EA004551B1 - Способ интерпретации сейсмических фаций с использованием текстурного анализа и нейронных сетей - Google Patents

Способ интерпретации сейсмических фаций с использованием текстурного анализа и нейронных сетей Download PDF

Info

Publication number
EA004551B1
EA004551B1 EA200300421A EA200300421A EA004551B1 EA 004551 B1 EA004551 B1 EA 004551B1 EA 200300421 A EA200300421 A EA 200300421A EA 200300421 A EA200300421 A EA 200300421A EA 004551 B1 EA004551 B1 EA 004551B1
Authority
EA
Eurasian Patent Office
Prior art keywords
volume
seismic
seismic data
calculating
facies
Prior art date
Application number
EA200300421A
Other languages
English (en)
Other versions
EA200300421A1 (ru
Inventor
Брайан П. Уэст
Стивен Р. Мэй
Original Assignee
Эксонмобил Апстрим Рисерч Компани
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 Эксонмобил Апстрим Рисерч Компани filed Critical Эксонмобил Апстрим Рисерч Компани
Publication of EA200300421A1 publication Critical patent/EA200300421A1/ru
Publication of EA004551B1 publication Critical patent/EA004551B1/ru

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
    • G01V1/32—Transforming one recording into another or one representation into another
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/40—Transforming data representation
    • G01V2210/48—Other transforms

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Сейсмические фации идентифицируют (101) в объеме сейсмических данных, вычисляют (103) множество начальных текстурных атрибутов, характерных для объема сейсмических данных. На основании вычисленных начальных текстурных атрибутов конструируют (107) вероятностную нейронную сеть, посредством которой вычисляют (108) текстурные атрибуты для всего объема сейсмических данных. Вычисленные конечные текстурные атрибуты классифицируют (111), используя сконструированную вероятностную нейронную сеть.

