Hidrológiai Közlöny 1994 (74. évfolyam)

4. szám - Cserepes László–Drahos Dezső–Salát Péter: Vízkutató fúrások karotázsméréseinek minőségellenőrzött értékelése

236 HIDROLÓGIAI KÖZLÖNY 1994. 74. ÉVF. 2. SZÁM ben függetlenek. Az eredményeket annál jobbnak tekintjük, minél kisebbek a becslések szórásai és a korrelációs együtthatók értéke minél közelebb van nullához. A kovariancia mátrixból leszármaztatható mennyiségeken kívül az eredmények minőségét jellemzi még a \(p) függvény minimumértéke (redukált inkoherencia), valamint az M

h T

k menynyiségek "közelsége" (az e^-k abszolút értéke) is. Mindezeket a minőségellenőrzés kvantitatív mérőszámainak nevezzük. Az esetek nagy részében előfordul, hogy a keresett ismeretlen paraméterekről már van valamilyen előzetes információnk (apriori ismeretünk) és azt is be akarjuk építeni a végső eredményekbe. Ekkor a Bayes-féle kritériumból kiindulva a következő feltételt kell kielégíteni: k iM

k-T

k(pX

t)]

2 brPj

1 (15) értéke is kisebb-nagyobb hibával terhelt. A tapasztalatok szerint a kétféle hibaforrás közül a modellhiba jelent nagyobb járulékot a av szórásban. Jelöljük <r

fcmír4

j-sel a mérési hibát jellemző szórást és <i

kmaU

U-lel a modellhibát jellemző szórást és tegyük fel, hogy a kétféle hiba egymástól független, akkor ezek eredőjének szórásnégyzete (16) A képletben p

a

i jelenti a p

t ismeretlen modellparaméterre vonatkozó apriori becslést és a

a

i ennek szórását. Visszatérve a (12) egyenlethez, az egyes modellek közötti választás a minőségellenőrzés mérőszámai alapján történik. Értékelési tapasztalatok szerint a bemeneti hibák növekedésével nő az eredmények hibája (szórása). Kevésszámú komponensből álló modellek paraméterbecslései általában nagy inkoherenciát mutatnak, de a paraméterek korrelációja kismértékű, szórásuk elfogadható. Sok komponensből összetett modelleknél jellemző az inkoherencia csökkenése és a becslések közötti korreláltság megnövekedése. Végül az értékelő dönti el, hogy mely mérőszámokat veszi alapul, amikor választ a modellek között. 5. A bemeneti szelvények minősítése A (13) képletben és a (15) formula első tagjában az egyes tagok w

k=l/a

k súllyal járulnak hozzá az összeghez. A feladat megoldásához az e

k véletlen eltérések nagyságát jellemző szórásokat ismernünk kell. Az e

k véletlen eltérésnek két, egymástól elkülöníthető komponensből, a mérési hibából és a modell hibából tevődik össze. A mérési hibát okozó számos tényező közül megemlítjük a mérőeszközök nullpont- és erősítés bizonytalanságát, a kalibráció pontatlanságát, az adatátvitel és AD konverzió hibáit, a mélységegyeztetés hibáját, a részecskeszámlálás statisztikus hibáját stb. Mindezek közös tulajdonsága, hogy a hatásuk valamilyen mértékig csökkenthető, például stabilabb elektronikus áramkörök alkalmazásával, valósághűbb kalibrációs etalonokkal, korrelációs szelvénnyel való mélységegyeztetéssel, érzékenyebb részecskedetektor, illetve erősebb rádioaktív sugárforrás alkalmazásával stb. A hibák másik csoportját az approximáció következtében keletkező eltérések alkotják: pontszerű elektródákat, sugárforrásokat, detektorokat tételezünk fel a valóságban véges méretűek helyett, a valóságban inhomogén környezetet ideálisan homogénnek gondoljuk, egyszerűsített kőzetmodelleket használunk (a., b. és c. modellek), a válaszfüggvények egy része empirikus vagy félempirikus formula, és a váiaszfüggvényekben szereplő konstansok lesz. A kérdés ezekután, hogy milyen módon lehet a szórásokat meghatározni. Elvileg ismert környezetben teszt méréseket kell végezni minden egyes mérőeszközzel, minden lehetséges kőzetmodellre és minden egyes válaszfüggvényre, majd statisztikus vizsgálattal meghatározni a <r

t szórások empirikus formuláit. Nyilvánvaló, hogy ez rendkívül sok munkát jelent és a gyakorlatban nehezen kivitelezhető. Ehelyett azonban többféle lehetőség kínálkozik a szórások közelítő meghatározására: -Szubjektív adatminősítés A szelvényértelmező geofizikusnak gyakran van visszajelzése az értékelése eredményeinek pontosságáról, megbízhatóságáról. Ennek alapján meg tudja ítélni az egyes eszközök, az alkalmazott modellek és mérési adatok megbízhatóságát. Végül az összegyűlt tapasztalatokat kvantitatív formába öntve meg tudja adni az egyes eszközök különböző közegmodellekre vonatkozó w

k súlyait. -Esettanulmányok elemzése Olyan publikált szelvényértékelési eredmények, amelyekben föl van tüntetve a bemeneti szelvények hiba intervalluma, hasonló környezetben és hasonló modellek esetén és hasonló mérési komplexumra információt jelentenek az egyes szelvények relatív súlyainak meghatározásához. -Rekurzív adatminősítés Ismert litológiájú területen vagy a fúrás ismert litológiájú szakaszán a súlyok egy első közelítő értékéből indulunk ki. A súlyokat ezután úgy változtatgatjuk, hogy az értékelési eredmények fokozatosan megközelítsék a már ismert litológiai összetételt. Az így kapott súlyokat ezután a vizsgált terület más részein, vagy a kút más szakaszain is alkalmazzuk. Tapasztalataink szerint a szórások értékei (a nem túl sok ismeretlent tartalmazó b. és c. modelleknél) az egyes mérőeszközökre az alábbi intervallumokba esnek: mérés szórás intervallum egység természetes potenciál .25-.35 SP

clay~S P,ilica term. gamma aktivitás .2 -.3 GR

cla

y-GR

Jllic;

> normál ellenállás .3 -.4 log skálán laterolog ellenállás .25-.35 log skálán gamma-gamma sűrűség .05-. 1 g/ccm szónikus terjedési idő 25-35 /is/m neutron porozitás .05-.1 tizedes 6. A szelvényértékelés végrehajtása A statisztikus minőségellenőrzött értékelést több egymásután következő lépésben hajtjuk végre. Ezek a következők: