постепенно развивая паблюдательную сеть или проводя дополнительное опро- бование пласта с учетом текущих требований калибрации. Иначе говоря, реше- ние обратной задачи должно проводиться по идее «самообучающегося» экспери- мента. с осуществлением калибрационпого процесса на «самообучающейся» мо- дели. Общая схема решения обратной задачи в этом случае может быть предста- влена следующим образом: 1) строится модель изучаемой области с учетом всей информации, накопленной к моменту начала эксперимента (или опытно-эксплу- атационного водоотбора); заметим, что на первом этапе может представляться разумным моделирование не всей области, а лишь той ее части, которая будет охвачена влиянием первоочередного водоотбора; 2) на модели проводится прогнозный расчет первого этапа водоотбора; 3) назначается некоторая исходная система наблюдений в пределах зоны влияния первоочередного водо- отбора — с учетом производственных требований, а также общих представлений о характере фильтрации, полученных при модельном прогнозе; 4) результаты наблюдений за работой водозабора на первом этапе используются для решения обратной задачи и исходная модель соответственно корректируется; 5) наме- чается ряд возможных вариантов системы наблюдений на следующий отап работы водозабора и проводится их оценка на модели; при этом широко исполь- зуется анализ чувствительности * ($ 3, гл. 10), который позволяет выявить участки, вызывающие максимальные погрешности модели, т. е. участки, тре- бующие дополнительной информации в первую очередь; в конечном итоге из всех рассмотренных вариантов выбирается оптимальный; 6) полученные результаты наблюдений во втором этапе используются для решения повой об- ратпой задачи и Т. д. Основы теории самообучающегося эксперимента в настоящее время ин- тенсивно разрабатываются [1,16]. Однако применение этой теории в практике гидрогеологических работ потребует еще проведения широкого круга специаль- ных исследований, что обусловлено как высокой сложностью изучаемых систем, так й почти полным отсутствием опыта подобных исследований. В качестве первых примеров сошлемся на работы [13,211. В частности, в работе [13] в целях идентификации нпефтяных пластов посредством коэффициентов влияния вида (10.22) рекомендуется использовать итерационный калибрационный процесс (подобно $ 3, гл. 10). Каждая последующая итерация (корректировка модели) осуществляется с учетом новой ипформации, накопленной в результате наблю- дений после предшествующей итерации. В работе [21] для постросния оптимальной системы наблюдений по бассейну Туксон (США) было рекомендовано применение статистической теории принятия решений [11. При этом в основу анализа были положены погрешности уровней подземных вод, обусловленные статистически возможными ошибками входных данных; © другой стороны, статистически ‘оценивались возможности снижения этих погрешностей дополнительными наблюделиями или опытно-фильтраци- онными работами. Результаты такого анализа, проведенного с помощьЮю по- стоянно действующей аналоговой модели региона, позволили: 1) выявить круг тех входных данных, которые наиболее сильно влияют на возможные погреш- ности **; 2) наметить участки, где уточнение входных данных представляется * При статистических оценках с понятием чувствительность связано понятие корре- ляции: чувствительность может отождествляться © коэффициентом линейной регрессии. ** В рассматриваемом примере максимальные погрешности были связаны с отибками проводимости. 295