CN117136318A - 自动地表下性质模型构建和验证 - Google Patents

自动地表下性质模型构建和验证 Download PDF

Info

Publication number
CN117136318A
CN117136318A CN202280028340.8A CN202280028340A CN117136318A CN 117136318 A CN117136318 A CN 117136318A CN 202280028340 A CN202280028340 A CN 202280028340A CN 117136318 A CN117136318 A CN 117136318A
Authority
CN
China
Prior art keywords
learning model
machine learning
measurement data
subsurface
model
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
CN202280028340.8A
Other languages
English (en)
Inventor
A·阿布巴卡
邸海滨
T·赵
Z·李
李岑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Schlumberger Technology Corp
Original Assignee
Schlumberger Technology Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Schlumberger Technology Corp filed Critical Schlumberger Technology Corp
Publication of CN117136318A publication Critical patent/CN117136318A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00—Survey of boreholes or wells
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • 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
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V20/00—Geomodelling in general
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/66—Subsurface modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Geophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mining & Mineral Resources (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Fluid Mechanics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种用于对感兴趣的地下体积的地表下性质进行建模的方法包括：接收表示感兴趣的地下体积的输入测量数据；使用第一机器学习模型至少部分地基于所述输入测量数据来预测地表下性质；使用第二机器学习模型至少部分地基于所述地表下性质、所述输入测量数据或两者来预测地表下性质模型；使用第三机器学习模型、基于物理的模型或两者至少部分地基于所述地表下性质模型来预测合成测量数据；比较所述合成测量数据和所述输入测量数据；以及至少部分地基于所述比较来训练所述第一机器学习模型、所述第二机器学习模型或两者。

