CN115542383A - 走滑断裂解释模型建立方法及装置、解释方法及装置 - Google Patents

走滑断裂解释模型建立方法及装置、解释方法及装置 Download PDF

Info

Publication number
CN115542383A
CN115542383A CN202211141470.0A CN202211141470A CN115542383A CN 115542383 A CN115542383 A CN 115542383A CN 202211141470 A CN202211141470 A CN 202211141470A CN 115542383 A CN115542383 A CN 115542383A
Authority
CN
China
Prior art keywords
seismic
fracture
neural network
image
walking
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
Application number
CN202211141470.0A
Other languages
English (en)
Inventor
袁三一
吴祖光
张嘉琦
陈帅
王尚旭
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.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
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 China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202211141470.0A priority Critical patent/CN115542383A/zh
Publication of CN115542383A publication Critical patent/CN115542383A/zh
Priority to FR2309543A priority patent/FR3139915A1/fr
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/301—Analysis for determining seismic cross-sections or geostructures
    • 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
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • 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
    • 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
    • G01V2210/616—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
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
    • 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
    • G01V2210/642—Faults

Landscapes

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

Abstract

本说明书涉及地震断裂识别技术领域，提供了一种走滑断裂解释模型建立方法及装置、解释方法及装置。所述解释模型建立方法包括：接收地震数据和测井信息；根据所述地震数据，确定走滑断裂初始刻画图像；利用测井信息及地质演化规律对走滑断裂初始刻画图像进行调整，得到走滑断裂空间拓扑图像；将地震数据中地震剖面数据作为输入，走滑断裂空间拓扑图像的标签信息作为输出，由地震剖面数据及相应的走滑断裂空间拓扑图像构建训练样本，根据输入输出构建神经网络模型；利用训练样本训练所述神经网络模型，将训练完成的神经网络模型作为走滑断裂解释模型。通过本发明实施例，解决了小断裂的检测识别精度不高、地震解释人员刻画工作量大的问题。

