CN109804274B - 使用机器学习进行地震相识别的系统和方法 - Google Patents
使用机器学习进行地震相识别的系统和方法 Download PDFInfo
- Publication number
- CN109804274B CN109804274B CN201780063204.1A CN201780063204A CN109804274B CN 109804274 B CN109804274 B CN 109804274B CN 201780063204 A CN201780063204 A CN 201780063204A CN 109804274 B CN109804274 B CN 109804274B
- Authority
- CN
- China
- Prior art keywords
- seismic
- machine learning
- cluster
- dataset
- learning algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 208000035126 Facies Diseases 0.000 title claims abstract description 39
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 16
- 239000012530 fluid Substances 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 239000011435 rock Substances 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000004215 Carbon black (E152) Substances 0.000 description 5
- 229930195733 hydrocarbon Natural products 0.000 description 5
- 150000002430 hydrocarbons Chemical class 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 241001127925 Arracacha virus A Species 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000002832 anti-viral assay Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000012267 brine Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/003—Seismic data acquisition in general, e.g. survey design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
描述了一种用于地震相识别的方法，包括接收表示感兴趣的地下体积的地震数据集；对所述地震数据集执行机器学习算法以识别地震相并生成分类的地震图像；以及基于所述分类的地震图像识别地质特征。该方法可以由计算机系统执行。
Description
相关申请的交叉引用
本申请要求于2016年10月14日提交的美国临时申请序列号62/408188的优先权权益，其全部内容通过引用并入本文。
关于联邦政府资助的研究或开发的声明
不适用。
技术领域
所公开的实施例总体上涉及用于识别地下储层中的相的技术，并且具体地涉及通过机器学习从地震数据识别相的方法。
背景技术
地震勘探涉及为了烃沉积而勘测地下地质介质。勘测通常涉及在预定位置处部署地震源和地震传感器。地震源生成地震波，该地震波传播到地质介质中，从而产生压力改变和振动。地质介质的物理性质的变化引起地震波的某些性质(诸如它们的传播方向和其他性质)的改变。
地震波的一部分到达地震传感器。一些地震传感器对压力改变敏感(例如，水听器)，而其他地震传感器对粒子运动敏感(例如，地震检波器)，并且工业勘测可以部署一种类型的传感器或两者。响应于检测到的地震波，传感器生成相应的被称为道(trace)的电信号，并将它们作为地震数据记录在存储介质中。地震数据将包括多个“射击”(地震源被激活的各个实例)，其中每个“射击”与在多个传感器处记录的多个道相关联。
处理地震数据以创建地震图像，该地震图像可以被解释，以识别包括烃沉积的地下地质特征。地震图像可以用于获得地震相。地震相是地震图像中可以基于诸如幅度(例如，幅度随偏移距/角度的变化)、连通性、几何结构和/或纹理的特性来分类的反射的组。知识渊博的从业者可以将这些相解释为对应于地下性质，诸如岩性、沉积环境和流体含量。该信息可以用于烃勘探环境中以搜索烃储层的理想地质环境，并且用于模型构建目的以在各个相内分配适当的性质(速度、密度、渗透率、孔隙度等)。
现有技术包括基于使用例如神经网络或自组织映射在逐道的基础上对数据进行分类的方法。这对于准确表示地质特征的真实几何结构或连通性可能是有害的。而且，这些逐道的方法耗时并且在表征地下的过程中产生瓶颈。
识别地下中的相的能力对于我们对购买材料、安全操作和成功完成项目做出最合适的选择的能力是至关重要的。项目成本取决于对地球内的物理边界的位置的准确预测。决策包括但不限于预算规划、获得矿产和租赁权、签署井承诺、许可钻井位置、设计井路径和钻井策略、通过规划适当的套管和水泥接合(cementation)策略来防止地下完整性问题、以及选择和购买适当的完井和生产装备。