Description

自动地表下性质模型构建和验证
相关申请的交叉引用
本申请要求于2021年3月22日提交的且以引用的方式整体并入本文的美国临时专利申请号63/164,259的优先权。
背景技术
在油田和其他环境中收集测量值，所述测量值可用于计算或“求反”感兴趣的地下体积的各种性质。采用各种处理和建模技术来执行这种求反。一般来说，求反过程依赖于若干种不同的此类处理和/或建模技术的组合，其中一直要求人工干预。例如，主题专家可接收在一个阶段处生成的数据并且解释所述数据，例如，先标记感兴趣的地层或结构/体积等，然后将数据传递到下一个阶段。
包括此类基于人的努力以及过程的脱节性质可能使过程变得耗时、容易出错且昂贵。
发明内容
本公开的实施方案包括一种用于对感兴趣的地下体积的地表下性质进行建模的方法。所述方法包括：接收表示所述感兴趣的地下体积的输入测量数据；使用第一机器学习模型至少部分地基于所述输入测量数据来预测地表下性质；使用第二机器学习模型至少部分地基于所述地表下性质、所述输入测量数据或两者来预测地表下性质模型；使用第三机器学习模型、基于物理的模型或两者至少部分地基于所述地表下性质模型来预测合成测量数据；比较所述合成测量数据和所述输入测量数据；以及至少部分地基于所述比较来训练所述第一机器学习模型、所述第二机器学习模型或两者。
在一个实施方案中，训练所述第一机器学习模型、所述第二机器学习模型或两者包括使用第四机器学习模型生成训练梯度。
在一个实施方案中，所述输入测量数据包括测井、地震数据或两者。
在一个实施方案中，所述方法还包括：在至少部分地基于所述输入测量数据来预测所述地表下性质之前，使用机器学习模型、基于物理的模型或两者处理所述输入测量数据。
在一个实施方案中，所述地表下性质选自由以下组成的组：电阻率、密度、一个或多个地震属性、相对地质时间、断层位置、盐体位置和地层情况(stratigraphy)。
在一个实施方案中，所述地表下性质模型包括所述感兴趣的地下体积的性质的三维模型，并且所述性质选自由以下组成的组：密度、声波速度、声阻抗、孔隙率和饱和度。
在一个实施方案中，训练所述第一机器学习模型、所述第二机器学习模型或两者包括：使所述第一机器学习模型保持恒定，同时基于所述合成测量数据和所述输入测量数据之间的比较来调整所述第二机器学习模型；以及使所述第二机器学习模型保持恒定，同时基于所述合成测量数据和所述输入测量数据之间的比较来调整所述第一机器学习模型。
在一个实施方案中，使用第一机器学习模型至少部分地基于所述输入测量数据来预测所述地表下性质包括：将地震道与噪声组合；训练自监督学习模型以根据所述地震道和噪声的所述组合重建所述地震道，所述自监督学习模型包括SSL编码器和SSL解码器；训练监督学习模型以基于地震道来预测一个或多个性质，所述监督学习模型包括所训练自监督学习模型的所述SSL解码器和SL编码器；以及使用所述监督学习模型预测所述地表下性质。
本公开的实施方案还包括计算系统，所述计算系统包括：一个或多个处理器；以及存储器系统，所述存储器系统包括存储指令的一个或多个非暂时性计算机可读介质，所述指令在由所述一个或多个处理器中的至少一个执行时致使所述计算系统执行操作。所述操作包括：接收表示感兴趣的地下体积的输入测量数据；使用第一机器学习模型至少部分地基于所述输入测量数据来预测地表下性质；使用第二机器学习模型至少部分地基于所述地表下性质、所述输入测量数据或两者来预测地表下性质模型；使用第三机器学习模型、基于物理的模型或两者至少部分地基于所述地表下性质模型来预测合成测量数据；比较所述合成测量数据和所述输入测量数据；以及至少部分地基于所述比较来训练所述第一机器学习模型、所述第二机器学习模型或两者。
本公开的实施方案还包括存储指令的非暂时性计算机可读介质，所述指令在由计算系统的至少一个处理器执行时致使所述计算系统执行操作。所述操作包括：接收表示感兴趣的地下体积的输入测量数据；使用第一机器学习模型至少部分地基于所述输入测量数据来预测地表下性质；使用第二机器学习模型至少部分地基于所述地表下性质、所述输入测量数据或两者来预测地表下性质模型；使用第三机器学习模型、基于物理的模型或两者至少部分地基于所述地表下性质模型来预测合成测量数据；比较所述合成测量数据和所述输入测量数据；以及至少部分地基于所述比较来训练所述第一机器学习模型、所述第二机器学习模型或两者。
提供本概述是为了介绍在以下详细描述中进一步描述的一系列概念。本概述并非意图标识所要求保护的主题的关键或本质特征，也非意图用作限制所要求保护的主题的范围的辅助。
附图说明
并入本说明书并且构成本说明书的一部分的附图示出本教导内容并且连同描述的实施方案，用来解释本教导内容的原理。在附图中：
图1A、图1B、图1C、图1D、图2、图3A和图3B示出根据一个实施方案的油田及其操作的简化示意图。
图4示出根据一个实施方案的用于根据测量数据自动构建和验证地球物理模型的系统的图。
图5示出根据一个实施方案的用于根据测量数据自动构建和验证地球物理模型的方法的流程图。
图6示出根据一个实施方案的“反向”传播机器学习模型和/或基于物理的模型的用例。
图7示出根据一个实施方案的计算系统的示意图。
具体实施方式
现在将详细参考实施方案，在附图和图式中示出了所述实施方案的实例。在以下详述中，阐述了许多具体的细节以提供对本发明的深入理解。然而，对本领域的技术人员将是显而易见的是，没有这些具体细节的情况下也可实践本发明。在其他情况下，众所周知的方法、过程、部件、电路以及网络并未进行详细描述，以便不会不必要地混淆实施方案的方面。
还应当理解，尽管在本文中可能使用术语“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限制。这些术语仅用于区分一个元件与另一个元件。例如，在不背离本发明的范围的情况下，第一对象可称为第二对象，并且类似地，第二对象可称为第一对象。
第一对象和第二对象分别是两个对象，但不应将它们视为同一对象。
本发明描述中所使用的术语仅用于描述特定实施方案的目的且并非意在限制本发明。如本发明描述和所附权利要求书中所使用，除非上下文另有清楚指示，否则单数形式“一(a)”、“一(an)”和“所述”也意在包括复数形式。还应当理解，如本文使用的术语“和/或”是指并涵盖相关联的所列项目中的一个或多个所列项目的任何可能的组合。还将了解，术语“包括(includes、including、comprises和/或comprising)”在本说明书中被使用时指定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或多个其他特征、整数、步骤、操作、元件、部件和/或其群组的存在或添加。此外，如本文所使用，术语“如果”可解释为表示“在……时”或“在……后”或“响应于确定”或“响应于检测到”，这取决于上下文。
现在将注意力转向根据一些实施方案的处理程序、方法、技术和工作流。本文所公开的处理过程、方法、技术和工作流中的一些操作可进行组合和/或一些操作的顺序可改变。
图1A至图1D示出根据本文所述的各种技艺和技术的实现方式的油田100的简化示意图，所述油田具有其中包含储层104的地下地层102。图1A示出正在由勘测工具(诸如地震车106a)执行以测量地下地层的性质的勘测操作。勘测操作是用于产生声音振动的地震勘测操作。在图1A中，一种此类声音振动，例如由源110生成的声音振动112反射离开地球地层116中的地平线114。一组声音振动由位于地球地表上的传感器诸如地震检波器-接收器118接收。接收的数据120作为输入数据提供给地震车106a的计算机122a，并且响应于输入数据，计算机122a生成地震数据输出124。此地震数据输出可例如通过数据约简根据需要存储、传输或进一步处理。
图1B示出由钻具106b执行的钻探操作，所述钻具由钻机128悬挂并推进到地下地层102中以形成井筒136。泥浆坑130用于经由流动管线132将钻探泥浆抽取到钻探工具中，以用于使钻探泥浆向下循环通过钻探工具，然后向上通过井筒136并返回到地表。钻探泥浆通常被过滤并返回到泥浆坑。循环系统可用于存储、控制或过滤流动的钻探泥浆。钻探工具被推进到地下地层102中以到达储层104。每个井可以一个或多个储层为目标。钻探工具适用于使用随钻测井工具测量井下性质。随钻测井工具还可适用于如图所示取岩心样本133。
计算机设施可定位在油田100周围的各种位置(例如，地表单元134)和/或远程位置处。地表单元134可用于与钻探工具和/或场外操作通信，以及与其他地表或井下传感器通信。地表单元134能够与钻探工具通信以向钻探工具发送命令并从所述钻探工具接收数据。地表单元134还可收集在钻探操作期间生成的数据并且产生数据输出135，然后可存储或传输所述数据输出。
传感器(S)(诸如应变仪)可定位在油田100周围以收集如前所述与各种油田操作相关的数据。如图所示，传感器(S)定位在钻探工具中的一个或多个位置中和/或钻机128处，以测量钻探参数，诸如钻压、钻头扭矩、压力、温度、流量、成分、旋转速度和/或其他矿田操作参数。传感器(S)也可定位在循环系统中的一个或多个位置中。