Description

走滑断裂解释模型建立方法及装置、解释方法及装置
技术领域
本说明书涉及地震断裂识别技术领域，尤其是涉及一种走滑断裂解释模型建立方法及装置、解释方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
碳酸盐岩地层作为最重要的勘探开发层系，受区域内压扭应力的影响，发育着大量走滑断裂，不同性质或同一性质走滑断裂的不同段对储层的控制作用均具有明显差异，且其对碳酸盐岩储层的改造及油气充注具有积极作用，但同时也存在着破坏圈闭的保存条件和沟通油田底水以致降低油田开发效率的负面影响，由于走滑断裂具有垂直断距较小甚至无可识别、断层两侧地层结构变化大、伴生断层复杂等特点，碳酸盐岩走滑断裂解释存在很大不确定性。
目前的走滑断裂解释方法主要包括两类，分别是人工进行分析解释和利用人工智能分析解释走滑断裂。基于对地震数据的处理或地震属性成像进行人工分析，该种方法存在耗时耗力且存在不可避免的人为误差的问题。现有人工智能进行断裂解释的方法仅通过地震属性对大断裂进行刻画，针对小断裂无法实现精细的检测识别效果，其多解性与不确定性强，容易出现断层漏识或错误识别的现象，并且还需要大量人工解释干预完成纠正筛选，并且对人工工作量的要求仍然很高。
因此现在亟需一种走滑断裂智能解释方法，解决小断裂的检测识别精度不高、地震解释人员刻画工作量大的问题。
发明内容
鉴于小断裂的检测识别精度不高、地震解释人员刻画工作量大，提出了本方案以便克服上述问题或者至少部分地解决上述问题。
一方面，本说明书的一些实施例的目的在于提供一种走滑断裂解释模型建立方法，所述方法包括：
接收地震数据和测井信息；
根据所述地震数据，确定走滑断裂初始刻画图像；
利用所述测井信息及地质演化规律对走滑断裂初始刻画图像进行调整，得到走滑断裂空间拓扑图像；
将所述地震数据中的地震剖面数据作为输入，所述走滑断裂空间拓扑图像的标签信息作为输出，由地震剖面数据及相应的走滑断裂空间拓扑图像构建训练样本，根据输入输出构建神经网络模型；
利用所述训练样本训练所述神经网络模型，将训练完成的神经网络模型作为走滑断裂解释模型。
进一步地，所述根据所述地震数据，确定走滑断裂初始刻画图像，包括：
根据所述地震数据，确定地震属性和地震响应特征；
根据所述地震响应特征，结合剖面属性和切片属性两种地震属性分析方式确定敏感地震属性；
基于所述敏感地震属性和所述地震响应特征，确定走滑断裂初始刻画图像。
进一步地，所述利用所述测井信息及地质演化规律对走滑断裂初始刻画图像进行调整，得到走滑断裂空间拓扑图像，包括：
基于测井信息获得对应的岩石物理信息；
基于地质演化规律，通过所述对应的岩石物理信息获得对应的地质构造分析结果；
基于所述对应的地质构造分析结果，对走滑断裂初始刻画图像进行调整，从而完善走滑断裂空间拓扑图像。
进一步地，所述神经网络模型采用UNet++神经网络构建；利用自适应矩估计优化器训练优化神经网络模型中的参数。
进一步地，利用所述训练样本训练所述神经网络模型包括：
利用所述训练样本及所述神经网络模型构建如下损失函数：
Figure BDA0003853776310000021
其中，xi表示输入模型的地震剖面数据，M(xi)是指xi通过所述神经网络模型后得到的概率矩阵，yi表示所述输入地震剖面数据所对应的走滑断裂空间拓扑图像，F(·)表示对矩阵(·)内所有元素求和，i为地震剖面编号，N为地震剖面总数，β为平衡系数；
根据所述训练样本及所述损失函数训练所述神经网络模型。
进一步地，所述走滑断裂解释模型建立方法，包括：
将所述训练样本划分为训练集及验证集；
利用所述训练集训练所述神经网络模型；
将所述验证集中的地震剖面数据分别输入至训练得到的神经网络模型；
根据模型输出结果及所述验证集中的走滑断裂空间拓扑图像，计算准确率；
若所述准确率小于设定阈值，则重新训练所述神经网络模型，若准确率不小于设定阈值，则完成所述神经网络模型的训练。
另一方面，本说明书的一些实施例还提供一种走滑断裂解释模型建立装置，所述装置包括：
接收模块，用于接收地震数据和测井信息；
走滑断裂初始刻画图像构建模块，用于根据所述地震数据，确定走滑断裂初始刻画图像；
走滑断裂空间拓扑图像构建模块，用于利用所述测井信息及地质演化规律对走滑断裂初始刻画图像进行调整，得到走滑断裂空间拓扑图像；
神经网络模型构建模块，用于将所述地震数据中的地震剖面数据作为输入，所述走滑断裂空间拓扑图像的标签信息作为输出，由地震剖面数据及相应的走滑断裂空间拓扑图像构建训练样本，根据输入输出构建神经网络模型；
神经网络模型训练模块，用于利用所述训练样本训练所述神经网络模型，将训练完成的神经网络模型作为走滑断裂解释模型。
基于同一发明构思，本文实施例还提供了一种走滑断裂解释方法，所述方法包括，接收待分析井的地震数据；
将所述地震数据中的地震剖面数据输入至利用前述任一实施例所述方法训练得到的走滑断裂解释模型中，得到走滑断裂的图像。
另一方面，本文实施例还提供了一种走滑断裂解释装置，包括，
接收模块，用于接收待分析井的地震数据；
解释模块，用于将所述地震数据输入至利用前述任一实施例所述方法训练得到的走滑断裂解释模型中，得到走滑断裂的图像。
另一方面，本说明书的一些实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。
