Система и способ оконтуривания пространственно зависимых объектов, таких как месторождения углеводородов, по сейсмическим данным

005806 Область техники, к которой относится изобретение Настоящее изобретение относится к системе и способу оконтуривания месторождений углеводородов. В частности, это изобретение обращено к способу и системе с использованием нейронной сети для оконтуривания пространственно зависимых объектов, таких как месторождения углеводородов, по сейсмическим данным. Предпосылки изобретения 1. Область техники, к которой относится изобретение Настоящее изобретение относится к системе, способу и процессу оконтуривания объектов в одно-,двух- или трехмерном пространстве по данным, которые содержат образы, имеющие отношение к существованию указанных объектов. Например, сейсмические данные часто содержат образы, по которым можно обнаружить месторождения углеводородов путем идентификации ярких пятен, плоских пятен и неярких пятен. В прошлом при использовании нейронных сетей для подобных целей, иных чем обнаружение месторождений углеводородов, было необходимо задавать обучающие множества, состоящие из данных, полученных с участков, в отношении которых известно существование или отсутствие определенных условий. До замыслов настоящего изобретения применительно к месторождениям углеводородов это требовало дорогостоящего бурения нефтяных и газовых скважин до того, как можно было получить данные для обучающих множеств. В способе, раскрытом в настоящем изобретении, нет необходимости в использовании в явном виде известных обучающих множеств для оконтуривания различных пространственно зависимых объектов, таких как месторождения углеводородов. С помощью способа, раскрытого в настоящем изобретении, можно автоматически интерпретировать процесс и быстро получать важную информацию относительно месторождений углеводородов даже до начала бурения. Автоматическое оконтуривание месторождений углеводородов по сейсмическим данным будет использоваться в качестве неисключительного реального примера реализации изобретения при описании системы, способа и процесса настоящего изобретения. Однако раскрытый способ также применим к широкому ряду иных объектов чем месторождения углеводородов, к таким, как, но без ограничения ими,аэромагнитные профили, астрономические скопления из данных радиотелескопов, погодные кластеры из данных радиометров, объекты в отраженных сигналах радиолокаторов, гидролокаторов и инфракрасного излучения и т.д. Для специалистов в данной области техники являются очевидными многие другие применения. Соответственно подразумевается, что приложенной формулой изобретения охватываются все такие применения, как попадающие в рамки истинной сущности и объема патентной защиты настоящего изобретения. 2. Уровень техники Многие организации, будь то коммерческие или государственные, испытывают необходимость в распознавании объектов по образам в данных, полученным от какого-либо распознаваемого процесса. Пространственное оконтуривание часто является первым шагом к идентификации этих объектов. В прошлом для оконтуривания и идентификации такого типа использовали нейронные сети. Однако до настоящего изобретения для применения нейронной сети обычно требовалось использование известных данных для того, чтобы образовать обучающие множества в качестве входных данных для обработки нейронной сетью. Однако получение известных данных часто является длительным и дорогим процессом. Например, в нефтегазодобывающей промышленности общепринято, что сейсмические данные сначала подвергают процессу интерпретации, который является трудоемким. Кроме того, эту интерпретацию осуществляют высококвалифицированные специалисты, и поэтому дорогостоящий персонал может физически обработать за фиксированный период времени ограниченное количество данных. Но хотя обычно интерпретаторы являются высококвалифицированными и опытными специалистами, они все же могут выносить только субъективные решения относительно того, где могут существовать месторождения углеводородов. Наличие четкого и точного ареала или пространственного контура возможных месторождений углеводородов, т.е. пластов, до начала процесса интерпретации существенно повышает точность и качество интерпретации; тем самым уменьшается риск при бурении. Расходы на бурение нефтяных и газовых скважин обычно составляют миллионы долларов в расчете на одну скважину; а данные о скважине, т.е. достоверные данные, недоступны до начала этого бурения. Патент США 5884295, в котором раскрыта "Система для интерпретации аэромагнитных данных нейронной сетью", принадлежит фирме Тексако, Инк., одной из крупных в мире нефтяных компаний. В этом патенте описана "система для обработки данных аэромагнитного обзора с целью определения глубины относительно подстилающей породы"; и хотя он не имеет отношения к способу настоящего изобретения, но он представляет интерес, заключающийся в том, что в нем обращено внимание на "высокую стоимость бурения глубоких разведочных скважин и сбора данных сейсмической разведки методом отраженных волн". В патенте США 5444619 (включенном в настоящее описание в качестве ссылки), принадлежащем фирме Шлюмбергер Технолоджи, рассмотрена организация обработки сейсмических данных. В этом патенте изобретатели констатируют, что "сейсмические данные регулярно и эффективно используют для оценки структуры пласта, но часто они не имеют значения при решении самой главной задачи:-1 005806 оценки пространственного распределения свойств пласта. Картирование свойств пласта обычно основано только на данных о скважине, даже когда доступны трехмерные сейсмические данные". В упомянутом патенте фирмы Шлюмбергер Технолоджи предусмотрено средство для экстраполяции данных о скважине на всю протяженность месторождения, выполняемой на основе сейсмических данных; однако в нем отсутствует средство для пространственного оконтуривания свойств пласта, например газовой шапки, проницаемых зон, пористых зон и т.д. до получения данных о скважине. В способе настоящего изобретения предусмотрен процесс пространственного оконтуривания месторождений различных видов и свойств. Например, предусмотрен автоматический процесс для оконтуривания месторождений углеводородов по сейсмическим данным. Одним конкретным скоплением углеводородов является газ под куполом, т.е. газовая шапка, в нефтяном и/или газовом месторождении. Возможность точного оконтуривания газовой шапки по двумерным или трехмерным данным до процесса интерпретации, даже с его началом, оказывается очень ценной для нефтегазодобывающей промышленности. См., например, патенты США 4279307, 3788398, 4183405 и 4327805, в которых различные способы и процессы для увеличения добычи углеводородов основаны на данных относительно газовой шапки. Точное оконтуривание газовой шапки по сейсмическим данным является давно осознаваемой и важной необходимостью в нефтегазодобывающей промышленности. Многочисленные патенты США выданы на машинное восприятие, распознавание контуров изображений, визуальное распознавание, распознавание образов, обнаружение краев изображений, распознавание объектов, отслеживание объектов, извлечение краев изображений и т.д. См., например, патенты США 5103488, 5111516, 5313558, 5351309, 5434927, 5459587, 5613039, 5740274, 5754709 и 5761326,в которых рассматриваются объекты, косвенно относящиеся к настоящему изобретению. Но хотя в перечисленных патентах применительно к каждому из конкретных объектов в некоторых случаях могут встречаться лучшие способы по сравнению со способами настоящего изобретения, эти патенты указывают на потенциально широкие рамки использования новых решений, содержащихся в настоящем изобретении, и указывают на важность раскрытия настоящего изобретения. Кроме того, специалисты в данной области техники обнаружат широкие возможности применения настоящего изобретения. Поэтому подразумевается, что приложенной формулой изобретения охватываются все такие применения, которые попадают в рамки истинной сущности и объема патентной защиты настоящего изобретения. В дополнение к перечисленным выше патентам ряд конкретных примеров областей, в которых настоящее изобретение может найти применение, также приведен в патентах США. В патенте США 5214744 изобретатели описывают способ для автоматической идентификации целей в гидролокационных изображениях, при этом они отмечают, что "шумовой характер гидролокационных изображений препятствует использованию операторов обнаружения линий и краев". Сейсмические данные также обычно распознают как сильно зашумленный сигнал. Однако в настоящем изобретении подтверждена возможность разработки процесса для точного оконтуривания месторождений углеводородов непосредственно по сейсмическим данным. Поэтому можно ожидать, что, по крайней мере, в некоторых случаях настоящее изобретение может предоставить еще один и, возможно, лучший процесс для решения задачи, описанной в "гидролокационном" патенте, указанном в начале этого абзаца. В патенте США 5732697 раскрыта "Инвариантная к сдвигу искусственная нейронная сеть для компьютеризированного обнаружения образующих скопления микрокальцификаций при маммографии". В этом раскрытии "последовательности оцифрованных медицинских изображений используют для обучения искусственной нейронной сети с целью установления различий между больной и нормальной тканью". Настоящее изобретение также может найти применение при оконтуривании больной ткани относительно нормальной или здоровой ткани. В патенте США 5775806 раскрыта инфракрасная система оценки для определения "функционального состояния объекта путем анализа его динамических тепловых свойств с использованием последовательности инфракрасных изображений". Настоящее изобретение также можно использовать для оконтуривания зон различной функциональности в последовательности инфракрасных изображений . В патенте США 5776063 под названием "Анализ ультразвуковых изображений в присутствии контрастного вещества" описана система анализа, предназначенная для обнаружения текстурных характеристик, которые служат отличительным признаком здоровых тканей от больных тканей. Кроме того, в приведенном патенте отмечено, что изобретение "можно применить для описания данных двумерного изображения, полученного от рентгеновских установок, устройств формирования изображений при помощи магнитного резонанса, компьютерных томографов, позитронных эмиссионных томографов, однофотонных эмиссионных компьютерных томографов и других средств формирования изображений". Настоящее изобретение также можно применить для обнаружения и оконтуривания текстурных характеристик, которые служат отличительным признаком здоровых тканей от больных тканей. В патенте США 5777481 под названием "Обнаружение льда при использовании радиометров" раскрыто изобретение, в котором использовано "излучение атмосферы в качестве индикатора состояния атмосферы". Настоящее изобретение также можно использовать для оконтуривания участков атмосферного водяного пара, воды в облаке и льда; и его, кроме того, можно использовать вместе с упомянутым патентом, чтобы идентифицировать содержимое оконтуренных участков.-2 005806 Опубликована большая часть современного исследования, относящегося к применению искусственных нейронных сетей в разнообразных ситуациях. Некоторые примеры из этого исследования представлены в указанном выше патенте США. Поэтому задача настоящего изобретения заключается не в представлении информации относительно того, каким образом можно конструировать нейронные сети, а в раскрытии того, каким образом можно использовать их для оконтуривания пространственно зависимых объектов по образам в данных, полученных от некоторого распознаваемого процесса, в частности - месторождений углеводородов по сейсмическим данным, в чем и заключается актуальность настоящего изобретения. Хотя существуют искусственные нейронные сети многих различных видов, два общих вида представлены искусственными нейронными сетями обратного распространения ошибки и радиальных базисных функций. Обе эти архитектуры нейронных сетей, а также другие архитектуры можно использовать в способе, системе и процессе, раскрытых в настоящем изобретении. Однако иллюстративные варианты осуществления, использованные для раскрытия способа, системы и процесса настоящего изобретения,будут основаны на модели обратного распространения ошибки. В настоящем изобретении описаны и использованы система и устройство, раскрытые в находящейся в процессе одновременного рассмотрения заявке на патент США с серийным номером 08/974122 под названием "Оптимальное прекращение обучения в нейронной сети", которая включена в настоящее описание в качестве ссылки. Однако система и способ, раскрытые в упомянутой находящейся в процессе одновременного рассмотрения заявке, представляют собой только средство, используемое для содействия системе, способу и процессу настоящего изобретения. Оно не является существенным для применения системы, способа и процесса настоящего изобретения. Тем самым очевидно, что специалисты в различных областях науки и техники обнаружат широкий ряд областей применения для настоящего изобретения. Поэтому подразумевается, что приложенной формулой изобретения охватываются все такие применения, как попадающие в рамки истинной сущности и объема патентной защиты настоящего изобретения. Также очевидно, что в данной области техники в течение длительного времени существует необходимость в возможности точного оконтуривания пространственно зависимых объектов по образам в данных, полученным от некоторого распознаваемого процесса. Настоящее изобретение предоставляет такую систему, способ и процесс. Задачи изобретения Вышеуказанная, существующая в течение длительного времени необходимость удовлетворяется в соответствии с настоящим изобретением раскрытием системы, способа и процесса оконтуривания пространственно зависимых объектов по образам в данных, полученных от некоторого распознаваемого процесса. Поэтому одна задача настоящего изобретения заключается в том, чтобы раскрыть, каким образом нейронные сети можно использовать для оконтуривания пространственно зависимых объектов по образам в данных, полученных от некоторого распознаваемого процесса. Еще одна задача настоящего изобретения заключается в том, чтобы раскрыть, каким образом способ применяют для автоматического оконтуривания месторождений углеводородов по сейсмическим данным. Еще одна задача настоящего изобретения заключается в том, чтобы раскрыть, каким образом нужное число узлов и функцию активации можно определить до начала общего процесса оконтуривания. Еще одна задача настоящего изобретения заключается в том, чтобы раскрыть систему, способ и процесс быстрого оконтуривания пространственно зависимых объектов по образам в данных, полученных от некоторого распознаваемого процесса, когда известно или может предполагаться частичное знание или даже интуиция относительно приближенного оконтуривания. Еще одна задача настоящего изобретения заключается в создании системы, способа и процесса обнаружения направления, в котором находится объект, месторождение или пласт, когда скользящее окно настоящего изобретения устанавливают на край объекта, месторождения или пласта. Еще одна задача настоящего изобретения заключается в создании системы, способа и процесса оконтуривания пространственно зависимых объектов по образам в данных, полученных от некоторого распознаваемого процесса, когда априори отсутствует знание или интуиция относительно оконтуривания. Еще одна задача настоящего изобретения заключается в создании системы, способа и процесса определения того, будет ли различимым объект (объекты), даже существующий в данных, полученных от некоторого распознаваемого процесса. Например, будет ли возможно оконтурить зоны, которые представляют параметры пластов, в пределах участка, охваченного определенной сейсмической разведкой. Эта задача относительно существования такого оконтуривания решается, когда знание априори доступно или когда априори отсутствует знание о наличии месторождения, пласта, района или скопления. Еще одна задача настоящего изобретения заключается в создании системы, способа и процесса выделения различных подобъектов, подрайонов или частей скоплений, которые могут иметься в данном множестве данных, поступающих от некоторого распознаваемого процесса. Например, для выделения с-3 005806 использованием сейсмических данных газовой шапки из водонефтяного контакта в газонефтяном месторождении или для выделения зон с различной пористостью, проницаемостью или продуктивностью в пределах пласта углеводородов. Эта задача относительно существования такого оконтуривания частей решается даже тогда, когда априори отсутствует знание о наличии части месторождения, подрайона или части скопления. Еще одна задача настоящего изобретения заключается в раскрытии способа внутренней проверки корректности оконтуривания, полученного от системы, способа и процесса настоящего изобретения. Еще одна задача настоящего изобретения заключается в том, чтобы показать, каким образом общий случай применения идей, раскрытых в настоящем изобретении, можно использовать в разнообразных сферах деятельности, разработках и физических конструкциях, а также для приведения в соответствие специфических характеристик входных данных от различных сенсорных устройств и/или различных требований к выходным данным. Еще одна задача настоящего изобретения заключается в том, чтобы показать, каким образом общие идеи, раскрытые в настоящем изобретении для ускорения обработки, можно реализовать параллельно на различных компьютерах и можно встроить непосредственно в аппаратное обеспечение. Наконец, еще одна задача настоящего изобретения заключается в создании системы, способа и процесса предсказания будущей характеристики пласта, т.