CN112703429A - 基于机器学习的地震属性分析 - Google Patents

基于机器学习的地震属性分析 Download PDF

Info

Publication number
CN112703429A
CN112703429A CN201980059951.7A CN201980059951A CN112703429A CN 112703429 A CN112703429 A CN 112703429A CN 201980059951 A CN201980059951 A CN 201980059951A CN 112703429 A CN112703429 A CN 112703429A
Authority
CN
China
Prior art keywords
reservoir
seismic
attributes
pseudo
wells
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
CN201980059951.7A
Other languages
English (en)
Other versions
CN112703429B (zh
Inventor
阿蒂什·罗伊
达南贾伊·库马尔
埃里克·卡斯劳斯卡斯
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.)
BP Corp North America Inc
Original Assignee
BP Corp North America Inc
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 BP Corp North America Inc filed Critical BP Corp North America Inc
Publication of CN112703429A publication Critical patent/CN112703429A/zh
Application granted granted Critical
Publication of CN112703429B publication Critical patent/CN112703429B/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
    • G01V1/303—Analysis for determining velocity profiles or travel times
    • 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
    • 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
    • G06N20/00—Machine 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
    • G06N3/08—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
    • G01V2210/61—Analysis by combining or comparing a seismic data set with other data
    • G01V2210/614—Synthetically generated data
    • 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
    • G01V2210/61—Analysis by combining or comparing a seismic data set with other data
    • G01V2210/616—Data from specific type of measurement
    • G01V2210/6169—Data from specific type of measurement using well-logging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/62—Physical property of subsurface
    • G01V2210/622—Velocity, density or impedance
    • G01V2210/6222—Velocity; travel time
    • 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
    • G01V2210/62—Physical property of subsurface
    • G01V2210/622—Velocity, density or impedance
    • G01V2210/6224—Density
    • 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
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
    • G01V2210/632—Amplitude variation versus offset or angle of incidence [AVA, AVO, AVI]
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

公开了以下系统和方法，其包括：基于储层数据生成与针对伪井的储层性质相对应的储层性质简档；为伪井生成地震属性；以及通过将储层性质简档与地震属性进行比较来训练机器学习模型。以这种方式，机器学习模型可以被用来预测被用于地下区域上方的地震勘探的储层性质，该地下区域包含有助于碳氢化合物的存在、迁移或聚集的结构或地层特征。

