FR3070208A1

FR3070208A1 - Detection de failles souterraines sur la base de l’interpretation des donnees sismiques

Info

Publication number: FR3070208A1
Application number: FR1856617A
Authority: FR
Inventors: Youli Mao; Bhaskar Mandapaka; Ashwani Dev; Satyam Priyadarshy
Original assignee: Landmark Graphics Corp
Current assignee: Landmark Graphics Corp
Priority date: 2017-08-18
Filing date: 2018-07-17
Publication date: 2019-02-22
Also published as: CA3063929C; US11378710B2; CA3063929A1; GB2578060A; GB202000106D0; US20200064507A1; AU2018317327A1; WO2019036144A1; NO20200020A1; GB2578060B

Abstract

Procédé d'identification des caractéristiques géologiques, telles que les failles, consistant à effectuer une détection de bord pour localiser un ensemble de discontinuités dans un jeu de données sismiques. Le procédé consiste à classer, à l'aide d'un réseau neuronal, chacune de l'ensemble de discontinuités comme faille sismique ou faille non sismique. Le procédé consiste également à déterminer les positions des discontinuités classées comme failles sismiques.

Description

DÉTECTION DE FAILLES SOUTERRAINES SUR LA BASE DE L’INTERPRÉTATION DES DONNÉES SISMIQUES

CONTEXTE

L’invention concerne généralement le domaine de la détection de failles souterraines, et plus particulièrement la détection de failles souterraines sur la base de l’interprétation des données sismiques.

L’interprétation des données sismiques améliore la compréhension des caractéristiques géologiques souterraines (par exemple, les failles, les fractures, etc.). Ces interprétations sismiques peuvent fournir la position et la forme de ces caractéristiques géologiques souterraines. À leur tour, la connaissance de la position et de la forme de ces caractéristiques géologiques souterraines peut augmenter la production d’hydrocarbures pendant le forage. Par exemple, l’emplacement du forage, divers paramètres de forage, les paramètres de production, la caractérisation et le classement du projet de forage, etc. peuvent être déterminés sur la base de la connaissance de la position et de la forme de ces caractéristiques géologiques souterraines. En augmentant la précision et la rapidité de l’interprétation sismique grâce à l’utilisation d’algorithmes d’interprétation des failles, des gains significatifs en termes d’efficacité, d’économie et de sécurité peuvent être réalisés.

La complexité des données sismiques peut entraîner des flux de travail d’interprétation des failles qui incluent plusieurs opérations impliquant un effort manuel important et/ou un nombre important de paramètres. De plus, chaque opération peut impliquer une importante intervention humaine, comme tester de nombreux paramètres différents dans ces algorithmes pour déterminer leurs effets, classer plusieurs types de caractéristiques détectées, et vérifier qu’un algorithme est précis pendant le post-traitement. Ces facteurs peuvent augmenter le coût lié au temps et à l’informatique de l’opération d’interprétation sismique et réduire la précision des interprétations qui en résultent.

BRÈVE DESCRIPTION DES FIGURES

Les modes de réalisation de l’invention peuvent être mieux compris par la consultation des schémas joints en annexe.

2017-IPM-101591-U1-FR

FIG. 1 représente un diagramme schématique d’une vue en élévation d’un levé sismique marin typique qui peut être utilisé pour fournir des données sismiques, selon certains modes de réalisation.

FIG. 2 représente un diagramme schématique d’un environnement de levé sismique de trou de forage terrestre, selon certains modes de réalisation.

FIG. 3 représente un jeu de données sismiques et un jeu de données sismiques détectées par les bords, selon certains modes de réalisation.

FIG. 4 représente un sous-échantillon 5x5 d’un jeu de données sismiques détectées par les bords et la probabilité de faille correspondante, selon certains modes de réalisation.

FIG. 5 représente un réseau neuronal appliqué sur un jeu de données sismiques, selon certains modes de réalisation.

FIG. 6 représente un réseau neuronal convolutionnel appliqué sur un jeu de données sismiques, selon certains modes de réalisation.

FIG. 7 représente un flux de travail d’interprétation des failles automatisé, selon certains modes de réalisation.

FIG. 8 représente une comparaison entre un jeu de données marqué par un expert et un jeu de données marqué automatiquement, selon certains modes de réalisation.

FIG. 9 représente un exemple de système de forage à proximité d’une faille, selon certains modes de réalisation.

FIG. 10 représente un exemple de système de puits de forage à proximité d’une faille, selon certains modes de réalisation.

FIG. 11 représente un exemple de système informatique, selon certains modes de réalisation.

DESCRIPTION

La description qui suit inclut des exemples de systèmes, de procédés, de techniques et de flux de programmes qui représentent des modes de réalisation de l’invention. Cependant, il est entendu que cette invention peut être pratiquée sans ces détails spécifiques. Par

2017-IPM-101591-U1-FR exemple, cette invention se réfère à des réseaux neuronaux convolutionnels. Des aspects de cette invention peuvent aussi être appliqués à d’autres procédés d’apprentissage automatique, tels que les réseaux neuronaux traditionnels, les réseaux neuronaux de rétropropagation et les réseaux neuronaux récurrents. Dans d’autres cas, des instances d’instructions, des protocoles, des structures et des techniques bien connus n’ont pas été montrés en détail afin de ne pas obscurcir la description.