е. моделирования пласта. Эта задача решается путем сочетания способов обнаружения и оконтуривания месторождений углеводородов и участков в пределах месторождений непосредственно по сейсмическим данным при априорных сведениях относительно времени заканчивания, добычи и давления. Тем самым обеспечивается способ для моделирования пласта, основанный на фактических параметрах, присущих конкретному месторождению углеводородов. В соответствии с этими и другими задачами система, способ и процесс настоящего изобретения основаны на использовании нейронной сети для выявления различий между различными областями, месторождениями или скоплениями, которые можно обнаружить по образам, имеющимся в данных, получаемых от некоторого распознаваемого процесса. Нейронная сеть классифицирует области данных как входящие данные или исходящие данные от конкретного района, месторождения или скопления. Вышеуказанные, а также дополнительные задачи, особенности и преимущества настоящего изобретения станут более очевидными из нижеследующего подробно написанного описания. Сущность изобретения Одним объектом изобретения является способ автоматического оконтуривания месторождений углеводородов по сейсмическим данным, собранным в существующем или предполагаемом газонефтяном месторождении, содержащий этапы разработки нейронной сети при использовании данных о скважине,указывающих на продуктивные площади, и данных, указывающих на непродуктивные площади, и применения нейронной сети по меньшей мере к части сейсмических данных для различения продуктивных площадей от непродуктивных площадей нефтяного месторождения. Данные о скважине, указывающие на продуктивные площади, можно собрать с уже существующих скважин или с проектных скважин при использовании информации, обеспечиваемой настоящим изобретением. Кроме того, данные, указывающие на непродуктивные площади, можно собрать либо с площадей, считающихся непродуктивными, или с "непродуктивных скважин", т.е. с сухих скважин. Сейсмические данные можно получить из записей сейсмической разведки, также можно использовать любые другие подходящие данные, полученные в результате действия динамита, вибратора, ударного источника сейсмических сигналов, ядерного взрыва,землетрясения или другого процесса или природного явления, создающего ударные волны, или данные какого-либо другого типа, которые используют для визуализации или отображения характеристик нижних горизонтов грунта. Кроме того, способ можно использовать для различения подрайонов в пределах основных месторождений, таких как пористые зоны, проницаемые зоны, а также зоны высокой и низкой продуктивности и т.д. Другим объектом изобретения является способ оконтуривания месторождений углеводородов по сейсмическим данным, собранным в нефтяном и/или газовом месторождении, даже без бурения скважины, содержащий этапы разработки нейронной сети в пределах концептуального скользящего окна для различения месторождений и применения нейронной сети по меньшей мере к части сейсмических данных для различения площадей, имеющих характеристики пластов углеводородов, от площадей, не имеющих характеристик пластов углеводородов. Скользящее окно может включать в себя часть "входящих данных" и часть "исходящих данных". Еще одним объектом изобретения является способ оконтуривания месторождений минералов по данным, относящимся к заданному участку, содержащий этапы разработки нейронной сети для различения продуктивных площадей от непродуктивных площадей заданного участка и применения нейронной сети к по меньшей мере части данных для различения продуктивных площадей от непродуктивных площадей. Данные могут быть сейсмическими данными, аэромагнитными данными, гравитационными данными или подходящими данными какого-либо другого типа. Другим объектом изобретения является способ оконтуривания пространственно зависимых характеристик на заданном участке по данным, относящимся к заданному участку, содержащий этапы разработки нейронной сети для обнаружения и оконтуривания аномалий и применения нейронной сети по-4 005806 меньшей мере к части данных для оконтуривания аномалий в пределах заданного участка. Характеристики могут иметь отношение к температуре, к тканевым различиям, к составу материала в пределах участка и т.д. Еще одним объектом изобретения является способ определения точности нейронной сети, используемой для оконтуривания пространственно зависимых объектов, по данным, относящимся к заданному участку, содержащий этапы разработки первой нейронной сети для обнаружения и оконтуривания аномалий на заданном участке, применения первой нейронной сети к по меньшей мере части данных, для формирования оценок, относящихся к частям участка, при этом высокие и низкие оценки указывают на наличие или отсутствие объектов в пределах заданного участка, образования обучающих множеств и тестовых множеств с использованием данных, относящихся к частям участка с высокими и низкими оценками по отношению к остальным частям участка, разработки второй нейронной сети с использованием обучающих и тестовых множеств для обнаружения и оконтуривания аномалий на заданном участке, применения второй нейронной сети к по меньшей мере части данных для формирования оценок, относящихся к частям участка, и сравнения результатов от первой, второй, третьей и т.д. нейронных сетей для определения точности нейронной сети, относящейся к распознаванию по заданным данным. Краткое описание чертежей Существенные признаки настоящего изобретения изложены в приложенной формуле изобретения. Однако само изобретение, а также предпочтительные способы его реализации, дополнительные задачи,различные стороны и преимущества будут лучше понятны из нижеследующего подробного описания иллюстративных вариантов реализации со ссылкой на сопровождающие чертежи, в которых фиг. 1 - схема нейронной сети; фиг. 2 - схематичное изображение концептуального скользящего окна, использованного в настоящем изобретении; фиг. 3 - информационный поток между слоями нейронной сети при использовании для обучения способа обратного распространения ошибки; фиг. 4 - нейронная сеть с входным слоем, скрытым слоем и выходным слоем; фиг. 5 - изображение взаимосвязи между обучающими данными, тестовыми данными и множеством полных данных; фиг. 6 - рабочая диаграмма шагов, необходимых для обучения нейронной сети; фиг. 7(а) - иллюстрация пороговой функции активации; фиг. 7(b) - иллюстрация пороговой логической функции активации; фиг. 7(с) - иллюстрация сигмоидной функции активации; фиг. 8 - вариант осуществления узла в нейронной сети; фиг. 9 - модель нейронной сети с указанием весов; фиг. 10 - сопоставление средней квадратической ошибки с отклонением от тестового множества; фиг. 11 - рабочая диаграмма типичного процесса, заканчивающегося оконтуриванием пространственно зависимого объекта; фиг. 12 - гипотетическая схема расстановки сейсмоприемников; фиг. 13 - схема формирования сейсмограммы общей глубинной точки; фиг. 14 - гипотетическая схема расстановки сейсмоприемников при разделении скользящего окна; и фиг. 15 - гипотетическая схема расстановки сейсмоприемников в гипотетическом нефтегазовом месторождении. Подробное описание предпочтительного варианта осуществления изобретения Определения"Узел" - единичный, подобный нейрону вычислительный элемент в нейронной сети."Вес" - настраиваемое значение или параметр, связанный с соединением между узлами в сети. Величина веса определяет степень соединения. Отрицательные веса тормозят активизацию узла, тогда как положительные веса возбуждают активизацию узла."Соединение" - пути между узлами, которые соответствуют аксонам и синапсам нейронов в мозгу человека, соединяющие узлы в сеть."Обучающий закон" - уравнение, которое модифицирует все или некоторые из весов в локальной памяти узлов в ответ на входные сигналы и значения, приданные функцией активации. Уравнение обеспечивает возможность адаптации нейронной сети к примерам, из которых оно должно состоять, и к организации информации в самой нейронной сети и поэтому - обучение. Обучающие законы для настройки весов можно представить обучением с учителем или обучением без учителя или подкрепляемым обучением. В обучении с учителем предполагается, что искомый результат вычислений узла известен или может быть найден из полной ошибки. После этого его используют для формирования сигнала ошибки, на основании которого корректируют веса. Искомый результат вычислений при обучении без учителя хорошо известен, а обучение основано на входных/выходных значениях. При подкрепляемом обучении веса, относящиеся к узлу, не изменяются соразмерно выходной ошибке, связанной с конкретным узлом,а вместо этого изменяются соответственно глобальному подкрепляющему сигналу некоторого вида."Функция активности" или "Передаточная функция" - формула, которая определяет выходной сигнал узла в зависимости от самых последних входных сигналов и весов в локальной памяти."Обратное распространение" в нейронной сети представляет собой способ обучения с учителем, в котором сигнал выходной ошибки подают обратно через сеть, изменяя веса соединений так, чтобы эта ошибка минимизировалась."Входной слой" - слой узлов, которые образуют пассивный канал для ввода в нейронную сеть."Скрытый слой" - слой узлов, которые не соединены непосредственно со входом или выходом нейронной сети."Выходной слой" - слой узлов, которые формируют результаты нейронной сети."Оптимальная точка обучения" представляет собой точку при обучении нейтральной сети, в которой отклонение нейронной сети достигает минимума относительно результатов по тестовому множеству 202, которое в случае настоящего изобретения берут из концептуального скользящего окна 205, которое содержит данные некоторого распознаваемого процесса. Краткий обзор В основном, описанное ниже изобретение относится к способу и системе для обработки данных и, в частности, к способу и системе автоматического оконтуривания аномалий или объектов в одно-, двухи/или трехмерном пространстве по данным, которые содержат образы, связанные с существованием объектов. Например, сейсмические данные часто содержат образы, по которым, используя настоящее изобретение, можно обнаружить и оконтурить месторождения углеводородов посредством применения нейронных сетей. Такое использование изобретения может включать в себя следующие этапы. Во-первых,разработку нейронной сети. Во-вторых, применение нейронной сети при сплошной сейсмической разведке. В-третьих, использование нейронной сети для предсказания добычи из предполагаемых скважин. Нижеследующее представляет собой краткий обзор изобретения. Изобретение основано на использовании нейронной сети для выявления различий между разными районами, месторождениями или скоплениями месторождений углеводородов, которые можно обнаружить по образам, присутствующим в сейсмических данных. Нейронная сеть классифицирует отдельные области данных в качестве входящих данных или исходящих данных от отдельного района, месторождения или скопления. Настоящее изобретение предоставляет способ для автоматизации процесса анализа и интерпретации сейсмических данных. Чтобы понять, как это происходит, следует рассмотреть архитектуру (архитектуры) нейронной сети 101, показанной на фиг. 1, имеющей входной слой, один или несколько скрытых слоев и выходной слой,при этом каждый слой имеет один или несколько узлов, а все узлы во входном слое связаны со смежными, но различными блоками данных от некоторого распознаваемого процесса. Каждый узел во входном слое соединен с каждым узлом в первом и, вероятно, единственном скрытом слое, каждый узел в первом скрытом слое соединен с каждым узлом в следующем скрытом слое, если он существует, а каждый узел в последнем скрытом слое соединен с каждым узлом в выходном слое. Каждое соединение между узлами имеет соответствующий вес. Выходные значения выходного слоя представляют собой классификацию 109 (описанную ниже). Кроме того, в нейронную сеть 101 включен процесс обучения (не показанный на фиг. 1) для определения весов каждого из соединений нейронной сети. В качестве примера рассмотрим двумерный случай, показанный на фиг. 2, где концептуальное скользящее окно состоит из комбинации обучающего/тестового множества, включающего в себя три смежные строки, каждая из которых содержит линейно смежные блоки данных, полученных от некоторого распознаваемого процесса (описанного более подробно ниже). Средняя строка из трех строк, показанных на фиг. 2, соответствует обучающему множеству 201, тогда как две наружные строки образуют тестовое множество 202. Предпочтительно, примерно половина данных в каждой из трех строк является заранее присвоенной классификацией исходящих данных, тогда как другая половина является заранее присвоенной классификацией входящих данных. Каждая из трех строк данных является смежной с другой, а каждая точка данных внутри каждой строки линейно прилегает к своей ближайшей соседней точке данных. Классификация исходящих данных и входящих данных является непрерывной, хотя осуществляется примерно для половины точек данных в каждой строке. Наконец, все строки, которых в приведенном примере три, выровнены по пространству относительно друг друга. Скользящее окно в настоящем изобретении представляет собой концептуальный искусственный объект, использованный для того, чтобы иллюстрировать сущность настоящего изобретения. Поэтому подразумевается, что приложенной формулой изобретения охватываются все области применения изобретения, находящиеся в рамках истинной сущности и объема патентной защиты изобретения, независимо от терминологии, которая может использоваться для описания системы, способа или процесса. В процессе обучения обучающее множество 201 подают на нейронную сеть итеративным образом,при этом обучающее множество образуют из средней строки в скользящем окне, полученной из данных,являющихся результатом распознаваемого процесса. При каждой следующей итерации во время процесса обучения определяют разность между классификацией, выполненной нейронной сетью, и классификацией, заданной в обучающем множестве. После этого на основе разности с помощью обучающего множества настраивают веса нейронной сети. Ошибку, заданную для каждого узла в сети, можно получить с помощью обучающего множества путем использования обратного распространения ошибки.