CN112424646A - 地震数据解释系统 - Google Patents
地震数据解释系统 Download PDFInfo
- Publication number
- CN112424646A CN112424646A CN201980046963.6A CN201980046963A CN112424646A CN 112424646 A CN112424646 A CN 112424646A CN 201980046963 A CN201980046963 A CN 201980046963A CN 112424646 A CN112424646 A CN 112424646A
- Authority
- CN
- China
- Prior art keywords
- data
- seismic
- confidence
- model
- seismic 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 276
- 230000006870 function Effects 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 30
- 238000010801 machine learning Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012800 visualization Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 57
- 238000005553 drilling Methods 0.000 description 46
- 238000013528 artificial neural network Methods 0.000 description 40
- 238000013459 approach Methods 0.000 description 32
- 230000015572 biosynthetic process Effects 0.000 description 30
- 238000005755 formation reaction Methods 0.000 description 30
- 238000004088 simulation Methods 0.000 description 25
- 239000012530 fluid Substances 0.000 description 22
- 238000005259 measurement Methods 0.000 description 19
- 210000004027 cell Anatomy 0.000 description 15
- 239000011435 rock Substances 0.000 description 15
- 210000002569 neuron Anatomy 0.000 description 14
- 241001415846 Procellariidae Species 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 12
- 230000009471 action Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000003993 interaction Effects 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 238000001994 activation Methods 0.000 description 8
- 238000012512 characterization method Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000013508 migration Methods 0.000 description 8
- 230000005012 migration Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 229930195733 hydrocarbon Natural products 0.000 description 7
- 150000002430 hydrocarbons Chemical class 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 239000004215 Carbon black (E152) Substances 0.000 description 5
- 238000003491 array Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000007717 exclusion Effects 0.000 description 5
- 238000013213 extrapolation Methods 0.000 description 5
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 230000000638 stimulation Effects 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 230000005251 gamma ray Effects 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 229920001971 elastomer Polymers 0.000 description 2
- 239000000806 elastomer Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000013442 quality metrics Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- ABEXEQSGABRUHS-UHFFFAOYSA-N 16-methylheptadecyl 16-methylheptadecanoate Chemical compound CC(C)CCCCCCCCCCCCCCCOC(=O)CCCCCCCCCCCCCCC(C)C ABEXEQSGABRUHS-UHFFFAOYSA-N 0.000 description 1
- 101100391182 Dictyostelium discoideum forI gene Proteins 0.000 description 1
- 208000035126 Facies Diseases 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 244000261422 Lysimachia clethroides Species 0.000 description 1
- XQCFHQBGMWUEMY-ZPUQHVIOSA-N Nitrovin Chemical compound C=1C=C([N+]([O-])=O)OC=1\C=C\C(=NNC(=N)N)\C=C\C1=CC=C([N+]([O-])=O)O1 XQCFHQBGMWUEMY-ZPUQHVIOSA-N 0.000 description 1
- 240000002044 Rhizophora apiculata Species 0.000 description 1
- 238000010796 Steam-assisted gravity drainage Methods 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013497 data interchange Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- HJUFTIJOISQSKQ-UHFFFAOYSA-N fenoxycarb Chemical compound C1=CC(OCCNC(=O)OCC)=CC=C1OC1=CC=CC=C1 HJUFTIJOISQSKQ-UHFFFAOYSA-N 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005417 image-selected in vivo spectroscopy Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012739 integrated shape imaging system Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002445 nipple Anatomy 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004454 trace mineral analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Computation (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Geology (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
一种方法可以包括:访问经训练的机器模型,所述经训练的机器模型被训练为相对于地质区域的结构特征分析区域的数字地震数据;使用经训练的机器模型分析所述数字地震数据的至少一部分以生成结果;以及输出结果作为地质区域的结构特征的空间位置的指示符。
Description
相关申请
本申请要求2018年6月10日提交的具有序列号62/683,011的美国临时申请的权益和优先权,该申请通过引用并入本文。
背景技术
在油气勘探中,解释是涉及分析数据以标识和定位地质环境中的各种地下结构(例如,层位、断层、地质体等)的过程。各种类型的结构(例如,地层组)可以指示可能与一个或多个储层(例如,流体储层)相关联的油气圈闭(hydrocarbon trap)或流动通道。在资源开采领域中,对解释的增强可以允许构建地下区域的更准确模型,这进而可以改进地下区域的表征以用于资源开采的目的。地质环境中的一个或多个地下区域的表征可以引导例如一个或多个操作(例如,油田操作等)的执行。作为示例,地下区域的更准确模型可以使得钻井操作关于井眼的轨迹更准确,其中井眼将具有穿透储层的轨迹等。
发明内容
一种方法可以包括:访问经训练的机器模型,所述经训练的机器模型被训练为相对于地质区域的结构特征分析区域的数字地震数据;使用经训练的机器模型分析所述数字地震数据的至少一部分以生成结果;以及输出结果作为地质区域的结构特征的空间位置的指示符。一种系统可以包括:处理器;存储器,所述存储器操作地耦接到处理器;以及处理器可执行指令,所述处理器可执行指令存储在存储器中,以指示系统:访问经训练的机器模型,所述经训练的机器模型被训练为相对于地质区域的结构特征分析区域的数字地震数据;使用经训练的机器模型分析所述数字地震数据的至少一部分以生成结果;以及输出结果作为地质区域的结构特征的空间位置的指示符。一种或多种计算机可读存储介质可以包括计算机可执行指令,所述计算机可执行指令可执行以指示计算系统:访问经训练的机器模型,所述经训练的机器模型被训练为相对于地质区域的结构特征分析区域的数字地震数据;使用经训练的机器模型分析所述数字地震数据的至少一部分以生成结果;以及输出结果作为地质区域的结构特征的空间位置的指示符。还公开了各种其他设备、系统、方法等。
提供本概述是为了介绍将在以下详细描述中进一步描述的概念选择。本概述既不意在标识所要求保护主题的关键或必要特征,也不意在用来帮助限制所要求保护主题的范围。
附图说明
通过参考结合附图进行的以下描述,可以更容易地理解所描述的实现方式的特征和优点。
图1示出了包括用于对地质环境进行建模的各种部件以及与地质环境相关联的各种装备的示例性系统;
图2示出了沉积盆地的示例、方法的示例、地层的示例、井眼的示例、井眼工具的示例、约定的示例和系统的示例;
图3示出了可以采集数据的技术的示例;
图4示出了包括井下工具的示例和钻孔的示例的装备的示例;
图5示出了包括井下工具的示例的装备的示例;
图6示出了关于地震数据和声阻抗的地球模型的正演建模和反演的示例;
图7示出了计算框架的示例;
图8示出了方法的示例;
图9示出了示例性图形用户界面;
图10示出了方法的示例;
图11示出了方法的示例;
图12示出了图形用户界面的示例;
图13示出了图形用户界面的示例;
图14示出了图形用户界面的示例;
图15示出了图形用户界面的示例;
图16示出了图形用户界面的示例;
图17示出了图形用户界面的示例;
图18示出了图形用户界面的示例;
图19示出了图形用户界面的示例;
图20示出了图形用户界面的示例;
图21示出了方法的示例;
图22示出了图形用户界面的示例;
图23示出了方法的示例;
图24示出了方法的示例;
图25示出了方法的示例;
图26示出了方法的示例;
图27示出了方法的示例;
图28示出了方法的示例和神经元的示例;
图29示出了方法的示例和图形用户界面的示例;
图30示出了方法的示例和图形用户界面的示例;
图31示出了方法的示例;
图32示出了方法的示例;
图33示出了作为伪代码的方法的示例;
图34示出了方法的示例;并且
图35示出了系统和联网系统的示例性部件。
具体实施方式
该描述不是限制性的,而仅仅是为了描述实现方式的一般原理。应参考所发布的权利要求确定所描述的实现方式的范围。
图1示出了包括各种管理部件110以管理地质环境150(例如,包括沉积盆地、储层151、一个或多个断层153-1、一个或多个地质体153-2等的环境)的各个方面的系统100的示例。例如,管理部件110可以允许相对于地质环境150对感测、钻井、注入、提取等进行直接或间接管理。反过来,关于地质环境150的进一步信息可以作为反馈160(例如,任选地作为到管理部件110中的一个或多个管理部件的输入)变得可用。
在图1的示例中,管理部件110包括地震数据部件112、附加信息部件114(例如,井/测井数据)、处理部件116、模拟部件120、属性部件130、分析/可视化部件142和工作流部件144。在操作中,可以将部件112和114提供的地震数据和其他信息输入到模拟部件120。
在示例性实施方案中,模拟部件120可以依赖于实体122。实体122可以包括地球实体或地质对象,诸如井、地面、主体、储层等。在系统100中,实体122可以包括为了模拟目的而重建的实际物理实体的虚拟表示。实体122可以包括基于经由感测、观测等采集的数据(例如,地震数据112和其他信息114)的实体。实体可以由一个或多个性质表征(例如,地球模型的几何支柱网格实体可以由孔隙度性质表征)。这些性质可以表示一个或多个测量结果(例如,所采集的数据)、计算结果等。
在示例性实施方案中,模拟部件120可以结合软件框架(诸如基于对象的框架)进行操作。在这样的框架中,实体可以包括基于预定义类的实体以促进建模和模拟。基于对象的框架的示例是MICROSOFT.NET框架(华盛顿州雷德蒙德市),其提供一组可扩展的对象类。在.NET框架中,对象类封装了可重用代码和相关联数据结构的模块。对象类可用于实例化对象实例以供程序、脚本等使用。例如,井眼类可基于井数据定义用于表示井眼的对象。
在图1的示例中,模拟部件120可以处理信息以符合由属性部件130指定的一个或多个属性,该属性部件可以包括属性库。这样的处理可以在输入到模拟部件120之前发生(例如,考虑处理部件116)。作为示例,模拟部件120可以基于由属性部件130指定的一个或多个属性对输入信息执行操作。在示例性实施方案中,模拟部件120可以构建地质环境150的一个或多个模型,可以依赖所述一个或多个模型来模拟地质环境150的行为(例如,响应于一个或多个动作,无论是自然的还是人工的)。在图1的示例中,分析/可视化部件142可以允许与模型或基于模型的结果(例如,模拟结果等)交互。作为示例,来自模拟部件120的输出可以被输入到一个或多个其他工作流,如工作流部件144所指示的。
作为示例,模拟部件120可以包括模拟器的一个或多个特征,诸如ECLIPSE储层模拟器(德克萨斯州休斯敦的斯伦贝谢有限公司(Schlumberger Limited))、INTERSECT储层模拟器(德克萨斯州休斯敦的斯伦贝谢有限公司)等。作为示例,模拟部件、模拟器等可以包括实现一个或多个无网格技术(例如,求解一个或多个方程等)的特征。作为示例,可以相对于一种或多种提高采收率技术(例如,考虑诸如SAGD等热过程)来模拟一个或多个储层。
在示例性实施方案中,管理部件110可以包括诸如PETREL地震到模拟软件框架(德克萨斯州休斯敦的斯伦贝谢有限公司)的框架的特征。PETREL框架提供可以优化勘探和开发操作的部件。PETREL框架包括地震到模拟软件部件,其可以输出信息以用于例如通过提高资产团队生产力而提高储层性能。通过使用此类框架,各种专业人员(例如,地球物理学家、地质学家和油藏工程师)可以开发协作工作流并集成操作以简化过程。此类框架可被认为是应用程序并且可以被认为是数据驱动的应用程序(例如,其中为了建模、模拟等目的而输入数据)。
在示例性实施方案中,管理部件110的各个方面可以包括根据框架环境的规范进行操作的后加件或插件。例如,商品名为OCEAN框架环境(德克萨斯州休斯敦的斯伦贝谢有限公司)的框架环境允许将后加件(或插件)集成到PETREL框架工作流中。OCEAN框架环境利用.NET工具(华盛顿州雷德蒙德市的微软公司(Microsoft Corporation)),并且提供用于高效开发的稳定的用户友好界面。在示例性实施方案中,各种部件可以实现为符合框架环境的规范并且根据框架环境的规范(例如,根据应用编程接口(API)规范等)操作的后加件(或插件)。
作为示例,可以在DELFI认知探索和生产(E&P)环境(德克萨斯州休斯敦的斯伦贝谢有限公司)内或以操作地耦接到该环境的方式实现框架,该环境是安全的、认知型的、基于云的协作环境,其将数据和工作流与数字技术(诸如人工智能和机器学习)集成。作为示例,这样的环境可以提供涉及一个或多个计算框架的操作。例如,可以在环境内利用各种类型的计算框架,诸如钻井计划框架、地震到模拟框架(例如,PETREL框架,德克萨斯州休斯敦的斯伦贝谢有限公司)、测量框架(例如,TECHLOG框架,德克萨斯州休斯敦的斯伦贝谢有限公司)、机械地球建模(MEM)框架(PETROMOD框架,德克萨斯州休斯敦的斯伦贝谢有限公司)、勘探风险、资源和价值评估框架(例如,GEOX,德克萨斯州休斯敦的斯伦贝谢有限公司)、储层模拟框架(INTERSECT,德克萨斯州休斯敦的斯伦贝谢有限公司)、地面设施框架(例如,PIPESIM,德克萨斯州休斯敦的斯伦贝谢有限公司)、增产框架(MANGROVE框架,德克萨斯州休斯敦的斯伦贝谢有限公司)。作为示例,可以至少部分地经由框架(例如,计算框架)和/或环境(例如,计算环境)来实现一种或多种方法。
图1还示出了框架170的示例,该框架包括模型模拟层180以及框架服务层190、框架核心层195和模块层175。框架170可以包括OCEAN框架,其中模型模拟层180是托管OCEAN框架应用程序的以PETREL模型为中心的软件包。在示例性实施方案中,PETREL软件可以被认为是数据驱动的应用程序。PETREL软件可以包括用于模型构建和可视化的框架。如所提到的,PETREL框架可以结合DELFI环境来实现。
