Метод восстановления сейсмических скоростей по удельному сопротивлению пород
Анализ метода восстановления продольных и поперечных сейсмических скоростей по значениям удельного сопротивления пород на примере данных, измеренных вдоль профиля на участке в Алтае-Саянском регионе. Использование максимально коррелирующих данных.
| Рубрика | Физика и энергетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 02.02.2019 |
| Размер файла | 480,2 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
метод восстановления сейсмических скоростей по удельному сопротивлению пород
В.В. Спичак, А.Г. Гойдина
Центр геоэлектромагнитных исследований ИФЗ РАН
Аннотация
Предложен метод восстановления продольных и поперечных сейсмических скоростей по значениям удельного сопротивления пород. На примере данных, измеренных вдоль профиля на участке в Алтае-Саянском регионе, показано, что, в зависимости от соотношения объемов имеющихся и прогнозируемых данных, точность прогноза скоростей продольных сейсмических волн изменяется в диапазоне 1-4%, а точность прогноза скоростей поперечных сейсмических волн составляет 4-6%. Во всех случаях наибольшие ошибки прогноза получаются при использовании максимально коррелирующих данных.
Ключевые слова: удельное сопротивление, сейсмические скорости, прогноз, нейросети.
сейсмический скорость сопротивление порода
V.V. Spichak, A.G. Goydina
METHOD OF RESTORING SEISMIC VELOCITIES ON ELECTRICAL RESISTIVITY OF ROCKS
Abstract. The method of recovery of longitudinal and transverse seismic velocities on the values of resistivity of rocks. For example, data measured along the profile at the site in the Altai-Sayan region, it is shown that, depending on the volume ratio of actual and forecast data, the forecast accuracy of the velocity of longitudinal seismic waves varies in the range of 1-4%, and the accuracy of prediction of transverse velocities of seismic waves is 4-6%. In all cases, the largest forecast errors are obtained by using the maximum correlated data.
Keywords: resistivity, seismic velocity, prediction, neural networks.
Введение
При интерпретации результатов магнитотеллурических и сейсмических зондирований часто возникают ситуации, когда тех или иных данных недостаточно и / или они не покрывают важные участки исследуемой области. Восполнение отсутствующей информации тем или иным способом могло бы помочь в решении этого вопроса. С этой целью обычно используют прогноз недостающих значений одного параметра среды (обычно это сейсмические скорости) по значениям другого параметра (обычно это удельные сопротивления), считая для упрощения, что и те и другие зависят только от пористости (хотя на больших глубинах это может быть зависимость от температуры). Тогда, основываясь на разных формах этих зависимостей от пористости (наиболее популярными из которых являются формула Aрчи для чистых песчаников и «уравнение среднего времени», соответственно), можно конкретизировать их связь и использовать ее в прогнозных целях.
В случаях, когда на большинстве пар имеющихся данных скоростей и удельного сопротивления, заданных в одних и тех же точках разреза, наблюдается высокая корреляция, можно считать оправданным построение прогнозных формул с помощью линейной или квадратичной регрессии. Поскольку, за исключением редких случаев, эти факторы заранее не известны, «слепое» использование такого подхода может приводить к существенным ошибкам при прогнозе.
Хорошей альтернативой этому подходу могут быть методы распознавания образов и, в частности, нейросетевые алгоритмы, ставшие особенно популярными в геофизике в последнее десятилетие. В обзорной работе [1] показано, что удельное сопротивление является хорошим прокси-параметром для восстановления (прогноза) данных температуры, коэффициента трещиноватости пород и решения других задач прикладной геофизики с помощью аппарата искусственных нейросетей. В частности, в статье [2] были представлены результаты нейросетевого моделирования скоростей сейсмических волн по данным удельного сопротивления и наоборот. Ниже мы приводим результаты, касающиеся восстановления сейсмических скоростей по удельному сопротивлению.
1. Данные
Рассматриваемый участок расположен в северо-западной части Алтае-Саянской складчатой области (рис. 1, слева) Наблюдения методами магнитотеллурического зондирования (МТЗ) и обменных сейсмических волн землетрясений (МОВЗ) [ ] были выполнены вдоль субмеридионального профиля (рис. 1, справа) [3]. На рис. 2 показан двумерный разрез до глубины 10 км, построенный по данным МТЗ [2]. Он имеет сложный характер и отражает складчатую структуру рассматриваемой области.
На рис. 3а и рис. 4а приведены разрезы скоростей продольных и поперечных сейсмических волн, соответственно, построенные с помощь инверсии времен прихода обменных волн землетрясений [3]. Глубинные построения проводились в рамках блоково-слоистой изотропной модели земной коры, которая, по мнению авторов последней работы, наилучшим образом соответствует характеру наблюдаемого волнового поля в вулканогенно-осадочном чехле (верхние 10-15км).
