programu Petrel Bartosz Papiernik Współpraca praca Grzegorz Machowski

Transkrypt

1 Modelowanie powierzchni z wykorzystaniem programu Petrel II. Podstawowe algorytmy estymujące Bartosz Papiernik Współpraca praca Grzegorz Machowski Katedra Surowców w Energetycznych Wydział Geologii, Geofizyki i Ochrony Środowiska Akademia GórniczoG rniczo-hutnicza w Krakowie KRAKÓW Kwiecień 2008 Do opracowania wykładu wykorzystano fragmenty przygotowywanej pracy doktorskiej autora W partiach dotyczących zastosowania programu Petrel wykorzystano rysunki pochodzące z elektronicznej pomocy programu Petrel2007 Wykorzystywane do przygotowania wykładu programy Petrel 2007, Eclipse 100, zostały przekazane na WGGiOŚ AGH jako darowizna przez firmę Schlumerger Logelco Inc. Materiały nie mogą być powielane bez zgody autora

2 Closest point (Closest) dzieli przestrzeń na strefy bezpośredniego wpływu danej wejściowej. Poligony Van Thyssena (Woronoia)

3 Ćwiczenie 1. 1 Algorytm Assign Closest Point oraz wykorzystanie zakładek adek Well adjustment oraz Post Processing Dla stropu cenomanu (dane typu Well Tops: Cenoman.csv ) w domenie głębokościowej lub czasowej i uskoków USKOKI-CENOMAN.DAT policzyć grida wykorzystując c algorytm Assign to closest point A) Policz siatkę dla ustawień standardowych B) Policz siatkę ponownie, ustawiając c silną anioztropię C) Pozostaw ustawienia z punktu B) ale w zakładce adce Well adjustment wybierz punkty Cenoman.csv (Z) Wstępnie dokonaj konwersji Atrybutu Z w pliku Cenoman.csv do postaci punktów Convert to points) D) Pozostaw ustawienia z punktu C i wejdź w zakładkę Post-processig Ustaw liczbę iteracji na 2 potem na 5 sprawdź rezultaty po kaŝdej zmianie wybierając c klawisz Apply

4 Algorytm Closest point (Closest) Jest uŝywany takŝe do opracowania gridów 3D. Technika obliczeniowa jest stosunkowo rzadko uŝywana- głównie do opracowania modeli facjalnych Poligony Van Thyssena (Woronoia)

5 Algorytmy sztuczne (Artificial) -moduł Make Surface Stała Obliczenie powierzchni przybliŝonej fraktalami Obliczenie płaszczyzny o arbitralnie określonym kącie nachylenia (np., model powierzchni depozycyjnej) Utworzenie modelu o stałych wartościach Z w obrębie wieloboków (proste modele facjalne) Modele kanałów

6 Algorytm średniej waŝonej Moving Average Algorytmy zaliczane do tzw. metod odwrotnej odległości (nazwy spotykane w programach: Inverse Distance, Weighted Average, Moving Weighted Average) naleŝą do najprostszych z pośród d stosowanych technik interpolacji numerycznej. Traktują one wszystkie dane z otoczenia estymowanego węzła w a RSI w identyczny sposób, rzutując c ich wartości prostopadle. Czynnikiem róŝnicujr nicującym cym wpływ punktów w na wynik estymacji jest ich oddalenie od węzła w a RSI, dodatkowo modyfikowane wykładnikiem potęgowym. Algorytmy z tej grupy bazują na podstawowym równaniu r przedstawionym na rysunku Wśród d wymienionych parametrów w kluczowe znaczenie ma odległość d, która jest odwrotnie proporcjonalna do wagi punktu. JednakŜe e niezwykle duŝy y wpływ na jakość modelu ma takŝe e arbitralnie wyznaczany wykładnik potęgowy p. Algorytmy z opisywanej grupy w podstawowej formie nie pozwalają dokonywać ekstrapolacji ekstremów w siatki poza wartości danych wejściowych. Z tej przyczyny najlepsze rezultaty moŝna uzyskać kartując c parametry zmieniające się w ograniczonym zakresie (np( np.. współczynnik porowatości) na podstawie licznych danych wejściowych.

