MATHEMATICAL MODEL FOR HETEROGENEOUS DATA INTEGRATION IN THE OIL AND GAS PROSPECTS ESTIMATING
DOI:
https://doi.org/10.32782/KNTU2618-0340/2021.4.2.1.23Abstract
The main purpose of the research is to improve the accuracy and reliability of forecasting oil and gas promising zones and oil and gas objects. Cosmogeological studies are carried out to quickly assess the oil and gas content of prospecting areas at the stage preceding their introduction into exploratory drilling. Modern technologies for the use of Earth remote sensing materials in geological prospecting studies are based on integration with other geospatial data - cartographic, geological, geophysical, geochemical and others. This eliminates the subjectivity associated with the visual interpretation of satellite images. The integration of remote sensing and geological-geophysical spatial data makes it possible to automate the process of assessing the area under study and to establish its similarity with the reference areas (fields). The classification of the hypercube of remote data and geological and geophysical data allows you to determine the degree of similarity of the studied areas with the standards and rank them according to their prospects. A model for the integration of remote sensing and geological-geophysical data based on Bayesian probabilistic inference is proposed. When mapping oil and gas promising areas, the a priori and conditional probabilities of belonging of the raster elements of the data hypercube to a positive or negative standard are estimated, followed by the calculation of the posterior probability that each element belongs to a positive standard. The described model has been tested on the example of the Khukhrinsky oil and gas condensate field located in the Akhtyrsky district of the Sumy region of Ukraine. The deposit is characterized by a complex geological structure and all available heterogeneous geospatial data are included for its study. As a result of the performed integration of remote sensing and geological and geophysical data, a spatial distribution of the posterior probability was obtained, which can be interpreted as a comprehensive assessment of the oil and gas potential at the investigated area. The testing results correlate well with the previous geological forecasts.
Основною метою досліджень є підвищення точності і надійності прогнозу нафтогазоперспективних зон і нафтогазоносних об'єктів. Космогеологічні дослідження проводяться для оперативної оцінки нафтогазоносності пошукових площ на етапі, що передує їх введення в розвідувальне буріння. Сучасні технології застосування матеріалів дистанційного зондування Землі в геолого-пошукових дослідженнях ґрунтуються на інтеграції з іншими геопросторовими даними - картографічними, геологічними, геофізичними, геохімічними та іншими. Це дозволяє усунути суб'єктивізм, що має місце при візуальній інтерпретації супутникових зображень. Інтегрування дистанційних та геолого-геофізичних просторових даних дає можливість автоматизувати процес оцінки досліджуваної площі і встановити її схожість з еталонними ділянками (родовищами). Класифікація гіперкуба дистанційних та геолого-геофізичних даних дозволяє визначити ступінь подібності досліджуваних ділянок з еталонами і проранжувати їх за перспективністю. Пропонується модель інтеграції дистанційних та геолого-геофізичних даних на основі байєсівського імовірнісного виведення. При картуванні нафтогазоперспективних ділянок оцінюються апріорні і умовні ймовірності приналежності растрових елементів гіперкуба даних позитивному або негативному еталону з подальшим обчисленням апостеріорної ймовірності приналежності кожного елемента позитивному еталону. Запропонована модель апробована на прикладі Хухрінского нафтогазоконденсатного родовища, розташованого в Охтирському районі Сумської області України. Родовище характеризується складною геологічною будовою і для його вивчення використовувалися всі наявні гетерогенні геопросторові дані. В результаті виконаної інтеграції дистанційних та геолого-геофізичних даних отримано просторовий розподіл апостеріорної ймовірності, яку можна трактувати як комплексну оцінку нафтогазоперспективності площі, що досліджувалася. Результати апробації добре узгоджуються з попередніми геологічними прогнозами.
References
Genesereth M., (2010). Data Integration: The Relational Logic Approach: Stanford: Morgan and Claypool Publishers.
Challa, S., & Koks, D. (2004). Bayesian and Dempster-Shafer fusion. Sadhana, 29, 2, 145-176.
Stathaki, T.(2008). Image Fusion: Algorithms and Applications. London: Academic Press.
Wache, H., Vögele, T., Visser, T., Stuckenschmidt, H., Schuster, H., Neumann, G., & Hübner, S. (2001). Ontology-based integration of information – a survey of existing approaches. Proceedings of the IJCAI-01 Workshop on Ontologies and Information Sharing. Seattle: American Association for Artificial Intelligence. P.108-117.
Petrovskiy, A.P., Ganzhenko, N.S., Krupskiy, B.L., Gladun, V.V., Cherpil, P.M., TsYoha, O.G., Bodlak, P.M., Oblekov, G.I., & Polyin, I.I. (2005). Novyie vozmozhnosti izucheniya osobennostey geologicheskogo stroeniya i otsenki perspektivnosti neftegazonosnyih ob'ektov na osnove primeneniya tehnologii kompleksa geologo-geofizicheskih dannyih. GeoInformatika, 3, 24-26.
Stankevych, S.A., & Tytarenko, O.V. (2009). Metodyka intehratsii dystantsiinykh ta heoloho-heofizychnykh danykh pry poshuku nafty ta hazu. Uchenыe zapysky Tavrycheskoho natsyonalnoho unyversyteta ym. V.Y. Vernadskoho, 22(61), 1, 105-113.
Schallehn, E., Sattler, K.-U., & Saake, G. (2004). Efficient similarity-based operations for data integration. Data & Knowledge Engineering, 48, 3, 361-387.
Popov, M.A., Stankevich, S.A., Markov, S.Yu., Zaytsev, A.V., Topolnitskiy, M.V., & Titarenko, O.V. (2013). Printsipy geoinformatsionnogo obespecheniya zadach distantsionnogo poiska poleznykh iskopaemykh. Infrastruktura sputnikovykh geoinformatsionnykh resursov i ikh integratsiya. Pod red. M.A. Popova i Ye.B. Kudasheva. Kiev: Karbon-Servis, P.124-142.
Davis, J.C. (2002). Statistics and Data Analysis in Geology. New York: John Wiley.
Shi, C., & Wang, Y. (2021). Nonparametric and data-driven interpolation of subsurface soil stratigraphy from limited data using multiple point statistics. Canadian Geotechnical Journa, 58, 2, 261-280.
Wellmann, F., & Caumon, G. (2018). 3-D Structural geological models: Concepts, methods, and uncertainties. Advances in Geophysics. Ed. by C. Schmelzbach. Cambridge: Elsevier, 59, 1-121.
Popov, M.O., Stankevich, S.A., Topolnitskiy, M.V., & Sedlerova, O.V. (2015). Pіdkhіd do іntegratsії distantsіynikh ta geologo-geofіzichnikh danikh na osnovі teorії svіdchen Dempstera-Sheyfera. Dopovіdі NAN Ukraїni, 4, 94-98.
Demicco, R.V. (2004). Fuzzy logic in geological sciences: a literature review. Fuzzy Logic in Geology. Ed. by R.V. Demicco and G.J. Klir. San Diego: Academic Press. P.103-120.
Khrushchov, D.P., Lobasov, A.P., Kovalchuk, M.S., Remezova, Ye.A., Bosevskaya, L.P., & Kirpach, Yu.V. (2012). Tselevye ekspertnye sistemy geologicheskoy napravlennosti. Geologіchniy zhurnal, 2, 87-99.
Li, S., Chen, J., & Xiang, J. (2020). Applications of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data. Neural Computing and Applications, 32, 7, 2037-2053.
Sivarajah, U., Kamal, M.M., Irani, Z., & Weerakkody, V. (2017). Critical analysis of Big Data challenges and analytical methods. Journal of Business Research, 70, 1, 263-286.
MacKay, D.J.C. (2003). Information Theory, Inference & Learning Algorithms. New York: Cambridge University Press.
Stankevych, S.A., Bunina, A.Ia., & Chepurnyi, V.S. (2014). Otsinka mozhlyvosti intehratsii heoloho-heofizychnykh ta dystantsiinykh heoprostorovykh danykh dlia kartuvannia rudoperspektyvnosti terytorii. Tekhnohenno-ekolohichna bezpeka ta tsyvilnyi zakhyst. Kyiv: Instytut heokhimii navkolyshnoho seredovyshcha NAN Ukrainy, 6, 53-59.
Stankevich, S.A., & Titarenko, O.V. (2012). Metodika kartirovaniya granits zalezhey uglevodorodov s ispolzovaniem dannyih distantsionnogo zondirovaniya. Aerokosmicheskiy monitoring ob'ektov neftegazovogo kompleksa. Pod red. V.G. Bondura. M.: Nauchnyiy mir, p.425-430.
Popov, M.A., Stankevich, S.A., Markov, S.Yu., Zaytsev, A.V., & Kudashev, Ye.B. (2013). Integratsiya geterogennoy prostranstvennoy informatsii dlya resheniya zadach poiska nefti i gaza. Elektronnye biblioteki, 16, 2. http://www.elbib.ru/rus/journal/2013/part2/PSMZK
Kullback, S. (1997). Information Theory and Statistics: New York: Dover Publications.
Solovev, V.O., Borisovets, I.I., Vasilev, A.N., Pavlov, S.D., Suyarko, V.G., Tereschenko, V.A., Fyik, I.M., & Scherbina, V.G. (2014). Geologiya i neftegazonosnost Ukrainyi. Harkov: Kursor.
Hladun, V.V. (2011). Perspektyvy naftohazonosnosti Dniprovsko-Donetskoi hazonaftonosnoi oblasti. Dopovidi NAN Ukrainy, 8, 91-96.
Lukin, A.E., Dovzhok, E.M., Knishman, A.Sh., Goncharenko, V.I., & Dzyubenko, A.I. (2012). Gelievaya anomaliya v neftegazonosnyih vizeyskih karbonatnyih kollektorah Dneprovsko-Donetskoy vpadinyi. DopovIdI NAN Ukrainy, 7, 97-104.
Fyorster, E., & Ryonts, B. (1983). Metodyi korrelyatsionnogo i regressionnogo analiza. Per. s nem. M.: Finansyi i statistika.
