Автоматизированная интерпретация изображения ствола скважины

АВТОМАТИЗИРОВАННАЯ ИНТЕРПРЕТАЦИЯ ИЗОБРАЖЕНИЯ СТВОЛА СКВАЖИНЫ Способ анализа характеристик подземного пласта включает в себя передачу сигнала, по меньшей мере частично, в породу подземного пласта так, что сигнал трансформируется способом, указывающим характеристику породы, прием трансформированного сигнала из породы, преобразование трансформированного сигнала в данные изображения, указывающие характеристику породы, применение первого набора машинно-исполняемых инструкций к данным изображения для формирования сегментированных данных изображения, при этом участки изображения, достаточно соотнесенные, согласно примененным инструкциям группируют в сегменты, и анализ согласно второму набору машинно-исполняемых инструкций сегментированных данных изображения для выработки геологического профиля подземного пласта. 016499 Область техники Настоящее изобретение относится, в общем, к определению характеристик геологических данных и, конкретнее, к автоматизированной интерпретации данных каротажной диаграммы ствола скважины. Предшествующий уровень техники Скважинные данные собирают посредством ряда методик, включающих в себя измерения удельного электрического сопротивления/удельной электропроводности, ультразвуковые измерения, измерения ядерно-магнитного резонанса и рассеяния излучения, например. Обычно скважинные данные анализируют интерпретаторы-специалисты для определения характеристик подземного геологического пласта для обеспечения принятия решений, касающихся потенциала скважины, или для определения информации о природе окружающей геологической площади. Скважинные данные такого типа можно использовать для замены или дополнения сбора образцов керна для прямого исследования. Сущность изобретения В аспектах вариантов осуществления настоящего изобретения предложен способ анализа характеристик подземного пласта, включающий в себя этапы, на которых передают сигнал, по меньшей мере частично, в породу подземного пласта так, что сигнал трансформируется способом, указывающим характеристику породы, принимают трансформированный сигнал из породы, преобразуют трансформированный сигнал в данные изображения, указывающие характеристику породы, применяют первый набор машинно-исполняемых инструкций к данным изображения для формирования сегментированных данных изображения, при этом участки изображения, достаточно соотнесенные, согласно примененным инструкциям группируют в сегменты и анализируют согласно второму набору машинно-исполняемых инструкций сегментированные данные изображения для формирования геологического профиля подземного пласта. В аспекте варианта осуществления настоящего изобретения предложено устройство для анализа характеристик подземного пласта, включающее в себя зонд, сконфигурированный и выполненный с возможностью передачи сигнала, по меньшей мере частично, в породу подземного пласта и приема трансформированного сигнала из породы, при этом трансформированный сигнал трансформирован способом,указывающим характеристику породы, процессор, сконфигурированный и выполненный с возможностью преобразования трансформированного сигнала в данные изображения, указывающие характеристику породы, и применения первого набора машинно-исполняемых инструкций к данным изображения для формирования сегментированных данных изображения, при этом участки изображения, достаточно соотнесенные, согласно примененным инструкциям группируют в сегменты, и применения второго набора машинно-исполняемых инструкций для анализа сегментированных данных изображения для формирования геологического профиля подземного пласта. В другом аспекте варианта осуществления настоящего изобретения предложено устройство для анализа характеристик подземного пласта, включающее в себя информационную шину, сконфигурированную и выполненную с возможностью приема от зонда данных, представляющих характеристики породы в стволе скважины, и процессор, сконфигурированный и выполненный с возможностью приема данных из информационной шины и преобразования данных в данные изображения, указывающие характеристики породы, применения первого набора машинно-исполняемых инструкций к данным изображения для формирования сегментированных данных изображения, при этом участки изображения,достаточно соотнесенные, согласно примененным инструкциям группируются в сегменты, и применения второго набора машинно-исполняемых инструкций для анализа сегментированных данных изображения для выработки геологического профиля подземного пласта. В другом аспекте варианта осуществления настоящего изобретения создан машиночитаемый носитель, кодированный машиночитаемыми инструкциями для выполнения способа анализа характеристик