Інформаційна система для прогнозування нафтогазоносних покладів

Актуальність теми. В даний час нафтогазова галузь має автоматизовані системи різних рівнів і типів, а також різні програмні комплекси для прогнозу нафтогазоносності, пошуку та розвідки родовищ нафти і газу, але масштаби та ефективність застосування ЕОМ для кожного рівня різні. Це пов'язане з тим, що недостатньо використовуються розвинені бази даних і відсутня типова методика набуття і накопичення знань про нафтогазоносні поклади та прогнозування необхідності проведення пошуково-розвідувальних робіт з використанням нових інформаційних технологій .

Впровадження нових інформаційних технологій в нафтогазовій справі дає можливість суттєво змінити економіко-екологічний підхід до пошуково-розвідувальних робіт на нафту і газ . Оскільки основними джерелами інформації при таких пошуково-розвідувальних роботах є буріння свердловин, які вимагають значних капітальних витрат, важливим є накопичення баз знань, що можуть бути використані при прогнозуванні нафтогазонасичених покладів з використанням експертних систем(ЕС).

Експертні системи, як системи штучного інтелекту, використовують знання висококваліфікованих спеціалістів-експертів для розв'язуванння задач в порівняно вузьких проблемних областях. Проблемна спрямованість і можливість вирішувати широкий клас задач зробила експертні системи незамінними в багатьох галузях промисловості і науки . Сьогодні на перший план виходять проблеми, пов'язані з практичною реалізацією ЕС в великих і складних проблемних областях .

Основною перешкодою на шляху створення і поширення експертних систем є проблема набуття і представлення знань . Значна кількість інформації, її слабка структурованість, труднощі експерта при спробі пояснити послідовність своїх міркувань по прийняттю певного рішення призводять до того, що процес передачі знань від експерта до системи здійснюється з великими труднощами, методом “спроб, помилок і виправлень” . Існуючі методики по роботі з експертом є далеко неповними . Слабким місцем є їх нездатність контролювати процес прийняття рішень експертом і підтримки в експерта постійного інтересу до процесу передачі знань . В результаті процес передачі знань перетворюється в абсолюно нецікаве і монотонне заняття для експерта, а процес формування бази знань розтя-гується в часі. З другого боку, при представленні вже набутих знань виникають труднощі у виборі правильного способу представлення і відповідних інстру-ментальних засобів. В складних проблемних областях часто виникає потреба в комбінованому застосуванні вже існуючих способів представлення, а також у впровадженні нових специфічних прийомів .

І, нарешті, ще більш складною проблемою є процес логічного висновку. Вузьким місцем цієї проблеми є необхідність здійснювати процес логічного висновку в умовах неповної і неточної інформації, що має місце при прогнозу-ванні нафтогазоносних покладів .

Таким чином, існує реальна потреба в розробці нових, більш ефективних методів набуття знань, що враховують всю сукупність проблем, які виникають в процесі передачі знань і стимулюють творчу активність експерта, а також вико-ристання нових підходів з представлення набутих знань і здійснення логічного висновку .

Зв'язок роботи з науковими програмами, планами,темами. Дослідження, що отримані в дисертаційній роботі, тісно пов'язані з виконанням держбюджетних і господарсько-договірних НДДКР кафедри ПМ за участю здобувача.

Дисертаційна робота виконувалась за планом науково-дослідних робіт держбюджетної теми Д6/7ф “Наукові основи розробки експертних систем для об'єктів нафтогазового комплексу” та науково-дослідних робіт теми 211/96 “Розробка комп'ютеризованої експертної системи для прогнозування колекторів нафти і газу “, теми 89/95 “Систематизація геологічної інформації по родовищах нафти і газу для комп'ютерної бази даних”.

Мета і задачі дослідження: аналіз аналітико-інформаційної діяльності спеціаліста-геолога для розробки і реалізації нових методів роботи з експертом і обробки набутих знань, розв'язку задач набуття та представлення знань і логічного висновку в умовах неповної і неточної інформації нафтогазової предметної області.

Загальні методи дослідження: в основу досліджень покладено комплексне використання засобів інженерії знань, теорії нечітких множин, теорії ймовірнос-тей, дедукції і алгебри логіки. Для практичної реалізації одержаних математичних моделей використано інтегроване середовище Visual Prolog 5.0 .