7 Ćwiczenie 2. 2 Algorytm Moving Average Dla stropu cenomanu (dane typu Well Tops: Cenoman.csv ) w domenie głębokościowej lub czasowej i uskoków USKOKI-CENOMAN.DAT policzyć grida wykorzystując c algorytm Moving Average Promień wyszukiwania pozostaw bez zmian Policz 4 siatki zmieniając c opcje Point Weighting EQUAL INVERSE DISTACE INVERSE DISTACE SUARED INVERSE DISTACE QUADUPLED Porównaj wyniki co powoduje zaobserwowana róŝnicr nicę?

8 Algorytm średniej waŝonej Moving Average (MA) Wynik interpolacji dla p=1. Mała przydatność do odtworzenia zjawisk geologicznych. Jakie moŝe mieć zastosowanie tak wykonana mapa?

9 Algorytm średniej waŝonej Moving Average Wykładnik potęgowy = 4 duŝy wpływ odległych punktów

10 Algorytm Moving Average p= 4, 4 Grid 3D

11 Directional trend (Określanie ważenia kierunkowego)

12 Uśrednianie pionowe (Petrophysical modeling) W przypadku modelowania petrofizycznego z wykorzystaniem algorytmu MA uŝytkownik moŝe określić sposób uśredniania pionowego - czy będzie ono przebiegać wzdłuŝ warstw czy teŝ poziomej płaszczyzny Dystans, kierunek i siła wpływu pionowego i poziomego mogą być określane w kategoriach odległości bądź ilości węzłów.

13 Algorytmy wykorzystujące dopasowanie funkcji (Functional( algorithms) Na podstawie danych tworzona jest płaszczyzna p najlepszego dopasowania do danych wejściowych. W podstawowej wersji jest ona obliczana z uŝyciem u wszystkich danych (metoda globalna). Wyliczone w ten sposób b powierzchnie nie sąs dokładne (approximate( method od). Odzwierciedlają zasadnicze trendy zmienności ( tzw. zmienne zregionalizowane). Składowe te powinny być usunięte z danych wejściowych w przypadku wykorzystania krigingu.. Statystyczna istotność trendów w wielomianowych pozwala określi lić test F Snedecora. Wyliczone w ten sposób b trendy sąs w Petrelu uŝywaneu są jako tzw. powierzchnie sterujące w innych algorytmach (np( np.. powierzchnia depozycyjna dla modelu miąŝ ąŝszości) ci). Algorytmy z tej grupy powinny być uŝywane z waŝeniem punktów w typu Equal (p=1) p=1), pozwala to określi lić tzw. zmienną zregionalizowaną ( trend) z danych wejściowych.. Zasadnicze cztery metody dostępne w programie opierają się na następuj pujących funkcjach: Płaszczyzna (Plane( Plane) wyliczona w wyniku dopasowanie funkcji Z= ax+by+c Płaszczyzna określona jako prostokątna tna hiperboloida (Bilinear( Bilinear) Z= axy+bx+cy+d Symetryczna parabola (Simple( Parabol ) Parabola bez wymuszonej symetrii Z= a(x2+y2)+bx+cy+d Z= ax2+by2+cx+dy+e FA nie powinny być stosowane dla zbiorów danych o małej liczebności i nierównomiernej dystrybucji przestrzennej punktów.

14 Przykład map obliczonych w wykorzystaniem dopasowania funkcji wielomianowych i obliczone na tej podstawie odchyłki od trendu i współczynniki korelacji

15 Ćwiczenie 3. 3 Algorytm Functional oraz wykorzystanie zakładek adek Well adjustment oraz PostProcessing Dla stropu cenomanu (dane typu Well Tops: Cenoman.csv ) w domenie głębokościowej lub czasowej i uskoków USKOKI-CENOMAN.DAT policzyć grida wykorzystując c algorytm Functional Policz 4 siatki dopasowując c punkty do Płaszczyzna (Plane( Plane) Płaszczyzna określona jako prostokątna tna hiperboloida (Bilinear( Bilinear) Symetryczna parabola (Simple( Parabol ) Parabol bez wymuszonej symetrii opcje Point Weighting ustaw jako EQUAL INVERSE DISTACE SUARED Porównaj wyniki co powoduje zaobserwowaną róŝnicę?

16 Algorytm Cos expansion Powierzchnia policzona tym algorytmem ma zminimalizowaną krzywiznę i jest bardzo wygładzona. Algorytm daje dobre rezultaty dla zbiorów w danych o małej liczebności ci [<100] (uŝywany takŝe e do obliczania prędko dkości średnich). Algorytm moŝe e dawać złe e wyniki w przypadku blisko połoŝonych, onych, skupionych danych.

