FR3057980A1 - Classification des donnees de puits a l'aide d'une machine a vecteur de support - Google Patents

Classification des donnees de puits a l'aide d'une machine a vecteur de support Download PDF

Info

Publication number
FR3057980A1
FR3057980A1 FR1758577A FR1758577A FR3057980A1 FR 3057980 A1 FR3057980 A1 FR 3057980A1 FR 1758577 A FR1758577 A FR 1758577A FR 1758577 A FR1758577 A FR 1758577A FR 3057980 A1 FR3057980 A1 FR 3057980A1
Authority
FR
France
Prior art keywords
data
category
well data
well
processing device
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
FR1758577A
Other languages
English (en)
Inventor
Thomas Batholomew O'toole
Raquel Morag Velasco
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.)
Landmark Graphics Corp
Original Assignee
Landmark Graphics 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 Landmark Graphics Corp filed Critical Landmark Graphics Corp
Publication of FR3057980A1 publication Critical patent/FR3057980A1/fr
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
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • 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
    • G01V1/288—Event detection in seismic signals, e.g. microseismics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/42—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators in one well and receivers elsewhere or vice versa
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/12—Signal generation
    • G01V2210/123—Passive source, e.g. microseismics
    • G01V2210/1234—Hydrocarbon reservoir, e.g. spontaneous or induced fracturing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/10—Aspects of acoustic signal generation or detection
    • G01V2210/14—Signal detection
    • G01V2210/142—Receiver location
    • G01V2210/1429—Subsurface, e.g. in borehole or below weathering layer or mud line
    • 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
    • G01V2210/612—Previously recorded data, e.g. time-lapse or 4D
    • G01V2210/6122—Tracking reservoir changes over time, e.g. due to production
    • 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
    • G01V2210/646—Fractures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/70—Other details related to processing
    • G01V2210/74—Visualisation of seismic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Remote Sensing (AREA)
  • Geology (AREA)
  • Acoustics & Sound (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Agronomy & Crop Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)

Abstract

Un dispositif informatique peut utiliser une machine à vecteur de support pour catégoriser des données de puits comme étant associées à un événement sonore ou à un événement microsismique. Par exemple, le dispositif informatique peut déterminer des données de puits en se basant sur des signaux de capteur provenant d'un capteur dans le puits de forage. Le dispositif informatique peut ensuite utiliser la machine à vecteur de support pour catégoriser les données de puits comme étant associées à un événement sonore ou à un événement microsismique.

Description

Domaine technique [0001] La présente divulgation concerne généralement des dispositifs utilisés avec des puits. Plus spécifiquement, mais en aucun cas de façon limitante, cette divulgation concerne l'utilisation d'une machine à vecteur de support pour classifier des données de puits.
Historique [0002] Un puits (par ex., un puits de gaz ou de pétrole) peut comprendre un puits de forage foré à travers une formation souterraine. Le puits de forage peut comporter des perforations. Le fluide peut être injecté à travers les perforations pour créer des fractures dans la formation souterraine dans un procédé appelé fracturation hydraulique. Les fractures peuvent permettre l'écoulement des hydrocarbures de la formation souterraine vers le puits de forage, à partir duquel les hydrocarbures peuvent être extraits.
Brève description des figures [0003] La figure 1 est une vue latérale en coupe transversale d'un exemple d'un puits qui comprend un dispositif informatique pour classifier des données du puits selon certains aspects.
[0004] La figure 2 est un schéma de principe d'un exemple du dispositif informatique de la figure 1 selon certains aspects.
[0005] La figure 3 est un organigramme illustrant un exemple d'un procédé pour l'apprentissage d'une machine à vecteur de support selon certains aspects.
[0006] La figure 4 est un organigramme illustrant un exemple d'un procédé pour l'utilisation d'une machine à vecteur de support pour catégoriser des données selon certains aspects.
Description détaillée [0007] Certains aspects et caractéristiques de la présente divulgation concernent la classification des données de puits qui sont associées à un événement microsismique ou à un événement sonore à l'aide d'une machine à support de vecteur. Les données de puits peuvent comprendre toutes les informations
2016-IPM-100525-U1-FR apparentées à, concernant ou associées à un puits (par ex., un puits qui est utilisé pour extraire des hydrocarbures d'une formation souterraine). Un événement microsismique peut être généré par la création d'une fracture dans la formation souterraine. Un événement sonore peut être un quelconque événement autre qu'un type d'événement souhaité, tel qu'un événement microsismique. Une machine à vecteur de support peut comprendre un modèle d'apprentissage-machine qui peut classer une entrée dans une catégorie donnée parmi de multiples catégories potentielles.
[0008] Dans certains exemples, la machine à vecteur de support peut comprendre un système de coordonnées virtuelles qui possède un nombre prédéfini de dimensions, tel que 100 dimensions. La machine à vecteur de support aura précédemment (par ex., au cours d'un procédé d'apprentissage) défini un plan qui se prolonge à travers le système de coordonnées virtuelles et sépare toutes les dimensions à l'intérieur du système de coordonnées virtuelles en soit une première région soit une seconde région. La machine à vecteur de support peut recevoir les données de puits et attribuer un point aux données de puits à l'intérieur du système de coordonnées virtuelles. Le point peut tomber à l'intérieur de la première région ou de la seconde région. La machine à vecteur de support peut ensuite classifier les données de puits comme appartenant à une catégorie associée à cette région. Par exemple, le point peut tomber à l'intérieur de la première région. La machine à support de vecteur peut ensuite classifier les données du puits comme appartenant à une catégorie associée à la première région. Dans certains exemples, la catégorie peut être une catégorie d'un événement sonore (indiquant que les données de puits sont associées à un événement sonore) ou une catégorie d'événements microsismiques (indiquant que les données du puits sont associées à un événement microsismique).
[0009] Comme exemple particulier, un opérateur de puits peut souhaiter obtenir des hydrocarbures à partir d'une formation souterraine. Afin d'obtenir des hydrocarbures, l'opérateur de puits peut réaliser une fracturation hydraulique en injectant du fluide à pression élevée dans la formation souterraine. La pression élevée du fluide peut entraîner des contraintes sur la roche dans la formation souterraine pour changer, entraînant un glissement ou un cisaillement de la roche le long d'une zone de faiblesse préexistante (par ex., une faille) et/ou pour créer une nouvelle fracture le long de laquelle un glissement peut se produire. Un tel glissement ou cisaillement peut constituer un événement microsismique. L'événement microsismique peut générer des ondes élastiques (par ex., une onde acoustique ou une onde de cisaillement) qui se propagent à travers la formation souterraine. Les ondes élastiques peuvent être
2016-IPM-100525-Ul-FR détectées à l'aide d'un réseau de géophones, et peuvent être utilisées pour déterminer des informations importantes concernant la fracture. Par exemple, les informations représentant les ondes élastiques détectées peuvent être utilisées pour générer un modèle d'une ou de plusieurs fractures se prolongeant à travers la formation souterraine. L'opérateur de puits peut compter sur ce modèle pour prendre des décisions. Mais les géophones peuvent également détecter d'autres ondes élastiques, qui peuvent être appelées des bruits, générées à la suite d'autres événements, qui peuvent être appelés des événements sonores. Des exemples de sources d'événements sonores peuvent comprendre un mouvement ou l'utilisation d'une pièce d'équipement, un tremblement de terre éloigné, etc. Les événements sonores peuvent, par inadvertance, être mal identifiés comme des événements microsismiques, entraînant des erreurs dans le modèle.
[0010] II peut s'avérer difficile de distinguer des événements sonores des événements microsismiques. Par exemple, des ondes élastiques provenant des événements microsismiques peuvent avoir des amplitudes relativement faibles, alors que le bruit généré au fond du puits et à la surface de la formation souterraine peuvent avoir des amplitudes relativement élevées. Ceci peut entraîner des rapports signal sur bruit faibles, ce qui pourrait facilement entraîner une mauvaise interprétation des événements sonores comme des événements sismiques. Dans certains cas, des experts humains peuvent manuellement examiner les données associées aux ondes élastiques pour distinguer les événements sonores des vrais événements microsismiques. Mais le procédé d'examen manuel peut être imprécis, lent, coûteux, nécessite une formation spécifique et les résultats peuvent varier selon les sensibilités des experts individuels.
[0011] Certains exemples de la présente divulgation surmontent un ou plusieurs de ces problèmes en utilisant une machine à vecteur de support pour faire la distinction entre les événements sonores et les événements microsismiques. Par exemple, les machines à vecteur de support peuvent être plus polyvalentes et plus précises que d'autres procédés. Les machines à vecteur de support peuvent fonctionner avec divers types d'entrées, tels que des observations brutes (par ex., des traces sismiques ou d'autres données brutes provenant d'un capteur) ou des données dérivées des observations brutes (par ex., des images, telles que des images sismiques). Les machines à vecteur de support peuvent également avoir une construction et un apprentissage relativement simples en comparaison à d'autres types de procédés d'apprentissage-machine, tels que des réseaux neuraux. Ceci peut rendre les machines à vecteur de support particulièrement bien appropriées pour l'analyse des données (par ex., en temps réel) en utilisant des ressources informatiques limitées, telles que les
2016-IPM-100525-U1-FR ressources informatiques disponibles au niveau du site.
[0012] En outre, les machines à vecteur de support peuvent être moins chères et plus rapides que d'autres procédés. Par exemple, un jeu de données de 8000 événements (par ex., des événements sonores et des événements microsismiques) peut être classifié en moins de 5 minutes à l'aide d'une machine à vecteur de support. Un expert humain pourrait probablement classifier seulement cinq événements au cours de cette même période de temps.
[0013] Ces exemples illustratifs sont donnés afin de présenter au lecteur l'objet général décrit ici et ils ne sont pas destinés à limiter la portée des concepts divulgués. Les sections suivantes décrivent diverses autres caractéristiques et exemples en référence aux dessins parmi lesquels des chiffres identiques désignent des éléments identiques, et les descriptions de direction servent à décrire les aspects illustratifs mais, comme les aspects illustratifs, ne doivent pas servir à limiter la présente description.
[0014] La figure 1 est une vue latérale en coupe transversale d'un exemple d'un puits 100 qui comprend un dispositif informatique 108 pour classifier des données du puits selon certains aspects. Le puits 100 peut comprendre des puits de forage 102a-b se prolongeant à travers diverses couches terrestres qui forment une formation souterraine 104. Les puits de forage 102a-b peuvent être verticaux, inclinés, horizontaux, ou une quelconque combinaison de ceux-ci.
[0015] Dans certains exemples, la fracturation hydraulique peut être réalisée dans le puits 100 pour générer une fracture 112. Par exemple, un fluide peut être pompé à travers les perforations dans le puits de forage 102a pour créer la fracture 112. La fracture 112 peut permettre l'écoulement des hydrocarbures de la formation souterraine 104 vers le puits de forage 102a. La création de la fracture 112 peut entraîner des événements microsismiques qui génèrent des ondes élastiques 114 qui se propagent à travers la formation souterraine 104.
[0016] Les ondes élastiques 114 peuvent être détectées par un ou plusieurs capteurs 110a-d (par ex., un microphone ; un accéléromètre ; un géophone ;
un capteur de fibre optique en réseau, tel qu'un capteur acoustique en réseau ; un inclinomètre ; ou une quelconque combinaison de ceux-ci). Dans certains exemples, au moins l'un des capteurs 110a-d peut être positionné au niveau de la surface 106 de la formation souterraine 104, comme il est démontré par le capteur 110a situé en surface
106. En outre ou par ailleurs, au moins l'un des capteurs 110a-d peut être positionné dans un puits de forage 102b proche, comme il est démontré par les capteurs 110b-d situés dans le puits de forage 102b qui se trouve à une certaine distance du puits de 4
2016-IPM-100525-U1-FR forage 102a. La distance peut varier, mais dans certains exemples, le puits de forage 102b peut être un puits de forage qui est le plus proche, parmi de multiple puits de forage, du puits de forage 102a. En outre ou par ailleurs, au moins un des capteurs 110a-d peut être positionné dans le puits de forage 102a lui-même. Dans certains exemples, tous les capteurs 110a-d peuvent être positionnés dans le puits de forage 102a.
[0017] Les capteurs 110a-d peuvent être couplés en communication au dispositif informatique 108 à travers une liaison sur fil ou sans fil. Le dispositif informatique 108 peut recevoir des données du capteur à partir des capteurs 110a-d. Le dispositif informatique 108 peut déterminer des données de puits à partir des données du capteur. Le dispositif informatique 108 peut utiliser une machine à vecteur de support pour analyser les données de puits. Par exemple, le dispositif informatique 108 peut utiliser la machine à vecteur de support pour catégoriser les données de puits comme étant associées à un événement sonore ou à un type d'événement souhaité (par ex., un événement microsismique). Le dispositif informatique 108 peut en outre ou par ailleurs utiliser d'autres types de classificateurs pour classifier les données de puits. Des exemples d'autres types de classificateur peuvent comprendre un réseau neural, un classificateur Naïve-Bayes, un arbre de décision, un classificateur du voisin le plus proche, un classificateur à arborescence aléatoire, ou une quelconque combinaison de ceux-ci.
[0018] La figure 2 est un schéma de principe d'un exemple du dispositif informatique 108 de la figure 1 selon certains aspects. Le dispositif informatique 108 peut comprendre un processeur 204, une mémoire 208, un bus 206 et un dispositif de communication 222. Dans certains exemples, certains ou tous les composants illustrés dans la figure 2 peuvent être intégrés dans une structure unique, telle qu'un boîtier unique. Dans d'autres exemples, certains ou tous les composants illustrés dans la figure 2 peuvent être distribués (par ex., dans des boîtiers distincts) et en communication électrique les uns avec les autres.
[0019] Le processeur 204 peut exécuter une ou plusieurs opérations pour la classification des données de puits. Le processeur 204 peut exécuter des instructions stockées dans la mémoire 208 pour réaliser les opérations. Le processeur 204 peut comprendre un dispositif de traitement ou de multiples dispositifs de traitement. Des exemples non limitant de dispositif du processeur 204 comprennent un réseau de portes programmables de terrain (FPGA), un circuit intégré spécifique à une application (ASIC), un microprocesseur, etc.
2016-IPM-100525-U1-FR [0020] Le processeur 204 peut être couplé en communication à la mémoire 208 à travers le bus 206. La mémoire non volatile 208 peut comprendre un quelconque type de dispositif de mémoire qui conserve les informations stockées lorsqu'il est éteint. Des exemples non limitant du dispositif de mémoire 208 comprennent une mémoire morte programmable et effaçable électriquement (« EEPROM »), une mémoire flash, ou un quelconque autre type de mémoire non volatile. Dans certains exemples, au moins une certaine partie de la mémoire 208 peut comprendre un support à partir duquel le processeur 204 peut lire les instructions. Un support lisible par ordinateur peut comprendre des dispositifs de stockage électronique, optique, magnétique ou d'autres types de dispositifs de stockage qui peuvent fournir au processeur 204 des instructions lisibles par ordinateur ou d'autres codes de programme. Des exemples non limitants de support lisible par ordinateur comprennent (mais sans limitation) un ou des disques magnétiques, une ou des puces de mémoire, une mémoire morte (ROM), une mémoire vive (RAM), un ASIC, un processeur configuré, un stockage optique, ou un quelconque autre support à partir duquel un processeur d'ordinateur peut lire des instructions. Les instructions peuvent comprendre des instructions spécifiques à un processeur générées par un compilateur ou un interpréteur à partir du code écrit dans un quelconque langage de programmation informatique, comprenant, par ex. le langage C, C++, C#, etc.
[0021] Le dispositif de communication 222 peut être mis en place à l'aide de matériel, de logiciels, ou des deux. Le dispositif de communication 222 peut recevoir des communications provenant de, et transmettre des communications vers, un capteur (par ex., les capteurs 110a-d de la figure 1). Le dispositif de communication 222 peut comprendre une interface câblée ou non pour la communication avec le capteur. Par exemple, le dispositif de communication 222 peut comprendre une antenne 224 pour une communication sans fil avec le capteur. Dans certains exemples, le dispositif de communication 222 peut comprendre un matériel ou un logiciel configuré pour permettre au dispositif de communication 222 de recevoir des signaux provenant du capteur et pour amplifier, filtrer, moduler, démoduler, changer la fréquence et autrement manipuler les signaux. Le dispositif de communication 222 peut transmettre les signaux manipulés vers le processeur 204 pour d'autres traitements.
[0022] La mémoire 208 peut comprendre une machine à vecteur de support 210 ou un autre type de classificateur pour catégoriser les données de puits. Des exemples d'autres types de classificateur peuvent comprendre un réseau neural, un classificateur Naïve-Bayes, un arbre de décision, un classificateur du voisin le plus
2016-IPM-100525-U1-FR proche, un classificateur à arborescence aléatoire, ou une quelconque combinaison de ceux-ci.
[0023] Dans certains exemples, on fait l'apprentissage de la machine à vecteur de support 210 avant que la machine à vecteur de support 210 ne soit utilisée pour classifier les données de puits. La figure 3 est un organigramme illustrant un exemple d'un procédé pour l'apprentissage de la machine à vecteur de support 210 selon certains aspects. Certains exemples peuvent comprendre plus d’étapes, moins d’étapes que les étapes illustrées dans la figure 3 ou différentes étapes. Mais également, certains exemples peuvent implémenter les étapes du procédé dans un ordre différent. Les étapes suivantes sont décrites en référence aux composants illustrés ci-dessus par rapport à la figure 2, mais d'autres implémentations sont possibles.
[0024] Au niveau du bloc 302, le dispositif informatique 108 reçoit les données de puits. Des exemples de données de puits peuvent comprendre des données sismiques (par ex., des traces sismiques), des données du mouvement du sol, des données de vibration, des données acoustiques, des données de température, des données de pression, ou une quelconque combinaison de celles-ci. Dans certains exemples, le dispositif informatique 108 peut recevoir les données de puits à partir d'un capteur (par ex., les capteurs 110a-d de la figure 1) dans le puits. Par exemple, le dispositif informatique 108 peut recevoir les données sismiques ou les données sur le mouvement du sol à partir d'un géophone, les données sur la température à partir d'un thermomètre, les données sur la pression à partir d'un manomètre, etc. Comme autre exemple, le dispositif informatique 108 peut recevoir des données de puits à partir d'un capteur de fibre optique. Dans certains exemples, les données de puits peuvent être associées à un événement microsismique ou à un autre événement se produisant dans le puits de forage ou dans une formation souterraine environnante.
[0025] En outre ou par ailleurs, le dispositif informatique 108 peut recevoir les données de puits sous forme d'une saisie de l'utilisateur ou à travers un réseau. Par exemple, le dispositif informatique peut télécharger les données de puits à travers l'Internet, ou recevoir les données de puits sous forme d'une saisie de l'utilisateur à travers un clavier ou un écran tactile.
[0026] Dans certains exemples, l'utilisateur peut créer ou autrement fournir des données synthétiques pour une utilisation comme les données de puits. L'utilisateur peut créer ou autrement fournir les données synthétiques dans le but de faire l'apprentissage de la machine à vecteur de support.
[0027] Dans certains exemples, les données comprennent des 7
2016-IPM-100525-U1-FR images, telles que des images microsismiques associées aux événements microsismiques. Les images peuvent être formées à l'aide des données synthétiques ou des signaux de capteur provenant des capteurs dans le puits. Les images peuvent être formées dans le but de faire l'apprentissage de la machine à vecteur de support.
[0028] Au niveau du bloc 304, le dispositif informatique 108 prétraite les données de puits. Par exemple, le dispositif informatique 108 peut modifier les données de puits en une nouvelle forme ou une forme différente et utiliser les données de puits modifiées comme les données de puits. Par exemple, le dispositif informatique 108 peut filtrer, lisser, rassembler, combiner, diviser, ou autrement modifier les données de puits jusqu'à ce que les données de puits soient dans le format souhaité. Le dispositif informatique 108 peut ensuite utiliser les données de puits dans le format souhaité comme les données de puits.
[0029] Dans certains exemples, le dispositif informatique 108 peut utiliser les données de puits pour générer des volumes d'images, des sous-piles de forme d'onde, une image à migration par diffraction-empilement, ou une quelconque combinaison de ceux-ci. Dans certains exemples, un volume d'images peut comprendre un réseau de valeurs scalaires en N-dimensions correspondant aux amplitudes empilées (ou d'autres attributs) à chaque point spatio-temporel dans un volume souterrain d'intérêt. Le volume de l'image peut être transformé en un réseau en 1 dimension (par ex., vectorisé) afin d'être utilisé par la machine à vecteur de support. Dans certains exemples, une sous-pile de forme d'onde peut comprendre une sommation d'un groupe de traces sismiques (ou d'autres) à partir d'une sélection d'emplacements de capteur qui a été réalisée selon des critères prédéterminés (par ex., la distance ou l'azimut à partir d'un événement microsismique). Une trace sismique peut comprendre des données provenant d'un géophone ou d'un autre capteur qui mesure le mouvement du sol. La sous-pile de forme d'onde peut mettre en évidence des signaux cohérents qui indiquent un événement microsismique versus des signaux sonores incohérents. Dans certains exemples, une image à migration par diffraction-empilement peut constituer une représentation visuelle d'un emplacement d'un événement microsismique qui s'est produit dans une formation souterraine. L'image à migration par diffraction-empilement peut être produite en appliquant une opération mathématique (par ex., une sommation) à un jeu de traces sismiques après une correction du temps de trajet qui a été appliquée aux traces sismiques. La correction du temps de trajet peut comprendre l'enlèvement, la compensation, ou autrement la correction d'un retard de temps entre un événement microsismique qui s'est produit et qui a généré une onde élastique et lorsqu'un capteur
2016-IPM-100525-U1-FR détecte réellement l'onde élastique.
[0030] Par exemple, le dispositif informatique 108 peut recevoir des signaux du capteur provenant des géophones et générer un volume d'image vectorisé, une sous-pile de forme d'onde, une image à migration par diffraction-empilement, ou une quelconque combinaison de ceux-ci basé sur les signaux du capteur. Le dispositif informatique 108 peut utiliser le volume d'image vectorisé, la sous-pile de forme d'onde, l'image à migration par diffraction-empilement, ou une quelconque combinaison de ceuxci comme données de puits.
[0031 ] Au niveau du bloc 306, le dispositif informatique 108 divise les données de puits (par ex., les données prétraitées) en un jeu de données d'apprentissage et un jeu de données de validation. Par exemple, le dispositif informatique 108 peut attribuer la moitié des données de puits pour une utilisation comme jeu de données d'apprentissage et l'autre moitié des données de puits pour une utilisation comme jeu de données de validation. Le jeu de données d'apprentissage peut être utilisé pour l'apprentissage de la machine à vecteur de support. Le jeu de données de validation peut être utilisé pour déterminer la précision de la machine à vecteur de support après apprentissage de la machine à vecteur de support (par ex., comme il est décrit dans le bloc 312).
[0032] Par ailleurs, le dispositif informatique 108 peut utiliser des données générées synthétiquement comme le jeu de données d'apprentissage, le jeu de données de validation, ou les deux de ceux-ci. Par exemple, le dispositif informatique 108 utilise un jeu de données d'apprentissage qui a été artificiellement généré pour faire l'apprentissage de la machine à vecteur de support (par ex., avant l'acquisition de quelconques données de puits réelles).
[0033] Dans certains exemples, la quantité de données dans le jeu de données d'apprentissage ou le type de données dans le jeu de données d'apprentissage peut dépendre de la variabilité attendue des données de puits ultérieures qui doivent être catégorisées par la machine à vecteur de support. De meilleurs résultats peuvent être obtenus si le jeu de données d'apprentissage a le même degré de variation attendue que dans les données de puits ultérieures.
[0034] Au niveau du bloc 308, le dispositif informatique 108 peut attribuer un résultat souhaité à chaque élément dans le jeu des données d'apprentissage.
Par exemple, le dispositif informatique 108 peut recevoir une saisie de l'utilisateur identifiant chaque élément respectif dans le jeu de données d'apprentissage comme étant associé à un événement sonore ou un événement souhaité (par ex., un événement
2016-IPM-100525-U1-FR microsismique). En se basant sur la saisie par l'utilisateur, le dispositif informatique 108 peut marquer chaque élément respectif dans le jeu de données d'apprentissage comme un événement sonore ou un événement souhaité. Par exemple, le dispositif informatique 108 peut associer chaque élément respectif dans le jeu de données d'apprentissage à un événement sonore ou à un événement microsismique. De cette façon, le jeu de données d'apprentissage peut être formé à l'aide d'une annotation manuelle.
[0035] Comme un exemple particulier, le jeu de données d'apprentissage peut comprendre des volumes d'image vectorisés des événements microsismiques. Le dispositif informatique 108 peut recevoir une saisie de l'utilisateur indiquant si chaque volume d'image vectorisé est associé ou non à un événement microsismique ou à un événement sonore. Le dispositif informatique 108 peut ensuite catégoriser chaque volume d'image vectorisé dans le jeu de données d'apprentissage comme étant associée à un événement microsismique ou à un événement sonore en se basant sur la saisie de l'utilisateur correspondante.
[0036] Au niveau du bloc 310, le dispositif informatique 108 utilise le jeu de données d'apprentissage pour faire l'apprentissage de la machine à vecteur de support. L'apprentissage de la machine à vecteur de support peut comprendre la saisie des données d'apprentissage dans la machine à vecteur de support de sorte que la machine à vecteur de support puisse définir un mappage entre les éléments dans les données d'apprentissage et leurs résultats souhaités. La machine à vecteur de support peut analyser chaque élément dans les données d'apprentissage pour identifier des caractéristiques de l'élément qui sont importantes, et peut déterminer la pondération à attribuer à chacune de ces caractéristiques pour obtenir le résultat souhaité correspondant. Dans certains exemples, la machine à support de vecteur peut identifier, et attribuer des pondérations à, plus de caractéristiques pertinentes que ne peut un être humain. Ainsi, le mappage défini par la machine à vecteur de support peut être plus complexe, plus précis et prendre en compte plus de caractéristiques que le jugement humain (par ex., le jugement humain sur lequel la classification des données d'apprentissage a été originellement basé).
[0037] Plus spécifiquement, l'apprentissage de la machine à vecteur de support peut comprendre la fourniture du jeu de données d'apprentissage comme entrée à la machine à vecteur de support. La machine à vecteur de support peut déterminer des points respectifs dans un système de coordonnées virtuelles (par ex., un espace vectoriel) pour chaque élément dans le jeu de données d'apprentissage basé sur les caractéristiques de l'élément. Par exemple, chaque élément dans le jeu de données
2016-IPM-100525-Ul-FR d'apprentissage peut être une image qui a une taille de 10 pixels sur 10. La machine à vecteur de support peut représenter chacun des 100 pixels dans une image comme une dimension dans le système de coordonnées virtuelles (par ex., un espace vectoriel), de sorte qu'il y ait 100 dimensions dans le système de coordonnées virtuelles. La machine à vecteur de support peut déterminer un point particulier pour une image particulière dans le jeu de données d'apprentissage basé sur les valeurs des pixels dans l'image. La machine à vecteur de support peut répéter ce procédé pour définir des points dans le système de coordonnées virtuelles pour certaines ou toutes les images dans le jeu de données d'apprentissage. Après quoi, la machine à vecteur de support peut définir (par ex., définir optimalement) un ou plusieurs plans (par ex., des hyperplans) qui se prolongent à travers le système de coordonnées virtuelles, séparant les points en groupe de points. La machine à vecteur de support peut définir l'un ou les plusieurs plans en se basant sur la catégorie respective associée à chaque point (par ex., la catégorie respective associée à l'élément dans le jeu de données d'apprentissage représenté par le point). Chaque groupe de points défini par l'un ou les plusieurs plans peut représenter une catégorie dans laquelle les entrées futures peuvent être classifiées.
[0038] L'apprentissage d'une machine à vecteur de support à l'aide du jeu de données d'apprentissage peut être appelé un apprentissage supervisé. Certains exemples peuvent ne pas comprendre un jeu de données d'apprentissage qui est manuellement annoté. Dans de tels exemples, on peut faire l'apprentissage de la machine à vecteur de support en utilisant un jeu de données qui a été annoté ou classifié à l'aide d'un procédé d'apprentissage non supervisé, tel qu'un procédé d'apprentissage basé sur le regroupement. Une quelconque approche supervisée ou non supervisée appropriée pour l'apprentissage de la machine à vecteur de support peut être utilisée.
[0039] Au niveau du bloc 312, le dispositif informatique 108 valide la machine à vecteur de support à l'aide du jeu de données de validation. Le dispositif informatique 108 peut également syntoniser la machine à vecteur de support pour augmenter la précision de la machine à vecteur de support.
[0040] Par exemple, le dispositif informatique 108 peut fournir le jeu de données de validation comme entrée à la machine à vecteur de support. Un utilisateur peut manuellement analyser la sortie provenant de la machine à vecteur de support pour déterminer si la sortie est correcte ou non. Si la sortie est erronée, l'utilisateur peut fournir une entrée au dispositif informatique 108 pour syntoniser un ou plusieurs paramètres de la machine à vecteur de support. Le dispositif informatique 108 peut recevoir la saisie de l'utilisateur et, en réponse, modifier l'un ou les plusieurs paramètres de la machine à
2016-IPM-100525-U1-FR vecteur de support. Ceci peut augmenter la précision des classifications produites par la machine à vecteur de support.
[0041] La figure 4 est un organigramme illustrant un exemple d'un procédé pour l'utilisation d'une machine à vecteur de support pour catégoriser des données selon certains aspects. Certains exemples peuvent comprendre plus d’étapes, moins d’étapes que les étapes illustrées dans la figure 4 ou des étapes différentes. Mais également, certains exemples peuvent implémenter les étapes du procédé dans un ordre différent. Les étapes suivantes sont décrites en référence aux composants illustrés cidessus par rapport à la figure 2, mais d'autres implémentations sont possibles.
[0042] Au niveau du bloc 402, le dispositif informatique 108 reçoit un signal de capteur provenant d'un capteur dans un puits (par ex., les capteurs 110a-d de la figure 1). Le signal de capteur peut être sous forme analogique ou sous forme numérique. Dans certains exemples, le signal de capteur peut être associé à un événement microsismique dans une formation souterraine.
[0043] Au niveau du bloc 404, le dispositif informatique 108 détermine les données de puits en se basant sur le signal de capteur (par ex., les données de puits peuvent être dérivées de ou obtenues du signal de capteur). Dans certains exemples, le dispositif informatique 108 peut extraire les données de puits à partir du signal de capteur. Par exemple, les données de puits peuvent comprendre une amplitude, une fréquence, une durée, une forme d'onde, ou une quelconque combinaison de ceux-ci, du signal de capteur. Comme autre exemple, les données de puits peuvent comprendre des informations numériques transportées par le signal de capteur.
[0044] En outre ou par ailleurs, le dispositif informatique 108 peut traiter le signal de capteurs pour déterminer les données de puits. Par exemple, le dispositif informatique 108 peut filtrer, lisser, rassembler, combiner, diviser, ou autrement manipuler les données de puits pour générer ou déterminer les données de puits.
[0045] En outre ou par ailleurs, le dispositif informatique 108 peut générer une image en se basant sur le signal de capteur. Par exemple, le dispositif informatique peut générer un volume d'image vectorisé, une sous-pile de forme d'onde, une image microsismique, ou une quelconque combinaison de ceux-ci basé sur le signal du capteur. Le dispositif informatique 108 peut utiliser l'image comme les données de puits.
[0046] Au niveau du bloc 406, le dispositif informatique 108 utilise une machine à vecteur de support pour classifier les données de puits. On aurait pu faire l'apprentissage de la machine à vecteur de support en utilisant un quelconque des
2016-IPM-100525-Ul-FR procédés présentés par rapport à la figure 3. Dans certains exemples, la machine à vecteur de support peut classifier les données de puits en catégorie donnée parmi au moins deux catégories. Les au moins deux catégories peuvent comprendre une première catégorie qui est associée à un événement sonore et une seconde catégorie qui est associée à un type d'événement (par ex., un événement microsismique). Dans certains exemples, la machine à vecteur de support peut classifier les données de puits en une catégorie donnée parmi trois ou plusieurs catégories possibles.
[0047] Dans certains exemples, le dispositif informatique 108 peut produire une catégorie pour les données de puits, stocker les données de puits dans une base de données associée à la catégorie, ou les deux. Par exemple, le dispositif informatique 108 peut stocker des données de puits associées à un événement sonore dans une base de données et des données de puits associées à un événement microsismique dans une autre base de données.
[0048] Dans certains exemples, le dispositif informatique 108 peut recevoir une saisie de l'utilisateur indiquant si une sortie de la machine à vecteur de support est correcte ou non. Le dispositif informatique 108 peut utiliser la saisie de l'utilisateur comme rétroaction pour faire un nouvel apprentissage de la machine à vecteur de support. Par exemple, le dispositif informatique 108 peut recevoir une saisie de l'utilisateur à partir d'un clavier, d'une souris, d'un écran tactile ou d'une interface utilisateur graphique indiquant qu'une sortie donnée provenant de la machine à vecteur de support est erronée. La sortie donnée peut être pour une entrée donnée. En se basant sur le fait que la sortie est erronée, le dispositif informatique 108 peut générer des données d'apprentissage additionnelles en associant l'entrée de données avec la sortie correcte. Le dispositif informatique 108 peut ensuite utiliser les données d'apprentissage additionnelles pour de nouveau faire l'apprentissage de la machine à vecteur de support.
[0049] Même si certains des procédés et exemples susmentionnés sont décrits en référence aux données de puits et aux puits d'hydrocarbures, d'autres exemples peuvent être implémentés pour la classification des données associées aux événements microsismiques qui se sont produits dans d'autres types de systèmes. Par exemple, les données associées aux événements microsismiques qui se sont produits dans un système géothermique, un système des eaux usées, un système de séquestration de carbone, ou une quelconque combinaison de ceux-ci peuvent être analysées et classifiées selon un ou plusieurs des procédés présentés ci-dessus.
[0050] Mais également, même si certains des procédés et exemples susmentionnés sont décrits en référence à une machine à vecteur de support, certains
2016-IPM-l 00525-U1-FR ou tous les procédés et exemples peuvent, par ailleurs, être implémentés en utilisant un autre type de classificateur, tel qu'un réseau neural.
[0051] Dans certains aspects, les données de puits peuvent être classifiés selon l'un ou plusieurs des exemples suivants :
[0052] Exemple no. 1 : un système peut comprendre un dispositif de traitement et un dispositif de mémoire qui comprend des instructions pour une machine à vecteur de support qui sont exécutables par le dispositif de traitement pour la classification des données de puits dans une catégorie donnée parmi une première catégorie associée à un événement sonore et une seconde catégorie associée à un événement microsismique. Les données de puits peuvent être dérivées d'un capteur au niveau du site du puits ou dans un puits de forage. L'événement microsismique aurait pu se produire, ou peut se produire, dans une formation souterraine à travers laquelle le puits de forage est formé.
[0053] Exemple no. 2 : le système de l'Exemple no. 1 peut comporter le fait que le dispositif de mémoire comprend également des instructions qui sont exécutables par un dispositif de traitement pour amener le dispositif de traitement à générer une image basée sur un signal de capteur provenant d'un capteur, et l'utilisation de l'image comme données de puits.
[0054] Exemple no. 3 : le système de l'un quelconque des Exemples no. 1 à 2 peut comporter le fait que le dispositif de mémoire comprend également des instructions qui sont exécutables par le dispositif de traitement. Les instructions peuvent amener le dispositif de traitement à stocker les données de puits dans une première base de données en se basant sur les données de puits qui sont classifiées dans une première catégorie. Les instructions peuvent amener le dispositif de traitement à stocker les données de puits dans une seconde base de données en se basant sur les données de puits qui sont classifiées dans une seconde catégorie.
[0055] Exemple no. 4 : le système de l'un quelconque des Exemples no. 1 à 3 peut comporter le fait que le dispositif de mémoire comprend également des instructions qui sont exécutables par le dispositif de traitement. Les instructions peuvent amener le dispositif de traitement à recevoir un jeu de données qui comprend des images associées aux événements microsismiques. Les instructions peuvent amener le dispositif de traitement à recevoir une saisie par l'utilisateur désignant chaque image dans le jeu de données comme étant associée à un événement sonore ou à un événement microsismique. Les instructions peuvent amener le dispositif de traitement à générer des données d'apprentissage en marquant chaque image dans le jeu de données comme
2016-IPM-100525-U1-FR étant associée à l'événement sonore ou à l'événement microsismique en se basant sur la saisie par l'utilisateur. Les instructions peuvent amener le dispositif de traitement à faire l'apprentissage de la machine à vecteur de support en utilisant les données d'apprentissage.
[0056] Exemple no. 5 : le système de l'un quelconque des Exemples no. 1 à 4 peut comporter le fait que le dispositif de mémoire comprend également des instructions qui sont exécutables par le dispositif de traitement. Les instructions peuvent amener le dispositif de traitement à recevoir une saisie de l'utilisateur (par ex., une saisie additionnelle de l'utilisateur) indiquant qu'une sortie provenant de la machine à vecteur de support est erronée. Les instructions peuvent amener le dispositif de traitement à, en se basant sur la sortie qui est une sortie erronée, générer des données d'apprentissage (par ex., des données d'apprentissage additionnelles) en associant une entrée correspondant à la sortie erronée avec une sortie correcte. Les instructions peuvent amener le dispositif de traitement à faire l'apprentissage de la machine à vecteur de support en utilisant les données d'apprentissage (par ex., les données d'apprentissage additionnelles).
[0057] Exemple no. 6 : Le système de l'un quelconque des Exemples no. 1 à 5 peut comporter l'événement microsismique comprenant (ou découlant de) la formation d'une fracture dans la formation souterraine. Les données de puits peuvent être associées aux ondes élastiques générées par l'événement microsismique.
[0058] Exemple no. 7 : le système de l'un quelconque des Exemples no. 1 à 6 peut comporter le fait que le dispositif de mémoire comprend également des instructions qui sont exécutables par le dispositif de traitement pour amener le dispositif de traitement à classifier les données de puits à l'aide d'une machine à vecteur de support. Le dispositif de traitement peut attribuer un point dans un système de coordonnées virtuelles aux données de puits en se basant sur les caractéristiques des données de puits. Le dispositif de traitement peut déterminer une catégorie associée à un emplacement du point dans le système de coordonnées virtuelles. La catégorie peut être la première catégorie ou la seconde catégorie. Le dispositif de traitement peut classifier les données de puits comme étant dans la catégorie.
[0059] Exemple no. 8 : un procédé peut comprendre la détermination, par un dispositif de traitement, des données de puits basée sur un signal de capteur provenant d'un capteur au niveau d'un site de puits ou dans un puits de forage. Le procédé peut comprendre la classification, par le dispositif de traitement et à l'aide d'une machine à vecteur de support, les données de puits dans une catégorie donnée
2016-IPM-100525-U1-FR parmi une première catégorie associée à un événement sonore et une seconde catégorie associée à un événement microsismique.
[0060] Exemple no. 9 : le procédé de l'Exemple no. 8 peut comporter la détermination des données de puits en générant une image basée sur le signal de capteur et en utilisant l'image comme les données de puits.
[0061] Exemple no. 10 : le procédé de l'un quelconque des Exemples no. 8 à 9 peut comporter le stockage des données de puits dans une première base des données basé sur les données de puits étant associées à un événement sonore.
[0062] Exemple no. 11 : le procédé de l'un quelconque des Exemples no. 8 à 10 peut comporter la réception d'un jeu de données qui comprend des images associées aux événements microsismiques. Le procédé peut également comporter la réception d'une saisie par l'utilisateur désignant chaque image dans le jeu de données comme étant associée à l'événement sonore ou à l'événement microsismique. Le procédé peut comprendre la génération des données d'apprentissage en marquant chaque image dans le jeu de données comme étant associée à l'événement sonore ou à l'événement microsismique en se basant sur la saisie par l'utilisateur. Le procédé peut comporter l'apprentissage de la machine à support de vecteur à l'aide des données d'apprentissage.
[0063] Exemple no. 12 : le procédé de l'un quelconque des Exemples no. 8 à 11 peut comprendre la réception de la saisie par l'utilisateur (par ex., une saisie par l'utilisateur additionnel) indiquant qu'une sortie provenant de la machine à vecteur de support est erronée. Le procédé peut comporter, en se basant sur la sortie qui est une sortie erronée, la génération des données d'apprentissage (par ex., des données d'apprentissage additionnelles) en associant une entrée correspondant à la sortie erronée avec une sortie correcte. Le procédé peut comporter l'apprentissage de la machine à support de vecteur à l'aide des données d'apprentissage (par ex., les données d'apprentissage additionnelles).
[0064] Exemple no. 13 : le procédé de l'un quelconque des Exemples no. 8 à 12 peut comporter le fait que le puits de forage est destiné à l'extraction des hydrocarbures à partir d'une formation souterraine. Le procédé peut comporter le fait que le capteur est un géophone. Le procédé peut comporter l'événement microsismique comprenant (ou découlant de) la formation d'une fracture dans la formation souterraine. Le procédé peut également comporter le fait que les données de puits sont associées aux ondes élastiques générées par l'événement microsismique.
2016-IPM-100525-U1-FR [0065] Exemple no. 14 : le procédé de l'un quelconque des Exemples no. 8 à 13 peut comporter le fait de classifier les données de puits à l'aide d'une machine à vecteur de support. Le procédé peut comporter l'attribution d'un point dans un système de coordonnées virtuelles aux données de puits en se basant sur les caractéristiques des données de puits. Le procédé peut comporter la détermination d'une catégorie associée à un emplacement du point dans le système de coordonnées virtuelles. La catégorie peut être la première catégorie ou la seconde catégorie. Le procédé peut comporter la classification des données de puits comme étant dans la catégorie.
[0066] Exemple no. 15: un support non transitoire lisible par ordinateur qui comprend des instructions pour une machine à vecteur de support qui sont exécutables par un dispositif de traitement pour la classification des données de puits dans une catégorie donnée parmi une première catégorie associée à un événement sonore et une seconde catégorie associée à un événement microsismique. Les données de puits peuvent être dérivées d'un capteur au niveau du site du puits ou dans un puits de forage.
[0067] Exemple no. 16 : le support non transitoire lisible par ordinateur de l'Exemple no. 15 peut également comporter des instructions qui sont exécutables par un dispositif de traitement pour amener le dispositif de traitement à générer une image basée sur un signal de capteur provenant d'un capteur et l'utilisation de l'image comme données de puits.
[0068] Exemple no. 17 : le support non transitoire lisible par ordinateur d'un quelconque des Exemples no. 15 à 16 peut également comprendre des instructions exécutables par le dispositif de traitement pour amener le dispositif de traitement à stocker les données de puits dans une première base de données basée sur les données de puits étant classifiées dans la première catégorie. Les instructions peuvent amener le dispositif de traitement à stocker les données de puits dans une seconde base de données en se basant sur les données de puits qui sont classifiées dans la seconde catégorie.
[0069] Exemple no. 18: le support non transitoire lisible par ordinateur d'un quelconque des Exemples no. 15 à 17 peut également comprendre des instructions exécutables par le dispositif de traitement pour amener le dispositif de traitement à recevoir un jeu de données qui comprend des images associées aux événements microsismiques. Les instructions peuvent amener le dispositif de traitement à recevoir une saisie par l'utilisateur désignant chaque image dans le jeu de données
2016-IPM-l 00525-U1-FR comme étant associée à l’événement sonore ou à l’événement microsismique. Les instructions peuvent amener le dispositif de traitement à générer des données d'apprentissage en marquant chaque image dans le jeu de données comme étant associée à l'événement sonore ou à l'événement microsismique en se basant sur la saisie par l'utilisateur. Les instructions peuvent amener le dispositif de traitement à faire l'apprentissage de la machine à vecteur de support en utilisant les données d'apprentissage.
[0070] Exemple no. 19: le support non transitoire lisible par ordinateur d'un quelconque des Exemples no. 15 à 18 peut également comprendre des instructions exécutables par le dispositif de traitement pour amener le dispositif de traitement à recevoir une saisie par l'utilisateur additionnelle indiquant qu'une sortie provenant de la machine à vecteur de support est erronée. Les instructions peuvent amener le dispositif de traitement, en se basant sur la sortie qui est une sortie erronée, à générer des données d'apprentissage additionnelles en associant une entrée correspondant à la sortie erronée avec une sortie correcte. Les instructions peuvent amener le dispositif de traitement à faire l'apprentissage de la machine à vecteur de support en utilisant les données d'apprentissage additionnelles.
[0071] Exemple no. 19: le support non transitoire lisible par ordinateur d'un quelconque des Exemples no. 15 à 18 peut comporter l'événement microsismique comprenant la formation d'une fracture dans la formation souterraine. Les données de puits peuvent être associées aux ondes élastiques générées par l'événement microsismique. Le support non transitoire lisible par ordinateur peut également comprendre des instructions exécutables par le dispositif de traitement pour amener le dispositif de traitement à classifier les données de puits à l'aide de la machine à vecteur de support. Les instructions peuvent amener le dispositif de traitement à utiliser la machine à vecteur de support pour attribuer un point dans un système de coordonnées virtuelles aux données de puits en se basant sur les caractéristiques des données de puits. Les instructions peuvent amener le dispositif de traitement à utiliser la machine à vecteur de support pour déterminer une catégorie associée à un emplacement du point dans le système de coordonnées virtuelles. La catégorie peut être la première catégorie ou la seconde catégorie. Les instructions peuvent amener le dispositif de traitement à utiliser la machine à vecteur de support pour classifier les données de puits comme étant dans la catégorie.
[0072] La description précédente de certains exemples, y compris les exemples illustrés, a été présentée seulement dans un but illustratif et il n'est pas
2016-IPM-100525-U1-FR envisagé que la description soit exhaustive ou qu'elle limite la description des formes précises décrites. De nombreuses modifications, adaptations et utilisations de celle-ci seront apparentes à un spécialiste du domaine sans s'écarter de la portée de la divulgation.
2016-IPM-100525-U1-FR

Claims (17)

  1. Revendications
    1. Système comprenant :
    un dispositif de traitement ; et un dispositif de mémoire qui comprend des instructions pour une machine à vecteur de support qui sont exécutables par le dispositif de traitement pour la classification des données de puits provenant d'un capteur au niveau d'un site de puits ou d'un puits de forage dans une catégorie donnée parmi une première catégorie associée à un événement sonore et une seconde catégorie associée à un événement microsismique se produisant dans une formation souterraine à travers laquelle un puits de forage est formé.
  2. 2. Système selon la revendication 1, dans lequel le dispositif de mémoire comprend également des instructions qui sont exécutables par le dispositif de traitement pour amener le dispositif de traitement à :
    générer une image basée sur un signal de capteur provenant d'un capteur ; et utiliser l'image comme des données de puits.
  3. 3. Système selon l'une quelconque des revendications 1 à 2, dans lequel le dispositif de mémoire comprend également des instructions qui sont exécutables par le dispositif de traitement pour amener le dispositif de traitement à :
    stocker les données de puits dans une première base de données en se basant sur les données de puits qui sont classifiées dans la première catégorie ; et stocker les données de puits dans une seconde base de données en se basant sur les données de puits qui sont classifiées dans la seconde catégorie.
  4. 4. Système de l'une quelconque des revendications 1 à 2, dans lequel le dispositif de mémoire comprend également des instructions qui sont exécutables par le dispositif de traitement pour amener le dispositif de traitement à :
    recevoir un jeu de données qui comprend des images associées aux événements microsismiques ;
    recevoir une saisie par l'utilisateur désignant chaque image dans le jeu de données comme étant associée à l'événement sonore ou à l'événement microsismique ;
    2016-IPM-100525-U1-FR générer des données d'apprentissage en marquant chaque image dans le jeu de données comme étant associée à l'événement sonore ou à l'événement microsismique en se basant sur la saisie par l'utilisateur ; et faire l'apprentissage de la machine à support de vecteur à l'aide des données d'apprentissage.
  5. 5. Système selon la revendication 4, dans lequel le dispositif de mémoire comprend également des instructions qui sont exécutables par le dispositif de traitement pour amener le dispositif de traitement à :
    recevoir une saisie additionnelle de l'utilisateur indiquant qu'une sortie provenant de la machine à vecteur de support est erronée ;
    générer, en se basant sur la sortie qui est une sortie erronée, des données d'apprentissage additionnelles en associant une entrée correspondant à la sortie erronée à une sortie correcte ; et faire l'apprentissage de la machine à support de vecteur à l'aide des données d'apprentissage additionnelles.
  6. 6. Système selon l'une quelconque des revendications 1 à 2 ou 4, dans lequel l'événement microsismique comprend la formation d'une fracture dans une formation souterraine et les données de puits sont associées aux ondes élastiques générées par l'événement microsismique.
  7. 7. Système selon l'une quelconque des revendications 1 à 2 ou 4, dans lequel le dispositif de mémoire comprend également des instructions qui sont exécutables par le dispositif de traitement pour amener le dispositif de traitement à classifier les données de puits à l'aide de la machine à support de vecteur en :
    attribuant un point dans un système de coordonnées virtuelles aux données de puits en se basant sur les caractéristiques des données de puits ;
    déterminant une catégorie associée à un emplacement du point dans le système de coordonnées virtuelles, la catégorie étant la première catégorie ou la seconde catégorie ; et classifiant les données de puits comme étant dans la catégorie.
  8. 8. Procédé comprenant :
    la détermination, par un dispositif de traitement, des données de puits 21
    2016-IPM-100525-U1-FR basée sur un signal de capteur provenant d'un capteur au niveau d'un site de puits ou dans un puits de forage ; et la classification, par le dispositif de traitement et à l'aide d'une machine à vecteur de support, des données de puits dans une catégorie donnée parmi une première catégorie associée à un événement sonore et une seconde catégorie associée à un événement microsismique.
  9. 9. Procédé selon la revendication 8, comprenant également la détermination des données de puits en :
    générant une image basée sur le signal de capteur ; et utilisant l'image comme les données de puits.
  10. 10. Procédé selon l'une quelconque des revendications 8 à 9, comprenant également le stockage des données de puits dans une première base des données basée sur les données de puits étant associées à l’événement sonore.
  11. 11. Procédé selon l'une quelconque des revendications 8 à 9, comprenant également :
    la réception d'un jeu de données qui comprend des images associées aux événements microsismiques ;
    la réception d'une saisie par l'utilisateur désignant chaque image dans le jeu de données comme étant associée à l'événement sonore ou à l'événement microsismique ;
    la génération des données d'apprentissage en marquant chaque image dans le jeu de données comme étant associée à l'événement sonore ou à l'événement microsismique en se basant sur la saisie par l'utilisateur ; et l'apprentissage de la machine à support de vecteur à l'aide des données d'apprentissage.
  12. 12. Procédé selon la revendication 11, comprenant également :
    la réception d'une saisie additionnelle de l'utilisateur indiquant qu'une sortie provenant de la machine à vecteur de support est erronée ;
    la génération, en se basant sur la sortie qui est une sortie erronée, des données d'apprentissage additionnelles en associant une entrée correspondant à la sortie erronée avec une sortie correcte ; et
    2016-IPM-100525-U1-FR l'apprentissage de la machine à support de vecteur à l'aide des données d'apprentissage additionnelles.
  13. 13. Procédé selon l'une quelconque des revendications 8 à 9 ou 12,
    5 dans lequel :
    le puits de forage est destiné à l'extraction des hydrocarbures à partir d'une formation souterraine ;
    le capteur est un géophone ;
    l'événement microsismique comprend la formation d'une fracture dans
    10 la formation souterraine ; et les données de puits sont associées à des ondes élastiques générées par l'événement microsismique.
  14. 14. Procédé selon l'une quelconque des revendications 8 à 9 ou 12,
  15. 15 comprenant également la classification des données de puits à l'aide d'une machine à vecteur de support en :
    attribuant un point dans un système de coordonnées virtuelles aux données de puits en se basant sur les caractéristiques des données de puits ;
    déterminant une catégorie associée à un emplacement du point
  16. 20 dans le système de coordonnées virtuelles, la catégorie étant la première catégorie ou la seconde catégorie ; et la classification des données de puits comme étant dans la catégorie.
  17. 25 15. Support lisible par ordinateur qui comprend des instructions exécutables par un dispositif de traitement pour permettre au dispositif de traitement de réaliser le procédé de l'une quelconque des revendications 8 à 14.
    1/3
    2016-IPM-100525-U1-FR
    102έ
    104
    >>/>
    ^>wWW^ww ^W¥WWW<W· , J^Ks>tW^xWW^
FR1758577A 2016-10-20 2017-09-15 Classification des donnees de puits a l'aide d'une machine a vecteur de support Pending FR3057980A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
USWOUS2016057948 2016-10-20
PCT/US2016/057948 WO2018075049A1 (fr) 2016-10-20 2016-10-20 Classification de données de puits à l'aide d'une machine à vecteurs de support

Publications (1)

Publication Number Publication Date
FR3057980A1 true FR3057980A1 (fr) 2018-04-27

Family

ID=61913724

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1758577A Pending FR3057980A1 (fr) 2016-10-20 2017-09-15 Classification des donnees de puits a l'aide d'une machine a vecteur de support

Country Status (7)

Country Link
US (1) US20190219716A1 (fr)
AU (1) AU2016426667A1 (fr)
CA (1) CA3034228A1 (fr)
FR (1) FR3057980A1 (fr)
GB (1) GB2570049A (fr)
NO (1) NO20190214A1 (fr)
WO (1) WO2018075049A1 (fr)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3803471A4 (fr) * 2018-06-06 2022-03-16 Services Petroliers Schlumberger (SPS) Moteur de recherche de caractéristiques géologiques
US20190391289A1 (en) * 2018-06-20 2019-12-26 Pgs Geophysical As Machine Learning Techniques for Noise Attenuation in Geophysical Surveys
WO2020041755A1 (fr) * 2018-08-24 2020-02-27 Well Data Labs, Inc. Reconnaissance d'événements assistée par apprentissage automatique sur des données de puits en série chronologique
US20210238989A1 (en) * 2020-02-04 2021-08-05 Halliburton Energy Services, Inc. Movement noise suppression in a moving array for downhole leakage localization
CN114565793B (zh) * 2022-02-28 2023-05-23 湖南北斗微芯产业发展有限公司 一种道路交通裂缝监测方法以及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140019057A1 (en) * 2012-07-16 2014-01-16 Nanoseis Llc Microseismic Event Verification Using Sub-stacks
CN105956526A (zh) * 2016-04-22 2016-09-21 山东科技大学 基于多尺度排列熵的低信噪比微震事件辨识方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2830623B1 (fr) * 2001-10-05 2004-06-18 Inst Francais Du Petrole Methode pour la detection et le classement automatique suivant differents criteres de selection, d'evenements sismiques dans une formation souterraine
US9262713B2 (en) * 2012-09-05 2016-02-16 Carbo Ceramics Inc. Wellbore completion and hydraulic fracturing optimization methods and associated systems
US10408021B2 (en) * 2013-10-18 2019-09-10 Halliburton Energy Services, Inc. Managing a wellsite operation with a proxy model

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140019057A1 (en) * 2012-07-16 2014-01-16 Nanoseis Llc Microseismic Event Verification Using Sub-stacks
CN105956526A (zh) * 2016-04-22 2016-09-21 山东科技大学 基于多尺度排列熵的低信噪比微震事件辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DMITRIY FRADKIN ET AL: "Support vector machines for classification", 31 January 2006 (2006-01-31), XP055611452, Retrieved from the Internet <URL:https://www.researchgate.net/publication/228915009_Support_vector_machines_for_classification> [retrieved on 20190807] *
NF INCE ET AL: "A Machine Learning Approach for Locating Acoustic Emission", EURASIP JOURNAL ON ADVANCES IN SIGNAL PROCESSING, vol. 2010, no. 1, 31 October 2010 (2010-10-31), XP055611398, DOI: 10.1155/2010/895486 *

Also Published As

Publication number Publication date
GB2570049A (en) 2019-07-10
AU2016426667A1 (en) 2019-03-07
GB201902040D0 (en) 2019-04-03
US20190219716A1 (en) 2019-07-18
NO20190214A1 (en) 2019-02-18
CA3034228A1 (fr) 2018-04-26
WO2018075049A1 (fr) 2018-04-26

Similar Documents

Publication Publication Date Title
FR3057980A1 (fr) Classification des donnees de puits a l&#39;aide d&#39;une machine a vecteur de support
Akinnikawe et al. Synthetic well log generation using machine learning techniques
Diesing et al. Image-based seabed classification: what can we learn from terrestrial remote sensing?
EP2987003B1 (fr) Système et procédé pour la corrélation automatique de toits de formations
Tewari et al. Ensemble-based big data analytics of lithofacies for automatic development of petroleum reservoirs
EP1189167B1 (fr) Méthode pour faciliter la reconnaissance d&#39;objets, notamment géologiques, par une technique d&#39;analyse discriminante
CA2558336C (fr) Methode pour mettre a jour un modele geologique de reservoir a l&#39;aide de donnees dynamiques
FR3060174A1 (fr) Estimation d&#39;ondelettes pour une caracterisation quadridimensionnelle de proprietes de subsurface sur la base d&#39;une simulation dynamique
US20210302606A1 (en) Method and system for automated velocity model updating using machine learning
US11428835B2 (en) Facilitating hydrocarbon exploration and extraction by applying a machine-learning model to seismic data
FR3057092A1 (fr) Analyse geostatistique de donnees microsismiques dans le cadre d&#39;une modelisation de fracture
Olayiwola et al. Evolving strategies for shear wave velocity estimation: smart and ensemble modeling approach
Gupta et al. Machine learning regressors and their metrics to predict synthetic sonic and mechanical properties
US20160377753A1 (en) Method For Selecting Horizon Surfaces
Udegbe et al. Big Data Analytics for Seismic Fracture Identification, Using Amplitude-Based Statistics
CN110226109B (zh) 增强的地质服务表征
CN114402233A (zh) 正演沉积模型的自动校准
Roberts et al. Joint stochastic constraint of a large data set from a salt dome
Misra et al. Fracture Monitoring and Characterization Using Unsupervised Microseismic Data Analysis
CN114239655A (zh) 地震相识别模型训练方法及装置、地震相预测方法及装置
Li et al. Reservoir ranking map sketching for selection of infill and replacement drilling locations using machine learning technique
GB2593562A (en) Facilitating hydrocarbon exploration and extraction by applying a machine-learning model to seismic data
FR3057979A1 (fr) Correction de biais dans les donnees d&#39;evenements microsismiques
Gerges et al. Machine-Learning-Assisted Well-Log Data Quality Control and Preprocessing Lab
Lialekol et al. Seismic attributes integration by gis for fracture detection

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20190906

PLFP Fee payment

Year of fee payment: 3

RX Complete rejection

Effective date: 20210113