Рис. 1. Упрощенная геологическая карта участка работ [2]. Треугольниками отмечены точки МТЗ, черными кружками - точки приема сейсмических волн МОВЗ, затененный прямоугольник на внутренней вставке - участок работ
Рис. 2. Разрез удельного сопротивления вдоль субмеридионального профиля, показанного на рис. 1 [2]
2. Методика исследований
Методика исследований была основана на использовании искусственных нейросетей “с учителем”, которые хорошо зарекомендовали себя при решении различных прикладных задач геоэлектрики [1]. Все исследование было разбито на два не связанных между собой исследования, которые объединяли только общие данные. С этой целью использовались наборы значений рассматриваемых параметров, предварительно интерполированных в одни и те же узлы двумерной сетки, покрывающей двумерные разрезы.
В каждом из двух случаев соответствующие данные разбивались на 2 группы: в одну из них входили данные для обучения нейросети, а в другую - оставшиеся данные, которые использовались впоследствии для тестирования (прогноза). Для исследования влияния соотношения размеров имеющихся и прогнозируемых данных на точность реконструкции искомых параметров все данные в каждом из четырех случаев разбивались в соотношении K = 4:1, 1:1 и 1:4. При этом для обеспечения большей надежности оценок данные выбирались из общего пула случайным образом, а само разбиение повторялось по 5 раз. В результате были получены оценки средних ошибок (и соответствующих стандартных отклонений) прогноза в зависимости от K.
В ходе исследования в каждой из двух групп и для каждого из значений параметра K исследовалось влияние на точность прогноза характера исходных данных, используемых для обучения нейросетей: (1) значений самих параметров, а также пространственных координат точек, в которых они заданы, (2) только самих значений этих параметров и (3) подмножества данных, на которых достигаются максимальные коэффициенты корреляции рассматриваемых параметров.
Первый вариант соответствует учету не только самих значений параметров, но и (опосредованно через их зависимость от координат) других факторов, влияющих на эту зависимость. Использование расширенной информационной базы позволяет, с одной стороны, осуществлять более точный прогноз искомых параметров в рассматриваемой области, но, с другой стороны, ограничивает возможность его пространственной экстраполяции. Второй вариант, вообще говоря, обещает меньшую точность прогноза в той же области, но зато, по-видимому, может быть более успешно использован в других регионах, так как не связан с координатами (при условии сохранения там той же взаимосвязи между рассматриваемыми параметрами, что заранее трудно проверить). Наконец, третий вариант моделирует часто встречающуюся на практике ситуацию, когда прогноз осуществляется по эмпирической формуле, полученной на основе коррелирующих друг с другом данных, являющихся лишь частью исходного массива информации.
3. Восстановление скоростей продольных сейсмических волн
На рис. 3 представлены разрезы скоростей продольных сейсмических волн, построенные по прогнозным значениям, усредненным по пяти случаям (в варианте 1). Вверху для сравнения представлен исходный разрез (а), а ниже (б, в и г) разрезы, построенные с помощью нейросетей, обученных на уменьшающихся объемах исходных данных (K = 4:1, 1:1, 1:4, соответственно). Сравнение разрезов показывает, что при K = 4:1 и 1:1 разрезы незначительно отличаются от исходного. При K = 1:4 (г) появляются артефакты в приповерхностной части разреза, а также на глубинах больше 8 км, в то время как, в целом, горизонтально-слоистая структура определяется вполне уверенно.
Рис. 3. Разрезы модельных скоростей продольных сейсмических волн, построенные по разрезу удельного сопротивления, при разном соотношении (K) объемов данных в обучающих и тестирующих пулах: а - исходный разрез [3], б - K=4:1, в - K=1:1, г - K=1:4 [2]
4. Восстановление скоростей поперечных сейсмических волн
На рис. 4 представлены разрезы скоростей поперечных сейсмических волн, построенные по прогнозным значениям, усредненным по пяти наборам данных (в варианте 1). Вверху для сравнения представлен исходный разрез (а), а ниже (б, в и г) разрезы, построенные с помощью нейросетей, обученных на уменьшающихся объемах исходных данных (K=4:1, 1:1, 1:4, соответственно). Сравнение разрезов показывает, что при K=4:1 разрез незначительно отличается от исходного, в то время как при K=1:1 и 1:4 (разрезы в и г, соответственно) на больших глубинах появляются заметные искажения структуры (хотя, в целом, горизонтально-слоистая структура определяется достаточно уверенно).
Рис. 4. Разрезы модельных скоростей поперечных сейсмических волн, построенные по разрезу удельного сопротивления, при разном соотношении (K) объемов данных в обучающих и тестирующих пулах: а - исходный разрез [3], б - K=4:1, в - K=1:1, г - K=1:4 [2]
Заключение
На основании полученных результатов можно сделать следующие выводы.
