WWW.KNIGA.SELUK.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА - Книги, пособия, учебники, издания, публикации

 


МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РФ

ФГБОУ ВПО «СЕВЕРО-КАВКАЗСКИЙ ГОРНОМЕТАЛЛУРГИЧЕСКИЙ ИНСТИТУТ

(ГОСУДАРСТВЕННЫЙ ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ)»

Кафедра автоматизированной обработки информации

Курс лекций

По дисциплине «Экспертные системы в поиске и анализе

перспективности разработки месторождений»

для направления подготовки 230100 – Информатика и вычислительная техника Квалификация (степень) выпускника «бакалавр»

Токарева И.В.

Составитель:

Владикавказ 2013 г Содержание ЛЕКЦИЯ 1. ВВЕДЕНИЕ

ЛЕКЦИИ 2-3. ЭКСПЕРТНЫЕ СИСТЕМЫ – ПУТЬ К РЕШЕНИЮ ПРОГНОЗНЫХ ЗАДАЧ................. 4 ЛЕКЦИИ 4-5. ТЕХНОЛОГИЯ ПРОЕКТИРОВАНИЯ ЭКСПЕРТНЫХ СИСТЕМ

ЛЕКЦИИ 6-9. ЛОГИКО-ИНФОРМАЦИОННОЕ МОДЕЛИРОВАНИЕ ПРИ ПРОГНОЗНОМЕТАЛЛОГЕНИЧЕСКОМ АНАЛИЗЕ ПЕРСПЕКТИВНЫХ ПЛОЩАДЕЙ

ЛЕКЦИЯ 10-12. СЕЙСМОРАЗВЕДКА

ЛЕКЦИЯ 12-14. МЕТОДЫ СЕЙСМОРАЗВЕДКИ

Лекция 1. Введение Анализируя тенденции развития информационных технологий в геологии, можно отметить следующее: сначала наиболее бурно шел процесс перевода всех геологических данных в цифровой вид, сейчас эта задача становится неотъемлемой и обязательной частью внедрения компьютерных технологий, и на передний план выходят задачи анализа имеющихся данных, решение которых напрямую связаны с использованием информационных технологий. Это потребовало значительных работ по структуризации и стандартизации исходных данных. Унификация систем описания позволяет проводить сопоставление исследуемых объектов.

Первые шаги информационных технологий в геологии были связаны с задачей автоматизации рутинных операций, которая в настоящее время практически решена.

Широкое распространение получили ГИС-системы, что позволило производить анализ пространственного размещения геологических объектов и изучать распределение пространственной изменчивости наблюдаемых величин путем построения карт.

Следующим кардинальным скачком стало использование систем извлечения знаний (Data mining), нацеленных на поиск закономерностей в огромном наборе фактических данных. Эти методы позволили перейти от данных (совокупности сведений) к знаниям (закономерностям, значимым для пользователя-геолога). Ряд исследователей разрабатывали специальные методы для решения геологических задач. Применение полученных научных результатов способствовало повышению эффективности этих решений, ускоряя процесс их принятия, и достоверности выводов.



Актуальность темы Изучение рудных месторождений является одним из стратегических направлений геологических исследований, обеспечивающих развитие наук о Земле. Проблема прогноза и оценки рудных месторождений является актуальной, поскольку напрямую связана с расширением минерально-сырьевой базы, обеспечивающей экономическое развитие страны. Для решения этой проблемы необходимо использование современных геоинформационных технологий для повышения эффективности, точности и достоверности прогноза и оценки.

В настоящее время актуален переход от систем, оперирующих с данными с целью получения знаний, к системам, использующим знания для решения геологических задач.

Назрела необходимость создания идеологии и методологии разработки экспертных систем современного уровня, целями которых являются совершенствование процедур анализа геологических ситуаций и повышение эффективности принятия решения пользователями в условиях неопределенностей.

В этой связи актуальна и важна проблема разработки информационных технологий для прогноза и оценки рудных месторождений на базе экспертных систем. Применение в этой области компьютерных технологий позволяет значительно упростить задачу исследователя и ускорить ее выполнение.

В настоящее время настоятельной необходимостью является применение инновационных информационных технологий. Сложность решаемой проблемы прогноза и оценки рудных месторождений обуславливает использование гибридных экспертных систем, в которых предусмотрено сочетание различных способов представления научных знаний (знания экспертов; закономерности, получаемые в результате обработки имеющейся базы данных).

Лекции 2-3. Экспертные системы – путь к решению прогнозных задач В настоящее время интенсивно разрабатываются и находят практическое применение для решения прикладных задач в области геологии экспертные системы (ЭС). Под экспертной системой понимается компьютерная программа, использующая знания и логику рассуждений эксперта с целью выработки рекомендаций или решения проблем. ЭС способствуют получению обоснованной оценки перспективных площадей и переоценки ранее открытых месторождений, обычно проводящейся при учете прироста запасов.

Использование ЭС весьма удобно для геолога. Пользователь работает с системой в режиме диалога и, в случае необходимости, может получить нужные ему пояснения о ходе логического вывода.

Наиболее эффективными в этом направлении являются гибридные экспертные системы, база знаний которых включает не только знания экспертов, но и закономерности, получаемые в результате анализа имеющихся баз данных.

Впервые понятие гибридных экспертных систем было введено Г.С.Поспеловым в 1977 г.

[www.ccas.ru]. Гибридные экспертные системы позволяют использовать преимущества традиционных средств и методов искусственного интеллекта, более эффективно соединять формализуемые и неформализуемые знания за счет интеграции традиционных средств искусственного интеллекта.





Использование знаний квалифицированных экспертов позволяет распространить их среди менее квалифицированных специалистов, обеспечивая получение обоснованных решений, рекомендуемых экспертной системой. Последовательность этапов процесса принятия решения может быть прослежена в ходе анализа работы блока принятия решения системы.

Прогнозная задача была первой среди геологических задач, для решения которой использовалась технология экспертных систем. В этом случае основой прогнозирующей системы являются многофакторные модели рудных объектов, в том виде, как они представляются геологам.

Согласно принципу последовательной детализации в качестве основных пространственных прогнозно-металлогенических таксонов, как объектов исследования, выделяются металлогеническая зона, рудный район, рудный узел, рудное поле, месторождение.

Экспертная система позволяет на основе использования разнообразных методов и методик решать ряд разнообразных задач в процессе реализации общей технологической схемы решения прогнозных задач. В качестве основных задач прогноза и оценки рудных месторождений выделяются: определение рудно-формационного типа месторождений и оценка их масштабности. Правила проведения прогнозной оценки перспективной территории формулируются экспертом-геологом или рассчитываются по эталонным объектам базы данных, что повышает объективность результата.

В базу знаний ЭС помещается вся геологическая информация, характеризующая объекты исследования. ЭС имитирует процесс принятия прогнозных решений специалистомгеологом, давая по ходу решения необходимые пояснения.

Методика получения знаний от экспертов представляет собой совокупность следующих процедур:

• сбор первичной информации, на основе данных диагностических методов, получивших положительную оценку эксперта в результате практической деятельности;

• использование опыта и знаний экспертов для совместной разработки и создания ситуационной модели, а также определение правил исследования;

• совместная оценка полученных результатов исследования и целесообразности развития и использования системы принятия решений.

Подход к построению системы на основе приобретения знаний от экспертов содержит такие этапы как идентификация, концептуализация, формализация, реализация, тестирование.

Индивидуальность подхода заключается в принципах, которые реализуются на каждом из перечисленных этапов.

На этапе идентификации для разработки ситуационной модели определяются задачи, которые подлежат решению. Выявляются цели разработки, состоящие в получении системы принятия решений для анализа и оценки ситуаций в поставленной задаче.

Определяются вычислительные ресурсы и группы экспертов по решаемой задаче.

На этапе концептуализации производится анализ проблемной области с участием экспертов, создается ситуационная модель; определяется метод решения задач, проектируется структура баз данных для хранения имеющейся информации.

На этапе формализации создается модель анализа и оценки ситуаций, база данных, алгоритмы, которые обеспечивают необходимые расчеты.

На этапе реализации выбирается программная среда для разработки приложения, происходит преобразование формальных знаний в работающие программы по анализу и оценке ситуаций, а также по работе с используемыми структурами данных.

Осуществляется наполнение базы знаний системы.

На этапе тестирования проводится совместная с экспертом проверка работы созданного варианта системы на конкретных задачах.

В процессе тестирования анализируются возможные источники ошибок. В ходе сбора данных, предназначенных для решения задач, происходит процесс их преобразования в знания, необходимые для получения результата. От качества базы знаний целиком зависит успех в решении задач, поставленных перед экспертной системой.

Направление по созданию экспертных систем в геологии развивается сравнительно давно.

