BR112021007790B1

BR112021007790B1 - APPARATUS AND METHOD

Info

Publication number: BR112021007790B1
Application number: BR112021007790-1A
Authority: BR
Inventors: Ruijia Wang; Richard Timothy Coates
Original assignee: Halliburton Energy Services, Inc
Filing date: 2018-12-28
Publication date: 2024-03-26

Abstract

APARELHO E MÉTODO. Um aparelho inclui uma fonte de onda mecânica; um conjunto de sensores de onda mecânica em um poço para fornecer medições de onda de subsuperfície com base em ondas de formação da fonte de onda mecânica e um processador. O aparelho também inclui um meio legível por máquina com código de programa para adquirir as medições de onda de subsuperfície, selecionar um primeiro conjunto de medições de onda de ferramenta com base nas medições de onda de subsuperfície e gerar um conjunto de medições de onda de subsuperfície filtradas filtrando as medições de onda de subsuperfície com base no primeiro conjunto de medições de onda de ferramenta. O código de programa também inclui instruções para gerar um mapa de aparência no domínio do tempo com base no conjunto de medições de onda de subsuperfície filtradas, em que o mapa de aparência no domínio do tempo inclui um conjunto inicial de picos de onda de compressão, determinar um pico de onda de compressão qualificado selecionado com base em um valor de aparência no mapa de semelhança no domínio do tempo e determinar uma lentidão de onda de compressão com base no pico de onda de compressão qualificado selecionado.(...).APPARATUS AND METHOD. An apparatus includes a mechanical wave source; a set of mechanical wave sensors in a well to provide subsurface wave measurements based on formation waves from the mechanical wave source, and a processor. The apparatus also includes a machine-readable means with program code for acquiring the subsurface wave measurements, selecting a first set of tool wave measurements based on the subsurface wave measurements, and generating a set of subsurface wave measurements. filtered by filtering the subsurface wave measurements based on the first set of tool wave measurements. The program code also includes instructions for generating a time domain appearance map based on the set of filtered subsurface wave measurements, wherein the time domain appearance map includes an initial set of compression wave peaks, determining a selected qualified compression wave peak based on an appearance value in the time domain similarity map and determining a compression wave slowness based on the selected qualified compression wave peak.(...).

Description

Fundamentals

[0001] A divulgação geralmente se refere ao campo de caracterização de subsuperfície e mais particularmente ao processamento de sinal sísmico.[0001] The disclosure generally relates to the field of subsurface characterization and more particularly to seismic signal processing.

[0002] Medições de perfilagem de onda mecânica desempenham um papel importante em uma variedade de aplicações geofísicas, geológicas e de engenharia. Um objetivo da perfilagem de onda mecânica é usar perfis de perfil de lentidão de ondas que se propagam através de uma formação para determinar as propriedades de suas propriedades de onda correspondentes. O processamento de lentidão fornece uma fonte de informação sobre pelo menos uma propriedade de formação, tal como pressão de formação e elasticidade de formação, o que ajuda a otimizar decisões de geo-orientação e operações de poço. Determinar perfis de lentidão, especialmente em operações em tempo real (por exemplo, durante operações de perfuração, operações de tratamento de poços, outras operações ativas, etc.) requer processamento de lentidão eficiente.[0002] Mechanical wave profiling measurements play an important role in a variety of geophysical, geological and engineering applications. One objective of mechanical wave logging is to use slowness profile profiles of waves propagating through a formation to determine the properties of their corresponding wave properties. Lattice processing provides a source of information about at least one formation property, such as formation pressure and formation elasticity, which helps optimize geo-steering decisions and well operations. Determining sluggish profiles, especially in real-time operations (e.g. during drilling operations, well treatment operations, other active operations, etc.) requires efficient sluggish processing.

[0003] Os possíveis efeitos que aumentam o ruído de medição e os desafios de processamento durante o processamento de lentidão incluem os efeitos de ondas de ferramenta, ruído de estrada, más condições de poço, baixas razões sinal-ruído (SNR), interferências modais entre trens de onda compressional (P-) e trens de onda P com vazamento, efeitos de dispersão de modos de poço, múltiplas chegadas de ondas P, múltiplas ondas de cisalhamento (S-) em um trem de onda e/ou ondas Stoneley. No caso de aplicações de perfilagem durante a perfuração (LWD), as interpretações sísmicas também enfrentam desafios de processamento adicionais do ruído de perfuração que afoga sinais úteis de chegadas de formação e chegadas de onda P de formação de polarização. Tais desafios de processamento aumentam a dificuldade de operações automatizadas de LWD em tempo real e tomada de decisão.[0003] Possible effects that increase measurement noise and processing challenges during idle processing include the effects of tool waves, road noise, poor well conditions, low signal-to-noise ratios (SNR), modal interferences between compressional (P-) wave trains and leaky P-wave trains, well mode dispersion effects, multiple P-wave arrivals, multiple shear (S-) waves in a wave train, and/or Stoneley waves. In the case of logging-while-drilling (LWD) applications, seismic interpretations also face additional processing challenges from drilling noise that drowns out useful signals from formation arrivals and bias-forming P-wave arrivals. Such processing challenges increase the difficulty of automated real-time LWD operations and decision making.

Brief description of the drawings

[0004] Modalidades da divulgação podem ser melhor compreendidas fazendo referência às figuras anexas.[0004] Modalities of disclosure can be better understood by referring to the attached figures.

[0005] A FIG. 1 é uma vista em elevação de um sistema de perfuração onshore que opera um conjunto de perfuração de fundo de poço que inclui um sistema de perfilagem de onda mecânica.[0005] FIG. 1 is an elevation view of an onshore drilling system operating a downhole drilling assembly that includes a mechanical wave logging system.

[0006] A FIG. 2 é uma vista em elevação de um sistema de cabo de aço onshore que opera uma ferramenta de cabo de aço que inclui um sistema de perfilagem de onda mecânica.[0006] FIG. 2 is an elevation view of an onshore wireline system operating a wireline tool that includes a mechanical wave profiling system.

[0007] A FIG. 3 representa um fluxograma de operações para aplicar um filtro adaptativo às medições de onda de subsuperfície.[0007] FIG. 3 represents a flowchart of operations for applying an adaptive filter to subsurface wave measurements.

[0008] A FIG. 4 representa uma continuação do fluxograma de operações da FIG. 3 para aplicar um filtro adaptativo às medições de onda de subsuperfície.[0008] FIG. 4 represents a continuation of the operations flowchart of FIG. 3 to apply an adaptive filter to subsurface wave measurements.

[0009] A FIG. 5 representa um fluxograma de operações para determinar um ou mais picos em um mapa DPTS (aparência de tempo de fase diferencial) usando uma máscara de tempo de lentidão.[0009] FIG. 5 depicts a flowchart of operations for determining one or more peaks in a DPTS (differential phase time appearance) map using a slow time mask.

[0010] A FIG. 6 representa um fluxograma de operações para identificar ondas de formação e seus tempos de deslocamento.[0010] FIG. 6 represents a flowchart of operations to identify formation waves and their travel times.

[0011] A FIG. 7 representa um fluxograma de operações para aplicar um filtro adaptativo específico de cisalhamento a um conjunto de medições de onda para identificar uma ou mais ondas de cisalhamento.[0011] FIG. 7 depicts a flowchart of operations for applying a shear-specific adaptive filter to a set of wave measurements to identify one or more shear waves.

[0012] A FIG. 8 representa um exemplo de mapa DPTS com uma máscara de tempo de lentidão.[0012] FIG. 8 represents an example of a DPTS map with a slowdown time mask.

[0013] A FIG. 9 representa um mapa de densidade de tempo de lentidão (STD) de exemplo e picos qualificados correspondentes a um modo de compressão.[0013] FIG. 9 depicts an example slow time density (STD) map and qualified peaks corresponding to a compression mode.

[0014] A FIG. 10 representa medições de densidade de um exemplo de perfil de densidade variável (VDL) e seus picos correspondentes em várias profundidades.[0014] FIG. 10 represents density measurements of an example variable density profile (VDL) and its corresponding peaks at various depths.

[0015] A FIG. 11 representa um gráfico de exemplo incluindo um conjunto inicial de picos marcados com modo e uma predição de onda de compressão gerada com base no conjunto inicial de picos marcados com modo.[0015] FIG. 11 depicts an example graph including an initial set of mode-marked peaks and a compression wave prediction generated based on the initial set of mode-marked peaks.

[0016] A FIG. 12 representa um gráfico de exemplo incluindo um conjunto de picos qualificados aumentados e predição de onda de compressão usada para selecionar o conjunto de picos qualificados aumentados.[0016] FIG. 12 depicts an example graph including a set of augmented qualified peaks and compression wave prediction used to select the set of augmented qualified peaks.

[0017] A FIG. 13 representa um exemplo de perfil de densidade variável (VDL) e seu perfil de tempo de deslocamento correspondente para uma camada de formação rápida fina.[0017] FIG. 13 represents an example of a variable density profile (VDL) and its corresponding travel time profile for a thin rapidly forming layer.

[0018] A FIG. 14 representa um mapa DPTS de exemplo que mostra um conjunto de tempos de deslocamento de limite.[0018] FIG. 14 represents an example DPTS map showing a set of threshold travel times.

[0019] A FIG. 15 representa um exemplo de perfil de densidade variável de aparência (VDL) sobreposto pelo seu perfil de lentidão correspondente para uma formação de leito rápido e um mapa de esboço para os trens de onda.[0019] FIG. 15 depicts an example of a variable appearance density (VDL) profile overlaid by its corresponding slowness profile for a fast bedform and a sketch map for the wave trains.

[0020] A FIG. 16 representa vários resultados do uso do sistema de predição de lentidão em um mapa DPTS de exemplo.[0020] FIG. 16 represents various results of using the slowness prediction system on an example DPTS map.

[0021] A FIG. 17 representa um dispositivo de computador de exemplo.[0021] FIG. 17 represents an example computer device.

Description of modalities

[0022] A descrição que se segue inclui exemplos de sistemas, métodos, técnicas e fluxos de programas que incorporam modalidades da divulgação. No entanto, entende-se que esta divulgação pode ser praticada sem estes detalhes específicos. Por exemplo, esta divulgação refere-se ao processamento de aparência usando um mapa de aparência de tempo de fase diferencial (DPTS). Os aspectos desta divulgação podem, em vez disso, ser aplicados a outros mapas multidimensionais no domínio do tempo. Em outros casos, instâncias de instrução bem conhecidas, protocolos, estruturas e técnicas não foram mostradas em detalhes, a fim de evitar ofuscar a descrição.[0022] The following description includes examples of systems, methods, techniques and program flows that incorporate disclosure modalities. However, it is understood that this disclosure may be made without these specific details. For example, this disclosure relates to appearance processing using a differential phase time (DPTS) appearance map. Aspects of this disclosure can instead be applied to other multidimensional time domain maps. In other cases, well-known instruction instances, protocols, frameworks, and techniques were not shown in detail in order to avoid obfuscating the description.

[0023] Várias modalidades referem-se a um sistema de predição de lentidão que identifica a lentidão da onda de formação para várias ondas e/ou modos. O sistema de predição de lentidão usa um filtro adaptativo para gerar um conjunto de medições reduzidas por ruído, determina um conjunto de tempos de deslocamento no conjunto de medição reduzida por ruído e identifica quais dos tempos de deslocamento são tempos de deslocamento de onda de compressão (também referidos como Delta Time Compressional ou DTC) e tempos de deslocamento de onda de cisalhamento (também referidos como Delta Time Refracted Shear ou DTRS). Em algumas modalidades, os valores de DTC são medições de lentidão de onda de compressão e os valores de DTRS são medições de lentidão de onda de cisalhamento. A identificação precisa do DTC e do DTRS pode aumentar a precisão das operações de caracterização sísmica e das operações de poço que dependem de caracterizações sísmicas precisas.[0023] Various embodiments relate to a slowness prediction system that identifies the slowness of the forming wave for various waves and/or modes. The slowness prediction system uses an adaptive filter to generate a set of noise-reduced measurements, determines a set of travel times in the noise-reduced measurement set, and identifies which of the travel times are compression wave travel times ( also referred to as Delta Time Compressional or DTC) and shear wave displacement times (also referred to as Delta Time Refracted Shear or DTRS). In some embodiments, the DTC values are measurements of compression wave slowness and the DTRS values are measurements of shear wave slowness. Accurate identification of DTC and DTRS can increase the accuracy of seismic characterization operations and well operations that rely on accurate seismic characterizations.

[0024] Um sistema de predição de lentidão usa um filtro adaptativo que inclui vários sub-filtros para remover os efeitos das ondas da ferramenta e seus tempos de deslocamento de onda da ferramenta correspondentes (também referidos como Tempo Delta das ondas da ferramenta, ou DTtool). O sistema de predição de lentidão reconstrói um agrupamento de deslocamento comum (COG) com base nas medições de onda de subsuperfície, em que um COG é uma coleção de medições de onda de subsuperfície que compartilham um deslocamento comum de uma fonte de onda mecânica. Uma fonte de onda mecânica pode gerar sinais de onda mecânica, tais como pulsos acústicos, ondas de formação (por exemplo, ondas compressionais e ondas de cisalhamento que se deslocam através de uma formação que não estão limitadas a qualquer frequência particular neste pedido e ainda definidas abaixo), tipos de ondas de formação, tais como ondas sísmicas (isto é, ondas de formação que têm uma frequência de até 100 Hertz) e ondas sônicas (isto é, ondas de formação que têm uma frequência maior que 100 Hertz), ondas mecânicas não sísmicas (por exemplo, ondas que se deslocam diretamente através de uma ferramenta sem terem se deslocado através da formação), etc. Estes sinais de ondas mecânicas podem ser medidos por sensores de ondas mecânicas para produzir medições de ondas mecânicas, tais como medições de ondas de subsuperfície de ondas de formação. As medições de onda de subsuperfície são medições de ondas de formação que podem ter se deslocado diretamente de uma fonte de onda mecânica para o sensor de onda mecânica através de uma formação(ões) ou também podem ter se deslocado através de outros componentes não de formação, tais como uma ferramenta, isolamento, tubo metálico, etc. O COG pode ser usado para selecionar um conjunto de medições de onda de ferramenta e gerar predições de onda de ferramenta. Estas predições de onda de ferramenta podem ser comparadas com predições de modelo de onda de ferramenta dentro de uma janela de tempo, em que a janela de tempo inclui uma predição de tempo para quando as primeiras ondas de ferramenta chegam a um sensor de onda mecânica medindo sua respectiva onda de ferramenta. Exemplos de comparação de ondas de ferramenta incluem determinar se uma razão de um molde de onda de ferramenta e uma onda de ferramenta local excedem um limite e/ou se uma onda de compressão é mais rápida ou mais lenta do que as ondas de ferramenta.[0024] A slowness prediction system uses an adaptive filter that includes several sub-filters to remove the effects of tool waves and their corresponding tool wave travel times (also referred to as Tool Wave Delta Time, or DTtool ). The slowness prediction system reconstructs a common displacement grouping (COG) based on subsurface wave measurements, where a COG is a collection of subsurface wave measurements that share a common displacement of a mechanical wave source. A mechanical wave source can generate mechanical wave signals such as acoustic pulses, formation waves (e.g., compressional waves and shear waves traveling through a formation that are not limited to any particular frequency in this application and further defined below), types of formation waves, such as seismic waves (i.e., formation waves that have a frequency of up to 100 Hertz) and sonic waves (i.e., formation waves that have a frequency greater than 100 Hertz), non-seismic mechanics (e.g. waves traveling directly through a tool without having moved through the formation), etc. These mechanical wave signals can be measured by mechanical wave sensors to produce mechanical wave measurements, such as subsurface wave measurements of formation waves. Subsurface wave measurements are measurements of formation waves that may have traveled directly from a mechanical wave source to the mechanical wave sensor through a formation(s) or may also have traveled through other non-formation components. , such as a tool, insulation, metal pipe, etc. COG can be used to select a set of tool wave measurements and generate tool wave predictions. These tool wave predictions can be compared with tool wave model predictions within a time window, wherein the time window includes a time prediction for when the first tool waves arrive at a mechanical wave sensor measuring their respective tool wave. Examples of comparing tool waves include determining whether a ratio of a die tool wave to a local tool wave exceeds a threshold and/or whether a compression wave is faster or slower than tool waves.

[0025] O filtro adaptativo inclui operações para gerar medições de onda de subsuperfície filtradas com base nas medições de onda de ferramenta. Por exemplo, o filtro adaptativo inclui operações para determinar se um DTC é mais lento do que umaDTtool. No caso de o DTC ser mais lento do que aDTtool, a filtragem adaptativa inclui o uso de filtros adicionais para mitigar o efeito de uma onda de ferramenta nas medições de onda de subsuperfície e gerar as medições de onda de subsuperfície adaptativamente filtradas. Filtros adicionais podem incluir a multiplicação de valores nas medições filtradas por um conjunto de pesos com base na comparação. Filtros adicionais também podem incluir um filtro de número de onda de frequência (F-K) para uma matriz de deslocamento comum e também podem ser aplicados durante outros estágios de operação, tal como durante uma subtração de valores de onda de medições de onda de subsuperfície para determinar as chegadas de onda de ferramenta. O filtro adaptativo pode incluir operações de processamento de aparência para as medições de onda de subsuperfície adaptativamente filtradas.[0025] The adaptive filter includes operations to generate filtered subsurface wave measurements based on the tool wave measurements. For example, the adaptive filter includes operations to determine whether a DTC is slower than a DTtool. In the event that the DTC is slower than the DTtool, adaptive filtering includes the use of additional filters to mitigate the effect of a tool wave on the subsurface wave measurements and generate the adaptively filtered subsurface wave measurements. Additional filters can include multiplying values in the filtered measurements by a set of weights based on the comparison. Additional filters may also include a frequency wavenumber (F-K) filter for a common displacement matrix and may also be applied during other stages of operation, such as during a subtraction of wave values from subsurface wave measurements to determine tool wave arrivals. The adaptive filter may include appearance processing operations for the adaptively filtered subsurface wave measurements.

[0026] O filtro adaptativo pode incluir um conjunto de operações de processamento de aparência que incluem aplicar uma máscara de tempo de lentidão a um mapa DPTS, em que o mapa DPTS é um mapa de aparência no domínio do tempo que é gerado com base nas medições de onda de subsuperfície adaptativamente filtradas. As operações de processamento de aparência podem incluir utilizar a máscara de tempo de lentidão para filtrar um conjunto de picos de medição (doravante “picos”) correspondentes a ondas de formação e filtrar um conjunto de picos não alvo (por exemplo, picos alias, picos de ruído, etc.) a partir do mapa DPTS, mantendo picos alvo, tais como picos de onda de compressão e picos de onda de cisalhamento no mapa DPTS. A máscara de tempo de lentidão é controlável usando um conjunto de parâmetros com base no tempo de deslocamento de um modo, em que um modo descreve um padrão de movimento de onda (por exemplo, modo de compressão, modo de cisalhamento, etc.). O filtro adaptativo também pode incluir um ou mais limiares de aparência para filtrar picos adicionais em um conjunto inicial de picos marcados com modo, em que os picos marcados com modo são marcados com um modo de onda, tal como compressão ou cisalhamento. O conjunto de operações de processamento de aparência também pode incluir operações para gerar uma curva de predição de lentidão com base no conjunto inicial de picos marcados com modo e filtro para picos adicionais dentro de uma faixa de limiar da curva de predição de lentidão. Por exemplo, depois de determinar um conjunto de picos de onda de compressão aplicando um filtro com base em uma curva de predição de lentidão de onda de compressão, o sistema pode selecionar um ou mais picos de onda de compressão qualificados para determinar um DTC ou outra medição de lentidão de onda de compressão. O filtro adaptativo também pode incluir operações para preencher valores de tempo de deslocamento ausentes com base em pelo menos um do tempo de deslocamento dos picos de onda de medições vizinhas (ou seus tempos de deslocamento de limite correspondentes).[0026] The adaptive filter may include a set of appearance processing operations that include applying a slow time mask to a DPTS map, wherein the DPTS map is a time domain appearance map that is generated based on adaptively filtered subsurface wave measurements. Appearance processing operations may include utilizing the lag time mask to filter out a set of measurement peaks (hereinafter “peaks”) corresponding to formation waves and filter out a set of non-target peaks (e.g., alias peaks, peaks noise, etc.) from the DPTS map, keeping target peaks such as compression wave peaks and shear wave peaks in the DPTS map. The slow time mask is controllable using a set of parameters based on the travel time of a mode, where a mode describes a wave motion pattern (e.g. compression mode, shear mode, etc.). The adaptive filter may also include one or more appearance thresholds to filter out additional peaks in an initial set of mode-tagged peaks, wherein the mode-tagged peaks are tagged with a wave mode, such as compression or shear. The set of appearance processing operations may also include operations to generate a slowness prediction curve based on the initial set of mode-labeled peaks and filter for additional peaks within a threshold range of the slowness prediction curve. For example, after determining a set of compression wave peaks by applying a filter based on a compression wave slowness prediction curve, the system may select one or more qualified compression wave peaks to determine a DTC or other compression wave slowness measurement. The adaptive filter may also include operations to fill in missing offset time values based on at least one of the offset times of wave peaks from neighboring measurements (or their corresponding threshold offset times).

[0027] Além disso, o filtro adaptativo pode incluir um filtro adaptativo específico de cisalhamento, em que os valores de DTC gerados a partir do conjunto de operações de processamento de aparência são usados para gerar uma faixa de pesquisa de cisalhamento que inclui picos de onda de cisalhamento e filtra valores de DTC e valores de tempo de deslocamento de onda de lama (DTM). Em algumas modalidades, o DTC e outros valores com base em medições de onda de compressão podem ser usados para determinar um limite inferior da faixa de pesquisa, e medições com base em valores de onda de lama podem ser usadas para determinar um limite superior da faixa de pesquisa. O filtro adaptativo específico de cisalhamento pode incluir uma segunda iteração do conjunto de operações de processamento de aparência nos picos na faixa de pesquisa de cisalhamento para determinar um conjunto de valores de DTRS ou outras medições de lentidão de onda de cisalhamento.[0027] Additionally, the adaptive filter may include a shear-specific adaptive filter, wherein DTC values generated from the set of appearance processing operations are used to generate a shear search range that includes wave peaks. and filters DTC values and mud wave displacement time (DTM) values. In some embodiments, the DTC and other values based on compression wave measurements may be used to determine a lower limit of the search range, and measurements based on mud wave values may be used to determine an upper limit of the range. of research. The shear specific adaptive filter may include a second iteration of the set of appearance processing operations on the peaks in the shear search range to determine a set of DTRS values or other shear wave slowness measurements.