Description

Настоящее изобретение относится к геофизическим методам разведки, а более точно - к способу описания и картирования сейсмических фаций в сейсмических данных.
Предшествующий уровень техники
Анализ сейсмических фаций является важным этапом для интерпретации сейсмических данных при описании пласта. Интерпретации сейсмических фаций имеют существенное значение при начальной разведке коллектора, оценке результатов разведки, описании коллектора и, в конечном счете, при разработке месторождения. Сейсмические фации представляют собой стратиграфическую единицу или область, которая имеет характерную диаграмму отражения, отличающуюся от диаграмм отражения других областей. Области различающихся сейсмических фаций обычно описывают, используя описательные термины, которые отражают крупномасштабные сейсмические характеристики, такие как амплитуда отраженной волны, непрерывность и внутренняя конфигурация отражающих поверхностей, ограниченных стратиграфическими горизонтами.
Применение и анализ сейсмических фаций существенно изменяются от случая применения ко всему бассейну до случая подробного описания пласта. В масштабе всего бассейна разведочный анализ сейсмических фаций применяют при исследовании углеводородных систем с целью широкой идентификации участков источника, пласта-коллектора и изолированных наклонных областей. Эти области обычно идентифицируют на основе геометрии отраженных волн, а также амплитуд сейсмических волн и непрерывности. Локально полунепрерывные отражающие поверхности с высокими амплитудами сейсмических волн часто используют для идентификации потенциальных коллекторов углеводородов, таких как глубоководные каналы, тогда как непрерывные или полунепрерывные области с низкими амплитудами сейсмических волн можно использовать для идентификации изолированных наклонных единиц.
Анализ сейсмических фаций можно также применять в пределах одного пластаколлектора, чтобы получать подробное описание физических свойств. В применениях локального масштаба характеристики непрерывности и амплитуды обычно строго не определены и основаны на измерении свойств породы или на интерпретации отложений. Если можно выявить зависимость между особенностями сейсмической волны и физическими свойствами, объемы сейсмических фаций можно использовать для предсказания распределения свойств породы и геологических моделей.
Обычная методика, используемая для анализа сейсмических фаций и картирования, представляет собой ручной процесс, где интерпретатор данных сейсмической разведки на основе визуального наблюдения принимает решение о характере данных отражения сейсмических волн в пределах представляющего интерес интервала и наносит данные на карту. Затем сейсмические фации используют для различных целей, но, прежде всего, для интерпретации распределения литофаций или свойств породы. Восприятие, интуиция и опыт квалифицированного интерпретатора оказывают существенное влияние на успех анализа сейсмических фаций. Однако они могут стать причиной того, что проведение анализа сейсмических фаций станет субъективной, требующей много времени и трудной задачей. В нефтедобывающей промышленности используют несколько способов автоматизации и улучшения интерпретации сейсмических фаций из сейсмических данных.
КЛ. Ма!1оск и О.Т. А81шакорои1о8, Сап 5С151ше 81гаНдгарИу ртоЫеш Ье 8о1уеб изшд аи!ота!еб райетп апа1у818 апб тесодпйюп, Тке Ьеабшд Ебде, Оеоркуз. Ехр1ог., уо1. 5, № 9, рр. 51-55, 1986, заложили основу для формирования алгоритма и, следовательно, для автоматизации процесса интерпретации сейсмических данных. Однако эти авторы не раскрыли действующую модель или описание каких-либо особенностей возможных атрибутов или алгоритмов классификации.
К. VкН пег, К. Мозедаагб е! а1., Зеышс !ех!иге с1а88Шса!юп: А сотри!ег-а1беб арргоаск !о зйакдтарЫс апа1у515. ЗЕО 1п1егпа(1опа1 Ехрозкюп апб 65!к Аппиа1 Меекпд, рарег ЗЬ1.4, Ос!. 8-13, 1995, и К. ^п!пет, К. Мозедаагб, I. АЬаШз, С. Апбегзоп, ν.Ο. νοΉ^Κ апб Р.Н. №е18оп, 3Ό 8е18т1с !ех!иге с1а88Шса!юп, Зос1е!у о! Ре!го1еит Епдшеегз 35482, 1996, рассмотрели текстурный анализ сейсмических данных, а также классификацию текстурных атрибутов с использованием версии анализа главных компонентов и распределений вероятности. Хотя в этих публикациях способы текстурного анализа применяются для сейсмических данных, но не реализованы преимущества вероятностных нейронных сетей и не используются вероятностные значения для оптимизации классификации. В этих способах также не используется схема интерактивного обучения, а текстурный анализ не управляется углом наклона. Процесс направления вычисления при стратиграфическом расслоении, определяемый углом наклона сейсмических отражающих поверхностей, называют управлением углом наклона.
Ό. Оао, Тке Пг81-огбег апб !ке зесопб-огбег зе1зт1с !ех!игез: 1тр1юа!юп Гог диап!ка!1уе зе1зтю ш!егрге!а!юп апб кубгосагЬоп ехр1ота!юп, 1999, описал применение обычного текстурного анализа для получения сейсмических текстурных атрибутов, которые дают количественную оценку интенсивности отражения, непрерывности и геометрии. Однако в этой публикации не описаны способы классификации текстурных атрибутов. В частности, Оао, 1999, не использу ет ни вероятностную нейронную сеть, ни интерактивный интерпретатор, обучающий нейронную сеть. Кроме того, текстурный анализ не является управляемым углом наклона.
Тигйап Тапег совместно с Коек 8ойб 1таде§ и Сопкотйит кот Сотри1айоп апб 1п1етртейуе Изе οί 8е15т1е АйпЬи1е8 разработал способ, в котором различные сейсмические атрибуты применяют для интерактивного обучения нейронной сети. Однако текстурные атрибуты не используют, а разработанная сеть является полносвязанной нейронной сетью с обратным распространением, а не вероятностной нейронной сетью.
Р. Ме1бай1, К. Недд1апб, Р.Р.М. бе Сгоо1 апб А.Н. Βηϊϊ, Тйе сЫтпеу еиЬе, ап ехатр1е ок 8ет1-аи1ота1еб бе1еебоп ок хейтю оЬ)ес15 Ьу б1гес(1уе а((г1Ьи1е8 апб пеига1 пейуогкх: Рай I; Ме1йобо1о§у, Тйе сЫтпеу сиЬе, ап ехатр1е ок 8ет1-аи1ота1еб бе!есйоп ок хейтю оЬ)ес15 Ьу бйесйуе айпЬи1с8 апб пеига1 пейуогкх: Рай II; !п1егрге(а(1оп, а также в публикации международной заявки \νϋ 00/16125, Ме11юб ок хейнис 5щпа1 ргосекщпд, используются сейсмические атрибуты для интерактивного обучения нейронной сети и получения объема фаций. Однако при обучении и получении куба данных столба одновременно рассматривается и классифицируется только один класс группы данных, а не большое количество классов. Поэтому в архитектуре нейронной сети используются только два конечных выходных узла. Вычисляется вероятностный куб данных, а затем в качестве стадии постобработки формируются релейные пороговые значения, предназначенные для принятия решения о том, относится или нет объект к классу, представляющему интерес. Для управления сейсмическими атрибутами используется сложная схема преобразования Винера-Радона. Атрибуты для отдельных классов выбираются вручную.
Е1к АсЧийаше, Аи1отайс хейнис райетп тесодпйюп, а также в патентах ЕК 2738920 19970321 и ЕР 808467 19971126, раскрыт способ распознавания сейсмических образов, основанный на использовании сейсмических трасс. Каждую сейсмическую трассу в пределах заданного пользователем интервала разлагают на заданное пользователем число эмпирических ортогональных функций. Затем полученные функции классифицируют, используя алгоритм классификации, реализуемый нейронной сетью, а не текстурный анализ с помощью обученного интерпретатора.
Краткое изложение существа изобретения
Задачей настоящего изобретения является разработка способа, который обеспечивает возможность быстрой объективной классификации сейсмических данных и который можно использовать в процессе картирования сейсмических фаций. В этом способе также должен имитироваться процесс, который используется в сейс мическом интерпретаторе, и должны имитироваться результаты, получаемые вручную с помощью сейсмического интерпретатора.
Согласно настоящему изобретению предложен способ идентификации сейсмических фаций в объеме сейсмических данных. Сначала вычисляют большое количество начальных текстурных атрибутов, характерных для объема сейсмических данных. Затем конструируют вероятностную нейронную сеть на основании вычисленных начальных текстурных атрибутов. Далее вычисляют конечные текстурные атрибуты для всего объема сейсмических данных. В заключение, вычисленные текстурные атрибуты классифицируют, используя сконструированную вероятностную нейронную сеть.
Краткое описание чертежей
Настоящее изобретение и его преимущества поясняются нижеследующим подробным описанием со ссылками на сопровождающие чертежи, где фиг. 1 изображает схему алгоритма способа согласно изобретению;
фиг. 2 - пример сейсмического поперечного разреза, полученного при исследовании участка, согласно изобретению;
фиг. ЗА - сейсмический поперечный разрез, на котором показаны многоугольники ЗВ, ЗС, 3Ό, ЗЕ, ЗЕ, 36, выбранные для текстурного анализа, согласно изобретению;
фиг. 3В-36 - классификации фаций, соответствующих многоугольникам на фиг. ЗА, согласно изобретению;
