Помощь в написании студенческих работ
Антистрессовый сервис

Интегрированная обработка геоинформации в автоматизированной системе управления сырьевыми ресурсами

Диссертация: Интегрированная обработка геоинформации в автоматизированной системе управления сырьевыми ресурсами
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Интегрированный подход отличается от существующего традиционного комплексирования геофизических методов тем, что в качестве результата получается конкретная модель месторождения, пригодная для решения последующих задач, а не «аномалия типа залежи», которой обычно обозначается результат комплексной интерпретации материалов ГРР. В основе интегрированной обработки геоинформации лежит процесс… Читать ещё >

Интегрированная обработка геоинформации в автоматизированной системе управления сырьевыми ресурсами (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. Анализ состояния пилотного проекта ОГГИС и постановка задач исследования
    • 1. 1. Назначение, цели, функции и принципы построения ОГГИС
    • 1. 2. Проект функциональной и организационной структур ОГГИС
    • 1. 3. Информационное взаимодействие ОГГИС с другими пилотными проектами ОИИУС ^
    • 1. 4. Анализ процесса обработки геоинформации в проекте ОГГИС и постановка задач исследования
    • 1. 5. Выводы
  • Глава 2. Разработка методики интегрированной обработки геоинформации ^
    • 2. 1. Общие положения
    • 2. 2. Интегрированная интерпретация сейсмических данных
    • 2. 3. Оценки неоднородности сейсмических волновых полей
    • 2. 4. Интегрированное параметрическое моделирование
    • 2. 5. Место технологий ГИС в реализации интегрированной о бработки геоинформации ^ ^
    • 2. 6. Выводы
  • Глава 3. Модель интегрированной обработки геоинформации
    • 3. 1. Статистические методы обработки геоинформации
    • 3. 2. Классификация нейросетевых конструкций
    • 3. 3. Слоистые нейронные сети прямого распространения
    • 3. 4. Выводы
  • Глава 4. Практическая реализация технологии интегрированной обработки геоинформации
    • 4. 1. Характеристика объекта исследования
    • 4. 2. Предварительная обработка каротажных диаграмм и интегрированная интерпретация сейсмических данных
    • 4. 3. Анализ неоднородности волнового поля и интегрированное параметрическое моделирование
    • 4. 4. Выводы
  • Глава 5. Оценка эффективности использования геоинформации при построении геолого-математических моделей
    • 5. 1. Общие положения
    • 5. 2. Информационно-технологические и информационно-экономические показатели
    • 5. 3. Мера информационной обеспеченности задач пластовой гидродинамики
    • 5. 4. Выводы
  • Заключение 143 Сокращения 145 Библиографический
  • список использованной литературы

Управление геологоразведочными работами (ГРР) относится к разряду информационного управления, то есть целиком зависит от результатов геологической и производственной деятельности геологоразведочных предприятий и связано с решением целого ряда информационно-логических и функциональных задач, учитывающих огромный объём геолого-геофизической и технико-экономической информации [3, 11, 15, 19, 37, 45, 47, 55, 60].

Уменьшение капиталовложений в геологоразведку на протяжении последних лет обусловило падение динамики производства и прироста запасов [21, 22, 23, 32]. Необходимость своевременной обработки (по крайней мере в строго фиксированном ритме) всё возрастающего объёма геолого-геофизической информации, производства многовариантных расчетов и взаимной увязки большого количества производственных показателей требует привлечения новых методов и средств работы с информацией [52, 86].

В нефтегазовых компаниях, в частности, ОАО «Газпром», ведётся разработка отраслевой интегрированной информационно-управляющей системы (ОИИУС), представляющей собой совокупность математических методов, средств вычислительной техники и систем информационного обеспечения, в составе которой выделена отраслевая геолого-геофизическая информационная система (ОГТИС) [24, 59, 67, 86, 87]. Её целью является повышение эффективности ГРР на основе всестороннего сбора, учёта и обработки географической, геологической, геофизической разведочной и промысловой информации, необходимой для оптимального решения задач по выявлению, изучению и эксплуатации месторождений нефти и газа (МНГ), а также подземных хранилищ газа (ПХГ).