需要更有效和准确地从地震图像确定地震相的3D分布，这将允许对潜在的烃储层进行更好的地震解释。
发明内容
根据一些实施例，公开了一种地震相识别方法，包括接收表示感兴趣的地下体积的地震数据集；对地震数据集执行机器学习算法以识别地震相并生成分类的地震图像；以及基于分类的地震图像识别地质特征。在实施例中，机器学习算法是无监督算法，其可以可选地将相标签分配给分类的地震图像，并且可以可选地基于其幅度随角度的变化(AVA)或幅度随偏移距的变化(AVO)响应对地震数据进行分类。在另一实施例中，机器学习算法是监督算法，其可以可选地接收相标签集作为输入并且将它们用在监督算法中。本文公开的方法还可以包括在识别地质特征之前在数据空间中使用人工智能来识别地层模式和/或在执行机器学习算法之前接收计算地层模型，在机器学习算法中使用计算地层模型以及执行匹配步骤，其中机器学习算法将来自计算地层模型的特定特征的地震表达与在地震数据集中发现的模式相匹配。
在本发明的另一方面，为了解决上述问题，一些实施例提供了一种存储一个或多个程序的非暂时性计算机可读存储介质。所述一个或多个程序包括指令，所述指令当由具有一个或多个处理器和存储器的计算机系统执行时，使计算机系统执行本文提供的任意方法。
在本发明的又一方面，为了解决上述问题，一些实施例提供了一种计算机系统。该计算机系统包括一个或多个处理器、存储器和一个或多个程序。所述一个或多个程序存储在存储器中并配置为由所述一个或多个处理器执行。所述一个或多个程序包括操作系统和指令，所述指令当由所述一个或多个处理器执行时，使计算机系统执行本文提供的任意方法。
附图说明
该专利或申请文件包含至少一幅彩色附图。具有彩色附图(一个或多个)的本专利或专利申请公开的副本将在请求和支付必要费用后由主管局提供。
图1示出了根据一些实施例的地震相识别方法的流程图；
图2示出了根据其他实施例的地震相识别方法的流程图；
图3示出了根据其他实施例的地震相识别方法的流程图；
图4示出了根据其他实施例的地震相识别方法的流程图；
图5展示了实施例之一的结果；
图6A-6D展示了实施例之一的详细步骤；以及
图7是示出根据一些实施例的地震相识别系统的框图。
贯穿附图，相同的附图标记指代对应的部分。
具体实施方式
以下描述的是提供通过机器学习进行地震相识别的方式的方法、系统和计算机可读存储介质。这些实施例被设计成特别用于地质复杂区域中的地下体积的地震成像。这些方法使用与地震相关联的几何和/或纹理特性，并使用已建立的或新颖的机器学习技术来识别它们。机器学习技术能够利用显著的计算处理能力来揭示人类解释者难以发现的数据模式，从而导致更准确的相分类。
现在将详细参考各种实施例，其示例在附图中示出。在以下详细描述中，阐述了许多具体细节以便提供对本公开和本文描述的实施例的透彻理解。然而，可以在没有这些具体细节的情况下来实践本文描述的实施例。在其他情况下，没有详细描述众所周知的方法、过程、组件和机械装置，以免不必要地模糊实施例的各方面。
本发明包括用于产生地震相的3D数字图像的地震相识别的方法和系统的实施例。这将有助于缓解由于必须手动解释地震相以用于勘探、模型构建或油藏建模目的而产生的瓶颈。本发明能够利用显著的计算处理能力来揭示人类解释者难以发现的数据模式，从而导致更准确的相分类。
图1示出了用于感兴趣的地下体积中的地震相识别的方法100的流程图。在操作10处，接收地震数据集。如前所述，地震数据集包括在多个地震传感器处记录的多个道。该数据集可能已经经历了许多地震处理步骤，诸如反虚反射、多次波去除(multiple removal)、谱整形、成像等。这些示例并不意味着限制。本领域技术人员将理解，存在可以应用于地震数据的许多有用的地震处理步骤。地震数据集可以是原始道数据、叠前道集或者可以是叠前或叠后的迁移图像/体积；在迁移数据的情况下，输入在分析之前可以是或者可以不是体积拉平的。在叠前道集或叠前迁移图像的情况下，数据集将包括表示源-接收器对之间的距离的偏移距和/或角度尺寸。偏移距和/或角度尺寸将包括具有随着偏移距或角度变化的幅度的地震事件，本领域技术人员将其称为幅度随偏移距的变化(AVO)或幅度随角度的变化(AVA)。出于本文的目的，AVO和AVA被统称为AVA。
继续方法100，在操作12处，将地震数据集进行无监督机器学习。输入数据基于输入数据的特性自动分类或聚类成不同的组。这种分类可以通过算法来完成，所述算法诸如但不限于k均值聚类(在Hartigan和Wong，1979中描述)、自组织映射(Kohonen，1990)或深度学习技术(Lecun等，2015)。分类允许将输入数据聚合成组，该组以针对这些聚类适当的方式改善信噪比。在实施例中，无监督分类可以是数据驱动的自动地震聚合(即，聚类)方法，其能够自动确定适当的数据以评估对应于地下位置的稳健的代表性AVA响应。可以在多个局部和全局尺度上执行分类以确定岩石区域和流体性质的相似性和差异。例如，局部聚类可以基于原始幅度或诸如纹理属性的地震衍生特征来聚合局部化数据。可以进行全局聚类以细化特定AVA类响应的聚类或额外的岩石和流体性质询问(例如，空间孔隙度变化、体积前景筛选)，从而能够在相同岩性中的不同流体含量(例如，盐水对气体)之间进行区分。在另一实施例中，无监督机器学习可以基于地震事件的截断、梯度和极性将具有一致的、稳定的AVA类响应的地震数据进行聚类。基于AVA响应进行聚类的示例在图6A-6D中展示。