钻探工具106b可包括一般是指靠近钻头(例如，在距钻头的若干钻铤长度内)的井底组件(BHA)(未示出)。井底组件包括用于测量、处理和存储信息以及与地表单元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表单元134通信的通信子组件。通信子组件适于使用通信信道(诸如泥浆脉冲遥测、电磁遥测或有线钻杆通信)向地表发送信号和从地表接收信号。通信子组件可包括例如传输器，所述传输器生成表示所测量的钻探参数的信号(诸如声学或电磁信号)。本领域技术人员将了解，可采用多种遥测系统，诸如有线钻杆、电磁或其他已知遥测系统。
通常，根据在钻探之前建立的钻探规划钻探井筒。钻探规划通常阐述限定井场的钻探过程的装备、压力、轨线和/或其他参数。然后可根据钻探规划执行钻探操作。然而，当搜集信息时，钻探操作可需要偏离钻探规划。另外，当执行钻探或其他操作时，地表下条件可改变。当收集新信息时，地球模型也可需要调整。
由传感器(S)搜集的数据可由地表单元134和/或其他数据收集源收集以供分析或进行其他处理。由传感器(S)收集的数据可单独或与其他数据组合使用。数据可收集在一个或多个数据库中和/或在现场或场外传输。数据可以是历史数据、实时数据或它们的组合。实时数据可实时使用，或可被存储以供稍后使用。数据还可与历史数据或其他输入结合以供进一步分析。数据可存储在单独数据库中，或可结合到单一数据库中。
地表单元134可包括收发器137以允许在地表单元134和油田100的各种部分或其他位置之间进行通信。地表单元134还可设置有用于致动油田100处的机构的一个或多个控制器(未示出)或在功能上连接到所述一个或多个控制器。地表单元134然后可响应于接收到的数据而向油田100发送命令信号。地表单元134可经由收发器137接收命令或者可自身向控制器执行命令。可提供处理器来分析数据(本地或远程地)、作出决策和/或致动控制器。以此方式，可基于收集的数据选择性地调整油田100。此技术可用于优化(或改进)矿田操作的各部分，诸如控制钻探、钻压、泵速率或其他参数。可基于计算机协议自动和/或由操作员手动作出这些调整。在一些情况下，可调整井规划以选择最佳(或改进的)操作条件或者以避免问题。
图1C示出缆线工具106c执行的缆线操作，所述缆线工具由钻机128悬挂并进入图1B的井筒136中。缆线工具106c适于部署到井筒136中以用于生成测井、执行井下测试和/或收集样本。缆线工具106c可用于提供用于执行地震勘测操作的另一种方法和设备。缆线工具106c可例如具有向周围的地下地层102和其中的流体发送和/或接收电信号的爆炸性、放射性、电的或声能源144。
缆线工具106c可以可操作地连接到例如图1A的地震检波器118以及地震车106a的计算机122a。缆线工具106c也可向地表单元134提供数据。地表单元134可收集在缆线操作期间生成的数据并且可产生可被存储或传输的数据输出135。缆线工具106c可定位在井筒136中的各种深度处以提供与地下地层102相关的勘测信息或其他信息。
传感器(S)(诸如应变仪)可定位在油田100周围以收集如前所述与各种矿田操作相关的数据。如图所示，传感器S定位在缆线工具106c中以测量与例如孔隙率、渗透率、流体成分和/或其他矿田操作参数相关的井下参数。
图1D示出由生产工具106d执行的生产操作，所述生产工具从生产单元或采油树129部署到已完井筒136中以用于将流体从井下储层抽取到地表设施142中。流体从储层104流动通过套管(未示出)中的穿孔并流动到井筒136中的生产工具106d中，并且经由搜集网络146到达地表设施142。
传感器(S)(诸如应变仪)可定位在油田100周围以收集如前所述与各种矿田操作相关的数据。如图所示，传感器(S)可定位在生产工具106d中或相关联的装备(诸如采油树129、搜集网络146、地表设施142和/或生产设施)中，以测量流体参数，诸如流体成分、流量、压力、温度和/或其他生产操作参数。
生产还可包括注入井以用于提高采收率。一个或多个搜集设施可以可操作地连接到井场中的一个或多个井场，以用于从一个或多个井场选择性地收集井下流体。
虽然图1B至图1D示出用于测量油田的性质的工具，但是将了解，所述工具可与非油田操作(诸如气田、矿山、含水层、存储或其他地下设施)结合使用。另外，虽然描绘了某些数据采集工具，但是将了解，可使用能够感测地下地层和/或其地质地层的参数(诸如地震双向行进时间、密度、电阻率、产率等)的各种测量工具。各种传感器(S)可位于沿着井筒和/或监测工具的各种位置处以收集和/或监测所需数据。还可从场外位置提供其他数据源。
图1A至图1D的矿田配置意图提供对可与油田应用框架一起使用的矿田实例的简要描述。油田100的部分或整体可位于陆地上、水上和/或海上。另外，虽然描绘了在单一位置处测量的单一矿田，但是油田应用可与一个或多个油田、一个或多个处理设施和一个或多个井场的任何组合一起利用。
图2示出根据本文所述的各种技艺和技术的实现方式的油田200的部分横截面的示意图，其中数据采集工具202a、202b、202c和202d沿着油田200定位在各种位置处以用于收集地下地层204的数据。数据采集工具202a-202d可分别与图1A至图1D的数据采集工具106a-106d或者未描绘的其他数据采集工具相同。如图所示，数据采集工具202a-202d分别生成数据图或测量值208a-208d。沿着油田200描绘这些数据图以展示通过各种操作生成的数据。
数据图208a-208c是可分别由数据采集工具202a-202c生成的静态数据图的实例；然而，应当理解，数据图208a-208c还可以是实时更新的数据图。可分析这些测量值以更好地限定一个或多个地层的性质和/或确定测量值的精度和/或用于检查错误。可对相应测量值中的每个测量值的图进行对准和缩放，以便比较和验证所述性质。
静态数据图208a是一段时间内的地震双向响应。静态图208b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，诸如岩心样本在岩心长度上的密度、孔隙率、渗透率或某一其他物理性质的曲线图。可在不同压力和温度下对岩心中的流体执行密度和粘度测试。静态数据图208c是通常提供地层在各种深度处的电阻率或其他测量值的测井曲线。
产量递减曲线或曲线图208d是流体流量随时间的动态数据图。产量递减曲线通常提供随时间变化的生产率。当流体流过井筒时，对流体性质诸如流量、压力、成分等进行测量。
还可收集其他数据，诸如历史数据、用户输入、经济信息和/或其他测量数据和感兴趣的其他参数。如下文所描述，可分析和使用静态和动态测量值以生成地下地层的模型来确定所述地下地层的特性。类似的测量也可用于测量地层方面随时间的变化。
地下结构204具有多个地质地层206a-206d。如图所示，此结构具有若干地层或层，包括页岩层206a、碳酸盐层206b、页岩层206c和砂层206d。断层207延伸穿过页岩层206a和碳酸盐层206b。静态数据采集工具适于进行测量并检测地层的特性。
虽然描绘了具有具体地质结构的具体地下地层，但是将了解，油田200可包含有时具有极其复杂性的多种地质结构和/或地层。在一些位置，通常在水线以下，流体可占据地层的孔隙空间。可使用测量装置中的每个测量装置来测量地层的性质和/或其地质特征。虽然每个采集工具在油田200中被示出为处于具体位置，但是将了解，可在跨一个或多个矿田的一个或多个位置或其他位置处进行一种或多种类型的测量以便进行比较和/或分析。
然后可处理和/或评估从各种源(诸如图2的数据采集工具)收集的数据。通常，地球物理学家使用来自数据采集工具202a的在静态数据图208a中显示的地震数据来确定地下地层的特性和特征。地质学家通常使用在静态图208b中示出的岩心数据和/或来自测井208c的测井数据来确定地下地层的各种特性。储层工程师通常使用来自曲线图208d的生产数据来确定流体流动储层特性。可使用建模技术来分析由地质学家、地球物理学家和储层工程师分析的数据。
图3A示出根据本文所述的各种技艺和技术的实现方式的用于执行生产操作的油田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的油田配置并不意图限制油田应用系统的范围。所述油田的部分或全部可位于陆地上和/或海洋上。另外，虽然描绘了具有单一处理设施和多个井场的单一油田，但是可存在一个或多个油田、一个或多个处理设施和一个或多个井场的任何组合。
每个井场302具有在地球中形成井筒336的装备。井筒延伸穿过包括储层304的地下地层306。这些储层304包含流体，诸如烃。井场从储层抽取流体并且经由地表网络344将它们传递到处理设施。地表网络344具有用于控制流体从井场流动到处理设施354的管件和控制机构。
现在将注意力转向图3B，其示出根据本文所述的各种技术的一个或多个实现方式的地下地表下362的基于海洋的勘测360的侧视图。地表下362包括海底浅层364。地震源366可包括海洋源(诸如可控震源或气枪)，所述海洋源可在延长时间段内或在由脉冲源提供的几乎瞬时能量下将地震波368(例如，能量信号)传播到地球中。海洋源可将地震波作为频率扫描信号进行传播。例如，可控震源类型的海洋源可初始地在低频率(例如，5Hz)下发射地震波并且随时间将所述地震波增加到高频率(例如，80Hz-90 Hz)。