作为示例,可以使用诸如OMEGA框架(德克萨斯州休斯敦的斯伦贝谢有限公司)的框架来处理地震数据。OMEGA框架提供可以被实现以用于处理地震数据的特征,例如,通过叠前地震解释和地震反演。框架可以是可扩展的,使得它能够在单个工作站上、在大型计算集群上等进行处理和成像。作为示例,本文描述的一项或多项技术、科技等可以任选地结合框架(例如OMEGA框架)来实现。
用于处理数据的框架可以包括用于2D线和3D地震勘测的特征。用于处理地震数据的模块可以包括用于叠前地震解释(PSI)的特征,任选地,可以插入到框架(诸如OCEAN框架)中。工作流可被指定为包括经由一个或多个框架、插件、后加件等进行的处理。工作流可以包括定量解释,其可以包括执行叠前和叠后地震数据调节、反演(例如,地震到性质和性质到合成地震)、用于薄层分析的楔形建模、振幅对偏移(AVO)和振幅对角度(AVA)分析、勘察等。作为示例,工作流可以旨在至少部分地基于地震数据的处理来输出岩石性质。作为示例,可以处理各种类型的数据以提供一个或多个模型(例如,地球模型)。例如,考虑地震数据、井数据、电磁和大地磁数据、储层数据等中的一个或多个的处理。
作为示例,框架可以包括用于实现一个或多个网格生成技术的特征。例如,框架可以包括输入部件,该输入部件用于接收来自地震数据的解释的信息、至少部分地基于地震数据的一个或多个属性、测井数据、图像数据等。这样的框架可以包括网格生成部件,该网格生成部件处理输入信息(任选地结合其他信息)以生成网格。
在图1的示例中,模型模拟层180可以提供域对象182、充当数据源184、提供呈现186并且提供各种用户界面188。呈现186可以提供其中应用程序可以显示其数据的图形环境,同时用户界面188可以为应用程序用户界面部件提供常见界面外观(look and feel)。
作为示例,域对象182可以包括实体对象、性质对象以及任选地其他对象。实体对象可用于几何地表示井、地面、主体、储层等,而性质对象可以用于提供性质值以及数据版本和显示参数。例如,实体对象可以表示井,其中性质对象提供测井信息以及版本信息和显示信息(例如,将井显示为模型的一部分)。
在图1的示例中,数据可以存储在一个或多个数据源(或数据存储区,通常是物理数据存储装置)中,这些数据源可以位于相同或不同的物理站点,并且可以经由一个或多个网络访问。模型模拟层180可以被配置为对项目进行建模。这样,可以存储特定项目,其中所存储的项目信息可包括输入、模型、结果和案例。因此,在完成建模会话时,用户可以存储项目。稍后,可以使用模型模拟层180访问和恢复项目,模型模拟层可以重新创建相关域对象的实例。
在图1的示例中,地质环境150可以包括多个层(例如,分层),这些层包括储层151和一个或多个其他特征,诸如断层153-1、地质体153-2等。作为示例,地质环境150可以配备有各种传感器、检测器、致动器等中的任何一种。例如,装备152可以包括通信电路,以相对于一个或多个网络155接收和发送信息。此类信息可以包括与井下装备154相关联的信息,所述井下装备可以是用以采集信息、协助资源恢复等的装备。其他装备156可以位于远离井场的位置并且包括感测、检测、发射或其他电路。这种装备可以包括存储和通信电路,以存储和传送数据、指令等。作为示例,可以提供一个或多个卫星用于通信、数据采集等目的。例如,图1示出了与可被配置用于通信的网络155进行通信的卫星,需注意,卫星可以另外地或替代地包括用于成像(例如,空间、频谱、时间、辐射等)的电路。
图1还示出了地质环境150,其可选地包括与井相关联的装备157和158,井包括可与一个或多个裂缝159相交的基本水平部分。例如,考虑可包括天然裂缝、人工裂缝(例如,水力裂缝)或天然裂缝与人工裂缝的组合的页岩地层中的井。作为示例,可以对横向延伸的储层进行钻井。在此类示例中,可能存在性质、应力等的横向变化,其中对这种变化的评估可以帮助规划、操作等以(例如,经由压裂、注入、提取等)开发横向延伸的储层。作为示例,装备157和/或158可以包括用于压裂、地震感测、地震数据分析、一个或多个裂缝的评估等的部件、一个或多个系统等。
如所提到的,系统100可以用于执行一个或多个工作流。工作流可以是包括若干个工作步骤的过程。工作步骤可以对数据进行操作,例如,创建新数据、更新现有数据等。作为示例,工作流可以例如基于一个或多个算法对一个或多个输入进行操作并产生一个或多个结果。作为示例,系统可以包括用于工作流的创建、编辑、执行等的工作流编辑器。在此类示例中,工作流编辑器可以提供对一个或多个预定义工作步骤、一个或多个定制工作步骤等的选择。作为示例,工作流可以是可在PETREL软件中实现的工作流,例如,该工作流对地震数据、一个或多个地震属性等进行操作。作为示例,工作流可以是可在OCEAN框架中实现的过程。作为示例,工作流可以包括访问诸如插件的模块(例如,外部可执行代码等)的一个或多个工作步骤。
图2示出了沉积盆地210(例如,地质环境)的示例、用于模型构建(例如,用于模拟器等)的方法220的示例、地层230的示例、地层中的井眼235的示例、约定240的示例和系统250的示例。
作为示例,储层模拟、石油系统建模等可以被应用来表征各种类型的地下环境,包括诸如图1的环境的环境。一个或多个操作可以在至少部分地基于一种或多种地下环境的这种表征(例如,经由所采集的数据、模拟、建模等)的环境中执行。
在图2中,作为地质环境的沉积盆地210包括在某一段地质时期形成的层位、断层、一个或多个地质体和相。这些特征例如相对于笛卡尔坐标系(例如x、y和z)或其他坐标系(例如,圆柱形、球形等)在空间中二维或三维地分布。如图所示,模型构建方法220包括数据采集块224和模型几何结构块228。在构建初始模型时可能涉及一些数据,并且此后,可以响应于模型输出、时间变化、物理现象、附加数据等任选地更新模型。作为示例,用于建模的数据可以包括以下中的一项或多项:深度或厚度图以及来自地震、遥感、电磁、重力、露头和测井数据的断层几何结构和时序。此外,数据可以包括源自假定跟随地质事件(“iso”时间)的相变化(例如,由于震积不整合)的深度和厚度图,并且数据可以包括横向相变化(例如,由于沉降特性的横向变化)。
为了继续进行地质过程的建模,可以提供数据,例如,诸如地球化学数据(例如,温度、干酪根类型、有机物丰富度等)、时序数据(例如,来自古生物学、放射性定年法、磁逆转、岩石和流体性质等)和边界条件数据(例如,热流历史、地面温度、古水深度等)的数据。
在盆地和石油系统建模中,例如通过使用一种或多种数值技术求解偏微分方程(PDE),可以对沉积物内的诸如温度、压力和孔隙度分布等量进行建模。建模还可以相对于时间对几何结构进行建模,例如,以计及源于地质事件的变化(例如,材料的沉积、材料的侵蚀、材料的移位等)。
商品名为PETROMOD框架(德克萨斯州休斯敦的斯伦贝谢有限公司)的建模框架包括用于输入各种类型信息(例如,地震、井、地质等)的特征,以对沉积盆地的演化进行建模。PETROMOD框架通过输入例如用于对沉积盆地的演化进行建模的各种数据(诸如地震数据、井数据和其他地质数据)而提供油气系统建模。PETROMOD框架可以预测储层是否以及如何充满烃类,包括例如烃类产生的来源和时间、运移路线、数量、孔隙压力以及地下或地面条件的烃类型。结合诸如PETREL框架的框架,可以构建工作流以提供盆地到远景规模勘探解决方案。框架之间的数据交换可以促进模型构建、数据分析(例如,使用PETREL框架功能分析的PETROMOD框架数据)以及工作流的耦接。
如图2所示,地层230包括水平地面和各种地下层。作为示例,井眼可以是垂直的。作为另一个示例,井眼可以是偏斜的。在图2的示例中,井眼235可以被认为是垂直井眼,例如,其中z轴垂直于地层230的水平地面向下延伸。作为示例,工具237可以定位在井眼中,例如以采集信息。如所提到的,井眼工具可被配置为采集电子井眼图像。例如,全井眼地层微成像仪(FMI)工具(德克萨斯州休斯敦的斯伦贝谢有限公司)可以采集井眼图像数据。用于此类工具的数据采集序列可包括在采集垫关闭的情况下将工具下入井眼中,打开垫并将垫压靠在井眼壁上,在井眼中平移工具时将电流递送到限定井眼的材料,并且远程感测通过与材料的相互作用而改变的电流。
作为示例,井眼可以是垂直的、偏斜的和/或水平的。作为示例,工具可以被定位以采集井眼的水平部分中的信息。对此类信息的分析可揭示溶洞、溶蚀平面(例如,沿着层面的溶蚀)、应力相关特征、倾斜事件等。作为示例,工具可采集可能有助于表征裂缝型储层的信息,任选地其中裂缝可以是自然的和/或人工的(例如,水力裂缝)。此类信息可以帮助完井、增产处理等。作为示例,可以使用诸如TECHLOG框架(德克萨斯州休斯敦的斯伦贝谢有限公司)的框架来分析由工具采集的信息。
对于倾角的约定240,如图所示,平面的三维取向可以由其倾角和走向来定义。倾角是在垂直平面中沿特定方向测量的平面相对于水平面(例如,假想平面)的倾斜角度。倾角可以由量值(例如,也称为角度或量)和方位角(例如,也称为方向)来定义。如图2的约定240所示,各种角度Φ指示例如从假想水平面(例如,平坦上表面)向下的倾斜角度;然而,倾角是指倾角平面倾斜的方向(例如,其可以相对于度数、罗盘方向等给出)。图2的约定中示出的另一特征是走向,其是由倾角平面和水平面的相交所产生的线的取向(例如,将平坦上表面视为假想的水平面)。
某些与倾角和走向相关的附加术语可以例如根据环境、所收集数据的取向等而应用于分析。一个术语是“真倾角”(例如,参见图2的约定240中的DipT)。真倾角是垂直于走向直接测量的平面倾角(例如,参见方向朝北并且被标记为“走向”和角度α90的线),并且也是倾角量值的最大可能值。另一术语是“视倾角”(例如,参见图2的约定240中的DipA)。视倾角可以是在除了真倾角的方向之外的任何其他方向上测量的平面倾角(例如,参见ΦA,作为针对角度α的DipA);然而,视倾角可能等于真倾角(例如,参见Φ,作为相对于走向的针对角度α90的DipA=DipT)。换句话讲,在使用(例如,在方法、分析、算法等中)术语视倾角的情况下,对于特定的倾角平面,“视倾角”的值可以等于该特定倾角平面的真倾角。
如图2中的约定240所示,如在垂直于走向的横截面中所见到的平面的倾角是真倾角(例如,参见具有Φ作为相对于走向的针对角度α90的DipA=DipT的表面)。如所指示的,在任何其他方向上在横截面中观测到的倾角为视倾角(例如,参见被标记有DipA的表面)。此外,如图2的约定240所示,视倾角可以近似地为0度(例如,平行于水平表面,其中切割平面的边缘沿着走向方向行进)。
就在井筒中观测倾角而言,在垂直钻井的井中观测到真倾角。在任何其他取向(或偏斜)上钻井的井中,所观测到的倾角是视倾角(例如,其有时被称为相对倾角)。为了确定在这样的井眼中观测到的平面的真倾角值,作为示例,可以对一个或多个视倾角值应用向量计算(例如,基于井眼偏斜)。
如所提到的,在根据井眼图像的沉积学解释中使用的另一术语是“相对倾角”(例如,DipR)。从非常平静的环境中沉积的岩石中的井眼图像测量的真倾角的值可以与砂岩体中的倾角相减(例如,使用向量减法)。在此类示例中,所得到的倾角被称为相对倾角,并且在解释砂岩体取向中使用。
相对于分析、解释、属性等(例如,参见图1的系统100的各个框)可以使用诸如约定240这样的约定。作为示例,可以部分地通过倾角来描述各种类型的特征(例如,沉积层理、断层和裂缝、单面山、火成岩墙和岩床、变质叶理等)。作为示例,倾角可能会随着层接近地质体而在空间上变化。例如,考虑可能由于各种力(例如浮力等)而上升的盐体。在此类示例中,随着盐体向上移动,倾角可能趋向于向上。
基于数据的解释可以旨在至少部分地基于一个或多个倾角参数(例如,角度或量值、方位角等)来标识和/或分类一个或多个地下边界。作为示例,各种类型的特征(例如,沉积层理、断层和裂缝、单面山、火成岩岩墙和岩床、变质叶理等)可以至少部分地通过角度、至少部分地通过方位角等来描述。
作为示例,可以提供石油排驱和运移的方程,其可以例如相对于一段时间被建模和模拟。来自源材料的石油运移(例如,初次运移或排驱)可以包括使用饱和度模型,其中运移饱和度值控制排驱。关于石油(例如,油或气)的二次运移的确定可以包括使用流体的流体动力学势能和计及促进流体流动的驱动力。这种力可以包括浮力梯度、孔隙压力梯度和毛细管压力梯度。
如图2所示,系统250包括一个或多个信息存储装置252、一个或多个计算机254、一个或多个网络260以及一组或多组指令270。关于一个或多个计算机254,每个计算机可以包括一个或多个处理器(例如,或处理核心)256和用于存储指令(例如,一组或多组指令270中的一者或多者)的存储器258,所述指令例如可由一个或多个处理器256中的至少一个处理器执行。作为示例,计算机可以包括一个或多个网络接口(例如,有线或无线)、一个或多个图形卡、显示接口(例如,有线或无线)等。作为示例,成像(诸如表面成像)(例如,卫星、地质、地球物理等)可被存储、处理、传送等。作为示例,数据可以包括SAR数据、GPS数据等,并且可以存储在例如存储装置252中的一个或多个存储装置中。
作为示例,一组或多组指令270可以包括可由一个或多个处理器256中的一个或多个处理器执行以指示系统250执行各种动作的指令(例如,存储在存储器258中)。作为示例,系统250可以被配置为使得一组或多组指令270提供用于建立图1的框架170或其一部分。作为示例,可以使用一组或多组指令来执行一个或多个方法、技术等,所述一组或多组指令可以是例如图2的一组或多组指令270中的一者或多者。
如所提到的,可以采集和分析地震数据,以便更好地理解地质环境的地下结构。反射地震学在地球物理学中得到应用,例如,用于估计地下地层的性质。作为示例,反射地震学可以提供代表弹性能的波(例如,如由P波和S波在大约1Hz到大约100Hz、或者任选地小于大约1Hz和/或任选地大于大约100Hz的频率范围内传输的)的地震数据。地震数据可以被处理和解释,例如,以更好地理解地下岩石的组成、流体含量、范围和几何结构。
图3示出了采集地震数据(例如,参见数据360)的采集技术340的示例。作为示例,系统可以处理通过技术340采集的数据,例如,以允许相对于地质环境对感测、钻井、注入、提取等进行直接或间接管理。反过来,关于地质环境的进一步信息可以作为反馈(例如,任选地作为系统的输入)而变得可用。作为示例,操作可涉及存在于地质环境中的储层,例如储层。作为示例,技术可以提供可以指定地质环境中的特征的一个或多个位置坐标、地质环境中的特征的一个或多个特性等的信息(例如,作为输出)。
在图3中,技术340可以相对于地质环境341来实现。如图所示,能量源(例如,发射器)342可发射能量,其中能量作为与地质环境341相互作用的波传播。作为示例,地质环境341可以包括钻孔343,其中一个或多个传感器(例如,接收器)344可以被定位在钻孔343中。作为示例,由能量源342发射的能量可以与地质环境341中的层(例如,结构、界面等)345相互作用,使得能量的一部分被反射,反射的能量然后可以由传感器344中的一个或多个传感器感测。这种能量可以作为上行初至波(例如,或“初至”或“单独”反射波)被反射。作为示例,所发射能量的一部分可以被地质环境中的多于一个结构反射,并且被称为多次反射波(例如,或“多次波”)。例如,地质环境341被示出为包括位于地面层349下方的层347。给定源342和一个或多个传感器344的这种环境和布置,能量可被感测为与特定类型的波相关联。
作为示例,地震数据可以包括来自层界面的层间多次波的证据、来自水界面(例如,水的基底与其下方的岩石或沉积物的界面)的多次波的证据或来自空气-水界面的多次波的证据等。
如图3所示,所采集的数据360可以包括与下行直达波、反射上行初至波、下行多次反射波和反射上行多次反射波相关联的数据。所采集的数据360也沿时间轴和深度轴示出。如所指示的,以至少部分地取决于地质环境341中的介质的特性的方式,波以一定的速度传播一定的距离,使得时间和空间之间可能存在关系。因此,与感测的能量相关联的时间信息可以允许理解地质环境中的层、界面、结构等的空间关系。
图3还示出了图示各种类型的波(包括P、SV和SH波)的示意图370。作为示例,P波可以是弹性体波或声波,其中粒子在波的传播方向上振荡。作为示例,入射在界面上的P波(例如,以非垂直入射等)可以产生反射和透射的S波(例如,“转换”波)。作为示例,S波或剪切波可以是例如弹性体波,其中粒子垂直于波的传播方向振荡。S波可以由地震能量源(例如,除了气枪之外)产生。作为示例,S波可以被转换成P波。S波往往比P波行进得更慢,并且不行进穿过不支持剪切的流体。一般来讲,S波的记录涉及使用操作地耦接到地球的一个或多个接收器(例如,能够相对于时间接收剪切力)。作为示例,对S波的解释可以允许例如通过交叉绘制P波速度和S波速度和/或通过其他技术来确定岩石性质,诸如裂缝密度和取向、泊松比和岩石类型。作为可以表征介质的各向异性(例如,地震各向异性等)的参数的示例,考虑Thomsen参数ε、δ和γ。
图3还示出了其中船舶可以拖曳各种装备的海洋采集技术380的示例。如图3所示,在空气-水界面381下面,存在海底或洋底表面385,并且进一步在下面,存在一个或多个其他表面386。船舶可以拖曳能量源382和传感器384,其可以包括例如至少一个地震检波器和水听器。作为示例,地震检波器可以是被配置用于陆上和/或海上的地震采集的传感器,其可以检测由地震波产生的速度,并且例如可以将运动转换成电脉冲。作为示例,地震检波器可以被配置为检测单个方向上的运动。作为示例,地震检波器可以被配置为检测垂直方向上的运动。作为示例,三个相互正交的地震检波器可以组合使用以收集所谓的3C地震数据。作为示例,水听器可以是被配置用于在海洋地震采集期间检测水下压力变化形式的地震能量的传感器。作为示例,水听器可以沿着一个或多个管柱定位以形成一个或多个拖缆(streamer),所述一个或多个拖缆可以由地震勘测船拖曳(例如,或部署在钻孔中)。因此,在图3的示例中,至少一个地震检波器可以提供运动检测,并且水听器可以提供压力检测。作为示例,数据(例如,模拟和/或数字)可以经由装备来传输,例如以用于处理等。
作为示例,一种方法可以包括分析水听器响应和垂直地震检波器响应,这可以例如通过减少接收器虚反射(例如,反虚反射)和/或自由表面多重噪声污染来帮助改进PZ求和。作为示例,虚反射可以被定义为从位于接收器、源等上方的水面(例如,水和空气界面)反射的波场的反射(例如,接收器虚反射、源虚反射等)。作为示例,接收器可经历上行波场与其下行虚反射之间的延迟,这可能取决于接收器的深度。
作为示例,表面海洋电缆(例如,拖缆)可以是或包括电线的浮力组件,该电线连接传感器并且可以将地震数据中继到记录地震勘测船。作为示例,多拖缆船舶可以拖曳多于一条的拖缆电缆以增加在一次通过中采集的数据量。作为示例,例如,海洋地震勘测船可以是大约75m长并且行进速度为大约5节,同时拖曳气枪阵列以及包含传感器的拖缆,其可以位于例如水面下大约几米处。所谓的尾浮标可以帮助工作人员定位拖缆的端部。作为示例,气枪可以被周期性地激活,诸如大约25m的间隔(例如,大约10秒的间隔),其中所得到的声波传播到地球中,该声波可以被一个或多个岩石层反射回到拖缆上的传感器,然后可以作为信号(例如,数据、信息等)被中继到拖船上的装备。
作为示例,地震勘测可以是陆地勘测、井勘测、井勘测和另一种类型勘测的组合、海洋勘测等。关于海洋勘测,虽然基于船舶的技术被示出为示例,但是其他示例可以是或可以包括使用海底装备(例如,洋底节点(OBN)和洋底电缆(OBC)中的一者或多者)。
作为示例,地震勘测可以生成地震数据,其可以是地震道的形式。这样的数据可以在空间域或空间和时间域中(例如,考虑时间、频率等)。地震数据可以包括一个或多个事件的标记。事件可以被定义为地震数据的外观,如衍射、反射、折射或由地震能量的到达产生的其他类似特征。作为示例,事件可以是迹线内的单个摆动(例如,振幅相对时间或距离),或者是若干迹线上的若干摆动的一致排列。作为示例,地震剖面中的事件可以表示地质界面,诸如断层、不整合面或岩性变化。
作为示例,海床(例如,洋底)可以是事件。在此类示例中,在海洋勘测生成具有海床事件的地震道的情况下,可以分析地震道以确定表示海床的表面。这种事件可以是迹线中的第一事件,其中一个或多个附加事件表示海床下的一种或多种结构。在陆地勘测中,例如,可以经由迹线分析来确定第一事件,其中振幅相对于时间(例如,或深度)的变化指示反射体等。可以对一系列事件进行排序,其中例如可以期望该顺序在区域上保持一致。
作为示例,可以应用反演技术来生成地球的地下区域的模型。这种技术旨在再现层模型,其中层之间的界面表示引起相应事件的反射体。作为示例,可以接收一种或多种类型的数据,并且将其用于求解输出模型(例如,反射率模型、阻抗模型、流体流动模型等)的反演问题。
在图3的示例中,图390示出采集装备392,其从源(例如,发射器)发射能量并且经由沿着主测线(inline)方向排成一列的一个或多个传感器(例如,接收器)接收所反射的能量。因为该区域包括层393和例如地质体395,因此由采集装备392的发射器发射的能量可以从层393和地质体395反射。这样的反射的证据可以在所采集的迹线中找到(例如,作为事件等)。关于迹线396的部分,所接收的能量可以通过以一定采样率操作的模数转换器(ADC)来离散化。例如,采集装备392可以将传感器Q所感测到的能量信号转换成以近似每4ms一个样本的速率的数字样本。给出在一种或多种介质中的声音速度,可以将样本率转换成近似的距离。例如,声音在岩石中的速度可以是每秒大约5km的量级。因此,近似4ms的样本时间间隔将对应于大约10米的样本“深度”间隔(例如,假设从源到边界以及边界到传感器的路径长度)。作为示例,迹线可以是大约4秒的持续时间;因此,对于大约4ms间隔一个样本的采样率,这样的迹线将包括大约1000个样本,其中较晚获取的样本对应于较深的反射边界。如果将前述示例的4秒迹线持续时间除以2(例如,以计及反射),则对于垂直对齐的源和传感器,最深的边界深度可以被估计为大约10km(例如,假设声音速度为每秒大约5km)。
4D地震勘测涉及在特定区域的不同时间采集3D地震数据。这种方法可以允许评估产烃储层相对于时间的变化。作为示例,可以观测到流体位置和饱和度、压力和温度中的一者或多者的变化。4D地震数据可以被认为是时移地震数据的一种形式。
作为示例,地震勘测和/或其他数据采集可以用于陆上和/或海上地质环境。关于海上,如所提到的,可以利用拖缆、海床电缆、节点和/或其他装备。作为示例,节点可以用作海床电缆的替代和/或补充,海床电缆已经安装在几个油田中以采集4D地震数据。节点可以被部署以采集地震数据(例如,4D地震数据),并且可以在采集地震数据之后被取回。作为示例,4D地震勘测可能需要旨在实现数据可重复性的一个或多个过程。4D勘测可以包括两个阶段:基线勘测阶段和监测勘测阶段。
作为示例,可以在称为“深度成像”的技术中处理地震数据以在深度域中形成特定目标结构(例如,感兴趣的地质地下区域)的反射振幅的图像(例如,深度图像)。
作为示例,地震数据可以被处理以获得与地质地下区域的弹性性质有关的弹性模型。例如,考虑弹性性质,诸如密度、压缩(P)阻抗、压缩速度(vp)与剪切速度(vs)的比率、各向异性等。作为示例,弹性模型可以提供关于勘测区域的岩性、储层质量、流体等的各种洞察。
图4示出了井场系统400的示例(例如,在可以位于陆上或海上的井场处)。如图所示,井场系统400可包括:用于贮存泥浆和其他材料的泥浆罐401(例如,其中泥浆可以是钻井液);用作泥浆泵404的入口的吸入管线403,所述泥浆泵用于从泥浆罐401泵送泥浆使得泥浆流至振动软管406;用于绞盘一根或多根钻井钢丝绳412的绞车407;用于从振动软管406接收泥浆的立管408;用于从立管408接收泥浆的方钻杆软管409;一个或多个鹅颈管410;游动滑车411;用于经由一根或多根钻井钢丝绳412承载游动滑车411的天车413;井架414;方钻杆418或顶驱440;方钻杆补心419;转盘420;钻台421;喇叭口短节422;一个或多个防喷器(BOP)423;钻柱425;钻头426;套管头427;和用于将泥浆和其他材料输送到例如泥浆罐401的流管428。
在图4的示例性系统中,通过旋转钻井在地下地层430中形成井眼432;需注意,各种示例性实施方案也可以使用定向钻井。
如图4的示例所示,钻柱425悬置在井眼432内并且具有钻柱组件450,该钻柱组件在其下端包括钻头426。作为示例,钻柱组件450可以是底部钻具组件(BHA)。
井场系统400可以提供钻柱425的操作和其他操作。如图所示,井场系统400包括平台411和定位在井眼432上方的井架414。如所提到的,井场系统400可包括转盘420,其中钻柱425穿过转盘420中的开口。
如图4的示例所示,井场系统400可包括方钻杆418和相关联部件等,或者顶驱440和相关联部件。关于方钻杆的示例,方钻杆418可以是方形或六边形金属/合金杆,其中钻有用作泥浆流动路径的孔。方钻杆418可用于将旋转运动从转盘420经由方钻杆补心419传递到钻柱425,同时允许钻柱425在旋转期间下放或升高。方钻杆418可以穿过可由转盘420驱动的方钻杆补心419。作为示例,转盘420可包括主补心,该主补心操作地耦接到方钻杆补心419,使得转盘420的旋转可转动方钻杆补心419并因此转动方钻杆418。方钻杆补心419可包括与方钻杆418的外部轮廓(例如,正方形、六边形等)匹配的内部轮廓;然而,其具有稍大的尺寸使得方钻杆418可以在方钻杆补心419内自由地上下移动。
关于顶驱示例,顶驱440可以提供由方钻杆和转盘执行的功能。顶驱440可以转动钻柱425。作为示例,顶驱440可包括一个或多个(例如,电动和/或液压)马达,所述马达利用适当的传动装置连接到称为空心轴的短管段,所述短管段又可旋入保护接头或钻柱425本身。顶驱440可以悬置在游动滑车411上,因此该旋转机构可以自由地沿着井架414上下移动。作为示例,顶驱440可以允许使用比方钻杆/转盘方式更多的单根立柱来执行钻井。
在图4的示例中,泥浆罐401可以贮存泥浆,泥浆可以是一种或多种类型的钻井液。作为示例,可以钻取井筒以开采流体、注入流体或两者(例如,烃类、矿物质、水等)。
在图4的示例中,钻柱425(例如,包括一个或多个井下工具)可以由以螺纹方式连接在一起的一系列管件组成,以形成在其下端具有钻头426的长管。随着钻柱425进入井筒中用于钻井,在钻井之前或与钻井重合的某个时间点,可以通过泵404从泥浆罐401(例如,或其他来源)将泥浆经由管线406、408和409泵送至方钻杆418的端口,或者例如泵送至顶驱440的端口。泥浆然后可以经由钻柱425中的通道(例如,或多个通道)流动并且在位于钻头426上的端口流出(例如,参见方向箭头)。随着泥浆经由钻头426中的端口离开钻柱425,泥浆可以向上循环通过钻柱425的外表面和周围井壁(例如,裸井眼、套管等)之间的环空区域,如方向箭头所示。以这种方式,泥浆润滑钻头426并将热能(例如,摩擦或其他能量)和地层岩屑携带至地面,其中泥浆(例如,以及岩屑)可以返回到泥浆罐401例如用于再循环(例如,通过处理以去除岩屑等)。
由泵404泵送到钻柱425中的泥浆在离开钻柱425之后可以形成贴附在井筒的泥饼,除了其他功能之外,这可以减小钻柱425与周围井壁(例如,井眼、套管等)之间的摩擦。摩擦的减小可以促进钻柱425的前进或回缩。在钻井操作期间,整个钻柱425可以从井筒中起出并且可选地例如用新的或锋利的钻头、较小直径的钻柱等替换。如所提到的,将钻柱起出井眼或在井眼中替换钻柱的动作被称为起下钻。根据起下钻方向,起下钻可以被称为向上起钻或向外起钻或向下下钻或向内下钻。
作为示例,考虑向下下钻,其中在钻柱425的钻头426到达井筒底部时,泥浆的泵送开始润滑钻头426以用于钻进目的以扩大井筒。如所提到的,可以通过泵404将泥浆泵送到钻柱425的通道中,并且在填充通道时,泥浆可以用作传输能量(例如可以像泥浆脉冲遥测那样编码信息的能量)的传输介质。
作为示例,泥浆脉冲遥测装备可以包括井下装置,该井下装置被配置为实现泥浆中的压力变化以产生可基于其来调制信息的一个或多个声波。在此类示例中,来自井下装备(例如,钻柱425的一个或多个模块)的信息可以向上传输到井口装置,井口装置可以将此类信息中继到其他装备以进行处理、控制等。
作为示例,遥测装备可以通过经由钻柱425本身传输能量来操作。例如,考虑将经编码的能量信号传递给钻柱425的信号发生器,以及可以接收这种能量并对其进行中继以进一步传输经编码的能量信号(例如,信息等)的中继器。
作为示例,钻柱425可以配备有遥测装备452,该遥测装备包括:可旋转驱动轴;涡轮叶轮,其机械地耦接到驱动轴,使得泥浆可以使涡轮叶轮旋转;调制器转子,其机械地耦接到驱动轴,使得涡轮叶轮的旋转导致所述调制器转子旋转;调制器定子,其邻近或接近调制器转子而安装,使得调制器转子相对于调制器定子的旋转在泥浆中产生压力脉冲;以及可控制动器,其用于选择性地制动调制器转子的旋转以调制压力脉冲。在此类示例中,交流发电机可以耦接到上述驱动轴,其中交流发电机包括至少一个定子绕组,该定子绕组电耦接到控制电路,以选择性地使该至少一个定子绕组短路以电磁制动交流发电机,从而选择性地制动调制器转子的旋转以调制泥浆中的压力脉冲。
在图4的示例中,井口控制和/或数据采集系统462可包括用于感测由遥测装备452生成的压力脉冲并且(例如)传送感测到的压力脉冲或从中导出的信息以用于处理、控制等的电路。
所示示例的组件450包括随钻测井(LWD)模块454、随钻测量(MWD)模块456、可选模块458、旋转导向系统和马达460(RSS)以及钻头426。
LWD模块454可以容纳在合适类型的钻铤中,并且可以包含一个或多个所选类型的测井工具。还应该理解,可以采用一个以上的LWD和/或MWD模块,例如,如钻柱组件450的模块456所表示的。在提到LWD模块的位置的情况下,作为示例,其可以指LWD模块454、模块456等的位置处的模块。LWD模块可以包括用于测量、处理和存储信息的能力,以及与地面装备通信的能力。在所示示例中,LWD模块454可包括地震测量装置。
MWD模块456可以容纳在合适类型的钻铤中,并且可以包含用于测量钻柱425和钻头426的特性的一个或多个装置。作为示例,MWD工具454可以包括用于产生电力的装备,例如,以为钻柱425的各种部件供电。作为示例,MWD工具454可以包括遥测装备452,例如,其中涡轮叶轮可以通过泥浆的流动来产生电力;可以理解,可以采用其他电源和/或电池系统来为各种部件供电。作为示例,MWD模块456可包括以下类型的测量装置中的一种或多种:钻压测量装置、扭矩测量装置、振动测量装置、冲击测量装置、黏滑测量装置、方向测量装置和倾斜度测量装置。
关于RSS 460,可以使用各种类型的合适的旋转导向工具构造。例如,RSS可以包括采用与井筒壁接合的叶片的基本上不旋转(或缓慢旋转)的外壳。叶片与井筒壁的接合旨在偏心于工具主体,从而在钻井时将钻头指向或推动到期望的方向。在钻井期间,部署在外壳中的旋转轴将旋转动力和轴向钻压传递到钻头。加速度计和磁力计组可以被部署在外壳中,并且因此相对于井筒壁不旋转或缓慢旋转。作为示例,诸如POWERDRIVE旋转导向系统(德克萨斯州休斯敦的斯伦贝谢有限公司)的RSS可以与钻柱一起完全旋转(例如,外壳与钻柱一起旋转)。作为示例,RSS可利用内部导向机构,该内部导向机构可在不需要与井筒壁接触的情况下操作并且可使工具主体能够与钻柱一起完全旋转。作为示例,RSS可以包括提供接触井筒壁的泥浆驱动叶片(或垫)的使用的特征。当这样的系统在井筒中旋转时,叶片(或垫)的延伸可以被快速且连续地调节。作为示例,RSS可以包括并利用在旋转头(swivel)处与上部部分接合的下部导向部分。这种旋转头可以经由活塞主动倾斜,以便在BHA在井筒中旋转时改变下部部分相对于上部部分的角度并保持期望的钻井方向。作为示例,一个或多个加速度计和磁力计组可与钻柱一起旋转,或者可另选地被部署在内部滚动稳定的壳体中,使得它们保持基本上静止(在偏置阶段)或相对于井筒缓慢旋转(在中性阶段)。为了钻出期望的曲率,在钻井期间,偏置阶段和中性阶段可以以预定比率(称为转向比(SR))交替。
作为示例,钻孔的偏向可以部分地通过使用井下马达和/或涡轮来实现。关于马达,例如,钻柱可包括容积式马达(PDM)。偏斜也可以通过使用旋转导向系统(RSS)来实现。
图4还示出了可以钻取的井眼的类型的一些示例。例如,考虑斜直井眼472、S形井眼474、深倾斜井眼476和水平井眼478。
作为示例,钻井操作可以包括定向钻井,其中例如井的至少一部分包括弯曲轴线。例如,考虑限定曲率的半径,其中相对于垂直方向的倾斜度可以变化,直到达到约30度和约60度之间的角度,或者例如,达到约90度或可能大于约90度的角度。
作为示例,定向井可以包括多种形状,其中每种形状可旨在满足特定的操作要求。作为示例,在将信息传递给钻井工程师时可以基于该信息执行钻井过程。作为示例,可以基于在钻井过程期间接收的信息修改倾斜度和/或方向。
作为示例,系统可以是导向系统并且包括用于执行诸如地质导向的方法的装备。作为示例,导向系统可以包括位于钻柱下部的PDM或涡轮,其恰好位于钻头上方,可以安装弯接头。作为示例,在PDM的上方,可以安装提供感兴趣的实时或接近实时数据(例如,倾斜度、方向、压力、温度、钻头上的实际重量、扭矩应力等)的MWD装备和/或LWD装备。对于后者,LWD装备可以向地面发送各种类型的感兴趣数据,包括例如地质数据(例如,伽马射线测井、电阻率、密度和声波测井等)。
实时或接近实时地提供关于井轨迹的进程的信息的传感器与例如从地质角度表征地层的一个或多个测井记录的耦接可以允许实现地质导向方法。这种方法可包括导航地下环境,例如,以遵循期望的路线到达期望的一个或多个目标。
作为示例,钻柱可以包括用于测量密度和孔隙度的方位密度中子(ADN)工具;用于测量倾斜度、方位角和冲击的MWD工具;用于测量电阻率和伽马射线相关现象的补偿双电阻率(CDR)工具;一个或多个可变径稳定器;一个或多个弯曲接头;以及地质导向工具,其可包括马达和可选地用于测量和/或响应于倾斜度、电阻率和伽马射线相关现象中的一者或多者的装备。
作为示例,地质导向可以包括基于井下地质测井测量结果,以旨在将定向井筒保持在期望区域、地带(例如,产油层)等内的方式进行井筒的有意定向控制。作为示例,地质导向可包括引导井筒以将井筒保持在储层的特定井段,例如,以最小化气体和/或水的突破,并且例如最大化包括井筒的井的经济产量。
再次参考图4,井场系统400可包括一个或多个传感器464,所述一个或多个传感器操作地耦接到控制和/或数据采集系统462。作为示例,一个或多个传感器可以位于地面位置。作为示例,一个或多个传感器可以位于井下位置。作为示例,一个或多个传感器可以位于不在距离井场系统400大约一百米的距离内的一个或多个远程位置。作为示例,一个或多个传感器可位于补偿井场,其中井场系统400和补偿井场处于共同的油气田(例如,油田和/或气田)中。
作为示例,可以提供一个或多个传感器464用于跟踪钻杆、跟踪钻柱的至少一部分的移动等。
作为示例,系统400可以包括一个或多个传感器466,所述一个或多个传感器可以感测和/或传输信号到流体管道,诸如钻井液管道(例如,钻井泥浆管道)。例如,在系统400中,一个或多个传感器466可以操作地耦接到立管408的泥浆流过的部分。作为示例,井下工具可以产生脉冲,脉冲可以穿过泥浆并且由一个或多个传感器466中的一个或多个感测到。在此类示例中,井下工具可以包括相关联的电路,例如,可以编码信号例如以减少对传输的要求的编码电路。作为示例,位于地面的电路可包括解码电路,以解码至少部分地经由泥浆脉冲遥测传输的经编码信息。作为示例,位于地面的电路可包括编码器电路和/或解码器电路,并且井下电路可包括编码器电路和/或解码器电路。作为示例,系统400可包括发射器,该发射器可以生成可经由作为传输介质的泥浆(例如,钻井液)在井下传输的信号。
作为示例,一种方法可以包括随钻地震。例如,考虑使用SEISMICVISION随钻地震装备(德克萨斯州休斯敦的斯伦贝谢有限公司),该装备可以在钻井操作期间实时提供时间-深度-速度信息。随钻地震可以包括获取井眼地震测量结果(例如,任选地包括实时校验炮、间隔速度数据等),这有助于减少钻头前方的不确定性(例如,从几百英尺或更多)。作为示例,实时波形可以通过MWD遥测传输到地面,以用于井下数据的质量控制等。在随钻地震中,实时波形分辨率和足够的长度可以提供超前垂直地震剖面(VSP)处理。随钻地震可以与一种或多种其他技术相结合,这可促进结构标识(例如,解释)、模型构建等。随钻地震可用于例如根据计划的轨迹引导钻井和/或确定何时或何处偏离计划的轨迹(例如,更新一个或多个目标位置等)。
图5示出了环境501的示例,该环境包括地下部分503,其中钻机510被定位在钻孔520上方的地面位置处。在图5的示例中,可以操作各种电缆服务装备以执行一种或多种电缆服务,包括例如从钻孔520内的一个或多个位置采集数据。
在图5的示例中,钻孔520包括钻杆522、套管鞋、电缆侧入接头(CSES)523、湿式连接器适配器526和裸眼井段528。例如,钻孔520可以是垂直钻孔或偏斜钻孔,其中钻孔的一个或多个部分可以是垂直的,以及钻孔的一个或多个部分可以是偏斜的,包括基本上水平的。
在图5的示例中,CSES 523包括电缆夹525、封隔密封组件527和止回阀529。这些部件可以提供测井电缆530的插入,该测井电缆包括在钻杆522外部延续以被插入钻杆522的部分532,使得测井电缆的至少一部分534在钻杆522内部延续。在图5的示例中,测井电缆530延续经过湿式连接器适配器526并进入裸眼井段528到达测井管柱540。
如图5的示例所示,测井车550(例如,电缆服务车辆)可以在系统560的控制下部署电缆530。如图5的示例所示,系统560可以包括一个或多个处理器562、操作地耦接到一个或多个处理器562中的至少一个处理器的存储器564、可以例如存储在存储器564中的指令566以及一个或多个接口568。作为示例,系统560可以包括一个或多个处理器可读介质,所述一个或多个处理器可读介质包括可由一个或多个处理器562中的至少一个处理器执行的处理器可执行指令,以使系统560控制测井管柱540和/或测井车550的装备的一个或多个方面。在此类示例中,存储器564可以是或包括一个或多个处理器可读介质,其中处理器可执行指令可以是或包括指令。作为示例,处理器可读介质可以是计算机可读存储介质,其既不是信号也不是载波。
图5还示出了可以操作地耦接到系统560例如以为系统560供电的电池570。作为示例,电池570可以是备用电池,其在另一电源不可用于为系统560供电(例如,经由试井车550的发电机、单独的发电机、电力线等)时操作。作为示例,电池570可以操作地耦接到网络,该网络可以是云网络。作为示例,电池570可以包括智能电池电路,并且可以经由SMBus或其他类型的总线操作地耦接到一件或多件装备。
作为示例,系统560可以操作地耦接到客户端层580。在图5的示例中,客户端层580可以包括允许经由一个或多个专用网络582、一个或多个移动平台和/或移动网络584以及经由“云”586进行访问和交互的特征件,其可以被认为包括形成网络(诸如多个网络中的一个网路)的分布式装备。作为示例,系统560可以包括用于建立多个连接(例如,会话)的电路。作为示例,连接可以经由一种或多种类型的网络。作为示例,连接可以是客户端-服务器类型的连接,其中系统560在客户端-服务器架构中用作服务器。例如,客户端可以登录到系统560,在该系统中可以任选地同时处理多个客户端。
作为示例,地震工作流可以提供对微震数据作为一种类型的地震数据的处理。微震监测(例如,一种类型的地震勘测)提供了实时评估水力裂缝处理的有价值的工具,并且可以用于计划和管理储层开发。微震事件位置、源特性和属性能够提供水力压裂几何结构的估计,其能够相对于完井计划和预期的裂缝生长进行评估。微震事件导出的属性(诸如裂缝方位角、高度和长度、位置和复杂性)可以用于确定储层目标的裂缝覆盖范围和有效增产体积,以及用于诊断储层的欠增产段和用于计划对欠生产射孔和井的再增产。微震事件位置还可以帮助避免在增产期间的危害(例如,断层、岩溶、蓄水层等)。作为示例,一种方法可以包括作为地震解释工作流的一部分至少部分地基于微震解释对一个或多个处理计划和操作的修改。
利用多尺度、多域测量结果和微震解释的集成工作流可以允许优化水力压裂处理以增加产量。这种集成完井计划工作流可以使用关于地质(例如,岩性、应力差、自然压裂、结构或沉积倾斜、断层)和相关联的岩石性质(例如,噪声、慢度、各向异性、衰减)的各种各样的信息来改进水力压裂操作,以导致改进的水力裂缝增产、完井计划和井布置,并且由此提高产量。作为示例,微震事件位置和属性可以被集成并且与处理压力记录、支撑剂浓度和注入速率进行比较以更好地执行现场操作。
图1、图2、图3、图4和图5示出了在各种环境示例中的装备的各种示例。作为示例,一个或多个工作流可以被实现为在一个或多个环境中使用装备来执行操作。作为示例,工作流可以旨在理解环境。作为示例,工作流可以包括执行地震勘测,其可以是陆基的、海基的(例如,船舶、洋底等)或陆基和海基的。作为示例,地震勘测可以包括采集几何结构,其中接收器和/或源根据采集几何结构定位。作为示例,可以使用被定位在地下环境中(例如,在井眼中)的一个或多个接收器和/或一个或多个源来执行地震勘测。作为示例,工作流可以包括采集各种类型的数据,其可以包括作为一种类型的数据的地震数据和一种或多种其他类型的地球物理数据,其可以包括成像数据(例如,井眼成像、卫星成像、无人机成像等)。
作为示例,工作流可以旨在钻入环境中,例如,以形成由周围大地(例如,岩石、流体等)限定的钻孔。作为示例,工作流可以旨在从设置在钻孔中的井下工具采集数据,其中这样的数据可以经由钻井工具(例如,作为底部钻具组件的一部分)和/或电缆工具采集。作为示例,工作流可以旨在例如经由套管来支持钻孔。作为示例,工作流可以旨在例如经由流体的注入来压裂环境。作为示例,工作流可以旨在经由钻孔从环境中生产流体。作为示例,工作流可利用至少部分地经由计算机(例如,计算装置、计算系统等)操作的一个或多个框架。
图6示出了正演建模610的示例和反演630(例如,反演或反转)的示例。如图所示,正演建模610从声阻抗的地球模型和输入小波进行到合成地震道,而反演630从记录的地震道进行到估计的小波和声阻抗的地球模型。作为示例,正演建模可以采用地层性质(例如,可以从测井获得的声阻抗)的模型,并且将这种信息与地震波长(例如,脉冲)组合以输出一个或多个合成地震道,而反演可以以记录的地震道开始,计及估计的小波(例如,脉冲)的效应以生成一系列时间点(例如,深度)的声阻抗值。
作为示例,一种方法可以采用振幅反演。例如,振幅反演方法可以接收反射地震波在多个反射点的到达时间和振幅,以求解由成像反射体界定的地层的相对阻抗。这种方法可以是用于储层表征的地震反演的形式,其可以帮助生成岩石性质的模型。
作为示例,反演过程可以以正演建模开始,例如,以提供具有估计的地层深度、厚度、密度和速度的层模型,这可以例如至少部分地基于诸如测井信息的信息。模型可以计及压缩波速度和密度,这可以用于P波或声阻抗的反转。作为示例,模型可以计及剪切速度,并且例如求解S波或弹性阻抗。作为示例,模型可以与地震小波(例如,脉冲)组合以生成合成地震道。
反演可以旨在通过例如在正演建模和反演之间迭代、同时设法使一条或多条合成迹线和实际地震数据之间的差异最小化,来生成“最佳拟合”模型。
作为示例,可以实现诸如ISIS反演框架(德克萨斯州休斯敦的斯伦贝谢有限公司)的框架来执行反演。作为示例,可以实现诸如线性化正交反演框架(德克萨斯州休斯敦的斯伦贝谢有限公司)的框架来执行反演。
如上面提到的,关于地震数据,正演建模可以包括接收声阻抗的地球模型和到合成地震道的输入小波,而反转可以包括从记录的地震道进行到估计的小波和声阻抗的地球模型。
作为示例,另一种正演建模和反演的方法可以是用于至少部分地经由井下工具采集的测量结果,其中这样的测量结果可以包括不同类型的测量结果中的一者或多者,其可以被称为多物理测量结果。作为示例,多物理测量结果可以包括随钻测井(LWD)测量结果和/或电缆测量结果。作为示例,一种方法可以包括用于解释多物理随钻测井(LWD)测量结果和/或电缆(WL)测量结果的联合岩石物理反演(例如,反转)。
作为示例,一种方法可以包括根据各种随钻测井(LWD)测量结果(例如,包括压力、电阻率、声波和核数据)和/或电缆(WL)测量结果来估计静态和/或动态地层性质,所述随钻测井测量结果和/或电缆测量结果可以至少提供表征地层的地层参数。作为示例,在方法在钻井期间执行的情况下,LWD测量结果可以在联合反演中使用,以输出可以用来引导钻井(例如,避免卡钻,减少一种或多种类型的地层破坏等)的地层参数(例如,地层参数值)。
在石油勘探和开发中,执行地层评估以解释从钻取的井眼采集的数据,从而提供关于地质地层和/或一种或多种原位流体的信息,所述信息可用于评估被井眼穿透的储集岩的生产性能。
作为示例,用于地层评估的数据可以包括岩心数据、泥浆测井数据、电缆测井数据(例如,电缆数据)和LWD数据中的一者或多者,其中LWD数据可以是用于某一类型或某些类型的地层评估的源(例如,特别是当电缆采集在操作上是困难的和/或在经济上不可行时)。
关于测量结果的类型,这些测量结果可以包括例如电阻率、伽马射线、密度、中子孔隙度、光谱、西格玛、磁共振、弹性波、压力和样本数据(例如,可以在钻井时采集以实现及时定量地层评估)中的一者或多者。
下面的表1示出了数据的一些示例,其可以被称为与岩石物理和岩石物理学性质计算和分析相关联的“测井”数据。
表1.测井数据的示例
来自一个或多个解释的信息可以以一种或多种方式与系统一起使用,该系统可以是井建造生态系统。例如,可以采集地震数据并对其进行解释,并且将其用于生成一个或多个模型(例如,地球模型),以用于一个或多个井的建造和/或操作的目的。
图7示出了计算框架700的示例,该计算框架可以包括一个或多个处理器和存储器以及例如一个或多个接口。图7的计算框架可以包括OMEGA框架(德克萨斯州休斯敦的斯伦贝谢有限公司)的一个或多个特征,该OMEGA框架包括用于双向波场外推建模的有限差分建模(FDMOD)特征,从而生成具有和不具有多次波的合成炮点道集(shot gather)。FDMOD特征可以通过使用全3D、双向波场外推建模来生成合成炮点道集,这可以利用由逆时偏移(RTM)使用的波场外推逻辑匹配。模型可以在密集3D网格上被指定为速度,并且任选地被指定为各向异性、倾角和可变密度。
如图7所示,计算框架700包括RTM、FDMOD、自适应波束偏移(ABM)、高斯包偏移(Gaussian PM)、深度处理(例如,基尔霍夫叠前深度偏移(KPSDM)、层析成像(Tomo))、时间处理(例如,基尔霍夫叠前时间偏移(KPSTM)、一般表面多次波预测(GSMP)、扩展层间多次波预测(XIMP))、框架基础特征、桌面特征(例如,GUI等)以及开发工具的特征。
框架700可以包括用于地球物理数据处理的特征。框架700可以允许处理各种类型的数据,例如以下中的一者或多者:陆地、海洋和过渡区数据;时间和深度数据;2D、3D和4D勘测;各向同性和各向异性(TTI和VTI)速度场;以及多成分数据。
框架700可允许将地震、电磁、微震和/或垂直地震剖面(VSP)数据转换成可付诸行动的信息,例如,以在现场执行一个或多个动作,以用于资源生产等目的。框架700可以将工作流扩展到储层表征和地球建模中。例如,框架700可以通过经由地球模型构建(EMB)工具与PETREL框架集成来将地球物理数据处理扩展到储层建模中,这实现了各种深度成像工作流,包括模型构建、编辑和更新、深度层析成像QC、剩余时差分析和体积共像点(CIP)选取QC。这样的功能性与框架的深度层析成像和偏移算法相结合,可以产生地下的准确和精确的图像。框架700可以为从勘探到开发的场到最终成像、到叠前地震解释和定量解释提供支持。
作为示例,FDMOD部件可以经由一个或多个CPU和/或一个或多个GPU来实例化,以用于一个或多个目的。例如,考虑通过使用全3D双向波场外推建模利用FDMOD来生成合成炮点道集,相同波场外推逻辑匹配由逆时偏移(RTM)使用的逻辑。FDMOD可以对波传播的各个方面和效果进行建模。来自FDMOD的输出可以是或包括合成炮点道集,该合成炮点道集包括直达波、初至波、表面多次波和层间多次波。该模型可以在密集3D网格上被指定为速度,并且任选地被指定为各向异性、倾角和可变密度。作为示例,可以对勘测设计进行建模以确保地震勘测的质量,这可以计及模型的结构复杂性。这种方法能够评估目标区域被照亮的程度。这种方法可以是作为地震工作流的一部分的质量控制过程(例如,任务)的一部分。作为示例,可指定FDMOD方法的大小,其可以是模型大小(例如,网格单元模型大小)。这种参数可以用于确定将被分配以执行FDMOD相关处理任务的资源。例如,可以确立模型大小与CPU、GPU等之间的关系,以用于在期望时间量内生成结果的目的,该期望时间量可以是地震解释工作流的计划(例如,调度)的一部分。
作为示例,随着勘测数据变得可用,可以执行解释任务以对地质环境的一个或多个模型进行构建、调整等。例如,考虑在海上时传输所采集的数据的一部分并且在港口时传输所采集的数据的一部分的船舶,这可以包括物理地卸载一个或多个存储装置并且将这样的一个或多个存储装置运输到陆上站点,该陆上站点包括操作地耦接到一个或多个网络(例如,电缆等)的装备。由于数据是可用的,因此存在用于要执行的任务的选项。
本公开的各种实施方案可以提供用于将数据解释成储层表征工作流的系统、方法和计算机可读存储介质。在某些实施方案中,该方法可以减少在储层表征研究中解释所花费的时间,同时提高质量和生产率,同时降低成本。当利用一种或多种自动解释技术时,储层表征可以更准确。
作为示例,一种方法可以包括将机器学习和人工智能应用于地震表面提取。在各种情况下,对于地球的各个区域,大量的训练数据对于特定的表面是不可用的。在这种情况下,可用数据可以包括一些半人工解释的数据。对于生成经训练的系统的可接受学习,期望可靠的训练数据以及最小的用户输入(例如,人力时间、资源等)。
作为示例,方法可以实现集成方法,其中跟踪和学习逐渐扩展可用训练数据的量,并且改进用于地下表面的鲜明特征的一个或多个模型,诸如在地震数据的迹线中所指示的(例如,参见图3的迹线396,其被给定为1D中相对于时间的振幅,需注意,该时间可以是深度或距离的代表)。
作为示例,用于训练机器模型的方法可以以交互方式操作,其中例如用户可以选择或输入训练信息以训练机器模型,或者其中用户选择用于选择训练信息的自动化技术以训练机器模型。作为示例,训练信息可以包括一个或多个事件的位置信息。例如,用户可以在地震数据的可视化呈现上选取点(其中该点表示事件),或者自动化技术可以分析表示一个或多个事件的一个或多个点的地震数据。
作为示例,方法可以以用户选取的少至单个点开始,该用户与呈现到地震数据解释系统(例如,计算框架)的显示器的图形用户界面(GUI)进行交互。在此类示例中,用户可以经由鼠标、手指、语音命令、触笔等与系统进行交互,使得可以相对于地震数据(例如,三维中的地震立方体)来配准点,其中该点可以例如与迹线相关联。在此类示例中,无论迹线是相对于时间还是另一维度来指定的,该点都可以被确定为对应于迹线的点。在此类示例中,该点可以对应于由沿着迹线的维度定义的振幅(例如,作为事件等)。作为示例,点可以与窗口相关联,该窗口可以在一个或多个方向上延伸。在1D场景中,对于相对于时间定义的迹线,窗口可以延伸到比特定的具体点的时间更少的时间和/或更长的时间。由于在给定地震勘测几何结构的情况下,迹线可以具有已知位置,因此可以基于来自地震勘测几何结构的信息(例如,接收以振幅对时间1D迹线的形式表示的地震能量的接收器的位置等)知道或近似估计该迹线的位置。作为示例,解释器(interpreter)可以在视觉上认为选取点与地下环境中的诸如反射体或其他地质特征的特征相关联。以这种方式,地震勘测可以被变换成被勘测的地下环境的模型。
作为示例,给定至少一个选取点,方法可以涉及后续的稳健跟踪以提供附加的训练数据,同时生成更稳健的机器学习模型以识别该点对应的特定表面(例如,地质特征的表面)。在此类示例中,方法可以从最小用户输入(例如,至少一个选取点)构建可接受量的训练数据。
在各种地震解释工作流中,地震表面跟踪涉及许多参数,这些参数需要根据待跟踪的表面进行微调。作为示例,利用机器学习和人工智能的地震解释系统可以通过自调谐(例如,学习)来学习以自动识别表面鲜明特征,这可以为解释器省去相当大量的工作。例如,考虑与利用许多参数的手动调谐方法相比利用较少参数的自调谐方法。自调谐方法可以允许解释器继续进行各种解释任务,任选地进行快速修正,而不必导航到GUI的参数字段以对许多参数的列表进行调谐、重新调整等。此外,一种方法可以包括生成和输出置信度信息,该置信度信息可以允许用户确定解释的质量。例如,考虑包括生成置信度立方体作为一种类型的解释属性的方法,可以通过将置信度立方体(例如,体积、幻灯片、线、点等)可视化呈现到显示器来使解释属性可视化。在此类示例中,用户可以基于这样的可视化呈现来选择底层地震数据的一个或多个部分以用于接受、修正等,其中用户具有关于置信度并且因此关于质量(例如,是好还是差)的指示。
如所提到的,一种方法可以包括通过接收指示要从地震数据识别和提取的表面的一个或多个点开始。这样的一个或多个点和地震数据提供用于提取训练数据以进行机器学习的第一基础。由于机器学习可以涉及正例(positive example)和负例(negativeexample)两者,因此可以提取示例数据中的点周围的振幅数据作为正例。负例可以例如在除了由输入点指示的位置之外的其他位置周围提取。例如,可以利用度量,该度量是基于关于地球的区域的地质知识的距离度量或时间度量(例如,关于迹线数据),使得负例可能与正例充分不同。
作为示例,为了使假负例的机会最小化,可以从沿着与提取正例相同的迹线的其他位置取得负例。在这种情况下的一个示例可以是地震立方体中的指定位置周围的振幅值。示例还可以包括从地震数据导出的属性数据(例如,一个或多个地震属性、其他属性等)。
给定正例数据和负例数据,机器学习或统计学习可以被应用来学习模型M(例如,机器模型)以预测示例性地震数据剖面是否表示感兴趣的表面。在这种情况下,剖面可以意味着周围的数据。作为示例,习得的模型(例如,经训练模型)可以产生输出,该输出在范围[0,1]或指示所提供的示例数据是期望表面的置信度的其他范围中。
如所提到的,置信度值可以以对应于地震数据阵列的形式存储。作为示例,点可以包括一个或多个置信度值,其可以提供方向性和/或其他度量。作为示例,一种方法可以包括基于可以是地震数据以外的一种或多种类型的数据来计算信息。例如,考虑电缆数据、随钻测量/测井数据等。在此类示例中,可以基于这样的数据来计算一个或多个度量,其中可以至少部分地基于一个或多个度量中的至少一个度量来确定置信度。作为示例,基于从井眼(或者例如一种岩性、流体等)中采集的数据、基于从井眼中采集的可以使用地震数据来评估的数据,考虑关于鲜明特征的置信度和关于位置的置信度。这样,一种类型的置信度可以与地震鲜明特征相关联,并且另一种类型的置信度可以与至少一种其他类型的信息相关联。
作为示例,所生成的模型可被应用于一个或多个目的,如可适合于一个或多个工作流。例如,考虑使用上述模型M作为表面跟踪(例如,地震表面跟踪)的质量度量、作为地震数据中的“检测器”和/或作为转换器以产生置信度显示体积/2D线作为进一步的解释辅助。
用作表面跟踪的质量度量,模型M可提供用于确定表面跟踪算法是否能够自信地在其开始时进一步在表面上进行跟踪或者是否建议停止(例如,表面的结束、地震鲜明特征的变化等)的基础。
作为示例,在4D地震勘测数据可用的情况下,可以重新应用一个或多个鲜明特征、模型等。例如,考虑利用涉及基于在时间T0处的基线地震勘测进行训练、然后经由在时间T1处的监测地震勘测来采集地震数据的方法。在此类示例中,从基线地震勘测数据的训练/学习可以被应用于解释监测地震勘测数据,和/或新的训练/学习可以被应用于监测地震勘测数据,其中由此生成的信息(例如,关于鲜明特征、模型等)可以与从基线地震勘测生成的信息进行比较。在此类示例中,信息之间的比较可以提供关于相对于时间勘测的地质区域中可能已经发生的物理变化的理解。在此类示例中,可以比较最终解释结果以及通过使用地震解释系统生成的信息,所述地震解释系统利用机器学习和人工智能来自动地评估地震数据。
关于用作扫描通过地震体积的“检测器”,模型M可以检测和建议体积中可能与一个或多个起始点是相同表面的位置。用作视觉辅助的转换器,模型M可以引导进一步的解释并使进一步的解释变得容易,因为其可以用于突出显示地震数据中模型M指示为可能是相同表面的地方,并且因此例如可以接下来被选取。
作为示例,模型M可以是人工神经网络模型、统计模型或另一种类型的数值计算结构,其可以以足够的精度捕获表面的地震鲜明特征,以将其与地震数据中的一个或多个其他表面区分开。模型的精度可以取决于所选择的表面、训练数据的量、地震数据质量以及用于估计M的方法的选择。
本文描述了各种示例,其包括径向基函数(RBF)方法的示例。RBF的示例可以是包括适于处理地震道的特征的RBF。例如,考虑包括重尾(heavy tail)或肥尾(fat tail)的RBF。肥尾分布可以被定义为相对于正态分布或指数分布而言表现出大的偏度或峰度的概率分布类型。
作为示例,RBF可以包括一个或多个衰减项。例如,考虑二次衰减。在此类示例中,置信度可以随着远离分布而降低,并且可以朝向某个值收敛(例如,考虑朝向0.5收敛等)。作为示例,考虑以下等式为表现出随维度d的衰减(例如,除以(1+d2)):
作为示例,径向基函数可以包括分类问题中的每个类的许多偏态分布。然而,关于高斯对重尾密度函数的1D观测适用于每个类和多维问题的多于一个核函数。利用高斯函数,可以向远离先前观测到的数据的离群值分配高级别置信度。然而,这对于重尾密度函数来说是不太可能的。基于现有地震数据观测的重尾径向基密度函数(RBF或RBDF)往往比高斯函数更稳健,以便进行非常不准确的预测。
关于用于跟踪,可通过基于跟踪点重新学习以及基于起始点和跟踪点两者提取新的/扩展的训练数据来精细化和改进模型M。这种方法可以是例如连续或逐步的过程。
图8示出了包括可以由地震解释系统实现的各种块的方法800的示例,所述地震解释系统可以是计算框架。如图8所示,方法800包括用于接收一个或多个选取点(例如,通过一个或多个解释器、一个或多个机器等)的接收块810、用于基于一个或多个选取点提取训练数据的提取块820、用于执行对数字鲜明特征(例如,数字地震数据中的地震鲜明特征,其可以呈模型的形式)的学习的执行块830、用于输出具有至少对应数字鲜明特征置信度得分的预测的输出块840、用于跟踪以扩展点集(例如,本地和/或以其他方式)的跟踪块845、用于生成和输出置信度得分的地震立方体(例如,或其他类型的数据结构)的生成和输出块850、用于扫描高于得分阈值(例如,可调整的置信度得分阈值等)的一个或多个检测点的扫描检测块860、以及用于将一个或多个检测点呈现到显示器的呈现块870,所述呈现可以根据得分阈值(例如,高于、低于、处于、在其范围内等)的应用。
如方法800中所指示的,一个参数可以是得分阈值。作为示例,例如,另一个参数可以是例如用于基于一个或多个选取点提取训练数据的窗口。作为又一示例,参数可以涉及“负”例,其可以确保“负”例与(例如,选取点的)“正”例充分不同。作为示例,可以实现其中选取正点和负点两者作为示例的方法。如相对于图8的示例所解释的,方法800可以用很少的参数来实现,并且可以以用户不必设置参数的方式来实现。例如,窗口可以按默认设置或以其他方式自动确定,负例可以自动确定,并且得分阈值可以自动确定,或者例如可作为呈现到显示器的图形用户界面上的图形控件,用户可在显示器中调整得分阈值的值、范围等。例如,考虑其中用户可向上或向下调整滑块以设置得分阈值的滑块控件,其中计算框架基于滑块的动作自动地将信息呈现到显示器。在此类示例中,计算机可以使用与高于或低于得分阈值的置信度相对应的点来将一个或多个表面、其部分等呈现到显示器。
如图8的示例所示,执行块830可以包括使用一种或多种技术执行学习,所述一种或多种技术可以包括RBF、神经网络(NN)、树和/或一种或多种其他技术。这样,用于基于数字鲜明特征的学习的学习块可以应用一种或多种不同的机器学习技术。如所提到的,可以利用RBF,其可以包括一个或多个重尾RBF等。
各种试验利用经由地震解释系统实现的方法,该方法包括接收来自地震立方体S的数据和作为输入的一组点P,所述一组点P表示地震数据中表面所在的位置。给定地震数据和点,以下方法动作包括:
1.提取训练数据
2.学习模型M(例如,径向基函数模型):
a.输出有关模型准确性的QC度量
3.从P开始跟踪,使用M评估来自S的数据,其中如果要跟踪:
a.输出表示跟踪点的点集P*,其中P是其子集。
4.通过使用M将S转换为[0,1]数据来创建输出体积S*
5.利用与上述动作2中计算的某个阈值进行比较的得分来检测整个S*位置:
a.创建指示这些位置的点集P’
b.P’可能来自迹线的随机子集,以节省时间和空间
图9示出了关于基于表面点(参见GUI 910中的圆圈)的训练数据的示例性提取的示例性图形用户界面(GUI)910和930。GUI 910示出了选取如在针对地质区域采集的地震数据中表示的表面上的点,其中还示出了用于提取迹线剖面的窗口,其中这种剖面可以被称为正剖面或正例;然而,GUI 930示出了负例,其中如在GUI 910中一样提取迹线的另一部分的迹线,其中迹线窗口覆盖迹线的未覆盖在GUI 910的窗口中的部分。如所指示的,负例的窗口的中心位于正例的窗口的中心上方的位置(例如,较早的时间、较浅的深度等)。作为示例,一种方法可以包括正点和负点,其中例如负点可以被称为避开点。
作为示例,可以通过在P中的每个点周围取得子图像(例如,在P中的每个点周围的地震道数据)来执行训练数据的提取,这可以是正例。在此类示例中,由于表面点可能不精确地落在地震立方体中的体素或地震剖面中的像素(例如,地震数据阵列、地震图像、地震体积等)的位置上,因此可以利用插值以子样本精度提取振幅值。然而,可以以类似于正例的方式从沿着与正例共同的迹线的不同位置提取负例。因此,单条迹线可以提供一个或多个负例和一个或多个正例。作为示例,负例可以从不包括对应正例的迹线中获得;然而,从共同的迹线获得负例和正例的方法可以在迹线作为1D数据结构被存储在存储装置的存储器中(例如,振幅对时间或深度)的情况下增加计算效率。例如,考虑其中在选择点时可以将向量加载到存储器中并且其中该向量可以是正例和一个或多个负例的源(例如,如访问并加载到RAM中的向量的部分等)的向量。
当学习模型M以进行预测时,如所提到的,可以采取一种或多种方法。各种试验包括实现径向基函数以计算预测。这种方法属于基于实例的学习的范畴,其中K近邻是实现方式的示例。在近邻分类中,一种方法可以包括将观测到的示例存储在数据库中,并且进行预测,从而找到K近邻以及基于加权距离函数产生预测。这种方法可能需要相当大的存储空间和相当大的计算资源来产生结果。
另一种方法可以涉及线性分类,其中每个类具有一个形心,并且其中预测是到类形心的距离的函数。径向基函数可以包括基于训练数据选择类形心,其中每个类可以有多于一个形心。因此,径向基函数可以表示线性分类器不表示的高维非线性流形,同时还能够例如通过具有比近邻分类器更少的要保存和比较的数据来减少存储和/或计算需求。
作为示例,用于创建M的所选方法可以是RBF方法或任选地随机森林(树)或人工神经网络(NN)或另一方法(例如,参见图8)。
作为示例,可以实现多于一种方法。作为示例,一种方法可以包括选择用于创建模型M的方法,其中模型M可以用于产生置信度值,例如,在给定新示例的范围[0,1]中。这种方法可以在一个或多个工作流中以单个或多重使用来实现。如所提到的,在跟踪中,如果候选表面的地震表示与所选择的表面的匹配超过阈值,则可以通过局部地查看附近的迹线来将点集P逐渐扩展成点集P*。使用优先队列,工作流可以涉及首先跟踪最佳匹配的新点。
如所提到的,工作流可以包括基于机器学习输出的置信度表面或置信度体积的使用,例如关于一个或多个被跟踪表面的可视化和/或质量控制。给定可以针对被跟踪表面计算的“置信度属性”,用户可以针对一个或多个选取点(例如,正例)并且任选地针对一个或多个负例比较一个或多个方法。如果表面在其一个或多个部分上具有一致的信号,则呈现到显示器的可视化可突出显示。如果表面的一个或多个部分(例如,多个部分)具有一个或多个低置信度得分,则这可以指示地震数据中这样的一个或多个部分可能不遵循地质表面。作为示例,置信度属性可被存储为置信度属性立方体(例如,体积)、置信度属性部分(例如,切片)、或以另一形式存储。作为示例,置信度属性可以被认为是可以用于一个或多个目的的特定类型的地震属性。
作为示例,如果跟踪器由于附近的类似地震事件(例如,反射等)而在一个或多个区域内的跟踪中不可接受地执行,则方法可以包括输入表示不被跟踪的一个或多个表面的额外点集。然后,这样的点集可以在学习中被给予额外的强调,例如,作为负例的一部分,以减少在跟踪中再次犯这样的错误的风险。这样的点集可以改变置信度得分,使得额外的点接收比没有给予它们特别强调的情况更低的得分。
图10示出了方法1000的示例,该方法包括选择正例和负例,并且利用机器学习来生成模型,该模型可被用于分析地震数据,并且用于在这样的地震数据内进行关于地震数据的各部分是否对应于地质特征的预测。虽然各种示例涉及选择(例如,选取和评估)表面,但是作为示例,特征可以包括诸如伪影(诸如采集几何结构伪影)的地震勘测特征。作为示例,地震解释系统可以包括伪影(例如,一种噪声)标识和表面标识。在此类示例中,用户可以选取表示伪影的点以及选取表示表面的点。这种方法可以帮助减少一个或多个伪影并且增强一个或多个表面。
同样,图10的示例性方法1000示出了从地震中提取训练数据作为输入点,其中正例被提取作为输入点周围的子图像,而负例被提取作为其他地方的子图像。这些示例可以用于机器学习以获得预测模型。例如,工作流可以包括对点的选择,这些点可以是各种类型(例如,正的、负的等)并且经由机器学习生成预测模型作为机器模型。
图11示出了用于径向基函数(RBF)学习的方法1100的示例。如图所示,负例和正例可被压缩成较小的正原型模式和负原型模式集合。给定原型模式,每个类(负或正)的置信度可以是由每个原型模式周围的各个密度函数组成的多模态相对密度函数(MRDF)。原型密度可以基于示例和原型模式之间的距离函数。虽然提到了距离,但是通常可以使用维度,其中这样的维度可以是距离、时间或其他度量。
图12示出了包括地震剖面的图形用户界面(GUI)1200的示例,其中四个选取点为白色。作为示例,选取点可以是一个或多个用户经由对呈现给显示器的地震数据的目视判读而选取的点,和/或可以是一个或多个机器经由执行算法而选取的点,该算法自动选择多个点作为要跟踪的结构特征的代表。
图13示出了包括基于四个选取点所显示的置信度的图形用户界面(GUI)1300的示例。在左上方的表中,指示置信度水平,其可以是彩色的以使高置信度信息从暗或灰度信息中脱颖而出。在图13的示例中,白色被用来表示高置信度水平。
图14示出了图形用户界面(GUI)1400的示例,其示出了从四个选取点开始并且由置信度体积(例如,置信度得分体积)引导的跟踪点。在图14的示例中,跟踪在断层处停止或者跟踪跨越断层,从而遵循置信度得分。在图14的示例中,断层是可以相对于表面“跟踪跨越”的中断。作为示例,一种方法可以包括诸如“跳跃”参数的参数,其可以遇到中断并标识关于在中断的另一侧的表面的跳跃、进行跳跃等。在此类示例中,跳跃可以被指定为“向上”跳跃、“向下”跳跃或者上下跳跃。例如,在关于层在断层期间可能如何移位的信息可用的情况下,方法可以实现基于这样的信息向上或向下跳跃的跳跃方法。这种方法可以加速“跳跃”跨过中断并改善跟踪。
作为示例,一种方法可以包括以迭代方式对地震数据执行分析,该迭代方式以相邻方式从选取点开始,或者一种方法可以包括以不遵循相邻方法但旨在对区域(可能是整个区域)进行分析的方式对地震数据进行分析。例如,方法可以实现连续性参数,使得表面将拥有连续性,任选地具有计及中断的跳跃。或者,例如,可以在不考虑连续性的情况下实现一种方法,并且该方法可以评估区域内的地震数据,该区域可以是整个地震立方体。在后一种情况下,处理可以任选地并行执行,以例如逐体素地计算地震立方体中的点的置信度信息,以生成置信度立方体。然后,这样的置信度立方体可以被呈现到显示器,在显示器中用户可以与GUI交互以调整置信度阈值(例如,或范围),和/或在显示器中用户可以实现计及邻域、邻接等的一个或多个跟踪例程以创建一个或多个连续结构(例如,表面或表面的部分)。作为示例,这种方法可以是多方向的和/或多种子的,并且任选地以串行处理、并行处理或者串行和并行处理的组合来实现。关于跟踪,跟踪的一个示例被称为蚂蚁跟踪。蚂蚁跟踪可以是一种自动跟踪或半自动跟踪,其可旨在促进多维地震数据的解释。然而,如所提到的,在断层和/或其他地层变化发生的情况下,跟踪可能遇到错误。关于置信度立方体的计算,这种方法可以帮助标识一个或多个表面和/或共同表面的部分,而不会遇到蚂蚁跟踪方法在断层或其他类型的中断处可能遇到的问题。在置信度立方体方法中,用户可以查看呈现,然后至少部分地基于置信度值来选择立方体的部分,然后将此类部分肯定地分配给共同表面,该共同表面在由反射地震学成像的地质区域中的一种或多种类型的中断上可以是不连续的,并且任选地经由一种或多种其他数据采集技术(例如,电缆、MWD、LWD、成像等)来补充。
在图14的示例性GUI 1400中,可以在地震立方体或置信度立方体内看到体素,体素可以被分配对应于至少部分地基于径向基函数方法的实现方式而计算的置信度值的颜色。
图15示出了图形用户界面(GUI)1500的示例,其中已经实现了跟踪,使得跟踪点由置信度得分来引导,如所提取的置信度所显示的。
图16示出了包括地震剖面的图形用户界面(GUI)1600的示例,其中一个起始点是白色填充圆,其是与图12、图13、图14和图15的先前示例不同的表面。
图17示出了图形用户界面(GUI)1700的示例,其包括使用置信度得分作为指导,从图16的一个起始点以白色呈现跟踪结果。在GUI1700中,置信度得分被显示在点上。同样,对于该试验,注意跟踪如何在断层处停止。
图18示出了图形用户界面(GUI)1800的示例。在图18的示例中,从表示为白色填充圆的一个起始点、跟随振幅峰值而跟踪表面,而不使用置信度得分用于引导。作为示例,一种方法可以包括使用振幅峰值和/或置信度得分。
图19示出了包括具有置信度得分的跟踪表面的图形用户界面(GUI)1900的示例。在图19的示例中,置信度得分揭示了具有高置信度的一个区域,但是较大区域具有低置信度。对于解释器,具有由地震解释系统生成的其呈现信息的这种GUI 1900可以是保证更接近的检查的信号,可能具有重新解释。作为示例,置信度得分可以用作考虑跟踪质量的度量。例如,考虑蚂蚁跟踪,其中可以实现可能包括图8的各种动作的方法以用于评估蚂蚁跟踪的质量。作为示例,可以以确定置信度信息(例如,基于RBF等)的方式来实现跟踪算法,使得可以评估和/或引导该算法。
图20示出了在剖面上显示置信度得分的图形用户界面(GUI)2000的示例,该置信度得分揭示了因为存在指示的错误所以表面在哪里可以被重新跟踪,并且在哪里重新跟踪可以减少该错误。
图21示出了包括使用神经网络的机器学习的方法2100的示例。在此类方法中,代替学习原型模式,如同径向基函数那样,在神经网络权重中捕获类信息。例如,经训练的网络可以从输入图像(例如,地震数据图像)产生并输出在例如范围[0,1]中的值,其可以被视为神经网络置信度得分。
图22示出了图形用户界面(GUI)2200的示例,其包括使用机器学习预测模型作为检测器进行的呈现,从而逐迹线地返回最高置信度,在置信度得分高于预先计算的阈值(例如,预定的等)的情况下,结果在表面处给出密集的点集。关于假正例,这些可以被看作是远离主表面(例如,要解释的期望表面)的点。这些点可以通过改变置信度得分阈值或者例如通过几何滤波来处理。关于几何滤波,这种方法可以利用邻域排除方法、双迹线标识排除方法、区域选择方法等。关于邻域排除,可以使用深度或时间范围内的极值点在所标识的表面周围绘制边界,其中可以选择该深度或时间范围之外(之上和/或之下)的点进行排除(过滤掉)。关于双迹线标识排除方法,可以指定准则,使得迹线要包括表面的单个实例,使得单个迹线不产生期望表面的多个实例。在此类方法中,可以利用相邻准则来确保排除离群值而不是期望表面。关于区域选择方法,用户可以与GUI 2100进行交互以选择空间中的点,这些点形成一区域,其中保持该区域内的表面标识并且排除该区域之外的那些表面标识。
关于包括网络(例如,基于核的神经网络等)的特征的各种类型的框架,考虑TENSORFLOW框架(加利福尼亚州山景城的谷歌公司(Google LLC)),其是用于数据流编程的开源软件库,该开源软件库包括符号数学库,该符号数学库可被实现用于可包括神经网络以及核方法(例如,具有线性模型)的机器学习应用。作为示例,可以实现CAFFE框架,该框架是伯克利分校人工智能实验室(Berkeley AI Research,BAIR)(加利福尼亚州伯克利的加州大学)开发的深度学习框架。作为示例,考虑SCIKIT-LEARN库或平台(例如,scikit-learn),其利用PYTHON编程语言(例如,具有用于神经网络、核方法等的特征)。作为示例,可以利用诸如APOLLO AI框架(APOLLO.AI GmbH公司,德国)的框架。
图23、图24、图25和图26示出了利用各种技术的方法2300、2400、2500和2600的示例,它们经由曲线图示出。如图23所示,方法2300使用高斯函数作为RBF,其提供2个类和陡峭的边界,其中1类的平坦顶部不指示1类高斯分布的中心。如图24所示,方法2400使用重尾二次衰减作为RBF,其提供2个类和平滑边界,其中1类的顶部指示1类分布的中心(也参见2类的底部)。如图25所示,在大尺度上,以高斯函数作为RBF的方法2500提供沿着维度x连续的平坦顶部。如图26所示,在大尺度上,以重尾衰减作为RBF的方法2600提供随着与1类分布的距离(维度)的增加而减小的置信度,其中这种减小的置信度可以缩小到特定值(例如,在图26的示例中收敛到大约0.5的值)。
如所提到的,一种方法可以利用近邻方法,诸如K近邻方法。基于实例的方法的一个示例是K近邻算法,该算法假设实例对应于n维空间中的点Rn。作为示例,可以根据标准欧几里得距离(例如,度量、维度等)来定义实例的近邻。更准确地,任意实例x可以由特征向量描述:
<a1(x),a2(x),...an(x))
其中ar(x)表示实例x的第r属性的值。在此类方法中,两个实例xi和xj之间的距离可以定义为d(xi,xj),其中:
如所解释的,径向基函数(RBF)是一种近似函数。作为示例,RBF可以由许多局部核函数的线性组合表示。作为示例,习得的假设可以是以下形式的函数:
其中每个xu是来自X的实例,并且其中可以定义核函数Ku(d(xu,x)),使得其随着距离d(xu,x)增加而减小。以上,k可以是指定要包括的多个核函数的用户提供的常数,或者其可以是可以针对特定地震数据集(例如,地球的区域、采集技术等)定制的机器提供的数。
虽然是对f(x)的全局近似,但是来自Ku(d(xu,x))项中的每个项的贡献可以被局部化到该点xu附近的区域。作为示例,一种方法可以包括将每个函数Ku(d(xu,x))选择为以点xu为中心的高斯函数,其中具有一定量的方差,表示为如所提到的,可以利用一种或多种其他类型的方法,例如重尾方法。高斯核函数的示例如下:
在针对PYTHON实现方式编写的SCIKIT-LEARN库中,可以调用函数rbf_kernel。函数rbf_kernel计算两个向量之间的RBF核,其中核定义为:
其中x和y是输入向量。如所解释的,可以利用方差,例如考虑设γ等于σ-2,使得核是方差σ2的高斯核。
在SCIKIT-LEARN中,rbf_kernel函数指定为如下:
sklearn.metrics.pairwise.rbf_kernel(X,Y=None,gamma=None)
其中参数为:
X:形状阵列(n_samples_X,n_features)
Y:形状阵列(n_samples_Y,n_features)
gamma:浮动(float),默认为None
如果为None,则默认为1.0/n_features
其中对函数的调用返回:
kernel_matrix:形状阵列(n_samples_X,n_samples_Y)
SCIKIT-LEARN库还提供以下类:具有RBF(length_scale=1.0,length_scale_bounds=(1e-05,100000.0))的sklearn.gaussian_process.kernels。RBF()提供由以下给出的核:
k(x_i,x_j)=exp(-1/2d(x_i/length_scale,x_j/length_scale)^2)
其中参数为:
length_scale:具有形状(n_features)的浮动元素或阵列,默认:1.0;作为核的长度尺度,其中如果是浮动元素,则使用各向同性核,并且其中如果是阵列,则使用各向异性核,其中l的每个维度定义相应特征维度的长度尺度;以及
length_scale_bounds:浮动元素对>=0,默认:(1e-5,1e5),针对length_scale的下限和上限。
SCIKIT-LEARN库提供定制核的定义,例如,其可以作为参数等在方法中传递。SCIKIT-LEARN库还包括RBFSampler,其使用随机傅里叶特征提供对RBF核的近似。具体地,RBFSampler通过其傅里叶变换的蒙特卡罗近似来近似RBF核的特征图。
如所解释的,RBF核包括指数形式的平方项,其可被称为“平方指数”核。在PYTHON编程语言中,使用SCIKIT-LEARN库,例如,可以将核设为如下:核=1.0*RBF([1.0]),或者核=1.0*RBF([1.0,1.0]),以分别提供各向同性核分类和各向异性核分类。关于各向异性核,其可以将不同长度尺度分配给不同的特征维度。
作为示例,可以使用例如SCIKIT-LEARN库的库来实现方法。作为示例,可以使用例如PYTHON编程语言的编程语言来实现方法。作为示例,诸如SCIKIT-LEARN库的库中的一个或多个特征可被用于训练机器模型和/或利用经训练的机器模型(例如,RBF、神经网络等)。
图27示出了包括网络的方法2700的示例,该网络包括与RBF方法相关联的特征。关于方法2700,函数可以视为描述两层网络,其中第一层单元计算各种Ku(d(xu,x))的值,并且第二层计算这些第一层单元值的线性组合。虽然示出了两层网络,但是可以利用具有多于两层的网络。
在图27中,与方法2700相关联的所示网络可以是RBF网络,其中每个隐藏单元产生由以某一实例xu为中心的高斯函数(例如,或另一函数或多个函数)确定的激活。在此类示例中,激活可以接近于零(例如,或其他空值),除非输入x接近xu。在图27的示例性方法2700中,输出单元产生隐藏单元激活的线性组合。
作为示例,当给定一组训练示例时,可以在两阶段过程中训练RBF网络。在此类示例中,首先,可以确定隐藏单元的数量k,其中每个隐藏单元u通过选择定义其核函数Ku(d(xu,x))的值xu和来定义;其次,可以例如使用全局误差准则来训练权重wu以最大化网络对训练数据的拟合。
作为示例,一种方法可以包括如下最小化k近邻上的平方误差:
由于在第二阶段期间可以使核函数保持固定,因此可以训练线性权重值wu,这可以提供该方法的效率。
当训练示例的数量可能很大时用于选择适当数量的隐藏单元或核函数的方法可以是选择小于训练示例的数量的一组核函数。作为示例,一组核函数可以分布成中心在实例空间X中均匀地间隔开。
作为示例,网络可以被视为对目标函数的许多局部近似的平滑线性组合。RBF网络的益处可以是高效的训练,因为RBF网络可以比用反向传播训练的前馈网络更高效地被训练。效率来自于RBF的输入层和输出层被单独地训练。
关于神经元方法,神经元的生物学定义可以是如在脑中的细胞,其主要功能是电信号的收集、处理和散播。
图28示出了可以利用神经网络的方法2800的示例,该神经网络包括神经元,诸如示例性神经元2850。关于神经元2850,其在数学意义上被示出为示意图,其中神经元包括输入函数、激活函数和输出;需注意,神经网络可以包括多个这样的神经元。
神经网络可以被定义为被组合以模拟生物神经活动的一组机器学习算法(例如,逻辑回归)。作为示例,可以对单元进行训练以提供适于执行一个或多个任务的经训练的机器模型。神经网络的类型包括非循环或前馈网络以及循环或递归网络。前馈网络和递归网络之间的区别在于:前馈网络表示其当前输入的函数,而递归网络将其输出反馈到其自己的输入中。这意味着神经网络的激活水平形成可以达到稳定状态或表现出振荡或甚至混沌行为的动态系统。递归神经网络可以支持短期记忆,其可以用于机器学习,例如作为记忆输入和从其学习的能力。
关于图28的方法2800,其可以包括利用多层前馈神经网络。作为示例,输入分量可以取从0到1变化的数值,并且例如,不具有输入的神经元可以输出相同的值,这可以用于激活函数的移位,该移位被称为“偏置”(例如,参见神经元2850的偏置权重)。
作为示例,神经网络可以是具有三个或更多个隐藏层的全连接神经网络,其中每个隐藏层可以包括例如至少大约10个单元。例如,考虑具有输入层、三个隐藏层和输出层的全连接神经网络,其中这些隐藏层中的每个隐藏层包括至少大约10个单元(例如,神经元)。这种神经网络可以(例如,经由权重分配等)被训练成预测与结构特征相关的地震数据(例如,点、像素、体素等)的置信度信息(例如,置信度得分等),该结构特征可以在地震数据中表示为事件(例如,地震数据中的“摆动”)。
关于训练,一种方法可以包括扩充数据。例如,可以采取一种或多种方法来生成更多数据用于训练,其中数据可以基于实际数据和/或合成数据的较小集合(例如,如可以使用地球模型等生成的)。作为示例,训练数据的量对于基于核的方法可以比对于基于神经网络的方法更少。作为示例,计算框架可以默认利用基于核的方法,特别是在用户能够访问有限量的训练数据的情况下。在此类示例中,可以存在利用基于神经网络的方法的选项,例如,其中用户能够访问适当量的训练数据(例如,实际的、扩充实际的、合成的等)。
如相对于神经元2850所解释的,可以将权重分配给具有实值的特定输入,其中该值可以指示相关性。每个输入可以乘以其权重。如相对于神经元2850所解释,激活函数可以是用于将加权输入映射到输出的数学函数。作为示例,输出值可以是相对于诸如从0到1、从-1到+1、从0到100等的尺度的。当最后一个分量用于输出时,其接收来自一个或多个激活函数的一个或多个结果。
如图28所示,神经网络的分层结构取一个或多个分量作为输入,并且从输出产生一个或多个结果。输入和输出之间的层被称为隐藏层,因为当运行神经网络时,这些层可以被隐藏(例如,不直接观察到)。通过添加隐藏层,可以扩大网络可以表示的假设空间。
作为示例,神经网络可以包括指示点是否可能是结构特征的点的输出,该结构特征可以是要被跟踪的结构特征。作为示例,在利用多事件方法的情况下,神经网络可以输出可以将点与事件匹配的多个指示。作为示例,神经网络的输出节点可以是值或者可以是二进制(例如,是或否)类型的输出。作为示例,神经网络可以包括表示诸如置信度值的值(例如,考虑从0到1或从0到100的范围)的一个或多个输出节点。在单事件方法中,作为示例,可以激活与置信度值对应的节点,或者作为示例,节点可以具有与置信度值对应的数值。作为示例,神经网络可以被训练并且具有提供一种或多种类型的输出以用于分析地震数据的架构,该地震数据可以是数字形式(例如,作为迹线的向量、作为图像/切片的2D阵列、作为体积的3D阵列等)。
精确率和召回率可以基于对相关性的理解和度量。精确率(正预测值)是所检索实例中的相关实例的一小部分,而召回率(敏感性)是在相关实例的总量上已经检索的相关实例的一小部分。精确率可以提供关于搜索结果的有用性的指示,而召回率可以提供关于结果的完整性的指示。高精确率可以产生返回比不相关结果显著更相关的结果的算法。高召回率意味着该算法返回大多数相关结果。
作为示例,可以将这些结果组合为称为F度量的单个度量。F度量是精确率和召回率的加权调和平均值(或Matthews相关系数,其是机会校正变体的几何平均值)。传统的F度量或平衡的F得分可以给出为:
其中F度量近似为精确率和召回率之间(当它们接近时)的平均值。
示例性方法可以基于机器学习内的多种技术中的一种或多种。例如,一种方法可以包括径向基函数(RBF)和神经网络(NN)中的一者或多者作为选项。
图29示出了可以利用呈现到显示器的图形用户界面2910的方法2900的示例,其中GUI 2910可以是计算框架的一部分。例如,考虑可以在地震解释工作流期间经由PETREL框架执行的处理器可执行指令。这样的指令可以提供本地和/或远程呈现。例如,在云架构中,计算框架可以使用基于云的资源来执行,其中用户使用客户端装置(例如,平板计算机、膝上型计算机、工作站等)与此类资源进行交互。在此类示例中,客户端装置可以操作地耦接到网络以用于例如经由浏览器应用程序接收信息和向计算框架传输信息。在此类示例中,交互可以利用一种或多种类型的格式,例如JAVASCRIPT OBJECT NOTATION格式(JSON)。
JSON是基于JAVASCRTIP编程语言(标准ECMA-262第三版,1999年12月)的子集的轻量级数据交换格式。JSON是一种文本格式,其是语言无关的,但是使用C语言族(包括C、C++、C#、JAVA、JAVASCRIPT、PERL、PYTHON等)的程序员所熟悉的约定。此类性质使得JSON成为有用的数据交换语言。
JSON构建在两种结构上:名称/值对的集合(例如,实现为对象、记录、结构体、字典、散列表、有键列表或关联数组);以及值的有序列表(例如,实现为数组、向量、列表或序列)。
作为示例,方法可以至少部分地被实现为微服务。作为示例,微服务可以利用JSON格式来传送请求和响应两者。在此类示例中,数据可以任选地使用REST发送,其中信息被转换为JSON格式。作为示例,可以使用DELFI环境、PETREL框架等来实现方法。作为示例,可以使用一个或多个应用编程接口(API)来实现方法。例如,考虑利用基于API的微服务的方法,其中资源可以远离用户的装置。在此类示例中,装置可以包括浏览器应用程序,该浏览器应用程序可以将信息作为一个或多个API调用传输到远程计算系统(例如,基于云的等)并且作为响应接收由远程计算系统生成的信息,该远程计算系统可以包括被训练、可被训练等的一个或多个机器模型。例如,考虑用户观看客户端装置的显示器,其中将地震数据呈现为地震图像。在此类示例中,用户可以与GUI进行交互以使得传输与微服务相关联的API调用。这样的调用可以是使用代表地震数据(例如,来自地质区域的勘测)中的结构特征的选定点来训练机器模型。作为响应,客户端装置可以从微服务接收经训练的机器模型准备好例如用于分析地震数据的至少一部分以生成结果(例如置信度结果、跟踪结果、置信度和跟踪结果等)的指示。
图29的方法2900可以是与GUI 2910进行交互以生成工作流的工作流生成方法,该工作流可以被执行以例如使用一个或多个机器学习技术来帮助解释地震数据。作为示例,GUI 2910的一个或多个特征可以与一个或多个微服务相关联(例如,经由一个或多个微服务提供)。如图所示,用户可以提供待生成的工作流的名称和描述。GUI2910可以包括用于选择各种类型的实用程序、操作(Op)和过程的特征。如图所示,选择MLTrackerWL操作,其中GUI 2910的面板规定MLTrackerWF将如何执行,例如,以跟踪地震数据中的结构特征。
如图29的示例所示,GUI 2910包括用于选择地震体积(例如,地震立方体)的立方体字段,该地震体积可以本地和/或远程存储;注意,可以存在地震切片(例如,2D数据集)选项以用于选择地震切片。GUI2910还包括用于输入多个点的点字段以及机器学习技术选项,该机器学习技术选项可以是默认的RBF或经由使用图形控件选择的神经网络。如所提到的,这种默认的基于核的方法对于用户可能是有益的,其中用户在要训练核模型的情况下(例如,作为工作流的一部分)能够访问有限量的训练数据。如所提到的,在要进行训练的情况下以及在用户能够访问足够量的训练数据的情况下,用户可以选择“UseNN”选项。作为示例,在经训练的神经网络可用的情况下,用户可选择用于工作流的“UseNN”选项。GUI 2910还包括关于要避开的点的图形控件,以及用于负例(例如,参见图10、图11和图21)目的的要避开的点的字段。
作为示例,GUI 2910可以包括用于调整一种或多种机器学习技术的选项。例如,考虑可以是可用和/或可定制(例如,经由SCIKIT-LEARN库等)的各种类型的核。GUI 2910可以提供能够对一个或多个核进行选择、调整等的一个或多个图形控件。例如,考虑选择高斯核、非高斯核、调整尾参数、调整衰减参数、调整长度参数、调整各向同性参数、调整各向异性参数等,这可以利用地震勘测的知识和/或区域中一个或多个结构特征的知识来执行。
作为示例,用户可以经由与GUI进行交互来生成工作流,以便处理对海床的跟踪,作为来自地震勘测的一系列迹线中的第一事件。在此类示例中,用户可以执行工作流以跟踪作为结构特征的海床。一旦经由工作流充分地表征海床,用户即可以继续到另一个结构特征,例如,作为一系列迹线中的第二事件。这种方法可以被称为迭代地层方法,其中可以针对一系列地层事件(例如,层等)中的特定事件设计工作流。这种方法可以任选地以最适合于特定事件的方式来定制核,其中认识到事件可能表现出差异。例如,海床以下的事件可能不同于海床事件(例如,海床以下的事件的迹线“摆动”可能不同于海床事件的迹线“摆动”)。
作为示例,工作流可以涉及对多个事件的选择,例如,考虑选择五个事件,其中工作流以五个事件中的最强事件开始或者以五个事件中的最高事件开始。在此类方法中,工作流可以分析地震体积,并且确定哪些迹线指示“强”事件(例如,迹线数据的振幅、梯度、最小值、最大值等)。作为示例,对于海底,可以是从迹线顶部开始的迹线的第一强事件。工作流可以任选地以不涉及手动输入的方式从海底开始自动操作,因为海底(反射体)可以在基于机器的方法中确定。
作为示例,GUI 2910可以包括用于并行和/或串行处理多个事件的选项。例如,考虑同时处理两个事件的方法,其中所述两个事件可以由作为相对同质层的材料分开。例如,事件中的第一事件可为两层之间的上界面,并且事件中的第二事件可为两层之间的下界面,其中相对同质层设置在两个界面之间。在此类示例中,层的厚度可以提供两个事件的时间和/或距离上的间隔。作为示例,一个或多个机器模型可利用厚度,该厚度可以是任选地具有最小值和最大值的近似厚度。这种方法可以用于质量控制和/或以其他方式提高两个事件的跟踪质量。作为示例,在迭代方法中,其中作为事件的结构特征已经被跟踪以提供表面(例如,界面),该信息可以在后续迭代中被利用以促进跟踪另一表面的较低事件。可以利用关于层的信息,例如关于一个或多个核的信息。例如,考虑利用各向异性核,其中可以基于对具有上部事件和下部事件的层的厚度的知识来定制横向尺寸和垂直尺寸,其中工作流旨在作为不同事件来跟踪上部事件和/或下部事件。在层厚度相对小的情况下,可以减小核的垂直尺寸,并且在层厚度相对大的情况下,可以增加核的垂直尺寸(例如,或者可以利用各向同性核等)。作为示例,一种方法可以包括手动和/或自动地选择和/或调整核以改进对地震数据(例如,地震道)中存在的事件的跟踪。作为示例,GUI可以提供与计算框架、一个或多个库等的交互,以提供核选择、调整等的灵活性。
作为示例,执行多个结构特征(例如,多个事件)的同时跟踪的方法可以利用基于核的方法,因为计算需求(例如,训练需求等)可能少于基于神经网络的方法的计算需求。在此类示例中,可以训练和利用多个机器模型,其中所述多个机器模型中的每个机器模型被训练到特定结构特征(例如,特定事件)。
作为示例,跟踪方法可以被称为扩展方法,因为方法可以经由点的扩展来进行跟踪。如所提到的,一种方法可以计算置信度得分,以生成例如置信度得分切片、置信度得分体积等作为地震属性的类型。这种地震属性至少部分地基于测量置信度所依据的事物。例如,在提供一个或多个数据点作为某种类型的特征的指示的情况下,可以相对于该特征计算置信度得分。如所提到的,特征可以是结构特征(例如,地面、层位、整合面、不整合面、地质体等)。
在图29的示例中,GUI 2910包括自动生成工作流图形控件,该自动生成工作流图形控件可以经由用户交互来启动,以使得自动生成指定的工作流,然后可以(例如,自动和/或经由用户交互)执行该工作流。作为示例,GUI 2910可以提供批量模式,其中可以生成一系列工作流,然后在没有用户交互的情况下串行和/或并行地执行该系列工作流。作为示例,在批量执行期间,图形用户界面可以将结果呈现到显示器,在显示器中用户可以任选地实时地可视化跟踪。在此类示例中,GUI可以提供例如根据用户对所呈现的结果的评估来暂停、终止、调整等工作流的操作。
图30示出了可以利用GUI 3010的方法3000的示例。如图所示,GUI 3010规定MLTrackerWF工作流(WF)的各个方面。参数名称列包括立方体、点、UseNN、UseAvoidPoints和避开,它们是一些示例。GUI 3010包括应用控件、确定控件和取消控件。可以启动确定控件以使得生成指定工作流并关闭GUI 3010,以及执行工作流以及将结果呈现到显示器。
图31示出了方法3100的示例,其涉及基于核的方法,例如基于RBF的方法。图31示出了如何处理用于播种方法等的种子点(例如,选取点或以其他方式选择的点)。如图所示,使用椭圆作为数据样本来表示迹线,所述数据样本可以是原始的或处理过的地震数据样本。决策可以用于决定在特定时间或深度或其他维度(例如,点)上迹线是否呈现最大值或最小值。在决策是“是”的情况下,方法3100可以继续到用于计算置信度得分的计算块。然后,可以将置信度得分与阈值进行比较,其中如果置信度得分大于(例如,或者大于或等于)阈值,则方法3100可以进行到定位优先队列中的点(例如,作为最高值等)的定位块。然后,方法3100可以在考虑其他点的循环中适当地继续。
在图31的示例中,种子点可以与间隔[-5,5]中的周围种子进行比较,其中如果该种子是最大值或最小值,则该种子将计算置信度得分,以确定其是否大于预定值(例如,0.5等)。并且,在其大于预定值的情况下,方法3100可以将种子置于优先队列中,并且方法3100可以继续到下一种子(例如,在存在多个种子、创建多个种子等的情况下)。
图31还示出了扩展过程的示例,其可以作为方法3100的一部分来执行。如从左到右所示,可以定义具有其潜在子点的所安放种子点,其中子点中的一个子点变为第一扩展点(红色)并且产生其周围子点的定义。类似地,可以用潜在子点中的另一个子点执行第二扩展,以定义对应的子点。在图31的示例中,L形框区域标识可以被放入队列中以供评估的种子点。
图32示出了包括置信度值的输出作为预测模型(例如,生成数字鲜明特征作为经训练的模型的训练等)的结果的方法3200的示例。如所提到的,预测模型可以是基于核的模型或基于神经网络的模型。作为示例,一种方法可以生成置信度迹线样本、置信度像素、置信度体素等。例如,考虑一种为输入迹线生成置信度迹线、为地震图像(例如,地震切片)生成置信度像素阵列以及为地震体积生成置信度体素阵列的方法。
作为示例,一种方法可以包括选择数据的一个或多个输入,数据可以是要接收和/或访问的地震立方体和点,数据可以是存储在存储器中的数据结构,该数据结构是经由与图形用户界面的交互而生成的,该图形用户界面基于地震数据(例如,如针对包括各种地下结构(例如,反射体、界面、层位等)的地质区域采集的数字地震数据)将包括像素值的可视化呈现到显示器。这种方法可以包括使用机器模型生成置信度值(例如,置信度得分),该机器模型可以是预测模型。
图33以示例伪代码的形式示出了方法3300的示例。方法3300可包括图31的方法3100的一个或多个特征。例如,考虑使用经训练的机器模型来评估点。如图33所示,方法3300可以包括使用输入点和周围数据作为正例和负例来学习模型(例如,模型学习或模型训练),以及使用习得的模型(例如,经训练的模型)来评估窗口(例如,垂直窗口)中的点,其中这样的点可以表示最小值或最大值。在图31的示例中,窗口被示出为从选定点开始+5和-5,其中正值和负值可以表示具有对应值(例如,振幅值等)的样本、像素、体素等。如图33所示,可以使用模型和阈值(例如,预定置信度值)来评估点(例如,最小值/最大值)。例如,模型评估可以是模型预测,其中预测是与结构特征相关的置信度值。在此类方法中,较高的置信度值意味着所评估的点更可能与该结构特征相关联。如图32所示,预测模型(例如,经训练的机器模型)可用于生成地震数据点(例如,样本、像素、体素等)的值,其中这些值与结构特征相关,该结构特征可被表示为地震数据中的事件。
如所解释的,可以针对由地震勘测装备采集的地震道中的事件表示的特定结构特征来训练经训练的机器模型。这种经训练的机器模型可以输出置信度信息,该置信度信息可以与点是否可能是表示结构特征的点直接相关。
所采集的数据的解释结果可以用于构建作为地质单元模型(例如,网格单元模型、节点模型等)的模型。例如,考虑包括长度和宽度大小为几米乘几米且高度为约0.1米至几米的单元的地质单元模型。作为示例,地质单元模型可包括多于10000个单元、多于100000个单元、多于1000000个单元等。作为示例,地质单元模型可被分组到层中,其中层可被分组到地层间隔中。结构特征可以被分类为对象,其可以是一维或多维的(例如,1D、2D、2.5D或3D)。
图34示出了方法3400的示例,其包括:接收块3410,该接收块用于接收地质区域的数字地震数据的一个(或多个)选定点(例如,来自使用基于地质区域的数字地震数据的可视化的呈现进行的选取的选定点、经由自动化结构特征标识技术的选定点等);提取块3420,该提取块用于基于一个(或多个)选定点提取训练数据;执行块3430,该执行块用于基于训练数据执行机器模型的机器学习以生成经训练的机器模型;分析块3440,该分析块用于使用经训练的机器模型分析数字地震数据的至少一部分以生成结果;以及输出块3450,该输出块用于输出结果。方法3400可以包括用于至少部分地基于结果来执行一个或多个动作的执行块3460,其中所述一个或多个动作包括向装备发出信号。
如图34的示例所示,方法3432可从用于访问经训练的机器模型的访问块3436开始。例如,方法3432可以包括:根据访问块3436,访问经训练的机器模型,该经训练的机器模型被训练为相对于区域的结构特征分析地质区域的数字地震数据;根据分析块3440,使用经训练的机器模型分析数字地震数据的至少一部分以生成结果;以及根据输出块3450,输出结果作为地质区域的结构特征的空间位置的指示符。方法3432可以包括用于至少部分地基于结果来执行一个或多个动作的执行块3460,其中所述一个或多个动作包括向装备发出信号。
作为示例,一种方法可以包括动画。例如,考虑执行诸如图34的3400的方法的方法,其中该方法迭代地生成信息,其中可以在一次或多次迭代中呈现可视化,使得可以看到表面从选定点扩展。在此类示例中,可以呈现包括可视化的GUI,该可视化可以与GUI交互以例如避开一个或多个区域、选取一个或多个其他点等。
作为示例,一个或多个计算机可读存储介质可包括计算机可执行指令,所述计算机可执行指令可执行以指示计算系统执行一种方法,该方法可以是例如本文所述的方法。
在图34的示例中,方法3400是相对于计算机可读存储介质块(CRM块)3411、3421、3431、3441、3451和3461示出的;而方法3432是相对于CRM块3437、3441、3451和3461示出的。此类块可以是诸如地震解释系统的系统的一部分。此类块可以包括可由一个或多个处理器执行的指令,这些处理器可以是计算框架、系统、计算机等的一个或多个处理器。计算机可读介质可以是非信号、非载波并且非暂态的计算机可读存储介质。例如,计算机可读介质可以是可以以数字格式存储信息的物理存储器部件。在CRM是计算系统的一部分或者以其他方式操作地耦接到计算系统的情况下,该系统是可以执行图34的方法3400和/或方法3432的专用系统。此类系统可以提高对地球的地下区域的解释过程的准确性。此类过程可以包括将一个或多个图像呈现到显示器、将一个或多个图形呈现到显示器等。在此类示例中,图像可以是地面区域、地下区域或地面区域和地下区域的组合(例如,如在模拟区域和地下区域的重叠中)。在此类示例中,图形可以是向量图形呈现,其可以具有由对应于地球的地下区域的空间位置定义的模型,所述模型可以在一个或多个坐标系和/或参考系中(例如,实际的、先前的时间、未来的时间等)。
作为示例,一种方法可以包括:接收来自基于地质区域的数字地震数据的可视化的呈现的选取点;基于选取点提取训练数据;基于训练数据执行模型的机器学习;基于模型分析数字地震数据的至少一部分以生成结果;以及输出结果。这种方法可以包括将可视化呈现到显示器,其中地质区域的数字地震数据由接收地震能量信号并将地震能量信号数字化以生成数字地震数据的装备采集。
作为示例,一种方法可以包括:访问经训练的机器模型,该经训练的机器模型被训练为相对于地质区域的结构特征分析区域的数字地震数据;使用经训练的机器模型分析该数字地震数据的至少一部分以生成结果;以及输出结果作为地质区域的结构特征的空间位置的指示符。在此类示例中,该方法可以包括训练以生成经训练的机器模型,其中训练包括:接收针对地质区域的数字地震数据的选定点;基于选定点提取训练数据;以及基于训练数据对机器模型执行机器学习以生成经训练的机器模型。
作为示例,经训练的机器模型可以是经训练的神经网络模型。作为示例,一种方法可以包括训练神经网络模型以生成经训练的神经网络模型。作为示例,经训练的机器模型可以是经训练的基于核的模型。作为示例,一种方法可以包括训练基于核的模型以生成经训练的基于核的模型。例如,核可以是径向基函数核或另一种类型的核。例如,如所提到的,各种类型的核可以经由库来访问,或者例如可以被编程或以其他方式访问。如所提到的,核可以是各向同性的或各向异性的。如所提到的,核可以具有衰减特性,该衰减特性可以是尾特性(例如,重尾或肥尾等)。如所提到的,神经网络可以是具有若干隐藏层(例如,大约三到五个隐藏层等)的全连接神经网络,其中每个隐藏层包括至少大约10个单元(例如,神经元)。
作为示例,输出结果可以包括通过呈现至少一个置信度指示符来增强可视化,所述至少一个置信度指示符指示经训练的机器模型(例如,训练模型所基于的特征等)与数字地震数据的至少一部分之间的对应性的置信度。这种置信度指示符可以与特征(诸如期望被解释的表面)相关联。
作为示例,数字地震数据可以包括相对于时间指定的迹线数据和/或相对于距离指定的迹线数据。作为示例,地震属性数据可以被用作数字地震数据(例如,经处理的原始地震数据等)的形式。
作为示例,机器学习可以利用径向基函数。作为示例,这样的径向基函数可以包括重尾。作为示例,径向基函数可以包括相对于维度(例如,“d”)衰减的衰减项。作为示例,维度可以是时间维度或距离维度。
作为示例,一种方法可以利用地震立方体的数字地震数据。在此类示例中,结果可以是对应于地震立方体的至少一部分的置信度立方体。在此类示例中,一种方法可包括在置信度立方体上执行跟踪。
作为示例,分析可以包括并行处理,该并行处理相对于模型并行地处理地震立方体的部分,以生成地震立方体的每个部分的结果。在此类示例中,一种方法可以包括对地震立方体的至少一个对应部分的结果中的至少一个结果执行跟踪。作为示例,结果可以包括置信度子立方体(例如,对应于地震子立方体)。
作为示例,结果可以包括置信度结果,并且方法可以包括经由置信度得分阈值来分析置信度结果。在此类示例中,一种方法可以包括将分析与跟踪过程的结果进行比较以至少评估跟踪过程的质量。
作为示例,一种方法可以由作为操作地耦接到一个或多个显示器的计算系统的系统来实现,其中此类方法可以包括将至少一个图形用户界面呈现到显示器。
作为示例,一种系统可以包括:处理器;存储器,所述存储器操作地耦接到处理器;以及处理器可执行指令,所述处理器可执行指令存储在存储器中,以指示系统:接收来自基于地质区域的数字地震数据的可视化的呈现的选取点;基于选取点提取训练数据;基于训练数据执行模型的机器学习;基于模型分析数字地震数据的至少一部分以生成结果;以及输出结果。
作为示例,一种系统可以包括:处理器;存储器,所述存储器操作地耦接到处理器;以及处理器可执行指令,所述处理器可执行指令存储在存储器中,以指示系统:访问经训练的机器模型,所述经训练的机器模型被训练为相对于地质区域的结构特征分析区域的数字地震数据;使用经训练的机器模型分析数字地震数据的至少一部分以生成结果;以及输出结果作为地质区域的结构特征的空间位置的指示符。作为示例,此类系统可以包括存储在存储器中的处理器可执行指令,以指示系统执行训练以生成经训练的机器模型,其中训练利用指令来接收针对地质区域的数字地震数据的选定点;基于选定点提取训练数据;以及基于训练数据对机器模型执行机器学习以生成经训练的机器模型。
作为示例,一种或多种计算机可读存储介质可以包括计算机可执行指令,所述计算机可执行指令可执行以指示计算系统:访问经训练的机器模型,所述经训练的机器模型被训练为相对于地质区域的结构特征分析区域的数字地震数据;使用经训练的机器模型分析数字地震数据的至少一部分以生成结果;以及输出结果作为地质区域的结构特征的空间位置的指示符。
作为示例,一种或多种计算机可读存储介质可以包括计算机可执行指令,所述计算机可执行指令可执行以指示计算系统执行本文描述的一种或多种方法或其一部分。
作为示例,工作流可以与各种计算机可读介质(CRM)块相关联。此类块通常包括适合于由一个或多个处理器(或核心)执行的指令,以指示计算装置或系统执行一个或多个动作。作为示例,单个介质可以配置有指令以至少部分地允许执行工作流的各种动作。作为示例,计算机可读介质(CRM)可以是非暂态、非载波并且非信号的计算机可读存储介质。作为示例,可以将块提供为一组或多组指令,诸如图2的系统250的一组或多组指令270。
图35示出了计算系统3500的示例和联网系统3510的示例的部件。系统3500包括一个或多个处理器3502、存储器和/或存储部件3504、一个或多个输入和/或输出装置3506以及总线3508。在示例性实施方案中,指令可以存储在一个或多个计算机可读介质(例如,存储器/存储部件3504)中。此类指令可以由一个或多个处理器(例如,一个或多个处理器3502)经由通信总线(例如,总线3508)读取,该通信总线可以是有线的或无线的。所述一个或多个处理器可以执行此类指令以(全部或部分地)实现一个或多个属性(例如,作为方法的一部分)。用户可以经由I/O装置(例如,装置3506)查看来自过程的输出并与过程进行交互。在示例性实施方案中,计算机可读介质可以是存储部件,诸如物理存储器存储装置,例如芯片、封装上的芯片、存储器卡等(例如,计算机可读存储介质)。
在示例性实施方案中,部件可以分布在诸如网络系统3510中。网络系统3510包括部件3522-1、3522-2、3522-3、......、3522-N。例如,部件3522-1可以包括一个或多个处理器3502,而一个或多个部件3522-3可以包括可由一个或多个处理器3502访问的存储器。此外,一个或多个部件3502-2可以包括I/O装置,以用于显示和可选地与方法进行交互。网络可以是或包括互联网、内联网、蜂窝网络、卫星网络等。
作为示例,装置可以是包括用于信息通信的一个或多个网络接口的移动装置。例如,移动装置可以包括无线网络接口(例如,可经由IEEE 802.11、ETSI GSM、BLUETOOTH、卫星等操作)。作为示例,移动装置可以包括诸如主处理器、存储器、显示器、显示图形电路(例如,可选地包括触摸和手势电路)、SIM插槽、音频/视频电路、运动处理电路(例如,加速度计、陀螺仪)、无线LAN电路、智能卡电路、发射器电路、GPS电路和电池的部件。作为示例,移动装置可以被配置为手机、平板计算机等。作为示例,可以使用移动装置(例如,全部或部分地)实现方法。作为示例,系统可以包括一个或多个移动装置。
作为示例,系统可以是分布式环境,例如所谓的“云”环境,其中各种装置、部件等交互以用于数据存储、通信、计算等目的。作为示例,装置或系统可以包括用于经由互联网(例如,在经由一个或多个互联网协议进行通信的情况下)、蜂窝网络、卫星网络等中的一个或多个进行信息通信的一个或多个部件。作为示例,方法可以在分布式环境中实现(例如,全部或部分地作为基于云的服务)。
作为示例,信息可以从显示器输入(例如,考虑触摸屏)、输出到显示器或两者。作为示例,可以将信息输出到投影仪、激光装置、打印机等,使得可以查看信息。作为示例,可以立体地或全息地输出信息。关于打印机,考虑2D或3D打印机。作为示例,3D打印机可以包括可输出以构建3D对象的一种或多种物质。例如,可以将数据提供给3D打印机以构建地下地层的3D表示。作为示例,可以在3D中构建层(例如,层位等),在3D中构建地质体等。作为示例,可以在3D中构建井眼、裂缝等(例如,作为正结构、作为负结构等)。
虽然上面只详细描述了几个示例性实施方案,但是本领域技术人员应当容易理解,在示例性实施方案中可以进行许多修改。因此,所有此类修改意图包括在如以下权利要求书所限定的本公开的范围内。在权利要求中,手段附加功能条款意图覆盖本文描述的执行所述功能的结构,而不仅仅是结构等同物,还包括等同结构。因此,尽管钉子和螺钉可能不是结构等效物,因为钉子采用圆柱形表面来将木制零件固定在一起,而螺钉采用的是螺旋形表面,但是在紧固木制零件的环境下,钉子和螺钉可能是等效结构。本申请人的表达意图不是援引35U.S.C.§112第6段以对本文的任一项权利要求进行任何限制,某项权利要求明确地使用词语“用于……的装置”连同相关联功能的那些限制除外。
Claims (15)
1.一种方法(3432),其包括:
访问经训练的机器模型,所述经训练的机器模型被训练为相对于地质区域的结构特征分析区域的数字地震数据(3436);
使用所述经训练的机器模型分析所述数字地震数据的至少一部分以生成结果(3440);以及
输出所述结果作为所述地质区域的所述结构特征的空间位置的指示符(3450)。
2.如权利要求1所述的方法,其包括训练以生成所述经训练的机器模型,其中所述训练包括:
接收针对所述地质区域的所述数字地震数据的选定点;
基于所述选定点提取训练数据;以及
基于所述训练数据对机器模型执行机器学习以生成所述经训练的机器模型。
3.如权利要求1所述的方法,其中所述输出所述结果包括通过呈现至少一个置信度指示符来增强可视化,所述至少一个置信度指示符指示所述经训练的机器模型与所述数字地震数据的所述至少一部分之间的对应性的置信度。
4.如权利要求1所述的方法,其中所述数字地震数据包括相对于时间指定的迹线数据,或者其中所述数字地震数据包括相对于距离指定的迹线数据。
5.如权利要求1所述的方法,其中所述经训练的机器模型包括经训练的神经网络模型。
6.如权利要求1所述的方法,其中所述经训练的机器模型包括经训练的基于核的模型,其中所述经训练的机器模型任选地包括径向基函数,其中所述径向基函数任选地包括重尾和/或任选地包括相对于维度衰减的衰减项,其中所述维度包括时间维度或距离维度。
7.如权利要求1所述的方法,其中所述数字地震数据包括地震立方体的数字地震数据。
8.如权利要求7所述的方法,其中所述结果包括对应于所述地震立方体的至少一部分的置信度立方体。
9.如权利要求8所述的方法,其包括对所述置信度立方体执行跟踪。
10.如权利要求7所述的方法,其中所述分析包括并行处理,所述并行处理相对于所述经训练的机器模型并行地处理所述地震立方体的各部分,以生成所述地震立方体的所述各部分中的每个部分的结果,并且任选地包括对所述地震立方体的至少一个对应部分的所述结果中的至少一个结果执行跟踪。
11.如权利要求1所述的方法,其中所述结果包括置信度结果,并且所述方法包括经由置信度得分阈值来分析所述置信度结果。
12.如权利要求11所述的方法,其包括将所述分析与跟踪过程的结果进行比较以至少评估所述跟踪过程的质量。
13.如权利要求1所述的方法,其包括将至少一个图形用户界面呈现到显示器。
14.一种系统(250),其包括:
处理器(256);
存储器(258),所述存储器操作地耦接到所述处理器;以及
处理器可执行指令(270),所述处理器可执行指令存储在所述存储器中以指示所述系统:
访问经训练的机器模型,所述经训练的机器模型被训练为相对于地质区域的结构特征分析区域的数字地震数据(3437);
使用所述经训练的机器模型分析所述数字地震数据的至少一部分以生成结果(3441);以及
输出所述结果作为所述地质区域的所述结构特征的空间位置的指示符(3451)。
15.一种或多种计算机可读存储介质,其包括计算机可执行指令,所述计算机可执行指令可执行以指示计算系统执行权利要求1至13中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862683011P | 2018-06-10 | 2018-06-10 | |
US62/683,011 | 2018-06-10 | ||
PCT/US2019/036032 WO2019241062A1 (en) | 2018-06-10 | 2019-06-07 | Seismic data interpretation system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112424646A true CN112424646A (zh) | 2021-02-26 |
Family
ID=68842052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980046963.6A Pending CN112424646A (zh) | 2018-06-10 | 2019-06-07 | 地震数据解释系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11500115B2 (zh) |
EP (1) | EP3811119A4 (zh) |
CN (1) | CN112424646A (zh) |
CA (1) | CA3103234A1 (zh) |
WO (1) | WO2019241062A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643425A (zh) * | 2021-07-28 | 2021-11-12 | 中石化石油工程技术服务有限公司 | 一种基于开源gis技术的石油地震成果三维空间可视化通用平台构建方法 |
CN115657132A (zh) * | 2022-12-29 | 2023-01-31 | 成都捷科思石油天然气技术发展有限公司 | 一种基于机器学习的储层预测方法及系统 |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020122892A1 (en) * | 2018-12-12 | 2020-06-18 | Halliburton Energy Services, Inc. | Borehole gravity analysis for reservoir management |
CA3093123A1 (en) * | 2019-09-16 | 2021-03-16 | Husky Oil Operations Limited | System and methods for analyzing reservoir changes during production |
US20210255346A1 (en) * | 2020-02-19 | 2021-08-19 | Chevron U.S.A. Inc. | System and Method for Seismic Imaging with Amplitude Recovery |
US20210279592A1 (en) * | 2020-03-05 | 2021-09-09 | Saudi Arabian Oil Company | Proxy modeling workflow and program for reactive transport modeling |
US11561674B2 (en) | 2020-03-05 | 2023-01-24 | Saudi Arabian Oil Company | User interface for proxy modeling of reactive transport modeling |
US11961002B2 (en) | 2020-03-05 | 2024-04-16 | Saudi Arabian Oil Company | Random selection of observation cells for proxy modeling of reactive transport modeling |
US11815650B2 (en) | 2020-04-09 | 2023-11-14 | Saudi Arabian Oil Company | Optimization of well-planning process for identifying hydrocarbon reserves using an integrated multi-dimensional geological model |
US11486230B2 (en) | 2020-04-09 | 2022-11-01 | Saudi Arabian Oil Company | Allocating resources for implementing a well-planning process |
US11693140B2 (en) * | 2020-04-09 | 2023-07-04 | Saudi Arabian Oil Company | Identifying hydrocarbon reserves of a subterranean region using a reservoir earth model that models characteristics of the region |
US11592594B2 (en) | 2020-04-13 | 2023-02-28 | X Development Llc | Subsurface lithological model with machine learning |
US11704579B2 (en) * | 2020-04-17 | 2023-07-18 | Quantic Energy Solutions Llo | Earth modeling methods using machine learning |