[0028] Ao aplicar o filtro adaptativo, vários desafios de processamento para determinar um DTC e DTRS podem ser mitigados. Tais desafios de processamento incluem os efeitos da anisotropia de formação, chegadas de multicisalhamento para poços inclinados/horizontais, interferência de chegada compressional de lama, ondas Rayleigh radiais (PR-) perto de uma frequência de Fase Aérea e/ou outros desafios de processamento descritos acima. Por exemplo, o filtro adaptativo pode mitigar os efeitos de dispersão das ondas PR-Rayleigh em frequências próximas às frequências de ressonância de onda de cisalhamento. Ao mitigar esses desafios, o sistema de predição de lentidão pode determinar com mais precisão e eficiência os valores de DTC, valores de DTRS e suas informações de onda correspondentes. Estes valores podem ser usados para fornecer medições mais precisas de propriedades de formação e otimizar operações de geo-orientação, operações de tratamento de poço e outras operações de uma formação.[0028] By applying the adaptive filter, several processing challenges for determining a DTC and DTRS can be mitigated. Such processing challenges include the effects of formation anisotropy, multishear arrivals for inclined/horizontal wells, compressional mud arrival interference, radial Rayleigh waves (PR-) near an Air Phase frequency, and/or other processing challenges described. above. For example, the adaptive filter can mitigate the scattering effects of PR-Rayleigh waves at frequencies close to the shear wave resonance frequencies. By mitigating these challenges, the sluggish prediction system can more accurately and efficiently determine DTC values, DTRS values, and their corresponding waveform information. These values can be used to provide more accurate measurements of formation properties and optimize geo-steering operations, well treatment operations and other operations of a formation.

Examples of Well Systems

[0029] A FIG. 1 é uma vista em elevação de um sistema de perfuração onshore que opera um conjunto de perfuração de fundo de poço que inclui um sistema de perfilagem de onda mecânica. Um sistema de perfuração 100 inclui uma sonda 101 localizada em uma superfície de formação 111 e posicionada acima de um poço 103 dentro de uma formação subterrânea 102. Em certas modalidades, um conjunto de perfuração 104 pode ser acoplado à sonda 101 usando uma coluna de perfuração 105. Em outras modalidades, o conjunto de perfuração 104 pode ser acoplado à sonda 101 usando um cabo de aço ou um cabo liso, por exemplo. O conjunto de perfuração 104 pode incluir uma composição de fundo (BHA) 106. A BHA 106 pode incluir uma broca de pefuração 109, um conjunto de direção 108 e um aparelho de LWD/medição durante a perfuração (MWD) tendo uma ferramenta sônica 107. A ferramenta sônica 107 pode incluir um conjunto de receptores 121 e um transmissor de onda mecânico 122. Um sistema de sensor de onda mecânico e de controle 110 localizado na superfície de formação 111 pode incluir um processador e um dispositivo de memória e pode se comunicar com elementos da BHA 106 (por exemplo, ferramentas de perfilagem no aparelho LWD/MWD). O sistema de sensor de onda mecânico e de controle 110 pode receber dados e enviar sinais de controle para a BHA 106 ou componentes dos mesmos. Além disso, em algumas modalidades, pelo menos um processador e dispositivo de memória podem estar localizados no fundo do poço dentro da BHA 106 para os mesmos fins. A ferramenta sônica 107 pode perfilar a formação subterrânea 102 enquanto o poço 103 está sendo perfurado e após o poço 103 ser perfurado para fornecer informações sobre as operações subterrâneas em curso. O sistema de sensor de onda mecânico e de controle 110 também pode receber dados e enviar sinais de controle para a ferramenta sônica 107.[0029] FIG. 1 is an elevation view of an onshore drilling system operating a downhole drilling assembly that includes a mechanical wave logging system. A drilling system 100 includes a probe 101 located on a formation surface 111 and positioned above a well 103 within an underground formation 102. In certain embodiments, a drill assembly 104 may be coupled to the probe 101 using a drill string. 105. In other embodiments, the drill assembly 104 may be coupled to the probe 101 using a steel cable or smooth cable, for example. The drilling assembly 104 may include a bottom composition (BHA) 106. The BHA 106 may include a drill bit 109, a steering assembly 108, and a LWD/measuring while drilling (MWD) apparatus having a sonic tool 107 The sonic tool 107 may include a receiver assembly 121 and a mechanical wave transmitter 122. A mechanical wave sensor and control system 110 located on the forming surface 111 may include a processor and a memory device and may communicate. with elements of BHA 106 (e.g. profiling tools on the LWD/MWD device). The mechanical wave sensor and control system 110 can receive data from and send control signals to the BHA 106 or components thereof. Furthermore, in some embodiments, at least one processor and memory device may be located downhole within the BHA 106 for the same purposes. The sonic tool 107 can profile the underground formation 102 while the well 103 is being drilled and after the well 103 is drilled to provide information about ongoing underground operations. The mechanical wave sensor and control system 110 may also receive data from and send control signals to the sonic tool 107.

[0030] Em modalidades particulares, o sistema de sensor de onda mecânico e de controle 110 pode receber medições de onda de subsuperfície associadas à formação subterrânea 102 com base em distúrbios (por exemplo, ondas de formação) na formação subterrânea 102. Estes distúrbios podem incluir uma ou mais ondas mecânicas geradas pelo transmissor de ondas mecânicas 122 na ferramenta sônica 107. O transmissor de onda mecânica 122 pode incluir um elemento mecânico ou hidráulico que pode ser acionado para gerar uma única onda mecânica em um único pulso (isto é, um único pulso de onda mecânica sem pulsos vizinhos fornecidos em uma frequência), uma onda mecânica contínua em uma única frequência e/ou uma combinação de ondas mecânicas com múltiplas frequências. Ondas mecânicas geradas pelo transmissor de onda mecânica 122 ou outras fontes de formação/onda mecânica podem se deslocar através da formação subterrânea 102 e/ou da ferramenta sônica 107 e ser medidas pelos receptores 121, que podem transmitir medições de onda de subsuperfície para o sistema de sensor de onda mecânica e de controle 110. Em algumas modalidades, a direção ou velocidade da broca de perfuração 109 pode ser alterada com base na presença de características geológicas indicadas por um perfil sísmico.[0030] In particular embodiments, the mechanical wave sensor and control system 110 may receive subsurface wave measurements associated with the underground formation 102 based on disturbances (e.g., formation waves) in the underground formation 102. These disturbances may include one or more mechanical waves generated by the mechanical wave transmitter 122 in the sonic tool 107. The mechanical wave transmitter 122 may include a mechanical or hydraulic element that can be actuated to generate a single mechanical wave in a single pulse (i.e., a single mechanical wave pulse with no neighboring pulses supplied at one frequency), a continuous mechanical wave at a single frequency, and/or a combination of mechanical waves at multiple frequencies. Mechanical waves generated by the mechanical wave transmitter 122 or other mechanical wave/formation sources can travel through the underground formation 102 and/or the sonic tool 107 and be measured by the receivers 121, which can transmit subsurface wave measurements to the system. of mechanical wave sensor and control 110. In some embodiments, the direction or speed of the drill bit 109 may be changed based on the presence of geological features indicated by a seismic profile.

[0031] Modificações, adições ou omissões podem ser feitas à FIG. 1 sem se afastar do escopo da presente divulgação. Por exemplo, múltiplos transmissores de onda mecânica podem ser usados em conjunto com o sistema de perfuração 100 e o sistema de sensor de onda mecânica e de controle 110. Além disso, os componentes podem ser adicionados ou removidos do sistema de perfuração 100 sem se afastar do escopo da presente divulgação.[0031] Modifications, additions or omissions may be made to FIG. 1 without departing from the scope of this disclosure. For example, multiple mechanical wave transmitters can be used in conjunction with the drilling system 100 and the mechanical wave sensor and control system 110. Additionally, components can be added to or removed from the drilling system 100 without moving away from each other. the scope of this disclosure.

[0032] A FIG. 2 é uma vista em elevação de um sistema de cabo de aço onshore que opera uma ferramenta de cabo de aço que inclui um sistema de perfilagem de onda mecânica. Um sistema de cabo de aço 200 inclui uma sonda 201 localizada em uma superfície 211 e posicionada acima de um furo de poço 203 dentro de uma formação subterrânea 202. O sistema de cabo de aço 200 pode incluir um cabo de aço 204 suportando uma ferramenta sônica 209 que pode coletar vários tipos de informações sobre o furo de poço 203 e a formação subterrânea 202, tal como porosidade, resistividade, presença de hidrocarbonetos, presença de gás, etc. Um sistema de sensor de onda mecânica e de controle 210 localizado na superfície 211 pode incluir um processador e um dispositivo de memória e pode se comunicar com elementos da ferramenta sônica 209. A ferramenta sônica 209 pode incluir um conjunto de receptores 221 e um transmissor de onda mecânica 222. O transmissor de onda mecânica 222 pode gerar um sinal de onda mecânica para a formação subterrânea 202 e/ou a ferramenta sônica 209. O sinal de onda mecânica pode ser medido como medições de onda de subsuperfície e/ou outras medições de onda mecânica pelo conjunto de receptores 221. O sistema de sensor de onda mecânica e de controle 210 pode adquirir medições de onda de subsuperfície e/ou outras medições de onda mecânica da ferramenta sônica 209 enquanto a ferramenta sônica 209 está em movimento. Além disso, o sistema de sensor de onda mecânica e de controle 210 pode adquirir medições de onda de subsuperfície da ferramenta sônica 209 enquanto a ferramenta sônica 209 está estacionária.[0032] FIG. 2 is an elevation view of an onshore wireline system operating a wireline tool that includes a mechanical wave profiling system. A wireline system 200 includes a probe 201 located on a surface 211 and positioned above a wellbore 203 within an underground formation 202. The wireline system 200 may include a wireline 204 supporting a sonic tool 209 which can collect various types of information about the wellbore 203 and the underground formation 202, such as porosity, resistivity, presence of hydrocarbons, presence of gas, etc. A mechanical wave sensor and control system 210 located on surface 211 may include a processor and a memory device and may communicate with elements of the sonic tool 209. The sonic tool 209 may include a set of receivers 221 and a transmitter. mechanical wave 222. The mechanical wave transmitter 222 may generate a mechanical wave signal to the underground formation 202 and/or the sonic tool 209. The mechanical wave signal may be measured as subsurface wave measurements and/or other measurements of mechanical wave by the receiver assembly 221. The mechanical wave sensor and control system 210 may acquire subsurface wave measurements and/or other mechanical wave measurements from the sonic tool 209 while the sonic tool 209 is in motion. Additionally, the mechanical wave sensor and control system 210 may acquire subsurface wave measurements from the sonic tool 209 while the sonic tool 209 is stationary.

Flowchart Examples

[0033] A FIG. 3 representa um fluxograma de operações para aplicar um filtro adaptativo às medições de onda de subsuperfície. A FIG. 3 representa um fluxograma 300 de operações que são descritas com referência a um sistema compreendendo um processador. As operações do fluxograma 300 começam no bloco 304.[0033] FIG. 3 represents a flowchart of operations for applying an adaptive filter to subsurface wave measurements. FIG. 3 represents a flowchart 300 of operations that are described with reference to a system comprising a processor. Flowchart operations 300 begin at block 304.

[0034] No bloco 304, o sistema adquire um primeiro conjunto de medições de onda de subsuperfície. As medições de onda de subsuperfície podem ser adquiridas a partir de sensores sísmicos. Por exemplo, com referência às FIGs. 1-2 acima, as medições de onda de subsuperfície podem ser adquiridas a partir de sensores na ferramenta sônica 107, sensores ligados ao cabo de aço 204 e/ou sensores na ferramenta sônica 209. As medições de onda de subsuperfície podem ser adquiridas diretamente de sensores de onda mecânica ou recuperadas de um meio legível por máquina não transitório.[0034] In block 304, the system acquires a first set of subsurface wave measurements. Subsurface wave measurements can be acquired from seismic sensors. For example, with reference to FIGS. 1-2 above, subsurface wave measurements can be acquired from sensors on the sonic tool 107, sensors attached to the steel cable 204, and/or sensors on the sonic tool 209. The subsurface wave measurements can be acquired directly from mechanical wave sensors or recovered from a non-transitory machine-readable medium.

[0035] No bloco 308, o sistema seleciona um agrupamento de deslocamento comum (COG) com base no primeiro conjunto de medições de onda de subsuperfície. A seleção do COG pode incluir selecionar um conjunto de medições de onda de subsuperfície tendo uma distância compartilhada de um transmissor de onda mecânica. Por exemplo, com referência à FIG. 2, o sistema pode selecionar um conjunto de medições de onda de subsuperfície como o COG, em que cada um do conjunto de medições de onda de subsuperfície compartilha uma mesma distância (dentro de um limiar de distância aceitável) do transmissor de onda mecânica 122.[0035] In block 308, the system selects a common displacement grouping (COG) based on the first set of subsurface wave measurements. COG selection may include selecting a set of subsurface wave measurements having a shared distance from a mechanical wave transmitter. For example, with reference to FIG. 2, the system may select a set of subsurface wave measurements such as the COG, wherein each of the set of subsurface wave measurements shares a common distance (within an acceptable distance threshold) from the mechanical wave transmitter 122.

[0036] No bloco 312, o sistema determina medições de onda de ferramenta local com base no COG. Em algumas modalidades, as medições de onda de ferramenta locais podem ser determinadas usando o COG atribuindo um subconjunto de medições de onda do COG para serem ondas de ferramenta locais, em que as ondas de ferramenta locais podem ser determinadas com base em um valor de comprimento que é proporcional ao comprimento da ferramenta. As ondas da ferramenta local podem ser calculadas aplicando um filtro no COG, por exemplo, filtros de número de onda de frequência (FK) que mantêm as ondas com os mesmos tempos de viagem. Alternativamente, as ondas da ferramenta local podem ser calculadas empilhando todas as formas de onda do COG, em que empilhar um conjunto de formas de onda ou outras medições inclui tomar a média do conjunto de formas de onda ou outras medições em diferentes profundidades. Uma vez que apenas um subconjunto dos dados de COG é utilizado na construção das ondas de ferramenta, as ondas são preditas localmente, tornando as ondas um tipo de medições de onda de ferramenta preditas localmente.[0036] In block 312, the system determines local tool wave measurements based on the COG. In some embodiments, local tool wave measurements can be determined using the COG by assigning a subset of COG wave measurements to be local tool waves, wherein the local tool waves can be determined based on a length value which is proportional to the length of the tool. Local tool waves can be calculated by applying a filter in the COG, for example frequency wavenumber (FK) filters that keep waves with the same travel times. Alternatively, local tool waves can be calculated by stacking all COG waveforms, where stacking a set of waveforms or other measurements includes taking the average of the set of waveforms or other measurements at different depths. Since only a subset of the COG data is used in constructing the tool waves, the waves are locally predicted, making the waves a type of locally predicted tool wave measurements.

[0037] No bloco 314, o sistema gera um modelo de onda de ferramenta. Em algumas modalidades, um modelo de onda de ferramenta pode ser gerado com base em um teste de tanque de fluido, em que as medições fornecidas por sensores de ondas de calibração geradas por um mecanismo de geração de onda que se propaga através de um fluido em uma câmara de teste (por exemplo, um tanque) são usadas como o modelo de onda de ferramenta. Alternativamente, ou além disso, o modelo de onda de ferramenta pode ser gerado com base em dados de resultado recuperados de um banco de dados em um meio legível por máquina não transitório, tal como um banco de dados que inclui medições de onda de subsuperfície de formações moles (por exemplo, carbonato).[0037] In block 314, the system generates a tool wave model. In some embodiments, a tool wave model may be generated based on a fluid tank test, where measurements provided by calibration wave sensors generated by a wave generation mechanism that propagates through a fluid in A test chamber (e.g., a tank) is used as the tool wave model. Alternatively, or in addition, the tool wave model may be generated based on result data retrieved from a database on a non-transient machine-readable medium, such as a database that includes subsurface wave measurements of soft formations (e.g. carbonate).

[0038] No bloco 316, o sistema determina uma janela de tempo de onda de ferramenta e uma primeira medição de onda de ferramenta chegada com base nas medições de onda de ferramenta locais. O sistema pode determinar a janela de tempo de onda de ferramenta com base em um conjunto de propriedades de formação e propriedades de onda de ferramenta conhecidas. Por exemplo, com base em um conjunto de propriedades de formação e/ou onda que inclui uma velocidade de onda máxima através da formação e uma velocidade de propagação de onda de ferramenta conhecida, o sistema pode definir uma janela de tempo entre 500 microssegundos e 1000 microssegundos. O sistema pode usar a janela de tempo de onda de ferramenta para filtrar um subconjunto de medições de onda de subsuperfície como medições não de ferramenta e permitir que o sistema se concentre em medições de ferramenta potenciais, em que as medições de ferramenta potenciais são selecionadas com base em estar dentro de uma faixa de ondas que poderiam ter se propagado através de uma ferramenta. A primeira onda de ferramenta de chegada dentro da janela de tempo de onda de ferramenta pode ser definida como uma primeira onda de ferramenta de chegada qualificada.[0038] In block 316, the system determines a tool wave time window and a first arriving tool wave measurement based on local tool wave measurements. The system can determine the tool wave time window based on a set of known forming properties and tool wave properties. For example, based on a set of formation and/or wave properties that includes a maximum wave speed through the formation and a known tool wave propagation speed, the system can define a time window between 500 microseconds and 1000 microseconds. The system may use the tool wave time window to filter out a subset of subsurface wave measurements as non-tool measurements and allow the system to focus on potential tool measurements, where the potential tool measurements are selected with based on being within a range of waves that could have propagated through a tool. The first arrival tool wave within the tool wave time window can be defined as a qualified first arrival tool wave.

[0039] No bloco 320, o sistema gera uma comparação da primeira medição de onda de ferramenta de chegada e do modelo de onda de ferramenta. Em algumas modalidades, o sistema pode gerar a comparação calculando um valor de comparação (por exemplo, uma diferença, uma razão, etc.) entre a primeira onda de ferramenta de chegada e o modelo de onda de ferramenta. Em modalidades alternativas, uma medição de onda de ferramenta local completa que não seja a primeira medição de onda de ferramenta de chegada pode ser usada. Por exemplo, uma comparação entre uma medição de onda de ferramenta local com a maior amplitude entre um conjunto de medições de onda de ferramenta e o modelo de onda de ferramenta pode ser usada. O valor de comparação pode ser uma razão de amplitudes entre a medição de onda de ferramenta local e o gabarito de onda de ferramenta como mostrado abaixo na Equação 1, onde r é uma razão, AMPíocai é a amplitude de uma onda de ferramenta local (por exemplo, a primeira onda de ferramenta de chegada) e AMPtempíate é a amplitude de um gabarito de onda de ferramenta, as comparações de diferença e razão podem ser determinadas da seguinte forma: [0039] In block 320, the system generates a comparison of the first arriving tool wave measurement and the tool wave model. In some embodiments, the system may generate the comparison by calculating a comparison value (e.g., a difference, a ratio, etc.) between the first arriving tool wave and the tool wave model. In alternative embodiments, a complete local tool wave measurement other than the first arriving tool wave measurement may be used. For example, a comparison between a local tool wave measurement with the largest amplitude among a set of tool wave measurements and the tool wave model can be used. The comparison value can be a ratio of amplitudes between the local tool wave measurement and the tool wave template as shown below in Equation 1, where r is a ratio, AMPiocai is the amplitude of a local tool wave (e.g. example, the first arriving tool wave) and AMPtempíate is the amplitude of a tool wave template, the difference and ratio comparisons can be determined as follows:

[0040] O sistema pode definir um limiar de formação para ferramenta para determinar se a lentidão da onda de compressão da formação é mais rápida ou mais lenta do que as ondas da ferramenta. O limiar de formação para ferramenta pode ser comparado com o valor de comparação. Por exemplo, o limiar de formação para ferramenta para uma comparação de razão pode ser usado como mostrado abaixo na Equação 2, onde rth é o limiar de formação para ferramenta para uma comparação de razão, DTC é a lentidão da onda de compressão da formação e DTt00i é a lentidão da onda da ferramenta: [0040] The system can set a tool formation threshold to determine whether the formation compression wave slowness is faster or slower than the tool waves. The forming threshold for tooling can be compared with the comparison value. For example, the formation-to-tool threshold for a ratio comparison can be used as shown below in Equation 2, where rth is the formation-to-tool threshold for a ratio comparison, DTC is the formation compression wave slowness, and DTt00i is the tool wave slowness:

[0041] Como mostrado acima, quando o valor de comparação excede o limiar de formação para ferramenta, o DTC é determinado como sendo menor (e, portanto, mais rápido) do que a lentidão da onda da ferramenta em pelo menos k unidades de lentidão, em que as unidades de lentidão podem ser adimensionais (por exemplo, normalizadas por um valor de lentidão normalizante) ou dimensionais (por exemplo, 'microssegundos por pé’). Caso contrário, o DTC é considerado maior ou igual a (e, portanto, mais lento ou igual a) a lentidão da onda da ferramenta por pelo menos k unidades de lentidão. Em algumas modalidades, a comparação entre DTC e DTtool pode ser determinada independentemente de uma determinação de um valor numérico para DTC. Em algumas modalidades, os valores para k podem incluir 0, 10, 100 ou algumas outras unidades de limiar. Além disso, a razão de onda de ferramenta pode fornecer informações úteis para determinar um valor de onda de ferramenta qualificado tanto das ondas de ferramenta preditas locais quanto do modelo de onda de ferramenta, como descrito mais abaixo na descrição do bloco 424 da FIG. 4 e das Equações 3 - 4. Após a comparação ser gerada, as operações do fluxograma 300 podem prosseguir para as operações do fluxograma 400 na FIG. 4.[0041] As shown above, when the comparison value exceeds the tool forming threshold, the DTC is determined to be smaller (and therefore faster) than the tool wave slowness by at least k slowness units , where slowness units can be dimensionless (e.g., normalized by a normalizing slowness value) or dimensional (e.g., 'microseconds per foot'). Otherwise, the DTC is considered greater than or equal to (and therefore slower than or equal to) the tool wave slowness by at least k slowness units. In some embodiments, the comparison between DTC and DTtool can be determined independently of a determination of a numerical value for DTC. In some embodiments, values for k may include 0, 10, 100, or some other threshold units. Furthermore, the tool wave ratio can provide useful information for determining a qualified tool wave value from both the local predicted tool waves and the tool wave model, as described further below in the description of block 424 of FIG. 4 and Equations 3 - 4. After the comparison is generated, the flowchart operations 300 can proceed to the flowchart operations 400 in FIG. 4.