-6 005806 Как описано более подробно ниже, прекращение обучения оптимизируют, выполняя следующие приемы после каждой из обучающих итераций: сохраняют веса нейронной сети, индексированные номером итерации; испытывают нейронную сеть частью тестового множества 202 из скользящего окна, которая отделена от данных в обучающем множестве 201; вычисляют разность, которую в данном случае называют отклонением, между классификацией, выполненной нейронной сетью по тестовому множеству, и заранее присвоенной классификацией в тестовом множестве; сохраняют номер итерации и текущее отклонение, когда текущее отклонение меньше, чем любое предыдущее отклонение; и контролируют отклонение до тех пор, пока не будет обнаружено, что отклонение возрастает вместо того, чтобы уменьшаться. В точке, где в пределах заранее заданной границы ошибки установлено, что отклонение возрастает(см., например, ссылочный номер 1005 на фиг. 10), обучение прекращают. После этого номер итерации,при котором достигается наименьшее значение отклонения, используют для извлечения оптимального множества весов нейронной сети для текущего положения скользящего окна. Отклонение между оптимальным соответствием для тестового множества и значениями, заранее заданными для тестового множества, можно получить либо введением оптимального множества весов нейронной сети в тестовое множество, либо путем извлечения отклонения из памяти, если ранее оно было сохранено во время итерационного процесса на этапе процесса обучения. Затем в скользящем окне 205 одну точку данных продвигают относительно данных распознаваемого процесса. То есть, начиная слева, первые исходящие точки выпадают из каждой из трех строк, составляющих скользящее окно. После этого первые три входящие точки становятся исходящими точками; и,наконец, три новые входящие точки добавляют в скользящее окно. Окно можно перемещать слева направо, справа налево, сверху вниз или снизу вверх. Затем снова начинают процесс обучения нейронной сети и завершают с получением нового отклонения при оптимальной остановке точки обучения. Когда скользящее окно остается полностью за пределами района, месторождения или скопления, отклонения при каждом положении скользящего окна будут сохраняться высокими и почти постоянными. Когда скользящее окно входит в обнаруживаемый район,месторождение или скопление, отклонение начинает уменьшаться и достигает минимума, когда скользящее окно центрируется относительно края подлежащего обнаружению района, месторождения или скопления. После того, как район, месторождение или скопление обнаружено, район, месторождение или скопление можно оконтурить путем сообщения полных данных весам нейронной сети, которые были получены при обнаружении края. Подробное описание изобретения Нижеследующее представляет собой более подробное описание предпочтительного варианта осуществления изобретения. Настоящее изобретение относится к основанному на нейронной сети способу и системе для оконтуривания пространственно зависимых объектов, таких как месторождения углеводородов. Процесс основан на нейронной сети, предназначенной для классификации. На фиг. 1 показаны нейронная сеть 101, входные данные от скользящего окна 105, блок 107 предобработки и классификация 109 относительно исходящих данных или входящих данных. Нейронная сеть 101 формирует классификацию 109 по входным данным, подаваемым во входной слой. Входные сигналы для нейронной сети отбирают из данных, поступающих от некоторого распознаваемого процесса. Блок 107 предобработки, показанный на фиг. 1, может предварительно обрабатывать данные, вводимые в нейронную сеть. Например, предобработку можно использовать для нормирования входных данных. Применительно к системе классификации, предназначенной для обнаружения и оконтуривания пластов углеводородов по сейсмическим данным, на фиг. 2 представлено скользящее окно 205, содержащее комбинацию обучающего множества 201 и тестового множества 202. Скользящее окно 205, содержащее комбинацию обучающего/тестового множества, в иллюстративном варианте осуществления включает в себя три смежные строки, в каждой из которых размещены линейно прилегающие части данных, поступающие из сейсмических данных, что показано на фиг. 14. Середина трех строк 201, показанных на фиг. 2, содержит обучающее множество, тогда как внешние две строки 202 образуют тестовое множество. Предпочтительно, примерно половина данных в каждой из трех строк отведена классификации исходящих данных, тогда как другая половина отведена классификации входящих данных. Каждая из трех строк данных прилегает к другой, а каждый элемент данных в пределах каждой линии линейно прилегает к своему ближайшему соседнему элементу 503 данных. Классификации исходящих данных и входящих данных являются соприкасающимися и предпочтительно образуют примерно половину точек данных в каждой строке. Наконец, три линии выровнены по пространству относительно друг друга. На фиг. 5 показана взаимосвязь между полными данными 509, скользящим окном 505, обучающими данными 501 и тестовыми данными 502 для произвольной точки в полных данных от некоторого распознаваемого процесса. В настоящем изобретении предполагается, что при оконтуривании пространственно зависимых объектов можно применять другие конфигурации скользящего окна. Поэтому подразумевается, что при-7 005806 ложенной формулой изобретения охватываются все такие применения, как попадающие в рамки истинной сущности и объема настоящего изобретения. Нейронная сеть 101 функционирует в четырех основных режимах: обучение, тестирование, работа и повторное обучение. Во время обучения нейронную сеть 101 обучают, используя процесс обучения, во время которого нейронной сети представляют множества обучающих данных. Обучающее множество 201 состоит из линейно прилегающих данных, разделенных примерно поровну на классификации исходящих данных и входящих данных. Нейронная сеть 101 формирует классификацию, основанную на подобии или разнообразии данных в обучающем множестве. Эту классификацию затем сравнивают с классификациями, ранее присвоенными в обучающем множестве. Различие между классификацией 109,формируемой нейронной сетью, и заранее присвоенными классификациями используют для настройки весов нейронной сети. Во время обучения нейронную сеть обучают и адаптируют ко входным данным,подаваемым на нее, см. фиг. 10 и кривую 1003 средней квадратической ошибки. Кривая 1003 средней квадратической ошибки непрерывно спадает по мере увеличения числа итераций. В конце каждой обучающей итерации на нейронную сеть подают тестовое множество 202. Это тестовое множество 202 состоит из прилегающих данных, полученных от распознаваемого процесса. Кроме того, тестовое множество 202 представляет собой заранее присвоенные классификации исходящих данных и входящих данных относительно обучающего множества 201, но данные в тестовом множестве 202 не являются точным воспроизведением каких-либо данных в обучающем множестве 201. Данные тестового множества 202 берут из соседних строк, при этом они выровнены по пространству в отношении обеих сторон обучающих данных и берутся с этих обеих сторон. После этого классификацию, получаемую в результате представления тестового множества 202 нейронной сети, сравнивают с заранее присвоенными классификациями для тестового множества 202 и вычисляют отклонение 1001. Отклонение 1001 контролируют в конце каждой итерации для того, чтобы определить точку, в которой отклонение начинает возрастать,см. фиг. 10 и кривую 1001 отклонения. В точке, где отклонение 1001 начинает возрастать, т.е. достигается минимум, обучение останавливают. После обучения нейронной сети 101 веса нейронной сети (см. фиг. 9), которые имелись в точке, где достигалось минимальное отклонение 1001, либо выбирают из памяти, если их запоминали во время процесса итераций, либо их пересчитывают с целью получения оптимального множества весов нейронной сети для текущего положения скользящего окна 205. Отклонения 1001 между классификациями по тестовому множеству 202, рассчитанными нейронной сетью при оптимальной остановке точки обучения,и заранее заданными значениями в тестовом множестве 202 можно получить либо введением оптимального множества весов нейронной сети в тестовое множество 202, либо извлечением отклонения 1001 из памяти, если оно ранее было запомнено при обучающем процессе во время процесса итераций. Затем скользящее окно 205 продвигают на одну точку данных относительно данных распознаваемого процесса. То есть, начиная слева, первые исходящие точки выпадают из каждой из трех строк, составляющих скользящее окно 205. После этого первые три входящие точки становятся исходящими точками; и, наконец, три новые входящие точки добавляют в скользящее окно 205. Затем снова начинают процесс обучения нейронной сети и завершают с получением нового отклонения 1001 при оптимальной остановке точки обучения. Когда скользящее окно 205 остается полностью за пределами района, месторождения или скопления, отклонения 1001 при любых положениях скользящего окна 205 будут поддерживаться высокими и почти постоянными. По мере продвижения скользящего окна 205 в обнаруживаемый район, месторождение или скопление отклонение 1001 начинает уменьшаться и оно достигает минимума, когда скользящее окно 205 оказывается центрированным относительно края обнаруживаемого района, месторождения или скопления. Вышеуказанные шаги, показанные на фиг. 6, описывают режимы обучения и тестирования нейронной сети. После обнаружения района, месторождения или скопления можно оконтурить район, месторождение или скопление путем представления полных данных 509 весам нейронной сети, которые были получены при обнаружении края. Этот режим работы назван рабочим режимом. Преимущества возможности динамического прекращения обучения в оптимальной точке или вблизи нее Нейронные сети обучают посредством процесса обучения, во время которого на нейронную сеть через ее входной слой 405 подают обучающее множество. Задача обучающего процесса заключается в минимизации суммарной средней квадратической ошибки 1003 для всех обучающих образов. Эту задачу решают путем обратного распространения значения ошибки после каждой итерации и выполнения соответствующей подстройки весов, фиг. 6. После достаточного числа итераций веса в нейронной сети, фиг. 9, начинают включать в себя характеристики или образы в данных. Определение этого момента, т.е. числа итераций, после которых нейронная сеть воспринимает соответствующее множество характеристик,было проблемой, пока не был предложен способ, описанный в находящейся в процессе одновременного рассмотрения заявке с серийным номером 08/974122 на патент США под названием "Оптимальное прекращение обучения в нейронных сетях" (включенной в настоящую заявку посредством ссылки). Общепризнанно, что в реальных ситуациях, когда в данных наряду с образами имеется шум, нейронная сеть сначала заносит в память базовый образ, а затем начинает запоминать данные. Поэтому при запоминании-8 005806 данных нейронная сеть приступает к определению характеристик шума, а также характеристик базового образа. Этот режим называют чрезмерной адаптацией или переобучением сети. Он показывает, почему обучение необходимо прекращать в оптимальный момент времени. Общая задача заключается в обучении нейронной сети до точки, в которой базовый образ обнаруживается, но шум все же не включается в веса. Однако до подачи находящейся в процессе одновременного рассмотрения заявки с серийным номером 08/974122 на патент США это было трудной задачей. В результате, типичные нейронные сети уровня техники обычно обучали до точки, в которой средняя суммарная квадратическая ошибка относительно обучающего множества уменьшалась до заданного уровня или когда превышалось заранее заданное число итераций. Этот способ остановки обучения уровня техники является затратным по нескольким причинам. Нейронные сети часто переобучают, поэтому теряется ценное время наряду с тем, что образуются нейронные сети, которые при классификациях не являются настолько точными, насколько это возможно. Это особенно характерно для случая, когда проблема заключается в оконтуривании пространственно зависимых объектов. Разработчик нейронной сети не может различить, является ли нейронная сеть переобученной или обучается, и поэтому сравнение отклонений 1001 в различных местах в лучшем случае будет ошибочным. В находящейся в процессе одновременного рассмотрения заявке с серийным номером 08/974122 на патент США описан способ для преодоления этих ограничений и содействия настоящему изобретению. Поэтому в настоящую заявку включено подробное описание способа и системы находящейся в процессе одновременного рассмотрения заявки. Подробное описание иллюстративной нейронной сети Для уяснения различных аспектов и преимуществ, обеспечиваемых настоящим изобретением, является полезным хорошее понимание технологии нейронных сетей. По этой причине в последующей части описания обсуждается технология нейронных сетей, применимая к предпочтительной нейронной сети настоящего изобретения. Конечно, изобретение не ограничено видами нейронных сетей, рассмотренными в этом описании. Искусственные или компьютерные нейронные сети представляют собой компьютерные имитации сети взаимосвязанных нейронов. Биологическим примером нейронной сети являются взаимосвязанные нейроны в мозгу человека. Следует учесть, что аналогия с мозгом человека является существенной и полезной для понимания настоящего изобретения. Однако нейронные сети настоящего изобретения представляют собой компьютерные имитации, которые обеспечивают полезные классификации, основанные на входных данных в специфических формах, которые в случае настоящего изобретения являются данными от некоторого распознаваемого процесса. Нейронную сеть можно охарактеризовать тремя элементами: множеством узлов, специфической топологией взвешенных взаимосвязей между узлами и обучающим законом, который обеспечивает подстройку весов соединений. По существу, нейронная сеть представляет собой иерархическую совокупность узлов (также известных как нейроны, или нейроды, или элементы, или обрабатывающие элементы,или персептроны) , каждый из который вычисляет результаты решения уравнения (передаточной функции или функции активации). Уравнение может включать в себя пороговую величину. В функции активации каждого узла используют большое количество входных значений, но она формирует только одно выходное значение. Выходы узлов на более низком уровне (которые ближе к входным данным) могут быть входами для узлов следующего, высшего слоя. Высший слой образует выход (выходы). Нейронную сеть, в которой все выходы нижнего слоя соединены со всеми узлами в следующем, высшем слое, обычно называют нейронной сетью с прямой связью. На фиг. 4 показан характерный пример нейронной сети. Следует заметить, что пример, показанный на фиг. 4, является только иллюстрацией одного варианта осуществления нейронной сети. Как рассмотрено ниже, в настоящем изобретении можно использовать другие варианты осуществления нейронной сети. Вариант осуществления фиг. 4 имеет входной слой 405, скрытый слой (или средний слой) 403 и выходной слой 401. Входной слой 405 представляет собой слой входных узлов, которые получают входные значения 407 из внешнего устройства ввода, и эти значения в случае настоящего изобретения включают в себя данные от некоторого распознаваемого процесса и заранее присвоенные классификации исходящих данных/входящих данных. Входные данные используются нейронной сетью для формирования выходного значения 409, которое соответствует классификации 109. Хотя входной слой 405 относят к слою нейронной сети, входной слой 405 не содержит каких-либо обрабатывающих узлов; вместо этого в нем используется набор ячеек памяти для входных значений. Следующий слой называют скрытым, или средним слоем 403. Скрытый слой не является необходимым, но его обычно используют. Как показано на фиг. 4, он включает в себя набор узлов. Выходы узлов входного слоя 405 используют как входы для каждого узла в скрытом слое 403. Точно так же выходы узлов скрытого слоя 403 используют как входы для каждого узла в выходном слое 401. Можно использовать дополнительные скрытые слои. Каждый узел в этих дополнительных скрытых слоях будет воспринимать выходные значения предыдущего слоя как свои входные значения. Можно использовать любое число скрытых слоев.