CN112400123A - 用于盐地震解译的级联式机器学习工作流 - Google Patents

用于盐地震解译的级联式机器学习工作流 Download PDF

Info

Publication number
CN112400123A
CN112400123A CN201980043045.8A CN201980043045A CN112400123A CN 112400123 A CN112400123 A CN 112400123A CN 201980043045 A CN201980043045 A CN 201980043045A CN 112400123 A CN112400123 A CN 112400123A
Authority
CN
China
Prior art keywords
seismic
slice
volume
salt
data
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.)
Granted
Application number
CN201980043045.8A
Other languages
English (en)
Other versions
CN112400123B (zh
Inventor
A·考尔
李岑
H·马尼亚
A·阿布巴卡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Schlumberger Technology Corp
Original Assignee
Schlumberger Technology Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Schlumberger Technology Corp filed Critical Schlumberger Technology Corp
Publication of CN112400123A publication Critical patent/CN112400123A/zh
Application granted granted Critical
Publication of CN112400123B publication Critical patent/CN112400123B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01V1/302—Analysis for determining seismic cross-sections or geostructures in 3D data cubes
    • 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
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • G01V1/40—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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/38—Seismology; Seismic or acoustic prospecting or detecting specially adapted for water-covered areas
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/12—Signal generation
    • G01V2210/123—Passive source, e.g. microseismics
    • G01V2210/1234—Hydrocarbon reservoir, e.g. spontaneous or induced fracturing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/64—Geostructures, e.g. in 3D data cubes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/66—Subsurface modeling
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/66—Subsurface modeling
    • G01V2210/667—Determining confidence or uncertainty in parameters

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)
  • Geophysics And Detection Of Objects (AREA)

Abstract

一种方法包括基于地震体的联络测线方向和所述地震体的主测线方向而确定所述地震体中的盐顶(TOS)表面。所述方法还包括基于所述TOS表面而确定二进制掩码。所述方法还包括对所述地震体中的地震数据进行采样以获得训练地震切片。所述方法还包括对所述二进制掩码进行采样以获得掩码切片。所述方法还包括在所述训练地震切片中选择第一坐标以产生第一瓦片。所述方法还包括在所述掩码切片中选择第二坐标以产生第二瓦片。所述方法还包括基于所述第一瓦片和所述第二瓦片而生成或更新所述地震体的模型。