另一方面，本说明书的一些实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
本说明书的一些实施例提供的一个或者多个技术方案，至少具有如下的技术效果：
本说明书的实施例先根据地震数据得到走滑断裂初步刻画图像，再基于测井信息和地质演化规律完善所述走滑断裂初步刻画图像得到走滑断裂空间拓扑图像，从而获得走滑断裂解释精细结果，所述走滑断裂空间拓扑图像与地震数据中的地震剖面数据对应。然后将所述地震数据中的地震剖面数据作为输入，所述走滑断裂空间拓扑图像的标签信息作为输出，由地震剖面数据及相应的走滑断裂空间拓扑图像构建训练样本，根据输入输出构建神经网络模型，根据训练样本训练神经网络模型后，最终得到走滑断裂解释模型，该走滑断裂解释模型能够自动通过少量训练样本实现对走滑断裂的精细解释，从而解决小断裂的检测识别精度不高、地震解释人员刻画工作量大的问题。
上述说明仅是本说明书的一些实施例技术方案的概述，为了能够更清楚了解本说明书的一些实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本说明书的一些实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本说明书的一些实施例的具体实施方式。
附图说明
为了更清楚地说明本说明书的一些实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了本说明书一些实施例中一种走滑断裂解释模型建立方法的流程图；
图2示出了本说明书一些实施例中一工区部分三维地震数据示意图；
图3示出了本说明书一些实施例中确定走滑断裂初始刻画图像的流程图；
图4示出了本说明书一些实施例中Inline75原始地震剖面示意图；
图5a示出了本说明书一些实施例中T74层位相干属性切片示意图；
图5b示出了本说明书一些实施例中T76层位相干属性切片示意图；
图5c示出了本说明书一些实施例中T80层位相干属性切片示意图；
图6a示出了本说明书一些实施例中图4方框位置所示同相轴特征示意图；
图6b示出了本说明书一些实施例中图4方框位置所示同相轴特征示意图；
图7a示出了本说明书一些实施例中Inline方向剖面走滑断裂构造形态和断裂分布示意图；
图7b示出了本说明书一些实施例中Crossline方向剖面走滑断裂构造形态和断裂分布示意图；
图8示出了本说明书一些实施例中基于地震响应特征确定地震敏感属性过程示意图；
图9示出了本说明书一些实施例中走滑断裂空间拓扑图像确定过程的流程图；
图10示出了本说明书一些实施例中原始地震振幅剖面数据与走滑断裂空间拓扑图像示意图；
图11示出了本说明书一些实施例中UNet++神经网络结构示意图；
图12示出了本说明书一些实施例中训练所述神经网络模型的一种流程图；
图13示出了本说明书一些实施例中训练所述神经网络模型的另一种流程图；
图14示出了本说明书一些实施例中一种走滑断裂解释方法流程图；
图15示出了本说明书一些实施例中一种走滑断裂解释模型建立装置的结构框图；
图16示出了本说明书一些实施例中一种走滑断裂解释装置的结构框图；
图17示出了本说明书一些实施例中计算机设备的结构框图。
【附图标记说明】
151、接收模块；
152、走滑断裂初始刻画图像构建模块；
153、走滑断裂空间拓扑图像构建模块；
154、神经网络模型构建模块；
155、神经网络模型训练模块；
161、接收模块；
162、解释模块；
1702、计算机设备；
1704、处理器；
1706、存储器；
1708、驱动机构；
1710、输入/输出接口；
1712、输入设备；
1714、输出设备；
1716、呈现设备；
1718、图形用户接口；
1720、网络接口；
1722、通信链路；
1724、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书的一些实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的一些实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有走滑断裂解释方法，仅通过地震属性对大断裂进行刻画，针对小断裂无法实现精细的检测识别效果，其多解性与不确定性强，容易出现断层漏识或错误识别的现象，并且还需要大量人工解释干预完成纠正筛选，并且对人工工作量的要求仍然很高。鉴于小断裂的检测识别精度不高、地震解释人员刻画工作量大，提出了本方案以便克服上述问题或者至少部分地解决上述问题。
参照附图1，本说明书的一些实施例提供一种走滑断裂解释模型建立方法，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图1所示，所述方法可以包括：
S100：接收地震数据和测井信息；
S200：根据所述地震数据，确定走滑断裂初始刻画图像；
S300：利用所述测井信息及地质演化规律对走滑断裂初始刻画图像进行调整，得到走滑断裂空间拓扑图像；
S400：将所述地震数据中的地震剖面数据作为输入，所述走滑断裂空间拓扑图像的标签信息作为输出，由地震剖面数据及相应的走滑断裂空间拓扑图像构建训练样本，根据输入输出构建神经网络模型；
S500：利用所述训练样本训练所述神经网络模型，将训练完成的神经网络模型作为走滑断裂解释模型。