Divers modes de réalisation se rapportent à un outil d’interprétation automatisée des failles qui fournit des interprétations sismiques. L’outil d’interprétation automatisée des failles peut être basé sur un procédé d’interprétation des failles par apprentissage en profondeur qui peut inclure un algorithme de classification basé sur l’apprentissage en profondeur pour identifier les caractéristiques géologiques telles que les failles des volumes sismiques sur la base d’un ensemble de jeux de données détectées par les bords. Les procédés permettent le traitement automatisé de volumes toujours plus importants de données sismiques avec plus d’efficacité et de précision.

Dans certains modes de réalisation, le procédé d’interprétation des failles par apprentissage en profondeur inclut un procédé de détection par les bords et un procédé de réseau neuronal. Après avoir converti des jeux de données sismiques d’origine en un jeu de données numérisées spatialement, tel qu’un jeu de données à base de pixels, le jeu de données numérisées spatialement est traité avec un procédé de détection par les bords pour générer un jeu de données détectées par les bords. Le procédé de détection par les bords peut capturer des discontinuités telles que des failles et des fractures à partir du jeu de données numérisées spatialement et incorporer ces discontinuités dans le jeu de données détectées par les bords. Dans certains modes de réalisation, ceux-ci peuvent être les caractéristiques cibles d’intérêt. En plus des failles et des fractures, des caractéristiques non ciblées telles que des réflecteurs de signal avec des signaux de discontinuité forts peuvent également être capturées par le procédé de détection par les bords et incorporées dans le jeu de données détectées par les bords. Un réseau neuronal et/ou un réseau neuronal profond (par exemple un réseau neuronal avec plusieurs couches entre une entrée et une sortie) peut être appliqué sur le jeu de données détectées par les bords pour classifier les caractéristiques du jeu de données détectées par les bords afin d’éliminer les caractéristiques non ciblées et garder les caractéristiques géologiques cibles, telles que les failles et les fractures, pour générer un jeu filtré de données détectées par les bords. Le procédé d’interprétation des failles par apprentissage en profondeur peut être appliqué à n’importe quel nombre de jeux de données sismiques pour fournir des résultats d’interprétation sismique qui révèlent de façon efficace et précise des caractéristiques géologiques telles que des fractures et des failles. Dans certains

2017-IPM-101591-U1-FR modes de réalisation, ces interprétations sismiques peuvent être effectuées en temps réel ou brièvement après l’acquisition d’un jeu de données sismiques (par exemple, dans les dix minutes suivant la mesure ou l’acquisition d’un jeu de données sismiques à interpréter).

Dans certains modes de réalisation, les résultats d’interprétation sismique peuvent être utilisés pour planifier des traitements de direction de forage ou de stimulation de puits. Par exemple, les emplacements des failles peuvent être utilisés pour déterminer un plan de forage afin de s’assurer que le forage ne perce pas dans une faille. Dans certains modes de réalisation, l’emplacement de la faille peut être incorporé dans un système de commande de forage pour empêcher automatiquement un forage de forer à proximité d’une limite proche de la ligne de faille. De plus, l’emplacement des failles peut déterminer les paramètres d’un traitement de stimulation de sorte que la stimulation n’endommage pas ou ne perfore pas les milieux géologiques à proximité d’une faille.

Exemple de système d’acquisition de données sismiques

FIG. 1 représente un diagramme schématique d’une vue en élévation d’un levé sismique marin typique qui peut être utilisé pour fournir des données sismiques, selon certains modes de réalisation. Un corps d’eau 101 au-dessus de la terre 102 est délimité à la surface de l’eau 103 par une interface eau-air et au niveau du fond de l’eau 104 par une interface eau-terre. Sous le fond de l’eau 104, la terre 102 contient des formations souterraines d’intérêt. Un navire sismique 105 se déplace sur la surface de l’eau 103 et contient un équipement de commande d’acquisition sismique, désigné généralement par 106. L’équipement de commande d’acquisition sismique 106 comprend une commande de navigation, une commande de source sismique, une commande de capteur sismique et un équipement d’enregistrement.

L’équipement de commande d’acquisition sismique 106 amène une source sismique 107 remorquée dans le corps d’eau 101 par le navire sismique 105 à actionner à des instants choisis. Les flûtes sismiques 108 contiennent des capteurs pour détecter les champs d’ondes réfléchis déclenchés par la source sismique 107 et réfléchis à partir d’interfaces dans l’environnement. Les flûtes sismiques 108 peuvent contenir des capteurs de pression tels que des hydrophones 109 et/ou des capteurs de mouvement de particules d’eau tels que des géophones 110. Les hydrophones 109 et les géophones 110 sont typiquement colocalisés par paires ou paires de réseaux de capteurs à intervalles réguliers le long des flûtes sismiques 108.

La source sismique 107 est activée à intervalles périodiques pour émettre des ondes acoustiques au voisinage des flûtes sismiques 108 avec ses capteurs 109 et 110.