17 Algorytm minimalnej krzywizny (Minimum y do estymatorów Curvature) Algorytm MC naleŝy do estymator wykorzystujących dopasowanie funkcji ( Briggs 1974, Smith, W. H. F., and Wessel,, P., 1990). W procedurze obliczeniowej stosowanej w Petrelu estymacja jest podzielona na dwa etapy: : interpolacji nterpolację lokalną i globalną ekstrapolację. W trakcie interpolacji lokalnej naleŝy y określi lić promień (radius)) oddziaływania, który moŝna określi lić jako: half cell: : połowa owa komórki ( stosowane dla punktów w o duŝej gęstog stości) 1 cell: : (komórka) dla danych o małej liczebności ci Lokalna intepolacja jest wykonywana algorytmami: Moving average - stosowany dla danych o małej liczebności ci (Average( of points) Plane Parabolic stosowany dla danych o duŝej liczebności ci UŜytkownik moŝe e równier wnieŝ zadeklarować sposób waŝenia punktów w począwszy standardową wykorzystywana jest metoda waŝenia odwrotnej odległości przy wykładniku potęgowym 2

18 Algorytm minimalnej krzywizny (Minimum Curvature) Drugi etap ekstrapolacji globalnej dokonywany jest z wykorzystaniem algorytmów Minimalnej krzywizny (metoda Euler) swobodnie ekstrapoluje wartości maksymalne i minimalne poza ekstrema obserwowane w danych, szczególnie silnie na obrzeŝach grida.. W przypadku duŝej lokalnej zmienności wartości lub nierównomiernego rozprzestrzenienia danych moŝe e dać zdecydowanie nierealistyczne wyniki. Zaletą modeli obliczonych tąt metodą jest gładkog adkość. Metoda Full Tension (operator Laplace ) Daje lepsze rezultaty w przypadku danych o duŝej zmienności parametru Z i nierównomiernej dystrybucji przestrzennej. Powstała a powierzchnia jest bardzo gładka ale w strefach nie kontrolowanych danymi jest wypłaszczona Opcja None (tylko debugowanie): : Do grida zostaną przypisane wartości wyliczone na etapie interpolacji lokalnej. Opcję ta moŝna wykorzystywać jako rozwiązanie zanie robocze pomagające ocenić jakość danych Petrel posiada takŝe odmianę algorytmu MC wykorzystującą informację na temat kąta upadu i biegu warstw (Dip and Azimuth) informacje te muszą się znaleźć w danych wejściowych

19 Ćwiczenie 4. 4 Algorytm Minimum Curvature Dla stropu cenomanu (dane typu Well Tops: Cenoman.csv ) w domenie głębokościowej lub czasowej i uskoków USKOKI-CENOMAN.DAT policzyć grida wykorzystując c algorytm Minimum Curvature Policz 2 siatki zmieniając c ustawienia parametru Global Extrapolation

20 Convergent Intrepolation (Make Surface) Iteratywny algorytm do przetwarzania danych, budujący model metodą kolejnych przybliŝeń o coraz wyŝszej rozdzielczości. ci. Pozwala to zachować wysoką dokładno adność w strefach gdzie dane sąs liczne oraz utrzymać generalny trend w strefach gdzie dane sąs rzadkie. CG moŝe e wyć wykorzystywany do danych sejsmiczych (2D i 3D) punktowych (stopy średnie, itp.) wykazujących regularną,, nieregularną lub zmienną dystrybucję przestrzenną,, do cyfrowanych konturów, modelowania powierzchni uskokowych Algorytm w pierwszej (rzadkiej) iteracji wykorzystuje rzeczywiste dane, w kolejnych iteracjach wraz z zagęszczaniem siatki interpolacji podlegają odchyłki wartości danych wejściowych od poprzedniej iteracji. Jest to tzw. strategia Multigridu stosowana takŝe e w algorytmach z grupy minimalnej krzywizny (Terzopulos( 1998) W trakcie kaŝdej iteracji wykonywana jest następuj pująca sekwencja obliczeniowa: Refine zagęszczenie grida. Snap dowiązanie grida do danych (dodanie residuum) Smooth - wygładzenie z wykorzystaniem operatora biharmonicznego.