Наукова новизна отриманих результатів полягає в наступному :

розроблена і реалізована методика набуття знань від спеціаліста-експерта предметної області на прикладі нафтогазоносних покладів ;

застосовано нові підходи до аналізу одержаних знань і їх представлення з використанням теорії нечітких множин;

розроблено метод для організації логічного висновку в умовах неточної і неповної інформації предметної області .

Практичне значення отриманих результатів :

A%[a, k] = ¹((a), k)

T%[a, x, k]= ²(<(a), x >, k).

інформаційний нафтогазовий геолог управління

де, true представляє , і true представляє коефіцієнти довіри.

де TF = {так, ні} , g складає множина світів <M, sO> таких, що M = <{sO}, D, V>

є стандартною структурою, що інтерпретується в численні предикатів першого порядку:

_FOL(a) = {<M, sO>|<M, sO> |=FOL a}

де, |=FOL стандартне істинне відношення для даного числення.

Вводячи функції TF такі, що

¹TF(p, k) = так якщо для всіх <q, так>k, q p інакше ні

²TF(<p, x>, k)= {<qp, так>|<q, так>k } якщо x= так інакше k ,

операції над структурами знань означають в термінах FOL і TF :

wBS, _BB(w) sup _Z|Q (w, r)* _AA(r) (8)

Запропонований механізм висновку приймає нечіткі описи спостережень і

виводить нечіткі описи прогнозів за допомогою нечітких відношень через використання таких правил композиції для висновку прогнозу FCj, для родовища DEq, із набору спостережень OBi :

Композиція для OBiFCj (гіпотези і підтвердження) :

W¹_DEFC =W_DEOB W^C_OBFC , (9)

що визначається

_W¹_DEFC (DE_q, FC_j) = max min[_Wdeob(DE_q, OB_i) ; _W^c_obfc(OB_i, FC_j) ]

^Obi

Композиція для OBiFCj (виключення (наявними спостереженнями)) :

W²_DEFC = W_DEOB (1 - W^C_OBFC ) , (10)

що визначається

_W²_DEFC (DE_q, FC_j) = max min[_Wdeob(DE_q, OB_i) ;1- _W^c_obfc(OB_i, FC_j) ]

^Obi

Композиція для OBiFCj (виключення (відсутніми спостереженнями)) :

W³_DEFC = (1-W_DEOB ) W_OBFC , (11)

що визначається наступним чином :

_W³_DEFC (DE_q, FC_j) = max min[1- _Wdeob(DE_q, OB_i) ; _WOBFC(OB_i, FC_j) ]

^OBi

Прогноз вважається підтвердженим, якщо

_W¹_DEFC (DE_q, FC_j) = 1.00 (12)

Прогноз можливий, якщо

_W¹_DEFC (DE_q, FC_j) 0.99, (13)

де уявляє собою еврістичне значення, яке з дуже малою очевидністю (наприк-лад, = 0.1000) виключає прогноз.

Прогноз виключається, якщо

_W²_DEFC (DE_q, FC_j) = 1.00 або _W³_DEFC (DE_q, FC_j) = 1.00 (14)

Для гібридної структури

₂ = <FOL, FOL, g, DS, DS> ,

де FOL, FOL, g такі самі, як і в 1 , DS тепер належить до інтервалу [0, 1]. Структура знань 2 є множиною пар <p, x>, де p представляє певну множину світів, і , x[0, 1].

¹DS(p,k) повертає значення з проміжку [0,1], що задовільняє представлення:

Впевненість експерта в точності знань представлених через p є сумою всіх показників приписаних до значень інтенсивності в k. Тоді :

²_DS(<p, x>, k) = k{<p, x>, <W, 1-x>}

Нові означення для E₂, A₂, T₂ матимуть вигляд :

E₂[] = {<W, 1>}

A2[a, k] = { x | <q, x>k i qFOL(a)}

T₂[a, x, k] = k{<_FOL(a), x>, <W, 1-x>}

Для множини світів W= {, d, a, da}, де D містить значення “колектор” маємо k₀ = E₂[] = {<W, 1>}

k₁ = T₂[(порода родовище), 0.9, k₀] = {<W, 0.1>, <{, a, da }, 0.9 >}

k₂ = T₂[(порода колектор), 0.7, k₁] = {<W, 0.03>, <{d, da }, 0.07 >,

<{, a, da }, 0.27>, <{da}, 0.63>}

Звідки :

