Próba wykorzystania sieci neuronowych w kompleksowej interpretacji danych elektromagnetycznych na przykładzie złoża Grabownica

• Autorzy: Mastej W.

Warianty tytułu

EN

An attempt to apply artificial neural networks in integrated interpretation of electromagnetic data - the Grabownica hydrocarbon deposit case study

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono próbę zastosowania metody rozpoznawania obrazów z użyciem sztucznych sieci neuronowych w kompleksowej interpretacji danych z sondowań magnetotellurycznych AMT (Audio-frequency Magnetotellurics) i CSAMT (Controlled Source Audio-frequency Magnetotellurics) ze złoża ropy i gazu Grabownica (dipol podłużny i poprzeczny względem linii profili pomiarowych). Obiektami klasyfikacji były pionowe pasy z przekrojów magnetotellurycznych, o szerokości 50 m, utworzone na bazie siatek interpolacyjnych. Strukturę obiektów formalnie niestrukturalnych wymuszono częściowo poprzez ich podział na: przypowierzchniową, wysokooporową strefę do 200 m n.p.m., strefę niskooporowych utworów uszczelniających oraz słabych maksimów - kominów dyfuzyjnych, od 200 do -100 m n.p.m. i najniższą, wysokooporową strefę złoża. Prawidłowe wskazanie rzeczywistych stref złożowych na bazie informacji pochodzących z często niejasnych i rozbieżnych między sobą obrazów z przekrojów magnetotellurycznych, świadczą o przydatności tej metody. Wskazano także dwie nieznane strefy złożowe w NE części przekroju G4 i w SW części przekroju G2.

EN

The paper presents an attempt to apply the pattern recognition method using artificial neural networks in integrated interpretation of the magnetotelluric data AMT (Audio-frequency Magnetotellurics) and CSAMT (Controlled Source Audio-frequency Magnetotellurics), acquired from the Grabownica oil and gas deposit (longitudinal and transversal dipole in relation to measurement profile lines). Vertical belts of magnetotelluric cross-sections, each 50 m wide, obtained from interpolation grids, were the objects of classification. The structure of formally non-structural objects was partly imposed through division into: near-surface high-resistivity zone, to 200 m a.s.l., low-resistivity screens and week maxima - diffusion chimneys, from 200 to -100 m a.s.l., and the lowest, high-resistivity deposit zone. The usefulness of the method was proven by correct identification of real deposit zones based on data often coming from ambiguous and incompatible magnetotelluric cross-sections. In addition, two unknown deposit zones were discovered in NE part of cross-section G4 and SW part of cross-section G2.

Słowa kluczowe

PL

rozpoznawanie obrazów; sztuczne sieci neuronowe; magnetotelluryka; złoża węglowodorów

EN

pattern recognition; artificial neural networks; magnetotellurics; hydrocarbon deposits

• Wydawca: Wydawnictwa AGH
• Czasopismo: Geologia / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
• Rocznik: 2011
• Tom: T. 37, z. 1
• Strony: 157--173
• Opis fizyczny: Bibliogr. [15] poz, wykr., rys., tab.

Twórcy

autor

Mastej W.

• AGH Akademia Górniczo-Hutnicza, Wydział Geologii, Geofizyki i Ochrony Środowiska; al. A. Mickiewicza 30, 30-059 Kraków,

Bibliografia

• Constable S.C., Parker R.L. & Constable C.G., 1987. Occam’s inversion: a practical algorithm for generating smooth models from electromagnetic sounding data. Geophysics, 52, 289–300.
• Darłak B. & Włodarczyk M., 2003. Niektóre problemy oceny właściwości skał zbiornikowych z wykorzystaniem sieci neuronowych. IGNiG, Kraków. Próba wykorzystania sieci neuronowych w kompleksowej interpretacji... 171
• Dziadzio P.S., Borys Z., Kuk S., Masłowski E., Probulski J., Pietrasiak M., Górka A., Moryc J., Baszkiewicz A., Karnkowski P., Karnkowski P.H. & Pietrusiak M., 2006. Hydrocarbon resources of the Polish Outer Carpathians – Reservoir parameters, trap types, and selected hydrocarbon fields: A stratigraphic review. W: Golonka J. & Picha F.J. (Eds), The Carpathians and their foreland: Geology and hydrocarbon resources, AAPG Memoir, 84, 259–291.
• Fukunaga K., 1972. Introduction to Statistical Pattern Recognition. Academic Press, New York & London.
• Groot-Hedlin C. de & Constable S., 1990. Occam’s inversion to generate smooth, two-dimensional models from magnetotelluric data. Geophysics, 55, 1613–1624.
• Jucha S., Kotlarczyk J. & Mastej W., 2004. Cyfrowe mapy prognozy potencjalnych skał zbiornikowych węglowodorów. Geoinformatica Polonica, 6, 2004, 59–65.
• Karnkowski P., 1993. Złoża gazu ziemnego i ropy naftowej w Polsce. T. 2: Karpaty i zapadlisko przedkarpackie. Towarzystwo Geosynoptyków „Geos”, Kraków.
• Kosiński R.A., 2007. Sztuczne sieci neuronowe. Dynamika nieliniowa i chaos. Wydawnictwa Naukowo-Techniczne, Warszawa.
• Lejkowska S., 1975. Przekrój geologiczny przez złoże Grabownica (mat. niepubl.).
• Stefaniuk M., Maj E., Sito Ł., Słyś M. & Wojdyła M., 2010a. Anomalie elektromagnetyczne związane z akumulacjami węglowodorów na przykładzie wybranych złóż karpackich i zapadliska przedkarpackiego. III Konferencja Naukowo-Techniczna „Ropa i gaz – złoża konwencjonalne i niekonwencjonalne”, Czarna 11–14.04.2010, 53–54.
• Stefaniuk M., Wojdyła M., Maj E., Sito Ł. & Słyś M., 2010b. Interpretacja danych elektromagnetycznych w środkowej i północno-zachodniej części złoża ropy naftowej i gazu ziemnego „Grabownica”. Materiały seminaryjne pod redakcją dra hab. inż. Michała Stefaniuka, Iwkowa 2010, 11–12.
• Stefaniuk M., 2011. Metody elektromagnetyczne w prospekcji naftowej. Geologia (kwartalnik AGH), 37, 1, 5–36.
• Szewczyk S., 1988. Model złoża Grabownica. W: Łuczejko J., Nycz R., Szewczyk S. & Szewczyk E., Dodatek nr 2 do dokumentacji geologicznej złoża ropy naftowej Grabownica (mat. niepubl.).
• Tadeusiewicz R. & Flasiński M., 1991. Rozpoznawanie obrazów. Państwowe Wydawnictwo Naukowe, Warszawa.
• Wojdyła M., Maj E., Słyś M. & Stefaniuk M., 2009. Zastosowanie metody magnetotellurycznej do rozpoznawania płytkich złóż węglowodorów w Karpatach na przykładzie złoża ,,Grabownica”. Konferencja Naukowo-Techniczna „Ropa i gaz a skały klastyczne Polski”, Czarna 17–20.03.2009, 59–60.