подземного пласта, включающего в себя передачу сигнала, по меньшей мере частично, в породу подземного пласта так, что сигнал трансформируется способом, указывающим характеристику породы, прием трансформированного сигнала из породы, преобразование трансформированного сигнала в данные изображения, указывающие характеристику породы, применение первого набора машинно-исполняемых инструкций к данным изображения для выработки сегментированных данных изображения, при этом участки изображения, достаточно соотнесенные, согласно примененным инструкциям группируют в сегменты и анализируют согласно второму набору машинно-исполняемых инструкций сегментированные данные изображения для формирования геологического профиля подземного пласта. Данные и другие задачи, признаки и отличия настоящего изобретения, а также способы работы и функции относящихся к нему элементов структуры, комбинации частей и экономика изготовления должны стать более ясными из рассмотрения следующего описания и прилагаемой формулы изобретения с прилагаемыми чертежами, всего, что образует части данного описания, в котором одинаковые позиции указывают одинаковые элементы. Должно быть сразу понятно, вместе с тем, что чертежи предназначены только для иллюстрации и вместе с описанием не предназначены ограничивать изобретение. При использовании в подробном описании и формуле изобретения признаки изобретения, используемые в единственном числе, могут быть использованы во множественном числе, если иное ясно не следует из контекста.-1 016499 Краткое описание чертежей На фиг. 1 показан пример скважинного зонда согласно варианту осуществления настоящего изобретения; на фиг. 2 а и 2b показаны виды сбоку и спереди соответственно участка датчика зонда, показанного на фиг. 1; на фиг. 3 схематично показан зонд, связанный с компьютером, согласно варианту осуществления изобретения; на фиг. 4 показаны данные изображения и сегментированные данные изображения, представляющие измерения удельного электрического сопротивления; на фиг. 5 показан пример функции нечеткой классификации, относящей цвет по принадлежности к классу; на фиг. 6 показана блок-схема этапов способа согласно варианту осуществления изобретения; на фиг. 7 показана иерархия классов согласно варианту осуществления настоящего изобретения. Подробное описание вариантов осуществления настоящего изобретения На фиг. 1 показан зонд 10 для использования при определении характеристик ствола скважины,включающий в себя, в общем, удлиненную штангу 12, имеющую на одном конце ряд выступающих наружу элементов 14. Выступающие наружу элементы 14 могут, каждый, включать в себя датчик 16 (показано более подробно на фиг. 2 а и 2b) для изучения зоны 18 ствола скважины. Показанный датчик 16 включает в себя множество пар сенсоров 20 для мониторинга изменения напряжения, наведенного на участке 22 зоны 18, когда ток подан на электроды 24 ввода тока. Одним примером подходящего зонда 10 является устройство, поставляемое под торговой маркой OBMI фирмой Schlumberger Technology Corp.,Houston, Тех. Хотя датчик 16, показанный на фиг. 2 а и 2b, сконструирован и выполнен для измерения электрических характеристик породы ствола скважины, датчик показан только в качестве иллюстрации, и различные датчики можно использовать в различных вариантах осуществления настоящего изобретения. В частности, предусмотрена возможность использования измерения удельного электрического сопротивления, ультразвуковых или других акустических волн, электрического импеданса в комплексной форме,коэффициента отражения или пропускания гамма-излучения, коэффициента отражения или пропускания нейтронов, ядерного магнитного резонанса, синтезирования изображения и/или спектрометрии. Соответственно датчики 16 можно выбирать для производимых измерений включающими в себя в качестве не ограничивающего примера источники электроэнергии и детекторы, источники излучения и детекторы и акустические приемопередатчики. Как должно быть ясно, в данном способе может являться целесообразным включение в состав зонда датчиков нескольких типов на одном зонде 10 и использование различных их комбинаций. В эксплуатации зонд 10, в общем, спускают в ствол скважины для определения характеристик. После достижения необходимой глубины, которая может соответствовать глубине забоя скважины, или выбранной промежуточной глубины зонд поднимают из скважины и производят измерения при подъеме зонда сквозь породу. Во многих вариантах зонд 10 должен иметь четыре датчика 16 для определения характеристик скважины в каждом из четырех направлений, которые можно обозначить как 0, 90, 180 и 270, например. Работа зонда 10 должна быть описана с использованием являющихся примером электрических