A₂[(родовище колектор), k₂] = 0.63

Розглядаються означення форм типу (def M_i M_j), що інтерпретується як “M_i є підпоняттям M_j” і факти форми (M_i m_j), що інтерпретується як “m_j є прикладом поняття M_i” :

<M, s>|=Z^{(Mi mj)}якщо T(m_j, s)T(M_i , s)

<M, s>|=Z^{(def Mi Mj)}якщо для всіх s i sRs, F(M_i, s)F(M_j , s)

Використання відношення R гарантує залежність між фактами і простими запитами , що обробляються за схемою :

Рис. 2 Схема обробки цілі

A1. (def Mi Mj)

R1. З (Mi mk) i (def Mi Mj) (Mj mk)

R2. З (def Mi Mj) i (def Mj Mk) (def Mi Mk)

Складені запити утворюються через об'єднання простих цілей. Структура складається з цілей, впорядкованих зліва направо, і окремої таблиці , що містить поточні значення зв'язаних змінних. Передача управління відбувається в зворотньому напрямі , від цілі до цілі , коли система намагається знайти значення змінних, що задовольняють запит. Для кожної цілі вхід і вихід з неї можливий через відповідний порт зліва чи справа . Процес починається з виклику першої цілі зліва . Якщо ця ціль успішно досягається , то наступна ціль викликається з допо-могою зв'язаної змінної , яка одержала своє значення при виконанні попередньої цілі . Процес продовжується до тих пір, поки не буде здійснено вихід через exit-порт самої правої цілі .

Для предикатів, що викликаються з двома аргументами пропонується чоти-ри можливих види шаблонів потоку :

(i, i) (i, o) (o, i) (o, o)

Для прискорення обробки бази даних кожна порція інформації розміщується у власному домені :

родовище(C) ( o )

родовище(глибина_залягання(Назва, Глибина))глибина_залягання (o, o)

родовище(вік("Богатойське", Вік))вік ( i, o )

родовище(літологія("Вапняки") ( i )

Для оптимізації процедур пошуку інформації в базі даних організовуються рекурсивні бінарні дерева пошуку. Розглядаючи будь-яку комірку дерева, можна передбачити в якому з її піддерев міститься потрібний фрагмент інформації . Такий ефект досягається за рахунок задання на сукупності даних певного порядкового відношення(алфавітного чи цифрового). Елементи лівого піддерева передуватимуть поточній комірці, а елементи правого піддерева слідуватимуть за нею .

Після виконання обробки кожної конкретної комірки під час процесу пошуку, половина комірок що залишилась, усувається з подальшого розгляду і тим самим швидкість виконання пошуку збільшується . Тому якщо розмір дерева збільшився, наприклад, вдвічі, то пошук по новому дереву потребуватиме лише одного додаткового кроку . Швидкість пошуку пропорційна логарифму числа N, де N- число комірок .

Побудова інтерпретатора починається з термів aTerms і sTerms, які використовуються процедурою оцінювання :

1. Прочитаний iнтерпретатором вихідний код поділяється на статичні терми.

2. Після цього кожний статичний терм перетворюється в aTerm, що і може бути оцінений.

Процес оцінки починається з початкового терма . Будь-яке твердження внесене в базу даних зберігається у вигляді sТerm. Коли ціль перетворюється в активний терм, iнтерпретатор правил ( механізм висновку ) оцінює aТerm і виконує по-в'язану з ним дію. Дія полягає в пошуку в базі даних статичного терма ( твердження ), що відповідає активній цілі. Якщо система знаходить відповідне твердження, то вона зчитує цей sТerm і перетворює його в aТerm, унiфікуючи ціль і твердження, а після цього, якщо твердження є правилом, повторює про-цес для кожної підцілi в тілі твердження .

Основою машини висновку є предикат unify_term. Він одержує на вході статичні терми, дійсні терми, а також середовище, а на виході дає унiфікацію двох різноманітних типів термів .

