, độ rỗng, độ thấm,
bể Cửu Long.
BUILD ARTIFICIAL NEURAL NETWORK MODEL AND APPLY
PRINCIPAL COMPONENT ANALYSIS TO PREDICT
PERMEABILITY – POROSITY IN X FIELD, CUU LONG BASIN
Trinh An Binh*
Pertrol Vietnam University
*Corresponding Author: binhta03@pvu.edu.vn
ABSTRACT
This study aims at building Artificial Neural Network model to predict
permeability and porosity base on A-21 well data in C sequence, Cuu Long basin.
Then, after comparing with composite log method, the better model is Artificial
Neural Network model. After that, appling the Artificial Neural Network model
to calculate permeability and porosity value for A-19 well which has formation
relative to A-21 well in C sequence, Cuu Long basin. Sumazise, permeability,
porosity in A-19 productive zone are 375.88(mD) and 14.02(%). Besides, by
improving Correlation coefficient (r) and Mean Square Error (MSE), appling
Principal Component Analysis for the study provide effective result.
Keywords: Artificial neural network, principal component analysis, porosity,
permeability, Cuu Long basin.
TỔNG QUAN cho dòng của vỉa sản phẩm, thì độ rỗng
Quá trình nghiên cứu và minh giải địa lại quyết định khả năng chứa của nó.
vật lý thì việc xác định hai giá trị độ Để tính tóa n trực tiếp giá trị độ thấm,
thấm và độ rỗng là vô cùng quan trọng. độ rỗng còn gặp nhiều khó khăn như
Trong khi độ thấm quyết định khả năng thiếu mẫu lõi, hạn chế về mặt thiết bị
679
- Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018 Kỷ yếu khoa học
đo, hạn chế về mặt kinh tế. Vì vậy các thông tin từ n nhánh x (x0, x1...xn),
nhà kỹ sư địa vật lý đã nghiên cứu tương ứng mỗi nhánh là các trọng số w
nhiều phương pháp khác nhau để xác (w0, wj...wn) và một nhánh ray(x).
định gián tiếp hai thông số này nhưng Hàm f nhận biến số dưới dạng tổng
hiệu quả mang lại vẫn chưa cao. Đa số trọng hóa thông tin từ các nhánh theo
các hàm tương quan rỗng - thấm đã chỉ các trọng số tương ứng.
dừng lại ở mức tham khảo. Bài báo chỉ đề cập đến nguyên lý hoạt
Vì vậy nhu cầu cần tính gián tiếp được động của mạng truyền thẳng có sử
hai thông số độ thấm và độ rỗng với độ dụng thuật tóa n lan truyền ngược. Khi
chính xác cao hơn là rất cần thiết. Với luyện mẫu, ANN thực hiện cả hai quá
sự phát triển mạnh mẽ của công nghệ trình ánh xạ và lan truyền ngược.
4.0, trong đó có mạng nơron nhân tạo Trong quá trình ánh xạ, tín hiệu của
và kỹ thuật phân tích thành phần chính mạng sẽ lan truyền từ lớp nhập cho đến
đã và đang dần dần thay thế con người lớp xuất, kết quả đầu ra sẽ được so sánh
trong nhiều công việc, với ưu điểm là với kết quả mong muốn của tập mẫu để
có thể học nhanh và tìm ra được mối đưa ra sai số trung bình bình phương
tương quan đa chiều nhiều biến với độ (MSE). Sai số MSE sẽ được lan truyền
chính xác và khả năng áp dụng cao. Đó ngược lại trở lại đến các neural đầu ra
chính là lý do tác giả lựa chọn nghiên và các lớp ẩn lại hiệu chỉnh lại trọng
cứu này. số. Quá trình này lặp lại nhiều lần đến
khi sai số MSE đạt giá trị mong muốn.
