ФИЗИКА ЗЕМЛИ, 2008, № 6, с. 68-73
УДК 550.837+550.361
ОЦЕНКА ТЕМПЕРАТУРЫ В НЕДРАХ ЗЕМЛИ ПО ИЗМЕРЕНИЯМ ЭЛЕКТРОМАГНИТНОГО ПОЛЯ НА ЕЕ ПОВЕРХНОСТИ
© 2008 г. В. В. Спичак, О. К. Захарова
Центр геоэлектромагнитных исследований Института физики Земли им. О.Ю. Шмидта
РАН, г. Троицк Моск. обл. Поступила в редакцию 27.06.2007 г.
Проведены исследования, направленные на оценку возможности осуществления бесконтактного дистанционного определения температуры в недрах Земли по магнитотеллурическим (МТ) данным, измеренным на ее поверхности. На основе нейросетевого анализа МТ и температурных данных, измеренных на Бишкекском геодинамическом полигоне в северном Тянь-Шане, обоснована принципиальная возможность осуществления бесконтактного электромагнитного геотермометра. Разработана оптимальная методика проведения измерений МТ данных и учета имеющихся термограмм, позволяющая снизить ошибки дистанционной оценки температуры до минимального уровня. Показано, что использование для калибровки электромагнитных данных 6-8 термограмм дает 12%-ую относительную ошибку прогноза, а наличие априорной геологической информации о регионе исследований позволяет ее уменьшить. Определены области практического применения бесконтактного электромагнитного геотермометра.
Ключевые слова: температура, электропроводность, магнитотеллурическое поле, термограммы, нейросети, бесконтактный электромагнитный геотермометр.
PACS: 91.25.Qi
ВВЕДЕНИЕ
Оценка температуры в недрах Земли обычно осуществляется на основе термограмм из пробуренных скважин или по данным о тепловом потоке. Между тем, оба подхода имеют свои ограничения. Так, в первом случае приходится осуществлять пространственную интерполяцию по термограммам [Высокотемпературные ..., [1991], измеренным, как правило, в не регулярно распределенных и немногочисленных скважинах, что часто приводит к существенным ошибкам. Стоит заметить в этой связи, что в работах [Спичак, Гойдина, 2005; БрюИак, 2006] для оценки температуры было предложено использовать нейросетевую интерполяцию, что позволило несколько повысить точность ее определения.
Во втором случае построение модели температуры основано на предположении о стационарности тепловых потоков на боковых границах области моделирования, а также на априорном знании теплового потока (температуры) на ее верхней и нижней границах (см., например, [Подгорных и др., 2001]). Поскольку его значения (особенно на нижней границе) заданы, как правило, очень приблизительно, построение на этой основе моделей распределения температуры также может приводить к существенным ошибкам.
Для уточнения распределения температуры в земных недрах часто прибегают к косвенным оценкам, основанным на геологических [Harvey, Browne, 2000] или геохимических [Maturgo et al., 2000] данных, однако, их применение дает, в лучшем случае, лишь оценки температуры на некоторой характерной глубине, что не позволяет получить представление о пространственном распределении температуры в исследуемом районе.
Наиболее естественным выглядит использование с этой целью информации об электропроводности пород, поскольку она зависит от температуры. В то же время, зависимость электропроводности не только от температуры, но и от водонасыщенности пород и других факторов (см. в этой связи обзор [Спичак, 2008]), а также сложное неоднородное строение недр и отсутствие данных об их свойствах, позволяло до сих пор строить лишь очень грубые теоретические модели температуры, основанные на кривых глобального электромагнитного зондирования и предположениях о механизмах проводимости [Дмитриев и др., 1988].
В настоящей работе рассматривается принципиально новый подход к оценке температуры в земных недрах (так называемый "бесконтактный электромагнитный геотермометр"), предложенный в работах [Спичак и др., 2007; Spichak et al., 2007a; б]. Он основан на измерении магнитотеллу-
• Т
лМТ
75.0 °в.д.
Рис. 1. Расположение МТ пунктов и скважин, в которых имеются температурные данные.
рических (МТ) данных на поверхности Земли, построении по ним вертикальных профилей удельной электропроводности и последующей оценке температуры с помощью искусственной нейросе-ти, обученной (калиброванной) на соответствии рассчитанных значений удельной электропроводности и известных значений температуры в отдельных точках (скважинах).
Цель настоящей работы состояла в проверке этого подхода на реальных данных, измеренных в сейсмоактивной зоне северного Тянь-Шаня, и разработке методических рекомендаций по его применению.
МЕТОДИКА ИССЛЕДОВАНИЙ
Район Бишкекского геодинамического полигона (БГП), в котором проводились исследования, расположен на севере Тянь-Шаня в Чуйской впадине (рис. 1). В работе использованы МТ данные, измеренные на территории БГП в диапазоне частот от 5 х 10-4 до 300 Гц в окрестности 13 скважин с известными температурными профилями [Дучков и др., 2001; Шварцман, 1992]. Инверсия МТ данных в каждом пункте наблюдений проводилась с использованием детерминанта кажущейся электропроводности, в результате чего были построены ее вертикальные профили.