Description

用于盐地震解译的级联式机器学习工作流
背景技术
本申请要求在2018年7月5日提交的美国临时专利申请号62/694,404的优先权，所述申请的全部内容以引用的方式并入本文。
背景技术
可使用稳健的地球模型来创建地层的高保真图像。通常，地球模型包括诸如盐(例如，岩盐)体和地震相的地质特征。勾画或解译这些地质特征可用于对盐速度进行建模。另外，地震解译可用于生成对油气勘测区域(例如，在地层上方的井场)的准确且在地质学上彻底的注释。
解译活动的示例包括地质体提取、断层解译、层位解译和盐解译。多个解译器可花费数月来解译层位以隔离盐体，并且目标是创建涵盖数千平方公里的准确的结构地球模型。这涉及在粗网格上选择层位。可反复此选择过程，直到表面满足地层内的预定准则为止。基础工作可能会随着盐边界的复杂性以及地震勘测的大小而变。因此，如将了解，此过程可以是费力的并且被解译器的视角和体验高度偏向。然而，盐底辟构造是有用的地质特征，因为此类构造充当碳氢化合物(例如，油气)的天然陷阱。
发明内容
一种方法包括基于地震体的联络测线方向和所述地震体的主测线方向而确定所述地震体中的盐顶(TOS)表面。所述方法还包括基于所述TOS表面而确定二进制掩码。所述方法还包括对地震体中的地震数据进行采样以获得训练地震切片。所述方法还包括对所述二进制掩码进行采样以获得掩码切片。所述方法还包括在训练地震切片中选择第一坐标以产生第一瓦片。所述方法还包括在掩码切片中选择第二坐标以产生第二瓦片。所述方法还包括基于所述第一瓦片和所述第二瓦片而生成或更新地震体的模型。
在另一实施方案中，所述方法包括基于地震体的联络测线方向和地震体的主测线方向而确定地震体中的盐顶(TOS)表面。所述方法还包括基于所述TOS表面而确定二进制掩码。所述方法还包括对地震体中的地震数据进行采样以获得训练地震切片。所述方法还包括对所述二进制掩码进行采样以获得掩码切片。所述方法还包括在训练地震切片中选择第一坐标以产生第一瓦片。所述方法还包括在掩码切片中选择第二坐标以产生第二瓦片。所述方法还包括基于所述第一瓦片和所述第二瓦片而生成或更新地震体的模型。所述方法还包括对地震体中的地震数据进行采样以获得评估地震切片。所述方法还包括基于评估地震切片中的地震数据而确定评估地震切片中的盐体的存在。所述方法还包括基于所述模型和所述评估地震切片而生成或更新三维(3D)矩阵。所述3D矩阵指示盐体的存在。
还公开了一种计算系统。所述计算系统包括一个或多个处理器以及存储器系统。所述存储器系统包括存储指令的一个或多个非暂时性计算机可读介质，所述指令在由所述一个或多个处理器中的至少一者执行时致使所述计算系统执行操作。所述操作包括基于地震体的联络测线方向和地震体的主测线方向而确定地震体中的盐顶(TOS)表面。所述操作还包括基于所述TOS表面而确定二进制掩码。所述二进制掩码包括二进制二维(2D)矩阵。所述操作还包括对地震体中至第一深度的地震数据进行采样以获得训练地震切片。所述操作还包括对所述二进制掩码进行采样以获得掩码切片。所述操作还包括在训练地震切片中选择第一坐标以产生第一瓦片。所述操作还包括在掩码切片中选择第二坐标以产生第二瓦片。所述操作还包括基于所述第一瓦片和所述第二瓦片而生成或更新地震体的模型。所述操作还包括对地震体中至第二深度的地震数据进行采样以获得评估地震切片。所述第二深度大于所述第一深度。所述操作还包括基于评估地震切片中的地震数据而确定评估地震切片中的盐体的存在。所述操作还包括基于所述模型和所述评估地震切片而生成或更新三维(3D)矩阵。所述3D矩阵指示盐体的存在。所述操作还包括从3D矩阵提取地质体。所述操作还包括从所述地质体提取表面。所述操作还包括基于3D矩阵、地质体、表面或它们的组合而确定地震体中的碳氢化合物的存在。
将了解，此概要仅仅希望介绍本发明的方法、系统和介质的一些方面，在下文更全面地描述和/或要求保护所述方面。因此，此概要无意具限制性。
附图说明
并入且构成本说明书的一部分的附图说明本教导的实施方案且连同描述内容一起用以解释本教导的原理。在图中：
图1A、图1B、图1C、图1D、图2、图3A和图3B绘示了根据一个实施方案的油田和其操作的简化的示意图。
图4A绘示了根据一个实施方案的基于联络测线/主测线的机器学习训练工作流的流程图。
图4B绘示了根据一个实施方案的基于联络测线/主测线的机器学习预测工作流的流程图。
图5A绘示了根据一个实施方案的通过地震解译器训练的模型。
图5B绘示了根据一个实施方案的在地震勘测的联络测线方向和主测线方向上训练的模型，其中侧翼被较差地捕获并且所得的所预测的表面是不连续的。
图6绘示了根据一个实施方案的用以提高盐体检测精度并减少错误否定的基于机器学习的程序的示意图。
图7A绘示了根据一个实施方案的包括联络测线方向和主测线方向上的密集标记的图像，所述密集标记导致当沿着深度切片观看时的密集盐体。
图7B绘示了根据一个实施方案的包括跨越联络测线方向和主测线方向的稀疏标记的图像。
图8A绘示了根据一个实施方案的示出联络测线方向的振幅分布的图像。
图8B绘示了根据一个实施方案的示出主测线方向的振幅分布的图像。
图8C绘示了根据一个实施方案的示出在深度方向上获得的深度切片的振幅的图像。
图9绘示了根据一个实施方案的用于训练机器学习(ML)模型的方法的流程图。
图10绘示了根据一个实施方案的用于定位地震体中的碳氢化合物(例如，使用来自图9的训练过的ML模型)的方法的流程图。
图11A绘示了根据一个实施方案的通过解译器选择的盐顶的图像。
图11B绘示了根据一个实施方案的具有使用机器学习算法选择的盐顶的图11A的图像，所述机器学习算法考虑了来自联络测线方向和主测线方向的信息。
图11C绘示了根据一个实施方案的具有基于地震数据的正交方向而选择的盐顶的图11A的图像。
图12绘示了根据一个实施方案的用于执行本文公开的方法中的一者或多者的计算系统的示意图。
具体实施方式
现在将详细参考实施方案，在附图中说明所述实施方案的示例。在以下详细描述中，陈述众多具体细节以便提供对本发明的透彻理解。然而，本领域技术人员将明白，可在没有这些具体细节的情况下实践本发明。在其他例子中，未详细描述众所周知的方法、程序、部件、电路和网络，以便不没有必要地混淆实施方案的各方面。
还将理解，尽管术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不应受这些术语限制。这些术语仅用于将一个元件与另一元件区分开。举例来说，在不脱离本发明的范围的情况下，可将第一对象称为第二对象，并且类似地，可将第二对象称为第一对象。所述第一对象和所述第二对象分别都是对象，但不应将它们视为同一对象。
本文中用于本发明的描述中的术语是出于仅描述特定实施方案的目的，且无意限制本发明。如本发明和所附权利要求书的描述中所使用，单数形式“一”和“所述”意在也包括复数形式，除非上下文另有清楚指示。还将理解，如本文使用的术语“和/或”是指且涵盖相关联的所列项目中的一者或多者的任何可能的组合。将进一步理解，术语“包括(includes)”、“包括(including)”、“包括(comprises)”和/或“包括(comprising)”当用于本说明书中时指定所陈述的特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或多个其他特征、整数、步骤、操作、元件、部件和/或其群组的存在或添加。此外，如本文使用，术语“在……的情况下”可理解为是指“在……时”或“在……后即刻”或“响应于确定”或“响应于检测”，这取决于上下文。
现在将注意力转向根据一些实施方案的处理程序、方法、技术和工作流。本文公开的处理程序、方法、技术和工作流中的一些操作可经过组合且/或可改变一些操作的次序。