Description

基于机器学习的地震属性分析
相关申请的交叉引用
本申请要求于2018年9月14日提交的、名为“Machine Learning-Based Analysisof Seismic Attributes”的美国临时申请序列号No.62/731,411的优先权，其全部内容通过引用合并于此。
关于联邦政府赞助的研究或开发的声明
不适用。
技术领域
本公开总体上涉及分析地震属性和储层性质，并且更具体地，涉及使用机器学习来分析地震属性与储层性质之间的关系。地震数据的地震属性至少可以包括具有偏移(FAVO)响应的频率相关振幅变化、分析地震属性(诸如正交迹线和/或包络线)和反演地震属性(诸如阻抗、密度和/或反射率)。例如，储层性质可以至少包括岩石的流体含量、孔隙率、密度或地震速度、剪切波信息和/或流体指示器(碳氢化合物指示)。通常，地震属性可以被认为是增强地震振幅与感兴趣的储层性质之间的相关性的计算/表示。
背景技术
本章节旨在向读者介绍可能与本公开的各个方面相关的本领域的各个方面，这些方面在下文进行描述和/或要求保护。此讨论被认为有助于为读者提供背景信息，以便于更好地理解本公开的各个方面。因此，应理解，将从这个角度阅读这些陈述，而不是作为对现有技术的承认。
地震分析或勘测包括通过将声(地震)能向下发送到地面并且记录从地下区域内的地质层返回的反射声能来生成地球的地下区域的图像或地图。地震成像试图生成有关地下区域的储层性质的表示。
当将声能波发送到地面时，这些波会通过(例如储层内的)地质层的堆叠散射，以生成时间频率相关的地震振幅。散射的特性可以通过相应的频率幅度与偏移量(FAVO)响应来记录。然后分析所捕获的FAVO响应，以推断地下区域的储层性质。例如，可以基于地震属性(即振幅)，以及还基于源和接收器之间的距离(即偏移量)，分析FAVO响应，以推断地下区域的流体含量、孔隙率、密度或地震速度、剪切波信息和/或流体指示器(碳氢化合物指示)。因为基于FAVO的地震分析考虑到各种地质层特性(例如，层厚度、地震速度、密度)和入射波特性(例如，角度和频率)，并且因为地质层特性本身可能取决于岩石和流体或储层性质(例如，层厚度、岩性、流体等)，分析得出的FAVO响应可能是复数值，其可以用实部也可以用虚部表示，也可以表示为绝对振幅和相位、表示为频率的函数。因此，所捕获的FAVO响应可能是多维的，与通过常规地震解释方法(诸如具有偏移(AVO)地震分析的常规振幅变化)捕获的其它类型的响应相比，可能难以解释。FAVO是示例性地震属性，并且被突出显示以了解该过程。该过程也适用于其它地震属性或叠前地震CDP排序的道集。
发明内容
下文阐述本文所公开的某些实施例的概述。应理解，呈现这些方面仅仅是为了向读者提供这些某些实施例的简要概述，并且这些方面无意于限制本公开的范围。实际上，本公开可以包括下文可能未阐述的多个方面。
机器学习可以被用来分析地震属性。例如，一个或多个实施例可以实现一种机器学习系统，以便分析至少一个地震属性和至少一个储层性质之间的关系/相关性。具体地，通过一个或多个实施例，机器学习可以被用来分析具有偏移(FAVO)响应的频率相关幅度变化，以便预测与所分析的FAVO响应相关联的至少一个储层性质。此外，除了分析FAVO响应之外，例如，其它实施例可以使用机器学习技术来分析分析地震属性和/或反演地震属性。尽管某些实施例可以分析FAVO响应，但是其它实施例可以分析其它类型的地震属性。具体来说，除了FAVO外，其它地震属性也可以被用作输入。此外，可以将其它类型的地震属性与FAVO响应结合使用以执行储层性质预测。
为了训练机器学习系统以了解地震属性与储层性质之间的关系/相关性，机器学习系统将井的地震属性与同一口井的储层性质的集合(即井的储层性质简档)进行比较。在执行了多个井的地震属性与同一井的多个相应储层性质简档之间的大量比较之后，机器学习系统可以了解地震属性与储层性质之间的关系/相关性。
然而，训练机器学习系统可能很困难，因为获得井的每个储层性质简档的过程和获得井的地震属性的过程既费时又昂贵。例如，利用常规方法，测量员通常需要对地震区域进行物理地勘测、在地震区域物理地钻孔，并且物理地执行必要的测量。然后，测量员将具有一个储层性质简档和地震属性的一个集合，其可以被用来训练机器学习系统。因此，为了使用数百或数千个储层性质简档来训练机器学习系统，测量员将需要执行数百或数千个物理勘测和挖掘。
与传统方法相反，一个或多个实施例可以使用模拟的储层性质简档和模拟的地震属性来训练机器学习系统。换句话说，如下文更详细所述，一个或多个实施例可以生成针对多个模拟的井(即，“伪井”)的模拟储层性质简档，并且一个或多个实施例可以对这些伪井生成地震属性。特别地，对于给定的储层，可以生成多个伪井。可以基于从其得出伪井的储层的实际地震数据来生成每个伪井。因此，对于共享储层的伪井，可以基于共享储层的实际地震数据(例如，储层数据)，为这些伪井生成储层性质简档。伪井的储层性质简档可以包括诸如伪井的厚度、岩性、流体、砂率、页岩比等特性。
利用一个或多个实施例，伪井的模拟地震属性可以包括针对伪井的一个或多个生成的地震属性响应。通常，如果针对井的地震属性响应的集合显示出模式行为，则该模式行为可以被用来预测井的储层性质。但是，使用人眼或常规计算机算法来确定这些模式行为可能不准确、乏味且不现实。回到FAVO的示例，在FAVO响应的集合内确定/识别模式行为可能是不现实的，因为与基于常规地震解释方法确定的响应相比，作为多个地质层特性的函数的结果，每个FAVO响应可能是多维的。不同于FAVO响应，基于常规地震解释方法的响应可能是单个地质层特性的函数。这样，代替使用人眼或常规计算机算法，还可以训练一个或多个实施例的机器学习模型，以基于FAVO或其它地震属性响应的集合来预测例如储层的井的储层性质。
特别地，深度学习计算模型，例如卷积神经网络(CNN)或长短期记忆网络(LSTM)和/或一种递归神经网络(RNN)，可以实现模仿人脑的学习过程的深度结构。已经证明这种深度学习模型在确定多维(例如多变量)数据中的复杂结构方面是有效的。例如，最近，深度学习技术在图像和语音识别领域生成了令人鼓舞的结果。一个或多个实施例实现了深度学习模型，该模型将针对每一层具有不同神经元集合的多个隐藏层添加到简单的神经网络模型，从而形成了深度神经网络。如下文更详细所述，经过适当训练的深度学习模型可以接收井的地震属性，然后基于所接收的地震属性来推断/预测井的储层性质。例如，一个或多个实施例可以接收井的所捕获的地震属性响应的集合，以及与通过手动计算或常规计算机算法生成的预测相比一个或多个实施例可以生成井的储层性质的更有效和准确的预测。
附图说明