2017-IPM-101591-U1-FR

Chaque fois que la source sismique 107 est actionnée, un champ d’ondes acoustiques se déplace vers le haut ou vers le bas dans des fronts d’ondes à expansion sphérique. Les champs d’ondes en déplacement seront illustrés par des trajets de rayons perpendiculaires aux fronts d’ondes en expansion. Le champ d’ondes se déplaçant vers le bas à partir de la source sismique 107, dans le trajet de rayons 113, se reflétera sur l’interface terre-eau au niveau du fond de l’eau 104, puis se déplacera vers le haut, comme dans le trajet de rayons 114, où le champ d’ondes peut être détecté par les hydrophones 109 et les géophones 110. Une telle réflexion au niveau du fond de l’eau 104, comme dans le trajet de rayons 114, contient des informations sur le fond de l’eau 104 et peut donc être conservée pour un traitement ultérieur. De plus, le champ d’ondes se déplaçant vers le bas, comme dans le trajet de rayons 113, peut traverser le fond de l’eau 104 comme dans le trajet de rayons 118, réfléchir une limite de couche, telle que 116, puis se déplacer vers le haut, comme dans le trajet de rayons 117. Le champ d’ondes se déplaçant vers le haut, le trajet de rayons 117, peut alors être détecté par les hydrophones 109 et les géophones 110. Une telle réflexion à partir d’une limite de couche 116 peut contenir des informations utiles sur des formations souterraines d’intérêt qui peuvent être utilisées pour générer des données sismiques.

FIG. 2 représente un diagramme schématique d’un environnement de levé sismique de trou de forage terrestre, selon certains modes de réalisation. Les récepteurs sismiques 202 sont dans un agencement espacé à l’intérieur d’un trou de forage 203 pour détecter les ondes sismiques. Comme représenté, les récepteurs 202 peuvent être fixés en place par des ancrages 204 pour faciliter la détection des ondes sismiques. Dans différents modes de réalisation, les récepteurs 202 peuvent faire partie d’une chaîne d’outils de diagraphie en cours de forage (LWD) ou d’une chaîne d’outils de diagraphie par câble. En outre, les récepteurs 202 communiquent sans fil ou par câble avec une unité d’acquisition de données 206 à la surface 205, où l’unité d’acquisition de données 206 reçoit, traite et stocke des données de signal sismique collectées par les récepteurs 202. Pour générer des données de signal sismique, les géomètres déclenchent une source d’énergie sismique 208 au niveau d’une ou de plusieurs positions pour générer des ondes d’énergie sismique qui se propagent à travers la terre 210. De telles ondes se réfléchissent à partir des discontinuités d’impédance acoustique pour atteindre les récepteurs 202. Les discontinuités illustratives comprennent les failles, les limites entre les lits de formation et les limites entre les fluides de formation. Les discontinuités peuvent apparaître comme des points lumineux dans la représentation souterraine de la structure dérivée des données de signal sismique. Les données de signal sismique collectées peuvent être utilisées pour générer un jeu de données sismiques.

2017-IPM-101591-U1-FR

Exemples d’opérations

FIG. 3 représente un jeu de données sismiques et un jeu de données sismiques détectées par les bords, selon certains modes de réalisation. Fe jeu de données sismiques 302 peut être traité avec un algorithme de congruence de phase. Fes données stockées dans le jeu de données sismiques 302 peuvent être converties à partir d’un format de données alternatif tel qu’un format de fichier SEGY par prétraitement. Par exemple, les données stockées dans le format de fichier SEGY peuvent être prétraitées dans un jeu de données spatialement numérisées tel que le format de données à base de pixels représenté dans le jeu de données sismiques 302. Dans cette conversion, une modélisation bijective est construite entre l’amplitude de chacune d’un ensemble de sections transversales sismiques (par exemple des sections transversales en ligne et des sections transversales croisées) et une valeur de pixel dans une image. D’autres modes de réalisation du jeu de données sismiques 302 peuvent inclure d’autres jeux de données numérisées spatialement tels que des jeux de données à base de voxel.

Dans certains modes de réalisation, les discontinuités peuvent être mieux capturées par des signaux à une fréquence particulière. Par exemple, une discontinuité dans un jeu de données sismiques peut être capturée plus précisément par des signaux à haute fréquence. Un ensemble de filtres passe-bande peut être appliqué aux signaux sismiques collectés pour isoler ou capturer plus de détails sur les discontinuités telles que les fractures et les failles. À titre d’exemple illustratif, un passe-bande bas avec une fréquence de 5 à 10 Hz et un passe-bande élevé avec une fréquence de 60 Hz peuvent être appliqués sur un jeu de données sismiques pour mieux capturer des discontinuités plus grandes ou plus petites.

Fe jeu de données sismiques 302 peut être traité par un algorithme de détection de bord pour produire un jeu de données sismiques détectées par les bords 304. Par exemple, un algorithme de congruence de phase à base de pixels peut être utilisé pour identifier des coins et des bords à partir d’images de pixels pour capturer des caractéristiques discontinues telles que la fracture non marquée 306 et la faille non marquée 312. De plus, l’algorithme de congruence de phase peut également capturer le réflecteur non marqué 310, qui peut avoir un bord net. Dans certains modes de réalisation, des événements continus tels que des caractéristiques structurelles et stratigraphiques dans les données sismiques 302 peuvent être éliminés progressivement par l’algorithme de détection de bord. Dans certains modes de réalisation, l’algorithme de congruence de phase peut capturer des discontinuités qui pourraient être manquées par d’autres procédés de détection de discontinuité tels que des algorithmes de détection de discontinuité basés sur l’apprentissage automatique.