KHU VỰC VÀ PHƯƠNG PHÁP Phân tích thành phần chính (PCA)
NGHIÊN CỨU Phân tích thành phần chính (PCA) là
Tổng quan khu vực nghiên cứu một biến đổi tóa n học một số các biến
Mỏ X nằm về phía Tây Nam của bể tương quan thành một số (nhỏ hơn) của
Cửu Long, cách Thành phố Vũng Tàu các biến không tương quan được gọi là
khoảng 85km thuộc một trong những các thành phần chính. Trong quá trình
lô được đánh giá là có tiềm năng rất lớn luyện mạng để xác định các tham số
cho công tác tìm kiếm và thăm dò dầu đầu vào và mức độ quan trọng của từng
khí. tham số là việc làm vô cùng quan
Theo bản đồ mặt cắt địa chấn, hai trọng. Không những tìm ra được giữa
giếng A-21 và A-19 đều nằm trên một các đại lượng đầu vào và đầu ra có sự
cấu tạo cách nhau < 500m. Theo tài tương quan hay không mà còn đánh
liệu báo cáo về tập C của đơn vị sản giá, sắp xếp được mức độ quan trọng
xuất thì A-21 và A-19 có cùng một quá hay ảnh hưởng của từng yếu tố đối với
trình thành tạo. Vì vậy, đặc trưng thấm, các giá trị đầu ra. Sau khi chuẩn hóa số
chứa của cả hai giếng sẽ có sự tương tự liệu và xác định ma trận vuông
nhau. Đó là lý do cũng như là luận Covariance, tác giả tiến hành xác định
chứng, tác giả sử dụng dữ liệu giếng A- vector riêng và giá trị riêng. Dựa trên
21 để dự báo độ rỗng – thấm cho giếng mục đích cũng như khả năng xử lý của
A-19. máy tính các vector riêng và giá trị
Cấu trúc và nguyên lý hoạt động của riêng sẽ được áp dụng để từ đó tính ra
ANN được bộ số liệu mới phù hợp với nhu
Một nơron nhân tạo, về mặt tóa n học cầu thực tế.
được thể hiện dưới dạng công thức:
𝑌 𝑥 = 𝑓 ∑𝑛𝑖=1 𝑊𝑖 ∗ 𝑋𝑖 ) KẾT QUẢ VÀ THẢO LUẬN
Trong đó: x là một nơron tiếp nhận Kết quả theo mạng nơron nhân tạo
680
- Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018 Kỷ yếu khoa học
Sau khi chuẩn chỉnh các giá trị luyện cụ PCA thực sự mang lại hiệu quả.
mạng theo đường cong gamaray tác giả 4. Nghiên cứu đã hoàn thành được việc
áp dụng kỹ thuật phân tích thành phần xây dựng mạng ANN để dự báo giá trị
chính để có được kết quả mối tương độ thấm, độ rỗng cho mỏ X. Ngoài ra
quan giữa 5 đường cong địa vật lý đầu đã dự báo được giá trị độ thấm, độ rỗng
vào và độ thấm, độ rỗng. cho giếng A-19 khi không có mẫu lõi.
Tác giả tiến hành xây dựng 3 loại mô 5. Mỗi đường cong ĐVL-GK chỉ phản
hình ANN như sau để tìm ra được hiệu ánh được một khía cạnh nào đó của độ
quả của PCA và phương pháp chuẩn thấm, độ rỗng. Nói cách khác, bản chất
chỉnh dữ liệu được áp dụng. của độ thấm, độ rỗng được phản ánh
Mô hình ANN1: Sử dụng dữ liệu thô qua tổ hợp các đường cong ĐVL-GK.