Виклик предикату member забезпечує звязування аТerm1 із змінною ідентифікації, після чого унiфікація термів аТerm і аТerm1 здійснюється одним із трьох способів :

1. Якщо обидва терми зв'язані, то в залежності від їх значень унiфікація закінчується успішно, або ні .

2. Якщо зв'язаний тільки один терм, то унiфікація пройде шляхом вста-новлення двох термів одне на одного .

3. Якщо обидва терми є вільними змінними, то вони поділяються (що означає, що вони будуть представлені вказівниками і кожний вказівник буде вка-зувати на один і той же вільний адрес).

Предикат unify_body є входом вищого порядку iнтерпретатора; для iнтерпретацiї бази правил предикату unify_body задається ціль, яку треба задовільнити ( гіпотеза ) і вільне середовище. Після цього цей предикат досягне цілі, або ні в залежності від того, чи можна довести гіпотезу. Unify_body відповідає за iнтерпретацію структури тіла правила згідно алгоритму :

1. Поділ тіла на підцілi - відповідно до порядку оцінювання, що виз-начається будовою тіла .

2. Виклику іншого предикату, що відповідає за фактичне виконання окре-мих підцілей .

Виконання бази правил відбувається через сходження :

- від гіпотези

- через її підцілi

- і їх підцілi

- і т.д.

- до фактів, що мають тіло true , яке виконалося в першому реченні.

Якщо гіпотезу не можна довести з допомогою фактів і правил бази даних, то це призведе до невиконання виклику unify_body на рівні гіпотези. Це вико-нання чи невиконання є єдиним результатом iнтерпретації бази правил; на такий результат налагоджена перевірка контрольної програми.

Визначення цієї оболонки включає три вимоги, що виходять за межі мож-ливостей ланцюга зворотніх міркувань, прийнятого в Пролозі :

1. Фактор впевненості формує частину правил і висновків з них.

2. Якщо користувачу задано питання, то система завжди може пояснити, чому вона його задала.

3. Всі висновки можуть бути пояснені за допомогою посилань на попередні міркування .

Ці вимоги сумуються в трьох додаткових аргументах предикату unify_body.

1. Real , що є фактором впевненості, створеним в результаті висновку.

2. Терм, що є заголовком правила, що виконується в даний момент; він дозволяє системі сформулювати фразу : " Я задаю це питання , бо намагаюся встановити <заголовок правила > .

3. Статичний терм , що здійснює просування вперед трасіровки; він буде одержувати встановлену версію тіла, над якою працює unify_body, враховуючи, що терми, які є змінними в процесі переходу тіла в unify_body і call, будуть зміне-ні на ті значення, які вони одержать в процесі виконання. Наявність цих уста-новок в базі даних, дозволяє пояснити будь-яке заключення через посиланням на раніше доведені положення.

Перетворення правила в факт, про який відомо, що він підтверджений, існуючими в базі даних фактами, здійснюється двома способами :

1. Вилучення правила і установки йому відповідного факту .

2. Помічення правила як підтвердженого .

Ці можливості виконуються через запровадження оптимiзації, в якій кожному правилу приписаний свій власний номер. Цей номер за допомогою предиката бази даних, що називається proven (<rule_no> ), буде вказувати , чи підтверджено правило як факт. Це не тільки прискорює роботу, але й дозволяє виконувати пошук альтернативних рішень .

В четвертьому розділі дано оцінку ефективності застосування розробленого формально-логічного апарату для автоматизації процесу рішення діагностико-прогнозтичних задач спеціалістів-геологів.

Розроблена комплексна методика набуття знань в ході інтерактивного діалогу “експерт --інженер-когнітолог-- інформаційна система” дозволяє виділити ключеві об'єкти предметної області через побудову послідовностей пар “гіпотеза-спостереження” і сформувати модель предметної області.

Здобуті знання пропонується представляти у вигляді фреймів, триплетів об'єкт-атрибут-значення, реляційних відношень, і правил із змінними, що значно полегшить наступну їх формалізацію.

Розглядаються чотири класи об'єктів :

- спостереження, ознаки, результати геофізичних досліджень і одержані дані(OBi);

- гіпотези і сценарії(FCj) ;

- проміжні комбінації (ICk);

- комбінації спостережень (OC_l).

