|
||||
|
||||
УДК:
DOI:
Выявление оптимального расположения сейсмодатчиков в методе низкочастотного сейсмического зондированияDetection of the optimal position of seismic sensors in the low-frequency seismic sounding method В статье представлены результаты моделирования при интерпретации данных низкочастотного сейсмического зондирования, и выявлена оптимальная расстановка приборов для проведения микросейсмического зондирования. Низкочастотное моделирование проводилось с применением метода Монте-Карло, который позволяет по спектральным характеристикам микросейсмического сигнала оконтурить залежь углеводородов. Полный алгоритм расчета реализован на языке программирования Python с использованием свободно распространяемых библиотек. Here we present the results of modeling when interpreting low-frequency seismic sounding data and reveals the optimal arrangement of instruments for microseismic sounding. Low-frequency modeling was carried out using the Monte Carlo method, which makes it possible to delineate a hydrocarbon deposit based on the spectral characteristics of a microseismic signal. The complete calculation algorithm is implemented in the Python programming language using freely distributed libraries. Микросейсмические исследования (МСИ) – это пассивный метод сейсморазведки, который включает низкочастотное сейсмическое зондирование (НСЗ) [1] и мониторинг гидроразрыва пласта (ГРП) [2]. Принцип работы низкочастотного зондирования основан на регистрации сейсмического сигнала на дневной поверхности и выявлении низкочастотных 1–10 Гц аномалий [3]. Присутствие в спектре сигнала значений с повышенными амплитудами свидетельствует о наличии залежи углеводородов и при последующей интерпретации может использоваться для ее оконтуривания [4]. При проведении площадных работ методом НСЗ исследуется территория большой площади. Для одновременной фиксации микросейсм требуются сотни сейсмоприемников, что не представляется возможным, поэтому с меньшим количеством датчиков постепенно изучается вся территория. Целью работы стало выявление оптимального количества приборов и расстояния между точками физических наблюдений. Объект исследования. Для исследования создаются три массива данных. Первый массив – это геологическая модель с предполагаемой залежью. Углеводородная залежь задается разным диапазоном значений, чтобы показать различную интенсивность энергии сигнала, исходящего от залежи [4]. Центр залежи обозначаем высокими значениями, которые уменьшаются к периферии. Чтобы проанализировать как можно больше вариантов, было смоделировано 3933 геологические модели, в которых рассматривались варианты с разным количеством, размером и расположением залежей (рис.1). Второй массив содержит данные с координатами сейсмоприемников (датчиков) (рис. 2). Третий массив данных пока остается пустым. Размер этого массива такой же, как размер первого массива данных. Разработка метода. При разработке методики стоит учитывать одну особенность: датчик, регистрирующий микросейсмы, принимает сигнал не с точки под ним, а с некой площади – апертуры, размеры которой точно не установлены. Исходя из технических особенностей приемников, для расчета была принята окружность радиусом 1 км [5]. В работе [5] говорилось, что при расстановке датчиков квадратной сеткой их апертуры накладывались друг на друга, поэтому в разных точках можно получить части одного и того же сигнала. Так как апертуры часто перекрываются друг другом можно сетку приборов разредить без потери данных. Эксперимент проведен для 6 вариантов расстановки приборов. Для проведения расчетов в данном исследовании был выбран метод Монте-Карло, который основан на статистическом анализе большого числа реализаций случайного процесса, который в дальнейшем оценивается статистически [5]. Если применять эту методику на реальных данных, то моделирование контура залежи проводится после фильтрации и нормализации энергии микросейсм [4, 6]. Методика обработки. Геологическая модель (массив один) представлена набором точек, каждая точка задается нулевым значением, а в местах, где располагается предполагаемое скопление УВ, значения точек отличные от нуля. Расположение датчиков определяется вручную. Для вычислений и моделирования