本说明书的实施例先根据地震数据得到走滑断裂初步刻画图像，再基于测井信息和地质演化规律完善所述走滑断裂初步刻画图像得到走滑断裂空间拓扑图像，从而获得走滑断裂解释精细结果，所述走滑断裂空间拓扑图像与地震数据中的地震剖面数据对应。然后将所述地震数据中的地震剖面数据作为输入，所述走滑断裂空间拓扑图像的标签信息作为输出，由地震剖面数据及相应的走滑断裂空间拓扑图像构建训练样本，根据输入输出构建神经网络模型，根据训练样本训练神经网络模型后，最终得到走滑断裂解释模型，该走滑断裂解释模型能够自动通过少量训练样本实现对走滑断裂的精细解释，从而解决小断裂的检测识别精度不高、地震解释人员刻画工作量大的问题。
一些实施例中，接收的地震数据可以源于相关国家或地区的地震信息中心等平台机构，测井信息可以为地质构造、水文信息等可获取并用于地质解释的信息。在本说明书的实施例中，图2示出了一工区部分三维地震数据，所述工区原面积约为200平方公里，截取与走滑断裂相应的三维偏移地震数据后，其对应大小为400Inlines×400Crosslines×448时间采样点，时间范围为4502ms-5400ms，时间采样间隔为2ms。如图2所示，所述工区部分三维地震数据区域发育上北部“X”型剪切体系，所述区域的地层整体较平，发育过程以海相沉积为主，主要发育走滑断裂，如图2中箭头所示部位，且所述走滑断裂包含多级断裂、体系结构复杂，本说明书的实施例主要针对所述走滑断裂中5号断裂进行断层精细解释。
参照附图3，在一些实施例中，所述根据所述地震数据，确定走滑断裂初始刻画图像可以包括：
S210：根据所述地震数据，确定地震属性和地震响应特征；
S220：根据所述地震响应特征，结合剖面属性和切片属性两种地震属性分析方式确定敏感地震属性；
S230：基于所述敏感地震属性和所述地震响应特征，确定走滑断裂初始刻画图像。
具体而言，首先对接收到的地震数据预处理，通过连续小波变换与时频连续小波变化方法进行频谱分解得到不同频率域下的地震数据，同时通过角度分解划分角度域下的地震数据。基于预处理后的地震数据提取如相干、曲率等多种地震属性，地震属性是地震数据的几何学、运动学、动力学及统计学特征的一种量度，地震属性还可以理解为一种描述和量化地震数据的特性，是原始地震资料中所包含全部信息的子集。
目前主要将地震属性分为振幅类属性、频率类属性、时间类属性以及几何类属性等。振幅类信息包括均方根振幅、平均绝对振幅、最大峰值振幅、平均峰值振幅、最大谷值振幅、平均谷值振幅以及平均能量，频率类属性主要包括平均瞬时频率、均方根瞬时频率、反射宽度等，时间类属性主要包括相干、倾角、方位角、曲率等属性。
所述振幅类属性通常用于地震岩性解释和储层预测，所述频率类属性主要反映在地震波传播过程中，频谱由于地层的几何扩散、吸收和衰减而发生的变化，所述频率类属性在储层厚度、地震波衰减吸收、散射方面是重要的参考因素，所述时间类属性在构造分析方面是重要的参考因素。
提取地震属性现已有成熟的算法实现提取过程，例如提取相干属性可以使用第三代相干体算法，第三代相干体算法是基于特征值结构算法，需要计算协方差矩阵的特征值，具有分辨率高、压制噪声能力强的优点。
如图4所示，选取Inline75原始地震剖面，其包含T74、T76、T80三个不同深度层位，分别对T74、T76、T80三个不同深度层位提取相干属性切片后，可以得到如图5a和图5b和图5c所示的结果，可以看到，由于断裂受周围沉积环境的影响，不同层位相干属性切片清晰度差异较大，T74层位为强同相轴，扭曲错断明显，其相干属性呈现断裂形态十分清晰，大尺度断裂边界刻画连贯完整，断裂周围无过多背景信息干扰，伴生次级序断裂较为破碎，内幕识别效果稍差；而T76、T80层位断裂位置同相轴反射凌乱，扭曲异常且连贯性差，相干属性中背景信息杂乱，大断裂边界不清晰，内幕破碎杂乱，识别模糊。同样地，基于其他地震属性提取算法可以获得对应的地震属性提取结果。
在一些实施例中，地震响应特征可以显示出地震振幅、波形、同相轴等地震属性在不同频率下发生的变化特征，如图6a所示，其为低频条件下图4方框位置所示同相轴特征，如图6b所示，其为高频条件下方框位置所示同相轴特征。对比图6a和图6b，可以看出低频条件下同相轴信号更强。图6a下方同相轴共有3处较为明显的同相轴错断，两侧大断裂边界呈现清晰；而图6b所示的高频条件下同一位置处同相轴数量明显增多且出现分叉、合并现象，两侧大断裂中间可以判断为小断层。不同频率下地震剖面呈现的地震响应特征不同，断裂展布形态不同，因此要结合不同频率下地震响应特征综合分析得出断层分布情况。
进一步地，由于现有地震属性的数量高达上百种，属性数量过多会增大计算量，且地震属性之间存在信息重复和冗余的现象，会影响裂缝的预测结果，因此需要确定对走滑断裂响应敏感的地震属性，以提高走滑断裂预测精度。
在一些实施例中，地震属性可以从切片和剖面两种地震属性分析方式展开，例如在图5a和图5b和图5c中分别对T74、T76、T80三个不同深度层位提取的是相干属性切片，所述相干属性切片为从切片角度分析展开地震属性；图7a和图7b分别示出了Inline方向剖面和Crossline方向剖面走滑断裂构造形态和断裂分布情况，其中的断点为地震属性切片提取的断裂在剖面上对应的投射位置，方框标注位置均为断裂分布范围，可以看出Inline方向剖面呈现的走滑断裂构造明显，特征丰富且构造的位置较为固定集中，Crossline方向剖面走滑断裂构造形态分布杂乱松散。为减小预测结果的误差，本说明书实施例选择Inline方向剖面为主方向剖面进行预测，同时利用Crossline方向断点对构造Inline方向剖面走滑断裂空间拓扑结构进行断点连线约束，以进一步保证走滑断裂刻画精准程度。