Для исследования возможности оценки температуры в земной коре по данным МТ-зондирова-ний был использован нейросетевой подход, успешно примененный ранее для прогноза макропараметров среды по МТ данным [Спичак, Попова, 2005] и оценки распределения температуры в земной коре по термограммам [Спичак, Гойдина, 2005; Брюйак, 2006]. Исследования проводились в три этапа: сначала была проведена оценка влияния на результаты прогноза объема данных, используемых для обучения нейросети; затем было исследовано влияние на них стратегии обучения и, наконец, проведена оценка влияния локальных геологических особенностей среды.
ВЛИЯНИЕ ОБЪЕМА ДАННЫХ
Для оценки влияния объема обучающей выборки нейросети обучались последовательно на 2, 4, 6, 8, 10 и 12 парах профилей температуры и электропроводности (всюду далее "Т - МТ"), случайно выбиравшихся из общего массива данных, и тестировались на данных из МТ пунктов, наиболее близко расположенных к скважинам, в которых имеются термограммы. Для сравнения параллельно проводилось обучение нейросетей только на термограммах. На рис. 2 показано изменение относительной среднеквадратической ошибки (е) прогноза температуры в скважине для случая использования только температурных данных (треугольники), а также электромагнитных совместно с термограммами (точки). Из сравнения графиков видно, что при использовании для прогноза температуры не только температурных, но и электромагнитных данных, по мере увеличения объема обучающей выборки величина относительной
е, % 100 г
80 60 40 20
\
\
-1- \
\
\
-1- \
Над
10
12
N
Рис. 2. Средняя относительная ошибка прогноза температуры е (в %) по данным электропроводности (точки) и по термограммам (треугольники) в зависимости от количества пар профилей (К) температуры и электропроводности (или только термограмм), участвовавших в обучении нейросетей.
0
ошибки уменьшается быстрее, чем при использовании для прогноза температуры только термограмм. Кроме того, уже на выборке из 6 пар Т - МТ ошибка прогноза принимает практически минимальное значение, тогда как оценка по термограммам достигает этого уровня при использовании данных из 8-10 скважин. Из этого следует важный вывод о том, что при ограниченном количестве скважинных измерений температуры ошибку ее прогноза можно существенно уменьшить (почти вдвое), если для этого использовать не только собственно температурные, но и магнитотеллу-рические данные, измеренные на поверхности.
ВЛИЯНИЕ СТРАТЕГИИ ОБУЧЕНИЯ НЕЙРОСЕТИ
Для исследования влияния локальных особенностей земной коры между скважиной и МТ пунктом на ошибку прогноза температуры в скважине по электромагнитным данным применялись две стратегии. В первой нейросети обучались на пяти наборах случайно выбиравшихся 12 пар Т - МТ с последующим прогнозом температуры в трех скважинах, данные из которых не использовались при обучении, по данным электропроводности из ближайших МТ пунктов. При этом в случаях прогноза температуры в скважинах Т5 и Т6 было рассмотрено два варианта: с использованием профилей электропроводности из пунктов 627 и 618, а также 620 и 549, соответственно. С другой стороны, и электромагнитные данные в МТ пунктах 618 и 550 анализировались совместно с термограммами, измеренными не только в скважинах Т6 и Т1, но и в скважинах, соответственно, Т11 и Т14.
В рамках второй стратегии нейросеть обучалась "вслепую" на всех имеющихся МТ данных, затем с ее помощью делался прогноз электропроводности на глубинах, где измерены значения температуры в скважинах и, наконец, нейросеть, обученная на соответствии электропроводности и температуры в 14 парах Т - МТ, использовалась для прогноза температуры в скважине, данные из которой не использовались при обучении. Для того, чтобы сравнить результаты прогноза температуры, сделанного по электромагнитным и геотермическим данным, с результатами, полученными с помощью нейросетей, обученных только на температурных данных, мы обучали нейросети на тех же термограммах, которые использовались выше (и только на них) и осуществляли прогноз в тех же скважинах.
Результаты прогнозов представлены в таблице и на рис. 3. Ошибки прогноза температуры по первой методике (использовании данных электропроводности из ближайшего МТ пункта) представлены в таблице в столбце, помеченном цифрой "1"; ошибки прогноза по второй методике ("слепом" использовании всех имеющихся МТ
данных) даны в столбце, помеченном цифрой "2"; и, наконец, ошибки прогнозов, выполненных только на основании термограмм, представлены в столбце, помеченном цифрой "3".
Среднее значение относительной ошибки прогноза температуры, выполненного согласно первой методике, составляет 11.89%, что явилось для данного района неожиданно высоким результатом, поскольку он характеризуется сложным геологическим строением и большим разбросом температурных распределений [Захарова и др., 2005]. Средняя относительная ошибка прогноза, выполненного по второй методике, составила 29.9%, в то время как в случае прогноза, осуществленного только по выборкам термограмм,
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.