Cyfrowe mapy prognozy potencjalnych skał zbiornikowych węglowodorów

• Autorzy: Jucha S. , Kotlarczyk J. , Mastej W.

Warianty tytułu

EN

Digital prognostic maps of hydrocarbon-reservoir rocks

• Języki publikacji: PL

Abstrakty

PL

Wykorzystanie geoinformacji zawartej w banku danych o złożach węglowodorów umożliwiło wykonanie cyfrowych map prognozy potencjalnych skał zbiornikowych węglowodorów w części niecki Nidy pogrzebanej pod utworami miocenu, w której zostało odkryte wcześniej kilka złóż węglowodorów. Do przekształcenia wielowymiarowych danych z banku w parametr jednowymiarowy, tj. w prawdopodobieństwo trafienia otworem w skały zbiornikowe (P[R*]), wykorzystano sieci neuronowe jako niealgorytmiczną metodę rozpoznawania obrazów (klasyfikacja wzorcowa). Nielosowy model geostatystycznej zmienności obliczanego parametru pozwolił na interpolację danych (kriging punktowy) z otworów na węzły siatki ortogonalnej i wyrysowanie mapy izoliniowej wartości prawdopodobieństwa. Taka prognoza ułatwia zaplanowanie eksploracji otworowej. Efektywność zastosowanej metody porównano z działaniem jednej z lepszych algorytmicznych metod rozpoznawania obrazów - metody funkcji potencjalnych, wykorzystanej we wcześniejszej publikacji (Kotlarczyk i in. 1999). Obie metody dały podobne rezultaty, chociaż można zauważyć nieco większą efektywność sieci neuronowych.

EN

Geoinformation contained in the data base for hydrocarbon deposit allowed to obtain digital prognostic maps of hydrocarbon reservoir rocks in the part of the Nida River synclinorium buried under the Miocene strata where several hydrocarbon deposits have been previously discovered. In order to transform multidimensional data from the data base into one-dimensional parameter, i.e. into a probability that a borehole will hit the reservoir rocks (P[R*]), artificial neural networks were used as non-algorithmic pattern recognition method. Non-random lateral geostatistical variability model of this parameter allowed to interpolate the data (point kriging) from boreholes to orthogonal grid nodes and, consequently, enabled drawing the isoline map of probability values. Such a prognosis facilitates the planning of future producing wells. Efectiveness of the applied method was compared (cf. earlier publication: Kotlarczyk et al. 1999) with the effectiveness of potential function method which is regarded as one of the best algorithmic methods of pattern recognition. Both methods gave similar results, although the neural networks seem to provide some advantages.

Słowa kluczowe

PL

zapadlisko przedkarpackie; skały zbiornikowe; sztuczne sieci neuronowe; rozpoznawanie obrazów; kriging

EN

carpathian Foredeep; hydrocarbon reservoir rocks; artificial neural networks; pattern recognition; kriging

• Wydawca: Polska Akademia Umiejętności
• Czasopismo: Geoinformatica Polonica
• Rocznik: 2004
• Tom: T. 6
• Strony: 59--65
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Jucha S.

• Akademia Górniczo-Hutnicza, Wydział Geologii, Geofizyki i Ochrony Środowiska, Kraków.

autor

Kotlarczyk J.

• Akademia Górniczo-Hutnicza, Wydział Geologii, Geofizyki i Ochrony Środowiska, Kraków.

autor

Mastej W.

• Akademia Górniczo-Hutnicza, Wydział Geologii, Geofizyki i Ochrony Środowiska, Kraków.

Bibliografia

• 1. Baran U., Jawor E., Jawor W., 1998, The Development of the Cenomanian Sandstones in the Polish Carpathians Foredeep and the Condition of Hydrocarbon Accumulation. Conference and Exhibition: Modern Exploitation and Improved Oil and Gas Recovery Methods, Cracow, Poland, 1-3 September 1998, Book of Abstracts, p. 88-89.
• 2. Journel A. C., Huijbregts Ch. J., 1978, Mining Geostatistics, Academic Press., London, 600 p.
• 3. Jucha S. F., 1989, Wystawa cyfrowej kartografii naftowej z okazji 70-lecia Akademii (1919-1989). Geologia Naftowa Polski (1), Kraków.
• 4. Jucha S. F., 1992, Wystawa cyfrowej kartografii naftowej z okazji 25-lecia Wydziału Wiertniczo-Naftowego Akademii Górniczo-Hutniczej w Krakowie (1967-1992). Opracowanie tekstowe przewodnika. Geologia Naftowa Polski (5), Kraków.
• 5. Jucha S. F., 1995, Wystawa polskiej cyfrowej kartografii naftowej z okazji Międzynarodowej Konferencji: Modern Exploration and Improved Oil and Gas Recovery Methods, część 1. Kraków, Warszawa, 12-15 września 1995. Geologia Naftowa Polski (11).
• 6. Jucha S. F., 1999, Analiza warunków akumulacji złóż węglowodorów i ich znaczenie dla prospekcji naftowej w basenach Niżu Polski oraz zapadliska przedkarpackiego. Gospodarka Surowcami Mineralnymi, t. 15, zesz. specjalny, s. 5-42, Kraków.
• 7. Karnkowski P., 1993, Złoża gazu ziemnego i ropy naftowej w Polsce. T. 2. Karpaty i zapadlisko przedkarpackie, Tow. Geosynoptyków Geos., Kraków.
• 8. Kotlarczyk J., Mastej w., 1994, Utility of Selected Pattern Recognition Algorithms for Determining the Range of Ore Bodies in the Zn-Pb "Pomorzany" Mine (Poland), Ser. Informatique geologique. Sciences de la Terre, no 32, Fointenbleau, p. 331-340.
• 9. Kotlarczyk J., Jucha S. F., Mastej W., Namysłowska-Wilczyńska B., 1999, Rozpoznawanie obrazów w prospekcji stref naftowych w cenomanie i malmie synklinorium Nidy, Gospodarka Surowcami Mineralnymi, t. 15, zesz. specjalny, s. 45-68, Kraków.
• 10. Puri M. L., Sen P. K., 1971, Nonparametric Methods in Multivariate Analysis, New York, Wiley &Sons.
• 11. Tadeusiewicz R., 2001, Wprowadzenie do sieci neuronowych, Wydawn. Statsoft Polska, Kraków.
• 12. Tamura R., 1966, Multivariate nonparametric several-sample tests, Ann. Math. Statist, vol. 37, p.611-618.