图6A展示了用于聚类的输入数据。在图6A中，面板60示出了针对近堆叠、中堆叠和远堆叠图像的通过地震图像体积的地图视图深度切片。本领域技术人员将理解，部分堆叠(近、中和远)是从叠前迁移计算的沿着表示小(近)、中范围(中)和大(远)的源-接收器距离的偏移距/角度范围的偏移距或角度轴的道的总和。图6A中标记为“局部AVA响应”的十个面板示出了图像中各个样本点的幅度随角度的变化(AVA)的示例。局部地，在任意地下样本处，AVA响应可能是有噪声的，并且与该一次测量关联的不确定性很大。
图6B展示了各种局部AVA响应的“软”聚类，即基于AVA响应的类型将局部AVA响应聚合为软聚类61、62、63和64。在这种软聚类中，聚类映射有些重叠，并且各个样本点可能属于不止一个聚类。作为示例而非限制，可以通过模糊C均值聚类来实现软聚类。
图6C展示了各种局部AVA响应的“硬”聚类，即基于AVA响应的类型及其属于聚类的概率将局部AVA响应聚合为聚类65、66、67和68。在硬聚类中，每个样本将只属于一个聚类。一旦局部AVA响应被聚类，就可以从该聚类中的局部AVA响应计算每个聚类的全局统计AVA响应。
图6D的面板70示出了针对三个层位、分成聚类的样本的地图视图图像。图6D的面板71示出了针对三个层位、样本属于一个特定聚类的概率的地图视图图像。本领域技术人员将认识到，这些地图视图图像显示称为曲折流的可识别地质特征。这种可识别的地质特征证实了聚类可能是准确的。
在无监督机器学习生成不同的组之后，可以在操作14处将这些组可选地标记为各种相。在操作16处，无论相是否被标记，不同的组然后都被识别为3D地质体，从而意味着每个组的几何结构被在范围和体积中限定。如果需要，该方法可以重复(即迭代)操作12、14和16，直到用户指定的停止点，诸如指定的迭代次数或者其中所有点都包括在地质体内的3D体积。
替代实施例示出为图2中的方法120。在该实施例中，在操作20处接收地震数据集，非常类似于方法100的操作10。还可以在操作22接收相标签集的可选附加输入。相标签由输入数据的已被全部或部分解释并手动分配地震相类别的子体积组成。在已经执行这种解释的位置处，输入数据因此将由图像的每个像素或体素处的地震幅度以及该像素或体素处的对应相标签两者组成。
在操作24处，将地震数据集和可选的相标签集输入到监督机器学习。在这种情况下，被标记的训练数据集首先用于“训练”分类器；然后将分类器应用于未被标记的输入数据，以便产生现在特别标记的相分布。在这种情况下，分类算法可以包括决策树方法，诸如随机森林(Random Forest)(Breiman，2001)；经典神经网络方法(Lippmann，1987)；或更多新颖的深度学习方法，诸如卷积神经网络(Krizhevsky等，2012)。方法120可以可选地包括在数据空间中使用人工智能计算来识别诸如河道特征的地层模式。该可选步骤的训练数据可以从诸如真实或合成测井记录或模拟地层模型的来源获得。在操作28处限定地质体的3D几何结构。该实施例还可以迭代操作24、26和28。
方法120的具体示例在图4中示为方法160。所述方法160在操作40处接收地震图像并且在操作42处例如使用美国专利号7769546中描述的方法(即，用于对地下体积进行索引编制以用于推断地质信息的方法(Method for Indexing a Subsurface Volume For ThePurpose of Inferring Geologic Information))或美国专利申请14/595964(即，用于从地震数据生成沉积序列体积的系统和方法(System and Method for Generating aDepositional Sequence Volume from Seismic Data))将其拉平。然后在操作44处解释拉平的图像并将其用作部分图像，以在操作48处输入到随机森林算法，以基于由解释者提供的有限标签来构建分类器。然后可以将分类器应用于整个地震体积以产生地质体被识别的3D图像。
方法160可选地包括在操作46处计算纹理属性，因为它们特别可用于几何地限定相分布，如上所述。纹理属性计算导致多个属性图像，其可以在操作48处输入到随机森林算法以产生地质体被识别的3D图像。
图3示出了方法100、120或160中的任意方法的可选工作流程扩展(方法140)。如果适当的计算地层模型可用，则可以将其作为输入接收30以通过在操作32处推断关于某些相的岩性、连通性和/或流动特性的附加信息来增强相分布结果。这可以通过操作34处的附加匹配步骤来实现，其中机器学习技术将来自模型的特定特征的地震表达与在输入地震数据中发现的模式相匹配。对于上面讨论的监督或无监督学习情况，这种扩展是可行的。
图5展示了使用本发明的实施例之一的结果。特别地，它示出了图2的方法120的结果。面板50示出了地震图像的单个深度切片。输入的相标签被示出为红线51、绿色矩形53以及紫色矩形和线54。在执行图2的方法120之后，该深度切片现在示出分类结果52，其中地震相已被识别为扩展的地质体。
图7是示出根据一些实施例的地震相识别系统500的框图。虽然示出了某些特定特征，但是本领域技术人员将从本公开中理解，为了简洁起见，以便不会模糊本文公开的实施例的更多相关方面，未示出各种其他特征。
为此，地震相识别系统500包括一个或多个处理单元(CPU)502、一个或多个网络接口508和/或其他通信接口503、存储器506、以及用于将这些以及其他各种组件互连的一个或多个通信总线504。地震相识别系统500还包括用户界面505(例如，显示器505-1和输入装置505-2)。通信总线504可以包括互连和控制系统组件之间的通信的电路(有时称为芯片组)。存储器506包括高速随机存取存储器，诸如DRAM、SRAM、DDR RAM或其他随机存取固态存储器装置；并且可以包括非易失性存储器，诸如一个或多个磁盘存储装置、光盘存储装置、闪存装置或其他非易失性固态存储装置。存储器506可以可选地包括远离CPU 502的一个或多个存储装置。存储器506、包括存储器506内的非易失性和易失性存储装置包括非暂时性计算机可读存储介质，并且可以存储地震数据、速度模型、地震图像和/或地质结构信息。