地震波368的一个或多个分量可被海底浅层364(即，反射器)反射和转换，并且地震波反射370可被多个地震接收器372接收。地震接收器372可设置在多根拖缆(即，拖缆阵列374)上。地震接收器372可生成表示所接收的地震波反射370的电信号。电信号可嵌入有关于地表下362的信息并且被捕获为地震数据的记录。
在一个实现方式中，每根拖缆可包括本申请中未示出的拖缆操纵装置，诸如鸟、偏转器、尾浮标等。拖缆操纵装置可用于根据本文所述的技术控制拖缆的位置。
在一个实现方式中，地震波反射370可向上行进并且到达水表面376处的水/空气界面，反射370的一部分然后可再次向下反射(即，海面鬼波378)并且被多个地震接收器372接收。海面鬼波378可称为表面多次波。水表面376上的在其处向下反射波的点通常称为向下反射点。
电信号可经由传输电缆、无线通信等传输到船380。船380然后可将电信号传输到数据处理中心。可替代地，船380可包括能够处理电信号(即，地震数据)的机载计算机。受益于本公开的本领域技术人员将了解，此例示是高度理想化的。例如，勘测可以是针对在地表下方深处的地层的。地层通常可包括多个反射器，所述多个反射器中的一些反射器可包括下降事件，并且可生成多次反射(包括波转化)以供地震接收器372接收。在一个实现方式中，可处理地震数据以生成地表下362的地震图像。
海洋地震采集系统在相同深度(例如，5-10m)下拖曳拖缆阵列374中的每根拖缆。然而，基于海洋的勘测360可在不同深度下拖拽拖缆阵列374中的每根拖缆，使得可以避免归因于海面鬼波的相消干涉效应的方式采集和处理地震数据。例如，图3B的基于海洋的勘测360示出由船380在八个不同深度下拖曳的八根拖缆。可使用设置在每根拖缆上的鸟来控制和维持每根拖缆的深度。
图4示出根据一个实施方案的用于例如使用机器学习模型和/或其他人工智能来自动解释地表下数据以便更高效且准确地生成地表下模型的系统400的图。如下文更详细地描述的，系统400可包括一个或多个处理器，所述一个或多个处理器被配置来执行存储在存储器系统中的指令，所述指令致使系统400执行操作。在所示实施方案中，系统400包括第一机器学习模型402、第二机器学习模型404、第三机器学习模型406、第四机器学习模型408和基于物理的确定性模型410。机器学习模型402-408和基于物理的模型410可作为软件或硬件设置在物理或虚拟计算装置上，并且可被训练以执行一项或多项处理任务。具体地，机器学习模型402-408(例如，神经网络)可被训练以接收某种类型的输入并基于其预测输出。基于物理的模型410可采用物理(例如，状态方程)，并且因此可被模拟以便基于某些输入条件呈现物理系统的确定性解。
如下文将更详细地描述的，系统400可接收各种输入源。例如，系统400可包括地震数据412、各种类型的测井414、非地震数据或性质416。第一机器学习模型402可使用这些输入进行操作并产生例如地震性质(例如，属性)418和解释420。
还如下文将更详细地描述的，第二机器学习模型404可至少部分地基于第一机器学习模型402的输出以及所述输入来产生输出。第二机器学习模型404的输出可包括密度422、P波速度424和/或其他性质426(例如，声波声阻抗、孔隙率、饱和度等)的地表下性质模型。
此外，基于物理的模型410和第三机器学习模型406都可被配置来基于地表下性质模型422-426分别生成“合成”测量数据428、430。此外，如框432处所表示的，系统400可提供各种模型和性质以用于外部处理。
为了在系统400的操作期间支持机器学习模型402、404、406、408的操作和继续训练，系统400还可实现一个或多个反馈回路(示出了两个反馈回路：440、442)。第四机器学习模型410可被实现为支持反馈回路440、442中的一者或两者的操作。下文更详细地描述根据一个实施方案的反馈回路440、442的操作。
图5示出根据一个实施方案的可由如图4中所描述的系统400的操作来执行的方法500的流程图。现在参考图4和图5来描述使用方法500的如图4中所描述的系统400的训练和实现方式。将了解，在不背离本公开的范围的情况下，方法500的方面可使用其他系统执行，可以与所呈现的一个实例不同的顺序执行，可组合或分开，和/或可并行执行等。
方法500可通过训练机器学习模型开始。例如，方法500可包括训练如图4中所描述的第一机器学习模型402以基于(根据)测量数据来预测地球物理性质，如在502处。可将地面实况输入和输出对的训练语料库提供给如图4中所描述的第一机器学习模型402以用于此类初始训练(将了解，训练过程可以是正在进行的，如下文将描述的，但是可采用某一初始训练来开始)。地面实况输入可以是测量的地震数据(搜集)和/或测井。地面实况输出可以是地表下性质，诸如地震性质、非地震性质和/或地面实况输入的解释，所述地表下性质可例如由主题专家准备，包含在专有或公共数据库中，使用其他类型的模型计算等。非地震性质的实例包括电阻率和密度。地震性质的实例包括地震属性和/或相对地质时间。解释的实例包括断层、盐结构、地层等的标签。因此，可训练如图4中所描述的第一机器学习模型402以根据输入地震和测井数据预测这些性质中的一个、一些或全部性质。
可训练如图4中所描述的第二机器学习模型404以基于输入地震数据、输入测井和/或地表下性质(例如，由如图4中所描述的第一机器学习模型402预测的相同类型的性质)来预测地表下性质模型(例如，体积)，如在504处。因此，可为如图4中所描述的第二机器学习模型404提供地面实况输入和输出，以便训练如图4中所描述的第二机器学习模型404来预测地表下性质模型。为了训练如图4中所描述的第二机器学习模型404，可使用深度学习技术。在这种技术中，可定制损失函数以用于通过输入性质来约束训练过程。这可平衡细化过程期间的各种损失函数。
可训练如图4中所描述的第三机器学习模型406以基于由如图4中所描述的第二机器学习模型404预测的地表下性质模型来预测“合成”原始数据，如在506处。也就是说，可训练如图4中所描述的第三机器学习模型406以通过通常与其相反的操作来验证如图4中所描述的第一机器学习模型402和第二机器学习模型404。因此，地表下性质模型(例如，体积)对(诸如由如图4中所描述的第二机器学习模型404预测的那些)和对应于地表下性质模型的原始(例如，测量的)地震数据可作为地面实况被馈送到如图4中所描述的第三机器学习模型406。因此，如图4中所描述的第三机器学习模型406可被配置来基于损失函数预测导致地表下性质模型的原始输入数据。此预测的原始输入数据被认为是“合成”原始数据，因为它是由处理器生成的而不是直接测量的。
在具体实例中，如图4中所描述的第三机器学习模型406可采用数据驱动的深度学习方法来进行训练。例如，地面实况性质(例如，P波速度、S波速度和井位置处的密度)可作为深度学习模型的输入提供，并且对应处理的矿田数据(例如，地震偏移图像)可作为所述深度学习模型的输出提供。这可反转在先前性质预测阶段中限定(例如，来自第二机器学习模型)的输入和输出，并且可用于训练第三机器学习模型406。在一些实施方案中，训练可一次发生。
方法500还可包括训练如图4中所描述的第四机器学习模型408以增强如图4中所描述的第一机器学习模型、第二机器学习模型和第三机器学习模型402-406的连续学习，如在508处。也就是说，可训练如图4中所描述的第四机器学习模型408以预测如图4中所描述的第一机器学习模型、第二机器学习模型和/或第三机器学习模型402-406的反向传播的梯度。因此，如图4中所描述的第四机器学习模型408可表示由其他算法(诸如强化学习)生成的梯度。强化学习生成的梯度可减少收敛时间并加速整个过程。此外，当数据失配较大时，附加井数据可提供用于训练如图4中所描述的第二机器学习模型404和第三机器学习模型406，并且可生成新的地表下性质(例如，立方体/体积)和合成地震数据。
随着训练图4中所描述的机器学习模型402-408，方法500可进行到实现阶段。如图4中所描述的系统400可作为510处的输入接收测量数据诸如如图4中所描述的地震数据412(已经传播穿过感兴趣的地下体积的地震波的记录)和如图4中所描述的测井414(例如，使用部署到井中的传感器进行的与深度相关的测量)。可采用各种处理方法和基于物理的模型来处理地震数据，例如以形成地震立方体。在一些实例中，还可采用基于物理的和/或机器学习模型来处理地震数据。可训练辅助机器学习模型来处理测井，例如用于质量控制、测井相关性和/或测井解释。
一旦处理，就可将地震数据和测井提供给如图4中所描述的第一机器学习模型402。如上文所讨论的，可训练如图4中所描述的第一机器学习模型402以接收此类数据并预测感兴趣的地下体积的地球物理性质，并且因此方法500可包括使用如图4中所描述的第一机器学习模型402的此类预测，如在512处。例如，如图4中所描述的第一机器学习模型402可采用如图4中所描述的处理的输入数据412和/或414来生成如图4中所描述的非地震数据/性质416，诸如电阻率和密度。如图4中所描述的第一机器学习模型402还可生成如图4中所描述的地震性质418，诸如地震属性(例如，几何性质、瞬时速度、各向异性)。如图4中所描述的第一机器学习模型402可被进一步配置来生成如图4中所描述的解释420，诸如断层和盐体的存在、位置和形状，以及地表下地层情况。