Среди ЭС, успешно применяемых в геологии, следует отметить ЭС для решения прогнозных задач:

1. PROSPECTOR – для оценки перспективности района на различные виды полезных ископаемых;

2. DRILLING ADVISOR - при бурении геологических разведочных скважин [Hollander, Iwasaki, 1983].

3. ГЕНЕЗИС – для автоматизации технологии построения и использования прогнознопоисковых комплексов (ППК) [Бугаец и др., 1986; Вострокнутов 1999, 2006];

4. SERGE – для классификации геохимических аномалий при поисках твердых полезных ископаемых [Bonnefoy et al., 1989];

5. ГЕО – для регионального прогноза свинцово-цинковых месторождений Болгарии [Гитис и др., 1989];

6. ОЛОВО – для оценки оловянных месторождений [Родионов, Сыркин, 1995];

7. Экспертная система для статистического прогнозирования средних и крупных месторождений [Zhao et al., 1996].

8. Прогнозный блок системы ГИС-INTEGRO [Черемисина, Финкельштейн, 1999];

9. Экспертная система для оценки масштабов вольфрамового оруденения [Митрофанов и др., 2008].

Все упомянутые выше экспертные системы опирались на базу знаний, построенную на основе получения знаний от эксперта и дальнейшего их структурирования, что является достаточно разработанной процедурой [Васильев и др., 2007; Арский, Финн, 2008 и др.].

В 1991 г. при создании автоматизированных прогнозно-поисковых комплексов автором впервые была применена технология построения гибридных экспертных систем, использующих базы знаний, включающие не только знания экспертов, но и закономерности, получаемые в результате анализа имеющихся баз данных по исследуемым геологическим объектам.

Использование экспертных систем достигло определенных результатов. Например, с помощью ЭС PROSPECTOR открыто месторождение молибдена, оцениваемое примерно в 100 млн. долл. Но некоторые исследователи отмечали и недостатки [Король, Сопель, 1988]. Например, большинство ЭС рассчитано на использование новичками, а если пользователь является квалифицированным специалистом, его знания играют пассивную роль или игнорируются.

В консультирующих и обучающих системах это оправдано, в других такая возможность активизации знаний специалистов используется.

Например, в разработанной автором системе АНАЛОГ [Чижова и др., 2009] возможен поиск аналога по любому набору признаков, выбранному в ходе экспертизы, что позволяет пользователю проверять сформулированные им различные гипотезы и сравнивать эффективность различных критериев. Современные технологии обеспечивают построение дружелюбного интерфейса.

Таким образом, выбирая соответствующую технологию разработки экспертных систем, в каждом конкретном случае можно в итоге получить оптимальную систему.

Разработанные обобщенные логико-информационные методы для решения прогнознометаллогенических задач обеспечивают построение процедуры получения методического (расчет разделяющих весов признаков, получение модели типов эталонных объектов) и теоретического (расчет информационного веса экспертируемого объекта по рассчитанным весам признаков) знаний.

Полученные знания дополняют имеющиеся интуитивные (эвристические) и фактические знания об объекте исследования. Интуитивное знание (и), систематизированные научные факты (ф), разработка методов создания, проверки и фиксации знания (м) и теоретические конструкции (т) учитывают множество элементов научного знания [Шарапов, 1995].

Поэтому с позиций системного анализа база знаний систем, включающая в себя все типы знаний, является наиболее развитой.

Учет знаний экспертов и закономерностей, полученных в резуль- тате математической обработки данных, обеспечивает построение надежных комплексных баз знаний об объекте исследования, способных решать сложные задачи прогноза и оценки.

Гибридные экспертные системы, основанные на комплексных базах знаний, могут быть рассмотрены как связующее инновационное звено между наукой и практикой, поскольку фундаментальные знания, содержащиеся в базах знаний ЭС, принимают непосредственное участие в процессе принятия решения. Поэтапность процесса принятия решения может быть прослежена в ходе анализа работы блока принятия решения системы.

Принципиальным преимуществом использования методологии ЭС является возможность представления «реальных» профессиональных знаний в виде многофакторных моделей.

ЭС позволяют использовать всю сумму геологических знаний о размещении месторождений полезных ископаемых конкретного типа, накопленных в металлогенической теории, что позволяет существенно увеличить эффективность прогноза, повысить его точность и надежность. Процесс актуализации (периодического обновления) баз данных, используемых для извлечения знаний, обеспечивает получение более полных и точных баз знаний. Важнейшей чертой ЭС является переход от математических методов обработки информации к логическим.

Анализ имеющихся подходов к созданию методологических основ поиска и разведки месторождений с позиции выделения и типизации задач, решаемых на отдельных этапах и стадиях поисково-разведочного процесса, а также эффективного применения математических методов и ЭВМ показал, что наиболее конструктивен подход [Воронин, 1983], в котором основными теоретическими элементами являются схема разбиения на стадии и этапы, а также используемые на отдельных этапах и стадиях приемы описания геологических объектов, способы их классифицирования, районирования, сравнения, упорядочения. Именно этот подход и рекомендуется при создании дерева решений экспертных систем для прогноза и оценки рудных месторождений.

Лекции 4-5. Технология проектирования экспертных систем Основными принципами для построения распознающих систем являются принцип общности свойств (тип 1) и принцип перечисления (тип 2) [Ту, Гонсалес, 1978; Уотерман, 1989]. В первом случае, опираясь на принцип общности свойств, основанный на предположении, что объекты, образующие один класс, обладают свойством подобия, отраженного в их характеристиках, необходимо выделить системы информативных признаков, описывающих группу объектов в целом (отождествляющие признаки) и каждый тип в отдельности (делящие признаки), и на их основе построить решающее правило для отнесения экспертируемого объекта к одному из выделенных типов объектов.

Во втором случае используется некоторая мера сходства для определения степени близости экспертируемого объекта к одному из эталонов. При этом возможен выбор ближайшего аналога экспертируемого объекта из эталонных объектов, содержащихся в базе данных, по любому набору признаков, что дает возможность пользователю проверять различные гипотезы и сравнивать эффективность работы выбранных критериев.

Экспертная система предназначена для помощи эксперту в оценке потенциала перспективных площадей. Автором разработаны технологии построения экспертных систем, базирующиеся на принципе общности свойств (АСТРА) и принципе перечисления объектов (АНАЛОГ) [Чижова, 2009]. В первом случае используются расчетно-логические решающие правила, полученные обобщенными логико-информационными методами, во втором случае используется некоторая мера сходства [Чижова, 2004], с помощью которой выбирается объект-аналог для оценки свойств экспертируемого объекта.

Особенности построения баз знаний при использовании этих подходов представлены на рис. 2. Различия заключаются в выборе способов описания объектов исследования и их типов, вида расчетных функций и решающих правил. Механизм вывода решений использует правила типа "И", "ИЛИ", "Байеса" и решающие правила на основе весовых коэффициентов.

Рис. 2. Особенности структуры базы знаний экспертной системы при использовании различных принципов ее построения Любые сложные правила должны быть понятными – это позволяет избежать опасных ошибок. Правила формулируются экспертом или представляются в виде линейной функции.

Различие заключается лишь в том, что в первом случае все весовые характеристики (информативность признаков, истинность, логическая необходимость, логическая достаточность) задаются экспертом, а во втором - они рассчитываются исходя из анализа описаний эталонных объектов, имеющихся в базе данных.

При этом используется следующая технология:

1. Формируется конкретная цель (например, оценить масштабность оруденения);

2. На основании схемы решения целевой задачи экспертом формируется матрица переходов логических блоков, отражающих последовательность решения задачи;

3. Для каждого блока формируется эталонная выборка объектов, характеризующая все возможные их состояния (например, рудопроявления, мелкие, средние, крупные месторождения);

4. Для каждого логического блока формируется устойчивая система информативных признаков (полный и сокращенный вариант) с оценкой их значимости и набор простых и надежных решающих правил (обеспечивающих также и обработку ответов типа "не знаю") перехода системы в следующий логический блок.

В блок формирования результатов и оценки их достоверности целесообразно помимо результатов решения задачи ввести оценку степени изученности объекта исследования, а в случае его недоизученности дать рекомендации по рациональному комплексу методов проведения геологоразведочных работ.

С использованием технологии АСТРА создано несколько специализированных гибридных экспертных систем. Среди них специализированная экспертная система для прогноза и оценки золото- серебряных месторождений Охотско-Чукотского специализированная экспертная система для прогноза и оценки месторождений золотокварцевой и золото-редкометалльно_-кварцевой формации Северо- Востока России (Г.М.Курбанаев, И.А.Чижова, Н.А.Бакшеев, Ю.И.Лебедев), описанные в главах 4 и диссертационной работы, а также “Автоматизированный прогнозно-поисковый комплекс на россыпные объекты золота Магаданской области" (Е.В.Матвеева, Ю.И.Гольдфарб, А.В.Стефанский, И.А.Чижова, Н.А.Хмелева), “Автоматизированный прогнознопоисковый комплекс на россыпные объекты золота Юго-Восточной части Алданского щита" (Е.В.Матвеева, И.А.Чижова, Н.А.Хмелева).