Актуальность создания подобной системы продиктована тем фактом, что объём информации, подлежащей учёту при проведении названных исследований, уже давно вышел за пределы человеческой способности реально её использовать при традиционных методах и средствах работы с информацией. Проблема заключается не в отсутствии необходимой информации, а в том, что исследователь не в состоянии в заданные сроки всесторонне и комплексно проанализировать все имеющиеся исходные данные. Как следствие, выбираемые для решения указанных задач исходные наборы данных нередко весьма субъективны, и состав их определяется скорее теоретическими симпатиями исследователей, чем глубоким и всесторонним анализом [49, 52, 61, 65,90].

К основным функциям ОГГИС относится информационная поддержка развития и увеличения стоимости ресурсной базы УВС компании. Задачи, встающие в связи с реализацией этой функции, заключаются в построении геолого-математических и гидродинамических моделей МНГ и ПХГ. Их решение с привлечением всего объёма геоинформации на текущем этапе невозможно без интегрированного подхода [39, 57].

Интегрированный подход отличается от существующего традиционного комплексирования геофизических методов тем, что в качестве результата получается конкретная модель месторождения, пригодная для решения последующих задач, а не «аномалия типа залежи», которой обычно обозначается результат комплексной интерпретации материалов ГРР. В основе интегрированной обработки геоинформации лежит процесс определения и истолкования раздельных частей информационной среды месторождения по географическим, геологическим, геофизическим и промысловым данным и воссоединение их для получения модели в целом [9, 36, 39].

Проведенный анализ позволяет в качестве основной задачи исследования определить создание методики интегрированной обработки геоинформации. Именно в процессах обработки содержатся наиболее значимые и определяющие неопределённость прогнозных параметров погрешности, снижение которых оказывается приоритетным и наиболее эффективным способом повышения объёма полезной информации [9, 42]. Традиционным направлением обработки геоинформации является многомерный статистический анализ, а основным методом — линейное регрессионное прогнозирование прогнозных параметров [53]. Однако, рассмотрение существующего положения показало недостаточную состоятельность подхода к обработке геоинформации на основе линейных моделей, что определяет необходимость развития методов нелинейного регрессионного анализа с привлечением современных методов искусственного интеллекта. Исследованы возможности нейросетевых технологий обработки данных, расширяющих возможности статистического анализа.

Актуальность диссертации определяется необходимостью разработки технологии и модели интегрированной обработки информации. Научная новизна работы заключается в систематизации интегрированного подхода к обработке разнородной геоинформации и использовании нейросетевых технологий в рамках этого подхода. Объектом исследования является процесс обработки данных ГРР, а предметом — научно-методическое обеспечение реализации основных функций ОГГИС.

Основные результаты диссертационной работы получены на основе использования теории и методов искусственного интеллекта, математической статистики, теории графов и принципов системного анализа.

Практическая ценность работы состоит в реальной возможности построения минимально неопределённых параметрических моделей МНГ. Разработанная методика интегрированной обработки позволяет решить проблему всестороннего учёта априорной геоинформации в процессе геолого-математического моделирования.

Диссертация состоит из введения, пяти глав, заключения, списка сокращений и библиографического списка использованной литературы. Общий.

5.4. Выводы.

1. Традиционная система показателей ориентирована на отраслевой уровень, не показывая эффективности использования конкретной технологии обработки геоинформации и формирования геолого-математической модели объекта. В связи с этим, предложена система показателей для оценки эффективности и целесообразности привлечения того или иного подхода к обработке геоинформации.

2. Анализ этих значений показал, что при традиционном подходе к параметрическому моделированию используется лишь 18% доступной информации против 100% при интегрированном. С привлечением предложенной в работе технологии снижается (с 22 до 15), по сравнению с традиционным подходом, число разведочных скважин, необходимых для параметрического моделирования залежи УВС. Использование априорной информации сейсмических разрезов для параметрического моделирование позволяет при интегрированном подходе увеличить меру информационной обеспеченности задач пластовой гидродинамики до 43% против 21% с использованием традиционного подхода. Новая технология снижает общие затраты на проведение скважинных исследований с 66 до 45 млн руб., то есть на 21 млн руб., и удельные затраты на каждый мегабайт используемой информации с 16,5 до 2,25 млн руб., то есть более чем в 7 раз.

3. Проведенный анализ свидетельствует в пользу преимущества предлагаемой технологии по сравнению с традиционно применяющейся. Подчеркнём, что этот вывод сделан на основании комплексной оценки эффективности с использованием технологических, информационных и экономических показателей.

Заключение

.

