inversión sísmica con redes bayesianas alumno: fidel reyes ramos asesor: dr. guillermo morales...
TRANSCRIPT
Inversión sísmica con redes bayesianas
Alumno: Fidel Reyes Ramos
Asesor: Dr. Guillermo Morales Luna
Contenido
Introducción Objetivo Descripción Presentación de modelos Perspectivas
Motivación
La predicción de propiedades de rocas es importante debido a que: Se describe la estructura geológica de los
yacimientos Con ello, se planea su exploración, producción y
costo.
Objetivos
Encontrar relaciones de dependencia entre:1. Propiedades físicas de las rocas A) Determinar la incertidumbre en los
cálculos B) Mediante modelos dinámicos1. Propiedades físicas entre diferentes pozos A) Dirigidas por la proximidad entre los
pozos B) Mediante Redes Bayesianas
Metodología
Construir redes bayesianas que describan las relaciones de dependencia entre Propiedades físicas de las rocas Propiedades entre diferentes pozos petroleros
Registros de pozos
Cálculo de propiedades de roca (1/2) Las propiedades de roca se determinan por
modelos bien conocidos. Tales modelos Son escogidos de acuerdo a la hipótesis de la
geología subyacente Tienen parámetros que dependen de esta
geología Se les calcula algorítmicamente como se muestra
enseguida.
Cálculo de propiedades de roca (2/2)
VCL
LitofaciesMineralogía Porosidad
Rt
IFr K
F
SW
Inversión
Es todo aquel procedimiento que hace corresponder un modelo a una serie de datos dados (Scales, 2000)
Métodos de estudio
Determinación de propiedades mediante formulamientos de geofísica
El que aquí se propone: Resolver el problema inverso por medio de redes bayesianas
Incertidumbres por modelar
El modelo probabilístico es apropiado debido a que ahí se expresa factores inciertos como: Ruido en los datos Criterios para decidir si los factores modelados
son suficientes para el caso de estudio.
Problemas al estudiar un yacimiento Los datos que se toman tienen ruido y su
apreciación un nivel de incertidumbre, debido al gran número de factores que intervienen en su adquisición
La fluctuación de los datos parece aleatoria ya que hay procesos involucrados que no se conocen con certeza
Expresión probabilística de un modelo geofísicoTarantola (1987) propone incluir esta incertidumbre
mediante la expresión:
donde g(D) es el modelo geofísico y
CD es la matriz de covarianza que incluye las incertidumbres del modelo
)))(())((21
exp()|( 1 DDgCDDgGDP DT
Antecedentes de la aplicación de este enfoque Loures, Luiz G., Bayesian porosity inference using rock physics and
geostatistical modeling, Geophysics, CSEG, 2002. Mukerji, T., Jorstad, A., Makvd, G, Granil, J., Applying statistical rock
physics and seismic inversion to map lithofacies and pore fluid probabilities in a North Sea reservoir, URE, Norgewian University of Science and Technology , 2002
Peres Gouveia, W., Bayesian Seismic Waveform Inversion, Ph. D. Doctoral dissertation, Colorado School of Mines, 1996.
Propiedad concreta: Cálculo de volúmenes de minerales Volúmenes de
minerales: Describen la composición de minerales en las rocas
Entradas: Datos del pozo:
Densidad, Porosidad, Sónico
Centroides
Son los valores característicos de Densidad, Porosidad y Sónico medidos en el laboratorio de minerales puros
En un “crossplot” de los datos del pozo, estos datos representan “centroides”
calcita dolomita lutita fluidoDensidad 2.71 2.87 2.5 1.0Sónico 46.0 43.5 90.0 189.0Porosidad 0.01 2.5 30.0 100.0
Ejemplo:
Sea una sección de roca que se compone de:
20% Calcita (Azul) 60% Dolomita (Rosa) 15% Lutita (Verde) 5% Porosidad (Blanco)
002.11
25.58
689.2
05.
15.
60.
20.
0.100,0.30,5.2,01.0
0.189,0.90,5.43,0.46
0.1,5.2,87.2,71.2
Reproducción de datos: Multiplicar la matriz de centroides por los volúmenes
Cálculo de volúmenes de minerales Vi y “Phi” son las
incógnitas Los otros términos en
las ecuaciones son datos de los “centroides”
Los términos independientes son los datos del pozo
Restricción:1321
]1,0[,
VVV
Vi
Definiciones
Espacio latente: El espacio de soluciones posibles del simplejo positivo de dimensión 4 con K elementos.