Технология АНАЛОГ апробирована при создании информационно- аналитической системы для поиска ближайшего аналога золоторудных объектов среди золоторудных месторождений мира и решения прогнозно-металлогенических задач по методу аналогий (М.М.Константинов, И.А.Чижова, С.Ф.Стружков, Д.А.Покровский).

Лекции 6-9. Логико-информационное моделирование при прогнознометаллогеническом анализе перспективных площадей Достоинством логико-информационных методов является то, что они специально разработаны для исследования сложных объектов со слабо формализованными признаками, имеющими неясную иерархию. Они позволяют получать определенные выводы даже при небольших объемах исходных данных, поскольку учитывают информацию, полученную не только по каждому признаку, но и по их сочетаниям, что является их преимуществом при обработке информации, являющейся, в основном, бинарного типа (т.е. признаки принимают значения 0 (нет) или 1 (да)). Одна из важных задач, решаемых с их помощью, - определение комплекса существенных (связанных с поставленной задачей) признаков. Впервые решение такой задачи для случая бинарной информации при одинаковом числе эталонов в классах без оценки надежности предложенного способа было предложено Р.М.Константиновым [1973] и С.В.Сиротинской [1975].

Область применимости предложенных алгоритмов была ограничена: обучение проводилось на бинарной информации на таблицах, содержащих одинаковое число эталонных объектов в каждом классе.

Поэтому возник вопрос о дальнейшем развитии логико- информационных методов с целью возможности их использования при анализе не только бинарной, но и качественной (бальной) и количественной информации, описывающей объекты исследования, получением оценки надежности построенных решающих правил, простой интерпретируемости результатов, моделирования описаний еще не открытых объектов исследования с заданными целевыми свойствами. В настоящей работе предложено дальнейшее развитие в рамках комбинаторнологического подхода способа выявления системы существенных признаков, отличительной особенностью которого является одновременный учет информации о максимальном различии объектов из разных классов, сходстве объектов в пределах класса, упорядоченности классов, взаимосвязи признаков, постоянстве их связи с изменением целевого свойства.

Логико-информационные методы специально разработаны для решения задач распознавания образов, в котором классы объектов упорядочены по некоторому монотонно-изменяющемуся целевому свойству. Они позволяют: (1) среди многих предполагаемых рудоконтролирующих факторов выбирать те, которые связаны с изучаемым свойством объектов; (2) количественно оценить степень влияния каждого из них на это свойство; (3) определять среди них постоянные и переменные факторы. Как методы исследования многофакторных геологических систем, логикоинформационные методы позволяют по-новому подойти к изучению факторов, связанных с особенностями рудных месторождений.

Прогнозно-металлогенические исследования основываются на изучении геологоструктурных, магматических и иных металлогенических факторов, физико-механических и химических свойств вмещающих пород, а также многих других особенностей рудной минерализации. Использование этих факторов при прогнозах требует систематизации и сопоставления огромного количества различных наблюдений, объем которых по мере развития геологических исследований и совершенствования их методов непрерывно увеличивается.

Смысл моделирования заключается в том, что по результатам опытов на модели судят о явлениях, происходящих в природе. Основные принципы моделирования, направленного на решение задач геологоразведочного производства, сводятся к следующему [Константинов, 2005]:

1. Моделирование имеет целевой характер. Иначе говоря, необходима четкая постановка задачи, под которую должна создаваться соответствующая модель.

2. Моделирование имеет многоуровневый характер. Необходимо создание системы моделей, отвечающей задачам прогнозирования, поисков и оценки. Система разноранговых или разноуровневых моделей работает не только как метод «последовательных приближений», но и от частного к общему.

3. Моделирование должно быть многофакторным, т.е. модель должна включать максимально возможное количество элементов, для того чтобы иметь возможность заменять те или иные методы, необходимые для опознания объекта исследования.

4. Месторождения моделируются не по элементам (золото, свинец и т.п.), а по конкретным рудно-формационным и геолого-промышленным типам. Общепринятое понятие рудной формации, как группы месторождений со сходными минеральными ассоциациями и близкими геологическими обстановками нахождения, позволяет с научной точки зрения корректно осуществлять анализ перспектив новых, слабоизученных территорий.

Несомненно, созданная система моделей должна постоянно адаптироваться как к возможностям новых аналитических и поисковых методов и технологий, так и к локализации и уточнению задач, возникающих в практической геологии.

Поскольку реальный механизм взаимодействия рудоконтролирующих факторов во многом неясен, поиски решения возникшей проблемы целесообразно проводить путем построения и исследования самых общих кибернетических моделей, в которых различается "вход", "преобразователь" ("черный ящик") и "выход". Такие модели позволяют перейти от тождества функций рассматриваемых объектов к тождеству определенных соотношений в структурах объектов и оценить роль отдельных элементов в этих структурах.

Кибернетическая модель предполагает, что признаки, входящие в систему описания объекта исследования, косвенно связаны с целевым свойством, и надо лишь выделить среди них существенные и оценить их важность для решения прогнозной задачи.

Для построения модели можно выделить следующую последовательность действий:

1. Составление шкалы признаков для описания объектов исследования. Шкала признаков разрабатывается в соответствии с существующими геологическими представлениями об объекте исследования и должна учесть все факторы, влияющие на изучаемое свойство объектов.

Естественно, что эта шкала должна отвечать масштабу исследований, уровню изученности прогнозируемых объектов.

2. Cоставление основной таблицы типа “объект-свойство” для эталонных и контрольных объектов. В таблицу сводятся в соответствии с принятой шкалой характеристики исследуемых геологических объектов. Такие таблицы являются информационной базой для дальнейших исследований.

3. Выделение из таблицы эталонных объектов и изучение их вариационных рядов.

Изучаются закономерности изменения значений признаков у разных классов эталонных объектов, выделенных по значениям целевого свойства.

4. Оценка значения моделируемого свойства экспертируемого объекта на основе полученных расчетов. Правильность решения поставленной задачи подтверждается, если информационный вес объектов (сумма разделяющих весов признаков для характеристики эталонных и контрольных объектов) изменяется в том же порядке, что и исследуемое целевое свойство. Если такая закономерность установлена, то найденные разделяющие веса признаков могут использоваться для прогнозной оценки соответствующих геологических объектов.

Кибернетическое моделирование позволяет выбрать такую геологическую информацию, которая действительно необходима для прогнозов, а затем дать ей содержательную и количественную оценку.

Анализ разработанных ранее способов оценки информативности признаков в задачах Ф.П.Кренделевым, Р.М.Константи- новым, С.В.Сиротинской, Ю.А.Васильевым, В.О.Красавчиковым и др.), позволил сформулировать основные предположения, на которых базируется предлагаемый способ оценки информативности признака относительно изменения степени проявления целевого свойства:

1. Если направленному изменению целевого свойства соответствует такое же направленное изменение геологических характеристик, то это свидетельствует об их связи, причем отсутствие признака несет не менее полезную информацию, чем его наличие. Впервые такое представление было использовано в методе вариационных рядов Р.М.Константиновым [1973].

2. Принцип общности свойств: образы, принадлежащие одному и тому же классу, обладают рядом общих свойств или признаков, отражающих подобие таких образов.

На основе вариационных рядов и принципа общности свойств предлагаются функции для оценки информативности признака, характеризующие степень его близости к признакам, описывающим соответственно однородность выборки (тип О), специфичность классов (тип К), степень изменения целевого свойства (тип М). Выделенные типы признаков представляют интерес для исследователей в процессе решения прогнозной задачи.

Выделение существенных (информативных) признаков (алгоритм MYVES). Для выделения общих свойств классов (тип О) предлагается следующая функция информативности признака:

где (1, 2,..., М ) = (1,1,...,1); i - отрицание значения i.

( ) Dj i, i - доля объектов в классе i, принимающих значение признака j, равное i ;

M - число классов;

jO P - характеризует однородность всей выборки в целом.

Для выделения признаков, описывающих специфичность классов (тип К), используется функция:

где ( ) 1, 2,..., M = (0,0,...,1,...,0) (единица на k -том месте);

( ) Dj i, i - доля объектов в классе i, принимающих значение признака j, равное i ;

Pjk - характеризует информативность признака j для выделения объектов класса K.

Для выделения признаков, описывающих изменение целевого свойства (тип М), используется функция:

( ) Dj i, i - доля объектов в классе i, принимающих значение признака j, равное i ;

PjM - характеризует информативность признака j относительно изменения целевого свойства.

Все указанные функции рассчитываются для бинарных признаков и имеют диапазон изменения [1,+1], принимая экстремальные значения при проявлении соответственно О, К, М – свойств. Введенные функции позволяют ранжировать признаки относительно проявления у них полезных свойств и выявлять тенденцию этой связи (положительную или отрицательную).

Минимизация системы информативных признаков проводится за счет выбора порога информативности. Используется следующее правило выбора информативных признаков: если j P, то признак информативен; если j P, то признак отбрасывается. Значение порога определяется априорно. Чем ближе значение функции к 1, тем сильнее у признака проявлены, соответственно, О, К, М – свойства.

