Minh giải tài liệu địa chấn trên máy tính

Sau quá trình xử lý số liệu, các kết quả thu được là các mặt cắt, các khối địa chấn 3D... cần được minh giải để xác định đặc điểm địa chất của đối tượng nghiên cứu. Quá trình minh giải truyền thống thường được tiến hành trực tiếp bằng tay, từ đó có thể xác định các phức hệ, các tập trầm tích, các yếu tố cấu kiến tạo như đứt gãy, nếp lồi nếp lõm, sự biến đổi tướng và môi trường trầm tích... Tuy nhiên, trong điều kiện địa chất rất phức tạp và đòi hỏi phải minh giải tỉ mỉ thì rất cần sự trợ giúp cao của hệ thống máy tính và các phần mềm tương ứng. Ngày nay với các trạm máy tính chuyên dụng, có nhiều nội dung kết hợp cả quá trình xử lý và minh giải đặc biệt như sử dụng thuộc tính, biến đổi sử dụng mạng trí tuệ nhân tạo...

Các trạm máy tính được sử dụng trong xử lý và minh giải tài liệu địa chấn là các trạm chuyên dụng (Workstation), đó là máy tính có cấu hình mạnh có khả năng xử lý các khối lượng thông tin lớn trong thời gian ngắn. Các máy tính hiện nay thường được chạy trên hệ điều hành UNIX (ví dụ SunOS - Solaris) có khả năng bảo mật cao, cho phép nhiều người sử dụng (multi users) và chạy nhiều chương trình cùng một lúc (multi tasks). Hiện nay, các công ty dầu khí ở Việt Nam đều có các hệ thống máy tính mạnh để giải quyết các yêu cầu trong minh giải tài liệu địa chấn. Các hệ thống thường có từ 3-10 máy nối mạng cục bộ với nhau để nhiều người có thể làm việc trên cùng một hệ thống.

Các phần mềm sử dụng trong minh giải địa chấn rất đa dạng và không ngừng phát triển. Hiện nay, tất cả các công ty dầu khí trên thế giới và Việt Nam đều sử dụng các phần mềm để minh giải tài liệu địa chấn trên máy tính vì những ưu thế vượt trội của nó. Ở Việt Nam có các công ty cung cấp phần mềm cho thăm dò địa chấn như Landmark của Halibuton và GeoQuest của Schlumberger. Dưới đây là tổ hợp một số phần mềm được sử dụng nhiều trong các công ty dầu khí của Việt Nam.

GeoFrame:

Là hệ cơ sở dữ liệu trên nền hệ thống ORACLE, cung cấp các tiện ích cần thiết trong việc nạp, truy cập, kiểm tra và hiệu chỉnh thông tin.

IESX:

Là một tổ hợp các chương trình dùng để minh giải địa chấn. IESX bao gồm các chương trình khác nhau:

- IESX-Seis2DV/3DV: Là phần chính trong tổ hợp các chương trình của IESX, nó cho phép thực hiện phân tích các tầng phản xạ và hệ thống đứt gãy. Người phần tích có thể khai thác các khả năng sau:

- Liên kết nhiều surveys 2D-3D theo mặt cắt thẳng đứng hoặc theo mặt cắt nằm ngang (timesline).

- Tính toán biên độ sóng phản xạ song song với quá trình phân tích theo tính chất đặc thù của từng tầng phản xạ (âm, dương, zero-crossing).

- Đồng thời có thể tiến hành phân tích và cập nhật các dạng số liệu địa chấn (multi-class, version) trên cùng một đề án.

- Biểu diễn mạng để kiểm tra kết quả phân tích.

- Minh giải và liên kết tài liệu giếng khoan.

- Các kết quả phân tích, nội suy, liên kết tự động v.v...

- IESX-Synthentic. Mục đích của chương trình này là:

- Tính các băng địa chấn tổng hợp theo các đường cong carota và theo các tài liệu địa chấn.

- Xung nguồn nổ địa chấn được tính toán theo phương pháp thống kê hoặc theo mô hình được xác định theo địa chấn giếng khoan.

- Băng địa chấn tổng hợp là công cụ chủ đạo để liên kết tài liệu giếng khoan với tài liệu địa chấn, cũng như để đánh giá và phân tích phổ biên độ và tần số cho từng khoảng mặt cắt hoặc cho từng khu vực.