[0042] A FIG. 4 representa uma continuação do fluxograma de operações da FIG. 3 para aplicar um filtro adaptativo às medições de onda de subsuperfície. A FIG. 4 representa um fluxograma 400 de operações que são descritas em referência a um sistema compreendendo um processador. As operações do fluxograma 400 continuam no bloco 404 das operações da FIG. 3.[0042] FIG. 4 represents a continuation of the operations flowchart of FIG. 3 to apply an adaptive filter to subsurface wave measurements. FIG. 4 represents a flowchart 400 of operations that are described with reference to a system comprising a processor. The operations of flowchart 400 continue in block 404 of the operations of FIG. 3.

[0043] No bloco 404, a lentidão Stoneley das medições de onda é determinada com base em um limiar de lentidão de lama. Em algumas modalidades, a lentidão Stoneley pode ser medida isolando a contribuição das ondas Stoneley no COG ou por um processamento de aparência de lentidão de tempo em um agrupamento de transmissor comum (CTG). Uma vez que as medições da onda Stoneley são isoladas, a lentidão da onda Stoneley pode ser determinada. A propriedade de formação pode ser predita comparando uma lentidão de onda Stoneley medida ou aproximada com um limiar de lentidão de lama, em que o limiar de lentidão de lama pode ser baseado em valores de lentidão conhecidos de ondas que se propagam através de um fluido. Em algumas modalidades, esta comparação de lentidão de Stoneley pode ser usada ao determinar se o tipo de formação é rápido ou lento. Por exemplo, se a lentidão Stoneley não puder ser medida ou for muito maior do que um limiar de lentidão de lama (por exemplo, maior em pelo menos 10%), então o tipo de formação pode ser classificado como uma formação lenta (por exemplo, uma formação mole). Caso contrário, o tipo de formação pode ser classificado como uma formação rápida.[0043] In block 404, the Stoneley slowness of the wave measurements is determined based on a mud slowness threshold. In some embodiments, the Stoneley slowness can be measured by isolating the contribution of the Stoneley waves in the COG or by time slowness appearance processing in a common transmitter cluster (CTG). Once Stoneley wave measurements are isolated, the slowness of the Stoneley wave can be determined. The formation property can be predicted by comparing a measured or approximated Stoneley wave slowness with a mud slowness threshold, where the mud slowness threshold can be based on known slowness values of waves propagating through a fluid. In some embodiments, this Stoneley slowness comparison can be used when determining whether the type of formation is fast or slow. For example, if the Stoneley slowness cannot be measured or is much greater than a mud slowness threshold (e.g. greater by at least 10%), then the formation type can be classified as a slow formation (e.g. , a soft formation). Otherwise, the type of training can be classified as rapid training.

[0044] No bloco 408, é feita uma determinação de se aplicar um afunilamento com base em uma comparação de onda de ferramenta e/ou um tipo de formação. Com referência à FIG. 3, a comparação de onda de ferramenta pode ser a comparação das predições de onda de ferramenta local e o modelo de onda de ferramenta descrito para o bloco 320. Um afunilamento pode ser gerado para reduzir as complicações do uso de picos/eventos de aparência significativos no mapa de aparência. Em algumas modalidades, o sistema pode determinar que um afunilamento deve ser aplicado com base em um DTC sendo mais lento do que a DTtool. Medições de onda de subsuperfície de formações lentas determinadas como tendo uma onda de ferramenta mais rápida do que uma onda de compressão de formação podem incluir medições de onda de ferramenta residual que não são removidas durante a pré-filtragem. Um sistema pode aplicar um afunilamento para filtrar as medições de onda de ferramenta residual que não são removidas durante a pré-filtragem. Por exemplo, com referência à FIG. 3, se a comparação no bloco 320 resultar na determinação de que o valor de comparação excede o limiar de formação para ferramenta, então o DTC é maior ou igual à DTtool por pelo menos k unidades de lentidão. Em resposta, o sistema pode determinar que as ondas de compressão de formação são mais lentas do que as ondas de ferramenta e que um afunilamento deve ser aplicado.[0044] In block 408, a determination is made whether to apply a taper based on a tool wave comparison and/or a formation type. With reference to FIG. 3, the tool wave comparison may be the comparison of the local tool wave predictions and the tool wave model described for block 320. A taper may be generated to reduce the complications of using significant spikes/appearance events on the appearance map. In some embodiments, the system may determine that a bottleneck should be applied based on a DTC being slower than the DTtool. Subsurface wave measurements of slow formations determined to have a faster tool wave than a formation compression wave may include residual tool wave measurements that are not removed during prefiltering. A system may apply a bottleneck to filter residual tool wave measurements that are not removed during prefiltering. For example, with reference to FIG. 3, if the comparison in block 320 results in the determination that the comparison value exceeds the tool formation threshold, then the DTC is greater than or equal to the DTtool by at least k slow units. In response, the system may determine that forming compression waves are slower than tooling waves and that a taper should be applied.

[0045] Além disso, algumas modalidades podem determinar que um afunilamento deve ser aplicado com base em um tipo de formação. Por exemplo, o sistema pode determinar que um afunilamento deve ser aplicado com base no tipo de formação sendo um tipo de formação suave/lenta. Em algumas modalidades, o tipo de formação identificado usando a análise de lentidão Stoneley descrita acima no bloco 404 pode ser usado. Alternativamente, o tipo de formação pode ser identificado usando outras medições, tais como medições de testes mineralógicos de amostras de testemunho, análise química, testes de resistividade, etc. Em algumas modalidades, o sistema pode determinar que um afunilamento deve ser aplicado quando o tipo de formação é determinado como sendo lento e as ondas de compressão de formação são determinadas como sendo mais lentas do que as ondas de ferramenta. Caso contrário, o sistema pode determinar que um cone não deve ser aplicado. Se o sistema determinar que um afunilamento deve ser aplicado, as operações do fluxograma 400 prosseguem para o bloco 412. Caso contrário, as operações do fluxograma 400 prosseguem para o bloco 416.[0045] Additionally, some embodiments may determine that a taper must be applied based on a type of formation. For example, the system may determine that a taper should be applied based on the formation type being a soft/slow formation type. In some embodiments, the type of formation identified using the Stoneley slowness analysis described above in block 404 may be used. Alternatively, the type of formation can be identified using other measurements, such as mineralogical test measurements of core samples, chemical analysis, resistivity tests, etc. In some embodiments, the system may determine that a taper should be applied when the type of formation is determined to be slow and the formation compression waves are determined to be slower than the tool waves. Otherwise, the system may determine that a cone should not be applied. If the system determines that a bottleneck should be applied, flowchart operations 400 proceed to block 412. Otherwise, flowchart operations 400 proceed to block 416.

[0046] No bloco 412, o sistema determina e aplica o afunilamento para medições de onda correspondentes ao mapa de aparência de uma forma de onda de matriz com base na lentidão da formação. O afunilamento pode ser usado para reduzir artefatos de medição e pode ser determinado com base na lentidão da formação gerando uma função representando um afunilamento entre um valor de pico e um valor de fundo. Por exemplo, o sistema pode usar uma função cônica que varia em função da lentidão da onda e aplicar esta função cônica ao conjunto de medições de onda de subsuperfície para filtrar as medições de onda da ferramenta.[0046] In block 412, the system determines and applies tapering to wave measurements corresponding to the appearance map of a matrix waveform based on the slowness of formation. Tapering can be used to reduce measurement artifacts and can be determined based on the slowness of formation by generating a function representing a tapering between a peak value and a background value. For example, the system can use a conical function that varies as a function of wave slowness and apply this conical function to the set of subsurface wave measurements to filter the tool wave measurements.

[0047] No bloco 424, o sistema reconstrói um conjunto de medições de onda de ferramenta com base na comparação de onda de ferramenta. Por exemplo, a razão de onda de ferramenta re o limiar de formação para ferramenta rth das Equações 1-2 podem ser usados nas seguintes Equações 3 e 4, onde a representa uma proporção do modelo de onda de ferramenta nas medições de onda de ferramenta estimadas finais, MAX é uma função de valor máximo, Wav1/™1 representa a contribuição de valor de onda de uma onda de ferramenta local, Wavfl°bal representa a contribuição de valor de onda de um modelo de onda de ferramenta e WavTL representa uma medição de onda de ferramenta reconstruída: [0047] In block 424, the system reconstructs a set of tool wave measurements based on the tool wave comparison. For example, the tool wave ratio r and the forming threshold for tool rth from Equations 1-2 can be used in the following Equations 3 and 4, where a represents a proportion of the tool wave model in the estimated tool wave measurements. finals, MAX is a maximum value function, Wav1/™1 represents the wave value contribution of a local tool wave, Wavfl°bal represents the wave value contribution of a tool wave model, and WavTL represents a measurement tool waveform:

[0048] Nos casos em que as ondas de compressão de formação são mais lentas do que as ondas de ferramenta, o sistema pode aumentar a precisão das medições de onda de ferramenta reconstruídas aplicando um filtro adicional para manter as chegadas de onda de ferramenta. Por exemplo, o sistema pode aplicar um filtro F-K como mostrado abaixo na Equação 5, em que FK representa a função de filtro F-K, WavTL representa uma medição de onda de ferramenta reconstruída e WavTL modifted representa uma medição de onda de ferramenta reconstruída modificada, que é modificada para levar em conta que as ondas de compressão de formação são mais lentas do que as ondas de ferramenta: [0048] In cases where formation compression waves are slower than tool waves, the system can increase the accuracy of reconstructed tool wave measurements by applying an additional filter to maintain tool wave arrivals. For example, the system may apply an FK filter as shown below in Equation 5, where FK represents the FK filter function, WavTL represents a reconstructed tool wave measurement, and WavTL modifted represents a modified reconstructed tool wave measurement, which is modified to take into account that formation compression waves are slower than tool waves:

[0049] Alternativas à ponderação binomial mostrada na Equação 4 e seu fator de proporcionalidade correspondente a podem ser usadas (por exemplo, determinar uma medição de onda de ferramenta reconstruída com base em diferenças matemáticas, comparações logarítmicas, etc.). Além disso, o sistema pode aplicar outros filtros às medições de onda (por exemplo, filtro mediano, filtro baseado em transformada de Radon, etc.) pode ser usado para gerar a medição de onda de ferramenta estimada aprimorada.[0049] Alternatives to the binomial weighting shown in Equation 4 and its corresponding proportionality factor can be used (e.g., determining a reconstructed tool wave measurement based on mathematical differences, logarithmic comparisons, etc.). Additionally, the system can apply other filters to the wave measurements (e.g. median filter, Radon transform based filter, etc.) can be used to generate the improved estimated tool wave measurement.

[0050] No bloco 432, o sistema gera um primeiro conjunto de medições de onda de subsuperfície adaptativamente filtradas com base no conjunto reconstruído de ondas de ferramenta. Com referência à FIG. 3, as medições de onda de subsuperfície adaptativamente filtradas podem ser determinadas subtraindo valores de onda com base na medição de onda de ferramenta reconstruída do primeiro conjunto de medições de onda de subsuperfície. Os valores de onda podem ser iguais às medições de onda de ferramenta reconstruídas descritas acima no bloco 424. Alternativamente, os valores de onda com base nas medições de onda de ferramenta reconstruídas podem ser o resultado da aplicação de um ou mais filtros às medições de onda de ferramenta reconstruídas. Por exemplo, as medições de onda de subsuperfície adaptativamente filtradas podem ser geradas usando a Equação 6 abaixo, em que as medições de onda de subsuperfície adaptativamente filtradas ^avinitiai-AF são determinadas com base no primeiro conjunto de medições de onda de subsuperfície WaVfirst e na medição de onda de ferramenta reconstruída modificada WavTL modified: [0050] In block 432, the system generates a first set of adaptively filtered subsurface wave measurements based on the reconstructed set of tool waves. With reference to FIG. 3, the adaptively filtered subsurface wave measurements can be determined by subtracting wave values based on the reconstructed tool wave measurement from the first set of subsurface wave measurements. The wave values may be the same as the reconstructed tool wave measurements described above in block 424. Alternatively, the wave values based on the reconstructed tool wave measurements may be the result of applying one or more filters to the wave measurements. of rebuilt tools. For example, adaptively filtered subsurface wave measurements can be generated using Equation 6 below, wherein the adaptively filtered subsurface wave measurements ^avinitiai-AF are determined based on the first set of WaVfirst subsurface wave measurements and the WavTL modified reconstructed tool wave measurement:

[0051] Além disso, o sistema pode remover outros modos não ferramenta usando um filtro para um agrupamento de transmissor comum (CTG). Um filtro para um CTG pode filtrar medições de onda de subsuperfície de modo que cada medição de onda de subsuperfície no primeiro conjunto de medições de onda de subsuperfície adaptativamente filtradas venha de um transmissor comum. Por exemplo, um transmissor pode ser conhecido por transmitir a uma certa frequência e amplitude em um determinado intervalo de tempo. Ao rastrear as frequências e amplitudes das medições de onda de subsuperfície ao longo do tempo, o sistema pode aplicar um filtro para determinar qual das medições de onda de subsuperfície corresponde à frequência/amplitude do transmissor e filtrar pelo menos um subconjunto de medições de onda de subsuperfície que não corresponde ao transmissor.[0051] Additionally, the system can remove other non-tool modes using a filter for a common transmitter grouping (CTG). A filter for a CTG can filter subsurface wave measurements so that each subsurface wave measurement in the first set of adaptively filtered subsurface wave measurements comes from a common transmitter. For example, a transmitter may be known to transmit at a certain frequency and amplitude in a certain time interval. By tracking the frequencies and amplitudes of subsurface wave measurements over time, the system can apply a filter to determine which of the subsurface wave measurements corresponds to the transmitter frequency/amplitude and filter out at least a subset of subsurface wave measurements. subsurface that does not correspond to the transmitter.

[0052] No bloco 434, o sistema define um limiar de aparência com base no tipo de formação e/ou no primeiro conjunto de medições de onda de subsuperfície adaptativamente filtradas. O limiar de pico pode ser determinado com base em um valor pré-ajustado responsivo ao tipo de formação. Por exemplo, os picos em um primeiro conjunto de picos podem ser normalizados para uma escala numérica entre zero e um, e o limiar de pico pode ser definido em um valor predefinido de 0,3 para tipos de formação mole. Alternativamente, ou além disso, o limiar de aparência pode ser determinado com base em um conjunto de picos correspondentes ao primeiro conjunto de medições de onda de subsuperfície adaptativamente filtradas. Em algumas modalidades, o sistema pode determinar um limiar de aparência para ser proporcional a uma estatística (por exemplo, uma média aritmética, mediana, desvio padrão, etc.) do conjunto de picos. Por exemplo, o limiar de aparência pode ser determinado como sendo metade do desvio padrão dos valores de aparência correspondentes ao conjunto de picos.[0052] In block 434, the system defines an appearance threshold based on the type of formation and/or the first set of adaptively filtered subsurface wave measurements. The peak threshold can be determined based on a preset value responsive to the type of formation. For example, the peaks in a first set of peaks can be normalized to a numerical scale between zero and one, and the peak threshold can be set to a predefined value of 0.3 for soft formation types. Alternatively, or in addition, the appearance threshold can be determined based on a set of peaks corresponding to the first set of adaptively filtered subsurface wave measurements. In some embodiments, the system may determine an appearance threshold to be proportional to a statistic (e.g., an arithmetic mean, median, standard deviation, etc.) of the set of peaks. For example, the appearance threshold may be determined to be half the standard deviation of the appearance values corresponding to the set of peaks.

[0053] No bloco 436, o sistema aplica processamento de aparência com base no primeiro conjunto de medições de onda de subsuperfície adaptativamente filtradas e no limiar de aparência O processamento de aparência pode incluir vários métodos de processamento LWD monopolo, tais como o método de coerência de tempo de lentidão (STC), o método Nth-Root e o método Differential-Phase-Time-Semblance (DPTS). Por exemplo, um método DPTS pode ser usado. O método DPTS pode ser usado com uma máscara de tempo de lentidão, em que a região de seleção definida pela máscara de tempo de lentidão é determinada por um conjunto de pontos na máscara de tempo de lentidão. O sistema pode definir os pontos da máscara de tempo de lentidão. Por exemplo, uma máscara de tempo de lentidão pode ser um quadrilátero definido por quatro pontos, em que os tempos de deslocamento usados para determinar as posições pontuais podem ser encontrados na equação 7 abaixo, onde Zf é uma distância de propagação na formação, Zf s é um atraso de propagação na formação, Lmud é o caminho de propagação na lama, smud é a lentidão da lama, LmudSmud é o tempo de deslocamento no poço, TTpuSe é um atraso de pulso e TT é o tempo de deslocamento de um modo com uma velocidade s, em que modificar o valor de s de um valor mínimo para um valor máximo define os tempos de deslocamento de limite de uma máscara de tempo de lentidão: [0053] In block 436, the system applies appearance processing based on the first set of adaptively filtered subsurface wave measurements and the appearance threshold. Appearance processing may include various monopole LWD processing methods, such as the coherence method. slow time control (STC), the Nth-Root method and the Differential-Phase-Time-Semlance (DPTS) method. For example, a DPTS method can be used. The DPTS method can be used with a lag time mask, where the selection region defined by the lag time mask is determined by a set of points in the lag time mask. The system can set the slow time mask points. For example, a slowdown time mask might be a quadrilateral defined by four points, where the travel times used to determine point positions can be found in equation 7 below, where Zf is a propagation distance in the formation, Zf s is a formation propagation delay, Lmud is the propagation path in the mud, smud is the mud slowness, LmudSmud is the well travel time, TTpuSe is a pulse delay and TT is the travel time of a mode with a speed s, where changing the value of s from a minimum value to a maximum value defines the threshold travel times of a slowdown time mask:

[0054] Em algumas modalidades, a máscara de tempo de lentidão fornece um meio de filtrar picos restringindo a seleção de pico a uma região de seleção especificada pela máscara de tempo de lentidão no mapa DPTS, em que cada pico na região de seleção representa um modo possível de propagação com a lentidão associada ao pico. O mapa DPTS pode incluir informações de aparência sobre um pico, como o valor de aparência de pico, a lentidão correspondente ao pico, tempos de deslocamento de limite do pico, tempo de chegada do pico, etc. Além disso, podem ser fornecidos indicadores da qualidade do mapa DPTS, em que a qualidade do mapa DPTS pode incluir um valor de separação de pico, uma razão entre o valor de pico e o valor de aparência de fundo, etc. Além disso, os valores de onda de formação, tais como amplitude e frequência, podem ser fornecidos pelo mapa DPTS ou pelas medições de onda de subsuperfície correspondentes ao pico no mapa DPTS. Além disso, o sistema pode usar vários outros métodos para identificar picos no mapa DPTS, como mover uma janela de aparência usando operações descritas abaixo para o fluxograma 500 da FIG. 5.[0054] In some embodiments, the lag time mask provides a means of filtering peaks by restricting peak selection to a selection region specified by the lag time mask in the DPTS map, wherein each peak in the selection region represents a possible mode of propagation with the slowness associated with the peak. The DPTS map can include appearance information about a peak, such as the peak appearance value, the peak's corresponding slowness, peak boundary travel times, peak arrival time, etc. Additionally, indicators of DPTS map quality may be provided, wherein the DPTS map quality may include a peak separation value, a ratio of the peak value to the background appearance value, etc. Furthermore, formation wave values such as amplitude and frequency can be provided by the DPTS map or the subsurface wave measurements corresponding to the peak in the DPTS map. In addition, the system may use various other methods to identify peaks in the DPTS map, such as moving an appearance window using operations described below for flowchart 500 of FIG. 5.

[0055] A FIG. 5 representa um fluxograma de operações para determinar um ou mais picos em um mapa DPTS (aparência de tempo de fase diferencial) usando uma máscara de tempo de lentidão. Com referência adicional à FIG. 4 acima, a FIG. 5 é um fluxograma 500 de operações que podem ser realizadas como parte do processamento de aparência discutido acima para o bloco 436. As operações do fluxograma 500 começam no bloco 504.[0055] FIG. 5 depicts a flowchart of operations for determining one or more peaks in a DPTS (differential phase time appearance) map using a slow time mask. With further reference to FIG. 4 above, FIG. 5 is a flowchart 500 of operations that may be performed as part of the appearance processing discussed above for block 436. Flowchart operations 500 begin at block 504.

[0056] No bloco 504, o sistema move uma janela de aparência para uma nova posição em uma região de seleção de um mapa de semblante de fase diferencial (DPTS). Com referência à FIG. 4, o mapa DPTS pode ser gerado com base no processamento de aparência realizado no bloco 436. A região de seleção pode ser definida por uma máscara de tempo de lentidão do mapa DPTS como descrito acima.[0056] In block 504, the system moves an appearance window to a new position in a selection region of a differential phase semblance map (DPTS). With reference to FIG. 4, the DPTS map can be generated based on the appearance processing performed in block 436. The selection region can be defined by a lag time mask of the DPTS map as described above.