Перекодировка количественной информации в бинарную (алгоритм VIBOR). Если имеется как количественная информация, так и качественная, то ее можно свести к одному типу – бинарному (со значениями 0 или 1) с минимальной потерей информации относительно решаемой задачи (отбора информативных признаков относительно О, К или М – свойств). Предлагается алгоритм перекодировки, который преследует цель: выделение из области изменения признака j некоторого характерного интервала (интервал-индикатор признака j). Этот интервал обладает свойством: при перекодировке значений из этого интервала в 1, а значений, не входящих в этот интервал, в 0, получаем максимальное значение соответствующей информативной функции Pj по отношению к любым другим интервалам из области изменения признака j.

информативных признаков и информационных весов объектов (алгоритм GOLOS). Предлагается вид функции k, характеризующей степень принадлежности объекта к одному из выделенных классов объектов: M T,T,...,T 1 2, к=1,2,…,М, N – число информативных признаков:

Построенные для каждого класса характеристические функции 1, 2,..., M используются для формирования решающего правила: объект относится к тому классу, для которого характеристическая функция k принимает максимальное значение.

В качестве разделяющего веса признака для класса предлагается брать:

где N - число информативных признаков.

По величине Pjk можно ранжировать все изучаемые признаки. Признаки, получившие положительные веса Pjk, следует интерпрети- ровать как благоприятные для формирования объектов класса Tk. Признаки, получившие отрицательные веса Pjk, следует интерпрети- ровать как неблагоприятные для формирования объектов класса Tk.

Чем большим количеством благоприятных или меньшим количеством неблагоприятных для класса Тk признаков обладает объект, тем выше значение характеристической функции k.

Таким образом, алгоритм позволяет:

1. Выделять признаки, делящие объекты на классы;

2. Строить “центровые” объекты классов (модели типичного объекта класса и типичного объекта выборки);

3. Уточнять разбиение объектов на классы.

Алгоритм GOLOS позволяет оценить и отождествляющие способности признаков. Для этого в качестве отождествляющих весов признаков следует брать величины:

а в качестве функции принадлежности объекта всему множеству рассматривать:

Алгоритм GOLOS позволяет оценивать коррелируемость признаков с изменением целевого свойства. Для этого в качестве разделяющих весов признаков следует брать величины:

а в качестве функции принадлежности объекта множеству рассматривать:

Алгоритм построения распознающих комплексов признаков и идентификации объектов (алгоритм МУ). Распознающим комплексом признаков ( ) Y yr, yr,..., yrk 1 2 = называется подсистема признаков Y, для которой существуют такие величины H 0,Pi (i =1,k ):

1, i ri M signP = signP,, и для любых объектов X и Z из соседних классов l и (l +1) :

Pi - называется комплексным весом признака ri ;

М – число классов объектов.

H - называется коэффициентом отделимости классов по комплексу Y.

Задача распознавания объектов с учетом упорядоченности классов T1,T2,...,TM, (к=1,2,…,М) по исследуемому свойству сводится к следующей. Требуется выделить распознающий комплекс признаков с максимальным коэффициентом отделимости. Построенная на его основе функция (X ) позволяет наилучшим образом распознавать на обучающей (эталонной) выборке степень проявления исследуемого целевого свойства (масштабность оруденения и т.п.).

Величина (X ) (вес объекта) изменяется в диапазоне [0,1], что позволяет быстро оценивать степень проявления целевого свойства для любого объекта: для этого лишь надо сравнить значение (X ) с величинами, которые достигались у объектов эталонной выборки. Для объектов из класса 1 T, обладающего низкими значениями целевого признака, эта величина близка к 0; для объектов из класса M T эта величина близка к 1. Для каждого последующего класса веса объектов больше, чем у предыдущего класса объектов. Таким образом, распознающий комплекс признаков позволяет строить некоторую функцию (вес объекта), которая может служить индикатором для оценки значений целевого признака.

Задача поиска распознающего комплекса признаков может быть сведена к задаче линейного программирования, поскольку показатель качества разделения объектов по выделенному комплексу признаков представляет собой линейную функцию от элементов решения, ограничительные условия, налагаемые на выделенные решения, имеют вид линейных равенств или неравенств. Эта задача была решена с помощью симплексного метода.

Оценка устойчивости системы информативных признаков, качества и надежности решающих правил.

Качество построенного решающего правила проверяется на таблице обучения из базы данных:

где S - число эталонных объектов в таблице обучения;

K + - число эталонных объектов, отнесенных к своему классу.

Качество определения класса Ti :

где + Ki - число эталонных объектов класса Ti, отнесенных к своему классу;

Si - число объектов в классе Ti.

О формировании обучающих выборок при построении распознающих систем. При построении распознающих систем важную роль играют задачи выбора системы эталонов и системы информативных признаков. Для правильного их решения необходим анализ устойчивости системы информативных признаков при изменении системы эталонных объектов.

Результаты этого анализа позволяют сформировать такую систему эталонов, которая порождала бы наиболее устойчивую систему информативных признаков.

Пусть V = {Zi} - множество эталонных объектов, описанных в системе N признаков; ( ) Z zi, zi,..., zik 1 2 = - система эталонов, полученная путем случайного отбора из множества V ; P некоторое правило отбора системы информативных признаков по системе эталонов: P(Z ) =, где ( ) = 1, 2,..., N, j =1, если признак отобран в систему информативных признаков; j =0, в противном случае: j =1,…,N. n0 µ - вектор относительных частот появления признаков в системе информативных признаков при n0 испытаниях (различных систем эталонов):

Рассматривается задача оценки устойчивости системы информативных признаков, построенной по правилу P, описанному выше, при изменении системы эталонных объектов. Она может быть сведена к оценке относительных частот появления признаков в системе информативных признаков при использовании правила P.

Если определить событие A следующим образом: признак j является информативным для цели исследования, то справедливы следующие утверждения:

Утверждение 1. Для любых,,(0, 1) с вероятностью 1 можно утверждать, что на обучающей выборке длиной n,n n0, где:

относительные частоты появления признаков в системе информативных признаков µ j ( j =1,2,...,N) будут уклоняться от вероятности ( ) P Aj на величину меньше.

Утверждение 2. В случае произвольного числа испытаний при изучении N признаков с вероятностью 1 (0 1)можно утверждать, что максимальное уклонение частоты от вероятности будет равно:

Из утверждения 1 следует, что при решении практических задач можно оценивать количество испытаний, достаточное для получения устойчивой системы информативных признаков с заданной точностью. Из утверждения 2 следует, что в случае произвольного числа испытаний при изучении N признаков можно оценивать точность полученных мер устойчивости µ j (относительных частот появления признаков в системе информативных признаков).

Доказательство утверждений проводится аналогично тому, как это делалось в работе [Вапник, Червоненкис, 1974] при оценке точности решающих правил [Чижова, 1991, 2010].

Задача поиска достаточной системы эталонов, порождающей систему эталонных признаков J, обладающую максимальной устойчивостью, сводится к нахождению бинарного вектора, приводящего к минимуму функционал ( ) J, n0 :

- случайное число на отрезке [0, 1];

= ; - двоичный вектор; j = 1, если признак входит в систему информативных признаков, порожденную эталонной выборкой, соответствующей случайному числу ; j = 0, в противном случае.

Система эталонов Z, на которой этот минимум достигается, и будет искомой. В практических задачах она характеризует представительную выборку из полного объема информации V. Все описанные выше алгоритмы составляют комплекс алгоритмов: систему прогнозирования АСТРА, реализующий обобщенные логико- информационные методы.

Многомерная оценка информативности признака при решении прогнозных задач. В системе прогнозирования АСТРА проводится двухступенчатый анализ системы информативности признаков. Сначала указываются первые по информативности (по выбранному порогу информативности) N признаков, а затем проводится их анализ с учетом взаимосвязи, что приводит к сокращенным вариантам систем информативных признаков (алгоритм MY ). Таким образом, разработана процедура многомерной оценки информативности признака при решении прогнозных задач.

Каждый признак характеризуется:

а) характером связи с целевым свойством (положительным, способствующим накоплению свойства или отрицательным – препятствующим накоплению свойства);

б) силой связи с исследуемым свойством;

в) устойчивостью связи с исследуемым свойством (постоянной или переменной).

Кроме того, найденные распознающие комплексы признаков характеризуются коэффициентом отделимости, который показывает эффективность его использования при решении задач распознавания, а комплексные веса признаков показывают, какую долю информации о различии классов несет признак, входящий в распознающий комплекс. Оценка надежности используемого решающего правила. В качестве решающих правил обычно выбираются наиболее простые, поддающиеся логическому объяснению правила, позволяющие реализовывать несложные оптимизационные процедуры его поиска. Именно поэтому наиболее широкое применение получили линейные решающие правила.

