CN114402231A - 用机器学习技术解释地震断层 - Google Patents

Abstract

一种用于解释地震数据的方法，包括接收表示地下体积的地震数据，并使用第一机器学习技术生成纵测线概率值和横侧线概率值。第一机器学习技术被训练成基于地震数据识别地震体中的一条或多条垂直断层线。该方法包括:通过组合纵测线概率值和横侧线概率值来生成合并的数据集；基于来自合并的数据集的标记水平平面的子集来训练第二机器学习技术，该第二机器学习技术被训练成从地震体中识别水平断层线；以及基于第二机器学习技术来生成地震体的表示，该表示包括地震体内三维断层结构的指示。

Description

用机器学习技术解释地震断层

相关申请的交叉引用

本申请要求具有序列号为62/853,681的美国临时专利申请的优先权，该申请于2019年5月28日提交并且其全部内容通过引用结合于此。

背景技术

地震数据集中的地质结构的解释可以实现诸如石油等资源的勘探、开发和生产。在一些示例中，解释地震数据集可以包括解释或识别地质构造的断层结构。由于地下区域的地质复杂性和与地震成像分辨率相关的限制，地震数据集的解释可能效率低下、不准确，并且需要执行大量重复性任务。例如，手动解释地震数据可能是不切实际的，因为手动解释地震数据是劳动密集型和耗时的，尤其是在昂贵的地震数据集数量不断增加的情况下。

在一些示例中，机器学习技术可以用于从地震数据中自动进行断层解释。机器学习技术可以检测沿竖直地震剖面的断层，例如纵测线(inline)地震剖面或横侧线(crossline)地震剖面。在一些实施例中，标记的地震数据可以被检测为用户输入。标记的地震数据可以训练机器学习技术，例如深度神经网络等。经训练的机器学习技术可用于检测对应于纵测线地震数据或横侧线地震数据的给定二维(2D)地震图像上的断层。在一些实施例中，机器学习技术然后可以检测后续地震数据或2D地震图像的预测故障。在一些示例中，机器学习技术可以聚集来自2D地震图像的预测断层，以在三维(3D)地震体中形成预测断层。然而，当使用三维地震图像对比2D地震图像时，结果包括大量的假正噪声，并且通常缺乏3D一致性。例如，当地震数据有噪声时，机器学习技术会产生大量的假正值。

发明内容

本公开的实施例提供了一种用于解释地震数据的方法。该方法包括接收表示地下体积的地震数据，并使用第一机器学习技术生成一个或多个纵测线概率值和一个或多个横侧线概率值。第一机器学习技术被训练成基于地震数据识别地震体中的一条或多条垂直断层线。该方法还包括通过组合一个或多个纵测线概率值和一个或多个横侧线概率值来生成合并的数据集，基于来自合并的数据集的标记水平平面的子集来训练第二机器学习技术，第二机器学习技术被训练成从地震体中识别一个或多个水平断层线，以及基于第二机器学习技术来生成地震体的表示，该表示包括地震体内三维断层结构的指示。

本公开的实施例还提供了一种用于解释地震数据的计算系统。该计算系统包括一个或多个处理器，以及存储器系统，该存储器系统包括存储指令的一个或多个非暂时性计算机可读介质，当该指令被一个或多个处理器中的至少一个执行时，使得计算系统执行操作。这些操作包括接收表示地下体积的地震数据，并使用第一机器学习技术生成一个或多个纵测线概率值和一个或多个横侧线概率值。第一机器学习技术被训练成基于地震数据识别地震体中的一条或多条垂直断层线。这些操作还包括通过组合一个或多个纵测线概率值和一个或多个横侧线概率值来生成合并的数据集，基于来自合并的数据集的标记水平平面的子集来训练第二机器学习技术，第二机器学习技术被训练成从地震体中识别一个或多个水平断层线，以及基于第二机器学习技术来生成地震体的表示，该表示包括地震体内三维断层结构的指示。

本公开的实施例还提供了至少一种用于解释地震数据的非暂时性计算机可读介质，该至少一种计算机可读介质包括多个计算机可执行指令，这些指令响应于处理器的执行，使得处理器接收表示地下体积的地震数据，并使用第一机器学习技术生成一个或多个纵测线概率值和一个或多个横侧线概率值。第一机器学习技术被训练成基于地震数据识别地震体中的一条或多条垂直断层线。这些指令还使得处理器通过组合一个或多个纵测线概率值和一个或多个横侧线概率值来生成合并的数据集，基于来自合并的数据集的标记水平平面的子集来训练第二机器学习技术，第二机器学习技术被训练成从地震体中识别一个或多个水平断层线，并且基于第二机器学习技术来生成地震体的表示，该表示包括地震体内三维断层结构的指示。

因此，这里公开的计算系统和方法是用于处理收集的数据的更有效的方法，这些数据可以例如对应于表面和地下区域。这些计算系统和方法提高了数据处理的有效性、效率和准确性。这种方法和计算系统可以补充或替代用于处理收集的数据的传统方法。提供该概述是为了介绍将在下面的详细描述中进一步描述的一些构思。该概述不旨在标识所要求保护的主题的关键或必要特征，也不旨在用于帮助限制所要求保护的主题的范围。

附图说明

被并入并构成本说明书一部分的附图示出了本教导的实施例并且与描述一起用于解释本教导的原理。在图中：

图1A、1B、1C、1D、2、3A和3B示出了根据一实施例的油田及其操作的简化示意图。

图4图示了根据一实施例的用于解释地震数据的方法的过程流程图。

图5图示了根据一实施例的用于利用机器学习技术解释3D地震数据的框图。

图6A是根据一实施例的来自分析的3D地震数据的数据水平平面的示例。

图6B是根据一实施例的对来自分析的3D地震数据的数据的水平平面内的断层线的解释的示例。

图7是描绘根据一实施例的来自第一机器学习技术的输出的示例图。

图8是描绘根据一实施例的来自第二机器学习技术的输出的示例图。

图9图示了根据一实施例的计算系统的示意图。

具体实施方式

现在将详细参考实施例，其示例在附图和图中示出。在以下详细描述中，阐述了许多具体细节以便提供对本发明的透彻理解。然而，对于本领域的普通技术人员来说显而易见的是，可以在没有这些具体细节的情况下实践本发明。在其他情况下，没有详细描述众所周知的方法、过程、部件、电路和网络，以免不必要地混淆实施例的方面。