21 Convergent Gridder (Make Surface) Jego główng wną zaletą jest duŝa a szybkość przetwarzania (nie sortuje danych i nie wybiera próbek) oraz moŝliwo liwość poprawnego modelowania na podstawie danych o zmiennej dystrybucji CG zawsze dokonuje ekstrapolacji danych na dystans równy r dwukrotnemu, inicjalnemu spacjowaniu siatki (pierwsza iteracja), (wielkość ta jest obliczana automatycznie). UŜytkownik U ma kontrolę nad wielkości cią ekstrapolacji poprzez procedurę Post-Processing Processing. Algorytm CG moŝna stosować do budowania modeli dokładnych (np( np.. dane otworowe) i przybliŝonych (np( np.. sejsmika). Algorytm bierze pod uwagę istnienie uskoków moŝna go takŝe e uŝywau ywać do modelowania powierzchni uskokowych.

22 Ćwiczenie 5. 5 Algorytm Minimum Curvature i Convergent Interpolation Dla wyników w interpretacji sejmiki kreda1-niezgodnosc niezgodnosc-n.dat uskoki : USKOKI-CENOMAN.DAT CENOMAN.DAT. policzyć grida wykorzystując algorytm Minimum Curvature oraz Convergent Interpolation - policz 2 siatki. Spróbuj zoptymalizować wynik estymacji zmieniając c podstawowe parametry procedur.

23 Kriging jest deteministyczna technika estymacji. U jego podstaw leŝy y szereg załoŝeń.. NajwaŜniejsze z nich to: Zmienność analizowanego parametru nie jest ani całkowicie deterministyczna, ani całkowicie przypadkowa (losowa). Kriging JeŜeli eli pomiędzy punktami występuje związek zek (tzn. istotna autokorelacja między danymi) to ciągły y model "struktury" moŝna estymować na podstawie sąsiednich s siednich punktów, choć wartość nieznanego punktu nie jest całkowicie zaleŝna od wartości sąsiednich s siednich punktów. Analizowany parametr Z jest w terminologii geostatystycznej określany jako zmienna zregionalizowana (regionalised variable), moŝe e się on składa adać z komponentu trendowego - regionalnego lub lokalnego - nazywanego drift oraz komponentu resztkowego (residual( residual). Ponadto, przyjmowane jest równier wnieŝ załoŝenie, Ŝe e zmienna zregionalizowana charakteryzuje się słabą stacjonarności cią (stationarity) - tzn. wartość oczekiwana zmiennej jest niezaleŝna na od miejsca jej występowania, zaś kowariancja jest jedynie funkcją odległości pomiędzy punktami pomiarów. Zmienność wartości Z w zbiorze danych jest funkcją odległości i kierunków. Punkty leŝą Ŝące blisko siebie na ogół wykazują mniejszą zmienność ść,, niŝ punkty bardziej od siebie odległe. e. Podobna zaleŝno ność wiąŝ ąŝe e się z kierunkami dystrybucji - wzdłuŝ pewnych kierunków w równo r odległe punkty wykazują mniejsze zmienności niŝ wzdłuŝ innych

24 Kriging stacjonarność zmiennej Rysunki wg O.Dubrule, SEG DISC 2003 Zmienna stacjonarna Zmienna niestacjonarna

25 Kriging - semiwariogramy Wyszukiwanie danych do stworzenia wariogramu Sposób b wyszukiwania danych definiują następuj pujące parametry: Search distance maksymalny zasięg g wyszukiwania Lag (interwał wyszukiwania, separacja) lub liczba interwałów w wyszukiwania (number of lags) i tolerancja wyszukiwania w interwale (Lag( tolerance,) Orientacja osi wyszukiwania (względem północy p geograficznej, wyraŝona w stopniach) Szerokość strefy wyszukiwania (Band Width) ) wyraŝona w metrach

26 Kriging - semiwariogramy Wariogramy (semiwariogramy)) eksperymentalne (Sample( variogram) ) mogą być obliczane w dowolnym kierunku. W Petrelu sąs one określane w wyniku analizy danych lub arbitralnie wzdłuŝ głównego kierunek zmienności (Major( Direction) ) i prostopadły y do niego kierunek najsłabszej abszej ciągłości parametru (Minor( Direction). MoŜliwe jest takŝe e obliczanie wariogramu pionowego (Vertical Direction), odwzorowującego zmienność parametrów w w profilu otworu. Siłę związku zku poszczególnych punktów w opisuje wariogram eksperymentalny który jest obliczany na podstawie danych najczęś ęściej leŝą Ŝących wzdłuŝ osi wyszukiwania. W Petrelu wariogram moŝna stworzyć z wykorzystaniem procedury (DATA ANALYSIS) Wariogram jest liczony wg wzoru: 2γ(h)= Σ(Zi - Z i+n) 2 / N(h) gdzie : 2γ(h) - wariancja dla interwału u przeszukiwania h (lag) Zi - wartość zmiennej geologicznej w i-tym i punkcie połoŝonym onym w obrębie bie interwału Zi +n - wartość zmiennej geologicznej w punkcie i+n w interwale h N(h) - liczna par punktów w w interwale h (lag)\