Анализ пилотного проекта ОГГИС выявил два существенных недостатка: отсутствие методической проработки процесса извлечения геоинформации из данных ГРР на этапах первичного и прогнозного моделирования МНГ, а также системы оценки эффективности и целесообразности привлечения той или иной методики обработки геоинформации.

Обоснована необходимость привлечения априорной информации сейсмических разрезов, по большей части фактически не используемой при традиционном подходе к параметрическому моделированию МНГ и ПХГ.

Разработана методика интегрированной интерпретации и извлечения максимально возможного количества полезной информации из всего имеющегося объема данных ГРР. Научная новизна предложенной методики заключена в охвате всего процесса обработки геоинформации: интерпретации данных сейсморазведки, оценивания неоднородности волновых полей и параметрического моделирования продуктивной залежи.

Обзор современных методов интерпретации сейсмических данных показал, в основном, их пригодность для решения задач, связанных с реализацией первого этапа. Необходимое дополнение к стандартным методам заключается в методических рекомендациях, связанных с привязкой интервалов сейсмического волнового поля к продуктивной залежи.

Для этапа анализа неоднородности сейсмических волновых полей предложено более 40 статистических оценок. Предложенные оценки неоднородности делятся на дифференциальные, интегральные и групповые. Их нахождение позволяет произвести переход к масштабу осреднённых оценок подсчётных параметров залежи.

Обзор современных методов обработки геоинформации, используемых на этапе параметрического моделирования продуктивной залежи, выявил недостатки линейных методов прикладной геостатистики, что обусловило необходимость исследования нелинейных методов. С точки зрения прикладной статистики, искусственные нейронные сети представляют собой широкий класс линейных и нелинейных регрессионных моделей. На основе рассмотрения методов теории искусственных нейронных сетей в терминах регрессионного анализа предложена интегрированная параметрическая модель продуктивной залежи. Научная новизна и практическая значимость этого результата заключается в возможности учёта нелинейных эффектов при восстановлении значений подсчётных параметров.

Предлагаемая методика интегрированной обработки геоинформации практически реализована на примере Песцового и Ен-Яхинского месторождений. Предложен и успешно опробован метод выбора конструкции персептрона, для его обучения использована стохастическая модификация алгоритма обратного распространения ошибки. Проведён сравнительный статистический анализ регрессоров, получаемых в результате линейного регрессионного анализа и обучения нейронной сети.

Анализ традиционной системы показателей эффективности ГРР выявил её ориентацию на отраслевой уровень, не показывая эффективности использования той или иной технологии обработки геоинформации и формирования геолого-математической модели объекта. В связи с этим, предложена система показателей для оценки эффективности и целесообразности привлечения того или иного подхода к обработке геоинформации.

Анализ эффективности и целесообразности реализации интегрированного подхода показывает преимущество предлагаемой методики по сравнению с традиционно применяющейся. Этот вывод сделан на основании комплексного критерия с использованием информационно-технологических и информационно-экономических показателей, а также расчёта меры информационной обеспеченности задач пластовой гидродинамики.

Сокращения.

АК акустический каротаж.

АСУ автоматизированная система управления всп вертикальное сейсмическое профилирование.

ГВК газоводяной контакт гис географическая информационная система.

ГРР геологоразведочные работы.

ИУС информационно-управляющая система.

КС кажущееся сопротивление мнг месторождение нефти и газа.

МТР материально-технические ресурсы оггис отраслевая геолого-геофизическая информационная система.

ОИИУС отраслевая интегрированная информационная управляющая система.

ОСОДУ отраслевая система оперативно-диспетчерского управления.

ОСФЭП отраслевая система финансово-экономических показателеё пг поставки газа.

ПС потенциал самополяризации.

ПХГ подземное хранилище газа.

СУБД система управления базами данных.

УВС углеводородное сырьё.

УКПГ установка комплексной подготовки газа.

POSC petrophysical open software corporation.

