Mạng neural nhân tạo (Artificial Neural Network/ANN):

Một loại học máy đặc biệt là mạng neural (thần kinh) nhân tạo, một mạng biến đổi phi tuyến có thể xấp xỉ các hàm rất phức tạp của các mảng rộng các biến đầu vào. Những tiến bộ gần đây trong mạng neural nhân tạo phải làm với cách đào tạo mạng lưới thần kinh sâu, có nhiều lớp hơn bình thường và cũng có cấu trúc đặc biệt để đối phó với những thách thức của việc học nhiều lớp hơn. Mạng neural nhân tạo được xây dựng dựa trên các mạng neural sinh học, gồm có một nhóm các nút nối với nhau và xử lý thông tin bằng cách truyền theo các kết nối và tính giá trị mới tại các nút. Trong nhiều trường hợp, mạng neural nhân tạo là một hệ thống thích ứng (adaptive system) tự thay đổi cấu trúc dựa trên các thông tin qua mạng trong quá trình học.

Trong thực tế sử dụng, mạng neural là các công cụ mô hình hóa dữ liệu thống kê phi tuyến, được dùng để mô hình hóa các mối quan hệ phức tạp giữa dữ liệu vào và kết quả. Để sử dụng cần lựa chọn và điều chỉnh mô hình và các thuật toán phù hợp. Hầu hết các thuật toán sẽ làm việc tốt với tập hợp các tham số để huấn luyện trên một tập hợp dữ liệu cố định cụ thể.

Mạng neural nhân tạo được phát triển trong những năm gần đây và được áp dụng thành công trong một số lĩnh vực khoa học khác nhau. Ở đây chúng ta sử dụng mạng neural nhân tạo để thiết lập mối quan hệ giữa các thuộc tính địa chấn với đặc tính của tầng chứa với cơ sở dữ liệu có được từ mô phỏng Monte Carlo. Đây là một hệ thống phi tuyến dùng để nhận dạng khi sử dụng một số số liệu mẫu.

Có các thuật toán khác nhau để xây dựng mô hình mạng neural nhân tạo, trong đó thuật toán theo nguyên lý “lan truyền ngược” được sử dụng rộng rãi nhất. Dạng đơn giản nhất của mạng neural nhân tạo gồm 3 lớp: lớp “vào”, lớp “ra” và lớp “ẩn” (hình 3.16). Lớp vào và lớp ẩn có chứa một số nút, lớp ra có thể chứa một hoặc một số nút. Các nút trong các lớp ẩn hoặc trong các lớp ra có liên quan đến các đơn vị của quá trình xử lý. Các nút của lớp lân cận được liên kết bằng vectơ trọng số, ban đầu được chọn ngẫu nhiên nhưng không có sự liên kết giữa các nút trong cùng một lớp.

Quá trình tính “lan truyền ngược” cho phép gửi các giá trị lối vào mạng, sau đó máy sẽ xác định sự khác biệt giữa kết quả tính toán ở lối ra với số liệu mong đợi từ thực tế và từ giếng khoan giả định. Các giá trị sai số sẽ được truyền ngược.

Biểu thức toán học quá trình “lan truyền ngược” được xác định bởi phương trình:

Ở đây W_i là vectơ trọng số, A_i là vectơ lối vào của mạng neural (thuộc tính địa chấn), y là hàm trọng số, f(y) là hàm lối ra (đặc tính tầng chứa), n là số vectơ lối vào. Bằng tính gần đúng tự động các vectơ trọng số liên kết thuật toán sẽ cho phép sai số giữa giá trị tính toán và giá trị thực mong đợi ở đầu ra đạt cực tiểu. Khi sai số không thể nhỏ hơn thì quá trình sẽ kết thúc và vectơ trọng số tạo ra sai số nhỏ nhất đó sẽ lưu lại và hàm được xác định.

Tài liệu địa chấn trên mặt và tài liệu các giếng khoan có mối quan hệ chặt chẽ với nhau và đều liên quan đến đặc điểm môi trường địa chất (bao gồm cả tầng chứa dầu khí), Từ tài liệu giếng khoan, có thể xác định các đặc tính của tầng chứa như bề dày, độ rỗng, thành phần thạch học, đặc điểm chất lưu... và nếu so sánh với các thuộc tính địa chấn thì có cơ sở để sử dụng tài liệu địa chấn trực tiếp dự báo đặc điểm tầng chứa. Ở những vùng có nhiều giếng khoan việc thực hiện phương pháp này rất thuận lợi. Mối quan hệ giữa các thuộc tính địa chấn với các tham số tầng chứa qua tài liệu địa chất và địa vật lý trong giếng khoan được thiết lập trên cơ sở mạng neural nhân tạo (hình 3.17).