Автору [Чижова, 1991, 2010] удалось теоретически доказать следующие результаты, позволяющие оценивать надежность решающих правил, построенных по распознающим комплексам признаков. Справедливы следующие утверждения.

Утверждение 3. Пусть Z - множество эталонных объектов, содержащее S элементов, описанных в системе K бинарных признаков. R - решающее правило для распознавания M классов, построенное по распознающему комплексу признаков Y (yi, yi,..., yik ) 1 2 = с коэффициентом отделимости классов H и функции (X ). Тогда с вероятностью 1 ( 1) можно утверждать, что доля ошибочно распознанных объектов не будет превосходить, если длина обучающей выборки S не менее:

Утверждение 4. Пусть Z - множество эталонных объектов, содержащее S элементов, описанных в системе бинарных признаков. R - решающее правило, построенное по распознающему комплексу признаков ( ) Y yi, yi,..., yik 1 2 = с коэффициентом отделимости классов H и функции (X ). Тогда с вероятностью 1 (0 1) можно утверждать, что доля ошибочно распознанных объектов не будет превосходить, где:

Из утверждения 3 следует, что можно определить минимальную длину обучающей выборки, при которой доля ошибочно распознанных объектов не превышает заданной величины.

Из утверждения 4 следует, что можно определить максимальную величину доли неправильно распознанных объектов, если решающее правило построено по выборке фиксированной длины.

Из теоретических результатов следует, что ошибка распознавания (отнесения объекта из одного класса в другой) уменьшается при увеличении числа эталонов и уменьшении числа классов и числа информативных признаков. Результаты И.А.Мулагулова [1988] свидетельствуют, что эти тенденции прослеживаются и при использовании других решающих правил - использовании алгоритма суммы одномерных нелинейностей.

Особенности решения прогнозной задачи в системе прогнозирования АСТРА.

Дальнейший способ решения прогнозной задачи зависит от того, какими сведениями относительно прогнозируемого параметра мы обладаем: знаем точно его значение или знаем только диапазон его изменения. В первом случае возможно построение уравнений, описывающих интересующую нас зависимость (задача количественного прогноза). Во втором случае эти зависимости можно проследить на основе изучения вариационных рядов объектов (задача качественного прогноза).

Построение зависимостей прогнозируемых параметров от геологических факторов, гарантирующих точность локального прогноза. Если значение целевого свойства точно известно, то прогнозную задачу можно решить методом моделирования. Предположив, что целевое свойство Y (масштаб оруденения) зависит от факторов x1, x2,..., xN, можно построить зависимость: ( ) Y = F x1, x2,..., xN. Поскольку точный вид функции F неизвестен, можно построить некоторое ее приближение в классе многочленов m-го порядка от N переменных:

Задача сводится к вычислению значений A (k j N) kj, = 0,1,..., на основе эталонной выборки (квадратными) порядка.

Общепринятым методом поиска зависимостей на основе таких моделей является линейный или нелинейный регрессионный анализ, основанный на методе наименьших квадратов. Качество приближения при этом определяется по значению среднего квадратичного отклонения:

где Yi - расчетное значение;

Yi - наблюденное значение на объекте i ;

n - число наблюдений.

Если полученные отклонения ( ) Yi Yi подчиняются нормальному закону распределения, ошибка определения будет в пределах ± 3 на основе построенной модели.

При оценке прогнозных ресурсов принят другой критерий качества построенной модели:

удовлетворительной считается модель, в которой 100% 50% (завышение или занижение расчетных значений не более, чем в 2 раза), Чем меньше H, тем лучше построенная модель. Была поставлена задача поиска коэффициентов A (k, j = 0,1,2,...) kj при условиях (1), обеспечивающих минимальное значение H.

Она была сведена к задаче математического программирования, решение которой симплексметодом [Вентцель, 1972] позволило построить требуемую модель.

Таким образом, разработан принципиально новый метод построения зависимостей прогнозируемых параметров от факторов, влияющих на них, гарантирующий точность локального прогноза в каждой точке наблюдений в заданном диапазоне. Для реализации предложенного метода разработана программа ZPN.

В отличие от регрессионного метода, дающего среднюю ошибку при моделировании, данный алгоритм обеспечивает результат приближения расчетных значений к фактическим в заданном диапазоне.

Построение зависимостей, отражающих степень проявления у объектов целевого свойства. Если точные значения целевого признака, описывающего степень проявления целевого свойства (масштабности _ 17 оруденения и т.п.), неизвестны, то можно выделить классы объектов по степени проявления этого свойства, считая, что объекты в пределах одного класса обладают одним и тем же диапазоном изменения целевого признака, а классы упорядочены по степени проявления у объектов целевого свойства.

Анализ разработанных ранее способов оценки информативности признаков в задачах распознавания, предложенных разными авторами (вычисление тесторных весов признаков, предложенное А.Н.Дмитри- евым, Ю.И.Журавлевым, Ф.П.Кренделевым [Дмитриев и др., 1966], разделяющих весов признаков на основе модифицированного треугольника Паскаля и тесторных весов, предложенное Р.М.Константи- новым, С.В.Сиротинской [Константинов, 1973;

Сиротинская, 1986], вычисление важности признаков в методе вычисления оценок, предложенном Ю.И.Журавлевым [Журавлев и др., 1971] и др.), показал, что:

а) необходимо проводить предварительную селекцию признаков;

б) необходимо проводить оценку важности выбранных признаков для решения прогнозной задачи.

В этом случае используют алгоритм для выделения систем информативных признаков типа М (MYVES), для оценки коррелируемости признаков с изменением целевого свойства (GOLOS M), алгоритмы построения распознающих комплексов признаков (достаточной системы признаков) и идентификации на их основе объектов (MY ).

Система алгоритмов АСТРА разработана как реализация обобщенных логикоинформационных методов для анализа многофакторных моделей геологических объектов с целью решения прогнозных задач на базе теории распознавания образов. На их основе разработан программный комплекс АСТРА (Автоматизированная Система на основе Теории Распознавания).

Система позволяет путем анализа эталонных объектов из базы данных:

а) выделять системы информативных признаков;

б) проводить идентификацию объектов (отнесение объектов к одному из выделенных классов);

в) строить простейшие модели накопления целевого свойства, по которому выделяются классы объектов;

г) оценивать качество полученных решающих правил.

В основе выделения информативных признаков лежит принцип общности свойств и анализ вариационных рядов геологических объектов.

В качестве целевого свойства могут рассматриваться масштабность оруденения, соотношение полезных компонентов в рудах и т.п. Полученные закономерности можно использовать в качестве знаний об объектах исследования при разработке экспертных систем.

Схема функционирования программного комплекса АСТРА представлена на рис. 3.

В работе использовались разработанные автором обобщенные логико-информационные методы, преимуществом которых является возможность получать обоснованные выводы даже при небольших объемах исходных данных, поскольку в их основе лежит комбинаторно-логический подход к анализу изменчивости значений признаков, описывающих изучаемые объекты, учитывающий информацию, полученную не только по каждому признаку, но и по их сочетаниям, а также метод вариационных рядов и принцип общности свойств объектов, входящих в одну группу (класс). Методы позволяют получать системы информативных признаков для выделения объектов из разных групп (получать описание групп), оценивать их важность и проводить идентификацию любых объектов, описанных в данной системе признаков, с целью определения их сходства с объектами изученных групп. Для этого по интервалам-индикаторам и разделяющим весам признаков, полученным для каждой группы объектов, (модели группы), вычисляется значение функции принадлежности к каждой группе. Используется следующее решающее правило: объект относится к той группе, для которой функция принадлежности принимает максимальное значение. Чем ближе вычисленное значение к 1, тем больше сходство объекта с моделью группы. Если получено значение функции принадлежности, близкое к 0, то это свидетельствует о том, что объект не обладает свойствами изученной группы. Если получены значения функции принадлежности, близкие к 0, для всех изученных групп, то возможно, это свидетельствует о том, что объект образует новую группу объектов.

Таким образом, обобщенные логико-информационные методы позволяют уточнять разбиение выборки на группы и определять представителей новых групп. Возможность обработки по единой схеме разнотипной информации без необходимости проверки соответствия законам распределения значений признаков по выборке, делает их универсальными в использовании.

Данный комплекс методов обеспечивает решение основных типов формализованных задач прогноза и оценки рудных месторождений: • построение модели типичных представителей групп объектов (различных рудно-формационных типов);

• построение модели объектов с различными значениями монотонно-изменяющегося целевого свойства (масштабами оруденения).

Разработанные методы использовались при решении различных геологических задач, что отражено в публикациях автора. В работе приведены примеры их использования.

Лекция 10-12. Сейсморазведка Общая информация В понятие “сейсморазведка” входят геофизические методы исследования земной коры, основанные на изучении искусственно возбуждаемых упругих волн. При помощи сейсморазведки изучается глубинное строение Земли, выделяются месторождения полезных ископаемых (в основном нефти и газа), решаются задачи гидрогеологии и инженерной геологии. Сейсморазведка отличается надежностью, высокой разрешающей способностью, технологичностью и колоссальным объемом получаемой информации.