Показать весь текст

Список литературы

  1. А.Г. Методика интерпретации данных сейсморазведки при интегрированном изучении нефтегазовых резервуаров. // Геофизика. -1998.-№ 1.-С. 13−19
  2. А. Регрессия, псевдоинверсия и рекуррентное оценивание. М.: Наука, 1977.-232 с.
  3. К.К., Максимцов М. М., Чистяков Ю. В. Разработка автоматизированных систем управления в геологии. М.: Недра, 1975 -207 с.
  4. Т.Р. Инструменты сейсморазведки для проектирования разработки месторождений. Н Нефтегазовое обозрение Шлюмберже,-1997,-№ 2.-с. 10−28
  5. A.C., Назаров В. И. Экономическая эффективность геологоразведочных работ на нефть и газ в Западно-Сибирской низменности. // Труды ВНИГРИ. 1973. — вып. 425. — С. 26 — 38
  6. В.В., Емельянов А. Н. Принципы построения географических информационных систем. // Труды ВНИГНИ. 1988. — вып. 3. — С. 1 -38.
  7. A.A. Геологические основы прогнозирования нефтегазоносности недр. М.: Недра, 1973. — 343 с.
  8. А. Нелинейное оценивание параметров. М.: Финансы и статистика, 1984. — 322 с.
  9. Я.Н. Интегрированный анализ геоинформации при геологоразведочных работах на нефть и газ и принципы их метрологического обеспечения. // Геофизика. 1995. — № 5. — С. 47 — 53
  10. Ю.Белонин М. Д., Иванова К. П., Наливкин В. Д. Многомерные методы анализа при оценке нефтегазоносности земных недр. М.: Изд-во ВИЭМС, 1976. — 50 с.
  11. П.Белонин М. Д., Подольский Ю. В. АСУ Нефтегазразведка. Принципы и результаты разработки. — Л.: Недра, 1977. — 199 с.
  12. П.Белонин М. Д., Татаринов И. В., Калинин О. М. Факторный анализ в нефтяной геологии. М.: Изд-во ВИЭМС, 1971.-55 с.
  13. P.M. Об учете априорной информации, заданной системой линейных уравнений. // Геология и геофизика. 1971. — № 10. — с. 97−102.
  14. P.C. Функциональный анализ и теория аппроксимации в численном анализе. М.: Мир, 1984. — 126 с.
  15. Ю.Н. Автоматизированные системы управления разработкой газовых месторождений. М.: Недра, 1987. — 281 с.
  16. Ю.Н., Гереш Г. М., Пасько Д. А. Методы прогнозирования обводнения газовых залежей в условиях функционирования АСУ разработкой месторождений. М.: ИРЦ Газпром, 1994. — 42 с.
  17. А.Б. Математическая геология, ее основные направления и задачи. // Советская геология. 1977. -№ 1. — С. 11 — 34
  18. В.А. Моделирование геологических поверхностей в связи с задачами размещения скважин и установления достаточности разведки нефтяных месторождений. М.: Изд-во ВИЭМС, 1977. — 43 с.
  19. Выбор оптимальных направлений геолого-геофизических исследований в подсистеме АСУ-Геофизика. / Зайченко В. Ю. и др. -М.: Изд-во ВИЭМС, 1982.-43 с.
  20. М.К. Лекции по методам вычислений. М.: Наука, 1982. — 248 с.
  21. Ш. К., Акентьев Е. П., Сапрыкин Э.В. Геологическая эффективность результатов геофизических исследований ДОАО
  22. Газпромгеофизика" на объектах поиска и разведки ОАО «Газпром», перспективы развития. // Материалы V координационного геологического совещания ОАО «Газпром». М.: ИРЦ Газпром, 1999, — С. 37 — 48
  23. В.М., Стогний А. А., Афанасьев В. Н. Автоматизированные информационные системы. -М.: Знание, 1973. 80 с.
  24. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. -273 с.
  25. В.М. К теории интерполирования измеренных геолого-геофизических характеристик. // Труды ВНИГНИ. 1973. — вып. 135. -С. 3−31
  26. Л.И., Соколов A.A. Нейросетевые технологии статистической обработки информации. М.: ИРЦ Газпром, 1999. — 37 с.
  27. Jl.И., Соколов A.A. Слоистые нейронные сети прямого распространения. Компьютерный практикум. М.: Изд-во РГУНГ им. Губкина, 1999. — 32 с.
  28. В.А., Захаров В. В., Коваленко А. Н. Введение в системный анализ,— Л.: Изд-во ЛГУ, 1988. 270 с.
  29. Данные сейсморазведки и подсчёт запасов. / Пороскун В. Л. и др. // Нефть и капитал. 1998. — № 6 — 7. — С. 104 — 107