2017-IPM-101591-U1-FR

FIG. 4 représente un sous-échantillon 5x5 d’un jeu de données sismiques détectées par les bords et la probabilité de faille correspondante, selon certains modes de réalisation. Par exemple, en référence à la FIG. 3, le jeu de données sismiques détectées par les bords 304 peut avoir des dimensions en pixels de 1 301 pixels par 1 889 pixels et un réseau de marquage correspondant de taille égale. La formation et le traitement d’une grande image en pixels peuvent avoir un coût numérique important et poser des problèmes de classification. L’un de ces défis est que chaque segment de faille peut être unique et qu’il peut être difficile d’attribuer des segments de faille à une certaine classe. Pour refficacité de calcul, un jeu de données sismiques marqué peut être sous-échantillonné en images de 5x5 pixels avec leurs marquages correspondants.

En plus du sous-échantillonnage, un schéma de classification binaire peut être appliqué pour augmenter l’efficacité dans un filtre de réseau neuronal. Par exemple, un marquage pour un volume ou une image sous-échantillonné(e) entier/ère peut être attribué sur la base de tous les marquages de ses éléments constitutifs. Par exemple, en référence à la FIG. 3, le jeu de données sismiques détectées par les bords 304 peut être divisé en une série de souséchantillons pour former plus efficacement un réseau neuronal pour effectuer un marquage basé sur la probabilité de faille. Le sous-échantillon peut être l’image de 5x5 pixels 402 et peut avoir un pixel correspondant dans le réseau de marquage de sous-échantillons 5x5 404, dans lequel chaque élément du réseau de marquage de sous-échantillons 5x5 404 a une valeur de 0 à 1 pour représenter la probabilité d’une discontinuité pour son pixel correspondant. Le réseau de marquage de sous-échantillons 5x5 404 peut recevoir un marquage de sous-ensemble pour l’ensemble du réseau de marquage de sous-échantillons 5x5 404. Le schéma de marquage de sous-ensembles peut être un schéma quantitatif, un schéma de classification multiclasse (trois classifications possibles ou plus), ou un schéma de classification binaire (seulement deux classifications possibles). Par exemple, un schéma de classification binaire peut être utilisé avec une valeur de seuil de 0,5 et comparé avec la moyenne arithmétique du réseau de marquage de sous-échantillons 5x5 404 pour déterminer si le sous-échantillon doit être marqué comme une caractéristique cible (par exemple une faille géologique) ou non. Dans le cas où la moyenne arithmétique est supérieure à 0,5, l’image de 5x5 pixels 402 serait classée comme une faille géologique. Sinon, l’image de 5x5 pixels 402 ne serait pas classée comme une faille géologique. Dans certains modes de réalisation, un réseau neuronal peut être formé et validé avec un schéma de classification binaire avec une efficacité et une précision supérieures à un schéma de classification quantitatif ou multiclasse.

2017-IPM-101591-U1-FR

Les réseaux de marquage de sous-échantillons peuvent être combinés en une image de sous-échantillons collective et en un réseau de marquage de sous-échantillons collectif. Dans certains modes de réalisation, l’image de sous-échantillons collective peut être utilisée dans un réseau neuronal tel qu’un réseau neuronal convolutionnel. Dans certains modes de réalisation, pour un réseau neuronal convolutionnel, un jeu de données peut être souséchantillonné avant l’application d’un filtre convolutionnel ou après l’application d’un filtre convolutionnel.

Dans d’autres modes de réalisation, les dimensions du réseau de marquage peuvent avoir n’importe quelles dimensions arbitraires, telles que 2 pixels par 4 pixels, 10 pixels par 10 pixels ou 30 pixels par 20 pixels. Dans des modes de réalisation alternatifs en trois dimensions, un réseau de marquage peut également avoir trois dimensions. Par exemple, le réseau de marquage peut avoir des dimensions de taille arbitraire inférieures à la taille d’un jeu complet de données sismiques, telles que 2x2x2 pixels, 3x3x2 pixels ou 10x20x25 pixels. Dans d’autres modes de réalisation, au lieu de comparer la moyenne des valeurs d’un réseau de marquage de sous-échantillons à un seuil, d’autres procédés de réduction de la taille d’un jeu de données peuvent être utilisés, par exemple en déterminant une moyenne pondérée, une valeur médiane ou valeur aléatoire. D’autres modes de réalisation peuvent également déterminer qu’une valeur inférieure à un seuil soit un critère pour classer une caractéristique en tant que caractéristique cible. Des modes de réalisation alternatifs peuvent également comprendre un réflecteur ou une autre caractéristique géologique autre que les failles en tant que caractéristique cible, et les fractures/failles comme caractéristiques non cibles.

FIG. 5 représente un réseau neuronal appliqué sur un jeu de données sismiques, selon certains modes de réalisation. FIG. 6 représente un exemple de processus de réseau neuronal convolutionnel 600. Un jeu de données sismiques tel que le jeu de données sismiques 602 peut être partitionné en réseaux de sous-jeux 504. Chacun des réseaux de sousjeux 504 peut être quantifié ou classé avec une valeur. Dans certains modes de réalisation, la valeur est basée sur le fait qu’une moyenne ou une moyenne pondérée d’une estimation de vraisemblance de faille pour chaque élément (par exemple un pixel) dans les réseaux de sousjeux 504 est supérieure ou inférieure à un seuil. Dans d’autres modes de réalisation, une valeur pour chaque élément dans les réseaux de sous-jeux 504 peut être utilisée directement en tant qu’ensemble d’apprentissage ou de validation et traitée avec le réseau neuronal 506.