-9 005806 Выходной слой 401 может состоять из одного или нескольких узлов. Он может воспринимать выходные значения узлов скрытого слоя 403 как свои входные значения. Выходное значение (значения) узла (узлов) выходного слоя 401 представляет собой классификацию (классификации) 409, обеспечиваемую нейронной сетью при использовании входных данных 407, которые в случае настоящего изобретения состоят из данных, поступающих от некоторого распознаваемого процесса, и заранее присвоенных классификаций. Как показано на фиг. 9, каждое соединение между узлами в нейронной сети имеет соответствующий вес. Веса определяют относительное влияние входного значения на выходное значение рассматриваемого узла. Как показано на графической схеме программы, представленной на фиг. 6, до обучения нейронной сети для каждого из весов выбирают случайные значения 600. Веса изменяются по мере обучения нейронной сети. Веса изменяются в соответствии с обучающим законом, приданным нейронной сети (описанным ниже). Когда входы каждого узла слоя соединены со всеми выходами узлов в предыдущем слое, сеть называют "полносвязанной". Если во всех узлах используются выходные значения узлов предыдущего слоя сети, сеть является "сетью с прямой связью". Отметим, что, если в каком-нибудь узле используются выходные значения узлов последующего уровня, то сеть имеет обратную связь. Нейронная сеть, показанная на фиг. 4, является полносвязанной нейронной сетью с прямой связью. Нейронную сеть образуют путем задания числа, размещения и соединения узлов, из которых она состоит. В высокоорганизованном варианте осуществления нейронной сети конфигурация является довольно простой. Например, в полносвязанной сети с одним средним слоем (и, конечно, включающей в себя один входной и один выходной слой), не имеющей обратной связи, число соединений и, следовательно, число весов задано числом узлов в каждом слое. К такому случаю относится пример, показанный на фиг. 4. В нейронной сети, в которой имеются узлы с одинаковой функцией активации, должно быть задано суммарное число узлов в каждом слое. Это определяет число весов и суммарную память, необходимую для построения сети. Следует заметить, что для более сложных сетей требуется больше информации о конфигурации и, следовательно, больше памяти. В настоящем изобретении будет кратко показан способ для выбора соответствующего числа узлов и функции активации для включения в нейронную сеть, используемую для оконтуривания пространственно зависимых объектов. В настоящем изобретении предполагается использование многих других видов конфигураций нейронной сети для оконтуривания пространственно зависимых объектов. Все, что требуется от нейронной сети, сводится к тому, чтобы нейронная сеть была способной к обучению для того, чтобы обеспечивать необходимую классификацию (классификации). Теперь со ссылкой на фиг. 4 будет описан характерный вариант осуществления нейронной сети с прямой связью. Он является только иллюстрацией одного возможного способа работы нейронной сети. Входные данные 407 поставляют во входные ячейки памяти, называемые входными узлами, находящимися во входном слое 405. Каждый из узлов скрытого слоя 403 считывает входные значения со всех входов во входном слое 405. Каждый узел имеет вес для каждого входного значения. В каждом узле каждое входное значение умножается на соответствующий вес, и эти значения суммируются для всех входов. Затем эту сумму используют как входное значение для уравнения (также называемого передаточной функцией, или функцией активации), чтобы образовать выходное значение или активацию для этого узла. Выполнение операций для узлов в скрытом слое 403 можно осуществлять параллельно или можно производить последовательно. После этого в нейронной сети с только одним скрытым слоем 403, показанной на фиг. 4, вычисляют выходные значения или активации. Для каждого выходного узла считывают выходные значения или активации от каждого из выходных узлов. Каждое выходное значение или активацию умножают на соответствующий вес и эти полученные значения суммируют. Затем эту сумму используют в качестве входного значения для уравнения, дающего результат в виде выходного значения или классификации 409. Следовательно, при использовании входных данных 407 нейронная сеть дает результат в виде классификации 409 или выходного значения, которое отражает предсказанную классификацию. Узлы Типовой узел показан на фиг. 8. Выходное значение узла является нелинейной функцией взвешенной суммы ее входных значений. Взаимосвязь вход/выход узла часто описывают передаточной функцией или функцией активации. В большинстве нейронных сетей все уравнения для всех узлов являются одними и теми же (хотя веса и входные значения различаются). В символической форме функцию активации можно представить в следующем виде: Имеется взвешенная сумма wixi, которая воздействует на функцию активации узла. Функция активации определяет уровень активности или уровень возбуждения, создаваемый в узле в результате действия входного сигнала конкретной величины. В качестве функции активации можно выбрать любую функцию. Однако для использования совместно с алгоритмом обратного распространения ошибки пред- 10005806 почтительна сигмоидальная функция. Сигмоидальная функция является непрерывной, S-образной, монотонно возрастающей функцией, которая асимптотически приближается к фиксированным значениям по мере того, как входное значение приближается к плюс или минус бесконечности. Обычно верхний предел сигмоида полагают равным +1, а нижний предел полагают равным 0 или -1. Сигмоидальная функция показана на фиг. 7(с) и может быть представлена в следующем виде: где х - взвешенное входное значение (т.е. wixi), а Т - простое пороговое значение или смещение. Пороговое значение Т в приведенном выше уравнении можно исключить путем задания смещения узла в нейронной сети. Смещение узла не зависит от входных значений и выходных значений и имеет постоянное значение (обычно +1) для всех узлов выходного и скрытого слоев нейронной сети. Веса, которые в каждом узле задаются для этого одного выхода, становятся для данного узла пороговым членом. Это упрощает уравнение до f(х) = 1/+(1 + е -х), где х - взвешенное входное значение (т.е. wixi, где х 0 = 1,a w0 добавляется в качестве веса). На фиг. 9 изображена нейронная сеть со смещением узла (т.е. x0 = 1),соответствующая фиг. 1. Трехслойная сеть с прямой связью показана на фиг. 9. Эта нейронная сеть имеет входной слой, который распределяет взвешенное входное значение в скрытый слой, который затем преобразует это входное значение и передает его в выходной слой, который осуществляет дальнейшее преобразование и формирует классификацию на выходе. В этом примере скрытый слой содержит, как показано на фиг. 9, три узла, H1, Н 2 и Н 3. Каждый узел действует подобно уравнению регрессии, суммируя взвешенные входные значения следующим образом: где (w0i,, wn) - веса, связанные с каждым из входных значений (х 0, , хn), при х 0 = 1, для скрытого узла Hi. Используя сигмоидальную функцию активации для скрытых узлов, каждый скрытый узел преобразует это входное значение с использованием сигмоидальной функции активации так, что где Hi(выходное) представляет собой выходное значение скрытого узла Hi. Выходное значение каждого скрытого узла умножается на вес его соединения с выходным узлом(т.е. bi). Результаты этого умножения суммируются для образования входного значения для узла выходного слоя; поэтому входное значение функции активации относительно выходного узла определяется как: Прогнозируемое или предсказанное значение Y получается путем сигмоидального преобразования этого входного значения: Фактические значения весов соединений [ (w01, , wn1), (w02, , wn2), (w03, , wn3) ], [b0, b1, b2, b3] определяются путем обучения. Приведенная ниже часть описания раскрывает обучение нейронной сети. Хотя сигмоидальная функция активации является предпочтительной функцией активации, настоящее изобретение можно использовать совместно со многими другими функциями активации. На фиг. 7(а) изображена пороговая функция. На фиг. 7(b) показана пороговая логическая функция активации. На фиг. 7(с) изображена сигмоидальная функция активации. Кроме того, совместно с настоящим изобретением можно использовать другие функции активации. Входные значения Нейронная сеть получает входные данные 407 через свой входной слой 405 (фиг. 4). В случае настоящего изобретения эти входные значения имеют форму данных от некоторого распознаваемого процесса, а также заранее присвоенных классификаций относительно исходящих данных или входящих данных. Когда скользящее окно 205 или 505 пересекает край объекта, который можно обнаружить в данных,являющихся результатом некоторого распознаваемого процесса, отклонение 1001 оптимальной точки обучения меньше, чем в местах, прилегающих к месту расположения края скользящего окна 205. Обучение Как было установлено ранее, каждое соединение между узлами в нейронной сети имеет соответствующий вес. Веса определяют, насколько большое относительное воздействие оказывает входное значение на выходное значение рассматриваемого узла. До обучения сети для каждого из весов выбирают случайные значения. Веса изменяются в соответствии с обучающим законом, увязанным с нейронной сетью. Веса, используемые в нейронной сети, являются настраиваемыми значениями, которые определяют(для любой заданной конфигурации нейронной сети) предсказанную классификацию для данного множества входных данных. При решении некоторых задач нейронные сети превосходят обычные статистические модели, поскольку нейронные сети могут настраивать эти веса автоматически и поэтому для них не требуется, чтобы веса были известны априори. Поэтому нейронные сети обладают способностью к- 11005806 построению структуры взаимосвязи (или модели) между входными данными и выходными данными путем настройки весов, тогда как для обычной статистической модели разработчик должен определять уравнение (уравнения) и фиксированную константу (константы) , используемые в уравнении. Настройку весов в нейронной сети обычно называют обучением или приданием новых свойств тренировкой. Для обучения нейронной сети необходимо, чтобы были объединены обучающие данные 201(фиг. 2), предназначенные для использования в процессе обучения. В случае настоящего изобретения они состоят из данных некоторого распознаваемого процесса и заранее присвоенных классификаций относительно исходящих данных или входящих данных. После этого осуществляют процесс обучения, шаги которого показаны на фиг. 6 и описаны ниже. Что касается фиг. 6, то настоящее изобретение легче осуществить с помощью этого конкретного подхода к обучению нейронной сети, но он не является определяющим для него. На шаге 600 инициализируют веса со случайными значениями. При повторном обучении нейронной сети шаг 600 можно пропустить, чтобы начать обучение с весов, вычисленных для нейронной сети на предыдущем сеансе (сеансах) обучения. На шаге 601 множество входных данных подают на нейронную сеть. Как описано ранее, эти входные данные побуждают узлы во входном слое формировать выходные значения для узлов скрытого слоя, который, в свою очередь, формирует выходные значения для узлов выходного слоя, который, в свою очередь, формирует классификацию, необходимую для настоящего изобретения. Этот поток информации от входных узлов к выходным узлам обычно называют прямым активационным потоком. Прямая активация показана на правой стороне фиг. 3. Как показано на фиг. 6, в связи с подачей входных данных на нейронную сеть на шаге 601 формируют необходимое (фактическое, или известное, или правильное) выходное значение. В случае настоящего изобретения оно состоит из заранее присвоенных классификаций исходящих данных/входящих данных, хотя на самом деле в этом случае они неизвестны. На шаге 603 результаты классификации, полученные нейронной сетью, сравнивают с заранее присвоенными классификациями. Различие между необходимыми выходными значениями, т.е. заранее присвоенными классификациями, и результатом классификации, полученным нейронной сетью, называют значением ошибки. Это значение ошибки затем используют для настройки весов в нейронной сети, что иллюстрируется шагом 605. Один подходящий способ настройки весов называют обратным распространением ошибки (также обычно называемый обобщенным дельта-правилом). Обратное распространение ошибки относится к способу обучения с учителем, в котором сигнал выходной ошибки подают обратно через сеть, вызывая изменения весов соединений с тем, чтобы минимизировать эту ошибку. В способе обратного распространения значение ошибки и обучающий закон используют для определения степени необходимой настройки весов в сети. Фактически, ошибку между прогнозируемым выходным значением и необходимым выходным значением распространяют обратно через выходной слой и через скрытый слой (скрытые слои). При обратном распространении значение полной ошибки распределяется по узлам в нейронной сети, при этом на основе распределенных значений ошибки настраивают веса, соответствующие входным значениям каждого узла. Следовательно, значение ошибки распространяют обратно через нейронную сеть. Этим объясняется название - обратное распространение. Этот поток обратной ошибки показан на левой стороне фиг. 3. После того, как ошибка, относящаяся к заданному узлу, становится известной, можно настроить вес узла. Один путь настройки весов для заданного узла выражается следующим образом: где Е - сигнал ошибки, относящийся к узлу, X представляет собой входные значения (т.е. в виде вектора),Wстарыетекущие веса (представленные в виде вектора), Wновые - веса после настройки, апредставляет собой константу или коэффициент скорости обучения. Значениеможет рассматриваться как размер шагов на участке снижения кривой ошибки. В настоящем изобретении можно использовать другие варианты этого способа. Например, следующий: включающий в себя член момента(Wновые-Wстарые) предшествующий, гдеявляется постоянной, умноженной на изменение веса от предыдущего входного образа. В соответствии со способом обратного распространения, который является иллюстрацией способов обучения, которые можно использовать для нейронной сети, значение ошибки для каждого узла в скрытом слое вычисляют путем суммирования ошибок выходных значений узлов, каждая из которых умножена на свой соответствующий вес на соединении между скрытым узлом в скрытом слое и соответствующими выходными узлами в выходном слое. Затем оценку ошибки для каждого узла скрытого слоя используют описанным выше способом для настройки весов между входным слоем и скрытым слоем. Следовательно, можно видеть, что ошибку между выходными данными и обучающими входными данными распространяют обратно через сеть для настройки весов так, чтобы ошибка уменьшалась. Этот процесс итеративно повторяют с помощью обучающих данных 201 до тех пор, пока обучение не завершится. Как показано на шаге 607, для определения того, завершено обучение или нет, используют тест. Обычно с помощью этого теста просто проверяют, что значение ошибки меньше, чем некоторое порого- 12005806 вое значение в пределах определенного числа предшествующих итераций обучения, или обучение просто заканчивают после определенного числа итераций. Предпочтительный способ заключается в использовании множества тестовых данных 202 и измерении ошибки, образующейся при подаче тестовых данных. Тестовые данные формируют таким образом,чтобы они взаимно не пересекались с данными, используемыми для обучения. В предпочтительном варианте осуществления настоящего изобретения нейронную сеть подвергают обучению до тех пор, пока не достигают оптимальной для прекращения обучения точки. Оптимальная точка обучения представляет собой точку при обучении нейронной сети, в которой отклонение 1001 результата классификации нейронной сети достигает минимума по отношению к известным результатам по тестовому множеству 202,полученному от некоторого распознаваемого процесса, и из заранее присвоенных классификаций исходящих данных/входящих данных. Заметим, что, когда тестовые данные 202 используют для определения завершения обучения, то в результате приложения тестовых данных к нейронной сети настройку весов не производят. То есть, тестовые данные не используют для обучения сети. Итак, для обучения только что конфигурированной нейронной сети веса обычно инициализируют случайными значениями, шаг 600. Во время обучения нейронная сеть использует свои входные данные для образования предсказанных выходных данных, как описано выше на шаге 601. Эти значения выходных данных в сочетании с обучающими входными данными используют для получения данных ошибки,шаг 603. Данные ошибки представляют собой разность между выходным значением выходных узлов и целевыми или фактическими данными, которые в случае настоящего изобретения состоят