датчиков, показанных на фиг. 2 а и 2b. Хотя измерения электрического удельного сопротивления описаны здесь подробно, конкретные детали должны изменяться согласно конкретному датчику, использующемуся в данном варианте исполнения. Зонд 10 производит измерения посредством передачи с электродов 24 электрического сигнала постоянного или переменного тока или иного изменяющегося электрического тока I, по меньшей мере частично, в зону 18 породы ствола скважины. Как должно быть ясно, проникновение сигнала должно зависеть, частично, от природы измерения. Измерение коэффициента отражения почти не включает в себя проникновение вглубь изучаемой породы, тогда как измерение электрического удельного сопротивления требует распространения сигнала на некоторое расстояние в породу. Вместе с тем, каждая из указанных выше степеней проникновения должна относиться к объему, охватываемому настоящим изобретением. В случае измерения электрического удельного сопротивления сигнал распространяется через породу и принимается сенсорами 20. Сенсоры 20 измеряют изменение V напряжения на участке 22 зоны 18,указывающее характеристику (в данном случае удельное электрическое сопротивление) породы, присутствующей в подземном пласте определения характеристики. В варианте осуществления удельное электрическое сопротивление R породы на участке 22 можно рассчитать на основе формулы: R=k(V/I), где I - сила тока, производимого электродами 24, и k - геометрический коэффициент, который может быть задан на основании геометрии электродов 24 и сенсоров 20. Как должно быть ясно, данная формула зависит от породы, являющейся относительно однородной на расстоянии между электродами 24. По данной причине масштабный коэффициент k можно исполнять как динамическое масштабирование, которое может давать дополнительную детализацию. Данные, собранные зондом, передаются по кабелю, хотя соединение можно также одинаково целе-2 016499 сообразно выполнить беспроводным способом, на компьютер 25, который может быть, например, размещен на буровой установке, где данные может принимать информационная шина 26 компьютера 25,которая может иметь любой подходящий тип, и сохраняются, например, на машиночитаемом запоминающем устройстве 27, таком как жесткий диск, оптический диск, флэш-запоминающее устройство, оперативное запоминающее устройство с произвольной выборкой или другое средство для работы с процессором 28 компьютера 25. Как показано на фиг. 4, данные можно преобразовать в графическую форму, такую как данные 30 изображения, для демонстрации на дисплее и/или дополнительной обработки. Графические данные можно сохранять как полноцветные данные (например, 24-разрядные данные алгоритма JPEG) или одноцветные данные либо данные нейтрально-серой шкалы. В примерах, описанных ниже, начальным преобразованием является преобразование в полноцветное изображение, и конкретные каналы можно разделять для анализа, при необходимости. Для примера, показанного на фиг. 3, данные первоначально являются цветными, но преобразованными в данные нейтрально-серой шкалы исключительно для представления их на чертежах патентной заявки. При этом более темные области данных 30 изображения представляют зоны относительно высокой электропроводности, и более светлые области представляют зоны относительно высокого электросопротивления. Более темные зоны более высокой электропроводности можно интерпретировать как сланцы, более светлые зоны большего электросопротивления могут являться песчаниками. Данные 30 изображения сегментируют на основании, например, гомогенности локальных областей для формирования сегментированных данных 30' или 30" изображения. Сегментирование можно выполнять посредством анализа данных изображения с использованием программного обеспечения, определяющего гомогенность изображения, например программного обеспечения eCognition производстваDefiniens AG, Munich, DE, основанного, по меньшей мере частично, на цвете и местоположении элементов картины. В варианте осуществления, использующем программное обеспечение eCognition, параметр, именуемый в данном программном обеспечении "масштабом", можно выбирать так, что сегменты имеют размер, адекватный для анализа, подлежащего выполнению. Изобретатели определили, что для стволов скважин с глубиной, обычной для нефтеразведки, приблизительный масштаб 200 в системе программного обеспечения eCognition является подходящим и дает сегменты, имеющие адекватный размер для стратиграфического анализа, аналогичный показанным в сегментированных данных 30" изображения, которые использованы как пример для данного описания, хотя объем изобретения, конечно, не должен быть ограничен данным конкретным вариантом реализации. Данный параметр