还应当理解，尽管在本文中可以使用术语第一、第二等来描述各种元件，但是这些元件不应受这些术语的限制。这些术语仅用于区分一个元件与另一个元件。例如，可以将第一对象称为第二对象，并且类似地，可以将第二对象称为第一对象，而不脱离本发明的范围。第一对象和第二对象分别是两个对象，但它们不能被认为是同一个对象。

在本发明的描述中使用的术语仅用于描述特定实施例的目的，并不旨在限制本发明。如在本发明的描述和所附权利要求中使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文另有明确指示。还应理解，如本文所用的术语“和/或”是指并涵盖一个或多个相关列出的项目的任何可能的组合。将进一步理解的是，当在本说明书中使用时，术语“包括”、“包含(comprises)”和/或“包含(comprising)”指定了所述特征、整数、步骤、操作、元件和/或部件，但不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、部件和/或它们的组。此外，如本文所用，根据上下文，术语“如果”可以解释为表示“何时”或“在...时”或“响应于确定”或“响应于检测”。

现在关注根据一些实施例的处理过程、方法、技术和工作流。在此公开的处理过程、方法、技术和工作流中的一些操作可以被组合和/或一些操作的顺序可以改变。

图1A-1D示出了根据本文描述的各种技术和技艺的实施方式的油田100的简化示意图，该油田100具有其中包含储层104的地层102。图1A图示了由诸如地震卡车106.1的勘测工具执行的勘测操作以测量地下地层的特性。勘测操作是用于生成声音振动的地震勘测操作。在图1A中，一个这样的声音振动，例如由源110产生的声音振动112，反射离开地层116中的层位114。位于地球表面的传感器，例如地震检波器-接收器118，接收一组声音振动。接收到的数据120作为输入数据被提供给地震卡车106.1的计算机122.1，并且响应于输入数据，计算机122.1生成地震数据输出124。该地震数据输出可以根据需要被存储、传输或进一步处理，例如通过数据缩减。

图1B示出了由钻井工具106.2执行的钻井操作，该钻井工具106.2由钻机128悬挂并前进到地下地层102中以形成井眼136。泥浆池130用于经由流动管线132将钻井泥浆吸入钻井工具，以循环钻井泥浆向下通过钻井工具，然后向上进入井眼136并返回地面。钻井泥浆通常被过滤并返回泥浆池。循环系统可用于储存、控制或过滤流动的钻井泥浆。钻井工具被推进到地下地层102中以到达储层104。每口井可以针对一个或多个储层。钻井工具适用于使用随钻测井工具测量井下特性。随钻测井工具也可适用于获取岩心样本133，如图所示。

计算机设施可以位于油田100周围的不同位置(例如，地面单元134)和/或远程位置。地面单元134可用于与钻井工具和/或场外操作以及其他地面或井下传感器通信。地面单元134能够与钻井工具通信，以向钻井工具发送命令，并从钻井工具接收数据。地面单元134还可以收集钻井操作期间产生的数据，并产生数据输出135，然后可以存储或传输数据输出135。

传感器(S)，例如量规，可以位于油田100周围，以收集与如前所述的各种油田作业相关的数据。如图所示，传感器(S)定位在钻具处和/或钻机128中的一个或多个位置，以测量钻井参数，例如钻头重量、钻头扭矩、压力、温度、流量、成分、旋转速度和/或现场操作的其他参数。传感器(S)也可以位于循环系统中的一个或多个位置。

钻具106.2可包括一个井底组件(BHA)(未示出)，通常在钻头附近(例如，距钻头几个钻铤长度内)。井底组件包括测量、处理和存储信息以及与地面单元134通信的能力。井底组件还包括用于执行各种其他测量功能的钻铤。

井底组件可包括与地面单元134通信的通信子组件。通信子组件适于使用通信信道(例如泥浆脉冲遥测、电磁遥测或缆线钻杆通信)向地面发送信号和从地面接收信号。通信子组件可以包括例如发射器，该发射器生成代表测量的钻井参数的信号，例如声学或电磁信号。本领域技术人员将会理解，可以采用各种遥测系统，例如缆线钻杆、电磁或其他已知的遥测系统。

通常，根据钻井前制定的钻井计划钻井。钻井计划通常规定了设备、压力、轨迹和/或其他参数，这些参数定义了井场的钻井过程。然后可以根据钻井计划进行钻井作业。然而，随着信息的收集，钻井作业可能需要偏离钻井计划。此外，随着钻井或其他作业的进行，地下条件可能会发生变化。随着新信息的收集，地球模型可能也需要调整。

由传感器(S)收集的数据可以由地面单元134和/或其他数据收集源收集，用于分析或其他处理。传感器(S)收集的数据可以单独使用，也可以与其他数据结合使用。可以在一个或多个数据库中收集数据和/或在现场或非现场传输数据。数据可以是历史数据、实时数据或其组合。实时数据可以实时使用，或者存储起来供以后使用。数据也可以与历史数据或其他输入结合，用于进一步分析。数据可以存储在单独的数据库中，也可以合并到一个数据库中。