通过阅读下述详细描述并参考附图，可以更好地理解本公开的各个方面，在附图中：
图1是根据本文给出的实施例，可以基于经由地震勘测系统获取的地震数据的分析来执行的各种过程的流程图；
图2是根据本文给出的实施例的海洋环境中的海洋勘测系统的示意图；
图3是根据本文给出的实施例的陆地勘测系统的示意图；
图4是根据本文给出的实施例的、可以基于经由图2的海洋勘测系统或图3的陆地勘测系统获取的数据来执行本文描述的操作的计算系统的框图；
图5是根据本文给出的实施例的、可以由图4的计算系统采用以预测共享碳氢化合物储层的井的储层性质值的方法的流程图；
图6是根据本文给出的实施例的、示出厚度为L的储层中的散射波的示例的示意图，其中，可以通过具有偏移(FAVO)响应的频率相关幅度变化来捕获散射的特性；
图7是根据本文给出的实施例的、页岩井的示例FAVO响应和沙质井的示例FAVO响应以及相应的储层性质的一组图；
图8是根据本文给出的实施例的、当井中的流体变化时的示例FAVO响应以及相应的储层性质简档的一组图；以及
图9是根据本文给出的实施例的、可以由图4的计算系统采用以基于地震属性和储层性质来训练机器学习模型的方法的流程图。
具体实施方式
下文将描述一个或多个特定实施例。为了提供对这些实施例的简要描述，在说明书中并未描述实际实现方式的所有特征。应理解，在任何此种实际实现方式的开发中，如在任何工程或设计项目中，都必须做出许多特定于实现方式的决策，以实现开发人员的特定目标，诸如遵守可能在实现方式之间变化的系统相关和业务相关的约束。此外，应了解，这种开发工作可能复杂且耗时，但是对于受益于本公开的普通技术人员而言，这将是设计、制作和制造的常规任务。
地震数据可以提供有关地质构造的有价值的信息，诸如地球的地下区域内的碳氢化合物沉积的位置和/或变化。由地震数据生成地震属性，以增强储层性质对地震的敏感性。如上所述，一种地震属性是FAVO响应。因为基于FAVO的地震分析是(多个)地质层性质(例如，厚度、地震速度、密度)和入射波性质(例如，角度和频率)的函数，并且地质层性质本身可能取决于储层性质(例如厚度、岩性、流体、砂率、页岩比、水比率等)，FAVO响应可以是复数值，其可以由实和虚部表示，也可以表示为绝对振幅和相位、表示为频率的函数。因此，FAVO响应是多维的，可能富含与储层性质有关的信息，但是与常规地震解释方法(可能是单个地质层性质的函数)，诸如常规的具有偏移(AVO)地震分析的振幅变化相比，可能难以解释。
通过介绍的方式，可以使用各种地震勘测系统和技术获取地震数据，相对于图2和图3论述所述地震勘测系统和技术中的两个。与所利用的地震数据收集技术无关，在获取地震数据之后，计算系统可以分析所获取的地震数据并且可以使用地震数据分析的结果(例如，地震图、地质构造图等)来在碳氢化合物勘探和生产行业中执行各种操作。例如，图1是详述可以基于对所获取的地震数据的分析而进行的各种过程的方法10的流程图。尽管以特定顺序描述了方法10的步骤，但是应当注意到，可以以任何合适顺序执行方法10。
现在参考图1，在框12，可以基于所分析的地震数据来确定与各个地震勘测相关联的地球的地下区域内的碳氢化合物沉积的位置和性质。在一些实施例中，机器学习模型可以通过分析诸如FAVO响应的地震属性来预测地下区域内的碳氢化合物沉积的位置和/或性质。
基于所识别的碳氢化合物沉积的位置和性质，在框14处，可以勘探地下区域的某些位置或部分。也就是说，碳氢化合物勘探组织可以使用碳氢化合物沉积的位置来确定地下区域表面处钻入地球的位置。因此，碳氢化合物勘探组织可以使用碳氢化合物沉积的位置和性质来确定沿着其钻入地球的路径、如何钻入地球等。
在勘探装备已放入地下区域内之后，在框16处，可以经由自然自流井、人工升举井等生成存储于碳氢化合物沉积中的碳氢化合物。在框18处，可以经由运输车、管线等将生成的碳氢化合物运输到炼油厂等。在框20处，可以根据各种精炼过程来处理生成的碳氢化合物以使用碳氢化合物开发不同产物。
应注意到，关于方法10论述的过程可以包括其它合适的过程，这些过程可以基于经由一个或多个地震勘测获取的地震数据中所指示的碳氢化合物沉积的位置和性质。因此，应理解，上述过程并不旨在描绘可以在确定地下区域内的碳氢化合物沉积的位置和性质之后执行的过程的穷举列表。
考虑到前述内容，图2是海洋勘测系统22(例如，用于结合图1的框12使用)的示意图，所述海洋勘测系统可以用于获取关于海洋环境中的地球的地下区域的地震数据(例如，波形)。通常，可以在海洋24中或在位于海底28下方的地球的地下区域26上方的其它水体中实施使用海洋勘测系统22的海洋地震勘测。
海洋勘测系统22可以包括船30、地震源32、海洋地震电缆34、接收器36，和/或可以帮助获取表示地球的地下区域26内的地质构造的地震图像的其它装备。船30可以拖曳地震源32(例如，气枪阵列)，所述地震源可以生成指向海底28的能量，诸如声波(例如，地震波形)。船30还可以拖曳具有接收器36(例如，水听器)的海洋地震电缆34，所述接收器36可以获取地震波形，所述地震波形表示在从地下区域26内的各种地质构造(例如盐丘、断层、褶皱等)反射之后由地震源32输出的能量。尽管所描述的海洋勘测系统22具有一个海洋地震电缆34，但是应当注意，海洋勘测系统22可以包括多个海洋地震电缆34。另外，额外的船30可以包括额外的源32、海洋地震电缆34等以执行海洋勘测系统22的操作。
图3是陆地勘测系统38(例如，用于结合图1的框12使用)的示意图，所述陆地勘测系统可以用于获得关于非海洋环境中的地球的地下区域26的信息。陆地勘测系统38可以包括陆基地震源40和陆基接收器44。在一些实施例中，陆地勘测系统38可以包括一个或多个地震源40以及一个或多个陆基接收器44和46。实际上，出于论述目的，陆地勘测系统38包括陆基地震源40和两个地震接收器44和46。陆基地震源40(例如，地震振动器)可以安置在所关注的地下区域26上方的地球的表面42上。陆基地震源40可以生成指向地球的地下区域26的能量(例如，声波、地震波形)。在到达地下区域26内的各种地质构造(例如盐丘、断层、褶皱)之后，由陆基地震源40输出的能量可以从地质构造中反射出来，并且由一个或多个陆基接收器(例如，44和46)获取或记录。
在一些实施例中，陆基接收器44和46可以分散在地球的表面42上以形成网格状图案。因此，响应于经由地震源40指向地下区域26的能量，每个陆基接收器44或46可以接收反射的地震波形。在一些情况下，由地震源40生成的一个地震波形可以从不同地质构造反射回来并且由不同接收器接收。例如，如图3中所示，地震源40可以输出可以指向地下区域26的能量作为地震波形48。第一接收器44可以接收地震波形48从一个地质构造的反射，并且第二接收器46可以接收地震波形48从不同地质构造的反射。因此，第一接收器44可以接收反射的地震波形50，并且第二接收器46可以接收反射的地震波形52。