фиг. 4 - разрез классификаций фаций, вычисленный с помощью заявленного способа, согласно изобретению;
фиг. 5 - разрез уклона, используемый при управлении углом наклона, согласно изобретению;
фиг. 6 - достоверный разрез, соответствующий разрезу классификаций фаций, показанному на фиг. 4, фиг. 7 - объем сейсмических фаций согласно изобретению.
Описание предпочтительных вариантов осуществления изобретения
Способ распознавания и картирования сейсмических фаций в сейсмических данных, преимущественно в сейсмических амплитудных данных, осуществляется согласно алгоритму, приведенному на фиг. 1.
На шаге 101 выбирают трехмерный объем сейсмических данных. Хотя рассматривается трехмерный объем данных, способ работает одинаково хорошо и в случае множеств двумерных данных. Этот объем сейсмических данных будет использован для вычисления объема сейсмических фаций и соответствующих доверительных объемов. Предпочтительно, чтобы сейсмические данные были сейсмическим атрибутом или амплитудными данными, включаю щими данные ближнего, дальнего и полного суммирования.
На шаге 102 из объема сейсмических данных, выбранных на шаге 101, выбирают, по меньшей мере, один поперечный разрез. На шаге 103 на поперечных разрезах строят большое количество многоугольников. Нет необходимости в том, чтобы многоугольники были одного и того же размера, ориентации или из одного и того же стратиграфического интервала, они могут быть распределены на всем протяжении поперечных разрезов и объема при любой подходящей ориентации или геометрии. Предпочтительно, чтобы многоугольники строились путем представления их в цифровом виде на индикаторе выбранных поперечных разрезов.
На шаге 103 многоугольники строят для того, чтобы на основании объема сейсмических данных получить изображение, характеризующее тип фаций. Предпочтительно предусматривать достаточное количество примеров каждого представляющего интерес типа фаций, чтобы описать вариацию, имеющуюся во входном объеме сейсмических данных, выбранных на шаге 101. Типы фаций описываются с помощью сейсмической текстуры. Сейсмическая текстура является характеристикой, которая дает количественную оценку многим аспектам описания сейсмических фаций, выполняемого сейсмическим интерпретатором. Сейсмическая текстура представляет собой количественную меру амплитуды отражения, непрерывности и внутренней конфигурации отражателей. Сейсмические текстуры можно охарактеризовать как гладкие или шероховатые, мелкомасштабные или крупномасштабные, описать как текстурные атрибуты и оценить количественно с помощью стандартных статистических методов. Сейсмическая текстура представляет собой по своей природе многотрассовый сейсмический атрибут и, тем самым, существенно отличается от многих вычисленных традиционным путем сейсмических атрибутов, основанных на одиночных трассах. Поэтому анализ сейсмической текстуры напоминает процесс основанного на визуальном представлении анализа, выполняемого сейсмическим интерпретатором, в том смысле, что традиционный анализ атрибута не делается. Интерпретатор не исследует одну или две трассы одновременно. Точнее, чтобы выполнить классификацию, интерпретатор исследует совокупность трасс в виде изображения. Это иной метод анализа, он предоставляет возможность сбора данных о геометрии отражения в пределах всей исследуемой области.
В текстурном анализе пространственная организация значений пикселов внутри заданной области представляется указанными выше многоугольниками на поперечных разрезах. В общем случае эту область, окно текстурного анализа, называют текселом. Для количественной оценки текстуры изображения в текселе использовано преобразование изображения, которое приводит к получению яркостных матриц совпадения событий. Яркостные матрицы совпадения событий описывают пространственные зависимости между пикселами небольшой области в пределах большего изображения в текселе. На практике яркостные матрицы совпадения событий вычисляют в перекрывающихся текселах, так что можно полностью наблюдать любой переход между текстурными классами в пределах всего изображения. Перекрывающиеся текселы сканируют по горизонтали и вниз в пределах изображения до тех пор, пока не будет обработано все изображение.
Яркостные матрицы совпадения событий представляют собой матрицы размером ΝχΝ, где N - число уровней яркости, используемых для количественной оценки изображения. Например, восьмиразрядные данные имеют 28=256 уровней яркости, а яркостная матрица совпадения событий, образованная из этого изображения, будет матрицей, которая имеет 256 строк и 256 столбцов. Вычисление и анализ яркостных матриц совпадения событий представляет собой задачу, требующую больших вычислительных ресурсов, при этом вычислительные потребности пропорциональны Ν2 Каждый элемент в яркостной матрице совпадения событий выражает относительную частоту появления двух точек с соответствующими значениями ί и ί пикселов на расстоянии Ό(ά, θ) друг от друга в пределах тексела. Например, если пиксел А имеет значение ί и находится на расстоянии Ό от пиксела В со значением _), то позиции ΐ, _) яркостной матрицы совпадения событий необходимо увеличить на единицу. Этот процесс осуществляют для каждого существующего множества пикселов в пределах тексела. В самом общем случае применения яркостной матрицы совпадения событий вычисления могут отражать как переход значений пикселов, так и направление или зернистость в изображении. Текстурный анализ путем конструирования яркостной матрицы совпадения событий на основании тексела изображения является эффективным двумерным (или трехмерным) расширением одномерного последовательного анализа Маркова.
Структуру яркостных матриц совпадения событий, полученных из сейсмических данных, можно понять эвристически. В однородных областях, в которых однородность или непрерывность точно определена в заданном направлении, различия между значениями пикселов будут меньше, и поэтому элементы, близкие к диагоналям яркостных матриц совпадения событий, будут иметь более высокие значения. В случае менее однородных областей различия между значениями соседних пикселов будут более высокими и поэтому получающиеся яркостные матрицы совпадения событий будут иметь более высокие значения на дополнитель ном расстоянии от диагонали. Среднее значение пиксела также представлено в яркостной матрице совпадения событий. Области низкой амплитуды имеют яркостные матрицы совпадения событий со значениями, сгруппированными вблизи центра. С другой стороны, области с более высокой амплитудой имеют более распределенные значения яркостной матрицы совпадения событий либо вдоль диагонали в случае непрерывных текстур, либо на всем протяжении яркостной матрицы совпадения событий при более разрывных текстурах.
На шаге 104 осуществляют классификацию начальных фаций для многоугольников, выбранных на шаге 103. Примеры классификаций фаций, обычно используемых в настоящем изобретении, включают непрерывную по высоким амплитудам, полунепрерывную по высоким амплитудам, непрерывную по средним амплитудам, полунепрерывную по средним амплитудам, непрерывную по низким амплитудам, полунепрерывную по низким амплитудам, хаотическую и по прозрачности. Примеры первых шести классификаций показаны соответственно на фиг. 3В, 3С, 30, 3Ό, 3Е и 3Т. На шаге 105 яркостные матрицы совпадения событий конструируют на основании изображений в образованных на шаге 103 многоугольниках для фаций из шага 104. В этом случае статистические преобразования этих матриц описывают пространственные зависимости между пикселами небольшой области. На шаге 106 начальные текстурные атрибуты вычисляют на основании сконструированных на шаге 105 яркостных матриц совпадения событий, используя скользящее окно, задаваемое пользователем. Это вычисление, в целом, может быть названо формированием значений сейсмических текстур в сейсмических данных. Для полной имитации процесса, осуществляемого сейсмическим интерпретатором, предпочтительно вычислять двумерные текстурные атрибуты и затем фильтровать на временном интервале, чтобы полностью имитировать трехмерную операцию. В качестве варианта можно также вычислять трехмерные текстурные атрибуты и использовать для описания сейсмических фаций.
Яркостные матрицы совпадения событий не являются эффективно интерпретируемыми непосредственно, а более эффективно описываются скалярными статистическими характеристиками, называемыми текстурными атрибутами. Текстурные атрибуты можно подразделить на дескрипторы первого и второго порядков. Статистические данные первого порядка дают количественное представление о глобальном распределении значений пикселов в пределах изображения и могут быть вычислены непосредственно на основании тексела с использованием стандартных статистических методов даже без промежуточного преобразования к яркостной матрице совпадения событий. Сред няя абсолютная амплитуда и среднеквадратическое отклонение значений амплитуды в пределах тексела являются примерами текстурных атрибутов первого порядка, полезными при описании амплитудных аномалий и интенсивности отражения. Производные атрибуты, например мгновенную амплитуду, фазу и частоту, также можно использовать для получения статистических данных первого порядка.