из заранее присвоенных классификаций в исходящих данных/входящих данных. Затем эти значения данных ошибки распространяют обратно через сеть, через выходной узел (выходные узлы) и используют в соответствии с функцией активации, представленной в этих узлах, для настройки весов, шаг 605. Вычисляют отклонение 1001 между результатом классификации нейронной сети по тестовым данным 202 и заранее присвоенными классификациями в тестовых данных 202, шаг 609. Тест на отклонение 1001 используют для определения того, завершилось ли обучение или необходимо дальнейшее обучение, шаг 607. Хотя предпочтительный вариант осуществления изобретения описан применительно к базовому алгоритму обратного распространения, в настоящем изобретении можно также использовать другие варианты алгоритма обратного распространения. Кроме того, можно использовать другие обучающие законы. Например, подкрепляемое обучение. При подкрепляемом обучении глобальный подкрепляющий сигнал подают ко всем узлам в нейронной сети. После этого узлы настраивают свой вес на основе подкрепляющего сигнала. Этот способ несомненно отличается от способов обратного распространения, в которых,по существу, делается попытка образовать сигнал ошибки на выходе каждого нейрона в сети. В подкрепляемом обучении имеется только один сигнал ошибки, который используется всеми узлами. Обучающие и тестовые данные Нейронную сеть обучают путем повторяющегося представления ей обучающих данных 201. Теперь вернемся к фиг. 5, где каждое обучающее множество 501 имеет набор элементов 503 данных от некоторого распознаваемого процесса и исходящие данные или входящие данные с заранее присвоенными классификациями. По структуре тестовое множество 202 идентично обучающему множеству 201, но тестовое множество 202 заметно отличается от обучающего множества 201 тем, что оно не содержит какихлибо элементов данных, таких же как в обучающем множестве. В случае настоящего изобретения одно из множеств данных используют как обучающее множество 201, а два других прилегающих и выровненных множества данных объединяют для образования тестового множества 202. В настоящем изобретении тестовое множество 202 конфигурируют так, чтобы по каждую сторону от обучающей строки находилось одно множество элементов данных. Цель такой конфигурации данных будет кратко рассмотрена. Предобработка Функция 107 предобработки показана на фиг. 1. Предобработку входных значений можно выполнять тогда, когда входные значения подают на нейронную сеть, или входные значения можно предварительно обрабатывать и запоминать как предварительно обработанные значения в виде множества входных данных. Предобработка может включать в себя один или несколько шагов. Например, обнаружено,что классический алгоритм обратного распространения ошибки работает лучше всего, когда входные данные нормализованы в диапазоне [-1, 1] или [0, 1]. Заметим, что нормализацию выполняют для каждого фактора данных. Например, в случае сейсмических данных амплитуды в каждый двунаправленный момент времени нормализуют в виде вектора. Кроме того, шаг нормализации можно объединить с другими шагами, такими как получение натурального логарифма входного значения. Поэтому предобработка может состоять из получения натурального логарифма каждого входного значения и нормализации входных данных на протяжении некоторого интервала. Логарифмический масштаб позволяет сильнее сжать большие значения данных, чем меньшие значения. Когда нейронная сеть состоит из узлов с сигмоидной функцией активации, лучшие результаты получают, если данные нормализуют на протяжении интервала [0,2; 0,8]. При нормализации в пределах диапазона [0,2; 0,8] используют ядро сигмоидальной функции активации. Для предобработки входных значений можно использовать другие функции.- 13005806 Вычисление отклонения от тестового множества На фиг. 6 и 10 показано вычисление отклонения 609 и 1001 результатов классификации нейронной сетью от заранее присвоенных классификаций в тестовом множестве 202 (стадия 609 на фиг. 6) и использование этого отклонения для того, чтобы определить оптимальную точку для прекращения дальнейшего обучения с целью облегчения осуществления настоящего изобретения, что не является обязательным для него. Теперь будет описан этот облегчающий аспект, который составляет предпочтительный вариант осуществления настоящего изобретения. После настройки весов, которая показана шагом 605, на сеть подают тестовое множество 202. После этого вычисляют отклонение 1001 между результатом классификации нейронной сети и заранее присвоенными классификациями в тестовом множестве 202. Затем это отклонение используют для определения того, получена ли при обучении оптимальная характеристика для данной нейронной сети, шаг 607, и, если получена, обучение останавливают. Два вопроса связаны с достижением оптимального результата: 1) что считать отклонением и 2) как определить, что достигается оптимальное отклонение. На фиг. 10 представлены две кривые, которые являются функцией числа итераций при обучении нейронной сети. Одна отражает среднюю квадратическую ошибку 1003, полученную на основании обучающего множества 201, а другая представляет отклонение 1001, полученное на основании тестового множества 202. Задача нейронной сети, когда ее обучают, заключается в минимизации средней квадратической ошибки 1003 путем настройки весов нейронной сети после каждой обучающей итерации. В результате каждой итерации нейронная сеть все с большей и большей степенью точности приспосабливается к обучающему множеству, в то время как кривая 1003 средней квадратической ошибки стремится асимптотически приблизиться к нулю. Поэтому нейронная сеть может приспособиться к заданному образу с любой, произвольно выбранной степенью точности. Однако использование принципа нейронной сети для осуществления классификации не является общей задачей. Общая задача заключается в получении нейронной сети, которая будет обобщать то, что ей представляют, на другие множества данных. Поэтому в процессе итераций имеется точка, когда нейронная сеть обучается образам, лежащим в основе обучающих данных, и затем запоминает обучающие данные, включая любой шум, который они могут содержать. Эту проблему чрезмерной адаптации или переобучения можно исключить, если обучать нейронную сеть с помощью обучающих данных 201, но определять ее способность к обобщению на другом множестве данных, называемом тестовыми данными 202. Это осуществляют путем вычисления отклонения 1001 между классификацией нейронной сетью и заранее присвоенными классификациями из тестовых данных 202. Отклонение может быть любой функцией, которую системный разработчик сочтет наиболее подходящей для рассматриваемой проблемы. Например, в случае решения задач классификации, таких как оконтуривание пространственно зависимых объектов, отклонением 1001 может быть средняя квадратическая ошибка относительно тестовых данных 202, критерий хи-квадрат или просто ряд неточно определенных зависимостей. Специалисты в данной области техники быстро поймут, что с получением одинаковых результатов можно использовать различные способы вычисления отклонения без отступления от истинной сущности и объема изобретения. Шаг 609 на фиг. 6 отражает точку в процессе итераций, в которой вычисляют отклонение. Итерация, при которой отклонение 1001 достигает минимума, соответствует оптимальной точке 1005 для любого заданного множества тестовых данных 202, в которой прекращают обучение. В этой точке заканчивается обучение нейронной сети образу (образам) в обучающем множестве и начинается чрезмерная адаптация или запоминание данных. Точно также, как само отклонение можно вычислить разнообразными способами, оптимальную точку для прекращения обучения также можно вычислить разнообразными способами. Она является точкой, в которой отклонение прекращает уменьшаться при продолжении обучения, а вместо этого начинает возрастать. Например, эту точку перегиба наиболее просто определить путем наблюдения того, что отклонение не имеет нового минимума в пределах некоторого заданного числа итераций, или более сложным путем, выполняя текущую линейную регрессию относительно отклонения для некоторого числа итераций в прошлом и наблюдая, когда наклон кривой становится положительным. Специалисты в данной области техники могут быстро предложить другие способы для определения минимума без отступления от истинной сущности и объема изобретения. Шаг 609 на фиг. 6 отражает точку в процессе итераций, в которой осуществляют вычисления для определения минимума. Исходя из практических соображений, веса нейронной сети можно сохранять для соответствующих номеров итераций в прошлом. Этим весам присваивают индексы соответственно итерационному номеру,при котором они были получены. Когда установлено, что точка перегиба достигнута, номер итерации,соответствующий наименьшему значению отклонения, используют для извлечения оптимальных весов нейронной сети. Оконтуривание пространственно зависимых объектов В находящейся в процессе одновременного рассмотрения заявке с серийным номером 08/974122 на патент США под названием "Оптимальное прекращение обучения в нейронных сетях" показано, каким- 14005806 образом оптимально остановить процесс обучения. Раньше это было до некоторой степени проблемой при использовании нейронных сетей. Однако подобная проблема все еще существует. То есть в части того, как задать оптимальное число узлов, т.е. архитектуру сети, и какую использовать функцию (функции) активации в конкретной архитектуре нейронной сети. Поэтому одна задача настоящего изобретения заключается в том, чтобы описать, каким образом до начала общего процесса оконтуривания пространственно зависимых объектов, показанного на фиг. 11, задать соответствующее число узлов и функцию активации для использования в нейронной сети. Число узлов, необходимых для наилучшего решения задачи конкретной нейронной сетью зависит,главным образом, от общей структуры задачи, например от числа переменных, числа наблюдений, числа выходных узлов и т.д. Фактические значения данных очень мало влияют на число используемых узлов. Значения данных оказывают намного большее влияние на число необходимых обучающих итераций. Поэтому первым шагом 1101 в процессе оконтуривания пространственно зависимых объектов является определение оптимального числа используемых узлов. Это осуществляют путем конфигурирования скользящего окна 205, расположения окна в некоторой области данных, которая должна быть хотя бы согласованной с ним, например см. фиг. 12, и затем путем согласованной, в том числе во времени, модификации фактических данных в области части входящих данных скользящего окна 1206. В случае сейсмических данных, которые использованы в качестве примера, можно предположить, что верхний левый угол схемы расстановки сейсмоприемников, показанной на фиг. 12, на самом деле не является газоносной или нефтеносной зоной и оказывается хорошим местом для определения оптимального числа узлов. Далее, продолжая рассмотрение сейсмического примера, некоторые из конкретных амплитуд можно модифицировать во времени до одинакового значения на всех сейсмограммах общей глубинной точки(ОГТ), показанной на фиг. 13, которые находятся в пределах части входящих данных скользящего окна. При задании временных значений следует принимать во внимание, что они не должны слишком различаться, поскольку задача заключается в наблюдении отклонения, стремящегося к минимуму, а не в его падении немедленно до нуля. Затем нейронную сеть обучают до оптимальной остановки обучения точки для следующего числа узлов. Отклонение относительно тестового множества 202 для каждого числа узлов запоминают и отслеживают, и после того, как станет ясно, что для конкретного числа узлов достигается минимум процесса, процесс останавливают. Число узлов, при которых был достигнут минимум,используют на всем протяжении процесса оконтуривания. Как показано на шаге 1102 из фиг. 11, подобный процесс используют для определения оптимальной функции активации, например показанной на фиг. 7. Функции активации в отличие от данных различных типов реализуют иначе, например от того, будут ли данные сглажены или иметь пики, может зависеть эффективность различных функций активации. Поэтому после получения оптимального числа узлов, т.е. архитектуры сети, и до восстановления данных в исходное состояние различные функции активации проверяют на неподвижном скользящем окне 1206, используя оптимальное число узлов. Отклонение относительно тестового множества 202 для каждой подобранной функции активации запоминают и отслеживают. Наконец, исходные данные восстанавливают, а функцию активации, которая создает наименьшее отклонение, выбирают в качестве функции активации, чтобы использовать на всем протяжении процесса оконтуривания. Когда известно частичное знание или интуитивное представление или их можно предположить относительно примерного оконтуривания, то можно использовать это знание, интуицию или предположение для ускорения процесса оконтуривания. Поэтому дальнейшая задача настоящего изобретения заключается в раскрытии того, каким образом можно использовать это неполное знание. В иллюстративном случае сейсмических данных это знание можно получить из аэромагнитных профилей, или данных гравиметрической разведки, или даже из опыта и мнения интерпретаторов данных сейсмической разведки или геологов. Например, в сейсмическом случае, показанном на фиг. 12, общепринято начинать сейсмические взрывы за пределами предполагаемых нефтеносных и/или газоносных зон и выполнять их на одних линиях на протяжении рассматриваемого участка. Поэтому считается вполне вероятным, что сейсмограммы ОГТ в углу схемы расстановки будут за пределами предполагаемой нефтеносной и/или газоносной зоны, тогда как сейсмограммы ОГТ, относящиеся к предполагаемой нефтеносной и/или газоносной зоне, будут находиться в середине схемы расстановки сейсмоприемников. В случае распознавания лица трудная и важная задача распознавания пространственно зависимых объектов нейронной сетью является типичной для формирования изображения лица человека на однородном фоне. Поэтому в случае распознавания лица можно надеяться обнаружить лицо человека в середине данных и ожидать обнаружения фона в углах. Можно использовать частичное знание этого типа, интуицию или предположение для ускорения процесса оконтуривания. Поэтому третьим шагом 1103 в процессе оконтуривания пространственно зависимых объектов (показанном на фиг. 11) является включение частичного знания, интуиции или предположения. На фиг. 14 представлено продолжение примерной схемы расстановки сейсмоприемников из фиг. 12, можно видеть,что на фиг. 14 скользящее окно 1206 из фиг. 12 разделено на две части 1401 и 1402. Часть 1401 исходящих данных разделенного скользящего окна сделана неподвижной в углу схемы расстановки сейсмоприемников, тогда как часть 1402 входящих данных, которая допускает скольжение, исходно расположена в- 15005806 середине схемы 1400 расстановки сейсмоприемников. Затем нейронную сеть, представленную обеим частям скользящего окна, обучают до оптимальной точки, используя некоторое количество узлов и функцию активации, найденную на шагах 1101 и 1102 процесса оконтуривания. Быстрая сходимость минимального отклонения, т.е. небольшого по величине, указывает на существование месторождения, района или скопления какого-либо вида. Если нейронная сеть не сходится быстро к небольшому отклонению, то может оказаться желательным перемещение скользящего окна входящих данных в другое место и повторение процесса. Если способ настоящего изобретения использовать для оконтуривания основного объекта, то полное оконтуривание часто можно завершить после обучения с использованием частичного знания, интуиции или предположения. Поэтому на фиг. 11 решение о том, завершилось оконтуривание после окончания обучения или нет, принимается в блоке 1107. Если да, то процесс переходит к блоку 1106, который рассмотрен ниже. С другой стороны, если оконтуривание не завершилось после окончания обучения, процесс переходит к блоку 1104. При некоторых обстоятельствах информацию, относящуюся к процессу, можно получить как результат способа, которым конфигурируют скользящее окно. Если одна сторона тестового множества 202 сходится, тогда как другая сторона не сходится, можно заключить, что часть входящих данных скользящего окна находится на краю месторождения, как показано позицией 505. Поэтому перемещение части 502 входящих данных скользящего окна по направлению к сходящейся стороне, т.