Спостереження OBi приймають значення _OBi із [0, 1]{}. Значення _OBi показує , в якій степені проявляються спостереження OBi . Після цього будується бінарне нечітке відношення W_OB , що визначається умовою _Wdeob(DEq, OBi)=_OBi для родовища DEq, де DEq (={DE1, …, DEr} ) і OBi( = {OB1, …, OBm}).

Прогнози також приймають значення із [0,1]{}. Нечіткі значення 0.00 < _FCi<1. 00 представляють можливі прогнози, тоді як значення _FCi=1. 00 і _FCi=0. 00 відповідають підтвердженому прогнозу і непідтвердженому прогнозу відповідно . Ще не розглянуті прогнози приймають значення _FCi= . Формально будується віднощення W_DEFC, що визначається умовою _Wdefc(DE_q, FC_j) = _FCj для родовища DE_q , де FC_j( = {FC₁, …, FC_n}).

Обидва об'єкти, що розглядаються: проміжні комбінації і комбінації спосте-режень - приймають значення _Ick i _OCl відповідно із [0, 1]{}, де означає, що дійсне значення ще не визначено . Відношення R_DEOBC задається умовою _Wdeobс(DEq, OС_l)=_OBCl для родовища DEq, де виконюється OClK(K={OC_l, …, OC_l}), і W_DEOBC формально описує комбінації спостережень по даному родовищу.

Між нафтогазовими об'єктами розглядаються такі відношення:

- відношення спостереження-прогноз(OB_i FC_j) ;

- відношення комбінація спостережень-прогнозів(OC_lFC_j);

- відношення спостереження-спостереження (OBi OBj);

- відношення прогноз-прогноз (FCi FCj).

Ці відношення характеризуються наступними двома параметрами :

- частота появи (f);

- степінь підтвердження (сd).

Відношення між нафтогазовими об'єктами задаються у вигляді правил відношення з відповідними їм парами відношень. Загальне формулювання такого правила має вигляд :

ЯКЩО (антецедент) ТО (консеквент) ПРИ (f, сd)

Пари відношення (f, сd) містять або числові значення _f і _сd , або лінгвістично нечіткі значення _f і _сd , або і ті і інші .

Значення _f і _сd інтерпретуються, як значення нечітких відношень між антецедентами і консеквентами. Так ,

OB_iFC_j (відношення появи)W_OBFC^f

OB_iFC_j (відношення підтвердження)W_OBFC^cd

OC_lFC_j (відношення появи)W_OBCFC^f K

OC_lFC_j (відношення підтвердження)W_OBCFC^cd K

OB_iOB_j (відношення появи)W_OBOB^f

OB_iOB_j (відношення підтвердження)R_OBOB^cd

FC_iFC_j (відношення появи)R_FCFC^f

FC_iFC_j (відношення підтвердження)R_FCFC^cd

Ці відношення мають ту важливу властивість , що вони можуть бути інтер-претовані статистично. Частоти появи f і степінь підтвердження сd становить:

_f = G(OB_iFC_j) / G(FC_j) = G( OB_i /FC_j ) (15) _cd = G(OB_iFC_j) / G(OB_i) = G(FC_j /OB_i ) (16)де G(OB_iFC_j) - абсолютна частота появи OB_i і FC_j ;

G(FC_j) - абсолютна частота появи FC_j ;

G(OB_i) - абсолютна частота появи OB_i ;

G( OB_i /FC_j ) - умовна частота OB_i при умові FC_j ;

G(FC_j /OB_i ) - умовна частота FC_j при умові OB_i .

Після того, як зібрані всі спостреження здійснюється логічний висновок типу “спостереження-спостереження”. Список спостережень містить всі необхідні пункти даних, що включають нечіткі значення, результати вимірів і висновку, числові значення, дані спострережень . Після цього список спостережень пере-віряється на несуперечливість .