Статистические данные первого порядка отражают начальный подход к детальной количественной оценке текстуры, и, хотя некоторые геофизические области можно грубо описать на основании различимых интервалов значений пикселов, в общем случае отдельные текселы не могут быть адекватно описаны на основе только их статистических данных первого порядка. Например, при использовании только средних значений амплитуд неупорядоченная область высоких амплитуд сейсмического изображения не может быть непременно отделена от непрерывной области высоких или даже умеренных амплитуд.
Статистические данные второго порядка изображения дают количественную оценку пространственной взаимосвязи пикселов в пределах изображения и вычисляются путем промежуточного преобразования к яркостной матрице совпадения событий. Статистические данные второго порядка, статистические данные яркостной матрицы совпадения событий, включают в себя характеристики формы трассы, геометрию отражения и непрерывность отражения в дополнение к величине амплитуд. Статистические данные второго порядка текселов представляют собой многотрассовый атрибут изображения, который обеспечивает возможность получения геометрии отражения и непрерывности путем анализа управляемой углом наклона яркостной матрицы совпадения событий.
Текстурные атрибуты, которые предпочтительно использовать в настоящем изобретении, включают в себя, но не ограничены ими, текстурную неоднородность, инерцию (также известную как момент различия элементов или контраст), энтропию и энергию (также известную как равномерность). Математические выражения для этих текстурных атрибутов имеют вид:
однородность = ΣΣ^-у^, энтропия = - —-— £ Σ сч 1о§ сч ’
21оеи^Т «церция=^ρ-ΣΣ<'· энергия= ΣΣ4· ' У где Су - ΐ-ая и рая составляющая яркостной матрицы с совпадения событий, η - размер матрицы (квадрат целого числа уровней яркости в пределах изображения).
Кроме того, для исключения элементов матрицы, которые больше 1, и, тем самым, статистического выравнивания составляющих любой единичной матрицы при вычислении конкретного атрибута входная яркостная матрица с совпадения событий нормируется так, что
Σ Σ = 9о
Первый текстурный атрибут - текстурная однородность - характеризует количество локальных подобий внутри тексела. Вследствие обратной пропорциональности (ί-))2 локальная текстурная однородность будет больше для яркостных матриц совпадения событий с элементами, сконцентрированными вблизи диагонали. Эти яркостные матрицы совпадения событий соответствуют текстурам с плохими характеристиками организации и контраста, но с небольшим числом уровней яркости на одинаковых расстояниях друг от друга и при одном и том же разнесении по азимуту. Меньшие значения текстурной однородности будут соответствовать большим значениям яркостной матрицы совпадения событий, дальше отстоящим от диагонали матрицы, то есть многочисленным различающимся уровням яркости, которые находятся на тех же расстояниях и азимутах. Эти характеристики делают текстурную однородность особенно полезной для количественной оценки непрерывности.
Второй текстурный атрибут - текстурная инерция - является показателем контраста яркостной матрицы совпадения событий и характеристикой, противоположной текстурной однородности. В случае высококонтрастного изображения текстурная однородность низкая, текстурная инерция высокая.
Третий текстурный атрибут - текстурная энтропия - характеризует потерю пространственной организации в пределах вычислительного окна. Текстурная энтропия является высокой, когда все элементы яркостной матрицы совпадения событий равны, что соответствует грубой текстуре, и является низкой, когда текстура более однородная или сглаженная.
Четвертый текстурный атрибут - текстурная энергия - также характеризует пространственную организацию в пределах вычислительного окна. В противоположность текстурной энтропии, текстурная энергия является самой низкой, когда все элементы яркостной матрицы совпадения событий равны. В этом случае равновероятны все или большая часть яркостных уровней в пределах вычислительного окна. Это является признаком грубой текстуры. И, наоборот, самые высокие значения текстурной энергии показывают наличие высоких значений в яркостной матрице совпадения событий. В этом случае только некоторые из яркостных уровней являются доминирующими. Область внутри вычислительного окна является более однородной или имеет до некоторой степени регулярный характер.
На шаге 107 на основании начальных текстурных атрибутов и соответствующих классификаций фаций, на основании результатов шагов 105 и 106 соответственно, конструируют вероятностную нейронную сеть. Нейронная сеть представляет собой взаимосвязанный узел простых обрабатывающих элементов. Способность нейронной сети к обработке заключается в силе соединений или в весах, приобретаемых при осуществлении процесса адаптации к или обучения с помощью множества обучающих примеров. Одно из преимуществ нейронных сетей заключается в возможности обучения или модификации силы соединений внутри сети для получения желаемых результатов. В случае применения для классификации нейронная сеть может рассматриваться как особый случай классификации с контролируемой схемой, когда обучение нейронной сети является выполнением контролируемых упражнений. После достаточного обучения на ряде калибровочных изображений нейронную сеть можно применять для остальных изображений в объеме данных.
Во время вычислительного процесса благодаря связанности узлов внутри обычной нейронной сети, то есть весам, осуществляются модификации входных векторов атрибутов, а модифицированные значения передаются на следующий слой сети. Посредством обучения веса сети модифицируются так, что на основе конкретного множества обучающих примеров модификация входных векторов атрибутов создает желаемый результат. Обучение сети и модификация весов соединений приводят к получению поверхности решений для сети. Поверхность решения является η-мерной поверхностью, которая придает сети возможность разделения входных обучающих данных на категории. Одно из преимуществ алгоритма нейронной сети по сравнению со схемами обычной классификации заключается в возможности получения нелинейных границ. При решении типичных задач классификации или предсказания обычно имеются только три слоя: первый входной слой; второй - скрытый слой; и третий - выходной слой.
Вероятностные нейронные сети представляют собой параллельные реализации классификатора Байеса. Вероятностная нейронная сеть является трехслойной сетью, которая может эффективно выполнять классификацию образов. Математически вероятностные нейронные сети весьма сходны с кригингом, где близость к известным точкам используется для управления классификацией и предсказанием неизвестных точек. В обычном виде вероятностная нейронная сеть не обучается тем же способом, что и известная нейронная сеть, описанная выше. Точнее, обучающие векторы просто становятся весовыми векторами в первом слое сети. Этот более простой способ придает вероятностной нейронной сети преимущество, заключающееся в том, что не требуется экстенсивное обучение. Например, при сейсмическом текстурном анализе текстурные атрибуты обучающих изображений представляют весовые векторы в первый слой сети. В результате, это дает преимущество в виде заметного ускорения обучения по сравнению с архитектурами нейронных сетей более традиционных типов, такими как полносвязанные архитектуры с обратным распространением. Кроме того, для вероятностной нейронной сети характерно обобщение, тогда как для известных сетей, даже при большом количестве обучающих данных, сходимость не гарантируется, а на стадии обучения обобщение данных не используется.
Когда вероятностной нейронной сети представлен входной пример, в первом или во входном слое вычисляются отклонения входного вектора от обучающих входных векторов и формируется вектор, элементы которого указывают, насколько входные данные близки к обучающим данным. Во втором слое эти вклады суммируются для каждого класса входных данных для формирования в качестве выходного сигнала сети вектора вероятности. Это обеспечивает еще одно преимущество, вытекающее из использования вероятностной нейронной сети. Оно заключается в возможности извлечения вероятностной классификации непосредственно из второго или скрытого слоя в дополнение к классификации с максимальной вероятностью из третьего или выходного слоя.
В настоящем изобретении входными обучающими точками для вероятностной нейронной сети, сконструированной на шаге 107, являются начальные текстурные атрибуты из шага 105 и соответствующие классификации начальных фаций из шага 106. Выходными данными вероятностной нейронной сети будут классификации фаций (и вероятностный объем, рассмотренный ниже). Затем вероятностную нейронную сеть можно использовать для классификации всего объема сейсмических данных. Однако в этом месте предпочтительно осуществлять контроль качества и при необходимости полностью повторно обучать вероятностную нейронную сеть.