Le réseau neuronal 506 peut générer un jeu de données sismiques interprétées 508, dans lequel des discontinuités cibles telles que des fractures et des failles

2017-IPM-101591-U1-FR peuvent être identifiées. Dans certains modes de réalisation, le jeu de données sismiques 502 peut être traité avec un algorithme de détection par les bords et dans certains modes de réalisation, le jeu de données sismiques et son jeu de données sismiques détectées par les bords correspondants peuvent être tous deux utilisés comme entrées pour le réseau neuronal 506 pour générer le jeu de données sismiques interprétées 508.

FIG. 6 représente un réseau neuronal convolutionnel appliqué sur un jeu de données sismiques, selon certains modes de réalisation. FIG. 6 représente un exemple de processus de réseau neuronal convolutionnel 600. Un jeu de données sismiques tel que le jeu de données sismiques 602 peut être traité dans les jeux de données convolués regroupés 608. Dans certains modes de réalisation, le jeu de données sismiques 602 peut être traité par un algorithme de détection de bord avant d’être traité par le réseau neuronal convolutionnel. Chaque jeu de données des jeux de données convolués regroupés 608 peut être généré par un filtre de convolution distinct, dans lequel chaque jeu de données convolué peut être basé sur des échantillons convolués. Par exemple, un réseau de sous-jeux 604 peut être convolué par le filtre de convolution 605 dans le sous-jeu de données de convolution 606, dans lequel le sous-jeu de données de convolution 606 est l’un d’une série de sous-jeux de données qui comprennent un jeu de données des jeux de données convolués regroupés 608.

Les jeux de données convolués regroupés 608 peuvent ensuite être souséchantillonnés dans le jeu de données de convolution sous-échantillonné 614 et assignés à un réseau de marquage de sous-échantillons approprié en utilisant les procédés décrits ci-dessus. Par exemple, un sous-échantillon 610 peut être réduit par le filtre de sous-échantillonnage 611 dans l’échantillon de convolution sous-échantillonné 612.

Une fois que les jeux de données de convolution sous-échantillonnés regroupés 614 ont été générés, les jeux de données de convolution sous-échantillonnés 614 peuvent être traités par une ou plusieurs couches d’unités de fonction d’activation telles que des unités linéaires rectifiées (ReLU) 616. La sortie des unités ReLU 316 peut ensuite être traitée par une couche d’unités faiblement maximales 618 pour produire un vecteur dimensionnel réduit qui peut être utilisé pour classer diverses caractéristiques. Par exemple, en référence à la FIG. 3, après une formation appropriée, le vecteur dimensionnel réduit peut être utilisé pour classer les caractéristiques dans le jeu de données sismiques détectées par les bords 304 et marquer le réflecteur non marqué 310 comme «pas une faille» et marquer la faille non marquée 312 comme « faille ».

2017-IPM-101591-U1-FR

FIG. 7 représente un flux de travail d’interprétation des failles automatisé, selon certains modes de réalisation. Après avoir d’abord acquis des données sismiques telles qu’un jeu d’images sismiques bidimensionnelles pouvant être empilées pour former un volume sismique tridimensionnel 702, un algorithme de détection de bord tel qu’un algorithme de congruence de phase peut être utilisé pour traiter les données sismiques afin d’identifier les discontinuités. Par exemple, le volume sismique tridimensionnel 702 peut être traité par l’algorithme de détection de bord 704 pour générer un volume extrait par les bords 706.

Le volume extrait par les bords 706 peut être traité par un filtre de réseau neuronal profond tel que les filtres de réseau neuronal convolutionnel 708 pour réduire le volume extrait par les bords 706 à un volume débruité 710. Dans certains modes de réalisation, le réseau neuronal profond peut utiliser une approche d’apprentissage supervisée basée sur des jeux de données d’apprentissage. Dans certains modes de réalisation, les jeux de données d’apprentissage peuvent être basés sur l’interprétation manuelle de données sismiques avec des fractures/failles marquées par des experts du domaine humain. Dans certains modes de réalisation, les jeux de données d’apprentissage peuvent être générés par logiciel et basés sur des algorithmes de probabilité de failles tels qu’un algorithme basé sur un semblant. Dans certains modes de réalisation, les jeux de données marqués peuvent inclure des données affectées à des pixels d’un jeu de données sismiques, dans lequel les données contiennent des marquages binaires tels que « faille » ou « pas une faille » pour chaque pixel du jeu de données sismiques.

Le réseau neuronal profond peut être utilisé à diverses fins de classification. Dans certains modes de réalisation, les filtres de réseau neuronal profond peuvent marquer des artefacts d’imagerie tels que des réflecteurs et des valeurs aberrantes. De plus, les filtres de réseau neuronal profond peuvent classer les fractures/failles dans le volume débruité. Les filtres de réseau neuronal profond peuvent attribuer un marquage « fracture/faille » ou « pas de fracture/faille » à chaque élément d’un jeu de données sismiques, par exemple à chaque pixel d’un jeu de données bidimensionnel, et le supprimer de tous les éléments non assignés comme fracture/faille.

Sur la base des valeurs du volume débruité, un procédé de modélisation/migration de données 712 peut être appliqué pour combiner les fractures/failles identifiées dans le volume débruité 710 pour générer un volume sismique interprété 720. Dans certains modes de réalisation, la modélisation de données peut impliquer la superposition de la sortie du volume débruité sur le volume sismique interprété. Dans certains modes de réalisation, un traitement intermédiaire peut avoir lieu avant ou en tant que partie de la modélisation de

2017-IPM-101591-U1-FR données pour rétrécir, connecter, étendre ou clarifier autrement la géométrie de faille interprétée dans le volume débruité.

FIG. 8 représente une comparaison entre un jeu de données marqué par un expert et un jeu de données marqué automatiquement, selon certains modes de réalisation. Après la formation du réseau neuronal convolutionnel d’un système automatisé d’interprétation de failles avec un jeu de données marqué par un expert 802, le jeu de données marqué automatiquement pour l’interprétation automatisée des failles 850 peut fournir des résultats semblables au jeu de données marqué par un expert 802, dans lequel la similarité peut être définie comme une différence de pixels de 10 % entre les deux images.

Exemple de système de forage

FIG. 9 représente un exemple de système de forage à proximité d’une faille, selon certains modes de réalisation. FIG. 9 représente un système de forage 900. Le système de forage 900 inclut une installation de forage 901 située sur la surface 902 d’un trou de forage 903. L’emplacement initial du trou de forage 903 et divers paramètres opérationnels (par exemple vitesse de perçage, poids sur le trépan, débit du fluide de forage, direction du forage, composition du fluide de forage) pour le forage peuvent être sélectionnés sur la base des résultats des opérations utilisant l’interprétation sismique (comme décrit ci-dessus). Par exemple, l’emplacement du trou de forage 903 peut être sélectionné pour éviter les failles identifiées dans les opérations décrites ci-dessus. La colonne de forage 904 peut être actionnée pour percer le trou de forage 903 à travers la formation souterraine 932 avec l’ensemble de fond de puits (BHA).

Le BHA inclut un trépan de forage 930 à l’extrémité de fond de trou de la colonne de forage 904. Le trépan est au voisinage de la faille 975, la position de la faille 975 étant déterminée par interprétation sismique. Le BHA et le trépan de forage 930 peuvent être couplés au système informatique 950, qui peut actionner le trépan de forage 930 ainsi que des données reçues sur la base des capteurs fixés au BHA. Le trépan de forage 930 peut être actionné pour créer le trou de forage 903 en pénétrant dans la surface 902 et dans la formation souterraine 932. Dans certains modes de réalisation, un plan de forage peut exiger que le trépan de forage 930 arrête de percer lorsqu’il se trouve dans une plage de la faille 975. En augmentant la précision de l’interprétation sismique, le trépan de forage 930 peut plus facilement et en toute sécurité éviter de pénétrer à travers la faille 975. Par exemple, des capteurs sur le BHA peuvent transmettre un signal au système informatique 950 selon lequel le trépan de forage est proche d’une faille, et le système informatique peut arrêter le trépan de forage 930.

2017-IPM-101591-U1-FR

Exemple de système de puits de forage

FIG. 10 représente un exemple de système de puits de forage à proximité d’une faille, selon certains modes de réalisation. Un système de puits de forage 1000 représenté sur la figure 10 comprend un puits de forage 1004 pénétrant dans au moins une partie d’une formation souterraine 1002. Le puits de forage 1004 comprend un ou plusieurs points d’injection 1014 dans lesquels un ou plusieurs fluides peuvent être injectés à partir du puits de forage 1004 dans la formation souterraine 1002. La formation souterraine 1002 peut comprendre des pores initialement saturés de fluides de réservoir (par exemple, pétrole, gaz et/ou eau). Dans certains modes de réalisation, le système de puits de forage 1000 peut être traité par l’injection d’un fluide de fracturation, d’un acide ou d’un agent de soutènement en un ou plusieurs points d’injection 1014 dans le puits de forage 1004. Dans certains modes de réalisation, le ou les points d’injection 1014 peuvent correspondre aux points d’injection 1014 dans une enveloppe du puits de forage 1004. Lorsque le fluide entre dans la formation souterraine 1002 au niveau des points d’injection 1014, une ou plusieurs fractures 1018 peuvent être ouvertes. Dans certains modes de réalisation, un agent de déviation peut entrer dans le point d’injection 1014 et restreindre l’écoulement d’un autre fluide. Dans certains modes de réalisation, le fluide de fracturation peut comprendre un déviateur.

Comme représenté sur la figure 10, la formation souterraine 1002 comprend au moins un réseau de fractures 1008 relié au puits de forage 1004. Le réseau de fractures 1008 représenté sur la figure 10 contient un certain nombre de jonctions et de fractures 1018. Le nombre de jonctions et de fractures peut varier de façon drastique et/ou imprévisible en fonction des caractéristiques spécifiques de la formation souterraine 1002. Par exemple, le réseau de fractures 1008 peut comprendre de l’ordre de milliers de fractures 1018 à des dizaines de milliers de fractures 1018. Dans certains modes de réalisation, ces fractures peuvent être dans la plage d’une faille 1075, la position, l’orientation et/ou la forme de la faille 1075 étant déterminée dans les opérations décrites ci-dessus.

Dans certains modes de réalisation, un paramètre opérationnel peut comprendre une ou plusieurs régulations de traitement de puits de forage et/ou des régulations de production de puits de forage. Ces paramètres opérationnels peuvent être sélectionnés pour éviter les failles identifiées dans les opérations décrites ci-dessus. Dans certains modes de réalisation, les commandes de traitement du puits de forage peuvent caractériser une opération de traitement pour un puits de forage 1004 pénétrant dans au moins une partie d’une formation souterraine 1002. Dans certains modes de réalisation, les paramètres opérationnels peuvent inclure, sans s’y

2017-IPM-101591-U1-FR limiter, une quantité d’acide, de fluide de fracturation ou de déflecteur pompée dans le système de puits de forage 1000, une concentration d’agent de soutènement pompée dans le système de puits de forage 1000, une taille d’agent de soutènement durant le pompage dans le système de puits de forage 1000, une pression de puits de forage aux points d’injection 1014, un débit de fluide ou de déflecteur à l’entrée du puits de forage 1010, la pression à l’entrée du puits de forage 1010, une durée d’un traitement d’acidification/de stimulation, un diamètre de particule de déflecteur et toute combinaison de ceux-ci. Dans certains modes de réalisation, en réponse à des calculs déterminant qu’une opération de fracturation ou d’acidification endommage ou perfore la faille 1075, un paramètre opérationnel peut être modifié pour empêcher l’endommagement/la perforation de se produire. Par exemple, un système informatique peut déterminer qu’un jeu de paramètres opérationnels entraînera l’endommagement de la faille 1075 et, en réponse, réduira un débit de fluide à la surface 1010.

Dans certains modes de réalisation, le ou les paramètres opérationnels peuvent être modifiés en réponse à des mesures en temps réel. Dans certains modes de réalisation, les mesures en temps réel comprennent des mesures de pression, des mesures de débit et des mesures sismiques. Dans certains modes de réalisation, des mesures en temps réel peuvent être obtenues à partir d’un(e) ou de plusieurs sources ou capteurs de données d’emplacement de puits en communication acoustique avec la formation souterraine 1002. Les sources de données d’emplacement de puits peuvent inclure, sans s’y limiter, des capteurs de débit, des capteurs de pression, des thermocouples et tout autre appareil de mesure approprié. Dans certains modes de réalisation, des sources de données d’emplacement de puits peuvent être positionnées à la surface, sur un outil de fond de trou, dans le puits de forage 1004 ou dans des fractures 1018. Des mesures de pression peuvent, par exemple, être obtenues à partir d’un capteur de pression sur une surface du puits de forage 1004.

Exemple de système informatique

FIG. 11 représente un exemple de système informatique, selon certains modes de réalisation. Un dispositif informatique 1100 inclut un processeur 1101 (incluant éventuellement plusieurs processeurs, plusieurs cœurs, plusieurs nœuds, et/ou mettant en œuvre le traitement multifilière, etc.). Le dispositif informatique 1100 inclut une mémoire 1107. La mémoire 1107 peut être une mémoire système (par exemple, un ou plusieurs d’une mémoire cache, SRAM, DRAM, RAM sans condensateur, RAM à double transistor, eDRAM, EDO RAM, DDR RAM, EEPROM, NRAM, RRAM, SONOS, PRAM, etc.) ou l’une quelconque ou plusieurs des réalisations possibles déjà décrites ci-dessus de supports lisibles par machine. Le

2017-IPM-101591-U1-FR dispositif informatique 1100 inclut également un bus 1103 (par exemple, PCI, ISA, PCI-Express, bus HyperTransport®, bus InfiniBand®, NuBus, etc.) et une interface réseau 1105 (par exemple, une interface Fibre Channel, une interface Ethernet, une interface de système informatique de petite taille, une interface SONET, une interface sans fil, etc.).

Dans certains modes de réalisation, le dispositif informatique 1100 inclut un détecteur de bord 1111. Le détecteur de bord 1111 peut effectuer une ou plusieurs opérations pour détecter les discontinuités du jeu de données sismiques, y compris des opérations pour appliquer un algorithme de congruence de phase (comme décrit ci-dessus). Le processeur de réseau neuronal 1112 peut effectuer une ou plusieurs opérations de classification et de filtrage d’un jeu de données sismiques, y compris des opérations d’application d’un réseau neuronal convolutionnel pour classer les discontinuités en tant que failles/fractures et supprimer les discontinuités qui ne sont pas des failles/des fractures (comme décrit ci-dessus). Le régulateur de paramètres opérationnels 1113 peut effectuer une ou plusieurs opérations de commande d’un système de forage ou d’un système de puits de forage, y compris la commande d’un débit de trépan de forage ou de pompe à fluide. L’une quelconque des fonctionnalités décrites précédemment peut être partiellement (ou entièrement) mise en œuvre dans le matériel et/ou sur le processeur 1101. Par exemple, la fonctionnalité peut être mise en œuvre avec un circuit intégré spécifique à une application, dans une logique mise en œuvre dans le processeur 1101, dans un coprocesseur sur un périphérique ou une carte, etc. En outre, les réalisations peuvent inclure des composants moins nombreux ou supplémentaires non illustrés sur la figure 11 (par exemple, des cartes vidéo, des cartes audio, des interfaces réseau supplémentaires, des périphériques, etc.). Le processeur 1101 et l’interface réseau 1105 sont couplés au bus 1103. Bien qu’illustrée comme étant couplée au bus 1103, la mémoire 1107 peut être couplée au processeur 1101. Le dispositif informatique 1100 peut être intégré dans le(s) composant(s) du trou de forage et/ou être un dispositif séparé à la surface couplé de façon communicative au fond du trou du BHA pour commander et traiter des signaux (comme décrit ici).

Comme on le comprendra, des aspects de l’invention peuvent être réalisés en tant que système, procédé ou code/instruction de programme stockés dans un ou plusieurs supports lisibles par machine. En conséquence, les aspects peuvent prendre la forme de matériel, de logiciel (y compris un micrologiciel, un logiciel résident, un microcode, etc.) ou une combinaison d’aspects logiciels et matériels qui peuvent tous généralement être désignés ici comme un « circuit », un « module » ou un « système ». Les fonctionnalités présentées comme des modules/unités individuel(le)s dans l’exemple d’illustrations peuvent être organisées différemment selon l’un quelconque des éléments parmi la plateforme (système d’exploitation

2017-IPM-101591-U1-FR et/ou matériel), l’écosystème d’application, les interfaces, les préférences du programmeur, le langage de programmation, les préférences administrateur, etc.

Toute combinaison d’un ou de plusieurs supports lisibles par machine peut être utilisée. Fe support lisible par machine peut être un support de signal lisible par machine ou un support de stockage lisible par machine. Un support de stockage lisible par machine peut être, par exemple, sans s’y limiter, un système, un appareil ou un dispositif qui utilise l’une quelconque ou une combinaison de technologie(s) électronique(s), magnétique(s), optique(s), électromagnétique(s), infrarouge(s) ou des semiconducteurs pour stocker le code de programme. Des exemples plus spécifiques (liste non exhaustive) du support de stockage lisible par machine incluraient : une disquette d’ordinateur portable, un disque dur, une mémoire vive (RAM), une mémoire morte (ROM), une mémoire morte programmable effaçable (mémoire EPROM ou mémoire flash), une mémoire morte sur disque compact portable (CD-ROM), un dispositif de stockage optique, un dispositif de stockage magnétique ou toute combinaison appropriée de ce qui précède. Dans le contexte de ce document, un support de stockage lisible par machine peut être n’importe quel support tangible qui peut contenir ou stocker un programme à utiliser par ou en connexion avec un système, un appareil ou un dispositif d’exécution d’instructions. Un support de stockage lisible par machine n’est pas un support de signal lisible par machine.

Un support de signal lisible par machine peut inclure un signal de données propagé avec un code de programme lisible par machine incorporé dans celui-ci, par exemple, en bande de base ou en tant que partie d’une onde porteuse. Un tel signal propagé peut prendre l’une quelconque parmi diverses formes, y compris, sans s’y limiter, électromagnétique, optique, ou toute combinaison appropriée de celles-ci. Un support de signal lisible par machine peut être n’importe quel support lisible par machine qui n’est pas un support de stockage lisible par machine et qui peut communiquer, propager ou transporter un programme à utiliser par ou en connexion avec un système, un appareil ou un dispositif d’exécution d’instructions.

Fe code de programme incorporé sur un support lisible par machine peut être transmis en utilisant n’importe quel support approprié, y compris, sans s’y limiter, sans fil, filaire, câble à fibre optique, RF, etc., ou toute combinaison appropriée de ce qui précède.

Fe code de programme informatique servant à effectuer des opérations pour des aspects de l’invention peut être écrit dans n’importe quelle combinaison d’un ou de plusieurs langages de programmation, y compris un langage de programmation orienté objet tel que le langage de programmation Java®, C++ ou un programme similaire ; un langage de programmation dynamique tel que Python ; un langage de script tel que le langage de

2017-IPM-101591-U1-FR programmation Péri ou le langage de script PowerShell ; et les langages de programmation procéduraux classiques, tels que le langage de programmation « C » ou des langages de programmation similaires. Le code de programme peut s’exécuter entièrement sur une machine autonome, s’exécuter de manière répartie sur plusieurs machines et s’exécuter sur une machine 5 tout en fournissant des résultats et/ou en acceptant des entrées sur une autre machine.

Le code/les instructions de programme peuvent également être stockés dans un support lisible par machine qui peut commander une machine de manière particulière, de telle sorte que les instructions stockées dans le support lisible par machine produisent un article de fabrication comprenant des instructions qui mettent en œuvre la fonction/l’acte spécifié(e) 10 dans l’organigramme et/ou bloquent le(s) bloc(s) du diagramme.

Claims

REVENDICATIONS

1. Procédé consistant à :

effectuer une détection de bord pour localiser un ensemble de discontinuités dans un jeu
5 de données sismiques ;

classer, en utilisant un réseau neuronal, chacun des ensembles de discontinuités comme faille sismique ou faille non sismique ; et déterminer les positions des discontinuités classées comme
10 failles sismiques.