В основе сейсмических методов лежит возбуждение упругих волн при помощи специального технического комплекса – источника. В результате геологическая среда реагирует возникновением периодического колебательного процесса и образованием упругой волны. Распространяясь в объеме горных пород, упругая волна попадает на границы раздела, изменяет направление и динамические свойства, образуются новые волны. На пути следования волн размещаются точки наблюдения, где при помощи специальных приборов – сейсмоприемников – определяются свойства колебательных процессов. Из полученных данных извлекается полезная информация о строении и составе изучаемой среды.

Наиболее эффективна сейсморазведка при изучении осадочного чехла древних платформ, поскольку его горизонтально-слоистое строение наиболее просто интерпретируется по сейсмических данным. С увеличением наклона целевых геологических границ надежность получаемой сейсморазведкой информации резко падает.

Возбуждение упругих волн Для возбуждения колебаний применяется взрывы зарядов тротила в неглубоких скважинах, а также длительное (вибрационное) или короткое (импульсное) ударное воздействие на горные породы. Взрывные источники характеризуются наибольшей мощностью и компактностью, при этом требуют дорогостоящих подготовительных и ликвидационных работ, а также наносят большой урон окружающей среде.

Невзрывные источники гораздо слабее, но могут использоваться многократно в одной и той же точке, более управляемы, а также безопаснее для человека и экологии.

Источник возбуждает два типа независимых сейсмических волн – продольные и поперечные. С продольными волнами связаны колебания, направленные вдоль луча волны, а с поперечными - поперек.

Прямой волной называется продольная или поперечная волна, распространяющаяся непосредственно от источника к точке наблюдения. Продольные волны характеризуются большими скоростями, приходят в любую точку среды раньше поперечных, распространяются практически в любых веществах и меньше. В силу этих обстоятельств сейсморазведка использует преимущественно продольные волны.

Модель среды и волновое поле Установлено, что различные горные породы характеризуются различными скоростями распространения упругих волн. Параметр скорости определяется упругими константами и плотностью горной породы, а они в свою очередь зависят от минерального состава, пористости, трещиноватости и глубины залегания.

По значению скорости упругой волны геологический разрез разделяется на относительно однородные слои горных пород, на границах которых скорость меняется скачком. Как правило, границы областей с различными физическими свойствами совпадают с геологическими границам, что используется при интерпретации сейсмических данных.

Наличие резких границ раздела между пластами приводит к образованию вторичных волн – отраженных, проходящих и преломленных. Интенсивность вторичных волн зависит от контрастности границы по упругим свойствам. Чем сложнее строение изучаемой геологической среды, тем больше волн образуется на ее границах раздела. Все вместе они образуют вторичное волновое поле – объект измерения в сейсморазведке. Если вторичные волны содержат информацию о целевых геологических границах и успешно регистрируются на поверхности земли или в стволе скважины, то они называются полезными. По типу выделяемых полезных волн в сейсморазведке различают методы отраженных и преломленных волн.

Прием колебаний Основным измерительным устройством в сейсморазведке служит сейсмоприемник, преобразующий механические колебания упругих волн в электрический ток переменного напряжения. При перемещении частиц горных пород вблизи корпуса приемника в нем вырабатываются электрические импульсы, которые затем откладываются на оси времени.

Получаемые зависимости называются графиками колебаний или сейсмотрассами.

Сейсмотрассы объединяются в сейсмограммы – первичный полевой материал сейсморазведки. Сигналы от приемников подвергаются предобработке ¬- усилению, фильтрации нежелательных колебаний и преобразований в цифровую форму. По независимым информационным каналам данные с точек наблюдения поступают в единый центр – сейсмическую станцию, где представляются в удобной для оператора форме. Сейсмическая станция представляет единый информационно-измерительный комплекс, предназначенный для объединения данных с сейсмоприемников, их предобработки, визуального анализа и сохранения на устройство памяти.

Системы наблюдений Для эффективного прослеживания целевых сейсмогеологических границ применяются типовые способы установки и перемещения пунктов возбуждения и приема колебаний – системы наблюдений. Типичной системой наблюдений является пункт возбуждения, c которого упругие волны регистрируются расстановкой, состоящей из 100-300 пунктов приема – каналов сейсмостанции. Пункт возбуждения обычно располагается в центре расстановки приемника и для получения новой сейсмограммы перемещается на расстояние в 25-50 м. Интервал между пунктами приема также выбирается равным 25- метров. Параметры расстановки при перемещении по профилю не изменяются для облегчения дальнейшей автоматизированной обработки данных. Описанная система наблюдений позволяет выделять целевые границы с достаточной надежностью, которая обеспечивается избыточностью получаемой информации. Например, при использовании 240 пунктов приема в расстановке количество сейсмострасс на одну точку границы может достигать 120. Правильный выбор системы наблюдений позволяет без лишних затрат получать необходимую информацию о строении интересующей части геологической среды.

Обработка и интерпретация Получаемые в процессе полевых работ сейсмограммы содержат значительную долю нежелательных волн-помех и мешающих колебаний, а полезные волны неудобны для интерпретации. Поэтому первичные сейсмограммы обрабатываются с использованием самой современной компьютерной техники. В результате выполнения процедур обработки сейсмограммы преобразуются во временной или глубинный разрез – материал для геологического толкования.По известным признакам на полученных разрезах выделяются аномальные участки, с которыми связываются скопления полезных ископаемых.

Лекция 12-14. Методы сейсморазведки Методы сейсморазведки различаются по типу используемых полезных волн, по стадии геологоразведочного процесса, по решаемым задачам, по способу получения данных, по размерности, по типу источника колебаний и частоте колебаний целевых волн.

По типу используемых волн выделяются: Метод отраженных волн (МОВ) – основан на выделении волн, однократно-отраженных от целевой геологической границы. Наиболее востребованный метод сейсморазведки, позволяющий изучать геологический разрез с детальностью до 0,5% от глубины залегания границы. Используется в сочетании с методикой многократных перекрытий, в которой для каждой точки границы регистрируется большое количество сейсмических трасс. Избыточная информация суммируется по признаку общей средней или глубинной точки (ОСТ или ОГТ). Метод общей глубинной точки значительно расширяет возможности МОВ и применяется в большинстве сейсморазведочных работ. Метод преломленных волн (МПВ) – ориентирован на преломленные волны, которые образуются при падении волны на границу двух пластов под определенным углом. При этом образуется скользящая волна, распространяющая со скоростью нижележащего пласта. МПВ используется только для решения специальных задач из-за существенных ограничений метода.

По стадии геологоразведочного процесса различают региональную, поисковую и детальную сейсморазведку.

По решаемым задачам сейсморазведка подразделяется на глубинную, структурную (нефтегазовую) и инженерную.

По способу получения данных выделяют наземную, скважинную, морскую и лабораторную сейсморазведку.

По размерности сейсморазведка различается на 1D, 2D и 3D варианты. В одномерном варианте упругая волна возбуждается и регистрируется вдоль одного единственного вертикального луча – в стволе скважины. Двухмерная сейсморазведка реализуется расстановкой пунктов возбуждения и приема вдоль линейного профиля. Объемная (3D) сейсморазведка проводится при размещении пунктов приема по площади.

По типу источника различается взрывная, вибрационная и невзрывная импульсная сейсморазведка.

По частоте колебаний сейсморазведка классифицируется на низкочастотную, среднечастотную, высокочастотную и сейсмоакустику.

Низкочастотное сейсмическое зондирование, НСЗ — метод сейсморазведки, основанный на анализе спектральных характеристик низкочастотной (1—10 Гц) энергии естественного сейсмического фона над залежами углеводородов.

Теория метода базируется на механике флюидонасыщенной трещиновато-пористой среды. Контрастные геологические границы, такие как осадочный чехол—фундамент, тектонические нарушения, а также неоднородности в виде соляных пластов, залежей углеводородов вызывают перераспределение сейсмической энергии, выражающееся в формировании явных максимумов на спектре. Образованные присутствием нефтегазонасыщенного коллектора, максимумы имеют свои отличительные признаки.

Анализ распределения максимумов сейсмической энергии по площади исследований позволяет дифференцировать зоны по нефтегазоперспективности.

Предпосылками для разработки метода НСЗ стал эффект аномального низкочастотного естественного сейсмического фона над нефтегазовой залежью. Для усиления данного эффекта было предложено осуществлять вибровоздействие на залежь, что было реализовано в методике АНЧАР [1].

Предположение о том, что залежь УВ обладает аномальным отражением для низкочастотных волн, основывается на совместном влиянии нескольких факторов:

1. В сравнении с водой, нефть, заключенная в пористый коллектор, обладает пониженным волновым сопротивлением. Это объясняется тем, что сжимаемость(~1/модуль упругости) нефти в пластовых условиях в 2-8 раз выше, чем сжимаемость пластовой воды и вмещающих пород. У воды сжимаемость отличается всего на 10-20% от сжимаемости вмещающих пород.