地面单元134可以包括收发器137，以允许地面单元134和油田100的各个部分或其他位置之间的通信。地面单元134还可以设置有或功能性地连接到一个或多个控制器(未示出)，用于驱动油田100处的机构。地面单元134然后可以响应于接收到的数据向油田100发送命令信号。地面单元134可以经由收发器137接收命令，或者本身可以向控制器执行命令。可以提供处理器来分析数据(本地地或远程地)，做出决定和/或启动控制器。以这种方式，油田100可以基于收集的数据被选择性地调整。该技术可用于优化(或改善)部分现场作业，例如控制钻井、钻头重量、泵送速度或其他参数。这些调整可以基于计算机协议自动进行，和/或由操作员手动进行。在某些情况下，可以调整油井计划，以选择最佳(或改进的)作业条件，或避免出现问题。

图1C示出了由钻机128悬挂并进入图1B的井眼136中的缆线工具106.3执行的缆线操作。缆线工具106.3适于部署到井眼136中，用于生成测井记录、执行井下测试和/或收集样本。缆线工具106.3可用于提供另一种执行地震勘测操作的方法和设备。缆线工具106.3可以例如具有爆炸、放射性、电或声能源144，其向周围的地下地层102和其中的流体发送和/或接收电信号。

缆线工具106.3可以可操作地连接到例如图1A的地震卡车106.1的地震检波器118和计算机122.1。缆线工具106.3也可以向地面单元134提供数据。地面单元134可以收集在缆线操作期间产生的数据，并且可以产生可以存储或传输的数据输出135。缆线工具106.3可以位于井眼136的不同深度，以提供与地下地层102相关的勘测或其他信息。

传感器(S)，例如量规，可以位于油田100周围，以收集与如前所述的各种现场操作相关的数据。如图所示，传感器S位于缆线工具106.3中，以测量与例如孔隙度、渗透率、流体成分和/或现场作业的其他参数相关的井下参数。

图1D示出了由生产工具106.4执行的生产操作，生产工具106.4从生产单元或采油树129部署到完成的井眼136中，用于将流体从井下储层抽入地面设施142。流体从储层104通过套管(未示出)中的穿孔流入井眼136中的生产工具106.4，并经由收集网络146到达地面设施142。

传感器(S)，例如量规，可以位于油田100周围，以收集与如前所述的各种现场操作相关的数据。如图所示，传感器(S)可以位于生产工具106.4或相关设备中，例如采油树129、收集网络146、地面设施142和/或生产设施中，以测量流体参数，例如流体成分、流量、压力、温度和/或生产操作的其他参数。

生产还可能包括注入井，以增加采收率。一个或多个收集设施可以可操作地连接到一个或多个井场，用于选择性地从井场收集井下流体。

虽然图1B-1D示出了用于测量油田性质的工具，但是应当理解，这些工具可以用于非油田作业，例如气田、矿山、含水层、存储或其他地下设施。此外，虽然描述了某些数据采集工具，但是应当理解，各种测量工具能够感测地下地层的参数，例如地震双向传播时间、密度、电阻率、生产率等和/或可以使用其地质地层。各种传感器(S)可以位于沿着井眼和/或监测工具的不同位置，以收集和/或监测期望的数据。也可以从非现场位置提供其他数据源。

图1A-1D的油田配置旨在提供可用于油田应用框架的油田示例的简要说明。油田100的一部分或全部可以在陆地、水上和/或海上。此外，虽然描绘了在单个位置测量的单个油田，但是油田应用可以与一个或多个油田、一个或多个处理设施和一个或多个井场的任何组合一起使用。

图2示出了油田200的部分横截面示意图，该油田200具有位于沿着油田200的各个位置处的数据采集工具202.1、202.2、202.3和202.4，用于根据本文描述的各种技术和工艺的实施方式收集地下地层204的数据。数据采集工具202.1-202.4可以分别与图1A-1D的数据采集工具106.1-106.4或其他未示出的工具相同。如图所示，数据采集工具202.1-202.4分别生成数据图或测量值208.1-208.4。沿着油田200描绘这些数据图，以展示由各种操作生成的数据。

数据图208.1-208.3是可以分别由数据采集工具202.1-202.3生成的静态数据图的示例；然而，应当理解，数据图208.1-208.3也可以是实时更新的数据图。可以分析这些测量值，以更好地定义地层的性质和/或确定测量值的准确性和/或检查误差。每个相应测量值的图可以被对齐和缩放，用于特性的比较和验证。

静态数据图208.1是一段时间内的地震双向响应。静态图208.2是从地层204的岩心样本测量的岩心样本数据。岩心样本可用于提供数据，例如岩心样本在岩心长度上的密度、孔隙度、渗透率或一些其他物理性质的图表。可以在不同的压力和温度下对岩心中的流体进行密度和粘度测试。静态数据图208.3是通常提供不同深度处地层电阻率或其他测量值的测井轨迹。

产量下降曲线或图表208.4是流体流量随时间变化的动态数据图。产量下降曲线通常提供作为时间函数的生产率。当流体流过井眼时，测量流体特性，例如流量、压力、成分等。

也可以收集其他数据，例如历史数据、用户输入、经济信息和/或其他测量数据和其他感兴趣的参数。如下所述，静态和动态测量值可以被分析并用于生成地下地层的模型以确定其特征。类似的测量值也可用于测量地层方面随时间的变化。

地下结构204具有多个地质构造206.1-206.4。如图所示，该结构具有几个地层或层，包括页岩层206.1、碳酸盐层206.2、页岩层206.3和砂层206.4。断层207延伸穿过页岩层206.1和碳酸盐层206.2。静态数据采集工具适于进行测量并检测地层的特征。

虽然描绘了具有特定地质结构的特定地下地层，但是应当理解，油田200可以包含各种地质结构和/或地层，有时具有极端的复杂性。在一些位置，通常在水线以下，流体可能占据地层的孔隙空间。每个测量装置可用于测量地层的特性和/或其地质特征。虽然每个采集工具被示为位于油田200中的特定位置，但是应当理解，可以在穿过一个或多个油田的一个或多个位置或其他位置进行一种或多种类型的测量，用于比较和/或分析。