Аппарат искусственных нейросетей позволяет восстанавливать значения скоростей продольных и поперечных сейсмических волн по значениям логарифма удельного сопротивления. В зависимости от соотношения объемов обучающих и тестирующих данных точность прогноза скоростей продольных сейсмических волн изменяется в диапазоне 1-4%, тогда как точность прогноза скоростей поперечных сейсмических волн составляет 4-6%. При прогнозе с учетом координат точек, в которых заданы данные, относительные ошибки прогноза уменьшаются.
Прогнозные разрезы скоростей сейсмических волн достаточно надежно восстанавливаются, если объем неизвестных значений параметров, подлежащих восстановлению, не превышает объем имеющихся данных, используемых для обучения нейросети.
Во всех случаях ошибки прогноза по максимально коррелирующим данным дали наихудший результат. Это говорит о том, что укоренившаяся практика вывода эмпирических формул (и их последующего использования для прогноза) на основе качественной или количественной корреляции соответствующих данных может давать ошибочные результаты.
Библиографический список
1. Spichak V.V. Application of ANN based techniques in EM induction studies. // “The Earth's Magnetic Interior”, IAGA Special Sopron Book Series, Springer, 2011. p. 19-30.
2. Спичак В.В., Гойдина А.Г. Нейросетевое моделирование сейсмических скоростей и удельного сопротивления пород по геоэлектрическим и сейсмическим данным, соответственно. // Геофизика. 2013. №3. С. 34-44.
3. Кадурин И.Н., Белявский В.В., Егоркин А.В. и др., Геофизические исследования сейсморазведочными и электроразведочными методами глубинного строения Алтае-Саянской складчатой области по профилям общей протяженностью 3300 км. Организация и проведение режимных геофизических наблюдений на Тывинском полигоне. // Отчет, Геолфонд (№ 492309). 2008.
Размещено на Allbest.ru
Подобные документы
Построение гидродинамической сетки обтекания кругового цилиндра. Эпюры скоростей и давлений для одного сечения потока. Диаграмма распределения давления вдоль продольной оси канала. Расчет диаграммы скоростей и давлений по контуру кругового цилиндра.
курсовая работа [252,4 K], добавлен 27.03.2015Проверка закона распределения скоростей молекул с помощью прибора Штерна. Его конструкция: коаксиальные цилиндры, между которыми создается вакуум, вдоль оси - платиновая нить, покрытая серебром. Введение Ламмертом селекторов скоростей в устройство.
реферат [400,6 K], добавлен 18.11.2010Подходы к построению физических моделей. Физический принцип регистрации землетрясений. Теория деформации, основанная на физических закономерностях о сжимаемости и деформируемости. Распространение сейсмических волн при влиянии неидеальной упругости среды.
дипломная работа [6,8 M], добавлен 14.07.2015Выявление характера зависимостей составляющих основного удельного сопротивления движению при перемещении под током и без него. Использование метода имитационного моделирования. Анализ снижения аэродинамического коэффициента при уменьшении отпора хода.
отчет по практике [91,3 K], добавлен 15.07.2017Теории и методики измерения плотности горных пород способом гидростатического взвешивании. Метрологический контроль измерительного прибора. Плотность пород в естественном залегании. Определение плотности песчаника, гипса, аргиллита, гранита, алевролита.
лабораторная работа [401,7 K], добавлен 28.02.2016Принцип относительности Галилея. Закон сложения скоростей. Постулаты Эйнштейна, их значение. Преобразования Лоренца и следствия из них. Интерферометр Майкельсона и принципы. Сложение скоростей в релятивистской механике. Взаимосвязь массы и энергии покоя.
презентация [1,4 M], добавлен 31.10.2016Распределение Максвелла, по вектору. Функция распределения вероятностей. Вычисление средних значений. Наиболее вероятная скорость. Заданный интервал скоростей. Барометрическая формула. Плотность вероятности скоростей молекул для благородных газов.
презентация [1,4 M], добавлен 23.10.2013Векторы угловой скорости и углового ускорения вращающегося тела. Производные от единичных векторов подвижных осей (формулы Пуассона). Теорема о сложении скоростей (правило параллелограмма скоростей). Теорема о сложении ускорений (теорема Кориолиса).
курсовая работа [623,5 K], добавлен 27.10.2014Создание технических средств метрологического обеспечения контроля качества полупроводниковых материалов. Анализ установки по измерению удельного электрического сопротивления четырехзондовым методом. Измерение сопротивления кремния монокристаллического.
дипломная работа [1,2 M], добавлен 24.07.2012Построение траектории движения тела, отметив на ней положение точки М в начальный и заданный момент времени. Расчет радиуса кривизны траектории. Определение угловых скоростей всех колес механизма и линейных скоростей точек соприкосновения колес.
контрольная работа [177,7 K], добавлен 21.05.2015