Довольно сильно на сжимаемость влияет газовый фактор, который значительно ее увеличивает.

2. Вязкость нефти на порядки больше вязкости воды и вмещающих пород. Как известно, поглощение среды пропорционально ее вязкости, что наблюдается в нефтенасыщенных интервалах. Поглощение образует дополнительное активное акустическое сопротивление, которое приводит к образованию мнимой части у коэффициента отражения. Наличие мнимой части коэффициента отражения повышает модуль коэффициента отражения.

К факторам ограничивающим возможности низкочастотного сейсмического зондирования относятся:

1. Дифракционные эффекты, определяющие размер краевого эффекта от аномального 2. Характеристики залежи (эффективная мощность, пористость, нефтенасыщенность), определяющие контрастность отражения низкочастотных волн.

Вертикальное сейсмическое профилирование — разновидность 2D сейсморазведки, при проведении которой источники сейсмических волн располагаются на поверхности, а приёмники помещаются в пробуренную скважину.

История Впервые идея расположить сейсмоприёмники в пробуренной скважине была высказана неким Фессенденом в 1918 году. Но его работы не получили широкого распространения.

Также в анналы истории ВСП попали фамилии учёных: Мак Коллума и Ла Руе (1931). Но всё же основоположником и создателем технологии этого метода в том виде, в каком он используется сегодня, является советский учёный Е. И. Гальперин, разрабатывавший эту тематику в СССР, начиная с начала 60-х. Дело его живо и сейчас, что подтверждают ежегодные «Гальперинские чтения»[1].

Основная методика наблюдений Принципиальная схема скважинного зонда для проведения ВСП Перед проведением ВСП должна быть пробурена или выбрана из существующих подходящая скважина. Затем по бокам этой скважины, в какой-то одной плоскости, к которой принадлежит ось ствола скважины, размещаются источники сейсмических волн (вибраторы или взрывчатые вещества), а в скважине располагаеются высокочувствительные приёмни сейсмических колебаний, связанные каротажным кабелем с наземной сейсмостанцией Затем происходит серия взрывов и регистрация сейсмических волн. В 1960 годы в сейсморазведке был осуществлен переход на цифровую запись полевой информации и с тех пор геометрические размеры вычислительной техники только снижались и в настоящее время могут иметь размер с толстую тетрадь (Ноутбук).

Используемое оборудование Оборудование, используемое при проведении вертикального сейсмического профилирования, состоит из двух основных компонентов: наземной сейсмостанции и профилирования блока скважинных приборов Принципиально оно ничем не отличается от обычного оборудования для проведения наземной 2D сейсморазведки, кроме одной детали:

скважинные зонды существенно усложнены из-за того, что они должны выдерживать повышенную температуру и давление, существующие на глубинах порядка нескольких километров. Мировым лидером в производстве оборудования ВСП в настоящий момент является фирма Sercel.

Последовательность обработки данных Граф обработки данных ВСП с ближнего пункта возбуждения (квазивертикальное распространение волн) выглядит примерно следующим образом:

• редакция и предварительная обработка;

• регулировка амплитуд и фильтрация;

• разделение волн и подавление помех;

• деконволюция по форме падающей волны;

• построение трассы коридорного суммирования.

При обработке данных ВСП с удаленных пунктов возбуждения граф обработки включает:

• подбор модели среды по разным типам волн;

• построение изображения околоскважинного пространства с помощью миграции или преобразования ВСП-ОГТ.

Преимущества и недостатки метода По сравнению с наземной сейсморазведкой (2D/3D), этот метод обладает следующими преимуществами:

• практически полностью устранено влияние на сейсмограмму поверхностных волн, так как сейсмоприемники обычно расположены ниже области их регистрации;

• первые вступления на сейсмограмме дают первое приближение истинной кинематической модели среды;

• возможность точной увязки данных ГИС с данными наземной сейсморазведки;

• сигнал от возбуждения наблюдается в среде, а не на поверхности, что позволяет оценить и учесть его форму, что раскрывает дальнейшее развитие метода совместно с наземной сейсморазведкой (2D/3D) в сторону совместных систем наблюдения 2D/3D+ВСП.

К недостаткам метода следует отнести:

• необходимость дорогостоящего бурения скважины;

• ограниченность изучаемого пространства околоскважинной областью;

• несимметричность системы наблюдения (приемники расположены в скважине, источники возбуждения — на поверхности), усложняющая анализ и обработку сейсмограмм.

Литература 1. Константинов Р.М., Чижова И.А., Кузнецов В.В., Филатов Е.И.

Прогнозная оценка месторождений и рудопроявлений на основе дискретного анализа // Разведка и охрана недр. 1979. № 9. С. 10-14.

2. Константинов Р.М., Чижова И.А. Устойчивость геологических факторов образования рудных месторождений // Горнорудный Пржибрам в науке и технике. ЧССР, 1979. С. 265-280.

3. Константинов Р.М., Чижова И.А. Математический подход к анализу устойчивости геологических факторов при решении прогнозных задач // История геологии. Подготовка специалистов в области геологии.

Математическая геология и геологическая информация. М.: Недра, 1980. С. 132-140.

4. Розанова Н.А., Чижова И.А., Шабаршов П.Я., Щепотьев Ю.М., Остроменцкий В.Н., Харченков А.Г. Использование системного подхода и экономико-математических методов для прогнозирования развития минерально-сырьевой базы. М.: ВИЭМС, 1988. 45 с.

5. Иванов В.Н., Катанский М.Ю., Жидков С.Н., Чижова И.А., Оптимизация разведки золоторудных месторождений на основе многофакторного моделирования // Руды и металлы. 1992. № 1. С. 90-

 


Похожие работы:

«ИТОГОВЫЙ ОТЧЕТ ПО ПРОЕКТУ РФФИ 08-05-00441-а Номер проекта 08-05-00441 Руководитель проекта Хорошев Александр Владимирович Название проекта Характерное пространство межкомпонентных связей в ландшафте Аннотация В 2010 году проведены полевые исследования и дополнена база данных по полигонам исследований в типичных степях Оренбургской области (100 новых описаний), что позволило провести сравнение характерного пространства межкомпонентных связей с ранее изученными среднетаежными, южнотаежными и...»

«Научное обоснование развития сети особо охраняемых природных территорий в Республике Карелия Карельский научный центр Российской академии наук Научное обоснование развития сети особо охраняемых природных территорий в Республике Карелия Петрозаводск 2009 УДК 502.172 (470.22) ББК 20.18 (2Рос. Кар.) Н 34 Научное обоснование развития сети особо охраняемых природных территорий в Республике Карелия. Петрозаводск: Карельский научный центр РАН, 2009. 112 с.: ил. 14, табл. 6. Библиограф. 96 назв. ISBN...»

«Министерство образования и науки Российской Федерации ГОУ ВПО ИРКУТСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ Кибернетический Факультет Информатики Кафедра СОГЛАСОВАНО УТВЕРЖДАЮ Зам. директора по научной работе Проректор по учебной работе ИДСТУ СО РАН, к.т.н. _Н.А. Буглов _ Н.Н. Максимкин 20 _ г. _20 _ г. ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ ОБРАЗОВАТЕЛЬНАЯ ПРОГРАММА ДИСЦИПЛИНЫ (рабочая учебная программа дисциплины) 150700 Машиностроение Направление подготовки: Оборудование и технология сварочного...»

«Министерство образования и науки Российской Федерации Московский государственный открытый педагогический университет им. М.А. Шолохова Академия информатизации образования Национальный фонд подготовки кадров ИНФОРМАТИЗАЦИЯ СЕЛЬСКОЙ ШКОЛЫ (ИНФОСЕЛЬШ-2006) Труды IV Всероссийского научно-методического симпозиума 12-14 сентября 2006 г. г. Анапа Москва 2006 УДК 373.1 ББК 74.202 И 74 Редакционная коллегия: Круглов Ю.Г. - д.фил.н., проф.; Ваграменко Я.А. – д.т.н., проф.; Зобов Б.И. – д.т.н. проф.;...»

«Московский международный институт эконометрики, информатики, финансов и права Алексеев С.И. Концепции современного естествознания Москва 2003 УДК 5 ББК 20 А 474 Алексеев С.И. Концепции современного естествознания / Московский международный институт эконометрики, информатики, финансов и права. –М., 2003. – 52 с. Рекомендовано Учебно-методическим объединением по образованию в области антикризисного управления в качестве учебного пособия для студентов высших учебных заведений, обучающихся по...»

«Национальный фонд подготовки кадров (НФПК) Проект Информатизация системы образования (ИСО) Живая Родословная 2.0 Инструмент для формирования и анализа генеалогических деревьев с примерами родословных Руководство пользователя Москва Институт новых технологий 2008 Издание подготовлено в рамках проекта Информатизация системы образования, реализуемого Национальным фондом подготовки кадров Содержание по заказу Министерства образования и науки Российской Федерации Установка программы Создание...»

«В.М. Мишин УПРАВЛЕНИЕ КАЧЕСТВОМ Второе издание, переработанное и дополненное Допущено Министерством образования Российской Федерации в качестве учебника для студентов высших учебных заведений, обучающихся по специальности Менеджмент организации (061100) Рекомендовано Учебно-методическим центром Профессиональный учебник в качестве учебника для студентов высших учебных заведений, обучающихся по специальностям экономики и управления (060000) юн ити UNITY Москва • 2005 УДК...»

«Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования САМАРСКИЙ ГОСУДАРСТВЕННЫЙ АЭРОКОСМИЧЕСКИЙ УНИВЕРСИТЕТ имени академика С.П. КОРОЛЕВА Факультет информатики Кафедра информационных систем и технологий АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ АППРОКСИМАТИВНОГО АНАЛИЗА СЛУЧАЙНЫХ ПРОЦЕССОВ Под редакцией Прохорова С.А. Самара 2010 Автоматизированные системы аппроксимативного анализа случайных процессов. Под ред. Прохорова С.А./ Самар. гос....»

«Администрация города Соликамска Соликамское краеведческое общество Cоликамский ежегодник 2010 Соликамск, 2011 ББК 63.3 Б 73 Сергей Девятков, глава города Соликамск Рад Вас приветствовать, уважаемые читатели ежегодника! Соликамский ежегодник — 2010. — Соликамск, 2011. — 176 стр. 2010 год для Соликамска был насыщенным и интересным. Празднуя свое 580-летие, город закрепил исторический бренд Соляной столицы России, изменился внешне и подрос в Информационно-краеведческий справочник по городу...»

«РОССИЙСКИЙ НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ МЕДИЦИНСКИЙ УНИВЕРСИТЕТ ИМЕНИ Н. И. ПИРОГОВА НАУЧНАЯ БИБЛИОТЕКА БЮЛЛЕТЕНЬ НОВЫХ ПОСТУПЛЕНИЙ Выпуск третий Москва, 2013 СОДЕРЖАНИЕ ПРАВО СОЦИОЛОГИЯ СОЦИАЛЬНАЯ РАБОТА ФИЛОСОФИЯ БИОЭТИКА ИСТОРИЯ МЕДИЦИНЫ ИНОСТРАННЫЙ ЯЗЫК ИНФОРМАТИКА ВЫСШАЯ МАТЕМАТИКА ФИЗИКА БИОФИЗИКА ХИМИЯ БИОХИМИЯ БИОТЕХНОЛОГИЯ НАНОБИОТЕХНОЛОГИИ РАДИОБИОЛОГИЯ БИОЛОГИЯ БИОМЕДИЦИНА ГИСТОЛОГИЯ, ЭМБРИОЛОГИЯ И ЦИТОЛОГИЯ АНАТОМИЯ ФИЗИОЛОГИЯ ФАРМАКОЛОГИЯ МОЛЕКУЛЯРНАЯ ФАРМАКОЛОГИЯ КЛИНИЧЕСКАЯ...»

«ЭРЖАНОВ МАКСУД ОТАБАЕВИЧ РАЗРАБОТКА АЛГОРИТМОВ И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ПОСТРОЕНИИ ГЕОМЕТРИЧЕСКИЕ ФРАКТАЛОВ НА БАЗЕ R-ФУНКЦИИ Специальность: 5А521902 – Управление и обработка информации. ДИССЕРТАЦИЯ На соискание академической степени магистра Работа рассмотрена Научный руководитель и допускается к защите проф., д.ф.-м.н. Назиров Ш.А. зав. кафедрой ИТ _ Джайлавов А.А. _ _ _ 2012г....»

«ВВЕДЕНИЕ В УПРАВЛЕНИЕ ПРОЕКТОМ Международный консорциум Электронный университет Московский государственный университет экономики, статистики и информатики Евразийский открытый институт Г.Я. Горбовцов Управление проектом Учебно-практическое пособие Москва 2007 1 Управление проектом УДК 65.012.123 ББК 65.31 Г 675 Горбовцов Г.Я. УПРАВЛЕНИЕ ПРОЕКТОМ: Учебно-практическое пособие. – М.: Изд. центр ЕАОИ, 2007. – 279 с. В современных представлениях об управлении любой комплекс мероприятий, в результате...»

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Амурский государственный университет Кафедра общей математики и информатики УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКС ДИСЦИПЛИНЫ СОВРЕМЕННЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В СОЦИАЛЬНЫХ НАУКАХ Основной образовательной программы по направлению подготовки 040100.62 – Социология Благовещенск 2012 УМКД разработан доцентом, канд. пед. наук Чалкиной Натальей...»

«ББК 32.81я721 И74 Рекомендовано Министерством образования и науки Украины (приказ МОН Украины № 56 от 02.02.2009 г.) Перевод с украинского И.Я. Ривкинда, Т.И. Лысенко, Л.А. Черниковой, В.В. Шакотько Ответственные за подготовку к изданию: Прокопенко Н.С. - главный специалист МОН Украины; Проценко Т.Г. - начальник отдела Института инновационных технологий и содержания образования. Независимые эксперты: Ляшко С.И. - доктор физ.-мат. наук, профессор, член-корреспондент НАН Украины, заместитель...»

«Дайджест публикаций на сайтах органов государственного управления в области информатизации стран СНГ Период формирования отчета: 01.04.2014 – 30.04.2014 Содержание Республика Беларусь 1. 1.1. Министр связи и информатизации принял участие в заседании Совета Палаты представителей Национального собрания Республики Беларусь. Дата новости: 10.04.2014. 1.2. Форум ТИБО-2014 открыт приветственным словом Премьер-министра Республики Беларусь Мясниковича М.В. Дата новости: 21.04.2014. 1.3. Форум ТИБО-2014...»

«Раздел 1 УМК Министерство образования и науки Российской Федерации Государственное образовательное учреждение высшего профессионального образования УЛЬЯНОВСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ УТВЕРЖДАЮ: Декан факультета Информационных систем и технологий В. В. Шишкин 2011 г. РАБОЧАЯ ПРОГРАММА Дисциплины (модуля) Основы теории управления наименование дисциплины (модуля) 230101.62 Информатика и вычислительная техника (шифр и наименование направления) Вычислительные машины, комплексы...»

«РОССИЙСКАЯ АКАДЕМИЯ НАУК СИБИРСКОЕ ОТДЕЛЕНИЕ ИНСТИТУТ ВЫЧИСЛИТЕЛЬНОЙ МАТЕМАТИКИ И МАТЕМАТИЧЕСКОЙ ГЕОФИЗИКИ ИЗ ИСТОРИИ КИБЕРНЕТИКИ Ответственный редактор академик А.С. Алексеев Редактор-составитель д.т.н. Я.И. Фет НОВОСИБИРСК 2006 УДК 681.3 ББК 22.18 И32 Из истории кибернетики / Редактор-составитель Я.И. Фет. – Новосибирск: Академическое издательство Гео, 2006.– 339 с. – ISBN 5-9747-0038-4 Герои и авторы публикуемых очерков – выдающиеся ученые разных стран, пионеры кибернетики. Они делятся...»

«МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ имени М.В.ЛОМОНОСОВА Отчет по мероприятию:   Повышение квалификации школьных учителей и совершенствование методики преподавания общеобразовательных предметов при взаимодействии школьных учителей города Москвы и преподавателей МГУ имени М.В. Ломоносова  НИМ 1 - Анализ организации взаимодействия между работниками среднего и высшего образования в рамках всероссийских съездов учителей и летних школ для учителей Часть 1                 Москва 1    ОГЛАВЛЕНИЕ...»

«1 Отчёт о работе цикловой комиссии общеобразовательных дисциплин ГБОУ СПО Баймакский сельскохозяйственный техникум за период с сентября 2013 г. по май 2014 г. Основные направления и задачи работы цикловой комиссии 1. Совершенствование методов и приемов работы подготовки специалистов. 2. Внедрение инновационных технологий в учебный процесс - методы стимулирования и мотивации учебно - познавательной деятельности студентов. 3. Совершенствование самостоятельной внеаудиторной работы студентов. 4....»

«Министерство образования Республики Беларусь Учреждение образования Гродненский государственный университет имени Янки Купалы ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ПРОГРАММНЫЕ СРЕДСТВА: ПРОЕКТИРОВАНИЕ, РАЗРАБОТКА И ПРИМЕНЕНИЕ Сборник научных статей Гродно 2011 УДК 004 005.951(082) ББК 32.81я43 И38 Редакционнаяколлегия: кандидат физико-математических наук, доцент Л.В. Рудикова (отв. редактор); кандидат технических наук, доцент Е. Н. Ливак; Рецензенты доктор технических наук, профессор, зав. каф.технологий...»






 
© 2014 www.kniga.seluk.ru - «Бесплатная электронная библиотека - Книги, пособия, учебники, издания, публикации»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.