图1A-图1D绘示了根据本文描述的各种技术和技艺的实现方式的油田100的简化示意图，所述油田具有地层102，在所述地层中含有储层104。图1A绘示了通过诸如地震车106.1的勘测工具来执行勘测操作以测量地层的性质。所述勘测操作是用于产生声音振动的地震勘测操作。在图1A中，一种此类声音振动，例如由来源110生成的声音振动112，反射离开地层116中的层位114。通过位于地球表面上的传感器(诸如地震检波器-接收器118)接收一组声音振动。提供所接收的数据120作为地震车106.1的计算机122.1的输入数据，并且响应于所述输入数据，计算机122.1生成地震数据输出124。可存储、传输此地震数据输出，或者在需要时例如通过数据简化来进一步处理所述地震数据输出。
图1B绘示通过钻井工具106.2执行钻井操作，所述钻井工具由钻机128悬置并且前移到地层102中以形成井筒136。使用泥浆池130经由流线132将钻井泥浆抽吸到钻井工具中，以便使钻井泥浆向下循环通过钻井工具，随后沿着井筒136向上并且回到地面。钻井泥浆通常被过滤并且返回到泥浆池。可使用循环系统来存储、控制流动的钻井泥浆或者对流动的钻井泥浆进行过滤。使钻井工具前移到地层102中以到达储层104。每个井可对准一个或多个储层。钻井工具适于使用随钻测井工具来测量井下性质。随钻测井工具也可适于取得如所示的芯样本133。
计算机设施可位于油田100周围的各个位置(例如，地面单元134)和/或远程位置。地面单元134可用于与钻井工具和/或场外操作以及其他地面或井下传感器通信。地面单元134能够与钻井工具通信以向钻井工具发送命令，并且从钻井工具接收数据。地面单元134还可收集在钻井操作期间生成的数据并且产生数据输出135，随后可存储或传输所述数据输出。
诸如计量表的传感器(S)可位于油田100周围以收集与如先前描述的各种油田作业相关的数据。如图示，传感器(S)位于钻井工具中的一个或多个位置和/或钻机128处以测量钻井参数，诸如钻压、钻头上的扭矩、压力、温度、流速、组成、旋转速度和/或矿田作业的其他参数。传感器(S)还可位于循环系统中的一个或多个位置。
钻井工具106.2可包括在钻头附近(例如，在从钻头起的若干钻环长度内)的一般参考的井底钻具组件(BHA)(未示出)。井底钻具组件包括用于测量、处理和存储信息以及与地面单元134通信的能力。井底钻具组件还包括用于执行各种其他测量功能的钻环。
井底钻具组件可包括与地面单元134通信的通信子组件。所述通信子组件适于使用诸如泥浆脉冲遥测、电磁遥测技术或有线钻杆通信的通信信道向地面发送信号以及从地面接收信号。所述通信子组件可包括(例如)传输器，所述传输器生成表示所测量的钻井参数的诸如声学信号或电磁信号的信号。本领域技术人员将了解，可采用多种遥测系统，诸如有线钻杆、电磁或其他已知的遥测系统。
通常，根据在钻井之前建立的钻井计划来钻出井筒。所述钻井计划通常陈述了限定井场的钻井过程的装备、压力、轨迹和/或其他参数。随后可根据所述钻井计划来执行钻井操作。然而，当搜集信息时，钻井操作可能需要偏离钻井计划。另外，当执行钻井或其他操作时，地下条件可能会改变。地球模型在收集到新的信息时也可能需要调整。
可通过地面单元134和/或其他数据收集源来收集由传感器(S)搜集的数据以便进行分析或其他处理。可单独地使用或者与其他数据组合地使用由传感器(S)收集的数据。可在一个或多个数据库中收集数据和/或就地或在场外传输所述数据。所述数据可以是历史数据、实时数据或它们的组合。可实时地使用实时数据，或者存储所述实时数据以供稍后使用。所述数据还可与历史数据或其他输入组合以供进一步分析。可将所述数据存储在单独的数据库中，或者组合为单个数据库。
地面单元134可包括收发器137，以允许在地面单元134与油田100的各个部分或其他位置之间的通信。地面单元134还可具备用于油田100处的致动机构的一个或多个控制器(未示出)，或者在功能上连接到所述一个或多个控制器。地面单元134随后可响应于所接收的数据而向油田100发送命令信号。地面单元134可经由收发器137接收命令或者可自身执行去往控制器的命令。可提供处理器来分析数据(在本地或远程地)、作出决策和/或致动控制器。以此方式，可基于所收集的数据选择性地调整油田100。此技术可用于优化(或改进)矿田作业的部分，诸如控制钻井、钻压、泵速率或其他参数。可基于计算机协议自动地和/或通过操作员手动地作出这些调整。在一些情况下，可调整井计划以选择最佳(或改善)的工况或者避免问题。
图1C绘示了通过测井电缆工具106.3执行测井电缆操作，所述测井电缆工具由钻机128悬置并且进入图1B的井筒136中。测井电缆工具106.3适于部署到井筒136中以用于生成测井曲线、执行井下测试和/或收集样本。测井电缆工具106.3可用于提供用于执行地震勘测操作的另一方法和设备。测井电缆工具106.3可以是(例如)爆炸性、放射性、电气或声学能量源144，其向周围的地层102和其中的流体发送电信号和/或接收电信号。
测井电缆工具106.3可操作性地连接到(例如)图1A的地震车106.1的地震检波器118和计算机122.1。测井电缆工具106.3还可向地面单元134提供数据。地面单元134可收集在测井电缆操作期间生成的数据并且可以产生数据输出135，可存储或传输所述数据输出。测井电缆工具106.3可位于井筒136中的各个深度处，以提供与地层102相关的勘测或其他信息。
诸如计量表的传感器(S)可位于油田100周围以收集与如先前描述的各种现场操作相关的数据。如图示，传感器S位于测井电缆工具106.3中以测量井下参数，所述井下参数涉及(例如)孔隙率、渗透性、流体组成和/或矿田作业的其他参数。
图1D绘示了通过生产工具106.4执行生产操作，所述生产工具是从生产单元或采油树129部署并且进入建成的井筒136中，以用于从井下储层将流体抽吸到地面设施142中。流体从储层104流过壳体(未示出)中的穿孔并且流入井筒136中的生产工具106.4中并且经由搜集网络146流动到地面设施142。
诸如计量表的传感器(S)可位于油田100周围以收集与如先前描述的各种矿田作业相关的数据。如图示，传感器(S)可位于生产工具106.4或诸如采油树129、搜集网络146、地面设施142和/或生产设施的相关联的装备中，以测量流体参数，诸如流体组成、流速、压力、温度和/或生产操作的其他参数。
生产还可包括用于进行额外的回收的注水井。一个或多个搜集设施可操作性地连接到井场中的一者或多者，以用于从井场选择性地收集井下流体。
虽然图1B-图1D绘示了用于测量油田的性质的工具，但将了解，可结合诸如气田、矿山、蓄水层、存储或其他地下设施的非油田作业来使用所述工具。而且，虽然描绘了特定的数据采集工具，但将了解，可使用能够感测地层和/或其地质构造的参数的各种测量工具，所述参数诸如为地震双向行进时间、密度、电阻率、产率等。各种传感器(S)可位于沿着井筒和/或监测工具的各个位置以收集和/或监测所要的数据。还可从场外位置提供其他数据源。
图1A-图1D的矿田配置意在提供对可用于油田应用框架的矿田的示例的简要描述。油田100的部分或整体可在陆地上、水面上和/或海洋上。而且，虽然描绘了在单个位置处测量的单个田，但可与一个或多个油田、一个或多个处理设施和一个或多个井场的任何组合一起利用油田应用。
图2绘示了根据本文描述的各种技术和技艺的实现方式的油田200的部分横截面的示意图，所述油田具有位于沿着油田200的各个位置以用于收集地层204的数据的数据采集工具202.1、202.2、202.3和202.4。数据采集工具202.1-202.4可分别与图1A-图1D的数据采集工具106.1-106.4相同，或者未描绘其他数据采集工具。如图示，数据采集工具202.1-202.4分别生成数据曲线图或测量结果208.1-208.4。沿着油田200描绘这些数据曲线图以演示通过各种操作生成的数据。