然后可以处理和/或评估从各种来源(例如图2的数据采集工具)收集的数据。通常，地球物理学家使用来自数据采集工具202.1的静态数据图208.1中显示的地震数据来确定地下地层和特征的特性。地质学家通常使用静态图208.2中所示的岩心数据和/或来自测井208.3的测井数据来确定地下地层的各种特性。油藏工程师通常使用来自图表208.4的生产数据来确定流体流动油藏特征。地质学家、地球物理学家和油藏工程师分析的数据可以使用建模技术进行分析。

图3A示出了根据这里描述的各种技术和工艺的实施方式进行生产操作的油田300。如图所示，油田具有可操作地连接到中央处理设施354的多个井场302。图3A的油田配置无意限制油田应用系统的范围。部分或全部油田可能在陆地和/或海上。此外，虽然描绘了具有单个处理设施和多个井场的单个油田，但是可以存在一个或多个油田、一个或多个处理设施和一个或多个井场的任何组合。

每个井场302都具有在地下形成井眼336的设备。井眼延伸穿过包括储层304的地下地层306。这些储层304包含流体，例如碳氢化合物。井场从储层抽取流体，并经由地面网络344将它们传送到处理设施。地面网络344具有用于控制从井场到处理设施354的流体流动的管道和控制机构。

现在将注意力转向图3B，其示出了根据本文描述的各种技术的一个或多个实施方式的地下表面362的基于海洋的勘测360的侧视图。地下362包括海底表面364。地震源366可包括诸如可控震源或气枪之类的海洋源，其可在延长的时间段内或以脉冲源提供的几乎瞬时的能量将地震波368(例如，能量信号)传播到地球中。地震波可以作为扫频信号由海洋源传播。例如，可控震源类型的海洋震源最初可以发射低频(例如5Hz)的地震波，并随着时间的推移将地震波增加到高频(例如80-90Hz)。

地震波368的分量可以被海底表面364(即反射器)反射和转换，并且地震波反射370可以被多个地震接收器372接收。地震接收器372可以设置在多个拖缆(即，拖缆阵列374)上。地震接收器372可以产生代表接收到的地震波反射370的电信号。电信号可以嵌入关于地下362的信息，并作为地震数据的记录被捕获。

在一个实施方式中，每个拖缆可以包括拖缆操纵装置，例如探测器(bird)、偏转器、尾浮标等，这些在本申请中未示出。根据本文所述的技术，拖缆操纵装置可用于控制拖缆的位置。

在一个实施方式中，地震波反射370可以向上传播并到达水面376处的水/空气界面，反射370的一部分然后可以再次向下反射(即海面鬼波378)并被多个地震接收器372接收。海面鬼波378可以被称为表面多次波。水面376上波浪向下反射的点通常被称为向下反射点。

电信号可以经由传输缆线、无线通信等传输到船只380。船只380然后可以将电信号传输到数据处理中心。或者，船只380可以包括能够处理电信号(即，地震数据)的机载计算机。受益于本公开的本领域技术人员将理解，该图示是高度理想化的。例如，勘测可能是地表以下深处的地层。地层通常可以包括多个反射器，其中一些可以包括倾斜(dipping)事件，并且可以生成多次反射(包括波转换)以供地震接收器372接收。在一个实施方式中，可以处理地震数据以生成地下362的地震图像。

海洋地震采集系统在相同深度(例如，5-10m)拖曳拖缆阵列374中的每个拖缆。然而，基于海洋的勘测360可以在不同深度拖曳拖缆阵列374中的每个拖缆，使得地震数据可以以避免由于海面鬼波造成的破坏性干扰的影响的方式被采集和处理。例如，图3B的基于海洋的勘测360示出了由船只380在八个不同深度拖曳的八条拖缆。每个拖缆的深度可以使用设置在每个拖缆上的探测器来控制和保持。

图4示出了根据一实施例的用于解释地震数据的方法400的流程图。具体而言，所示的方法400可以用于利用多种机器学习技术来处理3D地震数据。在一些实施例中，方法400可以用任何合适的计算装置来实现，例如图9的计算系统901A，这将在下面更详细地描述。

在框402处，方法400可以获取地震数据。地震数据可以通过生成和记录地震波来获取，所述地震波通过地下区域(例如，地下体积)传播，或者从反射体(例如，不同类型的地层之间的界面)反射。如上所述，记录(或轨迹)可以使用记录装置来完成，例如地震检波器、水听器等。

在一个示例中，地震数据可以从接收器372接收，如图3B所示。当被拖曳时，接收器372可以连续记录从反射370接收的地震数据。由各个接收器372接收的地震数据可以根据时间和空间的函数来表征。时间可以表示接收或获取地震数据的时间，空间可以指示接收或获取地震数据的地理位置或地点。

在另一个示例中，地震数据可以从接收器118接收，如图1A所示。在这个示例中，由源110生成的声音振动112反射离开地层116中的层位114。位于地球表面的传感器，例如地震检波器-接收器118，可以接收一组声音振动。接收器118接收的地震数据可以表示为时间和空间的函数。时间可以表示接收或获取地震数据的时间，空间可以指示接收或获取地震数据的地理位置或地点。在一个示例中，无论是在海洋还是陆地环境中，地震数据都可以被预先记录，并从存储装置中检索。

在一些实施例中，地震数据可以被聚集成三维(3D)地震体，其指示各种地理区域内的地下地层的岩层特征。例如，三维地震体可以包括指示不连续模式的地震数据，其可以被解释为水平和/或垂直断层线。在一些实施例中，可以用任何合适数量的机器学习技术来解释3D地震体，如下面关于框404-408更详细描述的。

