intTypePromotion=1
ADSENSE

Luận văn Thạc sĩ, Cơ học kỹ thuật: Nghiên cứu, cải thiện kỹ thuật mô hình vỉa nứt nẻ liên tục (CFM), áp dụng cho mỏ của Việt Nam

Chia sẻ: Tomjerry001 | Ngày: | Loại File: PDF | Số trang:94

40
lượt xem
0
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Nội dung chính của luận văn được chia thành 4 chương: Chương 1: Trình bày lý thuyết cơ bản về kỹ thuật mô hình vỉa nứt nẻ liên tục (CFM). Chương này cung cấp một cái nhìn tổng quát nhất về CFM. Chương 2: Trình bày sâu hơn về các công cụ trí tuệ nhân tạo dùng trong CFM, bao gồm mạng thần kinh nhân tạo và thuật toán xếp hạng các thông số đầu vào, dựa trên mức độ tương quan của chúng với thông số đầu ra của mô hình. Chương 3: Trình bày những module chính và chƣơng trình con chính trong chương trình máy tính và các sơ đồ khối mô tả khái quát hoạt động của chúng. Chương 4: Trình bày một số thử nghiệm chương trình máy tính thông qua dữ liệu có được từ hai mỏ dầu công nghiệp, đó là mỏ Bạch Hổ của Việt Nam và mỏ Teapot Dome của Hoa Kỳ. So sánh một số kết quả giữa hai chương trình máy tính tự viết và phần mềm thương mại Petrel. Chương 5: Kết luận, tổng kết những kết quả đã đạt được của luận văn và hƣớng phát triển nghiên cứu tiếp theo.

Chủ đề:
Lưu

Nội dung Text: Luận văn Thạc sĩ, Cơ học kỹ thuật: Nghiên cứu, cải thiện kỹ thuật mô hình vỉa nứt nẻ liên tục (CFM), áp dụng cho mỏ của Việt Nam

  1. ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THANG VĂN ĐẠT NGHIÊN CỨU, CẢI THIỆN KỸ THUẬT MÔ HÌNH VỈA NỨT NẺ LIÊN TỤC (CFM), ÁP DỤNG CHO MỎ CỦA VIỆT NAM LUẬN VĂN THẠC SĨ CƠ HỌC KỸ THUẬT HÀ NỘI, NĂM 2014
  2. ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THANG VĂN ĐẠT NGHIÊN CỨU, CẢI THIỆN KỸ THUẬT MÔ HÌNH VỈA NỨT NẺ LIÊN TỤC (CFM), ÁP DỤNG CHO MỎ CỦA VIỆT NAM Ngành : Cơ học kỹ thuật Chuyên ngành : Cơ học kỹ thuật Mã số : 60 52 01 01 LUẬN VĂN THẠC SĨ CƠ HỌC KỸ THUẬT NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS.TS. ĐẶNG THẾ BA HÀ NỘI, NĂM 2014
  3. LỜI CẢM ƠN Lời đầu tiên của khóa luận này em xin gửi lời cảm ơn đến thầy giáo PGS. TS. Đặng Thế Ba. Thầy đã giao đề tài và tận tình hƣớng dẫn em trong quá trình hoàn thành khóa luận này. Nhân dịp này em xin gửi lời cám ơn của mình tời toàn bộ các thầy cô giáo trong khoa Cơ Học Kỹ Thuật và Tự Động Hóa đã giảng dạy và giúp đỡ chúng em trong suốt quá trình học tập tại khoa. Đồng thời, tôi xin cảm ơn gia đình và những ngƣời thân đã cùng chia sẻ, giúp đỡ, động viên, tạo mọi điều kiện thuận lợi để tôi hoàn thành nhiệm vụ học tập và cuốn luận văn này. Hà nội, ngày 10 tháng 10 năm 2014 Học viên Thang Văn Đạt
  4. LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các kết quả nêu trong luận văn này là trung thực và chƣa từng đƣợc ai công bố trong bất kỳ công trình nào khác. Tác giả luận văn Học viên Thang Văn Đạt
  5. MỤC LỤC LỜI CẢM ƠN ..................................................................................................................3 LỜI CAM ĐOAN ............................................................................................................4 DANH SÁCH HÌNH VẼ.................................................................................................7 DANH SÁCH BẢNG......................................................................................................9 MỞ ĐẦU .........................................................................................................................1 Chƣơng 1. KỸ THUẬT MÔ HÌNH VỈA NỨT NẺ LIÊN TỤC .....................................3 1.1. Vỉa nứt nẻ tự nhiên ................................................................................................3 1.1.1. Mô hình vỉa .....................................................................................................3 1.2. Kỹ thuật mô hình nứt nẻ liên tục - CFM ...............................................................5 1.2.1. Xếp hạng các yếu tố ảnh hƣởng tới nứt nẻ .....................................................6 1.2.2. Huấn luyện và kiểm tra mô hình.....................................................................8 1.2.3. Mô phỏng xây chỉ số nứt nẻ trong hệ lƣới địa chất ........................................9 Chƣơng 2. CÁC CÔNG CỤ TRÍ TUỆ NHÂN TẠO DÙNG TRONG MÔ HÌNH NỨT NẺ LIÊN TỤC – CFM ..................................................................................................10 2.1. Logic mờ xếp hạng các thông số đầu vào đối với cƣờng độ nứt nẻ ...................10 2.2. Mạng thần kinh nhân tạo xây dựng cƣờng độ nứt nẻ..........................................17 2.2.1. Cấu trúc và mô hình của neuron sinh học ....................................................18 2.2.2. Cấu trúc và mô hình của neuron nhân tạo ....................................................19 2.2.3. Cấu tạo và phƣơng thức làm việc của mạng neural nhân tạo – ANN ..........21 2.2.4. Các luật học ..................................................................................................23 2.2.4.5. Mạng neural nhân tạo nhiều lớp truyền thằng ...........................................25 2.2.6. Thiết kế cấu trúc của mạng neural nhân tạo nhiều lớp truyền thẳng ............26 2.2.7. Thuật toán lan truyền ngƣợc .........................................................................28 Chƣơng 3. XÂY DỰNG CHƢƠNG TRÌNH MÁY TÍNH ...........................................37 3.1. Modul IMPORTS.F90 ........................................................................................38 3.1.1. SUBROUTINE GET_UNIT .........................................................................38 3.1.2. SUBROUTINE REMOVE_TRAILING_BLANK ......................................38 3.1.3. SUBROUTINE SKIP_COMMENT_AND_NUMBER ...............................39 3.1.4. SUBROUTINE SKIP_COMMENT(STR, GTL) .........................................39
  6. 3.1.5. SUBROUTINE READ_SUPPORT_PROPERTIES ....................................39 3.1.6. SUBROUTINE READ_FILE_ECLIPSE .....................................................39 3.1.7. SUBROUTINE READ_FILE_CMG ...........................................................40 3.2. Modul RANKS.F90 ............................................................................................41 3.2.21. SUBROUTINE READ_IO_FOR_RANKING...........................................42 3.2.2 SUBROUTINE RANKS ...............................................................................43 3.2.3. SUBROUTINE WRITE_COMMAND_FILE .............................................44 3.2.4. SUBROUTINE RUN_GNUPLOT ...............................................................45 3.3. Modul NEURALNETWORK.F90......................................................................45 3.4. Modul EXPORT.F90 ..........................................................................................45 Chƣơng 4. ÁP DỤNG THỬ NGHIỆM .........................................................................47 4.1. Mỏ Teapot Dome ................................................................................................47 4.1.1. Dữ liệu đầu vào .............................................................................................48 KẾT LUẬN ...................................................................................................................62 DANH MỤC CÁC CÔNG TRÌNH CỦA TÁC GIẢ .................................................64 LIÊN QUAN ĐẾN TÀI LIỆU ....................................................................................64 TÀI LIỆU THAM KHẢO .............................................................................................65 PHỤ LỤC ......................................................................................................................68
  7. DANH SÁCH HÌNH VẼ Hình 2.1: Mặt y  a 2  x1   x  2 2 2   (a), mặt cắt y  f x1 , x2 tại điểm x1(*) (b). .....11 (*)   Hình 2.2: Mặt cắt y x1 , x2  * k  (a), hình chiếu các điểm trên mặt cắt ở (a) lên mặt x1  y (b)........................................................................................................................12 Hình 2.3: Mặt cắt tại điểm x1  .......................................................................................13 * Hình 2.4: Đƣờng cong fuzzy trung bình thu đƣợc khi thay lần lƣợt x1   x1  , k  1, m . ...14 * k Hình2.5: Mặt cắt tại điểm x2  ......................................................................................14 k Hình 2.6: Đƣờng con fuzzy trung bình thu đƣợc khi x2  thay đổi lần lƣợt bằng * x2  , k  1, m ....................................................................................................................15 k Hình 2.7: Hàm liên thuộc của tập mờ lân cận của xi  . .................................................16 * Hình 2.8: Ảnh một neuron sinh học ..............................................................................18 Hình 2.9: Mô hình một neuron nhân tạo .......................................................................19 Hình 2.10: Hàm truyền nhị phân ...................................................................................20 Hình 2.11: Hàm truyền phân cực ..................................................................................20 Hình 2.12: Hàm truyền sigmoid ....................................................................................21 Hình 2.13: Mạng thần kinh nhân tạo nhiều lớp truyền thẳng ........................................22 Hình 2.14: Mang thần kinh nhân tạo quy hồi ................................................................23 Hình 2.15: Sơ đồ luật học có giám sát. ..........................................................................24 Hình 2.16: Sơ đồ luật học không giám sát. ...................................................................24 Hình 2.17: Mạng thần kinh nhân tạo 3 lớp truyền thẳng ...............................................25 Hình 2.18: Mạng neural nhân tạo 4 lớp truyền thẳng....................................................33 Hình 3.1: Sơ đồ hoạt động của chƣơng trình.................................................................38 Hình 3.2: Sơ đồ đọc file định dạng Eclipse ...................................................................40 Hình 3.3: Sơ đồ đọc file định dạng CMG......................................................................41 Hình 3.4: Lƣợc đồ hoạt đột chƣơng trình con đọc file chứa tên các tính chất .............43 Hình 3.5: Lƣợc đồ chƣơng trình con RANKS ..............................................................44 Hình 3.6: Lƣợc đồ hoạt động modul NEURALNETWORK.F90 .................................45
  8. Hình 4.1: Khoảng cách tới đứt gãy................................................................................48 Hình 4.2: Zones .............................................................................................................49 Hình 4.3: Góc cắm (Dipangle) ......................................................................................49 Hình 4.4: Phƣơng vị (Dipazimuth) ................................................................................50 Hình 4.5: Độ cong gauss ...............................................................................................50 Hình 4.8: so sánh kết quả ..............................................................................................53 Hình 4.8: Đồ thị tỷ lệ ô lƣới tƣơng ứng với khoảng nứt nẻ ban đầu .............................54 Hình 4.9: Đồ thị phân trăm số ô lƣới tƣơng ứng với khoảng nứt nẻ xây dựng bằng modul “train estimation model” của phần mềm Petrel..................................................54 Hình 4.10: Đồ thị phân trăm số ô lƣới tƣơng ứng với khoảng nứt nẻ xây dựng bằng chƣơng trình tự viết. ......................................................................................................55 Hình 4.11: So sánh kết quả trên tập dữ liệu luyện tập, ..................................................56 kiểm tra, xác nhận; trong đó y là cƣờng độ nứt nẻ tính từ ANN, ..................................56 d là dữ liệu thực tế .........................................................................................................56 Hình 4.13: Độ rỗng mỏ Bạch hổ ...................................................................................59 Hình 4.14: Khoảng cách tới đứt gãy mỏ Bạch Hổ ........................................................60 Hình 4.15: Độ thấm theo phƣơng x tại các giếng. .........................................................61
  9. DANH SÁCH BẢNG Bảng 1.1: Các thông số đầu vào cho mô hình CFM........................................................8 Bảng 3.1: File vào ra cho chƣơng trình máy tính ..........................................................37 Bảng 4.1: Xếp hạng ảnh hƣởng các thông số đầu vào ..................................................51 Hình 4.6: Sai số trên tập huấn luyện của phần mềm tự viết. .........................................52 Hình 4.7: Sai số trên tập kiểm tra của phần mềm tự viết ..............................................52 Bảng 4.2: Kết quả xếp hạng ảnh hƣởng các thông số đầu vào đối với độ thấm theo phƣơng x. .......................................................................................................................61
  10. 1 MỞ ĐẦU Ngành công nghiệp dầu khí Việt Nam hình thành và phát triển vào những năm 80 của thế kỷ trƣớc, với thời gian chƣa nhiều so với các nƣớc có nền công nghiệp dầu khí phát triển, nhƣng cũng đã đạt đƣợc nhiều thành tích đáng trân trọng. Ngoài những thuận lợi là phát triển sau nên có thể tiếp thu đƣợc nhiều thành tựu tiên tiến của thế giới, còn có những khó khăn nhƣ phần lớn các vỉa có trữ lƣợng lớn của Việt Nam thƣờng nằm trong tầng đá móng granite chứa các nứt nẻ tự nhiên, rất ít gặp trên thế giới, có các thuộc tính vỉa rất phức tạp, độ bất đồng nhất cao gây nhiều khó khăn cho công tác quy hoạch phát triển và nâng cao hiệu suất khai thác. Với nỗ lực của các nhà khoa học Việt Nam, đặc biệt là của ngành dầu khí, những nghiên cứu khoa học và công nghệ trực tiếp phục vụ cho phát triển các vỉa tầng móng đã thu đƣợc nhiều thành tựu và đã góp phần khai thác hiệu quả các vỉa tầng móng phức tạp, đóng góp phần lớn vào sản lƣợng khai thác hàng năm của Việt Nam, đƣa ngành công nghiệp dầu khí trở thành ngành có đóng góp quan trọng trong phát triển kinh tế xã hội nƣớc nhà. Tuy nhiên, trƣớc yêu cầu ngày càng cao về nâng cao hiệu suất khai thác cho các vỉa nứt nẻ này, các nghiên cứu về các đặc trƣng và kỹ thuật mô hình mô phỏng kinh tế kỹ thuật khai thác vỉa cần phải đƣợc phát triển hơn nữa để các kết quả về các đặc trƣng của vỉa đảm bảo tính khoa học, độ chính xác và đặc biệt là phải xây dựng đƣợc các quy trình, công nghệ rõ ràng để có thể áp dụng hiệu quả cho các vỉa