  30. Е. Методы анализа данных. М.: Финансы и статистика, 1985. — 357 с.
  31. В.М. Информационное обеспечение АСУ. М.: Наука, 1 975 200 с.
  32. Зб.Зайченко В. Ю. О понятии термина «Интегрированная интерпретация геофизических данных». II Геофизика. 1997. — № 1. — С. 68 — 69
  33. В.И. Основные принципы построения автоматизированных систем управления АСУ-Геология. // Советская геология. 1973. — № 1. -С. 3−14
  34. Инструкция о содержании и порядке составления геологических отчетов М.: Недра, 1965. — 80 с.
  35. Интегрированная интерпретация геофизических данных. // Геофизика-1996,-№ 2. -С. 3−7
  36. Информационная технология. Комплекс стандартов и руководящих документов на автоматизированные системы. ГОСТы 34.003, 34.201−89, 34.601−90, 34.602−89, РД 680−88, РД 50−34.698−90, Р 50−34.119−90. М.: Изд-во стандартов, 1990. — 87 с.
  37. М.Дж., Стюарт А. Многомерный статистический анализ и временные ряды. -М.: Наука, 1976. 934 с.
  38. А.И. Информационная модель геофизических исследований. // Геофизика. 1997. — № 3. — С. 18 — 26
  39. A.B., Каракин В. П. Региональные геоинформационные системы-М.: Наука, 1987. 126 с.
  40. Е.А. Определение экономической эффективности геофизических работ на нефть и газ. М.: Недра, 1980. — 102 с.
  41. А.Э., Фотиади Э. Э. Основы количественной теории прогноза и поиска месторождений нефти и газа. М.: Наука, 1976. — 75 с.
  42. М.Г. Вопросы методики оценки эффективности и планирования геологоразведочных работ на нефть н газ. // Труды ВНИГРИ. 1971. -вып. 300.-С. 1−43
  43. М.Г., Назаров В. И. Методические рекомендации по определению экономической эффективности геологоразведочных работ на нефть и газ. Л.: Изд-во ВНИГРИ, 1974. — 62 с.
  44. В.В. Программное и информационное обеспечение геофизических исследований. М.: Недра, 1993. -267 с.
  45. У.С., Питтс В. Логическое исчисление идей, относящихся к нервной деятельности. // Нейрокомпьютер. 1992. — № 3, 4. — С. 40−53
  46. А.Г. Методы разработки автоматизированных систем управления. М.: Энергия, 1973. — 336 с.
  47. B.B. Человеко-машинные методы геологического прогнозирования. М.: Недра, 1988. — 232 с.
  48. . Основы прикладной геостатистики. М.: Мир, 1968. -408 с.
  49. Методические рекомендации по оценке эффективности инвестиционных проектов и их отбору для финансирования. Официальное издание. — М.: Изд-во АН РФ, 1994. 47 с.
  50. Методические указания по проведению отдельных этапов геологоразведочных работ. М.: Гостоптехиздат, 1961. — 53 с.
  51. Минский M. JL, Пайперт С. Персептроны. М.: Мир. — 1971. — 283 с.
  52. A.A. Интегрированные системы обработки данных. М.: Наука, 1970.-107 с.
  53. В.Д., Белонин М. Д., Лазарев B.C. Критерии и методы количественной оценки нефтегазоносности слабоизученных крупных территорий. // Советская геология. 1976. — № 1. — с. 28 — 39
  54. Л.А., Селетков С. Н. Автоматизированные банки данных. М.: Финансы и статистика, 1982. — 212 с.
  55. Организация данных в системах обработки данных. Термины и определения. ГОСТ 20 886–85. -М.: Изд-во стандартов, 1986 75 с.
  56. JI. Сейсмическая съемка для мониторинга коллекторов.// Нефтегазовое обозрение Шлюмберже. 1998. — № 2. — С. 8 — 1965. Пономарёв И. В. Подход Schlumberger к построению АСУП добычи нефтяной компании. // Нефтяное хозяйство. 1998. — № 8. — С. 98−101
  57. Д.А. Статистические методы разграничения геологических объектов по комплексу признаков. М.: Недра, 1968. — 158 с.
  58. Ф. Принципы нейро динамики. Персептрон и теория механизмов мозга. М.: Мир. — 1965. — 480 с.
  59. Сейфуль-Мулюков Р.Р., Немировский Э. А., Марченко В. В. Системы обработки пространственной геоинформации в геологических исследованиях. М.: Изд-во ВИЭМС, 1991. — 44 с.