[0057] Em algumas modalidades, uma lentidão mínima da região de seleção pode corresponder ao tempo de deslocamento mínimo predito TTsMIN, e uma lentidão máxima da região de seleção pode corresponder ao tempo de deslocamento máximo predito TTsMAX. O sistema pode usar uma janela de tempo que captura o evento de coerência dos modos para levar em conta a heterogeneidade da formação medida. Um conjunto de exemplo de tempo mimiiio de lentidão, tempo muimio de lentidão, tempo máximo de inicial e tempo máximo de lentidão finai pode ser determiiado como mostrado abaixo ias Equações 8-11: [0057] In some embodiments, a minimum selection region slowdown may correspond to the predicted minimum travel time TTsMIN, and a maximum selection region slowness may correspond to the predicted maximum travel time TTsMAX. The system can use a time window that captures the mode coherence event to take into account the heterogeneity of the measured formation. A set of example slowdown times , very slow time , maximum time of initial and maximum final slow time can be determined as shown below in Equations 8-11:

[0058] No bloco 506, o sistema determina um pico na janela de aparência. O pico na janela de aparência pode ser determinado com base em um valor máximo e/ou um valor diferencial. Por exemplo, o sistema pode analisar uma janela de aparência para determinar um ou mais valores máximos na janela de aparência e rotular o ponto na janela de aparência como um pico.[0058] In block 506, the system determines a peak in the appearance window. The peak in the appearance window can be determined based on a maximum value and/or a differential value. For example, the system may analyze an appearance window to determine one or more maximum values in the appearance window and label the point in the appearance window as a peak.

[0059] No bloco 508, o sistema determina se o pico é um pico verdadeiro correspondente a um modo. O sistema pode determinar que o pico é um pico verdadeiro correspondente a um modo com base em se o pico satisfaz ou não (por exemplo, é maior que) um limiar de aparência. Por exemplo, se um limiar de aparência for 0,5 e o valor de densidade de um pico for 0,8, o sistema pode determinar que o pico é um pico verdadeiro correspondente a um modo. Em relação à FIG. 4 acima, o limiar de aparência pode ser o mesmo ou semelhante ao limiar de aparência descrito para o bloco 434. Se o pico não satisfizer o limiar de aparência, o sistema pode determinar que o pico não é um pico verdadeiro.[0059] In block 508, the system determines whether the peak is a true peak corresponding to a mode. The system may determine that the peak is a true peak corresponding to a mode based on whether or not the peak satisfies (e.g., is greater than) an appearance threshold. For example, if an appearance threshold is 0.5 and the density value of a peak is 0.8, the system can determine that the peak is a true peak corresponding to a mode. In relation to FIG. 4 above, the appearance threshold may be the same or similar to the appearance threshold described for block 434. If the peak does not satisfy the appearance threshold, the system may determine that the peak is not a true peak.

[0060] No bloco 512, o pico é armazenado em uma ou mais matrizes que representam um primeiro conjunto de picos filtrados adaptativamente. Em algumas modalidades, o pico pode ser armazenado com seu tempo de deslocamento correspondente e pode ser rastreado usando o tempo de deslocamento diretamente associado ao pico. Em algumas modalidades, tempos de deslocamento adicionais podem ser atribuidos ao pico ou seu modo correspondente usando os valores de limite do pico, em que os valores de limite são determinados com base em um padrão consistente. Por exemplo, um pico em um mapa DPTS pode ter uma lentidão de 100 microssegundos por pé e um tempo de deslocamento de 1000 microssegundos. Se um limiar de limite de pico for 0,25 da densidade de pico, os valores de limite do pico podem ter um limite inferior de tempo de deslocamento de 850 microssegundos e um limite superior de tempo de deslocamento de 1.200 microssegundos, em que ambos os limites inferior e superior estão na mesma lentidão que o pico. Uma ou mais matrizes podem ser armazenadas em um meio legível por máquina não transitório. Por exemplo, cada pico de um conjunto de picos e seus valores de limite de pico correspondentes podem ser armazenados em uma matriz multidimensional em uma memória do sistema.[0060] In block 512, the peak is stored in one or more matrices representing a first set of adaptively filtered peaks. In some embodiments, the peak may be stored with its corresponding travel time and may be tracked using the travel time directly associated with the peak. In some embodiments, additional travel times may be assigned to the peak or its corresponding mode using the peak threshold values, where the threshold values are determined based on a consistent pattern. For example, a spike on a DPTS map might have a slowness of 100 microseconds per foot and a travel time of 1000 microseconds. If a peak threshold threshold is 0.25 of the peak density, the peak threshold values can have a lower offset time limit of 850 microseconds and an upper offset time limit of 1,200 microseconds, where both lower and upper limits are at the same slowness as the peak. One or more matrices may be stored on a non-transitory machine-readable medium. For example, each peak in a set of peaks and their corresponding peak threshold values can be stored in a multidimensional array in a system memory.

[0061] No bloco 514, o sistema determina se há um pico adicional na janela de aparência. Se houver outro pico disponível na janela de aparência, o sistema retornará às operações divulgadas no bloco 506 para analisar o próximo pico disponível. Caso contrário, as operações do fluxograma 500 podem continuar no bloco 516.[0061] In block 514, the system determines whether there is an additional peak in the appearance window. If there is another peak available in the appearance window, the system will return to the operations disclosed in block 506 to analyze the next available peak. Otherwise, operations of flowchart 500 may continue in block 516.

[0062] No bloco 516, o sistema determina se há uma próxima posição disponível para a janela de aparência. Se houver uma próxima posição disponível para a janela de aparência, o sistema pode retornar ao bloco 506, em que o sistema moverá a janela de aparência para a próxima posição. Caso contrário, as operações do fluxograma 500 podem continuar no bloco 528.[0062] In block 516, the system determines whether there is a next position available for the appearance window. If there is a next position available for the appearance window, the system may return to block 506, where the system will move the appearance window to the next position. Otherwise, operations of flowchart 500 may continue in block 528.

[0063] No bloco 528, o sistema executa operações de processamento de aparência adicionais no primeiro conjunto de picos filtrados adaptativamente. As operações de processamento de aparência adicionais podem incluir operações do fluxograma 600 mostrado na FIG 6. Após as operações de processamento de aparência estarem concluídas, o sistema pode terminar as operações descritas no fluxograma 500.[0063] In block 528, the system performs additional appearance processing operations on the first set of adaptively filtered peaks. Additional appearance processing operations may include operations from the flowchart 600 shown in FIG. 6. After the appearance processing operations are completed, the system may complete the operations described in the flowchart 500.

[0064] A FIG. 6 representa um fluxograma de operações para identificar ondas de formação e seus tempos de deslocamento. Com referência adicional às FIGs. 4 e 5 acima, a FIG. 6 é um fluxograma 600 de operações que podem ser realizadas como parte do processamento de aparência discutido acima para os blocos 436 e 528, respectivamente. As operações do fluxograma 600 são descritas com referência a um sistema compreendendo um processador e iniciam no bloco 604.[0064] FIG. 6 represents a flowchart of operations to identify formation waves and their travel times. With further reference to FIGS. 4 and 5 above, FIG. 6 is a flowchart 600 of operations that may be performed as part of the appearance processing discussed above for blocks 436 and 528, respectively. The operations of flowchart 600 are described with reference to a system comprising a processor and begin at block 604.

[0065] No bloco 604, o sistema determina um conjunto inicial de picos marcados com modo com base em um primeiro conjunto de medições de onda de subsuperfície filtradas adaptativamente e seus picos correspondentes. O conjunto inicial de picos marcados com modo pode ser determinado identificando qual do primeiro conjunto de picos filtrados adaptativamente são os primeiros picos chegados sobre um limiar de aparência que corresponde a um modo (por exemplo, compressão, cisalhamento, etc.). Por exemplo, um conjunto inicial de picos marcados com modo pode ser um conjunto inicial de picos de onda de compressão ou um conjunto inicial de picos de onda de cisalhamento. Com relação ainda à FIG. 5, as operações para determinar o conjunto inicial de picos marcados com modo podem ser baseadas nos picos filtrados adaptativamente discutidos no bloco 512 para determinar um ou mais valores de DTC. Alternativamente, em relação à FIG. 7, as operações para determinar o conjunto inicial de picos de onda de cisalhamento podem ser baseadas em picos filtrados adaptativamente específicos de cisalhamento semelhantes ou iguais aos discutidos no bloco 712 para determinar um ou mais valores de DTRS. Em algumas modalidades, o sistema pode usar um primeiro limiar de aparência para identificar um pico correspondente com uma onda de compressão e usar um segundo limiar de aparência para identificar um pico correspondente com uma onda de cisalhamento de formação. Por exemplo, os primeiros picos chegados de um conjunto de medições de onda de subsuperfície adaptativamente filtradas acima de um limiar de aparência de onda de compressão podem ser identificados como correspondentes à formação P-chegada (isto é, hora de chegada para a primeira onda P), e os primeiros picos chegados de medições de onda de subsuperfície adaptativamente filtradas específicas de cisalhamento acima de um limiar de aparência de onda de cisalhamento podem ser identificados como correspondentes à formação S-chegada (isto é, hora de chegada para a primeira onda S).[0065] In block 604, the system determines an initial set of mode-labeled peaks based on a first set of adaptively filtered subsurface wave measurements and their corresponding peaks. The initial set of mode-labeled peaks can be determined by identifying which of the first set of adaptively filtered peaks are the first peaks arrived over an appearance threshold that corresponds to a mode (e.g., compression, shear, etc.). For example, an initial set of mode-marked peaks may be an initial set of compression wave peaks or an initial set of shear wave peaks. Referring further to FIG. 5, operations for determining the initial set of mode-marked peaks may be based on the adaptively filtered peaks discussed in block 512 to determine one or more DTC values. Alternatively, referring to FIG. 7, operations for determining the initial set of shear wave peaks may be based on specific adaptively filtered shear peaks similar or the same as those discussed in block 712 for determining one or more DTRS values. In some embodiments, the system may use a first appearance threshold to identify a peak corresponding to a compression wave and use a second appearance threshold to identify a peak corresponding to a forming shear wave. For example, the first arriving peaks of a set of adaptively filtered subsurface wave measurements above a compressional wave appearance threshold can be identified as corresponding to the P-arrival formation (i.e., arrival time for the first P-wave ), and the first peaks arrived from shear-specific adaptively filtered subsurface wave measurements above a shear wave appearance threshold can be identified as corresponding to the S-arrival formation (i.e., arrival time for the first S-wave ).

[0066] No bloco 608, o sistema gera um mapa de densidade de tempo de lentidão tendo uma zona de concentração que inclui um conjunto de picos qualificados com base no conjunto inicial de picos marcados com modo. Um mapa de densidade de tempo de lentidão pode ser usado para rastrear ondas de compressão e cisalhamento com base em seus valores de lentidão de onda e tempos de deslocamento. Por exemplo, este rastreamento pode ser realizado dentro de uma faixa determinada com base nas Equações 12-14 abaixo, onde T representa o tempo de deslocamento, S representa lentidão, pT(S) representa densidade de lentidão para um tempo de deslocamento inicial (por exemplo, DTC ou DTRS) em um conjunto de medições de múltiplas profundidades, Semb representa um valor de aparência dos primeiros palpites, Tthr e Sthr denota os limiares para calcular a densidade do tempo de deslocamento e densidade do tempo de lentidão, e STD(T, S) representa valores no mapa de densidade de tempo de lentidão: [0066] In block 608, the system generates a lag time density map having a concentration zone that includes a set of qualified peaks based on the initial set of mode-marked peaks. A slowness-time density map can be used to track compressional and shear waves based on their wave slowness values and travel times. For example, this tracking can be performed within a range determined based on Equations 12-14 below, where T represents travel time, S represents slowness, pT(S) represents slowness density for an initial travel time (e.g. example, DTC or DTRS) in a set of measurements from multiple depths, Semb represents an appearance value of first guesses, Tthr and Sthr denote the thresholds for calculating travel time density and slow time density, and STD(T , S) represents values in the slow time density map:

[0067] As equações 12-14 mostram que a soma dos valores de aparência em uma faixa específica em torno de um tempo de pico pode ser calculada como um valor de densidade para a posição central da faixa. Ao aplicar as Equações 12-14 para cada um dos conjuntos iniciais de picos marcados com modo, o sistema pode gerar um mapa de densidade de tempo de lentidão. Além disso, o sistema pode definir uma zona de concentração que inclui o conjunto de picos qualificados, em que os limites da zona de concentração estão dentro de uma faixa do conjunto inicial de picos marcados com modo. Por exemplo, o sistema pode definir um limite inferior de lentidão da zona de concentração para ser 100 microssegundos por pé maior do que a medição mais lenta do conjunto inicial de picos de onda de cisalhamento ou definir um limite superior de tempo de deslocamento da concentração para ser 100 microssegundos menor do que a medição mais rápida do conjunto inicial de picos de onda de cisalhamento.[0067] Equations 12-14 show that the sum of appearance values in a specific range around a peak time can be calculated as a density value for the central position of the range. By applying Equations 12-14 to each of the initial sets of mode-labeled peaks, the system can generate a slow-time density map. Additionally, the system may define a concentration zone that includes the set of qualified peaks, wherein the boundaries of the concentration zone are within a range of the initial set of mode-marked peaks. For example, the system may set a lower limit on concentration zone slowness to be 100 microseconds per foot greater than the slowest measurement of the initial set of shear wave peaks, or set an upper limit on concentration shift time to be 100 microseconds shorter than the fastest measurement of the initial set of shear wave peaks.

[0068] No bloco 610, o sistema gera uma predição de lentidão com base no conjunto de picos qualificados na zona de concentração. O sistema pode gerar uma predição de lentidão na forma de uma curva de predição de lentidão, em que a curva de predição é uma função ajustada aos picos qualificados (por exemplo, picos de onda de compressão, picos de onda de cisalhamento, etc.). Por exemplo, o sistema pode gerar uma função parabólica ajustada para ser uma curva de predição de lentidão de onda de compressão para um conjunto de picos de onda de compressão qualificados. Como um exemplo alternativo, o sistema pode gerar uma função hiperbólica ajustada para ser uma curva de predição de lentidão de onda de cisalhamento com base em um conjunto de picos de onda de cisalhamento qualificados (isto é, picos correspondentes a um modo de cisalhamento). Alternativamente, o sistema pode gerar outras funções ajustadas ao conjunto de picos qualificados, tais como uma função polinomial, função de interpolação linear, função exponencial, etc.[0068] In block 610, the system generates a slowness prediction based on the set of qualified peaks in the concentration zone. The system may generate a slowness prediction in the form of a slowness prediction curve, wherein the prediction curve is a function fitted to qualified peaks (e.g., compression wave peaks, shear wave peaks, etc.) . For example, the system may generate a parabolic function fitted to be a compression wave slowness prediction curve for a set of qualified compression wave peaks. As an alternative example, the system may generate a hyperbolic function fitted to be a shear wave slowness prediction curve based on a set of qualified shear wave peaks (i.e., peaks corresponding to a shear mode). Alternatively, the system can generate other functions adjusted to the set of qualified peaks, such as a polynomial function, linear interpolation function, exponential function, etc.

[0069] No bloco 612, o sistema seleciona o conjunto de picos qualificados com base em uma faixa de limiar da predição de lentidão. O sistema pode selecionar o conjunto de picos qualificados começando com o conjunto de picos qualificados descrito acima no bloco 608 e aumentando este conjunto com picos adicionais dentro de uma faixa de limiar da predição de lentidão. A faixa de limiar de predições de lentidão pode ser determinada com base no mapa de densidade de tempo de lentidão e/ou um ou mais conjuntos correspondentes de picos qualificados. Em algumas modalidades, um limiar de lentidão aceitável STH pode ser usado para aumentar um conjunto de picos no mapa de densidade de tempo de lentidão com picos que estão dentro do limiar de lentidão aceitável STH de uma curva de predição. A condição acima para selecionar um conjunto de picos pode ser escrita na forma da Equação 15 abaixo, em que máx. {Sem(speak)} representa o procedimento de tomar o pico de lentidão com o valor máximo de aparência, Speak representa a lentidão para todos os picos em um mapa de perfil de densidade variável (VDL) (por exemplo, um mapa VDL gerado com base em medições de onda mecânica), Spred representa a predição de lentidão com base em um valor de curva de predição em um valor de índice correspondente ao Speak e STH é o limiar de lentidão aceitável: [0069] In block 612, the system selects the set of qualified peaks based on a threshold range of the slowness prediction. The system may select the set of qualified peaks by starting with the set of qualified peaks described above in block 608 and augmenting this set with additional peaks within a threshold range of the slowness prediction. The threshold range of slowdown predictions can be determined based on the slowdown time density map and/or one or more corresponding sets of qualified peaks. In some embodiments, an STH acceptable slowing threshold may be used to augment a set of peaks in the slowing time density map with peaks that are within the STH acceptable slowing threshold of a prediction curve. The above condition for selecting a set of peaks can be written in the form of Equation 15 below, where max. {Sem(speak)} represents the procedure of taking the slowness peak with the maximum appearance value, Speak represents the slowness for all peaks in a variable density profile (VDL) map (for example, a VDL map generated with based on mechanical wave measurements), Spred represents the slow prediction based on a prediction curve value at an index value corresponding to Speak and STH is the acceptable slow threshold:

[0070] No bloco 616, o sistema determina se há profundidades que não têm um pico efetivo, lentidão (Delta-T) ou tempo de deslocamento. Uma profundidade pode ser sem uma lentidão efetiva (por exemplo, um DTC ou um DTRS) nos casos em que ruído de alta medição ou baixa resolução axial impedem a detecção de um pico de onda e sua lentidão correspondente. Se o sistema determinar que uma profundidade está sem uma lentidão efetiva, as operações do fluxograma 600 prosseguem para o bloco 620. Caso contrário, as operações do fluxograma 600 prosseguem para o bloco 640.[0070] In block 616, the system determines whether there are depths that do not have an effective peak, slowness (Delta-T) or travel time. A depth may be without an effective slowdown (e.g., a DTC or a DTRS) in cases where high measurement noise or low axial resolution prevent detection of a wave peak and its corresponding slowdown. If the system determines that a depth is without an effective slowdown, flowchart operations 600 proceed to block 620. Otherwise, flowchart operations 600 proceed to block 640.

[0071] No bloco 620, o sistema seleciona um conjunto aumentado de picos qualificados com base em uma profundidade vizinha com um pico relevante e tempo de deslocamento efetivo vizinho correspondente. O sistema seleciona um conjunto aumentado de picos qualificados rastreando picos com base em seu tempo de deslocamento efetivo vizinho e preenchendo o tempo de deslocamento efetivo ausente. O sistema pode encontrar uma profundidade vizinha tendo um tempo de deslocamento efetivo selecionando uma profundidade de medição perto da profundidade que não tem um valor de tempo de deslocamento efetivo, onde a profundidade selecionada tem as informações de tempo de deslocamento. O sistema pode, então, rastrear os picos tendo um tempo de deslocamento semelhante (dentro de um limiar de tempo de deslocamento) como a profundidade vizinha para determinar um tempo de deslocamento eficaz. Para determinar uma faixa de pesquisa dentro da qual um pico e o tempo de deslocamento efetivo correspondente podem ser rastreados, o sistema pode usar os limites definidos pela Equação 16 abaixo, onde TTiSTART é um tempo de início de um modo no índice i e TTind é o tempo de término de um modo no índice i, em que o índice i se correlaciona com pelo menos um dentre uma profundidade ou um disparo de medição de um sistema de medição de múltiplos disparos: [0071] In block 620, the system selects an augmented set of qualified peaks based on a neighboring depth with a relevant peak and corresponding neighboring effective travel time. The system selects an augmented set of qualified peaks by tracking peaks based on their neighboring effective travel time and filling in the missing effective travel time. The system can find a neighboring depth having an effective travel time by selecting a measurement depth close to the depth that does not have an effective travel time value, where the selected depth has the travel time information. The system can then track peaks having a similar travel time (within a travel time threshold) as the neighboring depth to determine an effective travel time. To determine a search range within which a peak and corresponding effective travel time can be tracked, the system can use the limits defined by Equation 16 below, where TTiSTART is a start time of a mode in index i and TTind is the termination time of a mode at index i, wherein index i correlates with at least one of a depth or measurement shot of a multishot measurement system:

[0072] Uma vez que a faixa de pesquisa eficaz é determinada, picos que estão mais próximos do pico selecionado correspondendo ao valor anterior de i (por exemplo, uma profundidade anterior ou disparo anterior) são selecionados como a estimativa final do pico. O correspondente TT?desta estimativa final pode ser atribuído como o tempo de deslocamento efetivo para preencher o tempo de deslocamento efetivo ausente. Além disso, a lentidão correspondente deste pico final estimado pode ser atribuída como DTC ou DTRS efetivo para preencher a lentidão ausente na zona.[0072] Once the effective search range is determined, peaks that are closest to the selected peak corresponding to the previous value of i (e.g., a previous depth or previous shot) are selected as the final peak estimate. The corresponding TT?of this final estimate can be assigned as the effective travel time to fill the missing effective travel time. Furthermore, the corresponding slowness of this estimated final peak can be assigned as effective DTC or DTRS to fill in the missing slowness in the zone.

[0073] No bloco 628, é feita uma determinação de se há profundidades adicionais com estimativas de lentidão ausentes. Se houver profundidades adicionais com uma lentidão efetiva ausente, o sistema pode prosseguir para operações divulgadas no bloco 620 para determinar uma lentidão efetiva para essas profundidades adicionais.[0073] In block 628, a determination is made whether there are additional depths with missing slowness estimates. If there are additional depths with a missing effective slow, the system may proceed to operations disclosed in block 620 to determine an effective slow for those additional depths.

[0074] No bloco 640, o sistema determina e armazena o conjunto de valores de lentidão correspondentes ao conjunto selecionado de picos qualificados. O sistema pode armazenar os valores de lentidão armazenando os próprios valores de lentidão, seus picos correspondentes e/ou outras informações correspondentes aos valores de lentidão, tais como os tempos de deslocamento da onda. O sistema pode armazenar o conjunto de valores de lentidão em um meio legível por máquina não transitório. Por exemplo, um primeiro conjunto de picos correspondentes a valores DTC e um segundo conjunto de picos correspondentes a valores DTRS podem ser armazenados em um conjunto de matrizes acessíveis em uma memória do sistema.[0074] In block 640, the system determines and stores the set of slowness values corresponding to the selected set of qualified peaks. The system may store the slowness values by storing the slowness values themselves, their corresponding peaks, and/or other information corresponding to the slowness values, such as wave travel times. The system may store the set of slowness values on a non-transitory machine-readable medium. For example, a first set of peaks corresponding to DTC values and a second set of peaks corresponding to DTRS values may be stored in a set of arrays accessible in a system memory.