在框404处，方法400可以进一步包括组合由第一机器学习技术生成的纵测线概率值和横侧线概率值，以形成合并的数据集。纵测线概率值可以指示地震数据的垂直平面中存在断层的可能性。垂直平面平行于采集地震数据的方向。横侧线概率值可以指示断层位于地震数据的垂直平面中的可能性。垂直平面垂直于采集地震数据的方向。在一些实施例中，纵测线概率值被表示为纵测线预测概率立方体，其中每个数据点指示该数据点与断层线相关联的概率。在一些示例中，在纵测线预测概率立方体的每个数据点可以对应于地下区域的三维区域内的不同区域。例如，纵测线预测概率立方体可以包括指示三维地震数据的垂直横截面包括断层线的可能性的概率值。在纵测线预测概率立方体可以对应于与采集地震数据的方向平行的断层线。

在一些实施例中，横侧线概率值被表示为横侧线预测概率立方体，其中每个数据点指示该数据点与断层线相关联的概率。在一些实施例中，横侧线预测概率立方体对应于垂直于采集地震数据的方向的断层线。

在一些示例中，通过将任何合适的函数应用于纵测线概率值和横侧线概率值来计算合并的数据集。例如，可以基于纵测线概率值和横侧线概率值的对应数据点的比较，使用最大函数等来计算合并的数据集。例如，最大函数可以应用于来自对应于地下区域中相同位置的纵测线预测概率立方体和横侧线预测概率立方体的数据点。最大函数可以生成组合或合并的概率立方体，这将在下面结合图7进一步详细讨论。

在一些示例中，在框404处，可以训练第一机器学习技术来从3D地震体中识别一条或多条垂直断层线。例如，三维地震数据的标记的垂直平面或片段(slice)可以被提供给第一机器学习技术。标记的垂直平面可以指示对应于断层线的数据点和假正值的数据点等。在一些实施例中，第一机器学习技术可以是神经网络、分类技术、基于回归的技术、支持向量机等。在一些示例中，第一神经网络可以包括各层中任意合适数量的互连神经元层。例如，第一神经网络可以包括任何数量的完全连接的神经元层，其组织作为输入提供的地震数据。有组织的数据能够可视化地震数据的垂直平面内的断层线的概率，如下面结合图7更详细描述的。

第一神经网络可以采用任何合适的卷积神经网络技术、编码技术或聚类技术，例如k-均值(k-means)聚类、分层聚类等。在一些实施例中，卷积神经网络可以包括任何合适数量的局部或全局池化层，其可以通过将来自一层的神经元集群的输出组合成后续层中的单个神经元来降低地震数据的维度。在一些示例中，卷积神经网络可以包括计算最大值或平均值等，同时池化地震数据。例如，可以选择前一层的神经元集群的最大值，并在后续层中使用。在一些示例中，可以选择来自神经元集群的平均值，并在后续层中使用。

在一些实施例中，每个地震数据点最初可以被放置在第一集群中，并且第一集群可以使用自下而上的方法与附加集群合并。在另一个实施例中，地震数据点可以包括在第一集群中，并且当神经网络的神经元以自上而下的方式移动时，可以使用递归技术分割第一集群。可以基于地震数据点之间的相异度值来组合或分割地震数据点。例如，相异度值可以指示两个地震数据点或两组地震数据点之间的距离。该距离可以使用任何合适的技术来计算，例如欧几里德距离、平方欧几里德距离、曼哈顿距离(Manhattan distance)、最大距离或马氏距离(Mahalanobis distance)等。在一些实施例中，第一神经网络还可以包括链接标准，该链接标准将地震数据集(set)的相异度指定为地震数据集中的数据点的成对距离的函数。例如，可以使用最大或完全链接聚类、最小或单一链接聚类、未加权平均链接聚类、加权平均链接聚类、质心链接聚类或最小能量聚类等来计算链接标准。

在框406处，方法400可以包括基于来自合并数据集的标记水平平面的子集来训练第二机器学习技术。在一些示例中，可以训练第二机器学习技术来从3D地震体中识别一条或多条水平断层线。用于训练第二机器学习技术的标记水平平面可以指示对应于水平断层线的数据点和假正值的数据点。在一些示例中，尽管概率值很高，但假正值并不对应于断层线。在一些实施例中，第二机器学习技术可以用组合或合并的概率立方体或合并的数据集的水平平面的子集来启动或训练。

在一些实施例中，第二机器学习技术可以是神经网络、分类技术、基于回归的技术、支持向量机或任何其他机器学习技术。在一些示例中，第二机器学习技术可以小于第一机器学习技术，并且包括更少的神经元层和/或每层更少的神经元。在一些实施例中，第二机器学习技术的神经元可以完全连接，也可以不完全连接。

在一些示例中，训练的第二机器学习技术可以处理合并数据集的剩余水平平面。此外，在一些示例中，第二机器学习技术可以用来自多个地震体的地震数据的水平平面来训练。在一些实施例中，初始化或训练的第二机器学习技术可以分析合并的数据集，而不检测正被分析的地震体的地震数据的标记水平平面。例如，训练的第二机器学习技术可以基于在机器学习技术的先前训练迭代中分配给神经元的权重来处理地震体的合并数据集。在一些实施例中，第二机器学习技术的输出可以包括修改的合并数据集或修改的概率立方体，其反映地震数据的垂直平面或水平平面中的每个点对应于断层线的概率。在一些示例中，第二机器学习技术的输出可以识别和移除先前被识别为断层线的假正数据值。下面结合图8描述第二机器学习技术的输出示例。

在框408处，方法400可以包括基于第二机器学习技术生成地震体的三维表示。在一些实施例中，三维表示可以包括3D地震体内的三维断层结构的指示。如本文所讨论的，三维断层结构可以包括任何合适数量的垂直断层、水平断层或其组合。在一些示例中，地震体的三维表示可以去除与断层线无关的假正，并连接水平和垂直断层线。在一些示例中，地震体的三维表示能够选择对应于地震数据的储层的钻井计划。例如，三维表示可以指示在常规钻井中由于可能的断层线而要避免的地下区域的区域。在一些示例中，三维表示可以指示将在非常规钻井中使用的地下区域的区域。例如，通过允许油和/或气穿过断层并被截留在储层中，所识别的断层能够从储层中移除额外的油和/或气。