数据曲线图208.1-208.3是可分别由数据采集工具202.1-202.3生成的静态数据曲线图的示例；然而，应理解，数据曲线图208.1-208.3还可以是实时更新的数据曲线图。可分析这些测量结果以更好地限定地层的性质和/或确定测量结果的精度和/或用于检查错误。可对相应的测量结果中的每一者的曲线图进行对准和缩放，以便比较和验证所述性质。
静态数据曲线图208.1是在一段时期内的地震双向响应。静态曲线图208.2是从地层204的芯样本测得的芯样本数据。所述芯样本可用于提供数据，诸如在所述芯的长度上的芯样本的密度、孔隙率、渗透性或某一其他物理性质的曲线图。可在不同的压力和温度下对芯中的流体执行密度和粘度测试。静态数据曲线图208.3是通常提供在各种深度处的地层的电阻率或其他测量结果的测井迹线。
产量递减曲线或曲线图208.4是流体流动速率随时间的动态数据曲线图。产量递减曲线通常提供随时间而变的产率。在流体流过井筒时，进行对诸如流速、压力、组成等流体性质的测量。
还可收集其他数据，诸如历史数据、用户输入、经济信息和/或所关注的其他测量数据和其他参数。如下文所描述，可分析和使用静态和动态测量结果以生成地层模型来确定其特性。还可使用类似的测量来测量地层方面随时间的变化。
地下结构204具有多个地质结构206.1-206.4。如图示，此结构具有若干地层或层，包括页岩层206.1、碳酸盐层206.2、页岩层206.3和砂层206.4。断层207延伸穿过页岩层206.1和碳酸盐层206.2。静态数据采集工具适于进行测量以及检测地层的特性。
虽然描绘了具有特定地质结构的特定地层，但将了解，油田200可包含多种地质结构和/或地层，有时具有极端的复杂性。在一些位置，通常在水线以下的位置，流体可能会占据地层的孔隙空间。可使用测量装置中的每一者来测量地层的性质和/或其地质特征。虽然每个采集工具被示出为处于油田200中的特定位置，但将了解，可在跨越一个或多个矿田的一个或多个位置或其他位置处进行一种或多种类型的测量以便进行比较和/或分析。
随后可处理和/或评估从各种来源(诸如图2的数据采集工具)收集的数据。通常，地球物理学家使用来自数据采集工具202.1的以静态数据曲线图208.1显示的地震数据来确定地层的特性和特征。地质学家通常使用在静态曲线图208.2中示出的核心数据和/或来自测井曲线208.3的测井数据来确定地层的各种特性。油藏工程师通常使用来自曲线图208.4的生产数据来确定流体流储层特性。可使用建模技术来分析由地质学家、地球物理学家和油藏工程师分析的数据。
图3A绘示了根据本文描述的各种技术和技艺的实现方式的用于执行生产操作的油田300。如图示，所述油田具有操作性地连接到中央处理设施354的多个井场302。图3A的油田配置无意限制油田应用系统的范围。所述油田的部分或全部可在陆地上和/或海洋上。而且，虽然描绘了具有单个处理设施和多个井场的单个油田，但可存在一个或多个油田、一个或多个处理设施和一个或多个井场的任何组合。
每个井场302具有形成进入地球的井筒336的装备。所述井筒延伸穿过包括储层304的地层306。这些储层304包含流体，诸如碳氢化合物。井场从储层抽吸流体并且经由地面网络344将所述流体传递到处理设施。地面网络344具有用于控制流体从井场流动到处理设施354的导管和控制机构。
现在将注意力转向图3B，所述图绘示了根据本文描述的各种技术的一种或多种实现方式的对地下地表下岩石362的基于海洋的勘测360的侧视图。地表下岩石362包括海底表面364。地震源366可包括海洋源，诸如可控震源或气枪，所述海洋源可在较长时间内或在由脉冲源提供的几乎即时的能量下将地震波368(例如，能量信号)传播到地球中。海洋源可将地震波作为频率扫掠信号进行传播。例如，可控震源类型的海洋源可起初在低频率(例如，5Hz)下发射地震波并且随时间将所述地震波增加到高频率(例如，80Hz-90Hz)。
海底表面364(即，反射器)可反射和转化地震波368的分量，并且地震波反射370可被多个地震接收器372接收。地震接收器372可设置在多根拖缆(即，拖缆阵列374)上。地震接收器372可生成表示所接收的地震波反射370的电信号。电信号可嵌入有关于地表下岩石362的信息并且被捕获为地震数据的记录。
在一个实现方式中，每根拖缆可包括未在本申请中绘示的拖缆操纵装置，诸如鸟、导流器、尾浮标等。可使用拖缆操纵装置根据本文描述的技术来控制拖缆的位置。
在一个实现方式中，地震波反射370可向上行进并且到达水表面376处的水/空气界面，反射370的一部分随后可再次向下反射(即，海面鬼波378)并且被多个地震接收器372接收。海面鬼波378可称为表面多次波。水表面376上的在其处向下反射波的点一般称为向下反射点。
可经由传输缆线、无线通信等将电信号传输到船只380。船只380随后可将电信号传输到数据处理中心。可替代地，船只380可包括能够处理电信号(即，地震数据)的机载计算机。受益于本公开的本领域技术人员将了解，此说明是高度理想化的。例如，勘测可以针对在表面下方较深的地层。地层通常可包括多个反射器，所述多个反射器中的一些反射器可包括下降事件，并且可生成多个反射(包括波转化)以供地震接收器372接收。在一个实现方式中，可处理地震数据以生成地表下岩石362的地震图像。
海洋地震采集系统以相同的深度(例如，5m-10m)拖拽拖缆阵列374中的每根拖缆。然而，基于海洋的勘测360可以不同的深度拖拽拖缆阵列374中的每根拖缆，使得可通过避免由于海面鬼波引起的相消干涉效应的方式获取和处理地震数据。例如，图3B的基于海洋的勘测360绘示了通过船只380以八个不同的深度拖拽的八根拖缆。可使用设置在每根拖缆上的鸟来控制和维持每根拖缆的深度。
本公开可使用基于机器学习(ML)的工作流来识别和勾画盐体和其边界。地球模型构建工作流可始于对地震勘测版本的盐顶(TOS)解译，紧接着是对在迁移的盐速度已经知晓所述TOS之后所获得的同一地震勘测的不同版本的盐基(BOS)解译。在解译TOS和BOS时，地震勘测的图像可显得更清楚，解译TOS和BOS可突出在以一种或多种迁移充满盐速度之前隐藏的地震事件。
解译盐顶和盐基层位的一种方式可包括通过来自数据的最小提示作出预测。换句话说，用户可尽可能少地采取/使用来自即将到来的地震体的示例。另外，可使用来自三个正交方向(例如，联络测线、主测线和深度)的信息，而不是仅使用两个方向(联络测线和主测线)。
从根本上讲，ML模型的目的是模仿地震解译器所遵循的解译工作流。对于地震解译，可使用支配性正交方向(即，联络测线和主测线)来识别辅助边界检测的特征。
图4A绘示了根据一个实施方案的基于联络测线/主测线的ML训练工作流的流程图400。如图示，在402处可接收地震数据。所述地震数据可呈具有主测线方向、联络测线方向和深度方向的原始地震ZGY立方体的形式。随后在404处可从地震数据的立方体获得一个或多个联络测线切片。在406处还可从地震数据的立方体获得一个或多个主测线切片。在至少一个实施方案中，在408处可对联络测线切片和主测线切片进行组合或求和以产生地震TOS标签对的N个训练示例的样本。在410处可至少部分地基于N个训练示例的样本来生成或更新一个或多个模型。
图4B绘示了根据一个实施方案的基于联络测线/主测线的ML预测工作流的流程图420。在422处可至少部分地基于模型(来自410)在主测线方向上预测地震数据的立方体。在424处还可至少部分地基于模型(来自410)在联络测线方向上预测地震数据的立方体。可对在主测线方向和联络测线方向上的地震数据的立方体进行组合或融合。随后在426处可至少部分地基于融合预测而生成TOS标记和/或BOS标记的概率立方体。随后在428处可应用概率立方体上的阈值以生成二进制立方体，其中(例如)1＝盐；0＝非盐。