进一步地，敏感地震属性的确定可以在切片和剖面两种地震属性分析方式的基础上，基于地震响应特征，在已得到的多个地震属性中进行筛选，如图8所示的基于地震响应特征确定地震敏感属性过程，针对Inline180剖面中T74深度层位的瞬时振幅、最大正曲率、相干属性切片，结合所述剖面对应的地震响应特征分析可以确定不同尺度断裂的地震敏感属性，以便于更好地识别微小断裂。
在敏感地震属性确定后，可以在地震剖面、平面与立体互相结合印证的基础上，观察不同频率条件下大中尺度走滑断裂，尤其是小尺度的走滑断裂的成像差异变化，同时把控三维空间地质构造的展布特点，完成对主干断裂及其边缘、内部的次级序断裂带，破碎带等微小地质构造进行刻画，并依据地震响应特征所指示的不同走滑断裂级序振幅、波形随断层形态变化而发生的扭曲扰动现象等进一步优化刻画结果，得到走滑断裂初始刻画图像结果。
参照附图9，在一些实施例中，所述利用所述测井信息及地质演化规律对走滑断裂初始刻画图像进行调整，得到走滑断裂空间拓扑图像可以包括：
S310：基于测井信息获得对应的岩石物理信息；
S320：基于地质演化规律，通过所述对应的岩石物理信息获得对应的地质构造分析结果；
S330：基于所述对应的地质构造分析结果，对走滑断裂初始刻画图像进行调整，从而完善走滑断裂空间拓扑图像。
具体而言，测井信息可以为地质构造、水文信息等可获取并用于地质解释的信息，通过测井信息可以获得与所述走滑断裂区域的岩石物理信息，基于所述地质演化规律，地质演化规律包括但不限于走滑断裂形成的动力学、几何学、运动学、地质学机制，通过所述对应的岩石物理信息就可以获得对应的地质构造分析结果，地质构造是指在地球的内、外应力作用下，岩层或岩体发生变形或位移而遗留下来的形态，利用所述对应的地质构造分析结果可以对先前得到的走滑断裂初始刻画图像结果进行优化调整，从而完善走滑断裂空间拓扑图像，如图10所示，原始地震振幅剖面数据经过图3和图9对应的解释过程最终获得了走滑断裂空间拓扑图像。
在一些实施例中，所述神经网络模型采用UNet++神经网络构建；利用自适应矩估计优化器训练优化神经网络模型中的参数。
具体而言，所述UNet++神经网络结构图如图11所示，包含上采样层、下采样层和跳连接层，所述跳连接层可以实现通道维度的叠加。所述自适应矩估计优化器为基于一阶梯度的随机目标函数优化算法，用于基于训练数据迭代地更新神经网络权重，其实现简单，计算效率高，存储容量要求低，适合解决含大规模数据和参数的优化问题。
参照附图12，在一些实施例中，所述利用所述训练样本训练所述神经网络模型包括：
S510：利用所述训练样本及所述神经网络模型构建如下损失函数：
Figure BDA0003853776310000111
其中，xi表示输入模型的地震剖面数据，M(xi)是指xi通过所述神经网络模型后得到的概率矩阵，yi表示所述输入地震剖面数据所对应的走滑断裂空间拓扑图像，F(·)表示对矩阵(·)内所有元素求和，i为地震剖面编号，N为地震剖面总数，β为平衡系数；
S520：根据所述训练样本及所述损失函数训练所述神经网络模型。
具体而言，所述训练样本为所述地震数据中的地震剖面数据和走滑断裂空间拓扑图像，传统断层识别常使用交叉熵损失函数，由于数据中断层部分占比极低，存在一定的局限性，为了缓解断层识别过程中正负样本比例不均衡，本说明书的实施例采用平衡交叉熵作为模型的损失函数，所述损失函数中β为平衡系数，用于控制正负样本在总损失中的权重，在本说明书的实施例中考虑到正样本(断层)在整个样本中的占比较少，同时结合实验测试，最终将β设置为0.75，根据所述训练样本及所述损失函数即可训练所述神经网络模型。
参照附图13，在一些实施例中，所述走滑断裂解释模型建立方法可以包括：
S610：将所述训练样本划分为训练集及验证集；
S620：利用所述训练集训练所述神经网络模型；
S630：将所述验证集中的地震剖面数据分别输入至训练得到的神经网络模型；
S640：根据模型输出结果及所述验证集中的走滑断裂空间拓扑图像，计算准确率；
S650：若所述准确率小于设定阈值，则重新训练所述神经网络模型，若准确率不小于设定阈值，则完成所述神经网络模型的训练。
具体而言，训练样本包括所述地震数据中的地震剖面数据和走滑断裂空间拓扑图像，将所述训练样本划分为训练集及验证集，考虑人工制作剖面标签的时间成本以及深度学习中常用的比例设置，本说明书的实施例中训练集和验证集的比例为10：1，利用所述训练集训练所述神经网络模型后，将所述验证集中的地震剖面数据分别输入至训练得到的神经网络模型，根据模型输出结果及所述验证集中的走滑断裂空间拓扑图像，计算准确率。
由于最终的预测结果即所述模型输出结果是一个概率图，概率图指的是最终的预测结果图中每一个点的概率值都0～1之间，所述概率值越接近1，说明对应点为断裂的可能性越大，所述概率值越接近0，说明对应点为断裂的可能性越小，可以将概率图以0.5的阈值划分得到只含有0和1的二值图，由此可以与走滑断裂空间拓扑图像计算准确率。
所述准确率公式为：
Figure BDA0003853776310000121