在一些实施例中，存储器506或存储器506的非暂时性计算机可读存储介质存储以下包括操作系统516、网络通信模块518和地震成像模块520的程序、模块以及数据结构或其子集。
操作系统516包括用于处理各种基本系统服务和用于执行硬件相关任务的过程。
网络通信模块518促进经由通信网络接口508(有线或无线)和一个或多个通信网络(诸如因特网、其他广域网、局域网、城域网等)与其他装置的通信。
在一些实施例中，地震相模块520执行方法100的操作。地震相模块520可以包括数据子模块525，其处理包括地震道集525-1至525-N的地震数据集。该地震数据由数据子模块525提供给其他子模块。
机器学习子模块522包含指令集522-1并接受元数据和参数522-2，该元数据和参数522-2将使机器学习子模块522能够执行例如方法100的操作12、方法120的操作24、方法140的操作32和/或方法160的操作44。标记功能子模块523包含指令集523-1并接受元数据和参数523-2，该元数据和参数523-2将使标记功能子模块523能够有助于例如方法100的操作14、方法120的操作22和/或方法140的操作32。几何结构子模块524包含指令集524-1并接受元数据和参数524-2，该元数据和参数524-2将使几何结构子模块524能够执行例如方法100的操作16、方法120的操作28、方法140的操作34和/或方法160的操作46和48。虽然已经针对本文讨论的子模块标识了特定的操作，但是这并不意味着限制。每个子模块可以被配置为执行被标识为其他子模块的一部分的操作，并且可以包含允许其执行用于处理地震数据的其他操作并生成地震相图像的其他指令、元数据和参数。例如，任何子模块可以可选地能够生成将被发送到用户界面显示器505-1并在其上示出的显示。另外，任何地震数据或经处理的地震数据产品可以经由通信接口503(一个或多个)或网络接口508发送，并且可以存储在存储器506中。
方法100可选地由存储在计算机存储器或非暂时性计算机可读存储介质(例如，图5中的存储器506)中的指令控制，并且由一个或多个计算机系统的一个或多个处理器(例如，处理器502)执行。计算机可读存储介质可以包括磁盘或光盘存储装置、诸如闪存的固态存储装置或其他非易失性存储器装置(一个或多个)。存储在计算机可读存储介质上的计算机可读指令可以包括以下中的一个或多个：源代码、汇编语言代码、目标代码或由一个或多个处理器解释的另一指令格式。在各种实施例中，可以组合每个方法中的一些操作和/或可以从图中所示的顺序改变一些操作的顺序。为了便于解释，方法100、120、140和160被描述为由计算机系统执行，但是在一些实施例中，方法100的各种操作是跨单独的计算机系统分布的。
虽然以上描述了特定实施例，但是应该理解，并不意图将本发明限制于这些特定实施例。相反，本发明包括在随附权利要求的精神和范围内的替代、修改和等同物。阐述了许多具体细节以便提供对本文提出的主题的透彻理解。但是对于本领域普通技术人员来说显而易见的是，可以在没有这些具体细节的情况下实践主题。在其他情况下，没有详细描述众所周知的方法、过程、组件和电路，以免不必要地模糊实施例的各方面。
对本文的发明的描述中使用的术语仅用于描述特定实施例的目的，并不意图对本发明的限制。如在本发明的描述和随附权利要求中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文另有明确说明。还应理解，本文所用的术语“和/或”是指并包含相关所列项目中的一个或多个的任意和所有可能的组合。将进一步理解，当在本说明书中使用时，术语“包括”、“包含”、“囊括”和/或“含有”指定所述特征、操作、元素和/或组件的存在，但是不排除存在或添加一个或多个其他特征、操作、元素、组件和/或其组。
如本文所使用的，取决于上下文，术语“如果”可以被解释为“当”或“在”或“响应于确定”或“根据确定”或“响应于检测到”所述先决条件是真实的。类似地，取决于上下文，短语“如果确定[所述先决条件是真实的]”或“如果[所述先决条件是真实的]”或“当[所述先决条件是真实的]时”可以被解释为“在确定”或“响应于确定”或“根据确定”或“在检测到”或“响应于检测到”所述先决条件是真实的。
尽管各个附图中的一些以特定顺序示出了多个逻辑阶段，但是可以重新排序不依赖于顺序的阶段，并且可以组合或分解其他阶段。虽然具体提到了一些重新排序或其他分组，但是其他排序或分组对于本领域普通技术人员来说是显而易见的，因此不提供备选方案的详尽列表。此外，应该认识到，这些阶段可以用硬件、固件、软件或其任意组合来实现。
出于解释的目的，已经参考特定实施例描述了前述描述。然而，上面的说明性讨论并非旨在穷举或将本发明限制于所公开的精确形式。鉴于上述教导，许多修改和变化都是可能的。选择和描述实施例是为了最好地解释本发明的原理及其实际应用，从而使得本领域的其他技术人员能够最好地利用本发明和具有适合于预期的特定用途的各种修改的各种实施例。
参考文献
美国专利号7769546，用于对地下体积进行索引编制以用于推断地质信息的方法
美国专利申请14/595964，用于从地震数据生成沉积序列体积的系统和方法
Breiman，Leo.“随机森林.”机器学习,第45卷,第1期(2001):5-32.