применялся язык программирования Python с использованием свободно распространяемых библиотек NumPy, SciPy, Pandas. Для визуализации полученных результатов применялась библиотека Matplotlib. Для вычислений используется третий массив, который представлен набором точек с нулевыми значениями. Затем, учитывая апертуру сейсмоприемника, во второй массив записывается значение равное сумме энергии сигнала. После проведения подготовительных этапов вычислений, например, расчет такого параметра, как «дельта», применяем метод Монте-Карло. На этой стадии расчетов нужно провести выборку случайных точек, которая равна 0,5 % от общего числа точек третьего массива. Далее ко всем случайно выбранным числам прибавляется число (+х) и снова считаем параметр «дельта». Если значение «дельты» больше предыдущего, вычитаем число, умноженное на 2 (-2х). Если значение «дельты» меньше предыдущего, то возвращаемся к шагу выборки случайных чисел. Весь расчет производится в цикле до тех пор, пока разница между «дельтами» не будет превышать 1% или пока не произведет 2*104 итераций. На рис. 3 представлены результаты расчетов для 1–3 вариантов расстановки приборов. В верхней части рисунка представлена расстановка приборов на геологической модели (первый и второй массив данных), в нижней части – модельные площади (третий массив), которые мы получили в результате расчетов. Оценить результаты можно с помощью значения дельты, которая показывает, насколько различаются между собой геологическая и модельная площади. Дельта в данном случае рассчитывается как сумма квадратов разницы значений между геологической и модельной площадями. Чем меньше значение дельты, тем лучше сходимость результатов и тем лучше происходит оконтуривание залежи. Как можно заметить, моделирование методом Монте-Карло на моделях 1 и 2 показало хорошие результаты. В модели 1 использовалась расстановка 25-ти приборов квадратной сеткой через расстояние между ними равное 250 м, дельта в этом случае равна 0,67. В модели 2 использовалась расстановка, как в модели 1, только исключили 9 центральных датчиков, дельта равна 0,91. В 3 модели 9 приборов были расставлены квадратной сеткой через 250 м, дельта равна 1,16, что говорит о недостаточном количестве приборов для данной площади. На рис. 4 представлены результаты расчетов для 4–6 вариантов расстановки приборов. В модели 4 использовалась расстановка 16-ти приборов квадратной сеткой через расстояние равное 350 м, дельта в этом случае равна 0,71. В 5 модели 36 приборов были расставлены квадратной сеткой через 250 м, дельта равна 0,69. В модели 6 использовалась расстановка, как в модели 5 только исключили 16 центральных датчиков, дельта равна 0,74. Общий расчет был проведен для 6-ти вариантов расстановки приборов на смоделированных геологических моделях в количестве 3933 штук. В каждом варианте оценивалось количество моделей, значения дельты которых вошли в тот или иной диапазон от 0 до 0,6 или от 0,6 до 1 (рис. 5). Результаты показали, что самым оптимальным вариантом расстановки оказался 4 вариант (рис. 4, модель 4): расчетные модели имеют малое расхождение с моделированными и используется 16 датчиков, которые без потери данных регистрируют микросейсмический сигнал. Таким образом, в настоящей работе было проведено исследование на выявление оптимальной расстановки приборов при оконтуривании залежи методом Монте-Карло. В расчетах учитывалось разное местоположение залежи и исследованы случаи, в которых залежи имеют различную интенсивность энергии сигнала. Результаты исследований показали, что в случае расстановки приборов 4-ым вариантом, оконтуривание залежи методом Монте-Карло имеет хорошую сходимость рассчитанных моделей с геологическими моделями. Выявление оптимального количества сейсмоприемников и изменение расстояния между ними поможет одновременно фиксировать микросейсмический сигнал и за более короткий промежуток времени проводить съемочный этап работ. Литература 1. Бережной Д.В., Биряльцев Е.В. и др. Анализ спектральных характеристик микросейсм как метод изучения структуры геологической среды // НИИ математики и механики Казанского университета. – 2003-2007 гг. / научн. ред. и сост. А.М. Елизаров. – Казань: Изд-во Казанск. гос. ун-та, 2008. – C. 360–386.