在一些实施例中，地震体的三维表示可以存储在本地计算装置上，或者传输到外部计算装置进行存储。在一些示例中，可以基于地震体的三维表示生成警报，并将其传输到控制钻柱的设备。例如，警报可以基于识别的水平和/或垂直断层线指示钻井方向的水平和/或垂直变化。

图4的过程流程图并不旨在指示方法400的操作将以任何特定顺序执行，或者方法400的所有操作在每种情况下都被包括。此外，方法400可以包括任何合适数量的附加操作。例如，方法400可以包括创建与油气储层相关联的地下岩石的三维地下模型。方法400还可以包括基于三维地下模型选择油气生产计划。例如，三维地下模型可用于指示潜在储层的位置和大小。此外，方法400可以包括将石油和天然气生产计划传输到设备，以引起从石油和天然气储层中检索资源。

图5示出了根据这里的实施例的利用机器学习技术解释3D地震数据的框图。在一些示例中，地震体502可以包括任何合适数量的三维地震数据集。在一些实施例中，三维地震数据集可以包括对应于横侧线数据值和纵测线数据值的任意数量的数据点。

在一些实施例中，可以在地震体502内标记垂直断层线504。例如，来自地震体502的数据的垂直平面的任何合适的子集可以被标记为垂直断层线、假正值等。在一些实施例中，标记的垂直断层线504可以被提供给第一神经网络(NN#1)506。如上所述，第一神经网络506可以分析地震体502的剩余垂直平面，并生成包括纵测线预测值508和横侧线预测值510的输出。纵测线预测值508可以包括指示地震体502的纵测线垂直平面中断层线的可能性或概率的数据点的任何合适的表示。纵测线垂直平面可以包括地震体502的二维垂直平面，其中纵测线垂直平面平行于采集地震体502的方向。横侧线预测值510可以包括指示地震体502的横侧线垂直平面中断层线的可能性或概率的数据点的任何合适的表示。横侧线垂直平面可以包括地震体502的二维垂直平面，其中横侧线垂直平面垂直于获取地震体502的方向。在一些示例中，纵测线预测值508和横侧线预测值510可以表示为三维概率立方体，其中3D概率立方体的每个数据点对应于该数据点处的断层线的概率。

在一些实施例中，通过组合纵测线预测值508和横侧线预测值510来生成合并预测512。合并预测512可以用最大值函数或任何其他合适的函数来生成。例如，纵测线预测值508和横侧线预测值510可以通过创建合并的三维概率立方体来合并，其中每个数据点是基于纵测线预测508和横侧线预测510中的对应数据点的最大数据点。在一些示例中，纵测线预测值508和横侧线预测值510可以与任何其他合适的函数，例如最小函数、平均函数、均值函数等，合并。

在一些实施例中，来自合并预测512的数据514的水平平面的子集可以被提取、标记并用于训练第二神经网络(NN#2)516。在一些示例中，用于训练第二神经网络516的标记数据514的水平平面的数量可以少于用于训练第一神经网络506的标记数据的垂直平面的数量。例如，可以用来自合并预测512的少至一个或两个水平平面的标记数据514来训练第二神经网络516。在一些实施例中，第二神经网络516可以生成输出，例如最终预测518。在一些实施例中，最终预测518指示合并预测512内的水平断层线。在一些实施例中，第二神经网络516可以识别和移除不对应于断层线的假正数据值。因此，最终预测518可以包括更少的假正数据点，这可以降低最终预测518的噪声，以更清楚地指示垂直断层线和/或水平断层线。

在一些示例中，最终预测518可以是指示水平和/或垂直断层线的概率的数据点的任何合适的三维表示。最终预测518可以显示在用户界面内，传输到外部装置，和/或存储在任何合适的计算装置内。在一些实施例中，最终预测518可用于修改钻井计划。最终预测518在下面结合图8进行描述。

图6A是来自分析的3D地震数据的数据水平平面的示例。在一些实施例中，所分析的3D地震数据对应于基于纵测线预测概率立方体和横侧线预测概率立方体的合并概率立方体。在一些示例中，第一机器学习技术可以生成纵测线预测概率立方体和横侧线预测概率立方体，它们可以基于任何合适的函数(例如最大值函数等)被组合以形成合并的概率立方体。图6A的数据600的水平平面代表沿着X轴和Y轴的数据点。数据点602和604可以表示可能对应于水平断层线的高概率数据值。水平断层线被表示为在水平方向、垂直方向或其任意组合上可能存在的不连续模式。在一些示例中，数据点606和608可以表示高概率数据值，因为数据点606和608是隔离的，所以这些高概率数据值对于水平断层线来说可能是假正。

图6B是从分析的3D地震数据中解释数据水平平面内的断层线的示例。在一些实施例中，所分析的3D地震数据对应于基于纵测线预测概率立方体和横侧线预测概率立方体的合并概率立方体。在一些示例中，第一机器学习技术可以生成纵测线预测概率立方体和横侧线预测概率立方体，它们可以基于任何合适的函数(例如最大值函数等)被组合以形成合并的概率立方体。在一些实施例中，数据点610和612对应于标记的水平断层线。在一些示例中，由于与周围高概率数据点的互连性，被标记的水平断层线被识别。例如，数据点610和612属于3D地震数据内存在的不连续模式。在一些实施例中，如果在3D地震数据的区域内存在超过预定阈值的不连续模式，则可以预测断层线。在一些实施例中，数据点614和616被认为是不与相邻高概率数据点互连的假正值。因此，在一些示例中，数据点614和616没有被识别为水平断层线，并且可以被丢弃或忽略。在一些实施例中，数据点614和616的概率值可以被调整到相邻数据点的较低概率值。