сегментирования приблизительно соответствует сегментам, имеющим масштаб порядка около 1 м, который изобретатели находят целесообразным для типа породы и геологических историй, с которыми обычно сталкиваются. Конкретно, сегменты могут иметь величину между 0,05 и 5 м, конкретнее между 0,2 и 0,8 м. Как должно быть ясно, масштаб можно изменять согласно конкретному требованию к разрешению в любом конкретном случае. При проведении сегментирования изобретатели дополнительно определили, что является целесообразным использование критерия, отдающего предпочтение сегментам с приблизительно равными площадями. Аналогичный способ можно использовать для определения характеристик данных плотности (или,действительно, любого типа данных), преобразованных в изображение. В частности, изобретатели определили, что может являться целесообразным включение в состав данных плотности, как изображения шкалы серых тонов, которое можно пространственно согласовывать с изображением каротажной диаграммы удельного электрического сопротивления. После сегментирования данных второй ряд инструкций можно исполнить в компьютерном процессоре для дополнительного анализа сегментированных данных 30" изображения. Один пример такой инструкции на фиг. 5 показывает, как может быть задана нечеткая инструкция, определяющая, принадлежит (1,0) или не принадлежит (0) конкретный сегмент к конкретному классу на основании величины 8 разрядного цвета. Хотя в теории является возможным задавать инструкции, содержащие четкие границы пропускания (например, функции прямоугольных колебаний или ступенчатые), обычно они не должны рассматриваться как вариант, и нечеткие классификации должны давать лучшие результаты. Более того,каждая инструкция классификации может сама включать в себя множество нечетких функций принадлежности. Следующий пример 1 дает больше подробностей по исполнению подхода классификации на базе инструкций. Констатируем, что хотя в описанном примере используют двоичные классификации,может быть целесообразным создание троичных или других, более высокого порядка систем инструкций разделения. Пример 1. На фиг. 6 показана блок-схема последовательности операций способа согласно варианту осуществления изобретения. Как описано выше, датчики 16 зонда передают на этапе 32 сигнал в ствол скважины. Преобразованный сигнал принимают на этапе 34 датчики 16 и передают на компьютер 25 для обработки. Данные преобразуют в данные изображения на этапе 36 и сегментируют на этапе 38 для формирования сегментированных данных 30" изображения. Ряд инструкций иерархической классификации применяют к сегментам сегментированных данных 30" изображения, как показано на фиг. 7. На каждом этапе иерар-3 016499 хической классификации выполняют двоичное разделение между выбранной классификацией и остаточными фациями. Как можно видеть на фиг. 7, сегментированные данные 30" изображения и фоновые компоненты 50 данных разделяют, формируя сегментированные изображения 52 зонда OBMI. Эти действия совершают, задавая функцию принадлежности, то есть единичную импульсную функцию, или пиковое отклонение. Одним примером пикового отклонения является пиковое отклонение одной величины по ширине с центром на значении 151 для каждого из трех (красный-зеленый-синий) цветных каналов (то есть для каждого цвета принадлежность равна принадлежности для значения 151 цвета и равна нулю для всех других величин). После удаления фона остающиеся данные содержат изображения зонда OBMI. Изображения 52 OBMI затем разделяют на два класса, класс 54 SSM (массив песчаника) и класс 56 не SSM (не массив песчаника). Как описано выше, песчаник можно, в общем, отделить, как имеющий относительно светлый цвет, таким образом, в примере функции принадлежности, которые вместе задают класс 56 SSM, относятся к интенсивности цвета сегмента изображения и выглядят аналогично функции,показанной на фиг. 5. В частности, для каждого из цветов - красного, зеленого и синего - функция принадлежности задана кривой в форме буквы s, аналогичной показанной на фиг. 5, с увеличением с изменяющейся скоростью от нулевой точки до 255. В примере центр s-образной формы находится в средней точке диапазона красного и зеленого, а синий ограничен диапазоном 50-150 с центром на 100. Дополнительно к этому, функция классификации SSM (массив песчаника)/не SSM (не массив песчаника) наследует функцию предыдущего этапа (то есть функции пикового отклонения, которые использовали, чтобы отличать классы изображений фона/зонда OBMI). Сегменты 56 не SSM (не массив песчаника) затем дополнительно разделяют на класс 58 с напластованием и класс 60 без напластования. Аналогично предыдущему этапу функцию классификации не SSM(не массив песчаника) и