Hartigan，John A.和Manchek A.Wong.“算法AS 136：k均值聚类算法(AlgorithmAS 136:A k-means clustering algorithm).”英国皇家统计学会期刊,C辑(应用统计),第28卷,第1期(1979):100-108.
Kohonen，Teuvo.“自组织映射.”电气与电子工程师协会会报,第78卷,第9期(1990):1464-1480.
Krizhevsky，Alex，Ilya Sutskever和Geoffrey E.Hinton.“使用深度卷积神经网络进行图像网络分类(Imagenet classification with deep convolutional neuralnetworks).”神经信息处理系统研究进展,第1097-1105页.2012.
LeCun，Yann，Yoshua Bengio和Geoffrey Hinton.“深度学习.”自然,第521卷,第7553期(2015):436-444.
Lippmann，Richard.“利用神经网络进行计算的介绍(An introduction tocomputing with neural nets).”IEEE Assp杂志,第4卷,第2期(1987):4-22.
Claims (11)
1.一种计算机实现的地震相识别方法，包括：
a.在计算机处理器处接收表示感兴趣的地下体积的地震数据集，其中所述地震数据集中的各地震数据具有信噪比特性；
b.对所述地震数据集执行机器学习算法以识别地震相并将所述地震数据集聚类为改善所述信噪比特性的地震子集，其中所述机器学习算法包括局部聚类和全局聚类，其中所述局部聚类基于原始幅度和地震衍生特征中的一者或两者，并且其中全局聚类基于AVA类响应和额外的岩石和流体性质询问中的一者或两者；
c.基于所述地震子集生成分类的地震图像；以及
d.基于所述分类的地震图像识别地质特征。
2.根据权利要求1所述的方法，其中所述机器学习算法是无监督算法。
3.根据权利要求2所述的方法，其中所述分类的地震图像被分配相标签。
4.根据权利要求2所述的方法，其中所述无监督算法基于AVA对所述地震数据集中的地震数据进行分类。
5.根据权利要求4所述的方法，其中所述地质特征包括所述感兴趣的地下体积的流体含量的差异。
6.根据权利要求1所述的方法，其中所述机器学习算法是监督算法。
7.根据权利要求6所述的方法，其中相标签集被作为输入接收并用于所述监督算法。
8.根据权利要求6所述的方法，还包括在识别地质特征之前，在数据空间中使用人工智能来识别地层模式。
9.根据权利要求1所述的方法，还包括在执行所述机器学习算法之前接收计算地层模型，在所述机器学习算法中使用所述计算地层模型，并执行匹配步骤，其中所述机器学习算法将来自所述计算地层模型的特定特征的地震表达与在所述地震数据集中发现的模式相匹配。
10.一种计算机系统，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括指令，所述指令当由所述一个或多个处理器执行时使装置：
在所述一个或多个处理器处接收表示感兴趣的地下体积的地震数据集，其中所述地震数据集中的各地震数据具有信噪比特性；
对所述地震数据集执行机器学习算法以识别地震相并将所述地震数据集聚类为改善所述信噪比特性的地震子集，其中所述机器学习算法包括局部聚类和全局聚类，其中所述局部聚类基于原始幅度和地震衍生特征中的一者或两者，并且其中全局聚类基于AVA类响应和额外的岩石和流体性质询问中的一者或两者；
基于所述地震子集生成分类的地震图像；以及
基于所述分类的地震图像识别地质特征。
11.一种存储一个或多个程序的非暂时性计算机可读存储介质，所述一个或多个程序包括指令，所述指令在由具有一个或多个处理器和存储器的电子装置执行时使得所述装置：
在一个或多个处理器处接收表示感兴趣的地下体积的地震数据集，其中所述地震数据集中的各地震数据具有信噪比特性；
对所述地震数据集执行机器学习算法以识别地震相并将所述地震数据集聚类为改善所述信噪比特性的地震子集，其中所述机器学习算法包括局部聚类和全局聚类，其中所述局部聚类基于原始幅度和地震衍生特征中的一者或两者，并且其中全局聚类基于AVA类响应和额外的岩石和流体性质询问中的一者或两者；
基于所述地震子集生成分类的地震图像；以及
基于所述分类的地震图像识别地质特征。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201662408188P | 2016-10-14 | 2016-10-14 | |
| US62/408,188 | 2016-10-14 | ||
| PCT/US2017/056282 WO2018071632A1 (en) | 2016-10-14 | 2017-10-12 | System and method for seismic facies identification using machine learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109804274A CN109804274A (zh) | 2019-05-24 |
| CN109804274B true CN109804274B (zh) | 2021-11-30 |
Family
ID=60162319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780063204.1A Active CN109804274B (zh) | 2016-10-14 | 2017-10-12 | 使用机器学习进行地震相识别的系统和方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US10725189B2 (zh) |
| EP (1) | EP3526629B1 (zh) |
| CN (1) | CN109804274B (zh) |
| AU (1) | AU2017343749B2 (zh) |
| CA (1) | CA3038714A1 (zh) |
| WO (1) | WO2018071632A1 (zh) |
Families Citing this family (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10948618B2 (en) | 2016-10-14 | 2021-03-16 | Chevron U.S.A. Inc. | System and method for automated seismic interpretation |
| US11119235B2 (en) * | 2017-08-25 | 2021-09-14 | Exxonmobil Upstream Research Company | Automated seismic interpretation using fully convolutional neural networks |
| WO2019067614A1 (en) * | 2017-09-26 | 2019-04-04 | Schlumberger Technology Corporation | APPARATUS AND METHODS FOR ENHANCED GROUNDWATER DATA PROCESSING SYSTEMS |
| US10884147B2 (en) * | 2017-12-08 | 2021-01-05 | Chevron U.S.A. Inc. | System and method for reservoir facies classification that segments both petrophysical and geophysical properties |
| FR3081232B1 (fr) * | 2018-05-18 | 2020-10-02 | Ifp Energies Now | Procede pour la detection d'objets geologiques dans une image sismique |
| US11814931B2 (en) * | 2018-05-31 | 2023-11-14 | Schlumberger Technology Corporation | Machine-learning for sedimentary facies prediction |