: un conjunto de datos de un pozo : un conjunto de
centroides de los minerales supuestos : una matriz para realizar una trans-
formación lineal entre X y Y
1SX
3Y
432,1 ,, aaaaA
WWAxy
Transformación entre espacios
Espacio de Soluciones (Latente) Espacio de Datos
Transformación
Definiciones 2
p : la probabilidad uniforme sobre todos los elementos del espacio latente
Probabilidad condicional de cada por cada
Probabilidad marginal:
K
iixx
Kxp
1
)(1
)(
)||||2
1exp()2(),,|( 2
22/22
ijn
ij WAxyWxyP
K
iijijj WxyP
KdxXpWxypWyP
1
222 ),,|(1
)(),,|(),|(
jy ix
Problema
Maximizar el logaritmo de la probabilidad conjunta:
N
jj
N
jj
WyP
WyPWL
1
2
1
22
)),|(log(
)),|(log(),(
Solución Sea una densidad de de probabilidad
(no-nula), entonces
dxxQ
xypxQ
dxxQ
xypxQyP
j
jj
)(
)|,(log)(
)(
)|,()(log)|(
),|()( jyxPxQ
)(: xQxQ
La probabilidad posterior es
La cota (1) se maximiza usando la probabilidad posterior
(1)Desigualdad de Jensen
Solución
Al sumar (1) sobre todos los datos , se obtiene
donde
K
i
N
jijji xyPyxPyL
1 1
),|(log),|()(
},{ 2W
jy
Solución
Al derivar por los miembros del conjunto de parámetros y despejar cuando las derivadas son cero, se tiene
Para obtener W se utilizó la “Descomposición de Valor Singular”
),,|( 2WyxPR jiji
K
i
N
jijji WAxyR
N 1 1
22 ||||31
K
i
N
j
Tii
K
i
N
jijji AxAxWAxyR
1 11 1
))((
Comentarios
A este método de solución se le denomina “varacional” (Grahramani et al, 1999)
Al experimetar con probabilidad a priori, convergió más rápido, si una de ellas es mucho más grande que las otras
Se está trabajando para un número arbitrario de minerales
Algoritmo implementado para calcular volúmenes Algoritmo CalculaVolumenes Entradas Conjunto X Conjunto Y Matriz de Centroides A Tolerancia Eps Salida: Para cada encontrar un tal
que sea máxima Parámetros
Yy j Xxi
jiR
},{ 2W
Algoritmo BEGIN Inicializar parámetros, Lant y L Mientras fabs (Lant - L) > Eps BEGIN PASO E: Calcular L y para cada y Paso M: Calcular Lant = L END END
Yy j Xxi
jiR
},{ 2W
Convergencia
(Neal and Hinton, 1998) Probaron que: Maximizar por una parte, L con respecto a Y luego maximizar L con respecto a Maximiza la probabilidad conjunta (Dempster et al, 1977) Probaron que cada iteración
de este algoritmo es no decreciente (y es acotada) por tanto debe converger.
ATENCION: Probaron la convergencia, mas no la tasa de convergencia!
},{ 2W
jiR
Resultados
Resultados
Método Tradicional de Cálculo
Incorporación de conocimiento previo Sea la base canónica en Sea una probabilidad dada sobre cada vector La probabilidad de cada ahora es:
Y la probabilidad marginal es:
4)( ieP
1)(4
1
i
ieP
Xxi )
21
exp()2(
1)|(
2
2/4 ijij exexP
4
1
)|()()()|()(i
mjmjj exPePdeePexPxP
}4,3,2,1,{ iei
Incorporación de conocimiento previo La probabilidad de cada ahora es:
La probabilidad posterior es:
Yy j
K
iijij xyPxPyP
1
),|()()(
)(
)(),|()|( ,
j
iijixji yP
xPxyPyxPR
Incorporación de conocimiento previo Una nueva cota para L es:
Que tendría las mismas soluciones que para el caso anterior excepto que la probabilidad a posteriori y para cada dato se calcula diferente
N
j
K
i
N
j
K
iijjiiji
N
j
K
iijiji
N
jj
WxyPRxPR
WxyPxPRyP
1 1 1 1
2
2
1 11
)),,|(log())(log(
)),,|()(log()(log
Convergencia: L
Verosimilitud
-4000
-3000
-2000
-1000
0
1 3 5 7 9 11 13 15 17 19
Serie1
Convergencia: W
-20
-15
-10
-5
0
5
10
15
1 3 5 7 9 11 13 15 17 19 21
W11
W12
W13
W21
W22
W23
W31
W32
W33
Determinante
0
1
2
3
4
1 3 5 7 9 11 13 15 17 19 21
Determinante
Convergencia: Varianza
Varianza
0
0.5
1
1.5
Iteraciones
Varianza
Px = (.3,.1,.3,.3)
Publicaciones presentadas
Póster: Reyes Ramos, Fidel y Molina Félix, Luis Carlos, Lithofacies characterization by means of Generative Topographic Maps, IJCAI, Acapulco, Agosto de 2003
Sometido como: Reyes-Ramos Fidel Conditional Inversion for Mineral Volumen Characterization, 2004 International Conference and Exhibition of the AAPG, Cancún 2004
Problemas por resolver
1. Condicionamiento automático
Maximizar
Sujeto a:
Método de solución: Multiplicadores de Lagrange
N
j
K
i
N
j
K
iijjiiji WxyPRxPRWL
1 1 1 1
22 )),,|(log())(log(),(
4
1
1)(i
ieP
Aceleración de Convergencia
Aplicar algún método de optimización (de direcciones conjugadas o gradiente) con el fin de acelerar la convergencia
Volúmenes condicionales
Definición: Sea un conjunto de variables aleatorias que representan volúmenes de minerales
Una red bayesiana de U es el par donde G es un grafo dirigido, un conjunto de parámetros
La red bayesiana expresa: un nodo es independiente de sus no descendientes dado sus padres (???)
La red bayesiana expresa una probabilidad conjunta de las variables aleatorias
Pozo 1
Pozo 2
Pozo 3
Pozo 5
Pozo 6
Pozo 4
,G
},,{ 1 NWWU
Método para generar modelos: Triangulación de Delaunay Definición: Dado una serie de puntos en el plano, una
triangulación de Delaunay se forma de triángulos cuyo ángulo mínimo sea el mayor posible
Los vértices de cada triángulo caen en el perímetro de un círculo, el cual no incluye a otro punto.
Su construcción se realiza en tiempo de O(nlogn) (Knuth et al)