нефоновую функцию наследуют в функции без напластования. Дополнительно к этому, функция без напластования включает в себя дополнительные функции нечеткой классификации,относящиеся к текстуре и интенсивности цвета. Для анализа текстур в выполнении данной классификации применяют функцию контраста (направления 0) матрицы совместной встречаемости серого уровня (GLCM) и функцию стандартного отклонения (направления 0) матрицы совместной встречаемости серого уровня (GLCM) к красному компоненту элементов множества класса не SSM (не массив песчаника). Как должно быть ясно, концевые точки функции матрицы совместной встречаемости серого уровня (GLCM) не являются значениями 0 и 255,как для интенсивности цвета, но зависят от диапазона присутствующих текстур (в примере значения 1400-1800 с центральной точкой на 1600). Каждая из функций представляет собой s-образную кривую типа, показанного на фиг. 5, и использует направление матрицы совместной встречаемости серого уровня (GLCM). В дополнение к текстурному анализу используют аналогичную кривую для интенсивности красного цвета. В примере дополнительная функция гомогенности (направления 0) матрицы совместной встречаемости серого уровня (GLCM) с аналогичной s-образной кривой, но реверсивной, поскольку снижается слева направо, а не поднимается, оставалась неработающей, вместе с тем включение в состав функции гомогенности может являться целесообразным при условии отличающегося набора данных. Для понимания функция контраста (0) матрицы совместной встречаемости серого уровня (GLCM) назначает более высокие величины принадлежности сегментов изображения с напластованием, имеющих относительно более высокие величины контраста в вертикальном направлении, и, как упомянуто выше,функция применяется к красному компоненту. Аналогично, функция гомогенности (0) матрицы совместной встречаемости серого уровня (GLCM) назначает более низкие величины принадлежности (вследствие реверсивной кривизны) для более высоких величин гомогенности в вертикальном направлении,также с применением к красному каналу. Путем сравнения диапазон предсказуемости величин для гомогенности (0) матрицы совместной встречаемости серого уровня (GLCM) находится в значениях от 0 до 0,25 с центром в 0,125. Наконец, стандартная функция отклонения (0) матрицы совместной встречаемости серого уровня (GLCM) назначает более высокие величины принадлежности для сегментов с более высокими величинами стандартного отклонения в вертикальном направлении для красного компонента. Также путем сравнения величины в диапазоне предсказуемости для данной функции в примере имеют значения 33-53 с центром 43. Хотя сегменты с напластованием можно отделить от сегментов без напластования с использованием текстуры и цвета данных удельного электрического сопротивления, может быть сложно отделить конкретные типы сегментов с напластованием от любых других на основе электрического удельного сопротивления. То есть для удельного электрического сопротивления каждый класс имеет сходные характеристики. Для преодоления данной проблемы сегменты 58 с напластованием разделяют на классы 62,64, MIB (переслаивающийся) и MIX (тонкопереслаивающийся) на основании данных гамма-каротажа, в котором эти два класса имеют отличающиеся характеристики. В частности, среднюю величину гаммакаротажа для сегмента оценивают с использованием ступенчатой функции, имеющей критерий порога отбора. Сегменты, соответствующие критерию отбора, идентифицируют как MIX (тонкопереслаивающийся) 64, а оставшиеся идентифицируют как MIB (переслаивающийся) 62, в примере диапазон составляет 145-215, и порог установлен на 180. Как упомянуто выше, все дополнительные функции более вы-4 016499 сокого уровня классов более высокого уровня, к которым относятся MIB и MIX, наследуются (например,напластования, не SSM (не массив песчаника), изображений зонда OBMI). На следующем этапе сегменты 60 без напластования дополнительно классифицируют между SSH(сланец и аргиллит) 66 и не SSH 68. Данную классификацию выполняют на основе двух текстурных функций гомогенности (90) матрицы совместной встречаемости серого уровня (GLCM) и стандартного отклонения (0) матрицы совместной встречаемости серого уровня (GLCM), с применением обеих к синему изображению удельного электрического сопротивления. Дополнительно включают в состав третью функцию средней величины гамма-каротажа. Первая функция из трех является криволинейным изменением, назначающим более высокие величины для классификации SSH (сланец и аргиллит) для более высоких величин гомогенности матрицы совместной встречаемости серого уровня (GLCM) в горизонтальном направлении для синего компонента (в диапазоне между 0,4 и 1 с центром в 0,7). Вторая