在图4A和/或图4B中，解译器可沿着联络测线方向和主测线方向选择盐，因为这在视觉上准许确定盐边界的范围。另外，可能不存在允许地球物理学家在地震立方体的深度的方向上进行解译的工具。
图5A绘示了被地震解译器训练过的模型500，并且图5B绘示了根据一个实施方案的在联络测线方向和主测线方向上训练过的模型550。更具体地，模型550在地震勘测的联络测线方向和主测线方向上被训练过，其中盐侧翼被较差地捕获，并且所得的所预测的表面可能是碎片化和不完整的。根据联络测线方向和主测线方向学习的ML模型可能被约束于在存在强烈出现的地震盐顶/盐基事件的情况下预测TOS和BOS层位。当几乎不存在地震振幅的证据或弱信号时，所述模型在未被调谐或不具有处置在视觉上不大明显的那些特征的能力的情况下可能不触发选择。根据一些地震解译器，选择盐峰比选择侧翼更容易，因为水平表面处的照明高于其他位置。使用声学迁移的一些地震成像技术将能量视为噪声，这可能会误导解译器。盐体的陡峭侧的固有几何形状可导致较差的成像。为了对此进行弥补，可使用深度方向来学习勾画盐体并且因此勾画整个盐层位。
当存在通过经由对小的3D子体积的地震数据进行训练来学习3D背景来解决所造成的问题的方式时，这可涉及地震解译器耗费精力来分析多条联络测线和主测线，并且可证明是计算上密集的。本文公开的方法的一些实施方案(包括3D信息)可转变为3D卷积。
ML程序可并入来自三个方向的地震信息，即，联络测线切片、主测线切片和深度切片。图6绘示了根据一个实施方案的用于检测盐体的基于ML的程序600的示意图。可按照两个部分(训练部分和预测/评估部分)执行程序600。训练部分可包括连结多个ML块，以使用从模型的多次迭代进行的预测作为深度模型的地面实况来细化地震体中的盐的预测。预测/评估部分可包括使用从同一地震体获得的信息作为预测部分。然而，预测评估部分可涉及附加的维度和/或角度，如在下文更详细地描述。
使用深度切片进行互补式ML构建
图7A绘示了包括联络测线方向和主测线方向上的密集标记的图像700，所述密集标记导致当沿着深度切片观看时的密集盐体，并且图7B绘示了根据一个实施方案的包括跨越联络测线方向和主测线方向的稀疏标记的图像750，所述稀疏标记导入可在网格中看到的点。如本文使用，“密集标记”是指作为贯穿地震立方体进行的地震解译的结果的水密表面，并且“稀疏标记”是指作为跨越地震立方体稀疏地进行的地震解译的结果的碎片化表面。如果沿着联络测线方向和主测线方向密集地作出表面的解译(如图7A中所示)，则可观看沿着深度切片的盐的范围。如果稀疏地挑选联络测线标记和主测线标记，则沿着深度切片的盐的范围可给予不完整的表面，如图7B中所示。这意味着如图7B中所示使用联络测线和主测线中的稀疏解译的线来构建将要在沿着地震勘测的深度的样本上训练的监督型ML模型可能没有建设性，因为非常少的地震单元将被视为在深度中看到的盐体的部分。因此，可使用密集标记的联络测线/主测线区段，这产生连续的盐层位表面，从而适合于将要在沿着勘测的深度方向的样本上训练的ML模型。
然而，如上文所述，为了并入连续的深度截面信息，用户可能会从根据使用联络测线和主测线训练数据而构建的ML模型进行预测的伪深度表面提取深度切片。为此，可将所提出的工作流的第二部分(在图6中)制定为基于盐体的方法(例如，盐被视为一种类别，并且沉积物被视为另一类别)，这与使用边界检测执行的第一部分(在图6中)形成对比。
深度方向可提供从联络测线方向和主测线方向可能不明显但从不同的角度可显而易见的编码信息。联络测线/主测线地震区段的振幅分布和特性可不同于在深度的方向上获得的切片的振幅分布和特性。
图8A绘示了根据一个实施方案的示出联络测线切片(例如，在联络测线方向上)的振幅分布的图像800，图8B绘示了根据一个实施方案的示出主测线切片(例如，在主测线方向上)的振幅分布的图像810，并且图8C绘示了根据一个实施方案的示出深度切片(例如，在深度方向上)的振幅分布的图像820。如图示，联络测线/主测线切片的振幅分布不同于深度切片的振幅分布。
通过使用诸如最大熵(例如，编码信息中的无序)、矩阵内的振幅值的一阶矩、二阶矩和三阶矩、振幅直方图以及诸如色彩、纹理和梯度量值的特征的联合直方图等量度，用户可观察到由联络测线/主测线地震区段和深度切片提供的信息方面的差异。
图9绘示了根据一个实施方案的用于训练ML模型的方法900的流程图。方法900可包括在902处训练地震体的第一模型。所述第一模型可以是或包括地震体中的TOS表面的监督型ML模型。所述第一模型可使用来自地震体的联络测线方向和/或主测线方向的所测量或所接收的数据来训练。所述数据可以是或包括地震体的联络测线切片和/或主测线切片。所述地震体可以是或包括立方体(例如，地震立方体)。
方法900还可包括在904处基于地震体的联络测线方向和主测线方向来确定TOS表面(例如，切片)。方法900还可包括在906处至少部分地基于所述TOS表面来确定二进制掩码。二进制掩码可以指与地震体的地震深度切片的尺寸相同尺寸的二维矩阵，其中所述矩阵中的每个点处的值在0与1之间，其中值越高指示盐概率越高。方法900还可包括在908处初始化训练数据(例如，针对第一模型)。所述训练数据可以是或包括多对。对于每对，一个部分是地震，并且另一部分是对应的掩码，如在下文更详细地描述。
方法900还可包括在910处确定地震体中的某一深度，所预测的盐表面在所述深度以上具有预定水平的清晰度和/或精度。将了解，清晰度和/或精度水平可与所述深度成反比(即，清晰度和/或精度随着深度增加而减小)。
方法900还可包括在912处在所述深度的第一(例如，向下)方向上对地震体中的地震数据进行采样以获得训练地震切片。方法900还可包括在914处预处理所述训练地震切片。预处理所述训练地震切片可包括：从训练地震切片移除离群值；将训练地震切片归一化；对训练地震切片执行对数归一化；或它们的组合。
方法900还可包括在916处在所述深度的第一(例如，向下)方向上对二进制掩码进行采样以获得掩码切片。如本文使用，“掩码切片”是指二进制掩码的切片。方法900还可包括在918处在训练地震切片中选择第一坐标(例如，像素)以产生第一瓦片。方法900还可包括在920处在掩码切片中选择第二坐标(例如，像素)以产生第二瓦片。第一坐标(例如，来自918)和第二坐标(来自920)的X值和Y值可相同。例如，如果训练地震切片中的第一坐标具有为10的X值和为20的Y值，则掩码切片中的第二坐标可具有为10的X值和为20的Y值。第一坐标和第二坐标可限定/产生一对(例如，类似于以上在908处的训练数据中的对)。
方法900还可包括在922处对第一瓦片和第二瓦片执行一次或多次第一递归。例如，第一递归可从为1的X值到为300的X值以及从为1的Y值到为300的Y值。这可产生多对坐标。
方法900还可包括在924处使用第一瓦片和/或第二瓦片来更新训练数据(来自以上908)以产生经更新的训练数据。方法900还可包括在926处对训练地震切片和/或掩码切片执行一次或多次第二递归。所述第二递归可从为1的深度值到为D的深度值，其中D表示所预测的盐表面在其处具有预定水平的清晰度和/或精度的深度(来自以上910)。方法900还可包括在928处使用经更新的训练数据来训练地震体的第二模型。所述第二模型可以是或包括地震体的TOS表面的监督型ML模型。在至少一个实施方案中，所述第二模型可以是第一模型的经更新的版本。
在方法900中，为了训练第二模型，可不从地震体(例如，地震立方体)的顶部到底部对地震数据(例如，深度切片)进行采样。而是，可于在910处确定的深度以上的地震立方体(例如，在地震体的上半部分中)的良好成像的部分的所预测的标记上训练工作流。之所以这么做是因为在通过将声学信号射入地球中所获取的地震数据中，信噪比随着深度增加而降低。不是在910处确定的深度以下的盐的区域(例如，在主要由海洋底部组成的地震体的下半部分中的部分)的大量训练数据也可用于将第二模型体系化。所述第二模型可甚至在地震体的其中沉积物与岩盐充分混合的最模糊的部分中预测盐体，继而预测盐体而不仅仅是表面。此工作流假设可改进通过沿着联络测线和主测线进行训练而生成的表面。