不论如何获取地震数据，计算系统(例如，用于结合图1的框12使用)可以分析由接收器36、44、46获取的地震波形，以确定关于地下区域26内的地质结构、碳氢化合物沉积的位置和性质等的地震信息。图4是这样的计算系统60的示例的框图，所述计算系统可以执行各种数据分析操作以分析由接收器36、44、46获取的地震数据，以确定结构和/或预测地下区域26内的地质构造的储层性质。
现在参考图4，计算系统60可以包括通信组件62、处理器64、存储器66、存储68、输入/输出(I/O)端口70，以及显示器72。在一些实施例中，计算系统60可以省略显示器72、通信组件62和/或输入/输出(I/O)端口70中的一个或多个。通信组件62可以是可以促进接收器36、44、46、一个或多个数据库74、其它计算设备，和/或其它具有通信能力的设备之间的通信的无线或有线通信组件。在一个实施例中，计算系统60可以经由网络组件、数据库74等接收接收器数据76(例如，地震数据、地震图等)。计算系统60的处理器64可以分析或处理接收器数据76，以确定与地球的地下区域26内的地质构造有关的各种特征。
处理器64可以是能够执行计算机可执行代码的任何类型的计算机处理器或微处理器。处理器64还可以包括可以执行下文描述的操作的多个处理器。存储器66和存储68可以是可以用作介质以存储处理器可执行代码、数据等的任何合适的制品。这些制品可以表示计算机可读介质(例如，任何适当形式的存储器或存储)，所述计算机可读介质可以存储由处理器64用于执行当前公开的技术的处理器可执行代码。通常，处理器64可以执行软件应用，所述软件应用包括根据本文描述的实施例处理经由地震勘测的接收器获取的地震数据的程序。
存储器66和存储68也可以用于存储数据、数据分析、软件应用等。存储器66和存储68可以表示可以存储由处理器64使用以执行本文中描述的各种技术的处理器可执行代码的非暂时性计算机可读介质(例如，任何合适形式的存储器或存储)。应当注意到，非暂时性仅指示介质是有形的，而不是信号。
利用一个或多个实施例，处理器64可以支持神经网络的实现方式。可以通过一个或多个实施例来存储表示神经网络的数据结构。该神经网络可以至少包括多个输入节点、多个输出节点、多个隐藏节点以及节点之间的互连。可以自适应地加权节点或互连。利用一个或多个实施例，神经网络可以是前馈神经网络。通过更改自适应权重，可以训练神经网络，从而可以实现机器学习模型。数据可以经由输入节点输入神经网络，并且最终计算结果可以出现在输出节点上。存在许多不同的训练方法来适应神经网络，并且可以存在其它神经网络架构。
利用一个或多个实施例，可以在诸如处理器64的处理器上模拟神经网络。在其它实施例中，可以通过使用物理硬件处理器、电路和数据链路或者通过使用定制的神经网络处理芯片来构建神经网络(及由此的机器学习模型)。
I/O端口70可以是可以耦合到诸如输入设备(例如，键盘、鼠标)、传感器、输入/输出(I/O)模块等的其它外围组件的接口。I/O端口70可以使计算系统60能够经由I/O端口70与海洋勘测系统22、陆地勘测系统38等中的其它设备通信。
显示器72可以描绘与正由处理器64处理的软件或可执行代码相关联的可视化。在一个实施例中，显示器72可以是能够从计算系统60的用户接收输入的触摸显示器。显示器72还可以用于查看和分析所获取的地震数据的分析结果，以确定地下区域26内的地质构造、地下区域26内的碳氢化合物沉积的位置和性质、与地下区域26内的一个或多个井相关联的储层特性的预测等。显示器72可以是任何合适类型的显示器，诸如，液晶显示器(LCD)、等离子体显示器，或有机发光二极管(OLED)显示器等。除了经由显示器72描绘本文所描述的可视化之外，还应当注意到，计算系统60还可以经由诸如纸(例如，经由打印)等的其它有形元件来描绘可视化。
考虑到前述内容，本文中描述的本技术也可以使用超级计算机来执行，所述超级计算机采用多个计算系统60、云计算系统等以将待执行的过程分布在多个计算系统60上。在这种情况下，作为超级计算机的一部分运行的每个计算系统60可能不包括作为计算系统60的一部分列出的每个组件。例如，每个计算系统60可以不包括显示器组件72，因为多个显示器组件72可能对被设计为连续地处理地震数据的超级计算机没有用。
在执行各种类型的地震数据处理，诸如基于FAVO的地震分析之后，计算系统60可以将分析结果(诸如一组或多组FAVO响应)存储在一个或多个数据库74中。数据库74可以经由通信组件62可通信地耦合到可以向计算系统60传输数据以及从计算系统60接收数据的网络。另外，数据库74可以存储关于地下区域26的信息，诸如关于地下区域26的先前地震图、地质样本数据、地震图像等。
尽管已经参考计算系统60讨论了上述组件，但是应当注意到，类似的组件可以组成计算系统60。此外，计算系统60也可以是海洋勘测系统22或陆地勘测系统38的一部分，由此可以监视和控制源32或40、接收器36、44、46等的某些操作。此外，应当注意到，所列出的组件被提供为示例组件，并且本文描述的实施例不限于参考图4描述的组件。
在一些实施例中，计算系统60可以基于经由上述接收器接收的地震数据来生成地下区域26的二维表示或三维表示。另外，可以组合与多个源/接收器组合相关联的地震数据，以创建可以延伸一定距离的地下区域26的近乎连续的轮廓。在二维(2-D)地震勘测中，接收器位置可以沿着单条线放置，而在三维(3-D)勘测中，接收器位置可以以网格图案分布在整个表面上。因此，当地球层存在于记录位置的正下方时，2-D地震勘测可以提供地球层的横截面图片(垂直切片)。另一方面，3-D地震勘测可以创建可以对应于地下区域26的3-D图片的数据“立方体”或体积。
另外，4-D(或延时)地震勘测可以包括在3-D勘测期间多次获取的地震数据。使用在不同时间获取的不同地震图像，计算系统60可以比较两个图像以识别地下区域26中的变化。
在任何情况下，地震勘测可以由非常大量的个别地震记录或迹线构成。因此，计算系统60可以被采用以分析所获取的地震数据，以获得表示地下区域26的图像(例如，计算系统可以被利用来执行基于FAVO的地震分析)并确定和/或预测碳氢化合物沉积的位置和性质。为此，可以使用各种地震数据处理算法来从所获取的地震数据中去除噪声、迁移预处理的地震数据、识别多个地震图像之间的偏移、对准多个地震图像等。