[0075] A FIG. 7 representa um fluxograma de operações para aplicar um filtro adaptativo específico de cisalhamento a um conjunto de medições de onda para identificar uma ou mais ondas de cisalhamento. Com referência adicional à FIG. 4 acima, a FIG. 7 representa um fluxograma 700 de operações que podem ser realizadas como parte do processamento de aparência discutido acima para o bloco 436. As operações do fluxograma 700 são descritas com referência a um sistema compreendendo um processador e iniciam no bloco 708.[0075] FIG. 7 depicts a flowchart of operations for applying a shear-specific adaptive filter to a set of wave measurements to identify one or more shear waves. With further reference to FIG. 4 above, FIG. 7 depicts a flowchart 700 of operations that may be performed as part of the appearance processing discussed above for block 436. The operations of flowchart 700 are described with reference to a system comprising a processor and begin at block 708.

[0076] No bloco 704, o sistema determina uma faixa de pesquisa de cisalhamento para picos de cisalhamento candidatos com base em um DTC e uma lentidão de onda de lama (DTM). Com referência à FIG. 6, os valores de DTC podem ser determinados utilizando operações semelhantes ou iguais às divulgadas para o fluxograma 600. Os valores de DTM podem ser determinados com base em equações empíricas de lentidão de lama, dados tabulados ou propriedades de fluido baseadas em teoria. A faixa de pesquisa de cisalhamento pode ser dividida em um limite inferior e um limite superior. O limite inferior pode ser determinado com base no DTC. Por exemplo, um limite inferior s^aixo pode ser determinado com base no valor de aparência de DTC sp e um valor mínimo de razão de compressão para cisalhamento (P-S) rps usando a Equação 17 abaixo: [0076] In block 704, the system determines a shear search range for candidate shear peaks based on a DTC and a mud wave slowness (DTM). With reference to FIG. 6, DTC values can be determined using similar or the same operations as those disclosed for flowchart 600. DTM values can be determined based on empirical mud slowness equations, tabulated data, or theory-based fluid properties. The shear search range can be divided into a lower limit and an upper limit. The lower limit can be determined based on the DTC. For example, a lower limit s^axis can be determined based on the appearance value of DTC sp and a minimum value of compression to shear ratio (PS) rps using Equation 17 below:

[0077] O limite superior de lentidão de cisalhamento pode ser determinado com base no DTM. Por exemplo, o limite superior de lentidão de cisalhamento sdigh pode ser determinado com base na lentidão de onda de compressão de lama smud (DTM) usando a Equação 18 abaixo: [0077] The upper limit of shear slowness can be determined based on the DTM. For example, the upper limit of shear slowness sdigh can be determined based on the mud compression wave slowness smud (DTM) using Equation 18 below:

[0078] No bloco 712, o sistema seleciona o conjunto de picos adaptativos específicos de cisalhamento de um primeiro conjunto de picos filtrados adaptativamente na faixa de pesquisa de cisalhamento com base em um ou mais limiares de tempo de chegada. Com referência à FIG. 5, o primeiro conjunto de picos filtrados adaptativamente pode ser determinado com base nas operações descritas no fluxograma 500. Em algumas modalidades, os limiares de tempo de chegada podem ser os limites da faixa de pesquisa de cisalhamento descrita acima para o bloco 708. O sistema também pode filtrar picos adicionais com base em limites de tempo de chegada predeterminados adicionais. Em algumas modalidades, o sistema pode definir um primeiro limiar de tempo de chegada para um valor menor que um primeiro conjunto de ondas de formação sem cisalhamento e filtrar picos com um tempo de chegada maior que o primeiro limiar de tempo de chegada. Alternativamente, ou além disso, o sistema pode definir um segundo limiar de tempo de chegada para um valor maior do que os tempos de chegada de um segundo conjunto de ondas de formação sem cisalhamento e filtrar picos com tempos de chegada menores do que o segundo limiar de tempo de chegada. As ondas de formação sem cisalhamento podem incluir ondas de compressão de lama, ondas de vazamento P e ondas PR-Rayleigh.[0078] In block 712, the system selects the set of adaptive shear-specific peaks from a first set of adaptively filtered peaks in the shear search range based on one or more arrival time thresholds. With reference to FIG. 5, the first set of adaptively filtered peaks may be determined based on the operations described in flowchart 500. In some embodiments, the arrival time thresholds may be the limits of the shear search range described above for block 708. The system can also filter additional spikes based on additional predetermined arrival time thresholds. In some embodiments, the system may set a first arrival time threshold to a value less than a first set of non-shear forming waves and filter out peaks with an arrival time greater than the first arrival time threshold. Alternatively, or in addition, the system may set a second arrival time threshold to a value greater than the arrival times of a second set of non-shear forming waves and filter out peaks with arrival times shorter than the second threshold. arrival time. Non-shear formation waves can include mud compression waves, P-leakage waves, and PR-Rayleigh waves.

[0079] No bloco 716, o sistema determina um conjunto de valores de DTRS com base nos picos filtrados adaptativamente específicos de cisalhamento. Com referência à FIG. 6, o sistema pode aplicar as operações divulgadas acima para o fluxograma 600, em que os picos adaptativamente filtrados podem ser utilizados como os picos adaptativamente filtrados específicos de cisalhamento para determinar os valores de DTRS descritos na descrição para o bloco 640.[0079] In block 716, the system determines a set of DTRS values based on specific adaptively filtered shear peaks. With reference to FIG. 6, the system can apply the operations disclosed above for flowchart 600, wherein the adaptively filtered peaks can be used as the shear-specific adaptively filtered peaks to determine the DTRS values described in the description for block 640.

[0080] No bloco 724, o sistema determina se os valores de DTC satisfazem um ou mais limiares de continuidade. O sistema pode determinar que os valores de DTC são contínuos com base nos valores de DTC que satisfazem um ou mais limiares de continuidade. Por exemplo, para determinar a continuidade, um primeiro valor de DTC pode ser determinado como não contínuo com base no primeiro valor de DTC ou sua curva de tempo de deslocamento correspondente excedendo um limiar de continuidade de 10% dos valores de profundidade vizinhos. Em algumas modalidades, um valor DTC não contínuo pode ser determinado como tendo saltado para uma região DTRS com base em limiares de continuidade, tais como uma faixa DTRS esperada. Por exemplo, o sistema pode determinar que o valor de DTC saltou para uma região de DTRS com base em uma continuidade do valor de lentidão ou curvas de tempo de deslocamento correspondentes dentro de uma faixa de DTRS esperada. Com referência adicional à FIG. 6, se o sistema determinar que um valor de DTC salta para uma região de DTRS, o sistema pode reatribuir o pico de DTC correspondente como um pico de DTRS e, em seguida, redeterminar um ou mais valores de DTC no bloco 616 antes de retornar ao bloco 716.[0080] In block 724, the system determines whether the DTC values satisfy one or more continuity thresholds. The system may determine that DTC values are continuous based on DTC values that satisfy one or more continuity thresholds. For example, to determine continuity, a first DTC value may be determined to be non-continuous based on the first DTC value or its corresponding travel time curve exceeding a continuity threshold of 10% of neighboring depth values. In some embodiments, a non-continuous DTC value may be determined to have jumped into a DTRS region based on continuity thresholds, such as an expected DTRS range. For example, the system may determine that the DTC value has jumped into a DTRS region based on a continuity of the sluggish value or corresponding travel time curves within an expected DTRS range. With further reference to FIG. 6, if the system determines that a DTC value jumps to a DTRS region, the system may reassign the corresponding DTC peak as a DTRS peak and then redetermine one or more DTC values in block 616 before returning to block 716.

[0081] No bloco 728, o sistema determina se os valores de DTRS e os valores de combinação satisfazem um ou mais limiares de continuidade. Um valor de combinação pode ser um valor determinado com base em valores DTC e valores DTRS. Por exemplo, um valor de combinação pode ser uma razão de um valor DTC para um valor DTRS. Os valores de DTRS e combinação podem satisfazer alguns limiares de continuidade quando cada um dos valores de DTRS e valores de combinação são contínuos dentro de um limiar de mudança de lentidão e limiar de mudança de tempo de deslocamento. Por exemplo, se um limiar de mudança de lentidão fosse de 15 microssegundos por pé entre quaisquer profundidades/índices vizinhos e um valor de DTRS mostrasse uma mudança de lentidão de 20 microssegundos por pé entre dois índices vizinhos, a mudança de lentidão seria maior do que o limiar de mudança de lentidão e o DTRS não satisfaria o limiar de continuidade. O sistema também pode determinar se os valores de DTRS e o valor de combinação satisfazem os limiares de continuidade, determinando se a razão de um valor de DTRS para um valor de DTC satisfaz os limiares da lei física. Por exemplo, o sistema pode determinar que o valor da razão DTRS para DTC está dentro de 1,5 e 3,3 para satisfazer um limiar de lei física e que o valor da razão DTRS para DTC não satisfaz o limiar de lei física de outra forma. Além disso, o sistema pode determinar se um valor de DTRS saltou para uma região de DTC, em que a região de DTC pode ser baseada em limiares de continuidade, tais como uma faixa de DTC esperada. O sistema pode determinar que os valores de DTRS não satisfazem um limiar de continuidade com base nos valores de DTRS que saltaram para uma região de DTC.[0081] In block 728, the system determines whether the DTRS values and combination values satisfy one or more continuity thresholds. A combination value can be a value determined based on DTC values and DTRS values. For example, a combination value might be a ratio of a DTC value to a DTRS value. The DTRS and combination values may satisfy some continuity thresholds when each of the DTRS values and combination values are continuous within a slowness change threshold and travel time change threshold. For example, if a slowness change threshold was 15 microseconds per foot between any neighboring depths/indices and a DTRS value showed a slowness change of 20 microseconds per foot between two neighboring indices, the slowness change would be greater than the slow change threshold and the DTRS would not satisfy the continuity threshold. The system can also determine whether the DTRS values and the combination value satisfy continuity thresholds by determining whether the ratio of a DTRS value to a DTC value satisfies physical law thresholds. For example, the system may determine that the value of the DTRS to DTC ratio is within 1.5 and 3.3 to satisfy one physical law threshold and that the value of the DTRS to DTC ratio does not satisfy the physical law threshold of another form. Additionally, the system may determine whether a DTRS value has jumped into a DTC region, where the DTC region may be based on continuity thresholds, such as an expected DTC range. The system may determine that DTRS values do not meet a continuity threshold based on DTRS values that have jumped into a DTC region.

[0082] Se um ou mais dos valores de DTRS ou valores de combinação não satisfizerem o limiar de continuidade, o sistema retorna ao bloco 716 para realizar outra análise de tempo de chegada de lentidão com diferentes limiares iniciais/outros valores e recalcular os valores de DTC e/ou DTRS. Em algumas modalidades, se um ou mais valores de DTRS forem determinados como tendo saltado para uma região de DTC, o sistema atribuirá um ou mais picos de DTRS saltados como picos de DTC antes de prosseguir para o bloco 716. Caso contrário, as operações do fluxograma 700 podem ser completas e os valores finais de DTRS e DTC podem ser usados como os valores de lentidão da onda de cisalhamento e lentidão da onda de compressão, respectivamente.[0082] If one or more of the DTRS values or combination values do not satisfy the continuity threshold, the system returns to block 716 to perform another slow arrival time analysis with different initial thresholds/other values and recalculate the delay values. DTC and/or DTRS. In some embodiments, if one or more DTRS values are determined to have jumped into a DTC region, the system will assign one or more skipped DTRS peaks as DTC peaks before proceeding to block 716. Otherwise, operations of the flowchart 700 can be complete and the final values of DTRS and DTC can be used as the values of shear wave slowness and compressional wave slowness, respectively.

[0083] Os fluxogramas acima são fornecidos para auxiliar na compreensão das ilustrações e não devem ser usados para limitar o escopo das reivindicações. Os fluxogramas representam operações de exemplo que podem variar dentro do escopo das reivindicações. Operações adicionais podem ser realizadas; menos operações podem ser realizadas; as operações podem ser realizadas em paralelo; e as operações podem ser realizadas em uma ordem diferente. Por exemplo, as operações representadas nos blocos 504-516 da FIG. 5 podem ser realizadas em paralelo ou simultaneamente. Com relação à Figura 6, a determinação e o aumento de picos é como divulgado nos blocos 616 - 628 não é necessário. Será entendido que cada bloco das ilustrações de fluxograma e/ou diagramas de blocos e combinações de blocos nas ilustrações de fluxograma e/ou diagramas de blocos podem ser implementados por código de programa. O código do programa pode ser fornecido a um processador de um computador de uso geral, computador de uso especial ou outra máquina ou aparelho programável.[0083] The above flowcharts are provided to assist in understanding the illustrations and should not be used to limit the scope of the claims. The flowcharts represent example operations that may vary within the scope of the claims. Additional operations can be performed; fewer operations can be performed; operations can be performed in parallel; and operations can be performed in a different order. For example, the operations depicted in blocks 504-516 of FIG. 5 can be performed in parallel or simultaneously. With respect to Figure 6, the determination and spiking of peaks as disclosed in blocks 616 - 628 is not necessary. It will be understood that each block of the flowchart illustrations and/or block diagrams and combinations of blocks in the flowchart illustrations and/or block diagrams may be implemented by program code. The program code may be supplied to a processor of a general purpose computer, special purpose computer, or other programmable machine or apparatus.

Example data

[0084] A FIG. 8 representa um exemplo de mapa DPTS com uma máscara de tempo de lentidão. O mapa DPTS 810 tem um eixo horizontal 801 que representa o tempo em microssegundos e um eixo vertical 802 que representa a lentidão em microssegundos por pé. A região de densidade de linha de base 805 representa uma região em que cada um dos valores de densidade de tempo de lentidão é menor do que um limiar de densidade de tempo de lentidão L0. Um conjunto de regiões separadas no mapa DPTS 810 representa, cada uma, uma região separada da região de densidade de linha de base 805 pelos limiares de densidade de tempo de lentidão L0, L1 e L2, em que L0<L1<L2. As regiões elevadas inferiores 820, 830 e 840 representam regiões em que os valores de densidade de tempo de lentidão são maiores ou iguais a L0. As regiões médias elevadas 821, 831 e 841 representam regiões em que os valores de densidade de tempo de lentidão são maiores ou iguais a L1. As regiões elevadas superiores 822, 832 e 842 representam regiões em que os valores de densidade de tempo de lentidão são maiores ou iguais a L2.[0084] FIG. 8 represents an example of a DPTS map with a slowdown time mask. The DPTS map 810 has a horizontal axis 801 that represents time in microseconds and a vertical axis 802 that represents slowness in microseconds per foot. The baseline density region 805 represents a region in which each of the idle time density values is less than a idle time density threshold L0. A set of separate regions in the DPTS map 810 each represents a region separated from the baseline density region 805 by the slowdown time density thresholds L0, L1, and L2, where L0<L1<L2. The lower elevated regions 820, 830, and 840 represent regions where the idling time density values are greater than or equal to L0. The high average regions 821, 831, and 841 represent regions where the slow time density values are greater than or equal to L1. The upper elevated regions 822, 832, and 842 represent regions where the lag time density values are greater than or equal to L2.

[0085] Um filtro adaptativo pode incluir o uso de uma máscara de tempo de lentidão 852 para selecionar picos em uma região de seleção circundada pela máscara de tempo de lentidão 852 e evitar picos na região não alvo 861. Em relação à FIG. 4, a máscara de tempo de lentidão 852 pode ser gerada usando operações semelhantes ou iguais às divulgadas para o bloco 436 para determinar os pontos de definição de região 871-874. As regiões elevadas superiores 822, 832 e 842 estão cada uma dentro da máscara de tempo de lentidão 852 e podem incluir pelo menos um valor de densidade de pico. Os picos dentro das regiões elevadas superiores 822, 832 e 842 podem corresponder a um DTC ou DTRS. Por exemplo, um ou mais picos dentro das regiões elevadas superiores 822 podem corresponder a um DTRS e um ou mais picos dentro das regiões elevadas superiores 832 podem corresponder a um DTC.[0085] An adaptive filter may include using a lag time mask 852 to select peaks in a selection region surrounded by the lag time mask 852 and avoid spikes in the non-target region 861. Referring to FIG. 4, lag time mask 852 may be generated using similar or the same operations as those disclosed for block 436 to determine region definition points 871-874. The upper elevated regions 822, 832, and 842 are each within the lag time mask 852 and may include at least one peak density value. Peaks within the upper high regions 822, 832, and 842 may correspond to a DTC or DTRS. For example, one or more peaks within the upper elevation regions 822 may correspond to a DTRS and one or more peaks within the upper elevation regions 832 may correspond to a DTC.

[0086] A FIG. 9 representa um mapa de densidade de tempo de lentidão (STD) de exemplo e picos qualificados correspondentes a um modo de compressão. O mapa STD 910 tem um eixo horizontal 901 representando o tempo em microssegundos e um eixo vertical 902 representando a lentidão em microssegundos por pés. O mapa STD 910 mostra intervalos de valores de densidade de tempo de lentidão divididos em um conjunto de regiões. A região de densidade de linha de base 905 representa uma região em que cada um dos valores de densidade de tempo de lentidão é menor do que um limiar de densidade de tempo de lentidão R0. As regiões 920, 930 e 940 representam, cada uma, uma região maior do que a região de densidade de linha de base 905 pelos limiares de densidade de tempo de lentidão R0, R1 e R2, em que R0<R1<R2. A região 920 representa uma região em que os valores de densidade de tempo de lentidão são maiores ou iguais a R0. A região 930 representa uma região em que os valores de densidade de tempo de lentidão são maiores ou iguais a L1. A região 940 representa uma região em que os valores de densidade de tempo de lentidão são maiores ou iguais a L3. Com referência à FIG. 4, um limiar de aparência descrito para o bloco 434 pode ser definido e aplicado para determinar uma zona de concentração para a qual um conjunto inicial de picos marcados com modo é determinado. Por exemplo, o limiar de aparência pode ser ajustado para o limiar de densidade R1, que definiria a região 930 como uma zona de concentração. Se a região 930 for a zona de concentração, os picos na região 930 seriam determinados para picos qualificados e analisados. Por exemplo, o sistema incluiria um pico 921 como parte do conjunto inicial de picos marcados com modo. Com referência adicional à FIG. 10, um sistema pode fornecer o conjunto inicial de picos marcados com modo para um perfil de densidade variável (VDL), tal como o gráfico VDL 1000.[0086] FIG. 9 depicts an example slow time density (STD) map and qualified peaks corresponding to a compression mode. The STD map 910 has a horizontal axis 901 representing time in microseconds and a vertical axis 902 representing slowness in microseconds per foot. The STD map 910 shows ranges of idling time density values divided into a set of regions. The baseline density region 905 represents a region in which each of the idle time density values is less than a idle time density threshold R0. Regions 920, 930 and 940 each represent a region larger than the baseline density region 905 by the slow time density thresholds R0, R1 and R2, where R0<R1<R2. Region 920 represents a region in which idling time density values are greater than or equal to R0. Region 930 represents a region in which idling time density values are greater than or equal to L1. Region 940 represents a region in which idling time density values are greater than or equal to L3. With reference to FIG. 4, an appearance threshold described for block 434 can be defined and applied to determine a concentration zone for which an initial set of mode-labeled peaks is determined. For example, the appearance threshold could be set to the R1 density threshold, which would define region 930 as a concentration zone. If the 930 region is the concentration zone, the peaks in the 930 region would be determined for qualified peaks and analyzed. For example, the system would include a 921 peak as part of the initial set of mode-labeled peaks. With further reference to FIG. 10, a system may provide the initial set of mode-labeled peaks for a variable density profile (VDL), such as the VDL 1000 graph.

[0087] A FIG. 10 representa medições de densidade de um exemplo de perfil de densidade variável (VDL) e seus picos correspondentes em várias profundidades. O gráfico VDL de exemplo 1000 tem um eixo horizontal 1001 representando lentidão em microssegundos por pé e um eixo vertical 1002 representando uma profundidade de formação em pés. O gráfico VDL 1000 mostra a distribuição da lentidão nos domínios de tempo de deslocamento e lentidão. A primeira região de eclosão cruzada 1010 representa um primeiro conjunto de medições de densidade elevada, em que cada valor de densidade medido na primeira região de eclosão cruzada 1010 é maior do que a região não eclodida 1063. Cada um dos picos 1012 representa uma determinada medição de densidade máxima local em relação à lentidão para cada profundidade de formação, em que uma medição de densidade representa uma densidade de ondas a uma determinada profundidade e lentidão. Em algumas modalidades, a zona de concentração 1003 pode ser determinada por limites de profundidade predeterminados e limiares de lentidão. Alternativamente, com referência à FIG. 6, a zona de concentração 1003 pode ser determinada com base nas operações divulgadas acima para o bloco 608. Com referência adicional à FIG. 11, um sistema pode gerar uma curva de predição semelhante à curva de predição de onda de compressão 1111 com base nos picos qualificados 1030 dentro da zona de concentração 1003.[0087] FIG. 10 represents density measurements of an example variable density profile (VDL) and its corresponding peaks at various depths. The example VDL graph 1000 has a horizontal axis 1001 representing slowness in microseconds per foot and a vertical axis 1002 representing a formation depth in feet. The VDL 1000 graph shows the distribution of slowness in the travel time and slowness domains. The first cross-hatched region 1010 represents a first set of high density measurements, wherein each density value measured in the first cross-hatched region 1010 is greater than the non-hatched region 1063. Each of the peaks 1012 represents a particular measurement of local maximum density relative to the slowness for each formation depth, wherein a density measurement represents a wave density at a given depth and slowness. In some embodiments, the concentration zone 1003 may be determined by predetermined depth limits and slowness thresholds. Alternatively, with reference to FIG. 6, concentration zone 1003 can be determined based on the operations disclosed above for block 608. With further reference to FIG. 11, a system may generate a prediction curve similar to the compression wave prediction curve 1111 based on the qualified peaks 1030 within the concentration zone 1003.