然后，可将地球物理性质(统称为如图4中所描述的非地震数据/性质416、地震性质418和解释420)可与如图4中所描述的输入测量值412、414一起馈送到如图4中所描述的第二机器学习模型404。在514处，如图4中所描述的第二机器学习模型404可预测地表下性质，例如三维性质模型(例如，体积、立方体等)，诸如如图4中所描述的密度422、如图4中所描述的P波速度424和/或如图4中所描述的其他性质426(诸如声速、声阻抗、孔隙率、饱和度等)。
然后，可将地表下性质模型(例如，如图4中所描述的422、424、426)例如可替代地或者并行地提供给如图4中所描述的基于物理的模型410和如图4中所描述的第三机器学习模型406，以用于验证的目的，例如，确认如图4中所描述的所生成的性质体积422-426在可接受的容差内是准确的。例如，可将大多数性质模型提供给如图4中所描述的第三机器学习模型406(其中如图4中所描述的基于物理的模型410相对不频繁地使用)，例如以检查如图4中所描述的第三机器学习模型406的输出。因此，如图4中所描述的基于物理的模型410和如图4中所描述的第三机器学习模型406两者都可被配置来基于如图4中所描述的地表下性质模型422-426分别生成如图4中所描述的“合成”测量数据428、430。也就是说，如图4中所描述的基于物理的模型410和如图4中所描述的第三机器学习模型406可被配置来提供地震或测井数据，可被预期生成由如图4中所描述的第二机器学习模型404预测的如图4中所描述的性质体积422-426。
如图4中所描述的基于物理的模型410可采用基于物理的确定性方法以便根据一个或多个输入地表下性质模型计算合成输入数据，如在516处。如图4中所描述的基于物理的模型410可利用模仿物理过程的正向建模引擎。输出可以是例如对应于如图4中所描述的输入412的合成原始数据(例如，地震搜集、电磁场等)。例如，预测的性质(例如，P波速度、S波速度和密度)可作为对如图4中所描述的基于物理的模型410的输入被接收。预测的性质可根据预测性质时使用的数据呈3D立方体、2D截面和/或1D道的形式。然后可选择基于物理的正向建模引擎(例如，基于弹性波方程以根据P波速度、S波速度和密度生成地震数据的有限差分建模，基于麦克斯韦方程以根据电阻率生成CVSEM/MT数据的积分方程/有限差分建模)。接下来，可基于采集矿田数据时使用的数据采集方案来设置建模参数。然后可运行正向建模引擎。输出是合成原始数据，与从矿田获取的数据类似(例如，相同类型、分辨率等)，以便准许在它们之间进行比较。当接收到作为输入接收的对性质模型的更新时，为了保持来自基于物理的模型的输出准确，可再次运行基于正向的建模，以便重新计算合成原始数据并再次比较真实数据和合成数据以确定失配。
如图4中所描述的第三机器学习模型406还可生成或“预测”合成数据(例如，偏移地震图像)，如在518处。如图4中所描述的第三机器学习模型406可充当模拟器，其将来自前一阶段的预测的性质视为输入并产生对应的合成处理数据。
由如图4中所描述的基于物理的模型410和/或第三机器学习模型406中的任一者或两者产生的合成数据可用于验证和/或(重新)训练如图4中所描述的第一机器学习模型402和/或第二机器学习模型404，如在520处。例如，合成处理数据和来自矿田的真实处理数据之间的失配可被计算，并且可用于重新训练如图4中所描述的第一机器学习模型402和/或第二机器学习模型404，如将在下文更详细地描述的。如果预测的性质的更新版本变得可用，则可重复实现阶段(但不是训练阶段)。
相对于如图4中所描述的第三机器学习模型406所采用的数据驱动方法，图4中所描述的基于物理的模型410的模拟在计算上可能是昂贵的，因为如图4中所描述的基于物理的模型410可在生成与地表下性质相关的附加数据时进行重新配置；然而，采用如图4中所描述的基于物理的模型410，因为它将物理特性“添加”到系统400中。也就是说，如图4中所描述的基于物理的模型410可确保由如图4中所描述的机器学习模型402、404、406生成的解决方案是现实的，并且与已知的物理限制一致。
现在参考图6，示出了第三机器学习模型406(和/或基于物理的模型410)的用例的图600。具体地，地震数据602被接收并(例如，由第一机器学习模型402和第二机器学习模型404)用来生成在稀疏位置(例如，井)处可用的地表下性质604。第三机器学习模型406和/或基于物理的模型410然后可根据地表下性质604对合成地震数据606进行“反向”建模。输入地震数据602和合成地震数据606的比较可揭示预测的地表下性质的失配，因为可假设根据地震数据604对地表下性质的更好预测可产生对合成数据的更好预测606(即，更接近于原始输入地震数据602)。
再次参考图4，因此，通过反转如图4中所描述的第二机器学习模型404中的深度学习模型的输入和输出，可生成新的深度学习模型，其预测合成处理数据以与处理的矿田数据进行比较。因此，可比较生成的合成数据。生成的合成数据可与作为如图4中所描述的输入412接收的“真实”(测量的)数据进行比较。如图所示，这可应用于如图4中所描述的地震数据412，但也可用于比较如图4中所描述的测井数据414。如果比较产生可接受的结果，例如，在公差内准确，则如图4中所描述的三维性质体积420-426可被验证并通过以用于另外任务，诸如地表下建模、地震、地质和/或储层工程、生产预测、井布置/规划等，如在如图4中所描述的框432处。
在一个实施方案中，用于性质预测的反向ML模型是卷积神经网络(CNN)，其例如使用从测井计算的1D性质作为输入以及井位置处的1D单道叠后地震数据作为目标来训练。然而，相对较小的训练集可供用于此类1D网络，因为给定地震勘测中的井数量可能相对较少(例如，小于100)。因此，可采用自监督学习(SSL)来改善模型泛化。1D网络也可扩展到2D，其可提供对来自多个道的更丰富信息的访问。
自监督地震重建可用于验证在勘测中获得的基于ML的地震性质预测结果。因此，在反向ML模型中，SSL可用于改善模型泛化。例如，当没有足够量的标记数据时，可采用SSL以通过学习大规模未标记数据来获得通用特征提取器，所述特征提取器将在稍后用于监督学习(SL)任务。
可使用标签来训练SSL模型。具体地，可将噪声合成地添加到原始地震数据中，然后可训练作为SSL模型的卷积自编码器以重建原始地震数据。训练样本可以是从地震体积中随机提取的2D地震块。收敛后，SSL模型中的解码器可被保留以供在后续SL模型中进一步使用。
然后可训练共享与SSL模型中的相同解码器的后续监督学习(SL)模型。SL模型将井位置处的地面实况性质视为输入，并且将对应的地震道视为标签。SL模型可使用来自SSL模型的冻结解码器，但可能具有更深的编码器和从头开始训练的瓶颈块。通过预训练SSL模型中的解码器，SL模型可实现从给定任务的输入数据中提取至少一些(例如，最相关的)特征的提高的概率。
特别是在性质预测任务中，预测在足够接近训练井时可能类似于地面实况。为了克服每个SL训练位置都具有一个地面实况性质道的挑战，训练井附近的预测的性质可用作“伪地面实况”。然后可计算地震体积中各个样本周围的重叠窗口处的原始地震数据和重建地震数据之间的相关系数。所产生的体积的输出可提供“相关热图”，其显示地震体积上的地震重建的质量。然后，此相关性热图可用于推断ML预测的性质的质量，例如，更高的相关性通常指向更准确的预测的性质。
再次参考图4，如上文所述，系统400还可实现如图4中所描述的反馈回路440、442，如图4中所描述的第四机器学习模型408可以是所述反馈回路的一部分，以便训练如图4中所描述的机器学习模型402、404、406。如图4中所描述的机器学习模型402-406可例如利用不同的损失函数在如图4中所描述的回路440、442中的任一者或两者中(重新)训练。在其他实施方案中，可在如图4中所描述的在两个回路440、442之间交替地训练机器学习模型402-404。如图4中所描述的第一机器学习模型402可使用所处理地震数据作为地面实况输入并且使用解释器(例如，手动键入)标签作为地面实况输出来训练。为了训练如图4中所描述的第二机器学习模型404，可将所处理地震数据和如图4中所描述的第三机器学习模型406的输出用作地面实况输入，并且将测井测量用作地面实况输出。权重掩模可用于两个训练过程中，以调整训练数据以及预测数据的不确定性水平。例如，在如图4所述的第三机器学习模型406的训练期间，井测量位置可被分配相对高水平的确定性(例如，100％)，并且其他位置可被分配相对低水平的确定性(例如，0％)。
如图4中所描述的机器学习模型402-406的交替训练可在两个阶段中进行。首先，如图4中所描述的机器学习模型402-406可被认为是单一前向网络，但是如图4中所描述的第一机器学习模型402和第二机器学习模型404的权重可保持恒定，从而准许调整如图4所描述的第三机器学习模型406的权重。在下一阶段，可使如图4中所描述的第三机器学习模型406的权重保持恒定，并且可调整如图4中所描述的第一机器学习模型402和第二机器学习模型404的权重以用于训练。
在具体实施方案中，如图4中所描述的第一反馈回路440可从所处理地震数据继续进行到地表下性质再进行到地震数据，从而提供用于训练如图4中所描述的第二机器学习模型404的反馈。如图4中所描述的440获取处理的地震的输入，并且将所述输入传递通过如图4中所描述的第二机器学习模型404以获得井性质，所述井性质进而被馈送到如图4中所描述的第三机器学习模型406中以获得所处理地震数据。因此可生成损失函数，其可以是输出地震相对于输入地震的重建误差加上性质重建误差。在一些实施方案中，可提供权重掩蔽，其可将更靠近井位置(从其接收测井)的井性质结果加权为与更远离井位置的位置相比具有更高的确定性(例如，在井位置处为100％或如此接近)。对于地震数据的重建误差，可在全图像中应用恒定的确定性(例如100％)，以便增强重建一致性。在其他实施方案中，地震重建的确定性可在井位置处设置为100％确定性，在远离井位置发展时逐渐减小。
如图4中所描述的第二反馈回路442可使用井性质作为输入并将其传递通过如图4中所描述的第三机器学习模型406以获得所处理地震数据。所处理地震数据可被馈送到如图4中所描述的第一机器学习模型402和/或第二机器学习模型404以获得井性质。可基于输入和所处理的之间的井性质的重建误差来计算损失函数，其中在井位置处具有更高(例如，100％)的确定性而在其他位置处具有更低(例如，0％)的确定性。另外，地震重建误差可被应用为整个体积的高(例如，100％)确定性权重掩模。在至少一些实施方案中，如图4中所描述的第一反馈回路440和第二反馈回路442中的任一者或两者可提供用于训练如图4中所描述的第一机器学习模型402和/或第二机器学习模型404的输入。
此外，如图4中所描述的反馈回路442可例如经由强化学习和/或主动学习来采用如图4中所描述的第四机器学习模型408。例如，可通过如图4中所描述的第一机器学习模型、第二机器学习模型和/或第三机器学习模型402-406的反向传播来直接生成梯度。如图4中所描述的第四机器学习模型408可因此表示由其他技术诸如强化学习生成的梯度。强化学习生成的梯度可减少收敛时间并加速整个过程。在一些其他实施方案中，如图4中所描述的第一反馈回路440还可包括机器学习模型，例如，如图4中所描述的第四机器学习模型408。
作为另一个实例，在强化学习中，当数据失配“大”时，可要求附加训练井输入，然后可重新训练如图4中所描述的第二机器学习模型404和第三机器学习模型406，使得获得新的3D性质模型和合成地震数据。根据预测的3D性质和相关联的置信立方体，不确定性图(选择高置信度和低不确定性)可用于生成合成井或“伪”井。然后，可重新训练第二机器学习模型404和第三机器学习模型406，并且获得新的3D性质模型和合成地震数据。
在一些实施方案中，如图4中所描述的系统400和如图5中所描述的方法500可用于风电场场地表征。海上风电场涉及大量机器(数十至数百台)以及广阔的表面积(数十至数百平方千米)。可在每个地基位置处准确地确定地面地层情况、材料的机械性质及其侧向和竖直变化。此外，在风力涡轮机之间与至海岸之间的电缆布线上，还运用了浅层沉积物的机械性质的扎实的知识。现场研究提供关于土壤和岩石的信息，其深度达到将允许检测能够影响结构稳定性和/或生成过度变形(沉降)的薄弱地层的存在。根据地震数据和CPT测井，生成岩土性质的3D地表下模型。此地表下模型用于场地表征和监测。地震数据和CPT测井也随时间被收集。此地表下模型构建引擎因此可减少当接收到新信息时更新地表下模型的周转时间。
在一些实施方案中，如图4中所描述的系统400和如图5中所描述的方法500可用于碳捕获、利用和存储(CCUS)应用。如图4中所描述的系统400和图5中描述的方法500可被配置来实现CO2地表下管理(场地表征和监测、经济CO2项目管理)。实施方案可接收3D地表地震、微震、x井地震和电磁数据、竖直地震剖面、地表和井眼重力、测井等。实施方案可生成孔隙度数据、CO2(气体)饱和度、羽流运动、密封完整性、注入性、地面运动等。对于传统工作流，这可能被视为“大数据集成”工作，要求许多手动交互，当新数据不安地可用时可能会重复所述交互。然而，利用本系统和方法，这些方面中的某些方面可被跳过或自动化。因此，有利于地表下模型随时间的更新。
在一些实施方案中，如图4中所描述的系统400和如图5中所描述的方法500可用于水热场地表征。在此类实施方案中，多物理数据(例如，势场数据诸如电磁和重力数据)用于构建地表下模型引擎。然后，所述引擎可用于地热生产的延时监测。
在一个或多个实施方案中，所描述的功能可在硬件、软件、固件、或它们的任何组合中实现。对于软件实现方式，本文所述的技术可利用执行本文所述的功能的模块(例如，过程、功能、子程序、程序、例程、子例程、模块、软件包、类等)实现。模块可通过传递和/或接收信息、数据、自变量、参数或存储器内容来耦接到另一个模块或硬件电路。信息、自变量、参数、数据等可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手段来传递、转发或传输。软件代码可存储在存储器单元中并由处理器执行。存储器单元可在处理器内或在处理器外部实现，在这种情况下，它可经由如本领域已知的各种手段通信地耦接到处理器。
在一些实施方案中，本公开的方法中的任一种方法可使用系统诸如计算系统执行。图7示出根据一些实施方案的这种计算系统700的实例。计算系统700可包括计算机或计算机系统701a，其可以是单独计算机系统701a或分布式计算机系统的布置。计算机系统701a包括一个或多个分析模块702，所述一个或多个分析模块被配置来根据一些实施方案诸如本文公开的一个或多个方法执行各种任务。为了执行这些各种任务，分析模块702独立地或与一个或多个处理器704协调执行，所述一个或多个处理器连接到一个或多个存储介质706。一个或多个处理器704还连接到网络接口707以允许计算机系统701a通过数据网络709与一个或多个附加计算机系统和/或计算系统诸如701b、701c和/或701d通信(应注意，计算机系统701b、701c和/或701d可或可不与计算机系统701a共享相同架构，并且可位于不同物理位置中，例如，计算机系统701a和701b可位于处理设施中，同时与一个或多个计算机系统诸如位于一个或多个数据中心中和/或位于不同大陆的不同国家中的701c和/或701d通信)。
处理器可包括微处理器、微控制器、处理器模块或子系统、可编程集成电路、可编程门阵列或另一个控制或计算装置。
存储介质706可被实现为一个或多个计算机可读或机器可读存储介质。应注意，虽然在图7的示例性实施方案中存储介质706被描绘为在计算机系统701a内，但是在一些实施方案中，存储介质706可分布在计算系统701a和/或附加计算系统的多个内部和/或外部外壳内和/或跨所述多个外壳。存储介质706可包括一个或多个不同形式的存储器，其包括：半导体存储器装置，诸如动态或静态随机存取存储器(DRAM或SRAM)、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)和闪存存储器；磁盘，诸如固定磁盘、软盘和可移除磁盘；其他磁介质，包括磁带、光学介质诸如光盘(CD)或数字视频光盘(DVD)、盘或其他类型的光学存储装置；或其他类型的存储装置。应注意，以上讨论的指令可设置在一个计算机可读或机器可读存储介质上，或者可替代地，可设置在分布在可能具有多个节点的较大系统中的多个计算机可读或机器可读存储介质上。此类一个或多个计算机可读或机器可读存储介质被认为是物品(或制品)的一部分。物品或制品可指任何所制造的单一部件或多个部件。一个或多个存储介质可位于运行机器可读指令的机器中或位于可通过网络下载机器可读指令以用于执行的远程站点处。
在一些实施方案中，计算系统700包含一个或多个性质生成模块708。在计算系统700的实例中，计算机系统701a包括性质生成模块708。在一些实施方案中，单一性质生成模块可用于执行方法的一个或多个实施方案的一些或所有方面。在替代实施方案中，多个性质生成模块可用于执行方法的一些或所有方面。
将了解，计算系统700是计算系统的仅一个实例，并且计算系统700可比所示具有更多或更少部件，可结合图7的示例性实施方案中未描绘的附加部件，和/或计算系统700可具有图7中描绘的部件的不同配置或布置。图7所示的各种部件可在硬件、软件或硬件和软件两者的组合、包括一个或多个信号处理和/或专用集成电路中实现。
此外，本文所述的处理方法中的步骤可通过运行信息处理设备诸如通用处理器或专用芯片(诸如ASIC、FPGA、PLD或其他适当装置)中的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全部包括在本发明的保护范围内。
地质解释、模型和/或其他解释辅助可以迭代方式细化；此概念可适用于本文所论述的本方法的实施方案。这可包括使用在算法基础上执行的反馈回路，诸如在计算装置(例如，计算系统700，图7)处和/或通过用户的手动控制，所述用户可确定给定的步骤、动作、模板、模型或曲线集是否已足够准确用于评估所考虑的地下三维地质地层。
出于解释的目的，已经参考具体实施方案描述了前面的描述。然而，以上说明性论述并不意图是详尽的或将本发明限制于所公开的精确形式。鉴于上述教导，可能有许多修改和变更。此外，示出和描述方法的元素的顺序可重新排列，和/或两个或更多个元素可同时发生。选择和描述这些实施方案以便最佳解释本发明的原理以及其实际应用，从而在进行如适合于预期的特定用途的各种修改的情况下，允许本领域的其他技术人员最佳利用本发明和各种实施方案。

Claims (20)

1.一种用于对感兴趣的地下体积的地表下性质进行建模的方法，其包括：
接收表示所述感兴趣的地下体积的输入测量数据；
使用第一机器学习模型至少部分地基于所述输入测量数据来预测地表下性质；
使用第二机器学习模型至少部分地基于所述地表下性质、所述输入测量数据或两者来预测地表下性质模型；
使用第三机器学习模型、基于物理的模型或两者至少部分地基于所述地表下性质模型来预测合成测量数据；
比较所述合成测量数据和所述输入测量数据；以及
至少部分地基于所述比较来训练所述第一机器学习模型、所述第二机器学习模型或两者。
2.如权利要求1所述的方法，其中训练所述第一机器学习模型、所述第二机器学习模型或两者包括使用第四机器学习模型生成训练梯度。
3.如权利要求1所述的方法，其中所述输入测量数据包括测井、地震数据或两者。
4.如权利要求1所述的方法，其还包括：使用机器学习模型、基于物理的模型或两者处理所述输入测量数据，之后至少部分地基于所述输入测量数据来预测所述地表下性质。
5.如权利要求1所述的方法，其中所述地表下性质选自由以下组成的组：电阻率、密度、一个或多个地震属性、相对地质时间、断层位置、盐体位置和地层情况。
6.如权利要求1所述的方法，其中所述地表下性质模型包括所述感兴趣的地下体积的性质的三维模型，并且其中所述性质选自由以下组成的组：密度、声波速度、声阻抗、孔隙率和饱和度。
7.如权利要求1所述的方法，其中训练所述第一机器学习模型、所述第二机器学习模型或两者包括：
使所述第一机器学习模型保持恒定，同时基于所述合成测量数据和所述输入测量数据之间的比较来调整所述第二机器学习模型；以及
使所述第二机器学习模型保持恒定，同时基于所述合成测量数据和所述输入测量数据之间的比较来调整所述第一机器学习模型。
8.如权利要求1所述的方法，其中使用第一机器学习模型至少部分地基于所述输入测量数据来预测所述地表下性质包括：
将地震道与噪声组合；
训练自监督学习模型以根据所述地震道和所述噪声的所述组合重建所述地震道，所述自监督学习模型包括SSL编码器和SSL解码器；
训练监督学习模型以基于地震道来预测一个或多个性质，所述监督学习模型包括所训练自监督学习模型的所述SSL解码器、以及SL编码器；以及
使用所述监督学习模型预测所述地表下性质。
9.一种系统，其包括：
一个或多个处理器；以及
存储器系统，所述存储器系统存储指令，所述指令在由所述一个或多个处理器中的至少一个执行时致使所述系统执行操作，所述操作包括：
接收表示感兴趣的地下体积的输入测量数据；
使用第一机器学习模型至少部分地基于所述输入测量数据来预测地表下性质；
使用第二机器学习模型至少部分地基于所述地表下性质、所述输入测量数据或两者来预测地表下性质模型；
使用第三机器学习模型、基于物理的模型或两者至少部分地基于所述地表下性质模型来预测合成测量数据；
比较所述合成测量数据和所述输入测量数据；以及
至少部分地基于所述比较来训练所述第一机器学习模型、所述第二机器学习模型或两者。
10.如权利要求9所述的系统，其中训练所述第一机器学习模型、所述第二机器学习模型或两者包括使用第四机器学习模型生成训练梯度。
11.如权利要求9所述的系统，其中所述输入测量数据包括测井、地震数据或两者。
12.如权利要求9所述的系统，其中所述操作还包括：使用机器学习模型、基于物理的模型或两者处理所述输入测量数据，之后至少部分地基于所述输入测量数据来预测所述地表下性质。
13.如权利要求9所述的系统，其中所述地表下性质选自由以下组成的组：电阻率、密度、一个或多个地震属性、相对地质时间、断层位置、盐体位置和地层情况。
14.如权利要求9所述的系统，其中所述地表下性质模型包括所述感兴趣的地下体积的性质的三维模型，并且其中所述性质选自由以下组成的组：密度、声波速度、声阻抗、孔隙率和饱和度。
15.如权利要求9所述的系统，其中训练所述第一机器学习模型、所述第二机器学习模型或两者包括：
使所述第一机器学习模型保持恒定，同时基于所述合成测量数据和所述输入测量数据之间的比较来调整所述第二机器学习模型；以及
使所述第二机器学习模型保持恒定，同时基于所述合成测量数据和所述输入测量数据之间的比较来调整所述第一机器学习模型。
16.如权利要求9所述的系统，其中使用第一机器学习模型至少部分地基于所述输入测量数据来预测所述地表下性质包括：
将地震道与噪声组合；
训练自监督学习模型以根据所述地震道和所述噪声的所述组合重建所述地震道，所述自监督学习模型包括SSL编码器和SSL解码器；
训练监督学习模型以基于地震道来预测一个或多个性质，所述监督学习模型包括所训练自监督学习模型的所述SSL解码器、以及SL编码器；以及
使用所述监督学习模型预测所述地表下性质。
17.一种存储指令的非暂时性计算机可读介质，所述指令在由计算系统的至少一个处理器执行时致使所述计算系统执行操作，所述操作包括：
接收表示感兴趣的地下体积的输入测量数据；
使用第一机器学习模型至少部分地基于所述输入测量数据来预测地表下性质；
使用第二机器学习模型至少部分地基于所述地表下性质、所述输入测量数据或两者来预测地表下性质模型；
使用第三机器学习模型、基于物理的模型或两者至少部分地基于所述地表下性质模型来预测合成测量数据；
比较所述合成测量数据和所述输入测量数据；以及
至少部分地基于所述比较来训练所述第一机器学习模型、所述第二机器学习模型或两者。
18.如权利要求17所述的介质，其中训练所述第一机器学习模型、所述第二机器学习模型或两者包括使用第四机器学习模型生成训练梯度。
19.如权利要求17所述的介质，其中所述操作还包括：使用机器学习模型、基于物理的模型或两者处理所述输入测量数据，之后至少部分地基于所述输入测量数据来预测所述地表下性质。
20.如权利要求17所述的介质，其中所述地表下性质模型包括所述感兴趣的地下体积的性质的三维模型，并且其中所述性质选自由以下组成的组：密度、声波速度、声阻抗、孔隙率和饱和度。
CN202280028340.8A 2021-03-22 2022-03-22 自动地表下性质模型构建和验证 Pending CN117136318A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202163164259P 2021-03-22 2021-03-22
US63/164,259 2021-03-22
PCT/US2022/071266 WO2022204682A1 (en) 2021-03-22 2022-03-22 Automatic subsurface property model building and validation