На наступному кроці оцінюються проміжні комбінації спостережень. Після проходження перевірки на відповідність обчислюються нечіткі значення для всіх комбінацій спостережень. Одержані в результаті списки тепер повні і не містять ніяких протиріч . Нечіткі значення _FCj = 1.00, тобто підтверджені прогнози FCj для родовища DEq визначаються з допомогою такого співвідношення :

_FCj = 1.00 , якщо _W¹_DEFC (DE_q, FC_j) = 1.00 або _W⁴_DEFC (DE_q, FC_j) = 1.00 (17)

Нечіткі значення _FCj = 0.00, тобто виключені прогнози FCj для родовища DEq визначаються з допомогою :

_FCj = 0.00 , якщо ( _W²_DEFC (DE_q, FC_j) = 1.00

або _W³_DEFC (DE_q, FC_j) = 1.00 або (18)

_W⁵_DEFC (DE_q, FC_j) = 1.00

або _W⁶_DEFC (DE_q, FC_j) = 1.00 )

Відношення типу “колектор-продуктивний колектор” допускають логічний висновок наступних прогнозів( підтверджувані або такі, що виключаються):

Можливим прогнозам відповідають нечіткі значення _FCj , такі , що _FCj 0.99, _FCj=max[_W¹_DEFC(DE_q, FC_j);_W⁴_DEFC(DE_q, FC_j);_W¹⁰_DEFC (DE_q, FC_j) ] , якщо ( _W¹_DEFC (DE_q, FC_j) 0.99 або _W⁴_DEFC (DE_q, FC_j) 0.99 або

_W¹⁰_DE (DE_q, FC_j) 0.99 ). Оскільки значення _FCj не залежать від числа правил, які можуть бути використані для підтримки FCj, то може бути введена еврістична функція, що враховує число критеріїв, присутніх , або частково присутніх, які пе-

редбачають, але не підтверджують істинність прогнозу FCj. Таким чином ця функція обчислює відповідне число точок PNR_FCj . Ці значення корисні тоді , коли треба робити вибір між різними можливими прогнозами, хоча кінцевою ціллю повинно бути одержання підтвердженого прогнозу. Число точок PNR_FCj обчислюється таким чином :

_k*

PNR_FCj=100{ min[_WDEOB(DE_q, OB_i);_W^f_OBFC (OB_i, FC_j)]+ (20)

ⁱ⁼¹ +min[_WDEOB(DE_q, OB_i);_W^cd_OBFC (OB_i, FC_j)]},

де k* - число спостережень по родовищу DEq, які виникають при означенні FCj, а +=1.00 . Ми приймаємо =0.09 і =0.91, тобто степінь підтвердження береться в десять разів більш значимою , ніж частота появи по відношенню до значення PNR_FCj . Множення суми на 100 виконується для того, щоб досягти одержання легких для читання і запам'ятовування значень числа точок .

Розроблена база знань складається із двох основних компонент: розділів і параметрів. Кожен розділ описує одне з родовищ, що досліджується, а параметри описують характеристики виділених об'єктів.

ВИСНОВКИ

1. На основі аналізу якісних і кількісних ознак виділення колекторів нафти і газу запропоновано методику поетапної формалізації знань експерта-геолога з використанням величин типу “невизначено”.

2. Проаналізовано і узагальнено застосування розкладуваних мір невизначеності і розмитих висловлювань для формалізації множини міркувань при поступлені інформації від різних джерел, що описують родовище нафти і газу .

3. Розвинуто підходи по оптимізації обробки інформації в базі знань інформа-ційної системи при наявності неповної і неточної інформації за рахунок процедур нечіткої фільтрації і представлення даних з допомогою розподілу можливостей .

4. Побудовано гібридні структури знань, що дозволило подолати розрив між представленням знань в інформаційній системі і процедурою логічного висновку .

5. Розширено можливості логічного висновку по обробці ситуацій істинності на основі композиційного підходу з використанням складових запитів при наявності нечітких описів спостережень і висновків.

6. Узагальнено і розвинуто використання шаблонів потоків для обробки преди-катів і рекурсивних типів даних.

7. На базі стандартних предикатів побудовано механізм логічного висновку для інформаційної системи.

8. Розроблено комплексну методику набуття і обробки знань в ході інтерактив-ного діалогу “експерт-- інженер-когнітолог --інформаційна система”.

9. Розроблена інформаційна система “COLECTOR”, яка впроваджена в ДГП “Полтаванафтогазгеологія” і використовується для прогнозування нафтогазових колекторів.

РОБОТИ ПО ТЕМІ ДИСЕРТАЦІЇ