Поэтому на шаге 108 исходную вероятностную нейронную сеть используют для классификации фаций в части объема сейсмических данных из шага 101. Предпочтительно, чтобы эта часть была одним из поперечных разрезов, выбранных на шаге 102. На шаге 109 определяют, является ли удовлетворительной классификация фаций из части объема сейсмических данных. Если находят, что классификация фаций не является удовлетворительной, то процесс возвращают к шагу 103. Обучающее множество может быть модифицировано либо путем уда ления существующих многоугольников, либо путем добавления новых многоугольников. Затем воссоздают вероятностную нейронную сеть вместе с модифицированным обучающим множеством и снова осуществляют контроль. В настоящем изобретении эта возможность обучения и быстрого контроля вероятностной нейронной сети и последующей интерактивной модификации ранее существовавшего обучающего множества обеспечивает возможность повторного проведения классификации фаций, которая в случае интерпретатора выполняется вручную. Только после этого процесс будет продолжен до классификации всего объема сейсмических данных. Поэтому если на шаге 109 определяют, что частичная классификация фаций является удовлетворительной, то процесс продолжают.
На шаге 110 вычисляют классификации конечных фаций во всем объеме сейсмических данных из шага 101, используя вероятностную нейронную сеть, сконструированную на шаге 107. Этим образуют классификационный объем сейсмических фаций, основанный на сейсмических текстурных атрибутах, полученных из первоначальных, заданных пользователем многоугольников.
Качество объема сейсмических фаций зависит от качества входных данных. Снижение качества входных данных часто наблюдается при увеличении глубины нижнего горизонта. Использование окна единственного размера при вычислении яркостной матрицы совпадения событий для всего объема вносит вклад в этот отрицательный эффект. Результаты улучшаются при изменении размера окна на протяжении объема. Предпочтительно делать ширину окна большей по мере снижения частоты данных с увеличением глубины. Этот способ работает в сочетании с динамической регулировкой размера окна на основании задаваемого пользователем доверительного уровня. В другом альтернативном варианте осуществления изобретения, касающемся снижения качества сейсмических данных, до подачи на вход данные могут быть сначала подвергнуты фильтрации с помощью свертывающего или медианного фильтра для сглаживания данных.
В заключение, на этапе 111 из выходных данных вероятностной нейронной сети также получают доверительный объем. В альтернативном варианте осуществления доверительный объем может динамически использоваться во время вычисления классификационного объема сейсмических фаций на шаге 110. Если степень достоверности падает ниже заданного уровня, процесс вычисления размера окна может автоматически корректироваться до тех пор, пока доверительный интервал не превысит приемлемый уровень, при этом фации вычисляют повторно и повторно классифицируют.
Еще в одном альтернативном варианте осуществления процесс получения яркостных матриц совпадения событий на шаге 105 может регулироваться в зависимости от угла падения. Стратиграфическое строение конкретного геологического отложения является важным аспектом, который всегда учитывается сейсмическим интерпретатором, хотя и неосознанно. Например, интерпретаторы сейсмических фаций не рассматривают непрерывность исключительно во временной плоскости. Скорее, они оценивают непрерывность, руководствуясь стратиграфическим расслоением, обозначенным углом наклона сейсмических отражающих поверхностей. Как описано выше, текстурный анализ и конструирование яркостной матрицы совпадения событий для тексела зависят от направления просмотра или азимута θ, на котором пикселы в пределах тексела являются связанными. Текстурный анализ в приложении к сейсмическим данным является чрезвычайно чувствительным к стратиграфическому строению тексела и, чтобы соответствующим образом имитировать процесс, осуществляемый человеком-интерпретатором, также должен подчиняться стратиграфическому углу наклона отражающих поверхностей. Слежение за стратиграфическим углом наклона при вычислении яркостной матрицы совпадения событий максимизирует непрерывность изображения, представленного в яркостной матрице совпадения событий. Процесс управления вычислением с помощью стратиграфического угла наклона называют управлением углом наклона.
Чтобы должным образом управлять вычислением яркостной матрицы совпадения событий, для текстурного анализа необходима высокая степень разрешения стратиграфической геометрии. Для получения требуемого разрешения используют многотрассовый изобразительный характер тексела, а углы наклона в пределах изображения оценивают с помощью градиентного метода. В этом методе на первом шаге требуется вычисление горизонтального (бх) и вертикального (бу) градиента значений пикселов в пределах изображения. Затем вычисляют локальный угол θ наклона отражающих поверхностей
Отношение бу/бх имеет размерность времени, приходящегося на общую глубинную точку. Однако для удобства эту размерность можно проигнорировать, и угол наклона может быть выражен в фиктивных градусах, отнесенных к временному промежутку по горизонтали.
В заключение, в качестве необязательного шага, для удаления шума может быть использован выбранный пользователем медианный фильтр. После того как угол наклона отражения станет известным повсюду в пределах тексела, при вычислении яркостной матрицы совпадения событий угол наклона используют для указания азимута просмотра для каждого пиксела для сравнения пикселов. Участки резкого изменения угла наклона плохо отображаются при использовании не управляемого углом наклона способа вычисления яркостной матрицы совпадения событий. Отрицательные эффекты резкого изменения угла наклона можно минимизировать путем сглаживания или датирования объема вдоль стратиграфического слоя до осуществления анализа фаций.
Для способа согласно настоящему изобретению не нужно использовать скважинные данные в качестве калибровочных данных. Это является преимуществом при разведке и на уже разработанных аренах, где имеется немного скважин, доступных для сейсмической калибровки на скважине. Калибровку всегда можно выполнить, в основном, ее осуществляют после вычисления. Однако она не нужна при использовании способа согласно настоящему изобретению. Для других способов с использованием сейсмических атрибутов и нейронных сетей необходима корреляция между сейсмическими и скважинными данными.
Настоящее изобретение использовалось для образования объемов сейсмических фаций из обычных сейсмических амплитудных данных. Оно также использовалось применительно к объемным атрибутивным данным зависимости амплитуды отражения от удаления, например к объемам с пересечением склонов.
Хотя для классификации фаций вычисляют и используют многочисленные текстурные атрибуты, в настоящем изобретении все необходимые атрибуты вычисляют по мере необходимости (на лету). Поэтому классифицируют только сейсмический объем, а фации и объемы вероятности запоминают в любое выделенное время. Текстурные атрибуты и другие объемы не создают. Это обеспечивает преимущество, заключающееся в том, что не требуется большое пространство памяти для данных.
Настоящее изобретение пригодно для картирования сейсмических фаций на одной линии или на всем протяжении трехмерного объема. Возможность преобразования обычной амплитуды сейсмической волны или атрибутивных объемов в объемы сейсмических фаций приводит к существенному уменьшению затрат времени, к повышенной точности и к воспроизводимости в рамках процесса интерпретации сейсмических данных. Объемы сейсмических фаций используют для общего анализа геометрии и непрерывности пласта-коллектора, для выбора схемы расположения скважины и для улучшения геологических моделей, предназначенных для использования при планировании и организации работ по разработке пласта.
Результаты исследования в заданном районе показали эффективность настоящего изобретения. На фиг. 2 показан сейсмический поперечный разрез, выбранный на шаге 102. На фиг. ЗА показаны многоугольники, выбранные для текстурного анализа, используемые на шаге 103. Соответствующие классификации фаций показаны на фиг. 3В-3С, например, используемые на шаге 106. На фиг. 4 показан полученный разрез классификаций фаций, например, вычисляемый на шаге 109. На фиг. 5 показан разрез уклона, используемого для управления углом падения. На фиг. 6 показан соответствующий доверительный разрез, вычисленный на шаге 111. Низкие значения достоверности можно наблюдать в зонах разлома и вблизи них, где стратиграфические и структурные взаимодействия усложняют интерпретацию фаций. Наконец, на фиг. 7 показан объем сейсмических фаций, вычисленный на этапе 110.

Claims (10)

1. Способ идентификации сейсмических фаций в объеме сейсмических данных, заключающийся в том, что (a) вычисляют множество начальных текстурных атрибутов, характеризующих объем сейсмических данных, (b) конструируют вероятностную нейронную сеть на основании вычисленных начальных текстурных атрибутов, (c) вычисляют классификацию фаций в части объема сейсмических данных, (б) повторяют шаги с (а) по (с) до тех пор, пока вычисленные классификации фаций в части объема сейсмических данных не станут удовлетворительными, и (е) вычисляют классификацию фаций по всему объему сейсмических данных при использовании сконструированной вероятностной нейронной сети.
2. Способ по п.1, отличающийся тем, что при вычислении начальных текстурных атрибутов осуществляют выбор, по меньшей мере, одного поперечного разреза из объема сейсмических данных, конструирование множества многоугольников на выбранных поперечных разрезах и вычисление начальных текстурных атрибутов по изображениям в сконструированных многоугольниках.
3. Способ по п.2, отличающийся тем, что для вычисления текстурных атрибутов конструируют яркостные матрицы совпадения событий по изображениям в сконструированных многоугольниках и вычисляют начальные текстурные атрибуты на основании сконструированных яркостных матриц совпадения событий.
4. Способ по п.3, отличающийся тем, что для конструирования яркостных матриц совпадения событий дополнительно формируют объем углов наклона из объема сейсмических данных и применяют управление углом наклона при использовании значений углов наклона.
5. Способ по п.1, отличающийся тем, что для вычисления текстурных атрибутов осуществляют позиционирование скользящего окна на всем протяжении объема сейсмических данных и вычисление текстурных атрибутов в скользящем окне.
6. Способ по п.1, отличающийся тем, что дополнительно формируют объем доверительных значений, получаемых из сконструированной вероятностной нейронной сети.
7. Способ по п.6, отличающийся тем, что дополнительно осуществляют выбор доверительного уровня и корректируют размер скользящего окна для поддержания доверительных значений выше выбранного доверительного уровня.
8. Способ по п.1, отличающийся тем, что дополнительно отображают проклассифицированные текстурные атрибуты.
9. Способ по п.1, отличающийся тем, что используют сейсмические данные, которые содержат амплитуды сейсмических волн.
10. Способ по п.1, отличающийся тем, что используют сейсмические данные, которые содержат сейсмические атрибуты.
EA200300421A 2000-09-29 2001-09-13 Способ интерпретации сейсмических фаций с использованием текстурного анализа и нейронных сетей EA004551B1 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US23657700P 2000-09-29 2000-09-29
PCT/US2001/028578 WO2002029445A1 (en) 2000-09-29 2001-09-13 Method for seismic facies interpretation using textural analysis and neural networks

Publications (2)

Publication Number Publication Date
EA200300421A1 EA200300421A1 (ru) 2003-08-28
EA004551B1 true EA004551B1 (ru) 2004-06-24

Family

ID=22890071

Family Applications (1)

Application Number Title Priority Date Filing Date
EA200300421A EA004551B1 (ru) 2000-09-29 2001-09-13 Способ интерпретации сейсмических фаций с использованием текстурного анализа и нейронных сетей

Country Status (11)

Country Link
US (1) US6438493B1 (ru)
EP (1) EP1334379A4 (ru)
AU (2) AU2001289049B2 (ru)
BR (1) BR0114303A (ru)
CA (1) CA2423565A1 (ru)
DE (1) DE10196686T1 (ru)
EA (1) EA004551B1 (ru)
GB (1) GB0309426D0 (ru)
MY (1) MY127209A (ru)
NO (1) NO20031440L (ru)
WO (1) WO2002029445A1 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108008446A (zh) * 2017-11-29 2018-05-08 西南石油大学 基于线形自适应灰阶化理论的地震属性突变界线求取方法

Families Citing this family (68)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7006085B1 (en) 2000-10-30 2006-02-28 Magic Earth, Inc. System and method for analyzing and imaging three-dimensional volume data sets
US6662112B2 (en) * 2001-08-31 2003-12-09 Exxonmobil Upstream Research Company Method for classifying AVO data using an interpreter-trained neural network
GB2397664B (en) * 2003-01-24 2005-04-20 Schlumberger Holdings System and method for inferring geological classes
US7298376B2 (en) 2003-07-28 2007-11-20 Landmark Graphics Corporation System and method for real-time co-rendering of multiple attributes
US7151545B2 (en) * 2003-08-06 2006-12-19 Landmark Graphics Corporation System and method for applying accurate three-dimensional volume textures to arbitrary triangulated surfaces
US20050171700A1 (en) * 2004-01-30 2005-08-04 Chroma Energy, Inc. Device and system for calculating 3D seismic classification features and process for geoprospecting material seams
US20060041409A1 (en) * 2004-08-20 2006-02-23 Chevron U.S.A. Inc. Method for making a reservoir facies model utilizing a training image and a geologically interpreted facies probability cube
US7079953B2 (en) * 2004-08-20 2006-07-18 Chevron U.S.A. Inc. Method for creating facies probability cubes based upon geologic interpretation
US7516055B2 (en) * 2004-08-20 2009-04-07 Chevron U.S.A. Inc Multiple-point statistics (MPS) simulation with enhanced computational efficiency
JP4484643B2 (ja) * 2004-09-10 2010-06-16 独立行政法人科学技術振興機構 時系列データ異常判定用プログラム及び時系列データ異常判別方法
HRP20040828B1 (en) * 2004-09-13 2008-06-30 Jović Franjo Method and procedure for determination of porosity content of hydrocarbon deposit by means of context elimination of dominant seismic signal components
CN103185896B (zh) 2006-09-01 2016-08-10 哈利伯顿兰德马克绘图公司 用于对波形体进行成像的系统和方法
MX2009007229A (es) 2007-01-05 2010-02-18 Landmark Graphics Corp Sistemas y metodos para visualizar multiples grupos de datos volumetricos en tiempo real.
US8538702B2 (en) * 2007-07-16 2013-09-17 Exxonmobil Upstream Research Company Geologic features from curvelet based seismic attributes
US9171391B2 (en) 2007-07-27 2015-10-27 Landmark Graphics Corporation Systems and methods for imaging a volume-of-interest
US7702463B2 (en) 2007-12-12 2010-04-20 Landmark Graphics Corporation, A Halliburton Company Systems and methods for enhancing a seismic data image
US7639564B2 (en) * 2008-01-11 2009-12-29 Fairfield Industries Incorporated 3-D TAU-P interpolation
US7869955B2 (en) * 2008-01-30 2011-01-11 Chevron U.S.A. Inc. Subsurface prediction method and system
CA2723381C (en) 2008-06-06 2017-02-07 Landmark Graphics Corporation, A Halliburton Company Systems and methods for imaging a three-dimensional volume of geometrically irregular grid data representing a grid volume
WO2010082969A1 (en) * 2009-01-13 2010-07-22 Exxonmobil Upstream Research Company Methods and systems to volumetrically conceptualize hydrocarbon plays
CA2764681C (en) * 2009-07-06 2017-11-21 Exxonmobil Upstream Research Company Method for seismic interpretation using seismic texture attributes
AU2010292176B2 (en) * 2009-09-09 2015-03-12 Conocophillips Company Dip guided full waveform inversion
WO2011056347A1 (en) 2009-11-05 2011-05-12 Exxonmobil Upstream Research Company Method for creating a hierarchically layered earth model
US8326542B2 (en) * 2009-11-19 2012-12-04 International Business Machines Corporation Method and system for retrieving seismic data from a seismic section in bitmap format
US9582931B2 (en) * 2010-02-26 2017-02-28 Chevron U.S.A. Inc. Surface smoothing within an earth model of a geological volume of interest
US8452580B2 (en) * 2010-02-26 2013-05-28 Chevron U.S.A. Inc. Method and system for using multiple-point statistics simulation to model reservoir property trends
BR112012028653B1 (pt) 2010-05-28 2020-11-10 Exxonmobil Upstream Research Company método para análise sísmica de sistema de hidrocarbonetos
GB201022128D0 (en) 2010-12-31 2011-02-02 Foster Findlay Ass Ltd Active contour segmentation
US9128204B2 (en) 2011-04-15 2015-09-08 Exxonmobil Upstream Research Company Shape-based metrics in reservoir characterization
US8571799B2 (en) * 2011-06-10 2013-10-29 Schlumberger Technology Corporation Method for cost effective sampling and characterization of heterogeneous unconventional hydrocarbon regions
US20150285950A1 (en) * 2012-02-10 2015-10-08 Landmark Graphics Corporation Systems and Methods for Selecting Facies Model Realizations
CN103376468A (zh) * 2012-04-18 2013-10-30 中国石油化工股份有限公司 基于神经网络函数逼近算法的储层参数定量表征方法
US9274249B2 (en) * 2012-06-05 2016-03-01 Chevron U.S.A. Inc. System and method for facies classification
CN105467449B (zh) * 2014-09-04 2018-01-05 中国石油化工股份有限公司 基于地震分级敏感属性融合的深层薄互储层定量表征方法
US10288766B2 (en) 2014-10-09 2019-05-14 Chevron U.S.A. Inc. Conditioning of object or event based reservior models using local multiple-point statistics simulations
GB2533847B (en) * 2014-11-06 2017-04-05 Logined Bv Local layer geometry engine with work zone generated from buffer defined relative to a wellbore trajectory
US10139507B2 (en) 2015-04-24 2018-11-27 Exxonmobil Upstream Research Company Seismic stratigraphic surface classification
CN105809692B (zh) * 2016-03-10 2017-05-03 中国石油大学(华东) 一种页岩结构的定量表征方法
US20170286802A1 (en) * 2016-04-01 2017-10-05 Saudi Arabian Oil Company Automated core description
US10121096B2 (en) 2016-07-29 2018-11-06 International Business Machines Corporation Steering seismic texture analysis algorithms using expert input
EP3526629B1 (en) * 2016-10-14 2020-11-25 Chevron U.S.A. Inc. System and method for seismic facies identification using machine learning
EP3529639B1 (en) * 2016-10-18 2022-03-30 Services Pétroliers Schlumberger Determining subsurface layers using machine learning
JP6657137B2 (ja) * 2017-03-31 2020-03-04 Kddi株式会社 情報処理装置、情報処理方法、及びプログラム
CN107356958B (zh) * 2017-07-21 2018-12-18 西南石油大学 一种基于地质信息约束的河流相储层分步地震相预测方法
CA3070479C (en) 2017-08-25 2023-01-17 Exxonmobil Upstream Research Company Automated seismic interpretation using fully convolutional neural networks
CA3076181A1 (en) 2017-09-15 2019-03-21 Saudi Arabian Oil Company Inferring petrophysical properties of hydrocarbon reservoirs using a neural network
US10983237B2 (en) 2018-04-13 2021-04-20 Saudi Arabian Oil Company Enhancing seismic images
FR3081232B1 (fr) 2018-05-18 2020-10-02 Ifp Energies Now Procede pour la detection d'objets geologiques dans une image sismique
WO2019236832A1 (en) * 2018-06-08 2019-12-12 Schlumberger Technology Corporation Methods for characterizing and evaluating well integrity using unsupervised machine learning of acoustic data
US10891462B2 (en) 2018-06-29 2021-01-12 Saudi Arabian Oil Company Identifying geometrical properties of rock structure through digital imaging
US10983235B2 (en) * 2018-09-14 2021-04-20 Saudi Arabian Oil Company Characterizing depositional features by geologic-based seismic classification
BR112021011253A2 (pt) 2018-12-11 2021-08-24 Exxonmobil Upstream Research Company Treinamento de sistemas de aprendizado de máquina para interpretação sísmica
WO2020123100A2 (en) 2018-12-11 2020-06-18 Exxonmobil Upstream Research Company Automated seismic interpretation systems and methods for continual learning and inference of geological features
WO2020123099A2 (en) 2018-12-11 2020-06-18 Exxonmobil Upstream Research Company Automated seismic interpretation-guided inversion
EP3894904B1 (en) 2018-12-11 2024-01-17 ExxonMobil Technology and Engineering Company Data augmentation for seismic interpretation systems and methods
EP3894903A1 (en) 2018-12-11 2021-10-20 ExxonMobil Upstream Research Company Automated reservoir modeling using deep generative networks
US11867861B2 (en) * 2019-03-04 2024-01-09 Saudi Arabian Oil Company Using elastic facies to perform quality control of well logs
CN111915548B (zh) * 2019-05-08 2023-09-01 杭州海康威视数字技术股份有限公司 一种图像纹理评价方法及装置
CN110146855B (zh) * 2019-06-11 2020-10-23 北京无线电测量研究所 雷达间断干扰抑制门限计算方法及装置
CN112731527B (zh) * 2019-10-14 2024-06-18 中国石油化工股份有限公司 基于多属性研究的断溶体特征增强方法和装置
CN111323815B (zh) * 2020-02-17 2021-04-02 成都理工大学 基于方位角的灰度共生矩阵预测碳酸盐岩裂缝储层的方法
US11169287B2 (en) 2020-03-27 2021-11-09 Saudi Arabian Oil Company Method and system for automated velocity model updating using machine learning
US11202488B1 (en) 2020-08-10 2021-12-21 Saudi Arabian Oil Company Sun shade
RU2746691C1 (ru) * 2020-08-26 2021-04-19 Общество с ограниченной ответственностью «Газпромнефть Научно-Технический Центр» Система интеллектуального определения тектонических нарушений по сейсмическим данным на основе сверточных нейронных сетей
US11668847B2 (en) 2021-01-04 2023-06-06 Saudi Arabian Oil Company Generating synthetic geological formation images based on rock fragment images
CN115144894B (zh) * 2021-03-31 2024-09-27 中国石油天然气股份有限公司 页岩裂缝预测方法及装置
US12123299B2 (en) 2021-08-31 2024-10-22 Saudi Arabian Oil Company Quantitative hydraulic fracturing surveillance from fiber optic sensing using machine learning
CN118050785A (zh) * 2024-02-18 2024-05-17 成都理工大学 一种基于多维标签模型的地震相智能识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2652180B1 (fr) * 1989-09-20 1991-12-27 Mallet Jean Laurent Procede de modelisation d'une surface et dispositif pour sa mise en óoeuvre.
US5859925A (en) * 1995-08-08 1999-01-12 Apple Computer, Inc. Classifying system having a single neural network architecture for multiple input representations
FR2738920B1 (fr) * 1995-09-19 1997-11-14 Elf Aquitaine Methode de reconnaissance automatique de facies sismiques
US6044328A (en) * 1997-12-01 2000-03-28 Schlumberger Technology Corporation Method for creating, testing, and modifying geological subsurface models
GB9819910D0 (en) 1998-09-11 1998-11-04 Norske Stats Oljeselskap Method of seismic signal processing
US6236942B1 (en) * 1998-09-15 2001-05-22 Scientific Prediction Incorporated System and method for delineating spatially dependent objects, such as hydrocarbon accumulations from seismic data

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108008446A (zh) * 2017-11-29 2018-05-08 西南石油大学 基于线形自适应灰阶化理论的地震属性突变界线求取方法

Also Published As

Publication number Publication date
EA200300421A1 (ru) 2003-08-28
CA2423565A1 (en) 2002-04-11
NO20031440D0 (no) 2003-03-28
NO20031440L (no) 2003-05-28
MY127209A (en) 2006-11-30
AU8904901A (en) 2002-04-15
US6438493B1 (en) 2002-08-20
US20020042677A1 (en) 2002-04-11
BR0114303A (pt) 2004-02-10
EP1334379A1 (en) 2003-08-13
DE10196686T1 (de) 2003-08-21
EP1334379A4 (en) 2010-01-06
WO2002029445A1 (en) 2002-04-11
GB0309426D0 (en) 2003-06-04
AU2001289049B2 (en) 2005-10-20

Similar Documents

Publication Publication Date Title
EA004551B1 (ru) Способ интерпретации сейсмических фаций с использованием текстурного анализа и нейронных сетей
US11668853B2 (en) Petrophysical inversion with machine learning-based geologic priors
US11397272B2 (en) Data augmentation for seismic interpretation systems and methods
US6560540B2 (en) Method for mapping seismic attributes using neural networks
CN109709603B (zh) 地震层位识别与追踪方法、系统
Zhu et al. Intelligent logging lithological interpretation with convolution neural networks
Bodin et al. Seismic tomography with the reversible jump algorithm
US20200183031A1 (en) Automated seismic interpretation-guided inversion
CN107688201B (zh) 基于rbm地震叠前信号聚类方法
RU2337404C1 (ru) Компьютерный способ для моделирования во время бурения и визуализации слоистых подземных формаций
US10519766B2 (en) Reservoir modelling with multiple point statistics from a non-stationary training image
RU2391686C2 (ru) Основанные на применении компьютера формирование и проверка тренировочных образов, предназначенных для многоточечного геостатистического анализа
US6662112B2 (en) Method for classifying AVO data using an interpreter-trained neural network
AU2001289049A1 (en) Method for seismic facies interpretation using textural analysis and neural networks
CN110462445A (zh) 地球物理深度学习
CN109272029B (zh) 井控稀疏表征大规模谱聚类地震相划分方法
Xiao et al. Conditioning of deep-learning surrogate models to image data with application to reservoir characterization
CN117546051A (zh) 使用s波速度模型和机器学习进行地震成像的方法和系统
EP3217354B1 (en) Seismic modeling system providing seismic survey data frequency domain inpainting and related methods
Liu et al. Simulation of complex geological architectures based on multi-stage generative adversarial networks integrating with attention mechanism and spectral normalization
EP3211594B1 (en) Seismic modeling system providing seismic survey data inpainting based upon suspect region boundary comparisons and related methods
US20210405250A1 (en) Conditioning of Surface-Based Geologic Models
CN115639605B (zh) 基于深度学习的高分辨率断层的自动识别方法和装置
CN116068644A (zh) 一种利用生成对抗网络提升地震数据分辨率和降噪的方法
CN115880455A (zh) 基于深度学习的三维智能插值方法

Legal Events

Date Code Title Description
MM4A Lapse of a eurasian patent due to non-payment of renewal fees within the time limit in the following designated state(s)

Designated state(s): AM BY KG MD TJ TM RU

MM4A Lapse of a eurasian patent due to non-payment of renewal fees within the time limit in the following designated state(s)

Designated state(s): AZ KZ