图10绘示了根据一个实施方案的用于定位地震体中的碳氢化合物的方法1000的流程图。方法1000可建立在方法900之上。方法1000可包括在1002处接收或加载地震体的第二模型(来自以上928)。
方法1000还可包括在1004处至少部分地基于所述第二模型而初始化勘测几何形状的3D矩阵。这可包括生成与所述第二模型和/或所述地震体相对应的空3D矩阵。例如，所述3D矩阵可具有与所述第二模型和/或所述地震体相同的几何形状(例如，大小和/或形状)。因此，3D矩阵可具有联络测线维度、主测线维度和深度维度。
方法1000还可包括在1006处在深度的第一(例如，向下)方向上对地震体(或第二模型)的评估地震切片中的地震数据进行采样。虽然在这里可在第一(例如，向下)方向上从地震体的顶部到以上912中的所确定的深度对深度进行采样，但可更深地对深度进行采样。例如，可从地震体的顶部到地震体的底部对这里的深度进行采样，其中所确定的深度在所述顶部与所述底部之间。
方法1000还可包括在1008处基于所采样的地震数据来预测评估地震切片中的盐体的存在。方法1000还可包括在1010处基于盐体的所预测的存在来更新3D矩阵。
方法1000还可包括在1012处对地震体的附加的评估地震切片执行递归以预测所述附加的评估地震切片中的盐体的存在，并且基于所述预测来更新勘测几何形状的3D矩阵。换句话说，可在地震体的附加的评估地震切片上(例如，反复地)重复1006、1008和1010，直到已经完成地震体为止。
方法1000还可包括在1014处从3D矩阵识别或提取一个或多个地质体。如本文使用，“地质体”是指地震体中的地质元素，诸如盐(例如，岩盐主体)、地震相等。方法1000还可包括在1016处从每个地质体识别或提取一个或多个表面。
方法1000还可包括在1018处确定地震体中的碳氢化合物的量和/或位置。可基于所述3D矩阵、所述一个或多个地质体和/或所述表面来确定所述量和/或位置。
因此，所述模型可对沿着地震体(例如，地震立方体)的深度的每个切片作出预测，所述切片随后堆叠在其他切片的顶部上以形成二进制立方体(例如，1＝盐；0＝非盐)。从二进制立方体提取的地质体可由地震解译器用来理解勘测区域中的盐的一般分布，并且可由任何地震解译工具消费并进行后处理以从地质体提取任何表面、盐顶或盐基。
图11A、图11B和图11C绘示了地层的同一部分的图像。对于TOS解译的情况，可使用图11A-图11C来绘示以上方法900、1000。在图11A中的图像1100中，解译器手动地选择盐顶。在图11B中的图像1110中，使用考虑到来自联络测线方向和主测线方向(例如，不是深度方向)的信息的ML算法来预测盐顶。在图11C中的图像1120中，至少部分地基于地震数据的正交方向(例如，联络测线方向、主测线方向和深度方向)来预测盐顶。在图11C中识别的盐顶提供了比可仅从联络测线方向和主测线方向得到的信息更多的信息。
在一些实施方案中，本公开的方法中的任一者可由计算系统执行。图12绘示了根据一些实施方案的此类计算系统1200的示例。计算系统1200可包括计算机或计算机系统1201A，其可以是单独的计算机系统1201A或分布式计算机系统的布置。计算机系统1201A包括一个或多个分析模块1202，所述一个或多个分析模块被配置为执行根据一些实施方案的各种任务，诸如本文公开的一种或多种方法。为了执行这些各种任务，分析模块1202独立地执行或者与连接到一个或多个存储介质1206的一个或多个处理器1204协调地执行。处理器1204还连接到网络接口1209以允许计算机系统1201A在数据网络1209上与一个或多个附加的计算机系统和/或计算系统(诸如1201B、1201C和/或1201D)通信(请注意，计算机系统1201B、1201C和/或1201D可与或可不与计算机系统1201A共享相同的架构，并且可位于不同的物理位置，例如，计算机系统1201A和1201B可位于处理设施中，同时与位于一个或多个数据中心中和/或位于不同大陆上的不同国家中的诸如1201C和/或1201D的一个或多个计算机系统通信)。
处理器可包括微处理器、微控制器、处理器模块或子系统、可编程集成电路、可编程门阵列或另一控制或计算装置。
可将存储介质1206实施为一个或多个计算机可读或机器可读存储介质。应注意，虽然在图12的示例性实施方案中将存储介质1206描绘为在计算机系统1201A内，但在一些实施方案中，存储介质1206可分布在计算系统1201A和/或附加的计算系统的多个内部和/或外部圈占空间内和/或跨越所述多个内部和/或外部圈占空间而分布。存储介质1206可包括一种或多种不同形式的存储器，包括：半导体存储器装置，诸如动态或静态随机存取存储器(DRAM或SRAM)、可擦除和可编程只读存储器(EPROM)、电可擦除和可编程只读存储器(EEPROM)以及快闪存储器；磁盘，诸如固定盘、软盘和可移除盘；其他磁性介质，包括胶带、光学介质，诸如高密度磁盘(CD)或数字视频盘(DVD)、
Figure BDA0002859701000000211
盘，或其他类型的光学存储装置；或其他类型的存储装置。应注意，可在计算机可读或机器可读存储介质上提供上文论述的指令，或可替代地可在分布在可能具有多个节点的大系统中的多个计算机可读或机器可读存储介质上提供上文论述的指令。此类计算机可读或机器可读存储介质被视为物品(或制品)的部分。物品或制品可以是指任何制造的单个部件或多个部件。存储介质可位于运行机器可读指令的机器中，或位于可经由网络从其下载用于执行的机器可读指令的远程站点处。
在一些实施方案中，计算系统1200包含一个或多个盐地震解译模块1208。在计算系统1200的示例中，计算机系统1201A包括盐地震解译模块1208。在一些实施方案中，可使用单个盐地震解译模块来执行所述方法的一个或多个实施方案的一些或所有方面。在替代性实施方案中，可使用多个盐地震解译模块来执行方法的一些或所有方面。
应了解，计算系统1200仅是计算系统的一个示例，并且计算系统1200可具有比所示出的部件更多或更少的部件、可组合未在图12的示例性实施方案中描绘的附加的部件，且/或计算系统1200可具有与图12中描绘的部件不同的配置或布置。在图12中示出的各种部件可通过硬件、软件或硬件和软件两者的组合来实施，包括一个或多个信号处理和/或专用集成电路。
此外，本文描述的处理方法中的步骤可通过在诸如通用处理器或专用芯片的信息处理设备中运行一个或多个功能模块而实施，所述专用芯片诸如为ASIC、FPGA、PLD或其他适当的装置。这些模块、这些模块的组合，和/或它们与一般硬件的组合全部包括于本发明的保护范围内。
可通过迭代的方式细化地质解译、模型和/或其他解译辅助；此概念适用于本文论述的本发明的方法的实施方案。这可包括诸如在计算装置(例如，图12的计算系统1200)处使用基于算法而执行的反馈回路和/或通过用户进行手动控制，所述用户可确定给定的步骤、动作、模板、模型或一组曲线是否已经变得充分准确来评估所考虑的地表下岩石三维地质地层。
出于阐释的目的，已参考特定实施方案描述了前述描述。然而，以上说明性论述无意为详尽的或将本发明限于所公开的精确形式。鉴于以上教导，许多修改和变化都是可能的。另外，说明和描述所述方法的元素的次序可重新布置，且/或两个或更多个元素可同时发生。选择和描述所述实施方案以便最佳地解释本发明的原则及其实际应用，借此使本领域技术人员能够最佳地利用本发明以及具有适用于所预期的特定用途的各种修改的各种实施方案。