27 Kriging - wariogramy Do wariogramu eksperymentalnego dopasowywany jest model.matematyczny (Wariogram( Wariogram) Definiują go następuj pujące parametry: Nuget semiwariancja dla odległości przedziału u separacji 0. Definiuje zmienność danych w małej skali lub ich dokładno adność Plateau strefa spłaszczenia wariogramu Sill wielkość semiwariancji dla której następuje spłaszczenie variogramów teoretycznego i eksperymentalnego. Transition - strefa w której wariogram wykazuje wzrost wartości semiwariancji Range maksymalny dystans separacji dla którego obserwowane jest przejście wariogramu do strefy spłaszczonej (sill)

28 Kriging w Petrelu Obejmuje algorytm wewnętrzny (Kriging Interpolation). Jest to stosunkowo prosta wersja algorytmu nie pozwalająca dokonać detrendowania danych. Jedyna dostępna transformacja danych obejmuje przekształcenie rozkładu populacji do rozkładu normalnego. Bardziej zaawansowany jest algorytm Kriging Gslib uruchamiany zewnętrznie. Pochodzi on z zasobów Geostatisctic Library (USA). UmoŜliwia on wzbogacenie procedury estymacji poprzez jej skorelowanie z inna zmienną ( Collocated co-kiriging). Jest to cenne ze względu na zwiększenie ciągłości estymacji niektórych bardzo niejednorodnych zmiennych np. przepuszczalność jest korelowana z porowatością.

29 Kriging Typy podstawowych wariogramów teoretycznych stosowanych w Petrelu Mapa wariancji w miejscu gdzie znajduje się odwiert wariancja jest minimalna

30 Algorytm Sequential Gaussian Simulation (SGS) SGS jest stochastycznym algorytmem rozwiniętym na bazie krigingu honoruje m.in. dane wejściowe, statystyczne dystrybucje danych wejściowych, trendy i wariogramy, W trakcie estymacji program losowano generuje anomalie dodatnie i ujemne, honorując c rozkłady danych wejściowych. W celu zrozumienia zakresu ryzyka modelu polecane jest wykonanie kilku realizacji, Jeśli uŝytkownik u nie posiada dodatkowych informacji program uŝywa u do stworzenia grida tylko danych wejściowych, w rezultacie modelowanie jest słabo s kontrolowane, a wyliczone maksima i minima mogą znacznie przekraczać zmienność uŝytych danych, Modelowanie algorytmem SGS polega na stopniowym wypełnianiu modelu wartościami ciami.. Algorytm A naleŝy y do grupy technik tzw. conditional (warunkowanych) tzn. zapewniających pełną zgodność modelu i danych wejściowych. W przestrzeni pomiędzy danymi modelowanie poszczególnych węzłów w w odbywa się w sposób b losowy, model wypełnia się wartościami poprzez uruchamianie w kolejnych miejscach procedury krigingu.. Program ustala dla danego węzła w gridu wariancje i pobiera wartość z uŝytej u dystrybucji danych wejściowych. Kolejne węzły w y siatki sąs obliczane z wykorzystaniem wartości obliczonych w poprzednich węzłach. w W rezultacie wyniki obliczeń w ostatnich węzłach w sąs silnie ograniczone i uwarunkowane zmienności cią (dystrybucją danych wejściowych i wynikami wcześniejszych estymacji). By uniknąć powstawania systematycznego błęb łędu naleŝy y zapewnić w pełni losową kolejność obliczania (cell( visitation order).

31 Algorytm Sequential Gaussian Simulation SGS W trakcie estymacji program moŝe e dokonać czasowej zamiany (rzeczywistej) dystrybucji (zmienności) danych wejściowych do postaci standaryzowanego w celu zminimalizowania błęb łędów w procedury krigingu.