е. вниз на фиг. 5, вероятно приведет к сходимости по обе стороны от скользящего окна. По этой причине желательно иметь тестовое множество, равномерно конфигурированное относительно обеих сторон обучающего множества. Поэтому одна задача настоящего изобретения, т.е. обнаружение направления, в котором находится объект, месторождение или скопление, когда скользящее окно настоящего изобретения расположено на краю или в углу объекта, месторождения или скопления, решается для обоих краев. Когда достигается сбалансированная сходимость, полное множество 509 данных пропускают через нейронную сеть с результирующими весами, чтобы оконтурить все месторождение, район или скопление. Часто отсутствует знание или интуиция относительно местоположения пространственно зависимых объектов. В действительности же часто важно знать даже о возможности существования таких объектов в пределах определенного множества данных. Последнее особенно существенно и ценно при анализе сейсмических данных. Поэтому еще одна задача настоящего изобретения заключается в создании системы, способа и процесса для определения того, будет или нет точно существовать различимый объект(объекты) в пределах данных, полученных от некоторого распознаваемого процесса. Например, возможно или нет оконтурить районы, которые имеют характерные черты пластов углеводородов, в пределах участка, перекрываемого определенным множеством сейсмических данных. Эту задачу относительно существования такого оконтуривания можно решить даже тогда, когда априори нет сведений о наличии месторождения, района или скопления. Это осуществляют на шаге 1104 фиг. 11 путем продвижения всего множества данных по отношению к скользящему окну 1206. Скользящее окно не разделено, и оно обычно начинается, как показано на фиг. 12, в каком-либо углу. Процесс обучения проводят до оптимальной точки, при этом, как и раньше,после каждой сходимости множество данных продвигают на одну точку данных. То есть, первые точки исходящих данных выпадают из каждой из трех строк, составляющих иллюстративное скользящее окно 205. Затем первые три точки входящих данных становятся точками исходящих данных; и, наконец, три новые точки входящих данных добавляют в скользящее окно. После этого снова начинают процесс обучения нейронной сети и заканчивают с получением нового отклонения при оптимальной остановке точки обучения. Хотя скользящее окно полностью остается за пределами района, месторождения или скопления, отклонения при каждом положении скользящего окна будут сохраняться высокими и близкими к постоянной величине. По мере вхождения скользящего окна в обнаруживаемый район, месторождение или скопление отклонение начинает уменьшаться и достигает минимума, когда скользящее окно оказывается центрированным относительно края обнаруживаемого района, месторождения или скопления. Как и раньше, при достижении сильной и сбалансированной сходимости полное множество 509 данных пропускают на фоне результирующих весов нейронной сети для оконтуривания всего месторождения, района или скопления. Если существенная сходимость не достигается, существование месторождений, районов или скоплений маловероятно. Во многих случаях пространственно зависимых объектов недостаточно оконтурить основной объект. Кроме того, необходимо оконтуривание подобъектов с различными свойствами. Например, в случае месторождений углеводородов и сейсмических данных также представляет большой интерес и значение выделение газовой шапки из водонефтяного контакта в газонефтяном месторождении, что показано на фиг. 15, или выделение зон с различной пористостью, проницаемостью или продуктивностью при использовании сейсмических данных. Поэтому еще одна задача настоящего изобретения заключается в создании системы, способа и процесса для выделения различных подобъектов, подрайонов или частей скопления, которые могут существовать в пределах определенного множества данных, получаемых от некоторого распознаваемого процесса. Эту задачу относительно существования такого оконтуривания частей можно выполнить на шаге 1105 фиг. 11 даже тогда, когда априори отсутствует знание о наличии части месторождения, подрайона- 16005806 или части скопления. В предположении оконтуривания всего основного объекта полное скользящее окно 1501 располагают в месте на краю основного объекта, на линии, вдоль которой предполагается существование подобъекта. Однако на этот раз скользящее окно располагают полностью внутри основного объекта, при этом часть исходящих данных прилегает к краю основного объекта. Скользящее окно обучают до оптимальной точки и затем перемещают, как описано ранее. И опять в оптимальной точке контролируют отклонение, чтобы обнаружить положение окна, при котором отклонение минимально. Когда минимальное отклонение найдено, полное множество 509 данных или какое-либо подмножество из полного множества данных можно пропустить к результирующим весам нейронной сети для оконтуривания подобъекта. В качестве альтернативы можно систематически пересекать всю область основного объекта. Можно ожидать, что при оконтуривании подобъектов отклонение будет больше, а минимум не будет таким отчетливым, как в случае основного объекта. Например, при выделении газовой шапки 1502 из водонефтяного контакта 1503 можно ожидать, что отклонение в оптимальной точке, наблюдаемое, когда скользящее окно центрировано относительно края газовой шапки, будет больше, чем в случае, когда часть исходящих данных скользящего окна находится полностью за пределами нефтегазовых месторождений, а часть входящих данных скользящего окна полностью центрирована в пределах составляющего одно целое нефтегазового месторождения. На фиг. 15 скользящее окно находится на краю водонефтяного контакта, а одна точка данных расположена вне окна, при этом предполагается перемещение вправо от центрированного положения относительно края газовой шапки. Известная хорошо проблема, возникающая при использовании нейронных сетей, связана с возможностью определения степени достигнутой точности выполненного предсказания или классификации. Поэтому еще одна задача настоящего изобретения заключается в раскрытии способа для внутренней проверки корректности, т.е. определения степени точности оконтуривания, полученного от системы,способа и процесса настоящего изобретения. Эту задачу выполняют на шаге 1106 фиг. 11, в первую очередь, путем оконтуривания всех значений исходящих данных и входящих данных, шаг 1103 или 1104 процесса, для рассматриваемой классификации. Затем из завершенного оконтуривания случайным образом выделяют выборку соответствующего размера, такого же как размер, используемый в скользящем окне. Обучающее множество пропускают через сеть до достижения оптимальной точки и результирующие веса нейронной сети используют для повторной классификации полного множества 509 данных, менее случайно выбранного обучающего множества для рассматриваемой классификации. Записывают отклонение относительно первоначальной классификации. Снова случайным образом выбирают новое обучающее множество и осуществляют обучение до достижения оптимальной точки. Опять выполняют повторную классификацию полного множества значений исходящих данных и входящих данных и снова записывают отклонение относительно первоначальной классификации. Эту процедуру случайного выбора, обучения и повторной классификации повторяют по меньшей мере тридцать раз. Затем стандартные статистические методы, хорошо известные специалистам в данной области техники, используют для вычислений значения и доверительного интервала отклонения нейронной сети для конкретной рассматриваемой классификации. Основные объекты в виде нефтяного и/или газового месторождения могут давать нулевое отклонение, тогда как подобъекты, такие как зоны с различной пористостью, дают ненулевое отклонение в пределах узкого доверительного интервала. Это происходит потому, что сейсмические данные перекрывают зоны с различной пористостью, проницаемостью и продуктивностью. Еще один новый способ для определения достигаемой степени точности заданного предсказания или классификации описан ниже в части описания, относящейся к оконтуриванию месторождений углеводородов, и посредством приложенной формулы изобретения включен в настоящее изобретение. Имеется большое количество областей, в которых система, способы и процесс настоящего изобретения могут найти широкое применение. Отдельные примеры этих областей указаны выше в разделе"Предпосылки изобретения". Поэтому еще одна задача настоящего изобретения заключается в демонстрации того, каким образом широкий набор идей, раскрытых в настоящем изобретении, можно применить к различным сферам деятельности, разработкам и физическим конструкциям. Кроме того, специфические характеристики сигналов различных датчиков могут приводить, по существу, к той же самой задаче нейронной сети, т.е. к оконтуриванию пространственно зависимых объектов. Хотя идеи, раскрытые в настоящем изобретении, рассчитаны на достижение эффективности, процесс в целом все же требует большой вычислительной интенсивности. Поэтому еще одна задача настоящего изобретения заключается в демонстрации того, каким образом идеи, раскрытые в настоящем изобретении, можно реализовать параллельно на различных машинах, чтобы ускорить обработку, и внедрить непосредственно в аппаратное обеспечение. Параллельную обработку идей, содержащихся в настоящем изобретении, можно осуществить различными путями. Например, при просмотре данных для обнаружения в сейсмических данных основного объекта, такого как месторождение углеводородов,можно использовать большое количество компьютеров. В этом случае одно положение скользящего окна обучают параллельно на каждом компьютере; тем самым продвигая скользящее окно посредством некоторого количества компьютеров для каждого параллельного решения задачи. С целью контроля в конце каждого параллельного решения отклонение объединяют в один файл. Объединение отклонений можно- 17005806 быстро осуществить в пределах сети. Другим примером использования параллельной обработки при применении настоящего изобретения является определение соответствующего числа узлов. В этом случае на каждом компьютере обучают различное число узлов, а результирующие отклонения сводят вместе для оценки в конце параллельной работы. И опять это объединение отклонений можно быстро осуществить в рамках сети. Большое количество вариантов осуществления параллельной обработки можно получить, используя идеи настоящего изобретения, при этом подразумевается, что все такие применения охватываются приложенной формулой изобретения, как попадающие в рамки истинной сущности и объема настоящего изобретения. Часто распознавание пространственно зависимых объектов необходимо производить в реальном времени. Например, в случае сейсмических данных это оказывается особенно ценным, обеспечивая сокращение дорогостоящего времени регистрации сейсмических данных. Поэтому еще одна задача настоящего изобретения заключается в демонстрации того, каким образом идеи, раскрытые в настоящем изобретении, можно реализовать для использования в реальном времени. В случае регистрации сейсмических данных это можно осуществить путем создания длинных линий взрывов наряду с одновременной обработкой индивидуальных сейсмограмм взрывов вдоль одномерной линии при использовании процедуры скользящего окна, описанной выше. После того как объект оконтурен по одномерной линии, посредством регистрации сейсмических данных можно начать картирование участка, перпендикулярного к одномерному объекту. Это можно осуществлять при двумерной или трехмерной регистрации и обработке сейсмических данных. Этот подход позволяет произвести оконтуривание месторождений углеводородов более быстро и с меньшими затратами. Кроме того, этот подход можно использовать в отношении сейсмических данных, полученных путем вибросейса. Тот же самый подход можно использовать в отношении гидролокационных данных для обнаружения погруженного объекта, такого как вертикальная плоская поверхность. Специалисты в соответствующих областях техники найдут много других примеров, в которых идеи настоящего изобретения можно применить в реальном времени, при этом соответственно подразумевается, что все такие применения охватываются приложенной формулой изобретения,как попадающие в рамки истинной сущности и объема настоящего изобретения. При выполнении процесса распознавания в реальном времени, описанного выше, или статического анализа считанных данных идеи настоящего изобретения можно быстро реализовать путем встраивания функции нейронной сети в аппаратное обеспечение. Поэтому в настоящем изобретении предполагается, что различные конфигурации аппаратного обеспечения можно использовать в сочетании с идеями настоящего изобретения. В самом деле, интегральные схемы нейронных сетей выпускаются промышленностью и могут быть конфигурированы для осуществления идей настоящего изобретения. Соответственно подразумевается, что все такие применения охватываются приложенной формулой изобретения, как попадающие в рамки истинной сущности и объема настоящего изобретения. Еще одна задача настоящего изобретения заключается в создании системы, способа и процесса для обнаружения и оконтуривания месторождений углеводородов непосредственно по сейсмическим данным. Описание того, как применить идеи настоящего изобретения в случае экспериментального применения изобретения для оконтуривания газовой шапки в газонефтяном месторождении, представляет собой не создающий ограничений иллюстративный вариант осуществления настоящего изобретения. В описанном ниже экспериментальном иллюстративном варианте осуществления можно использовать программное обеспечение Enterprise Miner фирмы SAS Institute, Inc. для создания основы нейронной сети, к которой относится настоящее изобретение. Первой задачей является определение данных, используемых при анализе, и загрузка их из формата SEG-Y (принятого Обществом специалистов по разведочной геофизике) во множества данных упомянутой выше фирмы SAS. Использовались трехмерные сейсмические данные, полученные при использовании динамита приемниками, расположенными с разнесением на двадцать пять метров. В примере, который приведен ниже, использовался набор из 72 трасс на каждую сейсмограмму ОГТ (фиг. 13). Полное время пробега до нижней границы составляло 1,2 с, а интервал выборки был равен 2 мс. В предпочтительном варианте осуществления учитываются все условия отложения пород. Это сделано таким образом, что рассматривается не только само месторождение углеводородов; но при анализе также учитываются такие характеристики, как ловушки, пути миграции из нефтематеринской породы и нижележащие бассейны. В иллюстративном варианте осуществления настоящего изобретения использовались все амплитуды от поверхности до нижней границы, а нейронная сеть позволяла определять, когда заканчивается поверхностная волна, которая продолжается примерно 90 мс. Момент, когда поверхностная волна прекращается, определяют, используя скользящее окно, ориентированное в вертикальном направлении, вместо расположенного горизонтально, описанного ранее. Оконтуривание месторождения углеводородов первоначально осуществляют путем использования всех амплитуд от поверхности до нижней границы. Затем небольшое число амплитуд (25 в приведенном примере) включают в скользящее вертикально окно, которое начинается на поверхности и перемещается вниз за один раз на одну амплитуду до тех пор, пока результаты от 25 амплитуд не начнут вносить вклад в интенсивность сигнала функции оконтуривания пласта, т.