функция назначает более высокие величины принадлежности SSH (сланец и аргиллит) для сегментов изображения с более низкими величинами стандартного отклонения матрицы совместной встречаемости серого уровня (GLCM) в вертикальном направлении (в диапазоне 0-30 с центром на 15), и третья является функцией криволинейного изменения, назначающей более высокие величины принадлежности SSH (сланец и аргиллит) для сегментов изображения с более высокими величинами на диаграмме гамма-каротажа, относящимися к сегменту изображения (диапазон = 160-170 с центром на 170). Данные сегменты, не соответствующие критериям SSH (сланец и аргиллит), назначаются в класс 68 не SSH (не сланец и аргиллит). Классификация SSH (сланец и аргиллит)/не SSH (не сланец и аргиллит) наследует функции классификации без напластования и не SSM (не массив песчаника) изображений зонда OMBI. В классе 68 не SSH (не сланец и аргиллит) на следующем этапе разделяют MMF (глинистый массовый поток) 70 и не MMF (не глинистый массовый поток) 72. Для данного разделения используют две функции: одну, относящуюся к текстуре, и одну с использованием средних данных диаграммы гаммакаротажа. Первой функцией классификации является функция стандартного отклонения (0) матрицы совместной встречаемости серого уровня (GLCM) с криволинейным изменением, назначающая более высокие величины принадлежности MMF (глинистый массовый поток) для более низких величин стандартного отклонения матрицы совместной встречаемости серого уровня (GLCM) в вертикальном направлении для красного компонента (0,1-0,6 с центром на 0,35). Вторая является функцией с криволинейным изменением, назначающей более высокие величины принадлежности MMF (глинистый массовый поток) для более высоких средних величин диаграммы гамма-каротажа (130-150 с центром на 140). Данные сегменты, не соответствующие критериям MMF (глинистый массовый поток), назначаются в класс 72 не MMF (не глинистый массовый поток). Наконец, класс 72 не MMF разделяют на класс 74 SMF (песчаный массовый поток) и класс 76 SLU(суспензия). Кроме того, для унаследованных функций данные классы идентифицируют на основании стандартного отклонения (0) матрицы совместной встречаемости серого уровня (GLCM) для красного вертикального компонента сегмента изображения с использованием кривой изменения, проходящей в диапазоне 15-35 с центром на 25. Сегменты изображения, не соответствующие критериям SMF (песчаный массовый поток), назначаются в класс 76 SLU (суспензия). В примере данный этап является завершающим, и на данном этапе каждый сегмент должен классифицироваться как один из семи фаций или фона, и геологический профиль становится завершенным. Как должно быть ясно, может быть целесообразным модифицировать функции классификации зависимости от фактических классифицируемых наборов данных. Модификация может включать в себя простой вывод из работы определенных функций в конкретном наборе функций классификации, или может включать в себя замену или использование дополнительных функций. Аналогично, этапы можно выполнять в различном порядке, причем порядок этапов примера является только примером, не ограничительным по существу. В результате изменения порядка этапов классификации может возникнуть необходимость использования различных функций, хотя это может происходить не всегда. При условии конкретной иерархии и наследования функций классификации, например, порядок применения не является существенным. Как другой конкретный пример, нет причины выполнения классификации между MIX (тонкопереслаивающийся) и MIB (переслаивающийся) до или после выполнения классификации между SSH (сланец и аргиллит) и не SSH (не сланец и аргиллит), несмотря на описанное в данном порядке выше. Как можно уяснить из фиг. 7, данные две классификации являются полностью независимыми одна от другой и могут выполняться в любом порядке. Вместе с тем, в случае, если иерархия меняется, то функции классификации могут потребовать изменения в порядке для адекватной классификации набора данных. После того как геологический профиль подготовлен, его можно использовать несколькими способами. Например, его можно использовать для уяснения геологической структуры конкретного коллектора для улучшения прогнозирования притока запаса, такого как нефть или природный газ из геологического горизонта. В этом отношении можно идентифицировать геологические граничные линии, потенциальные местоположения промышленных запасов или т.