在计算系统60分析所获取的地震数据之后，地震数据分析的结果(例如，地震图、地震图像、地质构造图等)可以被用来在碳氢化合物勘探和生产行业中执行各种操作。例如，如上所述，可以使用所获取的地震数据来执行图1的方法10，图1详述可以基于对所获取的地震数据的分析而进行的各种过程。因此，除了使用通用计算机的常规能力之外，计算系统60可以包括对计算机相关技术的特定改进。具体地，计算系统60可以使用例如机器学习来执行基于FAVO的地震分析并分析基于FAVO的地震分析结果。因此，可以基于在井处接收到的FAVO响应的集合来训练计算系统60以预测例如井位置处的岩石和流体类型的储层性质。与基于人眼的感知得出的预测或基于常规计算机算法得出的预测相比，由一个或多个实施例执行的预测可以更准确。
考虑到上述情况，图5是根据本文所呈现的一个或多个实施例，可由计算系统60用来预测一个或多个井的一个或多个储层性质值的方法80的流程图。在一些实施例中，方法80的至少一些步骤可以以替代顺序执行或被完全省略。此外，虽然方法80的步骤被描述为由计算系统60的处理器64执行，但是应当理解，包括处理器64的、任何合适的设备或系统，或者合适的设备或系统的组合都可以执行方法80的步骤，诸如计算系统60外部的但可通信地耦合到计算系统60的计算设备或系统的处理单元或电路，以及执行方法80的步骤可能涉及处理器64结合或利用存储在有形机器可读介质上的软件操作以执行方法80的步骤。
如步骤82所示，处理器64可以接收储层的数据。该储层数据可以包括与储层有关的任何适当形式的数据，并且如上所述，储层数据可以包括地下区域26的实际数据。例如，储层数据可以包括共享储层的井的先前分布的数据。储层数据可以包括与不同岩石类型的垂直堆叠模式和岩石或地震性质趋势有关的数据(例如，与厚度、岩性、流体等有关的数据)。在一些实施例中，储层数据可以包括井日志(例如，共享储层的实际井的历史数据)。
如上所述，为了训练机器学习模型以识别地震属性与储层性质之间的关系/相关性，机器学习系统可以将数百或数千个储层性质简档与其对应的地震属性进行比较。此外，如上所述，为了获得这些众多的储层性质简档来训练机器学习系统，一个或多个实施例可以生成模拟的伪井。在步骤84中，处理器64可以为一组(例如，数百或数千)这些模拟或建模的井(即，伪井)生成储层性质简档。所生成的储层性质简档可以基于勘测中的一个或多个已知井的实际储层数据。勘测中的这些已知井可以是例如共享储层的已知井。以这种方式，可以在相对短的时间内获取大量(伪)数据，以用在训练机器学习系统中。此外，与获得真实世界的储层性质简档相比，(伪)储层性质简档的生成成本要低得多，风险也要小得多。
如上所述，伪井的储层性质简档可以基于储层数据或可以基于与伪井共享相同储层的其它井的数据。伪井可以模拟任何合适类型的井，诸如具有如气体、盐水、油、古残气、低饱和度气体等储层流体的井。处理器64可以生成针对伪井的一个或多个储层性质简档，其中，一个或多个储层性质简档反映共享储层的井的储层性质。
伪井的储层性质简档可以包括伪井的各种储层性质(例如，包括孔隙率、流体饱和度、页岩分数等)。在一些实施例中，处理器64可以生成(伪)储层性质简档，其在伪井的深度上提供储层性质信息。例如，每个储层性质简档可以提供在伪井的不同深度处的井的页岩体积(Vsh)的测量。应当理解，储层性质简档可以提供任何合适的储层性质或储层性质的组合，包括但不限于砂层分数、页岩分数、流体成分、厚度、岩性、孔隙度(Phit)、饱和度、一次波(P-波)速度(Vp)、二次波(S-波)速度(Vs)、密度等。伪井可以包括任何合适类型的井，诸如气体、流体、盐水、油、古残气、低饱和气体等。
在步骤86，处理器64可以为每个伪储层性质简档生成一个或多个地震属性。这些一个或多个伪地震属性可以包括例如具有偏移(FAVO)响应的频率相关振幅变化。可以为在步骤6 84中生成的每个伪储层性质简档生成一个或多个伪地震属性。
在步骤88中，处理器64可以基于地震属性(例如，FAVO响应)和储层性质来训练机器学习模型，如下文详细解释。例如，如上所述，可以通过将一组地震属性与相应的储层性质的集合进行比较来训练机器学习模型/系统。以这种方式，机器学习模型/系统可以学习地震属性和储层性质之间的关系/相关性。在一些实施例中，机器学习模型可以是深度学习模型，尽管可以考虑任何合适的机器学习模型。
在步骤90中，处理器64可以生成由机器学习模型学习的、地震属性(诸如FAVO响应)与储层性质之间的学习的关联/相关性的库。特别地，处理器64可以使用机器学习模型来生成与地震属性相关联的储层性质的库。使用机器学习模型来生成相关的储层性质和地震属性的库表示相对于常规系统的特定改进，以及具有改进功能的改进计算系统60。特别地，当与例如通过执行常规计算机算法的计算机系统来执行分析相比时，通过使用伪井的地震属性和储层性质来训练机器学习模型可以提高计算系统60的预测准确性和效率。
在使用模拟的伪井数据训练了机器学习模型之后，机器学习模型可以接收到与实际、真实中的地震区域有关的信息形式的输入。然后，训练过的机器学习模型可以基于机器学习模型的早期训练来生成与实际、真实的地震区域相关的预测。在步骤92中，处理器64可以接收共享储层的井的实际、真实的井数据。在步骤94中，处理器64可以基于实际井数据来确定地震属性。处理器64可以确定任何合适的地震属性，诸如井处的FAVO响应。
为了利用一个或多个实施例来预测储层性质，在步骤96中，处理器64可以生成模拟地震属性(例如，模拟FAVO响应)以伴随基于实际井数据的确定的地震属性。接下来，在步骤98中，处理器64可以通过使用模拟地震属性来校准基于实际井数据(例如，所确定的FAVO响应)的所确定的地震属性。例如，处理器64可以将所确定的FAVO响应的值与模拟的FAVO响应进行平均。由于与仅将实际确定的FAVO响应输入到经过训练的机器学习模型中相比，(例如)消除了噪声、消除了不准确的储层性质、消除了储层性质值的不期望变化等，(测量的地震数据的)所得到的校准的FAVO响应可以是更准确和/或更有用的FAVO响应(用于输入到经过训练的机器学习模型中)。可以通过一个或多个实施例执行在真实井位置处的真实地震属性与模拟地震属性之间的适当校准。
在步骤100中，处理器64可以基于真实的输入的地震属性(例如，可以是校准后的FAVO响应或未校准的FAVO响应)来生成一个或多个储层性质预测/推断。可以基于所学习的地震属性与储层性质之间的关联/相关性的库来生成预测/推断。即，处理器64可以使用该库来基于输入的地震属性来生成被预测为存在的储层性质的预测。例如，处理器64可以通过利用机器学习模型来输出与所输入的已校准/未校准的FAVO响应相对应的储层性质值的一个或多个预测。以这种方式，计算系统60可以采用方法80来从共享碳氢化合物储层的井的真实地震值预测一个或多个储层性质。