[0088] A FIG. 11 representa um gráfico de exemplo incluindo um conjunto inicial de picos marcados com modo e uma predição de onda de compressão gerada com base no conjunto inicial de picos marcados com modo. O gráfico 1100 tem um eixo horizontal 1101 representando índices de aquisição de dados em diferentes profundidades e um eixo vertical 1102 representando lentidão em microssegundos por pé. O gráfico 1100 inclui um conjunto de picos qualificados 1120 incluindo um pico qualificado 1121. O gráfico 1100 também inclui picos fora da zona de concentração, tal como o pico não qualificado 1105 e um grupo de picos não qualificados 1106. Uma curva de predição de onda de compressão 1111 pode ser gerada com base no conjunto de picos qualificados 1120 e a precisão da curva de predição de onda de compressão 1111 pode ser aumentada ignorando ou reduzindo a ponderação de cada um dos picos fora da zona de concentração ao gerar a curva de predição de onda de compressão 1111. Por exemplo, a curva de predição de onda de compressão 1111 pode ser gerada ajustando uma função de parábola ao conjunto de picos qualificados 1120, em que a precisão da curva de predição de onda de compressão 1111 é melhorada ignorando o pico não qualificado 1105 e o grupo de picos não qualificados 1106.[0088] FIG. 11 depicts an example graph including an initial set of mode-marked peaks and a compression wave prediction generated based on the initial set of mode-marked peaks. The graph 1100 has a horizontal axis 1101 representing data acquisition rates at different depths and a vertical axis 1102 representing slowness in microseconds per foot. The graph 1100 includes a set of qualified peaks 1120 including a qualified peak 1121. The graph 1100 also includes peaks outside the concentration zone, such as the unqualified peak 1105 and a group of unqualified peaks 1106. A wave prediction curve compression wave 1111 can be generated based on the set of qualified peaks 1120 and the accuracy of the compression wave prediction curve 1111 can be increased by ignoring or deweighting each of the peaks outside the concentration zone when generating the prediction curve compression waveform 1111. For example, compression waveform prediction curve 1111 can be generated by fitting a parabola function to the set of qualified peaks 1120, wherein the accuracy of compression waveform prediction curve 1111 is improved by ignoring the unqualified peak 1105 and the group of unqualified peaks 1106.

[0089] A FIG. 12 representa um gráfico de exemplo incluindo um conjunto de picos qualificados aumentados e predição de onda de compressão usada para selecionar o conjunto de picos qualificados aumentados O gráfico 1200 tem um eixo horizontal 1201 representando índices de aquisição de dados em diferentes profundidades e um eixo vertical 1202 representando lentidão em microssegundos por pé. O gráfico 1200 inclui um conjunto de picos qualificados aumentados 1220 incluindo um pico qualificado aumentado 1221, em que um subconjunto do conjunto de picos qualificados aumentados 1220 corresponde a picos qualificados dentro de uma zona de concentração que pode ser usada para gerar a curva de predição de pico 1211. O gráfico 1200 também inclui picos fora da zona de concentração, incluindo um primeiro grupo de picos não qualificados 1205 e segundo grupo de picos não qualificados 1206. Além disso, outros picos do conjunto de picos qualificados aumentados 1220 podem ser selecionados com base na curva de predição de pico 1211. Em algumas modalidades, a curva de predição de pico 1211 pode ser usada para fornecer os valores spred para a Equação 15 acima, o que mostra que os picos na faixa de lentidão determinada com a aparência máxima são selecionados como os valores finais de lentidão. Por exemplo, se sth for 10 microssegundos por pé, então os picos com os maiores valores de aparência dentro de uma faixa de lentidão de 10 microssegundos por pé a partir dos valores de lentidão preditos são os picos usados para a lentidão final. Cada um do conjunto de picos qualificados aumentados 1220 pode ser usado para determinar um ou mais valores de DTC/DTRS.[0089] FIG. 12 depicts an example graph including a set of augmented qualified peaks and compression wave prediction used to select the set of augmented qualified peaks. The graph 1200 has a horizontal axis 1201 representing data acquisition rates at different depths and a vertical axis 1202 representing slowness in microseconds per foot. The graph 1200 includes a set of augmented qualified peaks 1220 including an augmented qualified peak 1221, wherein a subset of the set of augmented qualified peaks 1220 corresponds to qualified peaks within a concentration zone that can be used to generate the prediction curve of peak 1211. The graph 1200 also includes peaks outside the concentration zone, including a first group of unqualified peaks 1205 and second group of unqualified peaks 1206. Additionally, other peaks from the set of enhanced qualified peaks 1220 can be selected based in the peak prediction curve 1211. In some embodiments, the peak prediction curve 1211 can be used to provide the spred values for Equation 15 above, which shows that peaks in the determined slowness range with maximum appearance are selected as the final slowness values. For example, if sth is 10 microseconds per foot, then the peaks with the largest appearance values within a slowness range of 10 microseconds per foot from the predicted slowness values are the peaks used for the final slowness. Each of the set of augmented qualified peaks 1220 can be used to determine one or more DTC/DTRS values.

[0090] A FIG. 13 representa um exemplo de perfil de densidade variável (VDL) e seu perfil de tempo de deslocamento correspondente para uma camada de formação rápida fina. O VDL 1310 tem um eixo horizontal 1301 representando lentidão em microssegundos por pé e um eixo vertical 1302 representando índices de aquisição de dados em diferentes profundidades. O VDL 1310 é dividido em uma primeira região elevada 1311, uma segunda região elevada 1312, uma terceira região elevada 1313 e uma quarta região elevada 1314. Cada um dos valores de densidade nas regiões elevadas é maior do que as regiões não elevadas, tais como a região não elevada 1315. Embora o VDL 1310 mostre apenas regiões de aparência elevadas e uma região de aparência não elevada, VDLs alternativos podem ser gerados para representar mais de duas categorias e/ou qualquer faixa arbitrária de valores (por exemplo, um espectro de cores, valores categóricos altos/médios/baixos, uma faixa de 0-100, etc.). Alguns dos picos das regiões são mostrados e incluem os picos 1316, 1321, 1323 e 1325 que representam um valor de densidade de pico a uma profundidade. Alguns dos picos, tais como os picos 1316, 1321 e 1323 podem estar dentro de regiões elevadas. Alguns dos picos, como o pico 1325, podem estar fora de quaisquer regiões elevadas. Os valores de densidade podem ser usados como um limite inicial para gerar uma zona de concentração, em que um método de ajuste pode ser aplicado aos picos dentro da zona de concentração para gerar uma curva de predição de lentidão dentro dessa região elevada. Um sistema pode aplicar um método de ajuste para gerar uma curva de predição 1331 com base em um ou mais valores de pico na primeira região elevada 1311, tal como o pico 1321. Da mesma forma, as curvas de predição 1332 e 1333 podem ser baseadas em um ou mais valores de pico em suas respectivas regiões elevadas 1312 (que contém o pico 1316) e 1313 (que contém o pico 1323). O VDL mostra uma mudança relativamente rápida nos índices de VDL de aquisição de dados em profundidades próximas a 510 pés. Em algumas modalidades, esta mudança relativamente rápida pode ser usada para rastrear uma camada rápida.[0090] FIG. 13 represents an example of a variable density profile (VDL) and its corresponding travel time profile for a thin rapidly forming layer. The VDL 1310 has a horizontal axis 1301 representing slowness in microseconds per foot and a vertical axis 1302 representing data acquisition rates at different depths. The VDL 1310 is divided into a first elevated region 1311, a second elevated region 1312, a third elevated region 1313, and a fourth elevated region 1314. Each of the density values in the elevated regions is greater than the non-elevated regions, such as the non-elevated region 1315. Although the VDL 1310 shows only elevated appearance regions and one non-elevated appearance region, alternative VDLs can be generated to represent more than two categories and/or any arbitrary range of values (e.g., a spectrum of colors, high/medium/low categorical values, a range of 0-100, etc.). Some of the region peaks are shown and include peaks 1316, 1321, 1323, and 1325 which represent a peak density value at one depth. Some of the peaks, such as peaks 1316, 1321 and 1323 may be within high regions. Some of the peaks, like peak 1325, may be outside of any high regions. The density values can be used as an initial threshold to generate a concentration zone, where a fitting method can be applied to the peaks within the concentration zone to generate a slowness prediction curve within this elevated region. A system may apply a fitting method to generate a prediction curve 1331 based on one or more peak values in the first elevated region 1311, such as peak 1321. Likewise, prediction curves 1332 and 1333 may be based at one or more peak values in their respective high regions 1312 (which contains peak 1316) and 1313 (which contains peak 1323). The VDL shows a relatively rapid change in data acquisition VDL rates at depths approaching 510 feet. In some embodiments, this relatively rapid change can be used to track a fast layer.

[0091] O perfil de tempo de deslocamento de exemplo 1350 mostrado à direita do VDL 1310 inclui um conjunto de medições de onda de subsuperfície de sensores sísmicos, em que cada uma das linhas representa valores de sinal elevados. O perfil de tempo de deslocamento 1350 tem um eixo horizontal 1351 representando o tempo em microssegundos e um eixo vertical 1302 representando índices de aquisição de dados em diferentes profundidades. Estes valores de alto sinal correspondem a ondas de formação e incluem tanto uma onda de compressão inicial quanto uma onda de cisalhamento inicial. Na zona rápida 1303, uma mudança repentina da formação pode ser observada no perfil de tempo de deslocamento 1350. A mudança de formação também pode ser observada no perfil de tempo de deslocamento na forma do pico 1359 que corresponde às ondas compressionais e à forma do pico 1354 que corresponde às ondas de cisalhamento refratadas. Assim, algumas modalidades podem rastrear DTC e DTRS com base nas mudanças nos perfis de tempo de deslocamento dos picos.[0091] The example travel time profile 1350 shown to the right of the VDL 1310 includes a set of subsurface wave measurements from seismic sensors, where each of the lines represents high signal values. The travel time profile 1350 has a horizontal axis 1351 representing time in microseconds and a vertical axis 1302 representing data acquisition rates at different depths. These high signal values correspond to formation waves and include both an initial compression wave and an initial shear wave. In the fast zone 1303, a sudden formation change can be observed in the travel time profile 1350. The formation change can also be observed in the travel time profile in the shape of the peak 1359 which corresponds to the compressional waves and the shape of the peak 1354 which corresponds to refracted shear waves. Thus, some embodiments can track DTC and DTRS based on changes in spike travel time profiles.

[0092] A FIG. 14 representa um mapa DPTS de exemplo que mostra um conjunto de tempos de deslocamento de limite. O mapa DPTS 1400 tem um eixo horizontal 1401 que representa o tempo em microssegundos e um eixo vertical 1402 que representa a lentidão em microssegundos por pés. O mapa DPTS 1400 tem um eixo horizontal 1401 que representa o tempo em microssegundos e um eixo vertical 1402 que representa a lentidão em microssegundos por pé. O mapa de tempo de tempo de lentidão 1400 mostra valores de densidade de tempo de lentidão e palpites particulares para a lentidão e o tempo de ocorrência correspondentes a ondas de compressão. A região de densidade de linha de base 1405 representa uma região em que cada um dos valores de densidade de tempo de lentidão é menor do que um limiar de densidade de tempo de lentidão L0. Separadas da região de densidade de linha de base 1405 estão regiões elevadas com valores de densidade de tempo de lentidão maiores do que os valores de densidade da região de densidade de linha de base 1405 pelos limiares de densidade de tempo de lentidão L0, L1 e L2, em que L0<L1<L2. As regiões elevadas inferiores 1420, 1430 e 1440 representam regiões em que os valores de densidade de tempo de lentidão são maiores ou iguais a L0. As regiões elevadas médias 1421, 1431 e 1441 representam regiões em que os valores de densidade de tempo de lentidão são maiores ou iguais a L1. As regiões elevadas superiores 1422 e 1432 representam regiões em que os valores de densidade de tempo de lentidão são maiores ou iguais a L2.[0092] FIG. 14 represents an example DPTS map showing a set of threshold travel times. The DPTS map 1400 has a horizontal axis 1401 that represents time in microseconds and a vertical axis 1402 that represents slowness in microseconds per foot. The DPTS map 1400 has a horizontal axis 1401 that represents time in microseconds and a vertical axis 1402 that represents slowness in microseconds per foot. The lag time map 1400 shows lag time density values and particular guesses for the lag and occurrence time corresponding to compression waves. The baseline density region 1405 represents a region in which each of the idle time density values is less than a idle time density threshold L0. Separated from the baseline density region 1405 are elevated regions with idle time density values greater than the density values of the baseline density region 1405 by the idle time density thresholds L0, L1, and L2 , where L0<L1<L2. The lower elevated regions 1420, 1430, and 1440 represent regions where the idling time density values are greater than or equal to L0. The average high regions 1421, 1431, and 1441 represent regions where the slow time density values are greater than or equal to L1. The upper elevated regions 1422 and 1432 represent regions where the lag time density values are greater than or equal to L2.

[0093] Em algumas modalidades, um tempo de deslocamento pode ser determinado com base em um pico que corresponde diretamente a um valor de densidade máxima, tal como o pico 1427. Em tal caso, o tempo de deslocamento pode ser determinado com base diretamente na lentidão e medição de tempo. Alternativamente, um tempo de deslocamento pode ser determinado com base em um tempo de início do modo e um tempo de término do modo, em que o tempo de início do modo e o tempo de término do modo podem ser para um valor de tempo. Por exemplo, o tempo de início do modo correspondente ao ponto de limite 1425 e o tempo de término do modo correspondente ao ponto de limite 1426 correspondem a um limite definido pela região elevada 1421 e seu limiar de densidade de tempo de lentidão correspondente L1. Da mesma forma, os pontos de limite 1445 e 1446 correspondem a um limite definido pela região 1441. Da mesma forma, os pontos de limite 1435 e 1437 correspondem a um limite definido pela região elevada 1431. Em modalidades alternativas, os limiares de densidade de tempo de lentidão usados para definir valores de limite podem ser diferentes entre um modo e outro modo. Por exemplo, o limiar de densidade de tempo de lentidão usado para determinar os pontos de limite 1425 e 1426 pode ser diferente do limiar de densidade de tempo de lentidão para determinar os pontos de limite 1445 e 1446. Esses pontos de limite podem ser usados para rastrear pontos e aumentar a precisão quando um sistema preenche para uma lentidão efetiva ausente, definindo limites superior e inferior para um pico no mapa DPTS.[0093] In some embodiments, a travel time may be determined based on a peak that directly corresponds to a maximum density value, such as peak 1427. In such a case, the travel time may be determined based directly on the slowness and time measurement. Alternatively, a travel time may be determined based on a mode start time and a mode end time, wherein the mode start time and mode end time may be for a time value. For example, the mode start time corresponding to threshold point 1425 and the mode end time corresponding to threshold point 1426 correspond to a threshold defined by the raised region 1421 and its corresponding slow time density threshold L1. Likewise, threshold points 1445 and 1446 correspond to a threshold defined by region 1441. Likewise, threshold points 1435 and 1437 correspond to a threshold defined by high region 1431. In alternative embodiments, the density thresholds of Slow times used to set threshold values may differ between one mode and another. For example, the idling time density threshold used to determine threshold points 1425 and 1426 may be different from the idling time density threshold for determining threshold points 1445 and 1446. These threshold points can be used to track points and increase accuracy when a system fills in for a missing effective slow by setting upper and lower limits for a peak on the DPTS map.

[0094] A FIG. 15 representa um exemplo de perfil de densidade variável de aparência (VDL) sobreposto pelo seu perfil de lentidão correspondente para uma formação de leito rápido e um mapa de esboço para os trens de onda. O VDL 1510 tem um eixo horizontal 1501 representando lentidão em microssegundos por pés e um eixo vertical 1502 representando índices de aquisição de dados em diferentes profundidades. O VDL 1510 inclui uma primeira região de aparência elevada 1511, uma segunda região de aparência elevada 1512 e uma terceira região de aparência elevada 1513, em que cada um dos valores de aparência dentro das regiões de aparência elevada é maior do que um limiar de aparência. Valores de aparência não elevados podem ser encontrados em regiões não elevadas, como a região não elevada 1514 do VDL 1510. Embora não mostradas, as regiões de aparência elevada 1511, 1512 e 1513 incluem múltiplos picos. Estes picos podem ser usados para gerar uma primeira curva de predição de compressão 1515 dentro da primeira região de aparência elevada 1511. A curva de predição de lentidão de compressão pode ser usada para gerar pelo menos um valor DTC qualificado aumentado. O pelo menos um valor DTC qualificado aumentado pode ser usado para selecionar um conjunto inicial de picos de cisalhamento nas regiões de aparência elevadas 1512 e 1513. Em relação à FIG. 6, o conjunto inicial de picos de cisalhamento nas regiões de aparência elevadas 1512 e 1513 pode ser usado para gerar as curvas de predição de lentidão de cisalhamento 1516 e 1517 e valores de DTRS como descrito para os blocos 610-640.[0094] FIG. 15 depicts an example of a variable appearance density (VDL) profile overlaid by its corresponding slowness profile for a fast bedform and a sketch map for the wave trains. The VDL 1510 has a horizontal axis 1501 representing slowness in microseconds per feet and a vertical axis 1502 representing data acquisition rates at different depths. The VDL 1510 includes a first raised appearance region 1511, a second raised appearance region 1512, and a third raised appearance region 1513, wherein each of the appearance values within the raised appearance regions is greater than an appearance threshold. . Non-elevated appearance values can be found in non-elevated regions, such as the non-elevated region 1514 of VDL 1510. Although not shown, the elevated appearance regions 1511, 1512 and 1513 include multiple peaks. These peaks may be used to generate a first compression prediction curve 1515 within the first raised appearance region 1511. The compression slowness prediction curve may be used to generate at least one increased qualified DTC value. The at least one augmented qualified DTC value may be used to select an initial set of shear peaks in the raised appearance regions 1512 and 1513. Referring to FIG. 6, the initial set of shear peaks in the high appearance regions 1512 and 1513 can be used to generate the shear slowness prediction curves 1516 and 1517 and DTRS values as described for blocks 610-640.

[0095] Os tempos de deslocamento 1550 mostrados à direita da VDL 1510 incluem um conjunto de medições de onda de subsuperfície a partir de sensores sísmicos, em que cada uma das linhas representa valores de sinal elevados. Os tempos de deslocamento 1550 têm um eixo horizontal 1551 representando o tempo em microssegundos e um eixo vertical 1552 representando índices de aquisição de dados em diferentes profundidades. Estes valores de alto sinal correspondem a ondas de formação e incluem tanto uma onda de compressão inicial quanto uma onda de cisalhamento inicial. Mudanças nas ondas de compressão e ondas de cisalhamento de tempos de deslocamento 1550 podem ser usadas para selecionar e/ou filtrar adicionalmente picos de onda de compressão e picos de onda de cisalhamento, respectivamente. Por exemplo, uma comparação entre a medição de onda 1561 e a medição de onda 1562 pode ser usada para aumentar o conjunto de picos qualificados determinando que a medição de onda 1561 é a primeira medição de uma onda de compressão de formação e que a medição de onda 1562 é a medição final de uma onda de compressão de formação. O tempo da primeira medição e o tempo da medição final podem ser usados para filtrar picos nesta janela de tempo.[0095] The travel times 1550 shown to the right of the VDL 1510 include a set of subsurface wave measurements from seismic sensors, where each of the lines represents high signal values. Travel times 1550 have a horizontal axis 1551 representing time in microseconds and a vertical axis 1552 representing data acquisition rates at different depths. These high signal values correspond to formation waves and include both an initial compression wave and an initial shear wave. Changes in compression wave and shear wave travel times 1550 can be used to further select and/or filter compression wave peaks and shear wave peaks, respectively. For example, a comparison between wave measurement 1561 and wave measurement 1562 can be used to increase the set of qualified peaks by determining that wave measurement 1561 is the first measurement of a forming compression wave and that the measurement of wave 1562 is the final measurement of a forming compressional wave. The time of the first measurement and the time of the final measurement can be used to filter out peaks in this time window.

[0096] A FIG. 16 representa vários resultados do uso do sistema de predição de lentidão em um mapa DPTS de exemplo. O mapa DPTS 1610 tem um eixo horizontal 1601 representando o tempo em microssegundos e um eixo vertical 1602 representando a lentidão em microssegundos por pés. A região alvo 1605 é definida pelos pontos 16711674 (formando uma máscara de tempo de lentidão 1652) e representa uma região em que cada um dos valores de densidade de tempo de lentidão é menor que um limiar de aparência de L0. Um filtro adaptativo pode selecionar picos na máscara de tempo de lentidão 1652 para processamento de aparência e evitar picos na região não alvo 1661 (isto é, regiões no mapa DPTS 1610 não fazem parte da região alvo 1605). Estes picos selecionados podem ser comparados a um limiar de semelhança L0 para detectar a região 1630 e determinar que a região 1630 corresponde a um modo de compressão. O sistema pode analisar um conjunto inicial de picos de onda de compressão na região 1630. Depois de gerar uma curva de predição de lentidão de compressão com base em um ou mais conjuntos de picos de onda de compressão na região 1630, o sistema pode selecionar o pico 1634 como um pico de compressão qualificado e também determinar tempos de deslocamento correspondentes às posições 1635 e 1636 como tempos de deslocamento de limite.[0096] FIG. 16 represents various results of using the slowness prediction system on an example DPTS map. The DPTS map 1610 has a horizontal axis 1601 representing time in microseconds and a vertical axis 1602 representing slowness in microseconds per foot. The target region 1605 is defined by points 16711674 (forming a slow time mask 1652) and represents a region in which each of the slow time density values is less than an appearance threshold of L0. An adaptive filter may select peaks in the slowdown time mask 1652 for appearance processing and avoid peaks in the non-target region 1661 (i.e., regions in the DPTS map 1610 are not part of the target region 1605). These selected peaks can be compared to a L0 similarity threshold to detect region 1630 and determine that region 1630 corresponds to a compression mode. The system may analyze an initial set of compression wave peaks in region 1630. After generating a compression slowness prediction curve based on one or more sets of compression wave peaks in region 1630, the system may select the peak 1634 as a qualified compression peak and also determine displacement times corresponding to positions 1635 and 1636 as threshold displacement times.