  60. A.A. Дифференциальные динамические параметры неоднородности волнового поля. // НТС ИРЦ Газпром «Геология, бурение, разработка и эксплуатация газовых и газоконденсатных месторождений на суше и на шельфе». 2000. — № 1. — С. 14−21
  61. A.A. Задача оценки амплитудного спектра сейсмического импульса. // Сборник трудов СНО ГАНГ им. Губкина. М.: Изд-во ГАНГ им. Губкина. — 1995. — С. 43 — 49
  62. A.A. Информационная поддержка проектирования разработки газовых месторождений. // НТС ИРЦ Газпром «Геология, бурение, разработка и эксплуатация газовых и газоконденсатных месторождений на суше и на шельфе». 1999. — № 3. — С. 22 — 29
  63. A.A. Исследование методов построения решающего правила в моделях классификации. // Тезисы докладов II НТК «Новые технологии в газовой промышленности. Секция б». М.: Изд-во ГАНГ им. Губкина, 1997.-С. 28−29
  64. A.A. Локальные свойства сейсмических волновых полей. // Математическое моделирование и информатика в научных исследованиях и научном проектировании газовой отрасли. М.: Изд-во ВНИИГаза. -2000. — С. 62 — 80
  65. A.A. Нейронные сети в информационной поддержке задач пластовой гидродинамики. // Тезисы докладов III Всероссийской НТК молодых ученых, секция 6. М.: Изд-во РГУ НГ им. Губкина. — 1999. — С. 12−13
  66. A.A. Оптимизационный метод оценки амплитудного спектра сейсмического импульса. // Тезисы докладов НТК «Нефть и газ 96. Секция 1». М.: Изд-во ГАНГ им. Губкина. — 1996. — С. 42 — 43
  67. A.A. Применение технологии AVO для уточнения распределения поля газонасыщенности. // НТС ИРЦ Газпром «Геология, бурение, разработка и эксплуатация газовых и газоконденсатных месторождений на суше и на шельфе». 1999. — № 2, — С. 12−16
  68. A.A. Современные средства геостатистики в интегрированном моделировании газовых месторождений. М.: ИРЦ Газпром, обзорная серия «Геология и разведка газовых и газоконденсатных месторождений». — 1999. — 31 с.
  69. A.A. Статистические методы обработки геолого-геофизической информации. И Аннотированный сборник конкурсных работ аспирантов и специалистов ОАО «Газпром». М.: Изд-во ВНИИГаз. — 1999. — С. 33 -35
  70. A.A., Митянин С. А., Лесничая Н. В. Комплексирование геологического структурного моделирования и данных ГИС. // Тезисы докладов II НТК «Новые технологии в газовой промышленности. Секция 1». М.: Изд-во ГАНГ им Губкина. — 1997.- С. 31 — 32.
  71. A.A., Рапопорт М. Б. Оптимальное оценивание косвенных сейсмических параметров. // Тезисы докладов к II НТК «Актуальные проблемы состояния и развития нефтегазового комплекса России. Секция 1». М: Изд-во ГАНГ им. Губкина. — 1997. — С. 12 — 13
  72. Стратегия развития сырьевой базы ОАО «Газпром» на период 2001 2030 г. г. / Ремизов В. В. и др. // Материалы V координационногогеологического совещания ОАО «Газпром». М.: ИРЦ Газпром, 1999. -С. 3 — 10
  73. Структура и стратегия создания ОИИУС РАО «Газпром». М.: ИРЦ Газпром, 1997. — 47 с.
  74. И.В., Калинина В. П., Никитина М. П. Информационное и программное обеспечение автоматизированной системы геолого-экономического анализа результатов поисково-разведочных работ на нефть и газ в СССР. // Труды ВНИГРИ. 1978, — вып. 324. — С. 74 — 87
  75. Ф. Нейрокомпьютерная техника. М.: Мир. — 1992. — 237 с.
  76. .З. Корпоративная информационная система. // Нефтяное хозяйство. 1998. — № 8. — С. 84 — 87
  77. Д. Причинный анализ в статистических исследованиях. М.: Финансы и статистика, 1981.-255с.
  78. Я.И. Новые способы оценки запасов нефти и газа. // Нефтяное хозяйство. 1993. — № 5. — С. 28 — 30
  79. Н.Н. Статистические решающие правила и оптимальные выводы-М.: Наука, 1972. 304 с.