khác nhau. Khi giải quyết các bài toán xác định các đặc trƣng thấm chứa trong các vỉa nứt nẻ tự nhiên (NFR), các phƣơng pháp địa thống kê truyền thống thƣờng tỏ ra kém chính xác [6]. Trong những năm gần đây một phƣơng pháp mô hình hóa đã đƣợc phát triển - mô hình vỉa nứt nẻ liên tục (CFM) để xác định các đặc trƣng nứt nẻ. Trong vỉa có kể đến hiệu ứng nứt nẻ ở nhiều quy mô, đồng thời, mô hình cũng tích hợp tất cả các thông tin từ nhiều nguồn, bao gồm mẫu lõi, logs giếng, ảnh địa chấn, và dữ liệu kiểm tra giếng [1] [7] [8]. Luận văn tập trung nghiên cứu, khảo sát kỹ thuật mô hình vỉa nứt nẻ liên tục (CFM). Trong đó gồm có: kỹ thuật xếp hạng sử dụng các đƣờng cong fuzzy trung bình (mean fuzzy curve); và phƣơng pháp học máy mạng neural nhân tạo. Nâng cao chất lƣợng kỹ thuật mô hình nứt nẻ liên tục (CFM), áp dụng vào bài toán xác định đặc trƣng nứt nẻ của vỉa nứt nẻ tự nhiên. Luận văn tập trung khảo sát một số công trình
  11. 2 tiên tiến có liên quan trên thế giới [1] [3] [4] [8-10] [18-20] cung cấp một cái nhìn chung về phƣơng pháp xây dựng đặc trƣng nứt nẻ của vỉa nứt nẻ tự nhiên bằng kỹ thuật mô hình vỉa nứt nẻ liên tục. Một số các công trình nghiên cứu khác về thuật toán xếp hạng và mạng neural nhân tạo đã đƣợc luận văn sử dụng làm cơ sở khoa học cho các nghiên cứu và phát triển. Luận văn đã xây dựng hoàn thành chƣơng trình máy tính bằng ngôn ngữ lập trình Fortran và thử nghiệm chƣơng trình với ví dụ thực tế. Đóng góp khoa học của luận văn là một bài báo đăng trên hội nghị Cơ Học Kỹ Thuật kỷ niệm 35 năm thành lập Viên Cơ Học, một bài báo đăng trên hội nghị cơ học thủy khí toàn quốc năm 2014, và một bài báo đăng trên hội nghị quốc tế lần thứ 3 về Cơ Học Kỹ Thuật và Tự Động Hóa (ICEMA3). Dựa trên kết quả thử nghiệm cho thấy: chƣơng trình máy tính hoạt động ổn định; module mạng neural nhân tạo làm việc cho kết quả có độ chính xác và phù hợp hơn module “train estimation model” của phần mềm thƣơng mại Petrel. Nội dung chính của luận văn đƣợc chia thành 4 chƣơng: - Chƣơng 1: Trình bày lý thuyết cơ bản về kỹ thuật mô hình vỉa nứt nẻ liên tục (CFM). Chƣơng này cung cấp một cái nhìn tổng quát nhất về CFM. - Chƣơng 2: Trình bày sâu hơn về các công cụ trí tuệ nhân tạo dùng trong CFM, bao gồm mạng thần kinh nhân tạo và thuật toán xếp hạng các thông số đầu vào, dựa trên mức độ tƣơng quan của chúng với thông số đầu ra của mô hình. - Chƣơng 3: Trình bày những module chính và chƣơng trình con chính trong chƣơng trình máy tính và các sơ đồ khối mô tả khái quát hoạt động của chúng. - Chƣơng 4: Trình bày một số thử nghiệm chƣơng trình máy tính thông qua dữ liệu có đƣợc từ hai mỏ dầu công nghiệp, đó là mỏ Bạch Hổ của Việt Nam và mỏ Teapot Dome của Hoa Kỳ. So sánh một số kết quả giữa hai chƣơng trình máy tính tự viết và phần mềm thƣơng mại Petrel. - Chƣơng 5: Kết luận, tổng kết những kết quả đã đạt đƣợc của luận văn và hƣớng phát triển nghiên cứu tiếp theo. - Phần phụ lục là mã nguồn của chƣơng trình.
  12. 3 Chƣơng 1. KỸ THUẬT MÔ HÌNH VỈA NỨT NẺ LIÊN TỤC 1.1. Vỉa nứt nẻ tự nhiên Vỉa dầu khí là chỉ một tích tụ của dầu mỏ và khí đốt, chiếm một phần hoặc toàn bộ bẫy chứa dầu. Nằm trong một két chứa tự nhiên, vỉa đƣợc giới hạn ở phía trên bởi các đá không thấm và phía dƣới bởi nƣớc hoặc các đá không thấm hoặc cả nƣớc và đá không thấm [5]. Vỉa đƣợc coi là một tích tụ cơ sở của dầu mỏ và khí đốt. Nếu tích tụ này là đủ lớn và có lãi khi khai thác thì gọi là vỉa công nghiệp. Điều kiện cần thiết để thành tạo vỉa dầu là trong két chứa tự nhiên có hình thành bẫy [5]. Hình dạng và kích thƣớc của vỉa phần lớn tùy thuộc vào hình dạng và kích thƣớc của bẫy. Vỉa nứt nẻ tự nhiên - NFR là một vỉa dầu khí mà trong đó có chứa các hệ thống nứt nẻ và đứt gãy sinh ra không do các tác nhân nhân tạo. Tác động chính của nứt nẻ và đứt gãy trong vỉa nứt nẻ tự nhiên là nó làm cho tính chất dòng chảy Hydrocarbon trong vỉa biến đổi rất không đồng nhất về cả hƣớng và cƣờng độ. 1.1.1. Mô hình vỉa Trong ngành công nghiệp dầu khí hiện đại, xây dựng một mô hình vỉa dầu khí tức là sử dụng công cụ máy tính để xây dựng một mô hình số của một vỉa chứa dầu hoặc khí nhằm ƣớc lƣợng, tính toán trữ lƣợng dầu, khí trong vỉa. Mô hình vỉa là thay thế một không gian vật lý của vỉa bằng một tập hợp các ô lƣới rời rạc, các ô lƣới này có thể 1 chiều, 2 chiều hay 3 chiều. Các tính chất cần quan tâm trong vỉa nhƣ độ thấm, độ rỗng,… trong vỉa theo cách chia lƣới cũng đƣợc xây dựng cho mỗi ô lƣới trong mô hình vỉa. Có thể phân chia kỹ thuật mô hình vỉa thành hai loại chính, đó là: - Mô hình tĩnh hay là mô hình địa chất: mô hình này đƣa ra các mô tả tĩnh các tính chất của môi trƣờng trong vỉa dầu, khí, ví dụ nhƣ độ thấm, độ rỗng, đặc trƣng nứt nẻ,… - Mô hình động hay còn gọi là mô hình mô phỏng vỉa: đƣợc xây dựng bởi các nhà kỹ sƣ sử dụng các phƣơng pháp số nhƣ phƣơng pháp sai phân hữu hạn, thể tích hữu hạn để mô tả dòng chảy dầu, khí, nƣớc trong vỉa theo thời gian.