| EP3803471A4 (en) * | 2018-06-06 | 2022-03-16 | Services Petroliers Schlumberger (SPS) | GEOLOGICAL CHARACTERISTICS SEARCH ENGINE |
| AU2019312924B2 (en) * | 2018-08-02 | 2023-07-27 | Chevron U.S.A. Inc. | System and method for seismic amplitude analysis |
| CN109212617B (zh) * | 2018-08-24 | 2020-09-08 | 中国石油天然气股份有限公司 | 电成像测井相自动识别方法及装置 |
| WO2020065547A1 (en) * | 2018-09-27 | 2020-04-02 | Chevron Usa Inc. | System and method for automated seismic interpretation |
| WO2020123100A2 (en) | 2018-12-11 | 2020-06-18 | Exxonmobil Upstream Research Company | Automated seismic interpretation systems and methods for continual learning and inference of geological features |
| CA3122684C (en) | 2018-12-11 | 2023-12-19 | Exxonmobil Upstream Research Company | Data augmentation for seismic interpretation systems and methods |
| US11693139B2 (en) | 2018-12-11 | 2023-07-04 | ExxonMobil Technology and Engineering Company | Automated seismic interpretation-guided inversion |
| BR112021011250A2 (pt) | 2018-12-11 | 2021-08-24 | Exxonmobil Upstream Research Company | Modelagem automatizada de reservatório usando redes generativas profundas |
| CA3122985A1 (en) | 2018-12-11 | 2020-06-18 | Exxonmobil Upstream Research Company | Training machine learning systems for seismic interpretation |
| US11500118B2 (en) | 2019-03-08 | 2022-11-15 | International Business Machines Corporation | Seismic data representation and comparison |
| US11434757B2 (en) | 2019-03-26 | 2022-09-06 | Exxonmobil Upstream Research Company | Direct hydrocarbon indicators analysis informed by machine learning processes |
| CN112114360A (zh) * | 2019-06-21 | 2020-12-22 | 中国石油天然气集团有限公司 | 一种地震波形分析方法及装置 |
| CN112444868B (zh) * | 2019-08-30 | 2024-04-09 | 中国石油化工股份有限公司 | 一种基于改进的k均值算法的地震相分析方法 |
| US11062439B2 (en) | 2019-09-24 | 2021-07-13 | Halliburton Energy Services, Inc. | Automating microfacies analysis of petrographic images |
| US20210182603A1 (en) * | 2019-12-05 | 2021-06-17 | Indian Institute Of Technology Delhi | Person identification and imposter detection using footfall generated seismic signals |
| US20230026857A1 (en) * | 2020-01-10 | 2023-01-26 | Schlumberger Technology Corporation | Subsurface property estimation in a seismic survey area with sparse well logs |
| US11796705B2 (en) * | 2020-04-07 | 2023-10-24 | Chevron U.S.A. Inc. | System and method for seismic inversion |
| CN113805235B (zh) * | 2020-06-11 | 2023-12-26 | 中国石油天然气股份有限公司 | 基于卷积神经网络的三维地震相识别方法及装置 |
| US11630224B2 (en) * | 2020-12-11 | 2023-04-18 | Landmark Graphics Corporation | Subsurface fluid-type likelihood using explainable machine learning |
| CN112819207B (zh) * | 2021-01-19 | 2024-02-06 | 武汉中地云申科技有限公司 | 基于相似性度量的地质灾害空间预测方法、系统及存储介质 |
| CN112799128B (zh) * | 2021-02-03 | 2021-10-22 | 北京航空航天大学 | 一种地震信号检测和震相提取的方法 |
| CN113156505B (zh) * | 2021-04-16 | 2022-04-01 | 成都理工大学 | 一种“基底构造-古地貌-地震相”三要素递进约束的断陷湖盆礁滩储层识别方法 |
| CN113281807B (zh) * | 2021-06-28 | 2023-10-03 | 中国地震局地球物理研究所 | 一种全类型地震数据的通用震相自动检测方法和系统 |
| CN113703045B (zh) * | 2021-08-27 | 2022-11-15 | 电子科技大学 | 一种基于轻量级网络的地震相识别方法 |
| CN114137610B (zh) * | 2021-11-24 | 2023-05-02 | 同济大学 | 联合监督和非监督学习的低勘探区地层和岩性地震评价方法 |
| US20230194738A1 (en) * | 2021-12-16 | 2023-06-22 | Landmark Graphics Corporation | Seismic navigation data quality analysis |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020042677A1 (en) * | 2000-09-29 | 2002-04-11 | West Brian P. | Method for seismic facies interpretation using textural analysis and neural networks |
| US6735526B1 (en) * | 1998-09-11 | 2004-05-11 | Den Norske Stats Oljeselskap A.S. | Method of combining directional seismic attributes using a supervised learning approach |
| CN105510970A (zh) * | 2016-01-28 | 2016-04-20 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 获取地震相最佳分类数目的方法 |