п. Модели подземных структур и прогнозы на их основе можно использовать для определения перспективных точек заложения дополнительных скважин разработки. Аналогично, геологический профиль, определенный согласно вариантам осуществления настоящего изобретения, можно использовать для подтверждения или совершенствования модели, разра-5 016499 ботанной с использованием сейсмического изучения горизонта. Дополнительно к этому, такое моделирование и анализ могут давать информацию, касающуюся условий - осадконакопления для подземных геологических структур. Например, можно определить, принадлежит ли подземный признак структурам, отложенным в каналообразующих окружающих породах,или широкой неглубокой залежи. Такую информацию по осадконакоплению можно использовать в качестве основы определения потенциала эксплуатации конкретного коллектора. В варианте осуществления согласно изобретению основанная на инструкциях классификация может дополнительно включать в себя подэтап калибрования/уточнения. При данном подходе основанный на инструкциях профиль можно сравнивать с фактическими данными керна или проверить работой интерпретатора. Если сравнение указывает, что основанная на системе инструкций классификация требует уточнения, функции классификации можно корректировать для более точного соответствия выбранному стандарту. Аналогично, выработанный геологический профиль согласно вариантам осуществления настоящего изобретения можно сравнивать с имеющейся стратиграфической информацией. Например, для области,где уже осуществлено картографирование, например, посредством сейсмических исследований, отбором образцов керна в окрестности или посредством других методик разведки, или моделированием, анализ данных может включать в себя сравнение стратиграфической информации, выработанной по геологическому профилю, с полученной ранее известной информацией. В общем, данная методика должна находить лучшее применение с ранее известной информацией по географической окрестности местоположения изучаемого подземного пласта. Аналогично, в случае если информация уже известна или смоделирована для данного географического региона, могут существовать заранее выбранные функции классификации, известные или предположительно хорошо подходящие к конкретному изучаемому региону. В приведенном выше примере инструкции в основном относятся к интенсивности и текстуре сегментов изображения, вместе с тем другие параметры изображения можно использовать. Например, инструкции, относящиеся к форме, ориентации или местоположению сегментов, можно использовать как основу классификации. Хотя изобретение подробно описано с иллюстративной целью на основе рассматриваемых в настоящее время, как наиболее практичные и предпочтительные, вариантов осуществления, следует понимать, что такие подробности служат только указанной цели и что изобретение не ограничено описанными вариантами осуществления, но, напротив, предназначено охватывать модификации и эквивалентные устройства, подпадающие под сущность и объем прилагаемой формулы изобретения. Например, хотя в данном документе дана ссылка на компьютер, он может представлять собой компьютер общего назначения, специально построенный компьютер, специализированную интегральную схему (ASIC), запрограммированную для исполнения способов, группу компьютеров или сеть либо другое приемлемое вычислительное устройство. Как дополнительный пример следует понимать, что настоящее изобретение предполагает, что, насколько возможно, один или несколько признаков любого варианта осуществления можно объединять с одним или несколькими признаками любого другого варианта осуществления. ФОРМУЛА ИЗОБРЕТЕНИЯ 1. Способ анализа характеристик подземного пласта, содержащий этапы, на которых передают сигнал из скважины, по меньшей мере частично, в породу подземного пласта так, что сигнал трансформируется способом, указывающим характеристику породы; принимают трансформированный сигнал из породы; преобразуют трансформированный сигнал в данные изображения, указывающие характеристику породы; применяют первый набор машинно-исполняемых инструкций к данным изображения для формирования сегментированных данных изображения, при этом участки изображения, достаточно связанные,согласно примененным инструкциям группируют в сегменты; и анализируют согласно второму набору машинно-исполняемых инструкций сегментированные данные изображения для формирования геологического профиля, содержащего стратиграфическую информацию подземного пласта. 2. Способ по п.1, в котором сигнал выбирают из группы, состоящей из электрического сигнала и характеристики, являющейся удельным электрическим сопротивлением или импедансом подземного пласта, или сигнала гамма-излучения и характеристики, являющейся коэффициентом пропускания или коэффициентом отражения гамма-излучения подземного пласта, или нейтронного пучка и характеристики, являющейся коэффициентом пропускания или коэффициентом отражения нейтронного излучения подземного пласта, или радиочастотного электромагнитного сигнала и характеристики, являющейся ядерным магнитным резонансом подземного пласта. 