  13. 4 Trong tính toán khai thác vỉa mô hình động hiện nay vẫn đang đƣợc sử dụng là mô hình dòng chảy 3 pha dầu, khí nƣớc, dựa trên định luật bảo toàn khối lƣợng và định luật Darcy, dòng chảy 3 pha dầu, khí, nƣớc tuân theo hệ phƣơng trình vi phân đạo hàm riêng:   g Kkrg    g S g  ·  pg   g gD   qg  (1.1)   g  t   Kk   o So  · o ro  po  o gD    qo  (1.2)  o  t   Kk    w S w  · w rw  pw   w gD    qw  (1.3)  w  t S w  So  S g  1 (1.4) Trong đó  gọi là toán tử gradient, hay còn đƣợc gọi là Nabla, đây là toán tử vi phân hình thức, các tham số K , k , là các tham số đặc trƣng cho tính thấm rỗng của môi trƣờng, p là áp xuất,  là độ nhớt, S là độ bão hòa nƣớc, q là lƣu lƣợng dòng chảy. Trong hệ 3 phƣơng trình (1.1), (1.2), (1.3), (1.4) giúp xác định phân bố áp suất, độ bão hòa nƣớc,… trong vỉa dầu khí, tuy nhiên độ chính xác của các kết quả tính toán từ hệ phƣơng trình trên phụ thuộc rất lớn vào các tham số nằm trong các hệ phƣơng trình đó, các tham số này mô tả tính chất hình học, vật lý của môi trƣờng, ví dụ nhƣ: krg , krw , kro , K ,  ,…việc xây dựng, phát triển mô hình tĩnh sẽ góp phần nâng cao độ chính xác của các tham số trên, qua đó nâng cao kết quả tính toán cho mô hình dòng chảy trong vỉa. Mô hình địa chất (mô hình tĩnh) sẽ đƣợc sử dụng để xây dựng các thông số trên, sau đó kết quả của mô hình tĩnh sẽ đƣợc sử dụng làm đầu vào cho mô hình động (mô hình dòng chảy trong vỉa). Chính vì vậy, để nâng cao chất lƣợng dự báo thì việc xây dựng mô hình địa chất tốt là việc cần thiết. Trong những năm qua, có một số mô hình địa chất đƣợc áp dụng phổ biến nhƣ mô hình địa cơ học, mô hình mạng nứt nẻ rời rạc (DFN), mô hình nứt nẻ liên tục,… trong đó khi làm việc với những vỉa nứt nẻ tự nhiên (NFR) mô hình nứt nẻ liên tục – CFM tỏ ra có hiểu quả hơn cả [3] [6-9].
  14. 5 1.2. Kỹ thuật mô hình nứt nẻ liên tục - CFM Trong phƣơng pháp mô hình theo tiếp cận CFM, chỉ số đặc trƣng nứt nẻ cơ bản thƣờng đƣợc chọn để mô hình hóa là cƣờng độ nứt nẻ trong vỉa, thay vì tập chung vào bản chất các nứt nẻ, phƣơng pháp này tập trung vào những nguyên nhân gây ra và chi phối sự phát triển của nứt nẻ [1]. Thạch học, cấu trúc, tƣơng quan vị trí so với các đứt gãy, và những yếu tố địa chất khác mà thƣờng đƣợc gọi là nguyên nhân gây ra nứt nẻ và tri phối cƣờng độ, phân bố, và phƣơng hƣớng của nứt nẻ,… Các yếu tố đó thƣờng đƣợc gọi là yếu tố điều khiển nứt nẻ (fracture drivers), chúng là những phân tích về nứt nẻ có đƣợc từ phân tích lõi (core descriptions), các bản ghi hình ảnh (image logs), và bản ghi sản lƣợng (production logs). Các yếu tố nhƣ mật độ, độ mở, phƣơng hƣớng, cƣờng độ của nứt nẻ đƣợc gọi là chỉ số đặc trƣng cho nứt nẻ (fracture indicators) [19]. Trong phƣơng pháp CFM, những yếu tố điều khiển nứt nẻ luôn luôn đƣợc xem xét, đánh giá cùng với các chỉ số đặc trƣng cho nứt nẻ, nhằm tìm ra mối quan hệ giữa chúng. Một khi mối quan hệ này đƣợc ƣớc lƣợng, các yếu tố điều khiển nứt nẻ (fracture drivers) trên từng ô lƣới có thể đƣợc sử dụng để dự đoán đặc trƣng nứt nẻ tại ô lƣới đó. Đầu tiên, bộ thông số ảnh hƣởng tới nứt nẻ sẽ đƣợc xây dựng và phân tích, sử dụng thuật toán xếp hạng để xếp hạng những thông số này theo tiêu chí tƣơng quan với các chỉ số nứt nẻ. Kết quả sẽ cho biết đƣợc sự ảnh hƣởng và tầm quan trọng của mỗi yếu tố điều khiển nứt nẻ (fracture drivers), qua đó tiến hành đánh giá (loại bỏ hoặc chấp nhận) bộ thông số đƣa vào bƣớc tiếp theo. Thứ hai, mô hình mạng thần kinh nhân tạo đƣợc sử dụng để hồi quy mối quan hệ giữa các yếu tố điều khiển nứt nẻ và chỉ số nứt nẻ. Đầu vào cho mô hình gồm các yếu tố ảnh hƣởng nứt nẻ. Các yếu tố ảnh hƣởng nứt nẻ này thu đƣợc từ việc sử dụng các phƣơng pháp địa thống kê thích hợp (thông qua một số phần mềm nhƣ Petrel) và đa số chúng thƣờng có trong các mô hình địa chất vỉa và minh giải địa chấn [24]. Các thông tin cụ thể có thể là: các tham số địa chất (độ rỗng, độ thấm tại các giếng và mẫu lõi, thạch học, tƣớng đá, góc cắm, phƣơng vị, độ dày địa tầng, khoảng cách đến đứt gẫy,…); các tham số địa cơ học vỉa (độ nén, độ kéo,…); các thuộc tính địa chấn;... Cuối cùng, ứng với các bộ trọng số của mình, mạng thần kinh nhân tạo có thể xây dựng đƣợc đặc trƣng nứt nẻ trên mỗi ô lƣới của hệ lƣới địa chất dựa trên các thông
  15. 6 số đầu vào của ô lƣới đó. Quá trình xác định chỉ số nứt nẻ đƣợc tiến hành theo 3 bƣớc chính: 1. Xác định các thông số ảnh hƣởng nứt nẻ cho toàn bộ hệ lƣới địa chất. 2. Xây dựng mối quan hệ giữa các yếu tố ảnh hƣởng nứt nẻ và chỉ số nứt nẻ. 3. Mô phỏng để xác định chỉ số nứt nẻ trên hệ lƣới địa chất. Khi đã xác định đƣợc chỉ số nứt nẻ trên toàn vỉa, mô hình tính chất thấm của vỉa trên hệ lƣới địa chất và đƣợc thô hóa để đƣa vào mô hình số mô phỏng hoạt động khai thác vỉa sẽ đƣợc xây dựng. Sơ đồ quá trình và thành phần chính của phƣơng pháp mô hình theo tiếp cận CFM để xác định thông số thấm cho mô hình kỹ thuật khai thác vỉa nứt nẻ trình bày trên hình 1.1. Các yếu tố ảnh Các đặc trƣng nứt hƣởng tới cƣờng nẻ độ nứt nẻ Xếp hạng, đánh giá Mô hình nứt nẻ Hình 1.1 Sơ đồ thành phần chính của phƣơng pháp mô hình hóa các đặc trƣng nứt nẻ trong vỉa theo tiếp cận CFM. 1.2.1. Xếp hạng các yếu tố ảnh hƣởng tới nứt nẻ Trƣớc khi sử dụng mạng thần kinh nhân tạo xây dựng mối quan hệ giữa chỉ số nứt nẻ với các yếu tố ảnh hƣởng nứt nẻ, phƣơng pháp xếp hạng thích hợp phải đƣợc sử dụng để phân tích vai trò ảnh hƣởng của mỗi yếu tố lên đặc trƣng nứt nẻ đã chọn và đƣa ra đƣợc bảng xếp hạng của các yếu tố đó [1] [6-10] [18]. Tiếp đó tính hợp lệ của bảng xếp hạng trên toàn bộ diện tích nghiên cứu và trên khu vực cụ thể cần phải đƣợc kiểm tra. Ví dụ, nếu các vỉa chịu ứng suất kéo, có thể cho rằng độ cong kiến tạo có một thứ hạng ảnh hƣởng cao.
  16. 7 Khi xếp hạng các yếu tố ảnh hƣởng nứt nẻ đến chỉ số nứt nẻ có thể cung cấp thêm thông tin về quá trình hình thành nứt nẻ trong vỉa để từ đó xây dựng kế hoạch khảo sát hiệu quả hơn. Ngoài ra việc xếp hạng cũng giúp cho mô hình hoạt động hiệu quả hơn. Ví dụ, nguyên nhân xếp hạng thấp có thể chỉ ra rằng chúng không có ảnh hƣởng tới chỉ số nứt nẻ, và do đó chúng có thể bị loại ra khỏi đầu vào của mô hình tính. Nhƣ vậy, công cụ dùng để xếp hạng ví dụ nhƣ logic mờ,… có thể đƣợc sử dụng để minh giải địa chất. Việc huấn luyện một mạng thần kinh nhân tạo dựa trên các thuật toán sẽ đƣợc mô tả kỹ hơn ở chƣơng sau. 1.2.1.1. Lập danh sách các thuộc tính địa chất Với các công cụ, kỹ thuật nghiên cứu khảo sát hiện nay tại các vỉa nứt nẻ tầng móng, các thông số địa chất, địa vật lý, địa cơ học, logs giếng và dữ liệu khai thác thu nhận là các đại lƣợng có ý nghĩa và có thể sử dụng làm dữ liệu nhƣ là các yếu tố ảnh hƣởng nứt nẻ [18]. Ngoài ra mô hình còn cần đến chỉ số nứt nẻ đã biết tại các giếng thông qua các hoạt động nghiên cứu mẫu lõi, logs giếng, ảnh chụp thành giếng làm cơ sở cho việc huấn luyện và kiểm tra. Các dữ liệu, thông tin cần thiết và có khả năng cung cấp từ công tác nghiên cứu khảo sát vỉa và phân tích, minh giải địa chấn của các yếu tố ảnh hƣởng nứt nẻ đƣợc liệt kê trong bảng 1.1.