其中，Acc表示准确率，TP表示走滑断裂空间拓扑图像为正例，模型输出结果也为正例；TN表示走滑断裂空间拓扑图像为负例，模型输出结果也为负例；FP表示走滑断裂空间拓扑图像为负例，模型输出结果为正例；FN表示走滑断裂空间拓扑图像为正例，模型输出结果为负例，所述正例表示值为1，所述负例表示值为0。
所述准确率中TP、TN、FP、FN可以由表1计算得到：
表1 TP、TN、FP、FN计算表
Figure BDA0003853776310000122
若所述准确率小于设定阈值，则重新训练所述神经网络模型，若准确率不小于设定阈值，则完成所述神经网络模型的训练。在本说明书的实施例中，考虑到预防地震数据中存在个别差异性较大的剖面导致预测结果准确度下降一定幅度的可能性，所述阈值设定范围为90％±5％。
基于同一发明构思，参照附图14，在一些实施例中，所述走滑断裂解释方法可以包括：
S710：接收待分析井的地震数据；
S720：将所述地震数据中的地震剖面数据输入至利用前述任一实施例所述方法训练得到的走滑断裂解释模型中，得到走滑断裂的图像。
与上述的走滑断裂解释模型建立方法对应，本说明书的一些实施例还提供了一种走滑断裂解释模型建立装置，参考图15所示，在一些实施例中，走滑断裂解释模型建立装置可以包括：
接收模块151，用于接收地震数据和测井信息；
走滑断裂初始刻画图像构建模块152，用于根据所述地震数据，确定走滑断裂初始刻画图像；
走滑断裂空间拓扑图像构建模块153，用于利用所述测井信息及地质演化规律对走滑断裂初始刻画图像进行调整，得到走滑断裂空间拓扑图像；
神经网络模型构建模块154，用于将所述地震数据中的地震剖面数据作为输入，所述走滑断裂空间拓扑图像的标签信息作为输出，由地震剖面数据及相应的走滑断裂空间拓扑图像构建训练样本，根据输入输出构建神经网络模型；
神经网络模型训练模块155，用于利用所述训练样本训练所述神经网络模型，将训练完成的神经网络模型作为走滑断裂解释模型。
基于同一发明构思，与上述的走滑断裂解释模型建立方法对应，本说明书的一些实施例还提供了一种走滑断裂解释方法，参考图16所示，在一些实施例中，走滑断裂解释装置可以包括：
接收模块161，用于接收待分析井的地震数据；
解释模块162，用于将所述地震数据输入至利用前述任一实施例所述方法训练得到的走滑断裂解释模型中，得到走滑断裂的图像。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
需要说明的是，本说明书的实施例中，所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权同意且经过各方充分授权的信息和数据。
本说明书的实施例还提供一种计算机设备。如图17所示，在本说明书一些实施例中，所述计算机设备1702可以包括一个或多个处理器1704，诸如一个或多个中央处理单元(CPU)或图形处理器(GPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备1702还可以包括任何存储器1706，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施例中，存储器1706上并可在处理器1704上运行的计算机程序，所述计算机程序被所述处理器1704运行时，可以执行上述任一实施例所述的基于图文识别的跨境汇款数据处理方法的指令。非限制性的，比如，存储器1706可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备1702的固定或可移除部件。在一种情况下，当处理器1704执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备1702可以执行相关联指令的任一操作。计算机设备1702还包括用于与任何存储器交互的一个或多个驱动机构1708，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备1702还可以包括输入/输出接口1710(I/O)，其用于接收各种输入(经由输入设备1712)和用于提供各种输出(经由输出设备1714)。一个具体输出机构可以包括呈现设备1716和相关联的图形用户接口1718(GUI)。在其他实施例中，还可以不包括输入/输出接口1710(I/O)、输入设备1712以及输出设备1714，仅作为网络中的一台计算机设备。计算机设备1702还可以包括一个或多个网络接口1720，其用于经由一个或多个通信链路1722与其他设备交换数据。一个或多个通信总线1724将上文所描述的部件耦合在一起。
通信链路1722可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路1722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本申请是参照本说明书一些实施例的方法、设备(系统)、计算机可读存储介质和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理器的处理器以产生一个机器，使得通过计算机或其他可编程数据处理器的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理器以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理器上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算机设备访问的信息。按照本说明书中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
还应理解，在本说明书实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种走滑断裂解释模型建立方法，其特征在于，所述方法包括：
接收地震数据和测井信息；
根据所述地震数据，确定走滑断裂初始刻画图像；
利用所述测井信息及地质演化规律对走滑断裂初始刻画图像进行调整，得到走滑断裂空间拓扑图像；
将所述地震数据中的地震剖面数据作为输入，所述走滑断裂空间拓扑图像的标签信息作为输出，由地震剖面数据及相应的走滑断裂空间拓扑图像构建训练样本，根据输入输出构建神经网络模型；
利用所述训练样本训练所述神经网络模型，将训练完成的神经网络模型作为走滑断裂解释模型。
2.根据权利要求1所述的走滑断裂解释模型建立方法，其特征在于，所述根据所述地震数据，确定走滑断裂初始刻画图像，包括：
根据所述地震数据，确定地震属性和地震响应特征；
根据所述地震响应特征，结合剖面属性和切片属性两种地震属性分析方式确定敏感地震属性；
基于所述敏感地震属性和所述地震响应特征，确定走滑断裂初始刻画图像。
3.根据权利要求1所述的走滑断裂解释模型建立方法，其特征在于，所述利用所述测井信息及地质演化规律对走滑断裂初始刻画图像进行调整，得到走滑断裂空间拓扑图像，包括：
基于测井信息获得对应的岩石物理信息；
基于地质演化规律，通过所述对应的岩石物理信息获得对应的地质构造分析结果；
基于所述对应的地质构造分析结果，对走滑断裂初始刻画图像进行调整，从而完善走滑断裂空间拓扑图像。
4.根据权利要求1所述的走滑断裂解释模型建立方法，其特征在于，所述神经网络模型采用UNet++神经网络构建；利用自适应矩估计优化器训练优化神经网络模型中的参数。
5.根据权利要求1所述的走滑断裂解释模型建立方法，其特征在于，利用所述训练样本训练所述神经网络模型包括：
利用所述训练样本及所述神经网络模型构建如下损失函数：
Figure FDA0003853776300000021
其中，xi表示输入模型的地震剖面数据，M(xi)是指xi通过所述神经网络模型后得到的概率矩阵，yi表示所述输入地震剖面数据所对应的走滑断裂空间拓扑图像，F(·)表示对矩阵(·)内所有元素求和，i为地震剖面编号，N为地震剖面总数，β为平衡系数；
根据所述训练样本及所述损失函数训练所述神经网络模型。
6.根据权利要求1所述的走滑断裂解释模型建立方法，其特征在于，
将所述训练样本划分为训练集及验证集；
利用所述训练集训练所述神经网络模型；
将所述验证集中的地震剖面数据分别输入至训练得到的神经网络模型；
根据模型输出结果及所述验证集中的走滑断裂空间拓扑图像，计算准确率；
若所述准确率小于设定阈值，则重新训练所述神经网络模型，若准确率不小于设定阈值，则完成所述神经网络模型的训练。
7.一种走滑断裂解释方法，其特征在于，所述方法包括：
接收待分析井的地震数据；
将所述地震数据中的地震剖面数据输入至利用权利要求1至6任一项所述方法训练得到的走滑断裂解释模型中，得到走滑断裂的图像。
8.一种走滑断裂解释模型建立装置，其特征在于，包括：
接收模块，用于接收地震数据和测井信息；
走滑断裂初始刻画图像构建模块，用于根据所述地震数据，确定走滑断裂初始刻画图像；
走滑断裂空间拓扑图像构建模块，用于利用所述测井信息及地质演化规律对走滑断裂初始刻画图像进行调整，得到走滑断裂空间拓扑图像；
神经网络模型构建模块，用于将所述地震数据中的地震剖面数据作为输入，所述走滑断裂空间拓扑图像的标签信息作为输出，由地震剖面数据及相应的走滑断裂空间拓扑图像构建训练样本，根据输入输出构建神经网络模型；
神经网络模型训练模块，用于利用所述训练样本训练所述神经网络模型，将训练完成的神经网络模型作为走滑断裂解释模型。
9.一种走滑断裂解释装置，其特征在于，包括：
接收模块，用于接收待分析井的地震数据；
解释模块，用于将所述地震数据中的地震剖面数据输入至利用权利要求1至6任一项所述方法训练得到的走滑断裂解释模型中，得到走滑断裂的图像。
10.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时，执行根据权利要求1-7任意一项所述方法的指令。
CN202211141470.0A 2022-09-20 2022-09-20 走滑断裂解释模型建立方法及装置、解释方法及装置 Pending CN115542383A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211141470.0A CN115542383A (zh) 2022-09-20 2022-09-20 走滑断裂解释模型建立方法及装置、解释方法及装置
FR2309543A FR3139915A1 (fr) 2022-09-20 2023-09-11 Procédé et appareil servant à établir un modèle d’interprétation pour les failles de décrochement, et procédé et appareil d’interprétation pour les failles de décrochement

