Szczegóły publikacji
Opis bibliograficzny
Cyfrowe mapy prognozy potencjalnych skał zbiornikowych węglowodorów — Digital prognostic maps of hydrocarbon-reservoir rocks / Stanisław F. JUCHA, Janusz KOTLARCZYK, Wojciech MASTEJ // Geoinformatica Polonica ; ISSN 1642-2511. — 2004 — nr 6, s. 59–65. — Bibliogr. s. 64, Abstr.
Autorzy (3)
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 50333 |
|---|---|
| Data dodania do BaDAP | 2010-02-12 |
| Tekst źródłowy | URL |
| Rok publikacji | 2004 |
| Typ publikacji | artykuł w czasopiśmie |
| Otwarty dostęp |  |
| Creative Commons | |
| Czasopismo/seria | Geoinformatica Polonica |
Abstract
Geoinformation contained in the data base for hydrocarbon deposit allowed to obtain digital prognostic maps of hydrocarbon reservoir rocks in the part of the Nida River synclinorium buried under the Miocene strata where several hydrocarbon deposits have been previously discovered. In order to transform multidimensional data from the data base into one-dimensional parameter, i.e. into a probability that a borehole will hit the reservoir rocks (P[R*]), artificial neural networks were used as non-algorithmic pattern recognition method. Non-random lateral geostatistical variability model of this parameter allowed to interpolate the data (point kriging) from boreholes to orthogonal grid nodes and, consequently, enabled drawing the isoline map of probability values. Such a prognosis facilitates the planning of future producing wells. Efectiveness of the applied method was compared (cf. earlier publication: Kotlarczyk et al. 1999) with the effectiveness of potential function method which is regarded as one of the best algorithmic methods of pattern recognition. Both methods gave similar results, although the neural networks seem to provide some advantages.
Streszczenie
Wykorzystanie geoinformacji zawartej w banku danych o złożach węglowodorów umożliwiło wykonanie cyfrowych map prognozy potencjalnych skał zbiornikowych węglowodorów w części niecki Nidy pogrzebanej pod utworami miocenu, w której zostało odkryte wcześniej kilka złóż węglowodorów. Do przekształcenia wielowymiarowych danych z banku w parametr jednowymiarowy, tj. w prawdopodobieństwo trafienia otworem w skały zbiornikowe (P[R*]), wykorzystano sieci neuronowe jako niealgorytmiczną metodę rozpoznawania obrazów (klasyfikacja wzorcowa). Nielosowy model geostatystycznej zmienności obliczanego parametru pozwolił na interpolację danych (kriging punktowy) z otworów na węzły siatki ortogonalnej i wyrysowanie mapy izoliniowej wartości prawdopodobieństwa. Taka prognoza ułatwia zaplanowanie eksploracji otworowej. Efektywność zastosowanej metody porównano z działaniem jednej z lepszych algorytmicznych metod rozpoznawania obrazów - metody funkcji potencjalnych, wykorzystanej we wcześniejszej publikacji (Kotlarczyk i in. 1999). Obie metody dały podobne rezultaty, chociaż można zauważyć nieco większą efektywność sieci neuronowych.