图7是描绘来自第一机器学习技术的输出的示例图。在一些实施例中，输出700表示3D纵测线预测概率立方体和3D横侧线预测概率立方体的合并表示。如上所述，来自第一神经网络的输出700可以指示地震体中垂直断层线的概率。然而，区域702、704和706以及其他区域可能是有噪声的，并且包括更高百分比的假正值。在一些示例中，区域702、704和706也可能缺乏连续性和一致性。在一些实施例中，由于更高浓度的假正数据值的表示和缺乏连续性，输出700可能难以解释。

图8是描绘来自第二机器学习技术的输出的示例图。在一些实施例中，输出800表示地震体中垂直断层线和水平断层线的概率。第二神经网络可以从水平平面移除假正数据点，这可以从输出800移除噪声。第二神经网络还可以提高与断层线对应的数据值的连续性和一致性。在一些实施例中，区域802、804和806可以包括地震体中断层结构的清晰指示。在一些实施例中，输出800能够通过在区域802、804和806内生成点来检测地震体中的三维断层结构，这些点指示地下区域中特定位置处水平或垂直断层线的高可能性。

在一个或多个实施例中，所描述的功能可以在硬件、软件、固件或其任何组合中实现。对于软件实现，本文描述的技术可以用执行本文描述的功能的模块(例如，过程、功能、子程序、程序、例程、子例程、模块、软件包、类等)来实现。一模块可以通过传递和/或接收信息、数据、自变量、参数或存储器内容来联接到另一个模块或硬件电路。可以使用包括存储器共享、消息传递、令牌传递、网络传输等的任何合适的方式来传递、转发或传输信息、自变量、参数、数据等。软件代码可以存储在内存单元中并由处理器执行。存储器单元可以在处理器内部或处理器外部实现，在这种情况下，它可以经由本领域已知的各种方式通信地联接到处理器。

在一些实施例中，本公开的任何方法可以由计算系统执行。图9示出了根据一些实施例的这种计算系统900的示例。计算系统900可以包括计算机或计算机系统901A，其可以是单独的计算机系统901A或分布式计算机系统的布置。计算机系统901A包括一个或多个分析模块902，其被配置为根据一些实施例执行各种任务，例如这里公开的一个或多个方法。为了执行这些不同的任务，分析模块902独立地或者与连接到一个或多个存储介质906的一个或多个处理器904协同执行。处理器904还连接到网络接口907，以允许计算机系统901A通过数据网络909与一个或多个附加的计算机系统和/或计算系统，例如901B、901C和/或901D通信(注意，计算机系统901B、901C和/或901D可以共享或不共享与计算机系统901A相同的架构，并且可以位于不同的物理位置，例如，计算机系统901A和901B可以位于处理设施中，同时与位于一个或多个数据中心和/或位于不同大陆上不同国家的一个或多个计算机系统如901C和/或901D通信)。

处理器可以包括微处理器、微控制器、处理器模块或子系统、可编程集成电路、可编程门阵列或另一控制或计算装置。

存储介质906可以被实现为一个或多个非暂时性计算机可读或非暂时性机器可读存储介质。注意，虽然在图9的示例实施例中存储介质906被描绘为在计算机系统901A内，但在一些实施例中，存储介质906可以分布在计算系统901A和/或额外的计算系统的多个内部和/或外部外壳内和/或跨该多个内部和/或外部外壳。存储介质906可以包括一种或多种不同形式的存储器，包括半导体存储器装置，例如动态或静态随机存取存储器(DRAM或SRAM)、可擦除和可编程只读存储器(EPROM)、电可擦除和可编程只读存储器(EEPROM)和闪存、磁盘(如固定磁盘、软盘和可移动磁盘)、其他磁性介质(包括磁带)、诸如光盘(CD)或数字视频磁盘(DVD)等光学介质、

磁盘或其他类型的光学存储，或其他类型的存储装置。注意，上面讨论的指令可以在一个计算机可读或机器可读存储介质上提供，或者可替代地，可以在分布在可能具有多个节点的大型系统中的多个计算机可读或机器可读存储介质上提供。这种计算机可读或机器可读存储介质或介质被认为是物品(或制造物品)的一部分。物品或制造物品可以指任何制造的单个部件或多个部件。一个或多个存储介质可以位于运行机器可读指令的机器中，或者位于可以通过网络从其下载机器可读指令以供执行的远程站点。

在一些实施例中，计算系统900包含一个或多个解释模块908。在计算系统900的示例中，计算机系统901A包括解释模块908。在一些实施例中，单个解释模块908可用于执行方法的一个或多个实施例的一些或所有方面。在替代实施例中，多个解释模块908可以用于执行这里描述的技术的一些或所有方面。

应当理解，计算系统900仅仅是计算系统的一个示例，并且计算系统900可以具有比所示更多或更少的部件，可以组合图9的示例性实施例中未示出的附加部件，和/或计算系统900可以具有图9中示出的部件的不同配置或布置。图9所示的各种部件可以用硬件、软件或硬件和软件的组合来实现，包括一个或多个信号处理和/或专用集成电路。

此外，本文描述的处理方法中的步骤可以通过在诸如通用处理器或诸如ASIC、FPGA、PLD或其他适当装置的专用芯片等信息处理装置中运行一个或多个功能模块来实现。这些模块、这些模块的组合和/或它们与通用硬件的组合都包括在本发明的保护范围内。

地质解释、模型和/或其他解释辅助工具可以迭代的方式进行完善；这个构思适用于这里讨论的本方法的实施例。这可以包括使用在算法基础上执行的反馈回路，例如在计算装置(例如，计算系统900，图9)上，和/或通过用户的手动控制，用户可以确定给定的步骤、动作、模板、模型或曲线组是否已经变得足够精确，以评估所考虑的地下三维地质构造。