- IESX-Geoviz: Chương trình này cho phép thể hiện các thông tin và kết quả phân tích địa chất - địa vật lý trong không gian 3 chiều, chương trình giúp phân tích và mô hình hóa quan hệ của các đối tượng địa chất theo thời gian và trong không gian. Ngoài ra, Geoviz giúp việc thiết kế và kiểm tra giếng khoan trên cơ sở tất cả các tài liệu đã có. Kết quả phân tích trong Geoviz được lưu giữ trong cơ sở dữ liệu Geoframe.

- ASAP-CSA-Correlation (GeoFeature Mapping): Có thể dùng để liên kết tự động trong IESX-Geoviz hoặc nhiều tầng phản xạ theo các thông số được xác định bởi người sử dụng. Chương trình CSA là phương tiện để tính toán, xử lý và biểu diễn các thuộc tính địa chấn. Các chương trình này có thể có hiệu quả trong những vùng bị đứt gãy tác động mạnh đặc biệt là những vùng có đứt gãy và nứt nẻ trong móng.

- Basemap Plus: Là chương trình dùng để biểu diễn bản đồ kết quả của các tầng liên kết, các ranh giới địa chất, các đường đẳng trị. Chương trình ASAP thường được thực hiện trong môi trường Basemap Plus cho một hoặc nhiều tầng phản xạ. Basemap Plus được sử dụng cho cả các thông số địa chất và địa vật lý.

Indepth:

Là phần mềm sử dụng mô hình phân lớp cho việc chuyển đổi số liệu từ thời gian sang độ sâu. Trong đó sử dụng tài liệu tốc độ VSP ở các giếng khoan và tốc độ địa chấn V Đọc (tốc độ dịch chuyển hoặc tốc độ cộng). Toàn bộ khối số liệu địa chấn có thể được chuyển đổi từ thang thời gian sang độ sâu và ngược lại.

CPS-3 Maping:

- CPS-3 basics: Là phần mềm ứng dụng trong giai đoạn dựng bản đồ địa chất - địa vật lý, bản đồ tham số vỉa, các bản đồ tính toán trữ lượng và các mặt cắt địa chất.

- Framework 3D: Dựa trên kết quả từ CPS-3, phần mềm Framework 3D hoàn thiện phần xây dựng bản đồ liên kết trong những vùng có các đới đứt gãy với biên độ lớn. Kết hợp sử dụng tài liệu địa chất và carota từ các giếng khoan, có thể thành lập các sơ đồ liên kết và tính toán trữ lượng trong không gian 3 chiều cho tất cả các tầng sản phẩm dầu khí.

Sơ đồ tích hợp tài liệu địa chất, giếng khoan và địa chấn trên cơ sở tương tác của trạm workstation được thể hiện trên hình 3.14. Sơ đồ trình tự minh giải tài liệu địa chấn trên Workstation được mô tả trên hình 3.15.

Trí tuệ nhân tạo

Trong quá trình xử lý và minh giải tài liệu địa chấn cần thiết phải luận giải các đặc điểm địa chất của đối tượng nghiên cứu từ hình thái cấu trúc (các mặt ranh giới, bề dày và hình dạng vỉa, các đứt gãy...) đến các đặc tính liên quan đến bản chất của đối tượng (như thạch học, độ rỗng, độ thấm, độ bão hòa...). Đây là nhiệm vụ rất phức tạp vì khối lượng số liệu rất lớn và mối tương quan không đơn trị. Thí dụ từ tài liệu địa chấn có hàng trăm loại thuộc tính khác nhau (tốc độ, tần số, biên độ, tính liên kết, dạng hình học...), từ tài liệu địa vật lý giếng khoan cũng có số lượng các thông số rất lớn (cường độ phóng xạ tự nhiên và nhân tạo, điện thế tự phân cực, điện trở suất, từ tính, tốc độ sóng âm...). Mỗi thông số vật lý này đều có mối quan hệ với các đặc điểm các thông số địa chất. Mối quan hệ này rất đa dạng và có sự biến đổi do ảnh hưởng của các điều kiện địa chất khác nhau. Chính vì vậy nếu chỉ tìm sự tương quan tuyến tính riêng lẻ thì độ chính xác bị hạn chế và bài toán không đơn trị. Thí dụ khi sử dụng giá trị tốc độ hoặc cường độ gamma để xác định loại đá cát kết, tuy nhiên trong các điều kiện khác nhau cát kết có thể có độ rỗng, độ bão hòa khí và chất lưu rất khác nhau nên có thể nhầm lẫn loại đá khác như carbonat, thậm chí cát pha sét... Vì vậy một giá trị tham số vật lý có thể liên quan đến các loại đá khác nhau và ngược lại một loại đá có thể liên quan đến các giá trị tham số vật lý khác nhau.