[0097] Ao selecionar e aplicar processamento de aparências em picos na região alvo 1605, um sistema pode determinar um valor de DTC correspondente ao pico 1634. Este DTC pode ser usado para determinar um limite inferior de tempo de deslocamento 1611 e limite inferior de lentidão 1612. Além disso, o sistema pode usar um valor de lentidão de onda de compressão de lama para determinar o limite superior de tempo de deslocamento 1613 e o limite superior de lentidão 1614. Depois de aplicar um intervalo de pesquisa usando esses limites ao mapa DPTS, o sistema pode determinar que os picos na região 1620 correspondem a um modo de cisalhamento. O sistema pode aplicar processamento de aparência aos picos na região 1620 para selecionar o pico 1624 como o pico de cisalhamento qualificado e também determinar tempos de deslocamento correspondentes às posições 1625 e 1626 como tempos de deslocamento limite. O pico de cisalhamento qualificado pode então ser usado para determinar um valor de DTRS, que pode ser usado para medir propriedades de formação.[0097] By selecting and applying appearance processing to peaks in the target region 1605, a system may determine a DTC value corresponding to peak 1634. This DTC may be used to determine a travel time lower limit 1611 and slowness lower limit 1612. Additionally, the system may use a mud compression wave slowness value to determine the travel time upper limit 1613 and the slowness upper limit 1614. After applying a search interval using these limits to the DPTS map , the system can determine that the peaks in the 1620 region correspond to a shear mode. The system may apply appearance processing to the peaks in region 1620 to select peak 1624 as the qualified shear peak and also determine travel times corresponding to positions 1625 and 1626 as threshold travel times. The qualified shear peak can then be used to determine a DTRS value, which can be used to measure forming properties.

[0098] Ao aplicar o filtro adaptativo, o sistema pode filtrar modos de onda não alvo que podem interferir na determinação dos valores de DTC e DTRS. Por exemplo, a região 1641 correspondente a um modo de onda pseudo-Rayleigh (PS-Ray), a região 1642 correspondente a um pseudo-Rayleigh alias, a região 1643 correspondente ao alias de onda de cisalhamento e a região 1644 correspondente a um modo de onda Stoneley podem ser filtradas usando limites superiores de tempo de deslocamento/lentidão. Usando o método proposto, o sistema é capaz de aumentar a precisão das medições DTC e DTRS.[0098] By applying the adaptive filter, the system can filter out non-target wave modes that may interfere with the determination of DTC and DTRS values. For example, the region 1641 corresponding to a pseudo-Rayleigh (PS-Ray) wave mode, the region 1642 corresponding to a pseudo-Rayleigh alias, the region 1643 corresponding to the shear wave alias, and the region 1644 corresponding to a pseudo-Rayleigh wave mode Stoneley waveforms can be filtered using upper travel/slow time limits. Using the proposed method, the system is able to increase the accuracy of DTC and DTRS measurements.

Example of a Computer Device

[0099] A FIG. 17 representa um dispositivo de computador de exemplo. Um dispositivo de computador 1700 inclui um processador 1701 (possivelmente incluindo múltiplos processadores, múltiplos núcleos, múltiplos nós e/ou implementando multi-threading, etc.). O dispositivo de computador 1700 inclui uma memória 1707. A memória 1707 pode ser memória do sistema (por exemplo, um ou mais de cache, SRAM, DRAM, RAM de capacitor zero, RAM de Transistor Gêmeo, eDRAM, EDO RAM, DDR RAM, EEPROM, NRAM, RRAM, SONOS, PRAM, etc.) ou qualquer uma ou mais das realizações possíveis já descritas acima de meios legíveis por máquina. O dispositivo de computador 1700 também inclui um barramento 1703 (por exemplo, PCI, ISA, PCI-Express, barramento HyperTransport®, barramento InfiniBand®, NuBus, etc.) e uma interface de rede 1705 (por exemplo, uma interface de Canal de Fibra, uma interface Ethernet, uma interface de pequeno sistema de computador na internet, interface SONET, interface sem fio, etc.).[0099] FIG. 17 represents an example computer device. A computer device 1700 includes a processor 1701 (possibly including multiple processors, multiple cores, multiple nodes and/or implementing multi-threading, etc.). Computer device 1700 includes a memory 1707. Memory 1707 may be system memory (e.g., one or more cache, SRAM, DRAM, zero capacitor RAM, Twin Transistor RAM, eDRAM, EDO RAM, DDR RAM, EEPROM, NRAM, RRAM, SONOS, PRAM, etc.) or any one or more of the possible embodiments already described above of machine-readable media. The computer device 1700 also includes a bus 1703 (e.g., PCI, ISA, PCI-Express, HyperTransport® bus, InfiniBand® bus, NuBus, etc.) and a network interface 1705 (e.g., a Network Channel interface). Fiber, an Ethernet interface, an internet small computer system interface, SONET interface, wireless interface, etc.).

[00100] Em algumas modalidades, o dispositivo de computador 1700 inclui um sistema de determinação de lentidão 1711 e controlador 1712. O sistema de determinação de lentidão 1711 pode realizar uma ou mais operações para determinar valores de DTC e DTRS, incluindo a aplicação de um filtro adaptativo e a geração de curvas de predição de lentidão (como descrito acima). Um controlador 1712 também pode realizar uma ou mais operações para controlar um sistema de perfuração, sistema de tratamento de poço ou sistema de cabo de aço. Qualquer uma das funcionalidades descritas anteriormente pode ser parcialmente (ou inteiramente) implementada em hardware e/ou no processador 1701. Por exemplo, a funcionalidade pode ser implementada com um circuito integrado específico da aplicação, em lógica implementada no processador 1701, em um coprocessador em um dispositivo periférico ou placa, etc. Além disso, as realizações podem incluir menos ou componentes adicionais não ilustrados na Figura 17 (por exemplo, placas de vídeo, placas de áudio, interfaces de rede adicionais, dispositivos periféricos, etc.). O processador 1701 e a interface de rede 1705 são acoplados ao barramento 1703. Embora ilustrada como sendo acoplada ao barramento 1703, a memória 1707 pode ser acoplada ao processador 1701. O dispositivo de computador 1700 pode ser integrado no(s) componente(s) do tubo de perfuração no fundo do poço e/ou ser um dispositivo separado na superfície que é comunicativamente acoplado ao BHA no fundo do poço para controlar e processar sinais (como descrito neste documento).[00100] In some embodiments, the computer device 1700 includes a slow determination system 1711 and controller 1712. The slow determination system 1711 may perform one or more operations to determine DTC and DTRS values, including applying a adaptive filter and the generation of slowness prediction curves (as described above). A 1712 controller may also perform one or more operations to control a drilling system, well treatment system, or wireline system. Any of the previously described functionality may be partially (or entirely) implemented in hardware and/or in processor 1701. For example, the functionality may be implemented with an application-specific integrated circuit, in logic implemented in processor 1701, in a coprocessor in a peripheral device or card, etc. Furthermore, embodiments may include fewer or additional components not illustrated in Figure 17 (e.g., video cards, audio cards, additional network interfaces, peripheral devices, etc.). The processor 1701 and the network interface 1705 are coupled to the bus 1703. Although illustrated as being coupled to the bus 1703, the memory 1707 may be coupled to the processor 1701. The computing device 1700 may be integrated into the component(s) of the drill pipe downhole and/or be a separate device on the surface that is communicatively coupled to the BHA downhole to control and process signals (as described herein).

[00101] Como será apreciado, os aspectos da divulgação podem ser incorporados como um sistema, método ou código/instruções de programa armazenados em um ou mais meios legíveis por máquina. Consequentemente, os aspectos podem assumir a forma de hardware, software (incluindo firmware, software residente, microcódigo, etc.), ou uma combinação de aspectos de software e hardware que geralmente podem ser aqui referidos como um “circuito”, “módulo” ou “sistema”. A funcionalidade apresentada como módulos/unidades individuais nas ilustrações de exemplo pode ser organizada de forma diferente de acordo com qualquer uma das plataformas (sistema operacional e/ou hardware), ecossistema de aplicativos, interfaces, preferências de programador, linguagem de programação, preferências de administrador, etc.[00101] As will be appreciated, aspects of the disclosure may be embodied as a system, method, or program code/instructions stored on one or more machine-readable media. Accordingly, the aspects may take the form of hardware, software (including firmware, resident software, microcode, etc.), or a combination of software and hardware aspects that may generally be referred to herein as a “circuit,” “module,” or "system". The functionality presented as individual modules/units in the example illustrations may be organized differently according to any of the platforms (operating system and/or hardware), application ecosystem, interfaces, programmer preferences, programming language, administrator, etc.

[00102] Qualquer combinação de um ou mais meios legíveis por máquina pode ser utilizada. O meio legível por máquina pode ser um meio de sinal legível por máquina ou um meio de armazenamento legível por máquina. Um meio de armazenamento legível por máquina pode ser, por exemplo, mas não limitado a, um sistema, aparelho ou dispositivo, que emprega qualquer um ou combinação de tecnologia eletrônica, magnética, óptica, eletromagnética, infravermelha ou semicondutora para armazenar o código do programa. Exemplos mais específicos (uma lista não exaustiva) do meio de armazenamento legível por máquina incluiriam o seguinte: um disquete de computador portátil, um disco rígido, uma memória de acesso aleatório (RAM), uma memória somente de leitura (ROM), uma memória somente de leitura programável apagável (EPROM ou memória Flash), uma memória somente de leitura de disco compacto portátil (CD-ROM), um dispositivo de armazenamento óptico, um dispositivo de armazenamento magnético ou qualquer combinação adequada dos anteriores. No contexto deste documento, um meio de armazenamento legível por máquina pode ser qualquer meio tangível que possa conter ou armazenar um programa para uso por ou em conexão com um sistema, aparelho ou dispositivo de execução de instruções. Um meio de armazenamento legível por máquina não é um meio de sinal legível por máquina.[00102] Any combination of one or more machine-readable media may be used. The machine-readable medium may be a machine-readable signal medium or a machine-readable storage medium. A machine-readable storage medium may be, for example, but not limited to, a system, apparatus or device, which employs any one or combination of electronic, magnetic, optical, electromagnetic, infrared or semiconductor technology to store program code . More specific examples (a non-exhaustive list) of machine-readable storage media would include the following: a portable computer floppy disk, a hard drive, a random access memory (RAM), a read-only memory (ROM), a erasable programmable read-only memory (EPROM or Flash memory), a portable compact disk read-only memory (CD-ROM), an optical storage device, a magnetic storage device, or any suitable combination of the foregoing. In the context of this document, a machine-readable storage medium may be any tangible medium that can contain or store a program for use by or in connection with an instruction executing system, apparatus, or device. A machine-readable storage medium is not a machine-readable signal medium.

[00103] Um meio de sinal legível por máquina pode incluir um sinal de dados propagado com código de programa legível por máquina incorporado no mesmo, por exemplo, em banda base ou como parte de uma onda portadora. Tal sinal propagado pode assumir qualquer uma de uma variedade de formas, incluindo, mas não se limitando a, eletromagnético, óptico ou qualquer combinação adequada dos mesmos. Um meio de sinal legível por máquina pode ser qualquer meio legível por máquina que não seja um meio de armazenamento legível por máquina e que possa comunicar, propagar ou transportar um programa para uso por ou em conexão com um sistema, aparelho ou dispositivo de execução de instruções.[00103] A machine-readable signal medium may include a propagated data signal with machine-readable program code incorporated therein, for example, in baseband or as part of a carrier wave. Such propagated signal may take any of a variety of forms, including, but not limited to, electromagnetic, optical or any suitable combination thereof. A machine-readable signal medium may be any machine-readable medium that is not a machine-readable storage medium and that can communicate, propagate or transport a program for use by or in connection with a system, apparatus or device executing data. instructions.

[00104] O código de programa incorporado em um meio legível por máquina pode ser transmitido usando qualquer meio apropriado, incluindo, entre outros, sem fio, cabo de aço, cabo de fibra óptica, RF, etc., ou qualquer combinação adequada dos anteriores.[00104] Program code embodied in a machine-readable medium may be transmitted using any suitable means, including, but not limited to, wireless, wireline, fiber optic cable, RF, etc., or any suitable combination of the foregoing .

[00105] O código de programa de computador para realizar operações para aspectos da divulgação pode ser escrito em qualquer combinação de uma ou mais linguagens de programação, incluindo uma linguagem de programação orientada a objetos, tal como a linguagem de programação Java®, C ++ ou semelhante; uma linguagem de programação dinâmica, tal como Python; uma linguagem de script, tal como linguagem de programação Perl ou linguagem de script PowerShell; e linguagens de programação processuais convencionais, tais como a linguagem de programação "C" ou linguagens de programação semelhantes. O código do programa pode ser executado inteiramente em uma máquina autônoma, pode ser executado de maneira distribuída em várias máquinas e pode ser executado em uma máquina enquanto fornece resultados e/ou aceita entrada em outra máquina.[00105] Computer program code for performing operations for aspects of the disclosure may be written in any combination of one or more programming languages, including an object-oriented programming language, such as the Java® programming language, C++ + or similar; a dynamic programming language, such as Python; a scripting language, such as Perl programming language or PowerShell scripting language; and conventional procedural programming languages, such as the "C" programming language or similar programming languages. Program code can run entirely on a standalone machine, can run in a distributed manner across multiple machines, and can run on one machine while providing results and/or accepting input on another machine.

[00106] O código/instruções do programa também podem ser armazenados em um meio legível por máquina que pode direcionar uma máquina para funcionar de uma maneira particular, de modo que as instruções armazenadas no meio legível por máquina produzam um artigo de fabricação incluindo instruções que implementam a função/ato especificado no fluxograma e/ou bloco ou blocos de diagrama de blocos.[00106] Program code/instructions may also be stored on a machine-readable medium that can direct a machine to function in a particular manner, such that the instructions stored on the machine-readable medium produce an article of manufacture including instructions that implement the function/act specified in the flowchart and/or block diagram block or blocks.

[00107] O uso da frase “pelo menos um de" precedendo uma lista com a conjunção “e” não deve ser tratado como uma lista exclusiva e não deve ser interpretado como uma lista de categorias com um item de cada categoria, a menos que especificamente declarado de outra forma. Uma cláusula que recita “pelo menos um de A, B e C” pode ser infringida com apenas um dos itens listados, múltiplos dos itens listados e um ou mais dos itens na lista e outro item não listado. Como usado neste pedido, uma onda de formação pode ser qualquer onda de compressão, onda de cisalhamento ou combinação das mesmas se deslocando através de uma formação. Como usado neste pedido, uma onda de formação não está limitada a qualquer frequência particular neste pedido e pode ter frequências tais como 10 Hertz, 500 Hertz, 9,9 kiloHertz, 1 megaHertz, etc.).[00107] The use of the phrase “at least one of” preceding a list with the conjunction “and” should not be treated as an exclusive list and should not be interpreted as a list of categories with one item from each category, unless specifically stated otherwise. A clause that recites “at least one of A, B, and C” may be infringed with just one of the items listed, multiples of the items listed, and one or more of the items in the list and another item not listed. As used in this application, a formation wave may be any compression wave, shear wave, or combination thereof traveling through a formation. As used in this application, a formation wave is not limited to any particular frequency in this application and may have. frequencies such as 10 Hertz, 500 Hertz, 9.9 kiloHertz, 1 megaHertz, etc.).

Example Embodiments

[00108] Modalidades de exemplo incluem o seguinte:[00108] Example embodiments include the following:

[00109] Modalidade 1: Um aparelho compreendendo: uma fonte de onda mecânica; um conjunto de sensores de onda mecânica em um poço, em que o conjunto de sensores de onda mecânica fornece medições de onda de subsuperfície com base nas ondas de formação geradas pela fonte de onda mecânica; um processador; e um meio legível por máquina com código de programa executável pelo processador para fazer com que o aparelho adquira as medições de onda de subsuperfície, selecione um primeiro conjunto de medições de onda de ferramenta com base nas medições de onda de subsuperfície, gere um conjunto de medições de onda de subsuperfície filtradas filtrando as medições de onda de subsuperfície com base no primeiro conjunto de medições de onda de ferramenta, gere um mapa de aparência de domínio de tempo com base no conjunto de medições de onda de subsuperfície filtradas, em que o mapa de aparência de domínio de tempo compreende um conjunto inicial de picos de onda de compressão, determine um pico de onda de compressão qualificado selecionado com base em um valor de aparência no mapa de aparência de domínio de tempo e determine uma lentidão de onda de compressão com base no pico de onda de compressão qualificado selecionado.[00109] Modality 1: An apparatus comprising: a mechanical wave source; a mechanical wave sensor array in a well, wherein the mechanical wave sensor array provides subsurface wave measurements based on formation waves generated by the mechanical wave source; a processor; and a machine-readable medium with processor-executable program code for causing the apparatus to acquire the subsurface wave measurements, select a first set of tool wave measurements based on the subsurface wave measurements, generate a set of filtered subsurface wave measurements by filtering the subsurface wave measurements based on the first set of tool wave measurements, generate a time domain appearance map based on the set of filtered subsurface wave measurements, where the map time domain appearance map comprises an initial set of compression wave peaks, determine a qualified compression wave peak selected based on an appearance value in the time domain appearance map, and determine a compression wave slowness with based on the selected qualified compression wave peak.

[00110] Modalidade 2: O aparelho da Modalidade 1, em que o código do programa compreende ainda o código do programa para: aplicar um filtro no primeiro conjunto de medições de onda de ferramenta; empilhar o primeiro conjunto de medições de onda de ferramenta a uma profundidade de referência; e gerar um conjunto de medições de onda de ferramenta previstas localmente.[00110] Embodiment 2: The apparatus of Embodiment 1, wherein the program code further comprises program code for: applying a filter to the first set of tool wave measurements; stacking the first set of tool wave measurements at a reference depth; and generate a set of locally predicted tool wave measurements.

[00111] Modalidade 3: O aparelho das Modalidades 1 ou 2, em que o código do programa compreende ainda o código do programa para: determinar um modelo de onda de ferramenta a partir de um tanque de fluido ou de uma zona de formação muito mole; gerar uma medição de onda de ferramenta reconstruída com base em uma comparação do conjunto de medições de onda de ferramenta preditas localmente e do modelo de onda de ferramenta; e gerar o conjunto de medições de onda de subsuperfície filtradas com base na medição de onda de ferramenta reconstruída.[00111] Embodiment 3: The apparatus of Embodiments 1 or 2, wherein the program code further comprises program code for: determining a tool wave model from a fluid tank or a very soft forming zone ; generating a reconstructed tool wave measurement based on a comparison of the set of locally predicted tool wave measurements and the tool wave model; and generating the set of filtered subsurface wave measurements based on the reconstructed tool wave measurement.

[00112] Modalidade 4: O aparelho de qualquer uma das Modalidades 1-3, em que o código de programa compreende ainda o código de programa para fazer com que o aparelho: determine um tipo de formação correspondente à formação; determine um limiar de semelhança com base no tipo de formação; determine um afunilamento com base no tipo de formação, em que a filtragem das medições de onda de subsuperfície compreende a aplicação do afunilamento nas medições de onda de subsuperfície; e compare cada um de um conjunto de picos correspondentes ao conjunto de medições de onda de subsuperfície filtradas ao limiar de aparência, em que o código de programa para gerar o conjunto inicial de picos de onda de compressão compreende código de programa para selecionar picos do conjunto de picos que satisfazem o limiar de aparência.[00112] Embodiment 4: The apparatus of any of Embodiments 1-3, wherein the program code further comprises program code for causing the apparatus to: determine a training type corresponding to the training; determine a similarity threshold based on the type of training; determine a funnel based on formation type, wherein filtering the subsurface wave measurements comprises applying the funnel to the subsurface wave measurements; and compare each of a set of peaks corresponding to the set of subsurface wave measurements filtered to the appearance threshold, wherein the program code for generating the initial set of compression wave peaks comprises program code for selecting peaks from the set of peaks that satisfy the appearance threshold.

[00113] Modalidade 5: O aparelho de qualquer uma das Modalidades 1-4, em que o código de programa para determinar o pico de onda de compressão qualificado selecionado compreende ainda código de programa para: gerar um perfil de densidade de tempo de lentidão com base no conjunto inicial de picos de onda de compressão; selecionar um conjunto de picos de onda de compressão qualificados com base em uma faixa de limiar no perfil de densidade de tempo de lentidão; gerar uma curva de previsão de lentidão de onda de compressão com base no conjunto de picos de onda de compressão qualificados; selecionar um segundo conjunto de picos de onda de compressão qualificados com base em uma segunda faixa de limiar que é determinada com base na curva de predição de lentidão de onda de compressão qualificada selecionada com base em pelo menos um do segundo conjunto de picos de onda de compressão qualificados que satisfaz um ou mais limiares de tempos de deslocamento.[00113] Embodiment 5: The apparatus of any of Embodiments 1-4, wherein the program code for determining the selected qualified compression wave peak further comprises program code for: generating a lagging time density profile with based on the initial set of compression wave peaks; selecting a set of qualified compression wave peaks based on a threshold range in the lag time density profile; generating a compression wave slowness prediction curve based on the set of qualified compression wave peaks; select a second set of qualified compression wave peaks based on a second threshold range that is determined based on the qualified compression wave slowness prediction curve selected based on at least one of the second set of qualified compression wave peaks. qualified compression that satisfies one or more travel time thresholds.

[00114] Modalidade 6: O aparelho de qualquer uma das Modalidades 1-5, em que o código de programa para determinar o pico de onda de compressão qualificado selecionado compreende ainda o código de programa para: identificar um horário de início de um modo de compressão e um horário de término do modo de compressão a uma profundidade vizinha; e determinar o pico de onda de compressão qualificado selecionado com base em uma faixa determinada pelo horário de início do modo de compressão e o horário de término do modo de compressão.[00114] Embodiment 6: The apparatus of any of Embodiments 1-5, wherein the program code for determining the selected qualified compression wave peak further comprises program code for: identifying a start time of a mode of compression and an end time of the compression mode at a neighboring depth; and determining the selected qualified compression wave peak based on a range determined by the compression mode start time and the compression mode end time.

[00115] Modalidade 7: O aparelho de qualquer uma das Modalidades 1-6, em que o código do programa compreende ainda o código do programa para: gerar uma faixa de pesquisa de cisalhamento com um limite inferior com base na lentidão da onda de compressão; determinar um conjunto inicial de picos de onda de cisalhamento com base em picos na faixa de pesquisa de cisalhamento; e determinar uma lentidão da onda de cisalhamento com base no conjunto inicial de picos de onda de cisalhamento.[00115] Embodiment 7: The apparatus of any of Embodiments 1-6, wherein the program code further comprises program code for: generating a shear search range with a lower limit based on the slowness of the compression wave ; determining an initial set of shear wave peaks based on peaks in the shear survey range; and determining a shear wave slowness based on the initial set of shear wave peaks.