Claims (20)

1.一种方法，所述方法包括：
基于地震体的联络测线方向和所述地震体的主测线方向而确定所述地震体中的盐顶(TOS)表面；
基于所述TOS表面而确定二进制掩码；
对所述地震体中的地震数据进行采样以获得训练地震切片；
对所述二进制掩码进行采样以获得掩码切片；
在所述训练地震切片中选择第一坐标以产生第一瓦片；
在所述掩码切片中选择第二坐标以产生第二瓦片；以及
基于所述第一瓦片和所述第二瓦片而生成或更新所述地震体的模型。
2.如权利要求1所述的方法，所述方法还包括确定所述地震体中的某一深度，所预测的盐表面在所述深度以上具有预定水平的清晰度、精度或以上两者，并且其中从所述地震体的顶部到所述深度对所述地震数据进行采样以获得所述训练地震切片。
3.如权利要求2所述的方法，所述方法还包括对所述地震体中的所述地震数据进行采样以获得评估地震切片，其中从所述地震体的所述顶部到所述地震体的底部对所述地震数据进行采样以获得所述评估地震切片，并且其中所述深度在所述顶部与所述底部之间。
4.如权利要求3所述的方法，所述方法还包括基于所述评估地震切片中的所述地震数据而确定所述评估地震切片中的盐体的存在。
5.如权利要求4所述的方法，所述方法还包括基于所述模型和所述评估地震切片而生成或更新三维(3D)矩阵，其中所述3D矩阵指示所述盐体的所述存在。
6.如权利要求5所述的方法，所述方法还包括：
从所述3D矩阵提取地质体；以及
从所述地质体提取表面。
7.如权利要求6所述的方法，所述方法还包括基于所述3D矩阵、所述地质体、所述表面或它们的组合而确定所述地震体中的碳氢化合物的存在。
8.一种方法，所述方法包括：
基于地震体的联络测线方向和所述地震体的主测线方向而确定所述地震体中的盐顶(TOS)表面；
基于所述TOS表面而确定二进制掩码；
对所述地震体中的地震数据进行采样以获得训练地震切片；
对所述二进制掩码进行采样以获得掩码切片；
在所述训练地震切片中选择第一坐标以产生第一瓦片；
在所述掩码切片中选择第二坐标以产生第二瓦片；
基于所述第一瓦片和所述第二瓦片而生成或更新所述地震体的模型；
对所述地震体中的所述地震数据进行采样以获得评估地震切片；
基于所述评估地震切片中的所述地震数据而确定所述评估地震切片中的盐体的存在；以及
基于所述模型和所述评估地震切片而生成或更新三维(3D)矩阵，其中所述3D矩阵指示所述盐体的所述存在。
9.如权利要求8所述的方法，其中所述二进制掩码包括二进制二维(2D)矩阵。
10.如权利要求8所述的方法，所述方法还包括确定所述地震体中的某一深度，所预测的盐表面在所述深度以上具有预定水平的清晰度、精度或以上两者。
11.如权利要求10所述的方法，其中在向下方向上从所述地震体的顶部到所述深度对所述地震数据进行采样以获得所述训练地震切片，并且其中在所述向下方向上从所述地震体的所述顶部到所述地震体的底部对所述地震数据进行采样以获得所述评估地震切片，其中所述深度在所述顶部与所述底部之间。
12.如权利要求8所述的方法，其中所述第一坐标和所述第二坐标具有共同的X值和共同的Y值。
13.如权利要求12所述的方法，所述方法还包括针对多个X值和多个Y值对所述第一瓦片和所述第二瓦片执行多次递归。
14.如权利要求8所述的方法，所述方法还包括对所述训练地震切片和所述掩码切片执行多次递归。
15.如权利要求8所述的方法，其中所述3D矩阵具有与所述地震体相同的大小和形状。
16.如权利要求8所述的方法，所述方法还包括对所述评估地震切片执行多次递归。
17.如权利要求8所述的方法，所述方法还包括从所述3D矩阵提取地质体。
18.如权利要求17所述的方法，所述方法还包括从所述地质体提取表面。
19.如权利要求18所述的方法，所述方法还包括基于所述3D矩阵、所述地质体、所述表面或它们的组合而确定所述地震体中的碳氢化合物的存在。
20.一种计算系统，所述计算系统包括：
一个或多个处理器；以及
存储器系统，所述存储器系统包括存储指令的一个或多个非暂时性计算机可读介质，所述指令在由所述一个或多个处理器中的至少一者执行时致使所述计算系统执行操作，所述操作包括：
基于地震体的联络测线方向和所述地震体的主测线方向而确定所述地震体中的盐顶(TOS)表面；
基于所述TOS表面而确定二进制掩码，其中所述二进制掩码包括二进制二维(2D)矩阵；
对所述地震体中至第一深度的地震数据进行采样以获得训练地震切片；
对所述二进制掩码进行采样以获得掩码切片；
在所述训练地震切片中选择第一坐标以产生第一瓦片；
在所述掩码切片中选择第二坐标以产生第二瓦片；
基于所述第一瓦片和所述第二瓦片而生成或更新所述地震体的模型；
对所述地震体中至第二深度的所述地震数据进行采样以获得评估地震切片，其中所述第二深度大于所述第一深度；
基于所述评估地震切片中的所述地震数据而确定所述评估地震切片中的盐体的存在；
基于所述模型和所述评估地震切片而生成或更新三维(3D)矩阵，其中所述3D矩阵指示所述盐体的所述存在；
从所述3D矩阵提取地质体；
从所述地质体提取表面；以及
基于所述3D矩阵、所述地质体、所述表面或它们的组合而确定所述地震体中的碳氢化合物的存在。
CN201980043045.8A 2018-07-05 2019-06-26 用于盐地震解译的级联式机器学习工作流 Active CN112400123B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862694404P 2018-07-05 2018-07-05
US62/694,404 2018-07-05
PCT/US2019/039160 WO2020009850A1 (en) 2018-07-05 2019-06-26 Cascaded machine-learning workflow for salt seismic interpretation