图9是根据本文呈现并且如上在图5的步骤88中所描述的实施例，计算系统60可以利用以基于输入的地震属性和输入的储层性质来训练机器学习模型的方法230的流程图。
在一些实施例中，方法230的至少一些步骤可以以替代顺序执行或被完全省略。此外，虽然方法230的步骤被描述为由计算系统60的处理器64执行，但是应当理解，包括处理器64的、任何合适的设备或系统，或者合适的设备或系统的组合都可以执行方法230的步骤，诸如计算系统60外部的但可通信地耦合到计算系统60的计算设备或系统的处理单元或电路。
如步骤232所示，为了基于地震属性(例如，FAVO响应)和储层性质来训练机器学习模型，处理器64可以接收针对每个伪井的地震属性的集合。在组合的FAVO响应中，可以将伪井的一个或多个FAVO响应组合在一起。即，对于每个伪井，处理器64可以组合与伪井相关联的一个或多个FAVO响应。
在一些实施例中，可以在组合以生成组合的FAVO响应之前，提取FAVO响应的某些部分，以便减少用于处理组合的FAVO响应的处理能力或节省存储器空间。可以基于典型的预测用途来选择这些部分。例如，处理器64可以提取与10度、20度和30度相对应的每个FAVO响应的实部和虚部(例如，对于若干频率分量)，以生成组合的FAVO响应，因为这些角度可以对应于可能被用于(以及可用于)预测的典型的角度堆叠。然后，处理器64可以组合这些提取的部分，以针对每个伪井生成组合的FAVO响应(例如，为每个伪井生成组合的FAVO签名，其可以例如表示为矢量)。
在步骤234中，然后，处理器64可以通过将伪地震属性(例如，组合的FAVO响应)与相应的伪储层性质值的集合进行比较来训练机器学习模型。机器学习模型可以确定将地震属性映射到相应储层性质值的模式/关系/相关性。这样，可以训练机器学习模型以将某些地震属性与储层性质相关联。还可以训练机器学习模型以识别具有未来储层性质值的变化的地震属性，从而使得机器学习模型能够基于变化的地震属性和/或变化的储层性质值更准确地预测未来的储层性质值。作为另一个示例，处理器64可以将气井中的变化的地震属性和总孔隙度高度(PhitH)输入到机器学习模型，使得机器学习模型确定将变化的地震属性值映射到总孔隙度高度的模式。这样，可以训练机器学习模型以将变化的储层性质值与未来的总孔隙度高度相关联，从而使得机器学习模型能够基于未来的总孔隙度高度更准确地预测变化的储层性质值。作为又一个示例，处理器64可以预测储层性质，诸如不同流体(例如，盐水、油、水等)的量。
图6是示出了散射波的示例的示意图，其中，可以通过FAVO响应来捕获散射的特性。如图6所示，根据本文提出的实施例，储层130的厚度(Z)为L。储层130包括具有变化的厚度、地震速度和密度的三层132、134、136。这样，对于施加在储层130顶部的入射P-波146，有四个地震反射器138、140、142、144。地震反射器138、140、142、144由入射P-波146生成反射波148、150、152和154。
常规地震解释技术，诸如常规的具有偏移(AVO)地震分析的振幅变化，通常仅对顶部储层132进行建模。基于FAVO的地震分析可以通过考虑与每一层132、134、136的适当的相位(例如时间延迟)对所有层132、134、136进行建模，导致与反射波148、150、152和154相关的复杂频率相关的地震值。
(捕获反射/散射的特征的)FAVO响应可以被表示为频率、幅度和角度方面的实部和虚部。例如，图7是根据本文提出的实施例(例如，步骤86中生成的FAVO响应的附加示例)的、根据储层性质(如所示，特别是页岩体积(Vsh))的页岩(例如，页岩密集构造)井的示例FAVO响应170和沙质(例如，砂土密集构造)井的示例FAVO响应172的一组图。作为参考，在FAVO响应170、172旁边显示了各自的页岩体积(Vsh)曲线174、176。这些图说明了根据角度和频率的FAVO响应170、172中的反射率，并且包括实部178、180和虚部182、184。
图8是根据本文提出的实施例(例如，在步骤86中生成的FAVO响应的其它示例)的、当对于给定的储层性质简档(Vsh曲线)的井中流体(例如，盐水、油、气等)发生变化时的、示例FAVO响应200、202、204的一组曲线图。图8的示例储层性质是页岩分数(Vsh)曲线206，其在FAVO响应200、202、204旁边示出。FAVO响应200、202、204示出了给定深度的井中的盐水、油和气的量。正如图8，FAVO响应200、202、204示出了根据角度和频率的反射率，并且包括实部208、210、212和虚部214、216、218。在盐水、油和气体的存在下，FAVO响应(200、202、204)的差异可能非常微妙。因此，人眼和常规计算机算法可能无法辨别出油202的FAVO响应的形状与气体204的FAVO响应的形状不同。但是，如上所述，一个或多个实施例的机器学习系统可以有效地区分不同的形状。
使用公开的技术来经由机器学习模型分析FAVO响应以确定基于其来预测储层性质的模式行为可能会以更有效的方式生成更准确的预测，尤其当与例如通过人眼或通过常规计算机算法执行分析相比时。可以以例如在计算系统60的存储器66中、用于由处理器64执行的编程或设计软件的特定方式来实现所公开的技术，以生成针对储层性质简档的FAVO响应、基于FAVO响应和储层性质简档来训练机器学习模型并且基于测量的地震数据的FAVO响应来预测储层性质值。在一些实施例中，计算系统60可以包括被特别设计为执行所公开的技术的功能的特定逻辑(例如，以硬件和/或软件实现)，诸如生成针对储层性质简档的FAVO响应的FAVO生成逻辑于基于FAVO响应和储层性质简档训练机器学习模型的机器学习训练逻辑，以及基于FAVO响应来预测储层性质值的预测逻辑。该逻辑可以包括通过基于针对这些任务的专门设计，以更快、更有效的方式执行它们各自的任务，从而对传统的计算机技术进行非抽象的改进。
已经通过示例的方式示出上述特定实施例，并且应当理解，这些实施例可能易于进行各种修改和替选形式。应进一步理解，权利要求书并不旨在限于所公开的特定形式，而是覆盖落入本公开的精神和范围内的所有修改、等效物和替选方案。
本文提出并要求保护的技术被引用并应用于具有实际性质的物质对象和具体示例，这些物质对象和具体示例可证明地改进本技术领域，因此不是抽象的、无形的或纯粹理论上的。此外，如果附在本说明书末尾的任何权利要求包含表示为“用于[执行][功能]…的装置”或“用于[执行][功能]...的步骤”的一个或多个元素，则预期这些元素应根据35U.S.C.112(f)进行解释。然而，对于包含以任何其它方式表示的元素的任何权利要求，预期不应根据35U.S.C.112(f)解释此类元素。

Claims (20)

1.一种系统，包括：
处理器，所述处理器被配置为：
为多个伪井生成多个储层性质简档；
为所述多个伪井生成多个属性；以及
通过将所述多个储层性质简档与所述多个属性进行比较，训练机器学习模型来预测被用于在地下区域上方的地震勘探的储层性质，所述地下区域包含有助于碳氢化合物的存在、迁移或聚集的结构或地层特征。
2.根据权利要求1所述的系统，其中，
基于接收到的储层数据生成所述多个储层性质简档，并且所述储层数据对应于碳氢化合物储层的数据。
3.根据权利要求1所述的系统，其中，针对所述多个伪井中的每个伪井的各个储层性质，生成所述多个储层性质简档的每个储层性质简档。
4.根据权利要求1所述的系统，其中，所述处理器被配置为通过下述操作来针对所述多个伪井生成所述多个储层性质简档：
为所述多个伪井来生成多个井简档；
确定储层性质的集合；以及
对于所述多个井简档中的每个井简档，针对所述储层性质的集合中的每个储层性质，生成所述多个储层性质简档中的每个储层性质简档。
5.根据权利要求4所述的系统，其中，所述多个井简档中的每个井简档被配置为：
提供所述多个伪井中的各个伪井的深度上的储层性质信息，
其中，所述储层性质信息包括砂层分数、页岩分数、流体成分、厚度、岩性、孔隙度、饱和度、一次P-波速度、二次S-波速度、密度或其任意组合。
6.根据权利要求4所述的系统，其中，
所述储层性质的集合中的每个储层性质包括砂层分数、页岩分数、流体成分、厚度、岩性、孔隙度、饱和度、一次P-波速度、二次S-波速度、密度或其任意组合。
7.一种方法，包括：
为多个伪井生成多个储层性质简档；
为所述多个伪井生成多个属性；以及
通过将所述多个储层性质简档与所述多个属性进行比较，训练机器学习模型来预测被用于在地下区域上方的地震勘探的储层性质，所述地下区域包含有助于碳氢化合物的存在、迁移或聚集的结构或地层特征。
8.根据权利要求7所述的方法，其中，
基于接收到的储层数据生成所述多个储层性质简档，所述储层数据对应于碳氢化合物储层的数据，所述储层性质包括砂层分数、页岩分数、流体成分、厚度、岩性、孔隙度、饱和度、一次波速度、二次波速度、密度或其任意组合。
9.根据权利要求7所述的方法，其中，
所述储层数据包括砂层分数、页岩分数、流体成分、厚度、岩性、孔隙度、饱和度、一次P-波速度、二次S-波速度、密度或其任意组合。
10.根据权利要求7所述的方法，包括生成与所述储层性质相关联的地震属性的库。
11.根据权利要求10所述的方法，包括接收共享所述碳氢化合物储层的井的井数据。
12.根据权利要求11所述的方法，包括基于所述井数据生成地震属性。
13.根据权利要求12所述的方法，包括生成模拟地震属性。
14.根据权利要求13所述的方法，包括利用所述模拟地震属性来校准所述地震属性，以生成经校准的地震属性。
15.根据权利要求14所述的方法，包括使用所述地震属性的库，基于所述经校准的地震属性来生成一个或多个储层性质预测。
16.一种或多种有形的非暂时性的机器可读介质，其包括被配置为使处理器执行下述操作的指令：
为多个伪井生成多个储层性质简档；
为所述多个伪井生成多个属性；以及
通过将所述多个储层性质简档与所述多个属性进行比较，训练机器学习模型来预测被用于在地下区域上方的地震勘探的储层性质，所述地下区域包含有助于碳氢化合物的存在、迁移或聚集的结构或地层特征。
17.根据权利要求16所述的一种或多种机器可读介质，其包括以下指令，该指令使得所述处理器：
将与所述多个伪井中的各个伪井相关联的所述多个属性中的两个或更多个属性中的至少一些部分组合在一起以生成多个组合属性，
其中，基于接收到的储层数据生成所述多个储层性质简档，所述储层数据对应于碳氢化合物储层的数据。
18.根据权利要求17所述的一种或多种机器可读介质，包括以下指令，该指令使得所述处理器：
在将所述两个或更多个属性组合在一起之前，提取所述两个或更多个属性的所述至少一些部分。
19.根据权利要求17所述的一种或多种机器可读介质，其中，
所述一些部分包括与被用于预测的角度堆叠相关联的所述两个或更多个属性中的每个属性的实部和虚部。
20.根据权利要求17所述的一种或多种机器可读介质，其中，将所述多个储层性质简档与所述多个属性进行比较包括：
将所述多个储层性质简档与所述多个组合属性进行比较。
CN201980059951.7A 2018-09-14 2019-09-12 基于机器学习的地震属性分析 Active CN112703429B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862731411P 2018-09-14 2018-09-14
US62/731,411 2018-09-14
PCT/US2019/050720 WO2020056073A1 (en) 2018-09-14 2019-09-12 Machine learning-based analysis of seismic attributes

Publications (2)

Publication Number Publication Date
CN112703429A true CN112703429A (zh) 2021-04-23
CN112703429B CN112703429B (zh) 2024-02-13

Family

ID=67957466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980059951.7A Active CN112703429B (zh) 2018-09-14 2019-09-12 基于机器学习的地震属性分析

Country Status (9)

Country Link
US (1) US11262468B2 (zh)
EP (1) EP3850401B1 (zh)
CN (1) CN112703429B (zh)
AU (1) AU2019338412B2 (zh)
BR (1) BR112021004693B1 (zh)
CA (1) CA3112197C (zh)
EA (1) EA202190728A1 (zh)
MX (1) MX2021002871A (zh)
WO (1) WO2020056073A1 (zh)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2565526A (en) * 2017-06-12 2019-02-20 Foster Findlay Ass Ltd A method for validating geological model data over corresponding original seismic data
US11073637B2 (en) * 2018-10-04 2021-07-27 Saudi Arabian Oil Company Data structure for fast invasion percolation modeling software
US11105944B2 (en) * 2019-04-30 2021-08-31 Chevron U.S.A. Inc. System and method for lateral statistical estimation of rock and fluid properties in a subsurface formation
US11409011B2 (en) * 2019-08-29 2022-08-09 Advanced Geophysical Technology Inc. Methods and systems for obtaining reconstructed low-frequency seismic data for determining a subsurface feature
US11781416B2 (en) * 2019-10-16 2023-10-10 Saudi Arabian Oil Company Determination of elastic properties of a geological formation using machine learning applied to data acquired while drilling
WO2021194467A1 (en) * 2020-03-23 2021-09-30 Landmark Graphics Corporation Facilitating hydrocarbon exploration and extraction by applying a machine-learning model to seismic data
US11614557B2 (en) * 2020-04-07 2023-03-28 Landmark Graphics Corporation Data-driven domain conversion using machine learning techniques
NO20210264A1 (en) * 2020-04-07 2021-02-26 Landmark Graphics Corp Data-driven domain conversion using machine learning techniques
CN111487679B (zh) * 2020-04-22 2023-04-07 中国石油天然气集团有限公司 横波速度预测方法、装置和设备
CN111551985A (zh) * 2020-05-15 2020-08-18 广州市高速公路有限公司 一种基于桩锤激震和k近邻算法的地下溶洞探测方法
CN111751878B (zh) * 2020-05-21 2023-05-30 中国石油天然气股份有限公司 横波速度的预测方法和装置
CN111736217B (zh) * 2020-05-27 2023-12-26 中国石油天然气集团有限公司 地震属性融合方法及装置
KR20210150916A (ko) * 2020-06-04 2021-12-13 에스케이이노베이션 주식회사 웰 로그를 학습하여 s파 속도를 추정하는 방법 및 장치
CN111983691B (zh) * 2020-08-18 2023-10-13 郑州市混沌信息技术有限公司 一种多模型融合的储层预测方法及软件系统
CN112017289B (zh) * 2020-08-31 2023-03-24 电子科技大学 一种基于深度学习的井震联合初始岩性模型构建方法
CN114198096B (zh) * 2020-09-01 2023-09-26 中国石油天然气股份有限公司 钻井误差预测方法及装置
CN114152978B (zh) * 2020-09-07 2023-06-06 中国石油化工股份有限公司 储层参数预测方法、装置、存储介质及电子设备
CN114185087A (zh) * 2020-09-14 2022-03-15 中国石油化工股份有限公司 叠前频变avo反演方法、装置、电子设备及介质
CN112987091B (zh) * 2020-12-09 2024-02-02 中国石油天然气股份有限公司 储层检测方法、装置、电子设备和存储介质
WO2022125771A1 (en) 2020-12-10 2022-06-16 Saudi Arabian Oil Company Determination of mechanical properties of a geological formation using deep learning applied to data acquired while drilling
US11630224B2 (en) * 2020-12-11 2023-04-18 Landmark Graphics Corporation Subsurface fluid-type likelihood using explainable machine learning
US11703608B2 (en) 2020-12-29 2023-07-18 Landmark Graphics Corporation Reservoir characterization using machine-learning techniques
CN112686315A (zh) * 2020-12-31 2021-04-20 山西三友和智慧信息技术股份有限公司 一种基于深度学习的非自然地震分类方法
CN112782690B (zh) * 2021-01-14 2023-10-13 中国科学院国家空间科学中心 星载雷达高度计的近岸非海洋波形检测分类方法及系统
WO2022153984A1 (ja) * 2021-01-15 2022-07-21 株式会社Preferred Networks 学習データ生成方法、モデル生成方法および学習データ生成装置
CN113514875B (zh) * 2021-06-03 2024-04-02 德仕能源科技集团股份有限公司 一种基于大数据的岩性油气藏的勘测和描述方法及系统
US11828168B2 (en) 2021-06-30 2023-11-28 Saudi Arabian Oil Company Method and system for correcting and predicting sonic well logs using physics-constrained machine learning
CN113705644B (zh) * 2021-08-17 2023-09-12 西安交通大学 一种物理规律和数据双驱动的地震成像方法、系统、设备及存储介质
US11852768B2 (en) 2021-11-19 2023-12-26 Saudi Arabian Oil Company Multimodal approach to target stratigraphic plays through seismic sequence stratigraphy, rock physics, seismic inversion and machine learning
CN114895359B (zh) * 2022-07-13 2022-09-13 中国科学院地质与地球物理研究所 一种das同井监测实时微地震有效事件去噪方法及系统
CN115877464B (zh) * 2022-12-30 2024-02-13 中海石油(中国)有限公司深圳分公司 一种岩性识别方法、装置、计算机设备及存储介质
CN116609852B (zh) * 2023-07-06 2024-01-23 中国石油大学(华东) 一种井震融合的地下介质参数高精度建模方法以及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6374185B1 (en) * 2000-02-18 2002-04-16 Rdsp I, L.P. Method for generating an estimate of lithological characteristics of a region of the earth's subsurface
CN101932954A (zh) * 2008-01-30 2010-12-29 雪佛龙美国公司 地下预测方法和系统
CN107436452A (zh) * 2016-05-27 2017-12-05 中国石油化工股份有限公司 基于概率神经网络算法的烃源岩预测方法及装置
KR101867475B1 (ko) * 2017-11-03 2018-06-14 한국지질자원연구원 딥러닝을 이용한 저류층 불확실성 평가 방법
WO2018148492A1 (en) * 2017-02-09 2018-08-16 Schlumberger Technology Corporation Geophysical deep learning

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019055565A1 (en) * 2017-09-12 2019-03-21 Schlumberger Technology Corporation SYSTEM FOR INTERPRETING SEISMIC IMAGE DATA

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6374185B1 (en) * 2000-02-18 2002-04-16 Rdsp I, L.P. Method for generating an estimate of lithological characteristics of a region of the earth's subsurface
CN101932954A (zh) * 2008-01-30 2010-12-29 雪佛龙美国公司 地下预测方法和系统
CN107436452A (zh) * 2016-05-27 2017-12-05 中国石油化工股份有限公司 基于概率神经网络算法的烃源岩预测方法及装置
WO2018148492A1 (en) * 2017-02-09 2018-08-16 Schlumberger Technology Corporation Geophysical deep learning
KR101867475B1 (ko) * 2017-11-03 2018-06-14 한국지질자원연구원 딥러닝을 이용한 저류층 불확실성 평가 방법

Also Published As

Publication number Publication date
AU2019338412B2 (en) 2024-01-04
MX2021002871A (es) 2021-06-04
EA202190728A1 (ru) 2021-07-27
WO2020056073A1 (en) 2020-03-19
US11262468B2 (en) 2022-03-01
EP3850401B1 (en) 2023-09-06
EP3850401A1 (en) 2021-07-21
CA3112197C (en) 2023-08-29
AU2019338412A1 (en) 2021-04-08
BR112021004693A2 (pt) 2021-06-22
US20200088897A1 (en) 2020-03-19
CN112703429B (zh) 2024-02-13
BR112021004693B1 (pt) 2023-01-31
CA3112197A1 (en) 2020-03-19

Similar Documents

Publication Publication Date Title
CN112703429B (zh) 基于机器学习的地震属性分析
US11520077B2 (en) Automated reservoir modeling using deep generative networks
US11048000B2 (en) Seismic image data interpretation system
US9852373B2 (en) Properties link for simultaneous joint inversion
CA2940406C (en) Characterizing a physical structure using a multidimensional noise model to attenuate noise data
EP3978961B1 (en) System and method for quantitative seismic integration modeling workflow
US20210311221A1 (en) Data-driven domain conversion using machine learning techniques
Mehdipour et al. The Best Scenario for Geostatistical Modeling of Porosity in the Sarvak Reservoir in an Iranian Oil Field, Using Electrofacies, Seismic Facies, and Seismic Attributes
US20220236435A1 (en) Low-Frequency Seismic Survey Design
US20240111072A1 (en) Method and Apparatus for Petrophysical Classification, Characterization, and Uncertainty Estimation
US20240125958A1 (en) Robust Stochastic Seismic Inversion with New Error Term Specification
Ebuna et al. Statistical approach to neural network imaging of karst systems in 3D seismic reflection data
EA042156B1 (ru) Анализ сейсмических атрибутов с использованием машинного обучения
Gerritsen et al. Modeling Spatial and Structural Uncertainty in the Subsurface
EA043508B1 (ru) Итеративная стохастическая сейсмическая инверсия

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