[00116] Modalidade 8: O aparelho de qualquer uma das Modalidades 1-7, em que o código de programa para determinar a lentidão da onda de cisalhamento compreende ainda o código de programa para: gerar um perfil de densidade de tempo de lentidão com base no conjunto inicial de picos de onda de cisalhamento; selecionar um conjunto de picos de onda de cisalhamento qualificados com base em uma faixa de limiar no perfil de densidade de tempo de lentidão; gerar uma curva de predição de lentidão da onda de cisalhamento com base no conjunto de picos de onda de cisalhamento qualificados; selecionar um segundo conjunto de picos de onda de cisalhamento qualificados com base em uma segunda faixa de limiar que é determinada com base na curva de predição de lentidão da onda de cisalhamento; determinar um pico de onda de cisalhamento qualificado selecionado com base no segundo conjunto de picos de onda de cisalhamento qualificados; e determinar a lentidão da onda de cisalhamento com base no pico de onda de cisalhamento qualificado selecionado.[00116] Embodiment 8: The apparatus of any of Embodiments 1-7, wherein the program code for determining shear wave slowness further comprises program code for: generating a slowness time density profile based in the initial set of shear wave peaks; selecting a set of qualified shear wave peaks based on a threshold range in the slow time density profile; generating a shear wave slowness prediction curve based on the set of qualified shear wave peaks; selecting a second set of qualified shear wave peaks based on a second threshold range that is determined based on the shear wave slowness prediction curve; determining a selected qualified shear wave peak based on the second set of qualified shear wave peaks; and determining the shear wave slowness based on the selected qualified shear wave peak.

[00117] Modalidade 9: O aparelho de qualquer uma das Modalidades 1-8, compreendendo ainda código de programa para fazer com que o aparelho determine um limite superior para a faixa de pesquisa de cisalhamento com base em um tempo de deslocamento correspondente a uma lentidão de onda de compressão de lama.[00117] Embodiment 9: The apparatus of any of Embodiments 1-8, further comprising program code for causing the apparatus to determine an upper limit for the shear search range based on a travel time corresponding to a slow of mud compression wave.

[00118] Modalidade 10: Um ou mais meios legíveis por máquina não transitórios compreendendo código de programa para determinar uma lentidão de onda de formação, o código de programa para: adquirir medições de onda de subsuperfície de uma formação com base em ondas de formação geradas por uma fonte de onda mecânica; selecionar um primeiro conjunto de medições de onda de ferramenta com base nas medições de onda de subsuperfície; gerar um conjunto de medições de onda de subsuperfície filtradas filtrando as medições de onda de subsuperfície com base no primeiro conjunto de medições de onda de ferramenta; gerar um mapa de aparência de domínio de tempo com base no conjunto de medições de onda de subsuperfície filtradas, em que o mapa de aparência de domínio de tempo compreende um conjunto inicial de picos de onda de compressão; determinar um pico de onda de compressão qualificado selecionado com base em um valor de aparência no mapa de aparência de domínio de tempo; e determinar uma lentidão de onda de compressão com base no pico de onda de compressão qualificado selecionado.[00118] Embodiment 10: One or more non-transitory machine-readable means comprising program code for determining a formation wave slowness, the program code for: acquiring subsurface wave measurements of a formation based on generated formation waves by a mechanical wave source; selecting a first set of tool wave measurements based on the subsurface wave measurements; generating a set of filtered subsurface wave measurements by filtering the subsurface wave measurements based on the first set of tool wave measurements; generating a time domain appearance map based on the set of filtered subsurface wave measurements, wherein the time domain appearance map comprises an initial set of compression wave peaks; determining a selected qualified compression wave peak based on an appearance value in the time domain appearance map; and determining a compression wave slowness based on the selected qualified compression wave peak.

[00119] Modalidade 11: O meio legível por máquina da Modalidade 10 compreende ainda código de programa para: aplicar um filtro no primeiro conjunto de medições de onda de ferramenta ou empilhar o primeiro conjunto de medições de onda de ferramenta a uma profundidade de referência e gerar um conjunto de medições de onda de ferramenta preditas localmente.[00119] Embodiment 11: The machine-readable medium of Embodiment 10 further comprises program code for: applying a filter to the first set of tool wave measurements or stacking the first set of tool wave measurements to a reference depth and generate a set of locally predicted tool wave measurements.

[00120] Modalidade 12: Os meios legíveis por máquina das Modalidades 10 ou 11, compreendendo ainda código de programa para: determinar um modelo de onda de ferramenta a partir de um tanque de fluido ou de uma zona de formação muito macia; gerar uma medição de onda de ferramenta reconstruída com base em uma comparação do conjunto de medições de onda de ferramenta previstas localmente e do modelo de onda de ferramenta; e gerar o conjunto de medições de onda de subsuperfície filtradas com base na medição de onda de ferramenta reconstruída.[00120] Embodiment 12: The machine-readable means of Embodiments 10 or 11, further comprising program code for: determining a tool wave pattern from a fluid tank or a very soft forming zone; generating a reconstructed tool wave measurement based on a comparison of the set of locally predicted tool wave measurements and the tool wave model; and generating the set of filtered subsurface wave measurements based on the reconstructed tool wave measurement.

[00121] Modalidade 13: Os meios legíveis por máquina de qualquer uma das Modalidades 10-12, compreendendo ainda código de programa para: determinar um tipo de formação correspondente à formação; determinar um limiar de semelhança com base no tipo de formação; determinar um afunilamento com base no tipo de formação, em que a filtragem das medições de onda de subsuperfície compreende aplicar o afunilamento nas medições de onda de subsuperfície; e comparar cada um de um conjunto de picos correspondentes ao conjunto de medições de onda de subsuperfície filtradas ao limiar de aparência, em que o código de programa para gerar o conjunto inicial de picos de onda de compressão compreende código de programa para selecionar picos do conjunto de picos que satisfazem o limiar de semelhança.[00121] Embodiment 13: The machine-readable means of any of Embodiments 10-12, further comprising program code for: determining a training type corresponding to the training; determine a similarity threshold based on the type of training; determining a funnel based on formation type, wherein filtering the subsurface wave measurements comprises applying the funnel to the subsurface wave measurements; and comparing each of a set of peaks corresponding to the set of subsurface wave measurements filtered to the appearance threshold, wherein the program code for generating the initial set of compression wave peaks comprises program code for selecting peaks from the set of peaks that satisfy the similarity threshold.

[00122] Modalidade 14: O meio legível por máquina de qualquer uma das Modalidades 10-13, compreendendo ainda código de programa para: gerar um perfil de densidade de tempo de lentidão com base no conjunto inicial de picos de onda de compressão; selecionar um conjunto de picos de onda de compressão qualificados com base em uma faixa de limiar no perfil de densidade de tempo de lentidão; gerar uma curva de predição de lentidão de onda de compressão com base no conjunto de picos de onda de compressão qualificados; e selecionar um segundo conjunto de picos de onda de compressão qualificados com base em uma segunda faixa de limiar que é determinada com base na curva de predição de lentidão de onda de compressão, em que o pico de onda de compressão qualificado selecionado é determinado com base em pelo menos um do segundo conjunto de picos de onda de compressão qualificados que satisfaz um ou mais limiares de tempo de deslocamento.[00122] Embodiment 14: The machine-readable medium of any of Embodiments 10-13, further comprising program code for: generating a lagging time density profile based on the initial set of compression wave peaks; selecting a set of qualified compression wave peaks based on a threshold range in the lag time density profile; generating a compression wave slowness prediction curve based on the set of qualified compression wave peaks; and selecting a second set of qualified compression wave peaks based on a second threshold range that is determined based on the compression wave slowness prediction curve, wherein the selected qualified compression wave peak is determined based on in at least one of the second set of qualified compression wave peaks that satisfies one or more travel time thresholds.

[00123] Modalidade 15: Os meios legíveis por máquina de qualquer uma das Modalidades 10-14, compreendendo ainda código de programa para: gerar uma faixa de pesquisa de cisalhamento tendo um limite inferior com base na lentidão da onda de compressão; determinar um conjunto inicial de picos de onda de cisalhamento com base em picos na faixa de pesquisa de cisalhamento; e determinar uma lentidão da onda de cisalhamento com base no conjunto inicial de picos de onda de cisalhamento.[00123] Embodiment 15: The machine-readable means of any of Embodiments 10-14, further comprising program code for: generating a shear search range having a lower limit based on the slowness of the compression wave; determining an initial set of shear wave peaks based on peaks in the shear survey range; and determining a shear wave slowness based on the initial set of shear wave peaks.

[00124] Modalidade 16: Os meios legíveis por máquina de qualquer uma das Modalidades 10-15, compreendendo ainda código de programa para: gerar um perfil de densidade de tempo de lentidão com base no conjunto inicial de picos de onda de cisalhamento; selecionar um conjunto de picos de onda de cisalhamento qualificados com base em uma faixa de limiar no perfil de densidade de tempo de lentidão; gerar uma curva de predição de lentidão de onda de cisalhamento com base nos picos de onda de cisalhamento qualificados; selecionar um segundo conjunto de picos de onda de cisalhamento qualificados com base em uma segunda faixa de limiar que é determinada com base na curva de predição de lentidão de onda de cisalhamento; determinar um pico de onda de cisalhamento qualificado selecionado com base no segundo conjunto de picos de onda de cisalhamento qualificados; e determinar a lentidão de onda de cisalhamento com base no pico de onda de cisalhamento qualificado selecionado.[00124] Embodiment 16: The machine-readable means of any of Embodiments 10-15, further comprising program code for: generating a lagging time density profile based on the initial set of shear wave peaks; selecting a set of qualified shear wave peaks based on a threshold range in the slow time density profile; generating a shear wave slowness prediction curve based on the qualified shear wave peaks; selecting a second set of qualified shear wave peaks based on a second threshold range that is determined based on the shear wave slowness prediction curve; determining a selected qualified shear wave peak based on the second set of qualified shear wave peaks; and determining the shear wave slowness based on the selected qualified shear wave peak.

[00125] Modalidade 17: Método, caracterizado pelo fato de que compreende: adquirir medições de onda de subsuperfície de uma formação com base em ondas mecânicas geradas por uma fonte de onda mecânica; selecionar um primeiro conjunto de medições de onda de ferramenta com base nas medições de onda de subsuperfície; gerar um conjunto de medições de onda de subsuperfície filtradas filtrando as medições de onda de subsuperfície com base no primeiro conjunto de medições de onda de ferramenta; gerar um mapa de aparência de domínio de tempo com base no conjunto de medições de onda de subsuperfície filtradas, em que o mapa de aparência de domínio de tempo compreende um conjunto inicial de picos de onda de compressão; determinar um pico de onda de compressão qualificado selecionado com base em um valor de aparência no mapa de aparência de domínio de tempo; e determinar uma lentidão de onda de compressão com base no pico de onda de compressão qualificado selecionado.[00125] Modality 17: Method, characterized by the fact that it comprises: acquiring subsurface wave measurements of a formation based on mechanical waves generated by a mechanical wave source; selecting a first set of tool wave measurements based on the subsurface wave measurements; generating a set of filtered subsurface wave measurements by filtering the subsurface wave measurements based on the first set of tool wave measurements; generating a time domain appearance map based on the set of filtered subsurface wave measurements, wherein the time domain appearance map comprises an initial set of compression wave peaks; determining a selected qualified compression wave peak based on an appearance value in the time domain appearance map; and determining a compression wave slowness based on the selected qualified compression wave peak.

[00126] Modalidade 18: O método da Modalidade 17, compreendendo ainda: determinar um tipo de formação correspondente à formação; determinar um limiar de aparência com base no tipo de formação; e comparar cada um de um segundo conjunto de picos correspondentes ao conjunto de medições de onda de subsuperfície filtrada com o limiar de aparência, em que a geração do conjunto inicial de picos de onda de compressão compreende selecionar picos do segundo conjunto de picos que satisfazem o limiar de aparência.[00126] Modality 18: The method of Modality 17, further comprising: determining a type of training corresponding to the training; determine an appearance threshold based on training type; and comparing each of a second set of peaks corresponding to the set of filtered subsurface wave measurements with the appearance threshold, wherein generating the initial set of compression wave peaks comprises selecting peaks from the second set of peaks that satisfy the appearance threshold.

[00127] Modalidade 19: O método das Modalidades 17 ou 18, compreendendo ainda: determinar um modelo de onda de ferramenta com base em pelo menos um de um tipo de formação ou uma propriedade de fluido; gerar uma medição de onda de ferramenta reconstruída com base em uma comparação do primeiro conjunto de medições de onda de ferramenta e o modelo de onda de ferramenta; e gerar o conjunto de medições de onda de subsuperfície filtradas com base na medição de onda de ferramenta reconstruída.[00127] Embodiment 19: The method of Embodiments 17 or 18, further comprising: determining a tool wave model based on at least one of a formation type or a fluid property; generating a reconstructed tool wave measurement based on a comparison of the first set of tool wave measurements and the tool wave model; and generating the set of filtered subsurface wave measurements based on the reconstructed tool wave measurement.

[00128] Modalidade 20: O método de qualquer uma das Modalidades 17-19, compreendendo ainda: gerar uma curva de predição de lentidão de onda de compressão com base no conjunto inicial de picos de onda de compressão; selecionar um conjunto de picos de onda de compressão qualificados com base em uma faixa de limiar da curva de predição de lentidão de onda de compressão; e selecionar o pico de onda de compressão qualificado com base no conjunto de picos de onda de compressão qualificados.[00128] Modality 20: The method of any of Modalities 17-19, further comprising: generating a compression wave slowness prediction curve based on the initial set of compression wave peaks; selecting a set of qualified compression wave peaks based on a threshold range of the compression wave slowness prediction curve; and selecting the qualified compression wave peak based on the set of qualified compression wave peaks.

[00129] Modalidade 21: O método de qualquer uma das Modalidades 17-20, compreendendo ainda: gerar uma faixa de pesquisa de cisalhamento tendo um limite inferior com base na lentidão da onda de compressão; determinar um conjunto inicial de picos de onda de cisalhamento com base em picos na faixa de pesquisa de cisalhamento; e determinar um tempo de deslocamento da onda de cisalhamento com base no conjunto inicial de picos de onda de cisalhamento.[00129] Modality 21: The method of any of Modalities 17-20, further comprising: generating a shear survey range having a lower limit based on the slowness of the compression wave; determining an initial set of shear wave peaks based on peaks in the shear survey range; and determining a shear wave travel time based on the initial set of shear wave peaks.

[00130] Modalidade 22: O método de qualquer uma das Modalidades 17-21, compreendendo ainda: gerar uma curva de predição de lentidão de onda de cisalhamento com base no conjunto inicial de picos de onda de cisalhamento; selecionar um conjunto de picos de onda de cisalhamento qualificados com base em uma faixa de limiar da curva de predição de lentidão de onda de cisalhamento; determinar um pico de onda de cisalhamento qualificado com base no conjunto de picos de onda de cisalhamento qualificados; e determinar o tempo de deslocamento da onda de cisalhamento com base no pico de onda de cisalhamento qualificado.[00130] Embodiment 22: The method of any of Embodiments 17-21, further comprising: generating a shear wave slowness prediction curve based on the initial set of shear wave peaks; selecting a set of qualified shear wave peaks based on a threshold range of the shear wave slowness prediction curve; determining a qualified shear wave peak based on the set of qualified shear wave peaks; and determining the travel time of the shear wave based on the qualified shear wave peak.

[00131] Modalidade 23: O método de qualquer uma das Modalidades 17-22, compreendendo ainda determinar um limite superior para a faixa de pesquisa de cisalhamento com base em um tempo de deslocamento correspondente a uma lentidão de onda de compressão de lama.[00131] Embodiment 23: The method of any of Embodiments 17-22, further comprising determining an upper limit for the shear research range based on a travel time corresponding to a mud compression wave slowness.

Claims

1. Apparatus, characterized by the fact that it comprises: - a mechanical wave source (122, 222); - a set of mechanical wave sensors (110, 220) placed in a well (103, 203) drilled in a formation (102, 202), the set of mechanical wave sensors (110, 220) providing wave measurements subsurface based on formation waves generated by the mechanical wave source (122, 222); - a processor; and - a machine-readable medium having program code executable by the processor to cause the apparatus to: - acquire subsurface wave measurements; - select a first set of tool wave measurements based on a common offset from the mechanical wave source (122, 222); - generate a set of filtered subsurface wave measurements by filtering the subsurface wave measurements based on the first set of tool wave measurements; - generate a time domain appearance map based on the set of filtered subsurface wave wave measurements, wherein the time domain appearance map comprises an initial set of compression wave peaks; - determine a selected qualified compression wave peak based on an appearance value in the time domain appearance map; - determine a compression wave slowness based on the selected qualified compression wave peak; and - performs a drilling operation based, at least in part, on compressional wave slowness.

2. Apparatus according to claim 1, characterized in that the program code further comprises program code for: - applying a filter to the first set of tool wave measurements; - stack the first set of tool wave measurements at a reference depth; and - generate a set of locally predicted tool wave measurements.

3. Apparatus according to claim 2, characterized in that the program code further comprises program code for: - determining a tool wave model from a fluid tank or a forming zone (102, 202) very soft; - generating a reconstructed tool wave measurement based on a comparison of the set of locally predicted tool wave measurements and the tool wave model; and - generate the set of filtered subsurface wave measurements based on the reconstructed tool wave measurement.

4. Apparatus according to claim 1, characterized in that the program code further comprises program code for causing the apparatus to: - determine a type of formation corresponding to the formation (102, 202); - determine an appearance threshold based on the type of training; - determine a funnel based on the type of formation, whereby filtering the subsurface wave measurements comprises applying the funnel to the subsurface wave measurements; and - compare each of a set of peaks corresponding to the set of filtered subsurface wave measurements with the similarity threshold, wherein the program code for generating the initial set of compression wave peaks comprises program code for selecting peaks of the set of peaks that satisfy the appearance threshold.

5. The apparatus of claim 1, wherein the program code for determining the selected qualified compression wave peak further comprises program code for: - generating a slow time density profile based on the initial set of compression wave peaks; - select a set of qualified compression wave peaks based on a threshold range in the slow time density profile; - generate a compression wave slowness prediction curve based on the set of qualified compression wave peaks; - selecting a second set of qualified compression wave peaks based on a second threshold range that is determined based on the compression wave slowness prediction curve; and - determining the selected qualified compression wave peak based on at least one of the second set of qualified compression wave peaks that satisfies one or more travel time thresholds.

6. The apparatus of claim 5, wherein the program code for determining the selected qualified compression wave peak further comprises program code for: - identifying a start time of a compression mode and a end time of compression mode at a neighboring depth; and - determining the selected qualified compression wave peak based on a range determined by the compression mode start time and the compression mode end time.

7. Apparatus according to claim 1, characterized in that the program code further comprises program code for: - generating a shear search range having a lower limit based on the slowness of the compression wave; - determine an initial set of shear wave peaks based on peaks in the shear survey range; and - determine a shear wave slowness based on the initial set of shear wave peaks.

8. The apparatus of claim 7, wherein the program code for determining shear wave slowness further comprises program code for: - generating a slow time density profile based on the initial set of shear wave peaks; - select a set of qualified shear wave peaks based on a threshold range in the slow-time density profile; - generate a shear wave slowness prediction curve based on the set of qualified shear wave peaks; - selecting a second set of qualified shear wave peaks based on a second threshold range that is determined based on the shear wave slowness prediction curve; - determine a selected qualified shear wave peak based on the second set of qualified shear wave peaks; and - determine the shear wave slowness based on the selected qualified shear wave peak.

9. Apparatus according to claim 7, further comprising program code for causing the apparatus to determine an upper limit for the shear search range based on a travel time corresponding to a slowness of the mud compression wave.

10. Method, characterized by the fact that it comprises: - acquiring subsurface wave measurements of a formation (102, 202) based on mechanical waves generated by a mechanical wave source (122, 222); - selecting a first set of tool wave measurements based on a common displacement from the mechanical wave source (122, 222); - generate a set of filtered subsurface wave measurements by filtering the subsurface wave measurements based on the first set of tool wave measurements; - generating a time domain appearance map based on the set of filtered subsurface wave measurements, wherein the time domain appearance map comprises an initial set of compression wave peaks; - determining a selected qualified compression wave peak based on an appearance value in the time domain appearance map; - determine a compression wave slowness based on the selected qualified compression wave peak; and - perform a drilling operation based, at least in part, on compressional wave slowness.

11. Method, according to claim 10, characterized by the fact that it further comprises: - determining a type of training corresponding to the training (102, 202); - determine a similarity threshold based on the type of training; and - comparing each of a second set of peaks corresponding to the set of filtered subsurface wave measurements with the appearance threshold, wherein generating the initial set of compression wave peaks comprises selecting peaks from the second set of peaks that satisfy the appearance threshold.

12. Method, according to claim 10, characterized by the fact that it further comprises: - determining a tool wave model based on at least one of a type of formation or a fluid property; - generating a reconstructed tool wave measurement based on a comparison of the first set of tool wave measurements and the tool wave model; and - generate the set of filtered subsurface wave measurements based on the reconstructed tool wave measurement.

13. Method, according to claim 10, characterized by the fact that it further comprises: - generating a compression wave slowness prediction curve based on the initial set of compression wave peaks; and - selecting a set of qualified compression wave peaks based on a threshold range of the compression wave slowness prediction curve, whereby determining the selected qualified compression wave peak based on the set of compression wave peaks Qualified compression.

14. Method, according to claim 10, characterized by the fact that it further comprises: - generating a shear search range having a lower limit based on the slowness of the compression wave; - determine an initial set of shear wave peaks based on peaks in the shear survey range; and - determine a shear wave travel time based on the initial set of shear wave peaks.

15. Method, according to claim 14, characterized by the fact that it further comprises: - generating a shear wave slowness prediction curve based on the initial set of shear wave peaks; - select a set of qualified shear wave peaks based on a threshold range of the shear wave slowness prediction curve; - determine a selected qualified shear wave peak based on the set of qualified shear wave peaks; and - determine the shear wave travel time based on the selected qualified shear wave peak.