Publications (2)

Publication Number Publication Date
CN112400123A true CN112400123A (zh) 2021-02-23
CN112400123B CN112400123B (zh) 2024-03-29

Family

ID=69059768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980043045.8A Active CN112400123B (zh) 2018-07-05 2019-06-26 用于盐地震解译的级联式机器学习工作流

Country Status (4)

Country Link
US (1) US20210270983A1 (zh)
EP (1) EP3818398A4 (zh)
CN (1) CN112400123B (zh)
WO (1) WO2020009850A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2579854B (en) 2018-12-18 2021-06-16 Equinor Energy As Method of analysing seismic data to detect hydrocarbons
GB2593562B (en) * 2020-03-23 2022-12-28 Landmark Graphics Corp Facilitating hydrocarbon exploration and extraction by applying a machine-learning model to seismic data
US11428835B2 (en) 2020-03-23 2022-08-30 Landmark Graphics Corporation Facilitating hydrocarbon exploration and extraction by applying a machine-learning model to seismic data
EP4248244A1 (en) 2020-11-23 2023-09-27 Shell Internationale Research Maatschappij B.V. Method of updating a velocity model of seismic waves in an earth formation

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090119018A1 (en) * 2007-11-07 2009-05-07 Schlumberger Technology Corporation Subterranean formation properties prediction
CN102121995A (zh) * 2010-12-03 2011-07-13 中国石油天然气集团公司 复杂构造含逆掩断裂的地震反演储层预测方法
CN104459768A (zh) * 2013-09-22 2015-03-25 中国石油化工股份有限公司 一种基于可视化的三维空间目标地质体追踪方法
US20160086352A1 (en) * 2014-09-19 2016-03-24 Siemens Aktiengesellschaft Database-guided method for detecting a mineral layer from seismic survey data
CN105659111A (zh) * 2013-10-11 2016-06-08 雪佛龙美国公司 用于正则化地震数据的系统和方法
CN105700015A (zh) * 2016-02-02 2016-06-22 中国矿业大学(北京) 一种小尺度不连续地质体检测方法和装置
US20160202374A1 (en) * 2015-01-14 2016-07-14 Westerngeco L.L.C. Performing Tomography to Build Orthorhombic Models
WO2016154104A1 (en) * 2015-03-20 2016-09-29 Schlumberger Technology Corporation Single streamer deghosting with extended model space

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011056347A1 (en) * 2009-11-05 2011-05-12 Exxonmobil Upstream Research Company Method for creating a hierarchically layered earth model
US10139509B2 (en) * 2016-03-23 2018-11-27 Chevron U.S.A. Inc. Enhanced seismic imaging systems and methods employing modified velocity model contrasts

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090119018A1 (en) * 2007-11-07 2009-05-07 Schlumberger Technology Corporation Subterranean formation properties prediction
CN102121995A (zh) * 2010-12-03 2011-07-13 中国石油天然气集团公司 复杂构造含逆掩断裂的地震反演储层预测方法
CN104459768A (zh) * 2013-09-22 2015-03-25 中国石油化工股份有限公司 一种基于可视化的三维空间目标地质体追踪方法
CN105659111A (zh) * 2013-10-11 2016-06-08 雪佛龙美国公司 用于正则化地震数据的系统和方法
US20160086352A1 (en) * 2014-09-19 2016-03-24 Siemens Aktiengesellschaft Database-guided method for detecting a mineral layer from seismic survey data
US20160202374A1 (en) * 2015-01-14 2016-07-14 Westerngeco L.L.C. Performing Tomography to Build Orthorhombic Models
WO2016154104A1 (en) * 2015-03-20 2016-09-29 Schlumberger Technology Corporation Single streamer deghosting with extended model space
CN105700015A (zh) * 2016-02-02 2016-06-22 中国矿业大学(北京) 一种小尺度不连续地质体检测方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ASJAD AMIN AND MOHAMED DERICHE: "Salt-Dome Detection Using a Codebook-Based Learning Model", IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, vol. 13, no. 11, pages 1636 - 1640, XP011625603, DOI: 10.1109/LGRS.2016.2599435 *
RODRIGO DA SILVA FERREIRA等: "Multi-scale Evaluation of Texture Features for Salt Dome Detection", 2016 IEEE INTERNATIONAL SYMPOSIUM ON MULTIMEDIA, pages 632 - 635 *

Also Published As

Publication number Publication date
WO2020009850A1 (en) 2020-01-09
US20210270983A1 (en) 2021-09-02
EP3818398A4 (en) 2022-04-06
EP3818398A1 (en) 2021-05-12
CN112400123B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN112400123B (zh) 用于盐地震解译的级联式机器学习工作流
US9581710B2 (en) Three-dimensional rock properties using cross well seismic
US20220229199A1 (en) Interpreting seismic faults with machine learning techniques
US20170176228A1 (en) Drilling fluid loss rate prediction
US20220275723A1 (en) Field data acquisition and virtual training system
US20220327324A1 (en) Unsupervised well log reconstruction and outlier detection
US20220155480A1 (en) Secondary recovery surveillance using validated streamline-based simulation
WO2023086396A1 (en) Forecasting co2 plume bodies in sequestration operations
US11531131B2 (en) Seismic interpretation using flow fields
US11988790B2 (en) Residual signal detection for noise attenuation
US20220121987A1 (en) Differential multi model training for multiple interpretation options
WO2023183581A1 (en) Automated active learning for seismic image interpretation
US20230026857A1 (en) Subsurface property estimation in a seismic survey area with sparse well logs
US20230273335A1 (en) Integration of geotags and opportunity maturation
US20240232479A1 (en) Integrated Deep Learning Workflow for Geologically Sequestered CO2 Monitoring
US20240176036A1 (en) Automatic salt geometry detection in a subsurface volume
CA3232625A1 (en) Systems and methods for modeling a subsurface volume using time-lapse data
WO2023200696A1 (en) Quantifying diversity in seismic datasets
WO2023250477A1 (en) Transfer learning for ml-assisted seismic interpretation
CA3230437A1 (en) Time lapse data reconstruction and time lapse data acquisition survey design for co2 monitoring
WO2024064007A1 (en) Automatic well log reconstruction

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