е. пока 25 амплитуд сами по себе не начнут вносить положительный- 18005806 вклад в распознавание по тестовому множеству. Этот момент соответствует времени, когда поверхностная волна больше не оказывает перекрывающего влияния. Подобный процесс выполнен ниже применительно к пласту углеводородов для определения момента времени, когда окружающие отложения больше не влияют на оконтуривание месторождения углеводородов. Затем амплитуды до и после этого момента времени удаляют из дальнейших расчетов, тем самым усиливая функцию распознавания относительно месторождения углеводородов. В приведенном примере использовались предварительно уложенные в стопку данные при нормальном приращении годографа отраженной волны. Хотя получение трасс непосредственно с лент с записью полей и преобразование в сейсмограммы ОГТ представляют собой предпочтительный уровень обработки для настоящего изобретения, точные результаты можно получить, используя различные уровни обработки. В настоящем изобретении предусмотрено, что специалисты в данной области техники будут использовать данные разнообразных видов и различные уровни обработки. Соответственно подразумевается,что приложенной формулой изобретения охватываются все данные таких видов и уровни обработки, как попадающие в рамки истинной сущности и объема настоящего изобретения. Классификацию на (1) входящих данных или на (0) исходящих данных осуществляли для каждой трассы в каждой сейсмограмме ОГТ, которая представляет собой входящие данные или исходящие данные. Поэтому в приведенном примере имелось 72 трассы, при этом каждая из 72 трасс или наблюдений классифицировалась в сейсмограмме ОГТ как 1 или 0 в зависимости от того, представляет сейсмограмма ОГТ входящие данные или исходящие данные. Обычно наилучшие результаты от нейронной сети получают, когда наблюдения в 1,5-2 раза превышают число переменных, т.е. когда в случае сейсмических данных используют все амплитуды плюс некоторое количество переменных заголовка трассы. Поэтому для полного времени пробега 1,2 с при интервалах выборки 2 мс в приведенном примере необходимо иметь примерно от 900 до 1200 наблюдений. При 72 трассах на каждую сейсмограмму ОГТ, чтобы найти точное решение в приведенном примере, нужно от 13 до 17 сейсмограмм ОГТ. В приведенном примере в дополнение к амплитудам были использованы смещение и статика переменных из заголовков трасс; однако различные сочетания переменных заголовков трасс и амплитуд будут давать точные результаты; поэтому подразумевается, что приложенной формулой изобретения охватываются все такие комбинации переменных, как попадающие в рамки истинной сущности и объема настоящего изобретения. Как показано в настоящем изобретении, осуществлялось предварительное определение требуемого числа узлов 1101 и функции активации (1102 и фиг. 7). Кроме того, проводилось обучение для определения соответствующего числа узлов, прекращаемое в пределах двадцати пяти или около того итераций, из которых позднее находилась оптимальная точка при проведении реальной классификации. Поскольку были доступны частичные сведения относительно газовой шапки, все трассы в восьми сейсмограммах ОГТ на периферии схемы расстановки сейсмоприемников были классифицированы как исходящие данные, а все трассы в восьми расположенных в центре сейсмограмм ОГТ были классифицированы как входящие данные. Эти данные были использованы для образования обучающего множества 201 в разделенном скользящем окне 1401 и 1402. Аналогично в соответствии с раскрытием настоящего изобретения было конфигурировано тестовое множество 202. Разделенное окно было запущено на выполнение программы до оптимальной остановки точки обучения, а затем был классифицирован остаток полных данных 509. На шаге 1106 проверки достоверности было обнаружено, что все сейсмограммы ОГТ в полных данных 509 классифицированы правильно со 100%-ной достоверностью. В соответствии с тем, что было показано в настоящем изобретении, после этого скользящее окно продвигали вдоль строки от водонефтяного контакта, чтобы, как показано на фиг. 15, обнаружить газовую шапку. Данные за прошлое время, относящиеся к скважинам, о которых было известно, что они находятся в газовой шапке или вне газовой шапки, также использовались в приведенном примере. Данные подвергались вторичной обработке совместно с этими априорными сведениями, и результаты были идентичны полученным выше. Поэтому подразумевается, что оба условия, при которых априорные сведения доступны и недоступны, охватываются приложенной формулой настоящего изобретения, которая относится к системе, способу и процессу для обнаружения и оконтуривания месторождений углеводородов непосредственно по сейсмическим данным. После обучения нейронной сети оценивали все ОГТ, полученные при разведке, что также представляет собой еще один новый способ для внутренней проверки корректности, т.е. для определения степени точности оконтуривания, полученного от системы, способа и процесса настоящего изобретения. Каждую трассу в ОГТ, которая оценена в качестве входящих данных или исходящих данных, представляли нейронной сети, т.е. каждую трассу умножали на весовой вектор, чтобы получить оценку между 0 и 1. Редко, если это вообще имеет место, оценка трасс равна точно 0 и 1. Поэтому необходимо определять, в какой точке между 0 и 1 ОГТ оценена в качестве исходящих данных или входящих данных. Все оценки трасс в полученных ОГТ усредняли, чтобы получить оценку ОГТ, которая находится между 0 и 1. Когда ОГТ, которые являются входящими данными, четко отличаются от тех, которые являются исходящими данными, все оценки для ОГТ, которые являются входящими данными, больше 0,5, а все оценки для ОГТ, которые являются исходящими данными, меньше или равны 0,5. Когда априори доступны сведения о скважинах, точки в оценке ОГТ, по которым правильно распознаются ОГТ для определенно входящих- 19005806 данных и определенно исходящих данных, можно непосредственно найти по известным классифицированным ОГТ. Кроме того, путем определения числа ОГТ между точками определенно входящих данных и определенно исходящих данных можно найти степень точности полученного предсказания или классификации, достигнутой при использовании способа, раскрытого выше, совместно с известными данными. Еще одна задача настоящего изобретения заключается в раскрытии нового способа для определения достигаемой степени точности заданного предсказания или классификации, когда априори недоступны сведения для нахождения такой точности. После обнаружения и классификации месторождения углеводородов посредством системы и способа, изложенных выше, дополнительные нейронные сети конфигурируют, обучают, тестируют и классифицируют, используя ОГТ, которые не использовали в исходной нейронной сети, с помощью которой первоначально осуществлялась классификация. Обучающее и тестовое множества этих нейронных сетей составляют из ОГТ, которые оценены высокими и низкими значениями на стадии первоначальной классификации, посредством которой обнаруживалось месторождение углеводородов. Затем сумму ОГТ, которые непротиворечиво оценены как входящие данные и непротиворечиво оценены как исходящие данные, делят на общее число ОГТ для получения точности предсказания или классификации. После этого стандартные статистические методы, хорошо известные специалистам в данной области техники, используют точно так же, как в случае определения точности при доступных априори сведениях. Наконец, еще одна новая задача настоящего изобретения заключается в создании системы, способа и процесса для моделирования пласта углеводородов путем использования нейронных сетей. После того,как месторождение углеводородов оконтурено, то же самое множество, состоящее из заголовка трасс и переменных амплитуд, по которым производилось оконтуривание, дополненное суммарной добычей,забойным давлением и дебитом отдельной скважины, можно использовать на протяжении срока эксплуатации пласта для предсказания уровня добычи в проектных местах расположения скважины. Переменная суммарной добычи охватывает общую добычу из пласта вплоть до момента завершения обучения или проектирования скважины. Переменная предсказываемого уровня добычи является производительностью, достигаемой в результате обучения, или на спроектированной скважине в течение некоторого периода времени после завершения, при этом ее состоятельность является более важной, чем сам период. Переменные, используемые для дополнения заголовка трассы и переменных амплитуд, приписывают к каждой трассе ОГТ, наиболее близкой к стволу скважины. Данные, полученные на самых последних реальных скважинах, не используют, а резервируют для тестового множества. Обучение нейронной сети продолжают до тех пор, пока отклонение относительно этого тестового множества не станет минимальным. Согласно настоящему изобретению предполагается, что система, способ и процесс моделирования пласта углеводородов будут использоваться в сочетании с четырехмерными сейсмометрическими исследованиями, при этом соответственно подразумевается, что все такие применения охватываются приложенной формулой изобретения, как попадающие в рамки сущности и объема патентной защиты настоящего изобретения. Согласно настоящему изобретению предполагается, что специалисты в данной области техники найдут иное, чем оконтуривание пространственно зависимых объектов, применение способам, раскрытым для определения оптимального числа узлов, функции активации, присоединения частичного знания или интуиции, определения момента остановки обучения и т.д., в случае использования их в других областях. Соответственно подразумевается, что приложенной формулой изобретения охватываются все такие применения, как попадающие в рамки истинной сущности и объема патентной защиты настоящего изобретения. Конкретные примеры и варианты осуществления Рассмотренное выше относится к предпочтительному способу работы настоящего изобретения. Рассмотрение в этой части описания касается структур (архитектуры) настоящего изобретения. Однако должно быть понятно, что в изложенном выше описании модульная структура (архитектура) настоящего изобретения была также рассмотрена вместе с ее работой. Поэтому некоторые части структуры настоящего изобретения описаны с подключением изложенного выше описания. Наряду с искусственными нейронными сетями многочисленных различных типов существуют искусственные нейронные сети обратного распространения ошибки и радиальных базисных функций, относящиеся к двум общим видам. Обе эти архитектуры нейронных сетей, а также другие архитектуры, можно использовать в настоящем изобретении. Однако иллюстративные варианты осуществления, описанные выше, были основаны на модели обратного распространения. Предпочтительный вариант осуществления настоящего изобретения включает в себя одну или несколько систем программного обеспечения. В этом случае система программного обеспечения представляет собой набор, состоящий из одной или нескольких выполняемых программ пакета программного обеспечения и из одного или нескольких участков памяти, например в виде оперативной памяти или диска. В общих чертах, система программного обеспечения, как должно быть понятно, содержит полностью функциональный вариант осуществления программного обеспечения функции, которое можно до- 20005806 бавить в существующую вычислительную систему, чтобы обеспечить новое функционирование этой вычислительной системы. Поэтому понятно, что система программного обеспечения должна быть программной реализацией функции, которую можно ассемблировать с разделением на слои, чтобы получить вычислительную систему, обеспечивающую новые функциональные возможности. Кроме того, в общем случае интерфейс,обеспечиваемый одной системой программного обеспечения по отношению к другой системе программного обеспечения, является хорошо определенным. В случае настоящего изобретения должно быть понятно, что разграничения между системами программного обеспечения являются образцом предпочтительной реализации. Однако настоящее изобретение можно реализовать, используя любую комбинацию или разбиение систем программного обеспечения. Понятно, что нейронные сети, использованные в настоящем изобретении, можно реализовать любым способом. Например, в предпочтительном варианте осуществления использована программная реализация нейронной сети. Однако понятно, что в настоящем изобретении можно использовать любую форму реализации нейронной сети, включая физический аналог и цифровые формы. В частности, как описано ниже, нейронную сеть можно реализовать в виде программного модуля в вычислительной системе. Кроме того, нейронную сеть настоящего изобретения можно реализовать на одной вычислительной системе во время обучения, а на другой во время рабочего режима. Поэтому нейронный компьютер с параллельной обработкой можно использовать во время стадии обучения с большой вычислительной интенсивностью, а после того, как веса адаптированы, веса и нейронную сеть можно реализовать на некотором количестве других вычислительных устройств, чтобы получить нужную классификацию, используя необходимые рабочие входные данные. Точно так же нейронную сеть можно обучить на одном процессоре, в затем в рабочем режиме распределить по некоторому количеству параллельных процессоров. Что касается настоящего изобретения, то понятно, что осуществить программное обеспечение и вычисления можно не только путем реализации различных элементов в виде систем и способов. Как упоминалось выше, нейронную сеть можно реализовать в аналоговой или цифровой форме. Понятно, что в отношении шагов способа, описанных выше, предназначенных для функционирования систем, описанных в этом разделе, такие операции, как вычисление или детерминирование (которые подразумевают работу цифрового компьютера), также можно осуществить при использовании эквивалентных аналоговых или других способов. В варианте настоящего изобретения нейронную сеть и процесс обучения можно реализовать в виде единственной системы программного обеспечения. Эту единственную систему программного обеспечения можно ввести в вычислительную установку для того, чтобы обеспечить выполнение функций настоящего изобретения. В качестве альтернативы в эту систему программного обеспечения можно также включить функцию (или программу) конфигурации. Модуль конфигурации нейронной сети можно соединить с нейронной сетью с обеспечением двунаправленного пути. Модуль конфигурации нейронной сети пользователь (разработчик) применяет для конфигурирования нейронной сети и управления ею способом, рассмотренным выше для шага и модуля или в связи с обсуждением интерфейса пользователя,сделанным ниже. Таким образом работают некоторые коммерческие пакеты программ, например Enterprise Miner фирмы SAS Institute, Inc. и BDS (Business Discovery Solutions) фирмы IBM Corporation, Армонк, штат Нью-Йорк, США. Нейронная сеть включает в себя модель нейронной сети. Как установлено выше, в настоящем изобретении предусмотрены все доступные в настоящее время модели и архитектуры нейронной сети и те,которые будут разработаны впредь. Модель нейронной сети может быть полносвязанной реализацией или реализацией без обратных связей. Это только примеры. Возможны другие реализации или архитектуры модели нейронной сети. Нейронная сеть имеет доступ к входным данным и доступ к адресам ячеек памяти, в которых она может сохранять выходные данные и данные ошибок. В одном варианте настоящего изобретения использован подход, при котором данные не сохраняют в нейронной сети. Вместо этого в нейронной сети сохраняют указатели данных, которые указывают на адреса хранения данных (например, область рабочей памяти) в отдельной системе программного обеспечения. Эти указатели данных, также называемые спецификациями данных, могут принимать некоторое количество форм и могут использоваться для указания данных, применяемых для ряда целей. Например, можно задать указатель входных данных и указатель выходных данных. Указатель может указывать на конкретную систему источников данных, тип данных и указатель элемента данных или указывать на их использование. Кроме того, нейронная сеть выполняет функцию обращения к данным и функцию хранения данных. В качестве примеров этих функций являются возможность обращения к подпрограммам, доступ к диску и доступ к сети. Это только примеры осуществления функций обращения и сохранения. В предпочтительном способе нейронная сеть использует данные от некоторого распознаваемого процесса. Нейронная сеть может сама извлекать данные из базы данных, или другой модуль может подавать данные в области, заданные указателями нейронных сетей.