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211141470.0A CN115542383A (zh) 2022-09-20 2022-09-20 走滑断裂解释模型建立方法及装置、解释方法及装置

Publications (1)

Publication Number Publication Date
CN115542383A true CN115542383A (zh) 2022-12-30

Family

ID=84728033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211141470.0A Pending CN115542383A (zh) 2022-09-20 2022-09-20 走滑断裂解释模型建立方法及装置、解释方法及装置

Country Status (2)

Country Link
CN (1) CN115542383A (zh)
FR (1) FR3139915A1 (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2738871B1 (fr) * 1995-09-19 1997-11-14 Elf Aquitaine Procede pour realiser une representation des textures d'une structure geologique
WO2019017962A1 (en) * 2017-07-21 2019-01-24 Landmark Graphics Corporation TANK MODELING BASED ON DEEP LEARNING
CN113687424B (zh) * 2021-09-03 2023-09-22 中国石油大学(华东) 一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法

Also Published As

Publication number Publication date
FR3139915A1 (fr) 2024-03-22

Similar Documents

Publication Publication Date Title
EP2539844B1 (en) Method and system for using multiple-point statistics simulation to model reservoir property trends
CN107688201B (zh) 基于rbm地震叠前信号聚类方法
CN105528522A (zh) 一种基于空间网格计算连续性油气藏资源量的方法及装置
CN111025384B (zh) 基于波形分类交汇融合的储层预测方法和装置
US20220091290A1 (en) Systems and methods for generating elastic property data as a function of position and time in a subsurface volume of interest
US20220091291A1 (en) Systems and methods for generating subsurface data as a function of position and time in a subsurface volume of interest
CN107316341B (zh) 一种多点地质统计学沉积相建模方法
US10969507B2 (en) Seismic channel geobody extraction for basin fairway simulation
CN109214025A (zh) 基于贝叶斯分类的储层参数预测方法及系统
Julio et al. Sampling the uncertainty associated with segmented normal fault interpretation using a stochastic downscaling method
EP4217768A1 (en) Systems and methods for generating subsurface property data as a function of position and time in a subsurface volume of interest
Han et al. Multiple point geostatistical simulation with adaptive filter derived from neural network for sedimentary facies classification
Otchere et al. Improving seismic fault mapping through data conditioning using a pre-trained deep convolutional neural network: A case study on Groningen field
CN105184050A (zh) 一种gis与人工智能技术支持下的滑坡危险度评价方法
Bernardinetti et al. The hydrothermal system of solfatara crater (Campi Flegrei, Italy) inferred from machine learning algorithms
CN117634325B (zh) 资料受限河口区域极值事件识别和复合洪水灾害分析方法和系统
Pan et al. Hierarchical machine learning workflow for conditional and multiscale deep-water reservoir modeling
US20220019933A1 (en) Estimation of global thermal conditions via cosimulation of machine learning outputs and observed data
US20200308934A1 (en) Automatic calibration of forward depositional models
CN115542383A (zh) 走滑断裂解释模型建立方法及装置、解释方法及装置
Li A Bayesian approach to causal and evidential analysis for uncertainty quantification throughout the reservoir forecasting process
CN115639605A (zh) 基于深度学习的高分辨率断层的自动识别方法和装置
CN113050191A (zh) 基于双参数的页岩油toc预测方法及装置
CN111594156A (zh) 一种天然气水合物饱和度计算方法及系统
EP3579026B1 (en) Method of characterising a subsurface region using multiple point statistics

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