  80. Ampilov Y.P., Arts R.J. Reservoir study using factor analysis and supervised cluster analysis of seismic attributes. // Technical abstracts of EAGE 60th Conference and Technical Exhibition. Leipzig, 1993 — P. 135 — 136
  81. Angeleri G. P., Carpi R. Porosity prediction from seismic data. // Geophysical prospecting. 1982. — Vol. 30. — P. 580 — 607
  82. Barron A.R. Universal approximation bounds for superposition of a sigmoidal function. // IEEE Trans, on Information Theory. 1989. — Vol. 39. — P. 930 -945
  83. Bois P. Determination of the nature of reservoirs by use of pattern recognition algorithm with prior learning. // Geophysical prospecting. 1981. — Vol. 29-P. 681 -701
  84. Broomhead D.S., Lowe D. Multivariable functional interpolation and adaptive networks. // Complex Systems. 1988. — Vol. 2. — P. 321 — 355
  85. Cattell R.B. Scree test for the number of factors. // Multivariate Behavioral Research. 1966. — Vol. 1. — P. 140 — 161
  86. Chen Q., Sidney S. Seismic attribute technology for reservoir forecasting and monitoring. // The Leading Edge. 1997. — № 5. — P. 12−20
  87. Cybenko G. Approximation by superpositions of a sigmoid function. // Mathematics of Control, Signals and Systems. 1989. — Vol. 2. — P. 303 -314
  88. Doyen P. M. Porosity from seismic data: A geostatistical approach. // Geophysics. 1988. -№ 4. — P. 1263 — 1275
  89. Dumay J., Fournier F. Multivariate statistical analysis applied to seismic facies recognition. // Geophysics. 1988. — № 4. — P. 1151 — 1159
  90. Fournier F., Derain J.F. A statistical methodology for deriving reservoir properties from seismic data. // Geophysics. 1995. — № 5. — P. 1437 — 1450
  91. Funahashi K.I. On the approximate realization of continuous mappings by neural networks. // Neural Networks. 1989. — Vol. 2. — P. 183−192
  92. Hagen D.C. The application of principal components analysis to seismic data. // Geoexploration. 1982. — Vol. 20. — P. 93 — 111
  93. Hebb D.O. Organization of behavior. N.Y.: Science Ed., 1961. — 116 p.
  94. Jones L.K. A simple lemma on greedy approximation in Hilbert space and convergence rates for projection pursuit regression and neural network training. // Annals of Statistics. 1992. — Vol. 20. — P.608 — 613
  95. Justice J.H., Hawkins D.J., Wong G. Multidimensional attribute analysis and pattern recognition for seismic interpretation. // Pattern Recognition. 1985 -Vol. 18.-P. 391 -407
  96. Kaiser H.F. The application of factor analysis. // Educational and Psychological Measurement, 1960. Vol. 20. — P. 141 — 151 157
  97. Lendzionowski V., Walden A.T., White R.E. Seismic character mapping over reservoir intervals. // Geophysical Prospecting. 1990. — Vol. 38. — P. 951 -969
  98. Liu Z., Liu J. Seismic-controlled nonlinear extrapolation of well parameters using neural networks. // Geophysics. 1998. — № 6. — P. 2035 — 2041
  99. Piatt J.C. Learning by combining memorization and gradient descent. // Advances in Neural Information Processing Systems. 1991. — Vol. 3. — P. 714−720
  100. Rummelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors. //Nature. 1986. — Vol. 323. — P. 533 — 536
  101. Sinvhal A., Khattri K. Seismic indicators of stratigraphy. // Geophysics. -1984.-№ 4.-P. 1196−1212
  102. Stanulonis S.F., Tran H.V. Metod to determine porosity thickness directly from 3D seismic amplitude. // The Leading Edge. 1992. — № 1. — P. 14−20
  103. Wessels L.F.A., Barnard E. Avoiding false local minima by proper initialization of connections. // IEEE Transactions on Neural Networks. -1992.-Vol. 3,-P. 899−905
  104. White H. Connectionist nonparametric regression: Multilayer feedforward networks can learn arbitrary mappings. // Neural Networks. 1990. — Vol. 3, — P. 535 -549
Заполнить форму текущей работой

Сессия? Спокойно!