Tuy nhiên ở những vùng ít giếng khoan hoặc ở giai đoạn đầu của công tác thăm dò thường không đủ tài liệu để tìm ra mối quan hệ này. Bằng mô phỏng Monte Carlo có thể tạo ra các giếng khoan giả định có đặc điểm địa tầng, các đường cong địa vật lý giếng khoan và các băng địa chấn tổng hợp tương ứng. Tài liệu giếng khoan thực và giếng khoan giả định giúp cho việc chính xác quan hệ giữa các thuộc tính địa chấn và tính chất của tầng chứa.

Tổ hợp địa chất định hướng

Việc liên kết các mảng tài liệu khác nhau (địa chấn, địa vật lý giếng khoan và các thông tin địa chất khác) kết hợp với sử dụng mạng trí tuệ nhân tạo cho phép hình thành phương pháp “Tổ hợp địa chất định hướng” (Geological Driven Integration/GDI). Đây là một công nghệ cho phép dự đoán sự phân bố không gian cũng như các tính chất tầng chứa như chiều dày, độ rỗng...

Để giải quyết nhiệm vụ này, phương pháp “Tổ hợp địa chất định hướng” được thực hiện theo các bước như xây dựng khung tổ hợp (integration framework), mô phỏng Monte Carlo và sử dụng mạng neural nhân tạo.

Trên cơ sở tổng hợp tài liệu địa chất, đặc biệt là từ các giếng khoan đã có trong vùng, có thể xây dựng được khái quát đặc điểm địa chất như địa tầng, thạch học, các đường cong ĐVLGK của vùng nghiên cứu. Các tài liệu này cho phép suy luận về sự biến đổi về địa tầng, thạch học, trữ lượng dầu khí ở các tỷ lệ khác nhau. Trong thực tế, ở giai đoạn này cần hình thành các mô hình địa chất - địa tầng của vùng nghiên cứu để làm cơ sở cho việc áp dụng ở các bước sau.

Mô phỏng Monte Carlo được sử dụng để tạo ra các giếng khoan giả định dựa trên cơ sở mô hình địa chất đã có khi xây dựng khung tổ hợp. Đây là quá trình tạo mẫu dựa trên xác suất gần đúng khi giải bài toán bằng phương pháp thống kê. Phương pháp này có ưu điểm là không cần cố định trước thuật toán mà có thể điều chỉnh dựa trên cơ sở suy luận địa chất, ngoài ra có thể có những giới hạn cứng cho mỗi biến số.

Để thực hiện quá trình mô phỏng, trước hết cần xác định quy luật biến đổi của các tham số địa chất bao gồm địa tầng, thạch học, các đường cong ĐVLGK (siêu âm, mật độ, độ rỗng...) trên cơ sở khung tổ hợp. Tiếp đến là biến đổi một cách có chủ định và tái kết hợp theo quá trình ngẫu nhiên nhằm tạo ra nhiều giếng khoan (GK) giả định có điều kiện địa chất gần đúng với thực tế vùng nghiên cứu. Các giếng khoan giả định được tạo ra bởi mô phỏng Monte Carlo có khung địa tầng và đường cong địa vật lý giếng khoan biến đổi mà không có thông tin vị trí không gian. Hơn nữa các băng địa chấn tổng hợp từ các giếng khoan giả định này được xây dựng với các xung địa chấn từ tài liệu địa chấn trong vùng nghiên cứu (hình 3.18). Bằng cách này có thể thu được các tài liệu về địa tầng, thạch học, đường cong địa vật lý giếng khoan ở các giếng khoan giả định khác nhau. Các số liệu này được sử dụng để thiết lập mối quan hệ giữa các thuộc tính địa chấn với các đặc tính vỉa chứa bằng mạng neural nhân tạo.

“Tổ hợp địa chất định hướng” là công nghệ mới được nghiên cứu trong những năm gần đây song rất có hiệu quả trong việc dự báo trực tiếp sự phân bố và biến đổi các đặc tính của tầng chứa theo tài liệu địa chấn.

Việc sử dụng các giếng khoan giả định bằng mô phỏng Monte Carlo từ một số tài liệu chuẩn và xác định mối quan hệ giữa các thuộc tính địa chấn với các đặc tính tầng chứa bằng hệ thống phi tuyến của mạng neural nhân tạo cho phép nâng cao hiệu quả nghiên cứu tầng chứa, đặc biệt khi có ít giếng khoan.

Theo Minh giải địa chấn trong thăm dò và khai thác dầu khí