3. Способ по п.2, в котором этап применения дополнительно содержит этап, на котором соотносят коэффициент пропускания или коэффициент отражения с плотностью породы, составляющей подземный пласт.-6 016499 4. Способ по п.1, в котором геологический профиль дополнительно содержит стратиграфическую информацию и этап анализа дополнительно содержит сравнение стратиграфической информации с ранее известной стратиграфической информацией, относящейся к пластам, географически близким к местоположению подземного пласта, или смоделированной стратиграфической информации, относящейся к пластам, географически близким к местоположению подземного пласта. 5. Способ по п.1, в котором первый набор инструкций дополнительно относится к одному или более выбранному из цвета и местоположения элементов изображения данных изображения. 6. Способ по п.1 или 5, в котором второй набор правил относится к одному или более, выбранному из цвета, текстуры, формы, ориентации и местоположения сегментов. 7. Способ по п.1, в котором характеристика содержит первую характеристику; этап анализа дополнительно содержит использование информации, относящейся ко второй характеристике материала подземного пласта; и для двух типов материалов, которые необходимо отличать, первая характеристика является одинаковой и вторая характеристика является отличающейся. 8. Способ по п.1, дополнительно содержащий сравнение геологического профиля с выбранным стандартом и корректировку второго набора правил, по меньшей мере частичную, на основании сравнения. 9. Устройство для анализа характеристик подземного пласта, содержащее зонд, сконфигурированный и выполненный с возможностью передачи сигнала из скважины, по меньшей мере частично, в породу подземного пласта и приема трансформированного сигнала из породы,в котором трансформированный сигнал трансформирован способом, указывающим характеристику материала; процессор, сконфигурированный и выполненный с возможностью преобразования трансформированного сигнала в данные изображения, указывающие характеристику породы, и применения первого набора машинно-исполняемых инструкций к данным изображения для формирования сегментированных данных изображения, при этом участки изображения, достаточно соотнесенные, согласно примененным инструкциям группируют в сегменты, и применения второго набора машинно-исполняемых инструкций для анализа сегментированных данных изображения для формирования геологического профиля, содержащего стратиграфическую информацию подземного пласта. 10. Устройство по п.9, в котором зонд содержит измеритель удельного электрического сопротивления, и характеристика содержит коэффициент удельного электрического сопротивления, или источник гамма-излучения и детектор, и характеристика содержит коэффициент отражения или коэффициент пропускания гамма-излучения подземного пласта. 11. Устройство по п.1 или 9, в котором второй набор машинно-исполняемых инструкций содержит иерархический набор инструкций для разделения классов геологических пород. 12. Устройство по п.11, в котором иерархический набор инструкций представлен двоичными инструкциями. 13. Устройство по п.11, в котором каждая инструкция иерархического набора инструкций содержит по меньшей мере одну функцию нечеткой классификации. 14. Устройство по п.9, дополнительно содержащее запоминающее устройство машиночитаемой информации, содержащее машиночитаемую информацию, относящуюся по меньшей мере к одному, выбранному из группы, состоящей из ранее известной стратиграфической информации, относящейся к пластам, географически близким к местоположению подземного объекта, и смоделированной стратиграфической информации, относящейся к пластам, географически близким к местоположению подземного объекта. 15. Устройство для анализа характеристик подземного пласта, содержащее информационную шину, сконфигурированную и выполненную с возможностью приема от зонда данных, представляющих характеристики породы в стволе скважины; и процессор, сконфигурированный и выполненный с возможностью приема данных из информационной шины и преобразования данных в данные изображения, указывающие характеристики породы, применения первого набора машинно-исполняемых инструкций к данным изображения для формирования сегментированных данных изображения, при этом участки изображения, достаточно соотнесенные, согласно примененным инструкциям группируются в сегменты, и применения второго набора машинноисполняемых инструкций для анализа сегментированных данных изображения для выработки геологического профиля, содержащего стратиграфическую информацию подземного пласта.