  17. 8 Bảng 1.1: Các thông số đầu vào cho mô hình CFM Yếu tố địa chất Yếu tố cấu trúc và Các thuộc tính địa Chỉ số nứt nẻ tại Địa-Cơ học chấn nứt nẻ giếng - Độ rỗng; - Độ cong cấu trúc - Các thuộc tính - Nứt nẻ đếm từ - Thạch học; (nghiêng và dốc); biên độ và dựa hình ảnh chụp - Dữ liệu log giếng; - Độ sâu cấu trúc; trên biên độ; thân giếng; - Độ bão hòa chất - Trƣờng biến - Trở kháng; - Nứt nẻ đếm từ lƣu; dạng; - Phổ hình ảnh mẫu lõi; - Các xu hƣớng - Trƣờng ứng xuất; theo tần số; - Vị trí có dòng phát triển nứt nẻ - Khoảng cách đến - Các thuộc tính chất lƣu lỏng trên và ngang; đứt gãy; phổ hình ảnh thân giếng; - Độ dày địa tầng thống kê; - Độ thấm từ kiểm hoặc lớp; - Các tính chất tra giếng; đàn hồi; - Sai khác giữa trở - Các thuộc tính kháng tầng sâu và không đẳng nông; hƣớng theo - Mất bùn khoan; phƣơng vị; 1.2.2. Huấn luyện và kiểm tra mô hình Khi đã xác định đƣợc các yếu tố gây nứt nẻ và xếp hạng ảnh hƣởng của chúng để sử dụng trong quá trình hồi quy, bộ dữ liệu có sẵn đƣợc chia thành hai phần: một bộ dùng cho huấn luyện và một bộ dùng cho kiểm tra. Đối với tập dữ liệu huấn luyện mạng thần kinh nhân tạo là bộ dữ liệu lấy tại những ô lƣới mà giếng đi qua. Quá trình huấn luyện mạng thần kinh nhân tạo là một quá trình dựa trên sự sai khác giữa đầu ra của mạng thần kinh nhân tạo và đầu ra thực tế (đầu ra mục tiêu), mà mạng sẽ điều chỉnh các trọng số tƣơng ứng với các liên kết trong mạng cho đến khi cƣờng độ nứt nẻ thực tế phù hợp với cƣờng độ nứt nẻ dự đoán từ mạng thần kinh nhân tạo (trong bộ dữ liệu đã dùng) [6-9]. Mạng thần kinh nhân tạo sẽ quyết định luyện tập tiếp trên bộ dữ liệu luyện tập hay dừng lại là do sai số trên tập dữ liệu kiểm tra quyết định, về mặt kỹ thuật, đôi khi còn thiết lập thêm một số điều kiện nữa liên quan đến số lần lặp, và xử lý lỗi Over
  18. 9 training. Chính vì vậy để mạng thần thần kinh nhân tạo hoạt động hiệu quả, cần thiết phải phân chia một cách ngẫu nhiên tập dữ liệu ban đầu thành 3 phần, thông thƣờng là khoảng 80% luyện tập và 20% dùng để kiểm tra. Tuy nhiên trong một vài trƣờng hợp để tiện kiểm tra đánh giá hiệu năng của mạng thần kinh nhân tạo cũng có thể chia thành 3 tập 18% luyện tập 10% kiểm tra, và 10% xác nhận [21] [22] [26]. 1.2.3. Mô phỏng xây chỉ số nứt nẻ trong hệ lƣới địa chất Khi xây dựng cƣờng độ nứt nẻ các thông số đầu vào gọi là các nguyên điều khiển nứt nẻ ứng với mỗi ô lƣới sẽ đƣợc đƣa vào mạng thần kinh nhân tạo, khi đó mạng thần kinh nhân tạo sẽ đƣa ra một giá trị gọi là chỉ số nứt nẻ dự đoán tƣơng ứng với ô lƣới đó, công việc sẽ lặp đi lặp lại cho tất cả các ô lƣới trong vỉa, nhƣ vậy chỉ số nứt nẻ sẽ đƣợc xây dựng trong toàn bộ lƣới địa chất.
  19. 10 CHƢƠNG 2. CÁC CÔNG CỤ TRÍ TUỆ NHÂN TẠO DÙNG TRONG MÔ HÌNH NỨT NẺ LIÊN TỤC – CFM Các công cụ trí tuệ nhân tạo sử dụng trong kỹ thuật mô hình nứt nẻ liên tục - CFM gồm thuật toán xếp hạng và mạng thần kinh nhân tạo, mà trong đó thƣờng sử dụng logic mờ để xếp hạng và đánh giá ảnh hƣởng của các nguyên nhân điều khiển nứt nẻ đối với nứt nẻ, mạng thần kinh nhân tạo dùng để hồi quy mối quan hệ giữa nguyên nhân điều khiển nứt nẻ và chỉ số đặc trƣng cho nứt nẻ [18] [6-9]. 2.1. Logic mờ xếp hạng các thông số đầu vào đối với cƣờng độ nứt nẻ L.A. Zadeh là ngƣời sáng lập ra lý thuyết tập mờ với hàng loạt bài báo mở đƣờng cho sự phát triển và ứng dụng của lý thuyết này, Khởi đầu là bài báo “Fuzzy Sets” trên tạp chí Information and Control, 8, 1965 [18], ý tƣởng nổi bật của khái niệm tập mờ của Zadeh là những khái niệm trừu tƣợng về ngữ nghĩa của thông tin mờ, không chắc chắn nhƣ trẻ, già, nhanh, chậm, cao, thấp, xinh đẹp. . . , ông đã tìm ra cách biểu diễn nó bằng một khái niệm toán học, đó gọi là tập mờ, nhƣ là một sự khái quát trực tiếp của khái niệm tập hợp kinh điển [17]. Cùng với sự ra đời của lý thuyết tập mờ, các mô hình mờ đƣợc xây dựng và áp dụng để giải quyết nhiều bài toán thực tế trong các lĩnh vực thƣơng mại, tài chính, quản lý,... Với ƣu điểm nổi trội trong việc biểu diễn các yếu tố không đầy đủ, không rõ ràng, không chắc chắn, các mô hình mờ cũng là lựa chọn thích hợp trong các bài toán nhận dạng hệ thống mà đầu ra phụ thuộc vào các yếu tố khó đƣợc định lƣợng một cách chính xác hoặc hàm ánh xạ giữa đầu vào - đầu ra rất phức tạp, khó có thể xây dựng một cách tƣờng minh [17]. Trong bài toán xác định đặc trƣng vỉa nứt nẻ tự nhiên, mối quan hệ giữa các yếu tố điều khiển và chi phối nứt nẻ (fracture drivers) và chỉ số nứt nẻ (fracture indicators) thƣờng rất phức tạp và có độ phi tuyến cao, chính vì vậy cần thiết phải đánh giá và xếp hạng mức độ ảnh hƣởng của mỗi yếu tố điều khiển nứt nẻ đối với cƣờng độ nứt nẻ. Điều này cho phép ta có thể loại bỏ đi những yếu tố ít hoặc không ảnh hƣởng, qua đó làm tăng tốc độ tính toán và giảm sai số mô hình hồi quy áp dụng sau này [1] [18]. Có một số thuật toán xếp hạng nổi bật nhƣ kỹ thuật OPRAC - Optimized Piecewise Rank Correlation, thuật toán sử dụng đƣờng cong fuzzy trung bình (mean
  20. 11 fuzzy curve), hay đơn giản chỉ sử dụng hàm tƣơng quan,… Tuy nhiên trong số đó kỹ thuật xếp hạng dựa trên các đƣờng cong fuzzy của tác giả Yinghua Ling tỏ ra đơn giản và ƣu việt hơn cả, đặc biệt kỹ thuật này đã đƣợc minh chứng là có tính hiệu quả đối với bài toán xếp hạng các yếu tố điều khiển nứt nẻ (fracture drivers) [19] [27-30]. Chính vì vậy trong luận văn này tập trung trình bày kỹ thuật sử dụng các đƣờng cong trung bình fuzzy (mean fuzzy curver). Trong công trình đƣợc công bố bởi Yinghua Ling liên quan đến kỹ thuật sử dụng các đƣờng cong fuzzy, ông thƣờng sử dụng ký hiệu x i là thông số đầu vào thứ i , và đánh số mẫu dữ liệu bằng chỉ số dƣới, nhƣng để thuận tiện và thống nhất với các chƣơng sau sẽ đƣợc trình bày trong luận văn này, tác giả xin phép đƣợc đổi lại ký hiệu đó là chỉ số trên đƣợc dùng cho số mẫu và chỉ số dƣới đƣợc dùng để chỉ số thứ tự của các thông số (hay chỉ số phân biệt các biến). Cụ thể, để chỉ thông số thứ i sẽ đƣợc viết là xi còn mẫu thứ k của thông số thứ i sẽ đƣợc viết là xi k  . y  f  0, x2  y y  f  x1 , x2  y  y  f x1  , x2 *  y  f  x1 ,0  x1 * x1 x1 x2 a x2 b     x  (a), mặt cắt   y  f x1  , x2 tại điểm x1  (b). 2 2 Hình 2.1: Mặt y  a 2  x1 * * 2 Kỹ thuật này xuất phát từ ý tƣởng đơn giản nhƣ sau: giả sử ta có một tập các bộ       k  , k  1, m , tuân theo mối quan hệ y  a 2   x1    x2  k k 2 2 dữ liệu rời rạc x1 , x2 , y  * (nhƣ hình 2.1 (a)). Khi ta lấy mặt cắt tại điểm x1 ta sẽ thu đƣợc một tập các     * k mẫu x1 , x2 , y  , k  1, m trong đó có thành phần cố định x  x (nhƣ hình 2.1 (b). k 1 * 1 Nếu ta chiếu tập các mẫu  x , x , y  , k  1, m lên mặt phẳng x  y ta sẽ thu đƣợc      * k k 1 2 1 tƣơng ứng các điểm xắp xếp thẳng hàng  x  x , y  f  x , x   , nhƣ hình 2.2(b).      * k (*) k 1 1 1 2
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2