| US20160161635A1 (en) * | 2013-08-13 | 2016-06-09 | Landmark Graphics Corporation | A simulation-to-seismic workflow construed from core based rock typing and enhanced by rock replacement modeling |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6560540B2 (en) * | 2000-09-29 | 2003-05-06 | Exxonmobil Upstream Research Company | Method for mapping seismic attributes using neural networks |
| US6487502B1 (en) * | 2000-12-01 | 2002-11-26 | Rdsp I, L.P. | System for estimating the locations of shaley subsurface formations |
| US20060184488A1 (en) * | 2002-07-12 | 2006-08-17 | Chroma Energy, Inc. | Method and system for trace aligned and trace non-aligned pattern statistical calculation in seismic analysis |
| US20050288863A1 (en) * | 2002-07-12 | 2005-12-29 | Chroma Energy, Inc. | Method and system for utilizing string-length ratio in seismic analysis |
| US6901333B2 (en) * | 2003-10-27 | 2005-05-31 | Fugro N.V. | Method and device for the generation and application of anisotropic elastic parameters |
| GB2422012B (en) * | 2005-01-11 | 2008-09-10 | Statoil Asa | Method of seismic signal processing |
| FR2893421B1 (fr) * | 2005-11-14 | 2007-12-21 | Inst Francais Du Petrole | Methode d'evaluation quantitative des pressions de fluides et de detection des surpressions d'un milieu souterrain. |
| EP2395375A3 (en) * | 2006-06-21 | 2012-04-11 | Terraspark Geosciences, LLC | Extraction of depositional systems |
| US7769546B2 (en) | 2008-02-11 | 2010-08-03 | Chevron U.S.A. Inc. | Method for indexing a subsurface volume for the purpose of inferring geologic information |
| AU2010257595B2 (en) * | 2009-06-09 | 2013-12-05 | Shell Internationale Research Maatschappij B.V. | Method for analysing seismic data with attribute functions |
| US20130151161A1 (en) * | 2010-08-27 | 2013-06-13 | Matthias G. Imhof | Seismic Horizon Skeletonization |
| US9128204B2 (en) * | 2011-04-15 | 2015-09-08 | Exxonmobil Upstream Research Company | Shape-based metrics in reservoir characterization |
| CA2861830C (en) * | 2012-02-13 | 2015-05-05 | Exxonmobil Upstream Research Company | System and method for detection and classification of seismic terminations |
| US9542507B2 (en) * | 2012-02-23 | 2017-01-10 | Schlumberger Technology Corporation | Feature detection in seismic volumes |
| WO2015065602A1 (en) * | 2013-10-31 | 2015-05-07 | Exxonmobil Upstream Research Company | Automatic tracking of faults by slope decomposition |
| EP3209997A1 (en) * | 2014-10-23 | 2017-08-30 | Chevron U.S.A. Inc. | A system and method of pore type classification for petrophysical rock typing |
| US9581710B2 (en) * | 2014-10-24 | 2017-02-28 | Westerngeco L.L.C. | Three-dimensional rock properties using cross well seismic |
| EP3281045A1 (en) * | 2015-04-07 | 2018-02-14 | ENI S.p.A. | Method and system for the multimodal and multiscale analysis of geophysical data by transformation into musical attributes |
-
2017
- 2017-10-12 CA CA3038714A patent/CA3038714A1/en active Pending
- 2017-10-12 AU AU2017343749A patent/AU2017343749B2/en active Active
- 2017-10-12 US US15/730,814 patent/US10725189B2/en active Active
- 2017-10-12 CN CN201780063204.1A patent/CN109804274B/zh active Active
- 2017-10-12 EP EP17788069.7A patent/EP3526629B1/en active Active
- 2017-10-12 WO PCT/US2017/056282 patent/WO2018071632A1/en unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6735526B1 (en) * | 1998-09-11 | 2004-05-11 | Den Norske Stats Oljeselskap A.S. | Method of combining directional seismic attributes using a supervised learning approach |
| US20020042677A1 (en) * | 2000-09-29 | 2002-04-11 | West Brian P. | Method for seismic facies interpretation using textural analysis and neural networks |