2. Подъячев А.А., Никитин В.И. Применение пакетов символьных вычислений при анализе сигнала микросейсмической эмиссии // Нефть. Газ. Новации. – 2018. – № 10. – С. 65–67. 3. Графов Б.М., Арутюнов С.Л. и др. Анализ геоакустического излучения нефтегазовой залежи при использовании технологии АНЧАР // Геофизика. – 1996. – № 5. – С. 24–28. 4. Еремин Р.А., Сюраева К.В., Подъячев А.А. Спектральные характеристики микросейсмических сигналов при низкочастотном сейсмическом зондировании // Нефть. Газ. Новации. – 2021. – № 1. – С. 64–67. 5. Сюраева К.В., Еремин Р.А., Подъячев А.А. Моделирование Монте-Карло при интерпретации данных низкочастотного сейсмического зондирования // Строительство нефтяных и газовых скважин на суше и на море. – 2021. – № 11 (347). – С. 57–60. 6. Еремин Р.А., Сюраева К.В., Подъячев А.А. Комбинированный подход к фильтрации узкополосных помех при анализе данных низкочастотного сейсмического зондирования // Нефть. Газ. Новации. – 2020. – № 6. – С. 6–10. References 1. Berezhnoy D.V., Biryal'tsev Ye.V. i dr. Analiz spektral'nykh kharakteristik mikroseysm kak metod izucheniya struktury geologicheskoy sredy [Analysis of the spectral characteristics of microseisms as a method for studying the structure of the geological environment]. // NII matematiki i mekhaniki Kazanskogo universiteta. – 2003-2007 / nauchny redaktor i sostavitel A.M. Yelizarov. – Kazan': Izdatelstvo Kazansk. gos. universiteta, [Scientific Research Institute of Mathematics and Mechanics of Kazan University. – 2003-2007 / Scientific editor and comp. A.M. Elizarov]. – Kazan, “Publishing house Kazansk. state un-ta” Publ., / 2008. – pp. 360–386. (In Russian).
2. Pod"yachev A.A., Nikitin V.I.. Primeneniye paketov simvol'nykh vychisleniy pri analize signala mikroseysmicheskoy emissii [Application of symbolic computing packages in the analysis of microseismic emission signal]. Neft'. Gaz. Novatsii [Oil Gas Innovation], – 2018. – no. 10. – pp. 65–67. (In Russian). 3. Grafov B.M., Arutyunov S.L. i dr. Analiz geoakusticheskogo izlucheniya neftegazovoy zalezhi pri ispol'zovanii tekhnologii ANCHAR [Analysis of geoacoustic radiation of an oil and gas deposit using the ANCHAR technology] // Geofizika [Geophysics], – 1996. – no. 5. – pp. 24–28. (In Russian). 4. Yeremin R.A., Syurayeva K.V., Pod"yachev A.A.. Spektral'nyye kharakteristiki mikroseysmicheskikh signalov pri nizkochastotnom seysmicheskom zondirovanii [Spectral characteristics of microseismic signals during low-frequency seismic sounding]. / Neft'. Gaz. Novatsii [Oil Gas Innovation], – 2021. – no. 1. – pp. 64–67. (In Russian). 5. Syurayeva K.V., Yeremin R.A., Pod"yachev A.A. Modelirovaniye Monte-Karlo pri interpretatsii dannykh nizkochastotnogo seysmicheskogo zondirovaniya [Simulation of Monte Carlo in the interpretation of low-frequency seismic sounding data] // Stroitel'stvo neftyanykh i gazovykh skvazhin na sushe i na more [Construction of oil and gas wells on land and at sea]. – 2021. – no. 11 (347). – pp. 57–60. (In Russian). 6. Yeremin R.A., Syurayeva K.V., Pod"yachev A.A. Kombinirovannyy podkhod k fil'tratsii uzkopolosnykh pomekh pri analize dannykh nizkochastotnogo seysmicheskogo zondirovaniya [Combined approach to filtering narrow-band interference in the analysis of low-frequency seismic sounding data]. // Neft'. Gaz. Novatsii [Oil Gas Innovation], – 2020. – no. 6. – pp. 6–10. (In Russian). Комментарии посетителей сайтаФункция комментирования доступна только для зарегистрированных пользователей
|
Авторизация Ключевые слова: оконтуривание залежей углеводородов, метод Монте-Карло, микросейсмические исследования (МСИ), низкочастотное сейсмическое зондирование (НСЗ), обработка микросейсмических сигналов, интерпретация данных НСЗ Keywords: delineation of hydrocarbon deposits, Monte-Carlo method, micro-seismic survey (MSS), low-frequency seismic sounding (LSS), processing of micro-seismic signals, interpretation of LSS data
Просмотров статьи: 538 |