The development of scientific principles, methods, and techniques of the automated control of the primary data recorded in the geophysical well logging is considered. The issue of termination of logging on a particular well is often associated with subjective expert assessments. The need for automated detection of errors and quality control of the recorded data during or immediately upon completion of studies is discussed. A brief analysis of the unreliability symptoms of record fragments is provided. An algorithm using iterative modeling techniques of incomplete data with low-dimensional manifolds for solving the problem of assessing the quality of the well logging data is proposed. Examples demonstrating the high efficiency of the iterative modeling methods for incomplete data using low-dimensional manifolds in the problem of space filling of geophysical study data are given; and the results of the numerical experiments on solving the problem of data quality control of electric logging are provided.
geophysical research, quality control, iterative modeling, automation.
Введение. Одной из важнейших задач нефтепромысловой геофизики является повышение точности и достоверности количественной интерпретации промыслово-геофизических данных. Решение этой задачи невозможно без достоверных данных геофизических исследований скважин (далее — ГИС) [1].
Первичная обработка и оценка качества полевых данных, оценка материалов производится оператором по исследованию скважин визуально, непосредственно на объекте. Такая оценка требует от оператора значительных познаний в теории геофизических методов исследования скважин, навыков интерпретации ГИС, а также большого опыта работы. Однако большинство операторов, по тем или иным причинам, либо не обладают требуемой квалификацией, либо просто не имеют возможности оценить качество полученных данных вследствие большого объёма проводимых исследований, сложных условий исследования [2], сложных и незнакомых геофизических разрезов скважин и т. д.При выявлении «брака» материала на этапе интерпретации геофизических исследований, требуется повторное проведение исследований, что связано с весьма значительными финансовыми расходами.
В статье «AHierarchicalApproachtoImprovingDataQuality» [3] присутствует во многом схожая проблематика задачи контроля качества данных. Предлагаемый авторами подход к решению задачи автоматизированного контроля качества геоинформационных данных основан на сопоставлении изображений одной местности, полученных из разных источников. Критерием качества считаются величины взаимных уклонений пар матриц смежности графов, представляющих наборы данных. Подбор и сопоставление изображений выполняется экспертами вручную, являясь при этом актом формализации их опыта, поскольку основная проблема инженерии знаний — это процесс извлечения знаний.
1. GOST R 54362-2011. Geofizicheskiye issledovaniya skvazhin. Terminy i opredeleniya. [GOST R 54362-2011. Well logging. Terms and definitions.] Available at: http://www.sanse.ru/text/ GOST_2008.pdf (accessed: 09.02.2014) (in Russian).
2. Neydorf, R. А., et al. Osesimmetrichnaya zadacha o rasprostranenii fronta fazovogo prevrashcheniya v geterogennoy tverdoy poristoy srede v usloviyakh granichnogo teploobmena i nalichiya tsentralnogo teplozashchitnogo koltsevogo sloya. [Axisymmetric problem on propagation of phase transformation front in heterogeneous solid porous medium in terms of boundary heat transfer and presence of central heatproof ring layer.] Vestnik of DSTU, 2011, vol., 11, no. 7 (58), pp. 979–986 (in Russian).
3. Abate, Marcey L., Diegert, Kathleen V., and Allen, Heather W. Hierarchical Approach to Im-proving Data Quality. Data Quality Journal, 1998, vol. 4, no. 1, pp. 365–369.
4. Neydorf, R. А. Approksimatsionnoye postroyeniye matematicheskikh modeley po tochechnym eksperimentalnym dannym metodom «cut-glue». [Approximating mathematical model development ac-cording to point experimental data through “cut-glue» method.] Vestnik of DSTU, 2014, no. 1, pp. 45–58 (in Russian).
5. Sergiyenko, А. B. Tsifrovaya obrabotka signalov. [Digital signal processing.] Sankt-Peterburg : Piter, 2003, 584 p. (in Russian).
6. Rossiyev, А. А. Iteratsionnoye modelirovaniye nepolnykh dannykh s pomoshchyu mnogo¬obraziy maloy razmernosti. [Iterative modeling of incomplete data using low-dimensional manifolds.] Krasnoyarsk, 2000, 83 p. (in Russian).
7. Venikov, V. А. Teoriya podobiya i modelirovaniye. [Similarity theory and modeling.] Moscow : Vysshaya shkola, 1976, 479 p. (in Russian).
8. Sedov, L. I. Metody podobiya i razmernosti v mekhanike. [Similarity and dimensional methods in mechanics.] Moscow : Nauka, 1987, 432 p. (in Russian).
9. Gerasimato, F. G. Teoriya podobiya. [Similarity theory.] Available at: http://www.trinitas.ru/rus/doc/0016/001d/00162064.htm (accessed: 09.02.2014) (in Russian).
10. Aizenberg, L. А. Formuly Karlemana v kompleksnom analize. Pervyye prilozheniya. [Carleman formula in complex analysis. First applications.] Novosibirsk: Nauka, 1990, 248 p. (in Russian).
11. Zinovyev, А. Y. Vizualizatsiya mnogomernykh dannykh. [Multivariate data visualization.] Iz-datelstvo KGTU, 2000, 180 p. (in Russian).