| US20160161635A1 (en) * | 2013-08-13 | 2016-06-09 | Landmark Graphics Corporation | A simulation-to-seismic workflow construed from core based rock typing and enhanced by rock replacement modeling |
| CN105510970A (zh) * | 2016-01-28 | 2016-04-20 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 获取地震相最佳分类数目的方法 |
Non-Patent Citations (5)
| Title |
|---|
| A new technique for lithology and fluid content prediction from prestack data: An application to a carbonate reservoir;Kamal Hami-Eddine et al.;《Interpretation》;20120228;第SC23-SC24页 * |
| A visual data-mining methodology for seismic facies analysis: Part 1 — Testing and comparison with other unsupervised clustering methods;Iván Dimitri Marroquín et al.;《GEOPHYSICS》;20090228;第74卷(第1期);摘要、第P2-P10页 * |
| Anomaly detection using dynamic Neural Networks, classification of prestack data;Kamal Hami-Eddine et al.;《SEG Las Vegas 2012 Annual Meeting》;20121231;第1、3-4页，图5-6 * |
| Kamal Hami-Eddine et al..Anomaly detection using dynamic Neural Networks, classification of prestack data.《SEG Las Vegas 2012 Annual Meeting》.2012, * |
| Supervised learning to detect salt body;Pablo Guillen et al.;《SEG Technical program Expanded Abstracts 2015》;20151231;第1-3页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CA3038714A1 (en) | 2018-04-19 |
| US10725189B2 (en) | 2020-07-28 |
| WO2018071632A1 (en) | 2018-04-19 |
| AU2017343749B2 (en) | 2022-11-24 |
| CN109804274A (zh) | 2019-05-24 |
| US20180106917A1 (en) | 2018-04-19 |
| EP3526629A1 (en) | 2019-08-21 |
| AU2017343749A1 (en) | 2019-04-11 |
| EP3526629B1 (en) | 2020-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109804274B (zh) | 使用机器学习进行地震相识别的系统和方法 | |
| US11520077B2 (en) | Automated reservoir modeling using deep generative networks | |
| US10948618B2 (en) | System and method for automated seismic interpretation | |
| Chen et al. | Automatic waveform classification and arrival picking based on convolutional neural network | |
| US11693139B2 (en) | Automated seismic interpretation-guided inversion | |
| AlRegib et al. | Subsurface structure analysis using computational interpretation and learning: A visual signal processing perspective | |
| Di et al. | Multi-attribute k-means clustering for salt-boundary delineation from three-dimensional seismic data | |
| US20150355353A1 (en) | Detecting subsurface structures | |
| US20200292723A1 (en) | Method and Apparatus for Automatically Detecting Faults Using Deep Learning | |
| EP3830611B1 (en) | Detecting fluid types using petrophysical inversion | |
| AU2019346137B2 (en) | System and method for automated seismic interpretation | |
| US11169287B2 (en) | Method and system for automated velocity model updating using machine learning | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
| WO2014099200A1 (en) | Vector based geophysical modeling of subsurface volumes | |
| WO2022140717A1 (en) | Seismic embeddings for detecting subsurface hydrocarbon presence and geological features | |
| CA3177867A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
| Pintea et al. | Seismic inversion with deep learning: A proposal for litho-type classification | |
| US11754736B2 (en) | System and method for classifying seismic data by integrating petrophysical data | |
| US20210374465A1 (en) | Methodology for learning a similarity measure between geophysical objects | |
| EP4334758A1 (en) | Multi-task neural network for salt model building | |
| Udegbe | Pattern Recognition for Fractured Reservoir Characterization Using Subsurface Big Data | |
| US20190277990A1 (en) | System and method for improving resolution of digital seismic images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |