4. Об интерпретации данных режимных наблюдений на эвм методами целенаправленного поиска

Мы не будем подробно рассматривать здесь решение обратных задач методами целенаправленного поиска [23] когда параметры определяются в результате многократного подбора — калибра­ции модели по известным значениям напоров и расходов потока - с помощью специальных алгоритмов. Заметим, однако, что этот путь требует проведения вариантных расчетных операций в таком объе­ме, который реально осуществим лишь с привлечением ЭВМ. Поэто­му отказ от ЭВМ в данном случае равносилен снижению точности и надежности решения обратной задачи. Вместе с тем полная автома­тизация процесса идентификации водоносного пласта на ЭВМ суще­ственно снижает возможности контроля за физическим правдоподо­бием модели, возможности интуитивных оценок и внесения коррек­тив. Кроме того, для этих целей необходимы мощные ЭВМ с большой памятью.

В целом использование цифровой вычислительной техники яв­ляется лишь необходимым, но никак не достаточным условием эф­фективного решения обратной задачи: корректность ее постановки и надежность расчетных параметров решающим образом зависят от субъективного фактора — квалификации исследователя. И, несмот­ря на то что часть его оценок может быть заранее введена в решаю­щий алгоритм, многие решения приходится принимать в процессе идентификации, причем нередко — на интуивном уровне. С этих позиций решение обратной задачи, как бы ни было оно автоматизи­ровано, под силу лишь специалисту, хорошо владеющему как мето­дами математического моделирования, так и методами гидрогеоло- гического анализа. Гидрогеолог, занятый идентификацией водо­носной сис/Нёмы, обязательно должен иметь хороцгеё представле­ние об исполЬзуембм чйсленном мегподе, хотя бы для того чтобы наилучшйм образом распорядиться имеющейся информацией, без тщательного Учета которой немыслимо эффективнее решение обрат­ной задачи.

Решающее значение для корректностгг постановки и точности решения обратных зддач на практике обычйоимеют не метрологиче­ские погрешности и не дефекты формально-математического аппа­рата, а погрешности, обусловленные физическим несоответствием модели и реального объекта! Главными из них являются погрешности самого дифференциального уравнения и краевых условий, а также погрешности интерполяции напоров, обусловленные недостаточной плотностью расположения скважин режимной сети. Поскольку эти погрешности, практически неотделимые от погрешностей парамет­ров, определяются характером, площадным распределением и плот­ностью исходной информации, для каждого объекта индентифика- ции и соответствующей калибрационной модели существует, оче­видно, некая оптимальная, с точки зрения задач калибрации, сеть наблюдательных точек и точек опробования (при фиксированных затратах на наблюдательную сеть и опробование).

За этим выводом пока как будто не видно ощутимой практиче­ской пользы, так как построение оптимальной системы наблюдений и опробования требует достаточно ясных представлений о фильтра­ционных параметрах, которые как раз и вырабатываются в резуль­тате решения обратной задачи. Однако положение принципиально изменится, если мы попытаемся сделать связь исходной информации с расчетными параметрами не односторонней, а взаимной. Для этого необходимо, очевидно, строить калибрационный процесс в несколь­ко этапов, постепенно развивая наблюдательную сеть или проводя дополнительное опробование пласта с учетом текущих требований калибрации. Иначе говоря, решение обратной задачи надо проводить по идее «самообучающегося» эксперимента, с осуществлением ка­либрационного процесса на «самообучающейся» модели.

Общая схема решения обратной задачи в этом случае может быть представлена следующим образом:

1 ] строится модель изучаемой области с учетом всей инфор­мации, накопленной к моменту начала эксперимента (или опытно­эксплуатационного водоотбора); заметим, что на первом этапе мо­жет представляться разумным моделирование не всей области, а лишь той ее части, которая будет охвачена влиянием первоочередно­го водоотбора;