Để khắc phục hạn chế này cần sử dụng khối lượng dữ liệu lớn và tìm được mối quan hệ có độ tin cậy cao nhất. Đó là đòi hỏi cấp thiết phải sử dụng công nghệ tin học và máy tính. Cần huấn luyện để máy tính có thể “học” và xử lý bài toán đặt ra tương tự như mạng thần kinh (neural) trong bộ não con người. Thí dụ như các máy có thể “học” cách phân loại các thuộc tính vật lý và tự động xác định mối tương quan với đặc điểm địa chất tương ứng. Các nghiên cứu trong lĩnh vực này cố gắng tạo ra các mô hình để tìm hiểu các đặc điểm địa chất từ dữ liệu quy mô lớn. Lĩnh vực này được gọi là lĩnh vực “Trí tuệ nhân tạo”.

Trí tuệ nhân tạo (Artificial Intelligence/AI) ra đời từ năm 1956 là một ngành thuộc lĩnh vực khoa học máy tính (computer science), bắt chước hoạt động của bộ não con người trong việc tự động hóa xử lý nguồn dữ liệu lớn, biết suy nghĩ và lập luận, giải quyết vấn đề ra quyết định đúng. Trí tuệ nhân tạo khác với việc lập trình logic trong các ngôn ngữ lập trình là ở việc ứng dụng các hệ thống học máy (machine learning) để mô phỏng trí tuệ của con người trong các xử lý. Trong lĩnh vực trí tuệ nhân tạo cần sử dụng các khái niệm như học máy (machine learning), học sâu (deep learning), dữ liệu lớn (big data), trữ liệu đám mây (cloud storage).

- Học máy (machine learning) là một trong những kỹ thuật trí tuệ nhân tạo phổ biến nhất được sử dụng để xử lý dữ liệu lớn. Đây là thuật toán tự thích ứng giúp các phân tích và các mô hình với kiến thức hoặc dữ liệu mới, cho phép máy tính có thể tự động hiểu, xử lý nguồn dữ liệu để giải quyết những vấn đề cụ thể. Học máy có liên quan đến quá trình phân tích và xử lý nguồn dữ liệu lớn để giải các thuật toán phức tạp và đưa ra quyết định nhanh chóng.

- Học sâu (deep learning) là một tập con của học máy (machine learning) sử dụng các lớp, các bậc của mạng neural nhân tạo hoặc nhiều biển đổi phi tuyến với cấu trúc phức tạp để mô hình hóa dữ liệu ở mức cao. Lượng dữ liệu khổng lồ này (big data) có thể truy cập dễ dàng và có thể được chia sẻ thông tin qua các ứng dụng như điện toán đám mây. Độ sâu của mô hình được biểu thị bằng số lớp trong mô hình. Chức năng phân tầng của các hệ thống học sâu cho phép các máy xử lý dữ liệu theo cách tiếp cận phi tuyến.

- Lưu trữ đám mây (cloud storage) là sự lưu giữ, sắp xếp, quản lý, chia sẻ dữ liệu trên một hệ thống lưu trữ cho phép có thể truy cập được tất cả các tệp tin từ xa tại bất kỳ vị trí địa lý nào.

- Dữ liệu lớn (big data) là một tập hợp dữ liệu rất lớn và phức tạp chứa nhiều thông tin quý giá mà nếu trích xuất thành công nó sẽ giúp rất nhiều cho giải quyết các nhiệm vụ phức tạp. Dữ liệu lớn có các đặc điểm là kích thước lớn có thể lên đến hàng nghìn tỉ gigabyte hoặc thậm chí lớn hơn, đảm bảo xử lý các thao tác như truy xuất, cập nhật, chỉnh sửa với tốc độ nhanh và rất đa dạng không cần tuân theo một cấu trúc và có thể lưu trữ nhiều định dạng khác nhau.

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