- 21005806 Кроме того, как рассмотрено выше, нейронная сеть нуждается в обучении. Как установлено ранее, в настоящем изобретении предполагается любой доступный в настоящее время или разработанный в будущем способ обучения. Кроме того, до некоторой степени способ обучения может диктоваться архитектурой используемой модели нейронной сети. Примеры реализаций способов обучения включают в себя обратное распространение ошибки, обобщенный дельта-способ и градиентный спуск, и они все хорошо известны в данной области техники. Нейронная сеть нуждается в знании типа заданных данных. Это особенно важно потому, что она может использовать данные более чем одного типа. Наконец,задают указатель элемента данных. Следовательно, из этого видно, что нейронную сеть можно сконструировать так, чтобы она получала необходимые входные данные или создавала выходные данные любым заданным образом. В предпочтительном варианте осуществления настоящего изобретения это все осуществляется путем выбора меню пользователем (разработчиком) с использованием системы программного обеспечения на компьютерной платформе. В настоящем изобретении можно использовать шаблоны и меню, создаваемые интерфейсом пользователя, которые позволяют пользователю конфигурировать, переконфигурировать и обеспечивать работу настоящего изобретения. Этот подход делает изобретение весьма дружественным для пользователя. Он также исключает для пользователя необходимость в каком-либо программировании компьютеров, поскольку конфигурирование, переконфигурирование и работу настоящего изобретения осуществляют в формате шаблонов и меню, не требующем какой-либо опыта или знания программирования компьютеров. Имеются несколько общедоступных пособий для разработки нейронных сетей. Например, Enterprise Miner фирмы SAS Institute, Inc. и IntelligentMiner фирмы IBM обеспечивают доступ к ряду нейронных парадигм (включая обратное распространение) при использовании графического интерфейса пользователя, а также интерфейса прикладного программиста, который позволяет встраивать сеть в более крупную систему. Графический интерфейс пользователя с утилитой нейронной сети работает на компьютерах с элементной базой фирмы Intel при использовании операционной системы OS/2 или ДОС/Windows и на компьютерах RISC/6000 с сокращенным набором команд при использовании операционной системы AIX. Интерфейс прикладного программиста применим не только на этих платформах, но также на ряде платформ больших вычислительных средств, включая виртуальную машину/диалоговую мониторную систему и операционную системуOS/400. Предполагается использование других платформ, таких как видоизменения операционной системы Windows. Доступное аппаратное обеспечение для улучшения обучения нейронной сети и параметров периода выполнения включает в себя "мастер" фирмы IBM, карту, которую вставляют в микроканальные шины. Другими поставщиками подобных продуктов аппаратного обеспечения и/или программного обеспечения являются фирмы NeuralWare, Nestor и Hecht-Nielsen Co. Альтернативы и заключение Хотя настоящее изобретение описано применительно к случаю использования сейсмических данных для оконтуривания месторождений углеводородов по сейсмическим данным, настоящее изобретение не ограничено этим конкретным применением. Настоящее изобретение можно использовать в ряде сфер деятельности, включая, но без ограничения ими: прогнозирование погоды по данных радиометров, анализ аэромагнитных профилей, оконтуривание астрономических скоплений по данным радиотелескопа,оконтуривание объектов по отраженным сигналам радиолокатора, гидролокатора, инфракрасного излучения и т.д. Хотя настоящее изобретение описано здесь в соответствии с некоторыми предпочтительными вариантами осуществления, модификации и изменения его могут быть выполнены специалистами в данной области техники. Соответственно подразумевается, что все такие модификации и изменения охватываются приложенной формулой изобретения, как попадающие в рамки истинной сущности и объема патентной защиты изобретения. ФОРМУЛА ИЗОБРЕТЕНИЯ 1. Способ добычи углеводородных продуктов из нефтяного и/или газового месторождения с использованием предсказаний положений углеводородных продуктивных площадей и непродуктивных площадей непосредственно по сейсмическим данным, собранным на участке и сохраненным на считываемом компьютером носителе, согласно которому разрабатывают нейронную сеть на компьютере, используя сейсмические обучающие данные, относящиеся к одной или к нескольким углеводородным продуктивным площадям, и сейсмические обучающие данные, относящиеся к одной или к нескольким углеводородным непродуктивным площадям, причем разработанная нейронная сеть включает в себя множество весов, полученных из сейсмических обучающих данных,генерируют оценки для заданных участков на основе применения весов к сейсмическим данным,накопленным для каждой соответствующей площади,оконтуривают положения углеводородных продуктивных площадей и углеводородных непродуктивных площадей на основе сгенерированных оценок в заданных участках,- 22005806 извлекают углеводороды из нефтяного и/или газового месторождения в одном или более оконтуренных положениях. 2. Способ по п.1, в котором дополнительно разрабатывают нейронную сеть для различения подрайонов в пределах углеводородных продуктивных площадей и применяют нейронную сеть по меньшей мере к части сейсмических данных для различения подрайонов в пределах углеводородных продуктивных площадей. 3. Способ по п.2, в котором один из различаемых подрайонов представляет собой газовую шапку. 4. Способ добычи углеводородных продуктов из нефтяного и/или газового месторождения с использованием оконтуривания месторождений углеводородов по сейсмическим данным, собранным на участке и сохраненным на считываемом компьютером носителе, согласно которому разрабатывают нейронную сеть на компьютере в пределах скользящего окна для различения углеводородных продуктивных площадей и углеводородных непродуктивных площадей, причем разработанная нейронная сеть включает в себя множество весов, полученных из сейсмических обучающих данных,генерируют оценки для заданных участков на основе применения весов к сейсмическим данным,накопленным для каждой соответствующей площади,осуществляют различение положений углеводородных продуктивных площадей и углеводородных непродуктивных площадей на основе сгенерированных оценок в заданных участках и извлекают углеводороды из нефтяного и/или газового месторождения в одной или более продуктивных площадях, которые были различены. 5. Способ по п.4, в котором скользящее окно снабжают частью входящих данных и частью исходящих данных. 6. Способ по п.5, в котором на этапе разработки нейронной сети дополнительно связывают первую часть сейсмических данных с частью исходящих данных скользящего окна, исходя из того, что первая часть сейсмических данных происходит от углеводородной непродуктивной площади; связывают вторую часть сейсмических данных с частью входящих данных скользящего окна, исходя из того, что вторая часть сейсмических данных происходит от углеводородной продуктивной площади,используют связанные данные в качестве входных данных для нейронной сети, обучают и тестируют нейронную сеть, используя первую и вторую части сейсмических данных, и определяют, были ли предположения относительно первой и второй частей сейсмических данных точными, и, если упомянутые предположения оказываются неточными, повторяют вышеуказанные этапы, используя различные части сейсмических данных. 7. Способ по п.6, в котором на этапе определения того, были ли предположения относительно первой и второй частей сейсмических данных точными, дополнительно вычисляют отклонение. 8. Способ добычи полезных ископаемых с помощью предсказания положений продуктивных площадей полезных ископаемых и непродуктивных площадей по данным, относящимся к заданному участку и сохраненным на считываемом компьютером носителе, содержащий этапы, согласно которым разрабатывают нейронную сеть на компьютере для различения продуктивных площадей полезных ископаемых и непродуктивных площадей полезных ископаемых, причем разработанная нейронная сеть включает в себя множество весов, полученных из сейсмических обучающих данных,генерируют оценки для заданных участков на основе применения весов к сейсмическим данным,накопленным для каждой соответствующей площади,оконтуривают положения продуктивных площадей полезных ископаемых и непродуктивных площадей полезных ископаемых на основе сгенерированных оценок в заданных участках и извлекают полезные ископаемые из заданного участка в одной или более предсказанных продуктивных площадях полезных ископаемых. 9. Способ по п.8, в котором в качестве данных используют аэромагнитные данные. 10. Способ по п.8, в котором в качестве данных используют сейсмические данные. 11. Способ добычи углеводородных продуктов из нефтяного и/или газового месторождения, согласно которому собирают сейсмические данные в нефтяном и/или газовом месторождении и сохраняют эти сейсмические данные на считываемом компьютером носителе,разрабатывают нейронную сеть на компьютере, используя сейсмические обучающие данные, относящиеся к одной или нескольким углеводородным продуктивным площадям, и сейсмические обучающие данные, относящиеся к одной или нескольким углеводородным непродуктивным площадям, причем разработанная нейронная сеть включает в себя множество весов, полученных из сейсмических обучающих данных,генерируют оценки для заданных участков на основе применения весов к сейсмическим данным,накопленным для каждой соответствующей площади,оконтуривают положения углеводородных продуктивных площадей и углеводородных непродуктивных площадей на основе сгенерированных оценок в заданных участках,- 23005806 извлекают углеводороды из нефтяного и/или газового месторождения в одном или в нескольких оконтуренных положениях. 12. Способ добычи углеводородных продуктов из месторождений с помощью предсказания положений углеводородных продуктивных площадей и непродуктивных площадей в этом месторождении непосредственно по сейсмическим данным, полученным в месторождении и сохраненных на считываемом компьютером носителе, согласно которому создают на компьютере нейронную сеть, обучают нейронную сеть для распознавания углеводородных продуктивных площадей и непродуктивных площадей,используя первое и второе обучающие множества сейсмических данных, при этом первое обучающее множество сейсмических данных соответствует углеводородной продуктивной площади, а второе обучающее множество сейсмических данных соответствует углеводородной непродуктивной площади, причем разработанная нейронная сеть включает в себя множество весов, полученных из сейсмических обучающих данных,генерируют оценки для заданных участков на основе применения весов к сейсмическим данным,накопленным для каждой соответствующей площади,идентифицируют положения углеводородных продуктивных площадей и углеводородных непродуктивных площадей на основе сгенерированных оценок в заданных участках, и извлекают углеводороды из месторождения в одной или более идентифицированных углеводородных продуктивных площадях. 13. Способ по п.12, в котором данные в первом и втором обучающем множествах включают данные за прошлое время. 14. Способ по п.12, в котором первое обучающее множество сейсмических данных состоит из сейсмических данных, взятых с участка, известного в качестве углеводородной продуктивной площади. 15. Способ по п.14, в котором второе обучающее множество сейсмических данных состоит из сейсмических данных, взятых с участка, известного в качестве углеводородной непродуктивной площади. 16. Способ по п.12, в котором данные в первом обучающем множестве состоят из сейсмических данных, взятых с участка, предположительно находящегося в углеводородной продуктивной площади. 17. Способ по п.16, в котором данные во втором обучающем множестве состоят из сейсмических данных, взятых с участка, предположительно находящегося в углеводородной непродуктивной площади. 18. Способ по п.12, в котором на этапе обучения нейронной сети создают скользящее окно, имеющее первую часть и вторую часть, связывают первую часть скользящего окна с первым участком в месторождении, выбирают первое обучающее множество из сейсмических данных первого участка, присваивают первую классификацию данным в первой обучающей последовательности, при этом первая классификация представляет углеводородную продуктивную площадь, связывают вторую часть скользящего окна со вторым участком в месторождении, выбирают второе обучающее множество из сейсмических данных второго участка, присваивают вторую классификацию данным во втором обучающем множестве, при этом вторая классификация представляет углеводородную непродуктивную площадь, и обучают нейронную сеть, используя первое и второе обучающие множества. 19. Способ по п.18, в котором дополнительно, до применения нейронной сети к сейсмическим данным, определяют, обучена ли нейронная сеть адекватно. 20. Способ по п.19, в котором определение того, обучена ли нейронная сеть адекватно, осуществляют путем контроля одного или нескольких отклонений по мере схождения нейронной сети. 21. Способ по п.19, в котором, если определяют, что сеть обучена неадекватно, то при обучении нейронной сети дополнительно связывают первую часть скользящего окна с третьим участком в месторождении, выбирают первое обучающее множество из сейсмических данных третьего участка, присваивают первую классификацию данным в первом обучающем множестве, связывают вторую часть скользящего окна с четвертым участком в месторождении, выбирают второе обучающее множество из сейсмических данных четвертого участка, присваивают вторую классификацию данным во втором обучающем множестве и обучают нейронную сеть, используя первое и второе обучающие множества. 22. Способ по п.21, в котором дополнительно, до применения нейронной сети к сейсмическим данным, определяют, обучена ли нейронная сеть адекватно, и повторяют этапы обучения наряду с тем, что связывают первую и вторую части скользящего окна с различными участками. 23. Способ по п.22, в котором дополнительно создают вторую нейронную сеть, обучают вторую нейронную сеть, используя обучающие данные, выбранные из выходных данных исходной нейронной сети, применяют вторую нейронную сеть по меньшей мере к части сейсмических данных и определяют точность исходной нейронной сети путем сравнения результатов исходной нейронной сети и второй нейронной сети. 24. Способ по п.21, в котором автоматическое предсказание относительно положений выполняют в реальном времени по мере сбора сейсмических данных. 25. Способ по п.24, в котором сейсмические данные собирают, используя Вибросейс. 26. Способ по п.24, в котором углеводородные продуктивные площади и углеводородные непродуктивные площади различают в реальном времени по мере сбора сейсмических данных. 27. Способ по п.26, в котором сейсмические данные собирают, используя Вибросейс.- 24005806 28. Способ добычи углеводородных продуктов с использованием предсказания уровней добычи из пласта углеводородов в месторождении углеводородов, согласно которому собирают сейсмические данные в месторождении и сохраняют эти сейсмические данные на считываемом компьютером носителе; собирают данные о добыче из скважины по меньшей мере от одной скважины и сохраняют эти данные о добыче из скважины на считываемом компьютером носителе; разрабатывают нейронную сеть на компьютере, используя по меньшей мере часть сейсмических данных и по меньшей мере часть данных о добыче из скважины в качестве обучающих множеств; причем разработанная нейронная сеть включает в себя множество весов, полученных из сейсмических обучающих данных,генерируют оценки для заданных участков на основе применения весов к сейсмическим данным,накопленным для каждой соответствующей площади,используя созданную на компьютере и обученную нейронную сеть, формируют предсказания относительно уровней добычи углеводородов в предполагаемых местах нахождения скважин на основе сгенерированных оценок в заданных участках и используют сформированные предсказания для извлечения углеводородов из требуемых мест нахождения скважин в месторождении. 29. Способ по п.28, в котором в данные о продукции скважины включают данные, собранные от множества скважин. 30. Способ по п.28, в котором дополнительно собирают данные о забойном давлении по меньшей мере от одной скважины в пласте. 31. Способ по п.28, в котором на этапе формирования предсказаний дополнительно применяют обученную нейронную сеть по меньшей мере к части сейсмических данных и по меньшей мере к части данных о добыче из скважины.