US11492083B2 (en) * | 2020-06-12 | 2022-11-08 | Wärtsilä Finland Oy | Apparatus and computer implemented method in marine vessel data system for training neural network |
US11977198B2 (en) | 2020-10-06 | 2024-05-07 | Saudi Arabian Oil Company | Isofrequency volumes ratio workflow to detect gas reservoirs in 3D domain |
US11333780B2 (en) | 2020-10-09 | 2022-05-17 | Saudi Arabian Oil Company | Method and system for processing a three-dimensional (3D) seismic dataset |
US20220122320A1 (en) * | 2020-10-16 | 2022-04-21 | Halliburton Energy Services, Inc. | Machine-learning integration for 3d reservoir visualization based on information from multiple wells |
US11592589B2 (en) | 2021-01-14 | 2023-02-28 | Saudi Arabian Oil Company | Seismic attribute map for gas detection |
US20220236439A1 (en) * | 2021-01-23 | 2022-07-28 | Manzar Fawad | Rock physics model for shale volume estimation in subsurface reservoirs |
US11816127B2 (en) * | 2021-02-26 | 2023-11-14 | International Business Machines Corporation | Quality assessment of extracted features from high-dimensional machine learning datasets |
US11988795B2 (en) | 2021-08-31 | 2024-05-21 | Saudi Arabian Oil Company | Automated well log data quicklook analysis and interpretation |
US20230077488A1 (en) * | 2021-09-10 | 2023-03-16 | Halliburton Energy Services, Inc. | Core Data Augmentation Methods For Developing Data Driven Based Petrophysical Interpretation Models |
US11814957B2 (en) | 2022-01-04 | 2023-11-14 | Saudi Arabian Oil Company | Characterize productive zones in hydrocarbon wellbores |
CN114463333B (zh) * | 2022-04-13 | 2022-09-02 | 中国科学院地质与地球物理研究所 | 随钻地质导向实时地层格架智能更新方法与系统 |
CN114781576B (zh) * | 2022-04-19 | 2023-04-07 | 广东海洋大学 | 一种基于随机森林算法的声速剖面估计方法及装置 |
WO2023220158A1 (en) * | 2022-05-10 | 2023-11-16 | Schlumberger Technology Corporation | Repeatability enforcement for measured data |
US20240068348A1 (en) * | 2022-08-23 | 2024-02-29 | Halliburton Energy Services, Inc. | Displaying confidence values in wellbore inversion modeling using a visual indicator |
WO2024058932A1 (en) * | 2022-09-15 | 2024-03-21 | Schlumberger Technology Corporation | Systems and methods for analyzing uncertainty and sensitivity of fault populations |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101878434A (zh) * | 2008-04-10 | 2010-11-03 | 普拉德研究及开发股份有限公司 | 用于表征被井眼穿过的地质构造的方法 |
CN105005079A (zh) * | 2015-07-14 | 2015-10-28 | 北京博达瑞恒科技有限公司 | 一种井曲线反演方法 |
CN105556573A (zh) * | 2013-08-23 | 2016-05-04 | 兰德马克绘图国际公司 | 3d地质细胞模型的局部更新 |
CN106460493A (zh) * | 2014-06-05 | 2017-02-22 | 吉奥奎斯特系统公司 | 用于地下层状岩层中的水力裂缝高度的改进设计的方法 |
CN106610508A (zh) * | 2016-11-15 | 2017-05-03 | 中国石油天然气股份有限公司 | 一种裂缝的地震属性判识系统及方法 |
US20170192118A1 (en) * | 2016-01-05 | 2017-07-06 | Schlumerger Technology Corporation | Amplitude Inversion on Partitioned Depth Image Gathers Using Point Spread Functions |
US20170254910A1 (en) * | 2016-03-04 | 2017-09-07 | General Electric Company | Expert guided knowledge acquisition system for analyzing seismic data |
WO2017188858A1 (en) * | 2016-04-28 | 2017-11-02 | Schlumberger Canada Limited | Reservoir performance system |
CN107356958A (zh) * | 2017-07-21 | 2017-11-17 | 西南石油大学 | 一种基于地质信息约束的河流相储层分步地震相预测方法 |
CN107884831A (zh) * | 2017-11-13 | 2018-04-06 | 成都理工大学 | 一种基于近似支持向量机的avo类型判别方法 |
US20180120464A1 (en) * | 2015-03-26 | 2018-05-03 | Schlumberger Technology Corporation | Seismic Waveform Inversion |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5870691A (en) | 1996-12-06 | 1999-02-09 | Amoco Corporation | Spectral decomposition for seismic interpretation |
US6847737B1 (en) * | 1998-03-13 | 2005-01-25 | University Of Houston System | Methods for performing DAF data filtering and padding |
US6236942B1 (en) * | 1998-09-15 | 2001-05-22 | Scientific Prediction Incorporated | System and method for delineating spatially dependent objects, such as hydrocarbon accumulations from seismic data |
BRPI0910752A2 (pt) | 2008-05-22 | 2015-09-29 | Exxonmobil Upstream Res Co | métodos para transformar um volume de dados sísmicos adquirido em um exame sísmico, para produzir hidrocarbonetos de uma região de subsuperfície, para fundir superfícies e para explorar hidrocarbonetos, e, produto de programa de computador |
US8559671B2 (en) * | 2008-12-18 | 2013-10-15 | The Regents Of The University Of California | Training-free generic object detection in 2-D and 3-D using locally adaptive regression kernels |
RU2573166C2 (ru) * | 2010-05-28 | 2016-01-20 | Эксонмобил Апстрим Рисерч Компани | Способ сейсмического анализа углеводородных систем |
US9645268B2 (en) * | 2012-06-25 | 2017-05-09 | Schlumberger Technology Corporation | Seismic orthogonal decomposition attribute |
US9494705B2 (en) * | 2012-08-13 | 2016-11-15 | Schlumberger Technology Corporation | Cased-hole radial profiling of shear parameters from sonic measurements |
CN103400021A (zh) * | 2013-06-06 | 2013-11-20 | 浙江工业大学 | 基于重尾分布的kdsne水电机组噪声源检测方法 |
US10139507B2 (en) | 2015-04-24 | 2018-11-27 | Exxonmobil Upstream Research Company | Seismic stratigraphic surface classification |
KR101706245B1 (ko) * | 2015-09-14 | 2017-02-14 | 동아대학교 산학협력단 | 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법 |
WO2017206157A1 (en) | 2016-06-03 | 2017-12-07 | Schlumberger Technology Corporation | Systems, methods, and computer readable media for enchanced simulation of drilling dynamics |
-
2019
- 2019-06-07 US US16/973,332 patent/US11500115B2/en active Active
- 2019-06-07 WO PCT/US2019/036032 patent/WO2019241062A1/en unknown
- 2019-06-07 EP EP19820565.0A patent/EP3811119A4/en active Pending
- 2019-06-07 CN CN201980046963.6A patent/CN112424646A/zh active Pending
- 2019-06-07 CA CA3103234A patent/CA3103234A1/en active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101878434A (zh) * | 2008-04-10 | 2010-11-03 | 普拉德研究及开发股份有限公司 | 用于表征被井眼穿过的地质构造的方法 |
CN105556573A (zh) * | 2013-08-23 | 2016-05-04 | 兰德马克绘图国际公司 | 3d地质细胞模型的局部更新 |
CN106460493A (zh) * | 2014-06-05 | 2017-02-22 | 吉奥奎斯特系统公司 | 用于地下层状岩层中的水力裂缝高度的改进设计的方法 |
US20180120464A1 (en) * | 2015-03-26 | 2018-05-03 | Schlumberger Technology Corporation | Seismic Waveform Inversion |
CN105005079A (zh) * | 2015-07-14 | 2015-10-28 | 北京博达瑞恒科技有限公司 | 一种井曲线反演方法 |
US20170192118A1 (en) * | 2016-01-05 | 2017-07-06 | Schlumerger Technology Corporation | Amplitude Inversion on Partitioned Depth Image Gathers Using Point Spread Functions |
US20170254910A1 (en) * | 2016-03-04 | 2017-09-07 | General Electric Company | Expert guided knowledge acquisition system for analyzing seismic data |
WO2017188858A1 (en) * | 2016-04-28 | 2017-11-02 | Schlumberger Canada Limited | Reservoir performance system |
CN106610508A (zh) * | 2016-11-15 | 2017-05-03 | 中国石油天然气股份有限公司 | 一种裂缝的地震属性判识系统及方法 |
CN107356958A (zh) * | 2017-07-21 | 2017-11-17 | 西南石油大学 | 一种基于地质信息约束的河流相储层分步地震相预测方法 |
CN107884831A (zh) * | 2017-11-13 | 2018-04-06 | 成都理工大学 | 一种基于近似支持向量机的avo类型判别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643425A (zh) * | 2021-07-28 | 2021-11-12 | 中石化石油工程技术服务有限公司 | 一种基于开源gis技术的石油地震成果三维空间可视化通用平台构建方法 |
CN115657132A (zh) * | 2022-12-29 | 2023-01-31 | 成都捷科思石油天然气技术发展有限公司 | 一种基于机器学习的储层预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20210247534A1 (en) | 2021-08-12 |
US11500115B2 (en) | 2022-11-15 |
WO2019241062A1 (en) | 2019-12-19 |
EP3811119A1 (en) | 2021-04-28 |
CA3103234A1 (en) | 2019-12-19 |
EP3811119A4 (en) | 2022-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11500115B2 (en) | Seismic data interpretation system | |
EP3682271B1 (en) | Seismic image data interpretation system | |
US11644589B2 (en) | Analogue facilitated seismic data interpretation system | |
EP3682269B1 (en) | Seismic image data interpretation system | |
US20220099855A1 (en) | Seismic image data interpretation system | |
US20230041525A1 (en) | Automatic model selection through machine learning | |
US11808903B2 (en) | Seismic data interpretation system | |
CA2940406C (en) | Characterizing a physical structure using a multidimensional noise model to attenuate noise data | |
US11231511B2 (en) | Reflection seismology internal multiple estimation | |
EP3149517A2 (en) | Properties link for simultaneous joint inversion | |
CN112384829A (zh) | 地质地层中子孔隙率系统 | |
WO2023081113A1 (en) | Well log correlation system | |
WO2024015895A2 (en) | Seismic horizon tracking framework | |
WO2023137434A1 (en) | Reflection seismology inversion with quality control | |
WO2023015235A1 (en) | Geologic velocity modeling framework |
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 |