Publications (1)

Publication Number Publication Date
CN117136318A true CN117136318A (zh) 2023-11-28

Family

ID=83396101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280028340.8A Pending CN117136318A (zh) 2021-03-22 2022-03-22 自动地表下性质模型构建和验证

Country Status (5)

Country Link
US (1) US20240168194A1 (zh)
EP (1) EP4314904A1 (zh)
CN (1) CN117136318A (zh)
CA (1) CA3214674A1 (zh)
WO (1) WO2022204682A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12032111B2 (en) 2021-03-05 2024-07-09 Saudi Arabian Oil Company Method and system for faster seismic imaging using machine learning
US12013508B2 (en) * 2021-10-28 2024-06-18 Saudi Arabian Oil Company Method and system for determining seismic processing parameters using machine learning
US20240111256A1 (en) * 2022-09-30 2024-04-04 Onto Innovation Inc. Composite data for device metrology

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG11202000350RA (en) * 2017-08-25 2020-03-30 Exxonmobil Upstream Res Co Automated seismic interpretation using fully convolutional neural networks
US20220229199A1 (en) * 2019-05-28 2022-07-21 Schlumberger Technology Corporation Interpreting seismic faults with machine learning techniques

Also Published As

Publication number Publication date
CA3214674A1 (en) 2022-09-29
US20240168194A1 (en) 2024-05-23
EP4314904A1 (en) 2024-02-07
WO2022204682A1 (en) 2022-09-29

Similar Documents

Publication Publication Date Title
US20240168194A1 (en) Automatic subsurface property model building and validation
US20170176228A1 (en) Drilling fluid loss rate prediction
US20220229199A1 (en) Interpreting seismic faults with machine learning techniques
CN112400123B (zh) 用于盐地震解译的级联式机器学习工作流
US20220155480A1 (en) Secondary recovery surveillance using validated streamline-based simulation
CN114787665A (zh) 无监督的测井记录重建和异常值检测
US12072459B2 (en) Subsurface property estimation in a seismic survey area with sparse well logs
US11531131B2 (en) Seismic interpretation using flow fields
US20240272322A1 (en) Simultaneous shooting time-lapse seismic data deblending for co2 monitoring and time lapse simultaneous shooting scheme recommender
WO2023183581A1 (en) Automated active learning for seismic image interpretation
US20240176036A1 (en) Automatic salt geometry detection in a subsurface volume
US20240054398A1 (en) Machine learning training based on dual loss functions
US20230281507A1 (en) Automated similarity measurement and property estimation
EP4402516A1 (en) Systems and methods for modeling a subsurface volume using time-lapse data
CA3230437A1 (en) Time lapse data reconstruction and time lapse data acquisition survey design for co2 monitoring
WO2023250477A1 (en) Transfer learning for ml-assisted seismic interpretation
CN115335729A (zh) 模板匹配全波形反演

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