为了解释的目的，已经参考特定实施例描述了前述描述。然而，上面的说明性讨论并不旨在穷举或将本发明限制于所公开的精确形式。鉴于上述教导，许多修改和变化是可能的。此外，方法的要素被示出和描述的顺序可以被重新排列，和/或两个或更多个要素可以同时出现。选择和描述实施例是为了最好地解释本发明的原理及其实际应用，从而使本领域的其他技术人员能够最好地利用本发明和具有适合于预期的特定用途的各种修改的各种实施例。

Claims (20)

1.一种用于解释地震数据的方法，包括:

接收表示地下体积的地震数据；

使用第一机器学习技术生成一个或多个纵测线概率值和一个或多个横侧线概率值，其中第一机器学习技术被训练成基于地震数据识别地震体中的一个或多个垂直断层线；

通过组合一个或多个纵测线概率值和一个或多个横侧线概率值来生成合并的数据集；

基于来自合并的数据集的标记水平平面的子集来训练第二机器学习技术，该第二机器学习技术被训练成从地震体识别一条或多条水平断层线；和

基于第二机器学习技术生成地震体的表示，该表示包括地震体内的三维断层结构的指示。

2.根据权利要求1所述的方法，其中，所述表示是在显示器上可视化的三维数字表示。

3.根据权利要求1所述的方法，其中，生成合并的数据集包括将最大值函数应用于一个或多个纵测线概率值和一个或多个横侧线概率值。

4.根据权利要求1所述的方法，还包括:

基于一个或多个纵测线概率值生成纵测线预测概率立方体；和

基于一个或多个横侧线预测值生成横侧线预测概率立方体，其中基于提供给第一机器学习技术的地震体生成横侧线预测概率立方体和纵测线预测概率立方体。

5.根据权利要求1所述的方法，其中，第一机器学习技术是第一神经网络，第二机器学习技术是第二神经网络。

6.根据权利要求5所述的方法，其中，第二神经网络进一步用来自先前分析的地震体的标记水平平面的第二子集进行训练，所述先前分析的地震体包括由所述第一神经网络生成的合并概率立方体。

7.根据权利要求6所述的方法，其中，第二神经网络被配置为在后续地震体中识别水平断层线，而没有来自所述后续地震体的标记的水平平面的子集。

8.根据权利要求5所述的方法，还包括创建地下岩石的三维地下模型。

9.根据权利要求8所述的方法，还包括基于所述三维地下模型来选择油气生产计划。

10.根据权利要求9所述的方法，还包括将所述石油和天然气生产计划传输到设备，以引起从所述石油和天然气储层中检索资源。

11.一种用于解释地震数据的计算系统，包括:

一个或多个处理器；和

存储器系统，该存储器系统包括存储指令的一个或多个非暂时性计算机可读介质，当所述指令被所述一个或多个处理器中的至少一个执行时，使得所述计算系统执行操作，所述操作包括:

接收表示地下体积的地震数据；

使用第一机器学习技术生成一个或多个纵测线概率值和一个或多个横侧线概率值，其中第一机器学习技术被训练成基于地震数据来识别地震体中的一个或多个垂直断层线；

通过组合一个或多个纵测线概率值和一个或多个横侧线概率值来生成合并的数据集；

基于来自合并的数据集的标记水平平面的子集来训练第二机器学习技术，该第二机器学习技术被训练成从地震体识别一条或多条水平断层线；和

基于第二机器学习技术生成地震体的表示，该表示包括地震体内的三维断层结构的指示。

12.根据权利要求11所述的计算系统，其中，生成合并的数据集包括将最大值函数应用于一个或多个纵测线概率值和一个或多个横侧线概率值。

13.根据权利要求11所述的计算系统，其中，所述地震体包括表示一个或多个地下岩层特征的一组数据。

14.根据权利要求11所述的计算系统，其中，所述操作还包括基于所述一个或多个纵测线概率值生成纵测线预测概率立方体，以及基于所述一个或多个横侧线预测值生成横侧线预测概率立方体，其中所述横侧线预测概率立方体和纵测线预测概率立方体是基于提供给所述第一机器学习技术的地震体生成的。

15.根据权利要求11所述的计算系统，其中，所述第一机器学习技术是第一神经网络，所述第二机器学习技术是第二神经网络。

16.根据权利要求15所述的计算系统，其中，所述第二神经网络进一步用来自先前分析的地震体的标记水平平面的第二子集进行训练，所述先前分析的地震体包括由所述第一神经网络生成的合并的概率立方体。

17.根据权利要求16所述的计算系统，其中，所述第二神经网络用于识别后续地震体中的水平断层线，而没有来自所述后续地震体的标记水平平面的子集。

18.根据权利要求15所述的计算系统，其中，所述指令使一个或多个处理器创建地下岩石的三维地下模型。

19.根据权利要求18所述的计算系统，其中，所述指令使得所述一个或多个处理器基于所述三维地下模型来选择油气生产计划。

20.用于解释地震数据的至少一种非暂时性计算机可读介质，该至少一种计算机可读介质包括多个计算机可执行指令，该指令响应于由处理器的执行，使得所述处理器:

接收表示地下体积的地震数据；

使用第一机器学习技术生成一个或多个纵测线概率值和一个或多个横侧线概率值，其中第一机器学习技术被训练成基于地震数据识别地震体中的一个或多个垂直断层线；

通过组合一个或多个纵测线概率值和一个或多个横侧线概率值来生成合并的数据集；

基于来自合并的数据集的标记水平平面的子集来训练第二机器学习技术，第二机器学习技术被训练成从地震体识别一条或多条水平断层线；和

基于第二机器学习技术生成地震体的表示，该表示包括地震体内的三维断层结构的指示。

Images