mà chưa được chuẩn chỉnh, chưa được Mối quan hệ phi tuyến tính đa chiều
dùng PCA. giữa các đường cong GR, DT, RHOB,
Mô hình ANN2: Sử dụng dữ liệu đã NPHI, LLD, với độ thấm, độ rỗng theo
được chuẩn chỉnh nhưng chưa dùng tài liệu mẫu lõi mà hệ ANN xây dựng
PCA. được có hệ số tương quan cao (R>0,9)
Mô hình ANN3: Sử dụng dữ liệu đã chứng tỏ tổ hợp các đường cong ĐVL-
được chuẩn chỉnh và sử dụng PCA. GK này đã phản ánh được các tính chất
Nhận xét: Đối với số liệu trong nghiên cơ bản của độ thấm, độ rỗng. Tùy theo
cứu, mô hình ANN3 cho kết quả tốt từng khu vực với các loại đá khác
nhất, hệ số tương quan cao nhất và nhau, quá trình thành tạo, mức độ nén
MSE nhỏ nhất. (Kết quả này xảy ra ép, biến đổi khác nhau thì mức độ quan
tương tự khi áp dụng cho thông số độ trọng của từng đường cong sẽ thể hiện
rỗng của giếng A-21) khác nhau. Do đó, việc thêm hay bớt
Ứng dụng mô hình mạng nơron đường cong ĐVL-GK nào cần phải
nhân tạo để dự báo giá trị độ thấm dựa trên các kết quả nghiên cứu liên
và độ rỗng cho giếng A-19 quan để có lựa chọn đúng dắn.
Dựa vào những chỉ số thống kê ở trên 6. Việc áp dụng phương pháp ANN
tác giả kết luận mô hình ANN cho kết trong dự báo các tham số dầu khí là có
quả dự báo độ thấm và độ rỗng phù hợp khả thi. Riêng đối với khu vực nghiên
hơn so với phương pháp truyền thống. cứu thì nó mang lại tính chính xác cao
hơn so với PPTT. Nhưng không vì thế
KẾT LUẬN mà chúng ta có thể bác bỏ hay ưu tiên
Trên cơ sở nghiên cứu độ thấm, rỗng sử dụng ANN, bởi vì sau khi sử dụng
của mỏ X bằng ANN tác giả có thể đi tác giả nhận thấy nó cũng có những
đến một số kết luận sau: mặt nhược điểm như sau:
1. Mô hình mạng nơron nhân tạo được Khó có thể sử dụng lý thuyết về địa
tác giả xây dựng mang lại kết quả chất – địa vật lý để giải thích được mối
chính xác hơn với mô hình minh giải tương quan của từng tham số đầu vào
truyền thống. với tham số đầu ra.
2. Việc áp dụng công cụ phân tích Khả năng áp dụng phổ biến thấp, độ
thành phần chính PCA đã cải thiện nhạy cao: Một mô hình mạng nơron
được độ chính xác cho mô hình mạng nhân tạo có thể rất khớp, rất phù hợp
nơron nhân tạo. Với việc đã nâng cao với môi trường này, nhưng chỉ khi thay
được hệ số tương quan r, hệ số xác định đổi áp dụng cho môi trường khác thì
R2, giảm thiểu sai số trung bình (MSE) kết quả chưa chắc đã chính xác.
thì đối với đối tượng nghiên cứu công 7. Trong tương lai, với việc áp dụng tổ
681
- Giải thưởng Sinh viên nghiên cứu khoa học Euréka lần 20 năm 2018 Kỷ yếu khoa học
hợp phương pháp mạng nơron nhân tạo mang lại rất khả quan không những đối
(Artificial Neural Network), hệ chuyên với đối tượng dầu khí mà còn tài
gia (Expert Systerm) và hệ thống thông nguyên thiên nhiên nói chung.
tin địa lý (GIS) thì kết quả chắc chắn
TÀI LIỆU THAM KHẢO
TRẦN ĐỨC LÂN, 2010, “Nghiên cứu độ thấm đá móng granitoit mỏ Bạch Hổ
bằng mạng nơron nhân tạo”. Luận án tiến sỹ, Trường đại học Mỏ Địa
Chất.
JX-MEKONG, 2013. Block 15-2 C Sequence Modelling.
HOÀNG VĂN QUÝ, 2015, “Bài giảng Địa Vật lý Giếng khoan”, Trường Đại
học Dầu khí Việt Nam, Thành phố Bà Rịa.
GEORGE ASQUITH AND DANIEL KRYGOWSKI, 2004, “Basic Well Log
Analysis”, xuất bản lần 2, Nhà xuất bản AAPG, Oklahoma.
STEFFEN NISSEN (2003), “Implementation of a Fast Artificial Neural Network
Library”, http://SourceForge.net/projects/fann.
682
nguon tai.lieu . vn
