NO315216B1 - Fremgangsmåte for bayesisk sekvensiell indikatorsimulering av litologi fraseismiske attributter og litologiske borehullsdata - Google Patents
Fremgangsmåte for bayesisk sekvensiell indikatorsimulering av litologi fraseismiske attributter og litologiske borehullsdata Download PDFInfo
- Publication number
- NO315216B1 NO315216B1 NO19951029A NO951029A NO315216B1 NO 315216 B1 NO315216 B1 NO 315216B1 NO 19951029 A NO19951029 A NO 19951029A NO 951029 A NO951029 A NO 951029A NO 315216 B1 NO315216 B1 NO 315216B1
- Authority
- NO
- Norway
- Prior art keywords
- rock type
- lithological
- pixels
- pixel
- rock
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 35
- 238000004088 simulation Methods 0.000 title description 7
- 239000011435 rock Substances 0.000 claims description 48
- 238000009826 distribution Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims 1
- 239000004576 sand Substances 0.000 description 19
- 230000008569 process Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000010459 dolomite Substances 0.000 description 1
- 229910000514 dolomite Inorganic materials 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Engineering & Computer Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrophonic Musical Instruments (AREA)
Description
Denne oppfinnelsen angår en fremgangsmåte for generering av litologiske modeller for undergrunnen ved bruk av en Monte Carlo prosedyre. De litologiske modellene blir frembragt ved å kombinere seismiske attributt-registre innsamlet langs et array av seismiske stasjoner som er fordelt over et interessant område og fra litologiske observasjoner i borehull loka-lisert inne i eller nær ved området dekket av den seismiske undersøkelsen.
Selv om fagområdet seismiske undersøkelser er velkjent vil de prinsippene som er relevante for denne oppfinnelsen bli overfladisk gjennomgått. Et akustisk bølgefelt blir gene-rert på eller nær jordoverflaten for å sende akustiske bølger ned i underliggende formasjoner og lag. Bølgefeltet blir reflektert etter tur fra hvert undergrunnslag, hvoretter bølgefeltet returnerer til overflaten. Det returnerende bølgefeltet manifesterer seg som en periodisk bevegelse i jordoverflaten som blir detektert med egnede sensorer. Sensorene konverterer den mekaniske bevegelsen til elektriske signaler som blir registrert i et arkiverende lagringsmedium slik som tids-skala-opptak i digitalt eller analogt format etter undersøkerens ønske.
Av de mange tallverdiene som kan trekkes ut av de registrert seismiske dataene er spesielt to av interesse, nemlig: 1) refleksjonens gangtid og 2) refleksjonens amplitude. Refleksjonens gangtid er et mål på de respektive lagenes dybde. Refleksjonens amplitude avhenger av refleksjonskoeffisienten ved skillet mellom to lag. Refleksjonskoeffisienten avhenger av forskjellen i akustisk impedans over laggrensen. Den akustiske impedansen i et lag er definert ved tettheten i det berglaget. Impedansen blir målt i meter per sekund per gram per kubikk-centimeter som enhet.
For å kunne brukes kvantitativt må den observerte re-flekterte amplituden rettes for sfærisk spredning, instru-mentelle feil og andre forutsigbare effekter for å gi riktige amplitudemålinger. De resulterende, riktige amplitudene kan brukes for å beregne den akustiske impedansen i de respektive lagene.
Det kan vises at begrensede verdiområder for akustiske impedansverdier kan forbindes med bestemte bergartstyper, slik som for eksempel sand, skifer, og dolomitt. På grunn av seismisk og litologisk støy er det imidlertid overlapp mellom verdiområdene til impedansverdiene som angir hver bergartstype (litoklasse). Dermed er enhver beregning av akustisk impedans i beste fall bare et estimat av en bestemt bergartstype, der estimatet er påvirket av statistisk usikkerhet.
I utførelsen av geoundersøkelser kan kontrollpunkter etableres ved borehull, ofte med relativt stor avstand, som penetrerer de interessante lagene. Ved slike spredte kontrollpunkter kan de seismiske observasjonene kalibreres ved sammenligning av valgte seismiske egenskaper med studier av tekstur og sammensetning av de utvalgte lagene. Hensikten med en seismisk undersøkelseslinje med relativt tett plasserte observasjonsstasjoner som er fordelt mellom de spredte kontrollpunktene, er å estimere kontinuiteten av et eller flere utvalgte litologiske horisonter mellom kontrollpunktene .
US-patent nr. 4.926.394 omhandler en statistisk metode av typen Monte Carlo for estimering av en variasjon i bergartstype eller tekstur, det vil si forandringen i litologi langs et gitt lag eller en beslektet gruppering av lag inne i en valgt geologisk formasjon. Estimatene baseres på seismiske data samlet inn med et array av undersøkelseslinjer som er i overensstemmelse med spredte kontrollpunkter, slik som borehull. Dette er en type maksimum a posteriori estimerings-teknikk. Den har ulempene at a) den krever stor regnekraft,
b) det er noen ganger vanskelig å garantere konvergens for den iterative optimeringsprosedyren som blir brukt i
teknikken, c) det er vanskelig å spesifisere den nødvendige litologi-overgangsstatistikken.
Det har blitt foreslått flere metoder basert på bilde-forbedringsteknikker slik som diskutert i artikkelen "The
Mathematical Generation of Reservoir Geology" av CL. Farmer, presentert i juli 1989 ved IMA/SPE European Conference on the Mathematics of Oil Recovery.
En annen metode involverer bruk av en Kriging-indikator (Indicator Kriging) som diskutert i en artikkel med tittel "Mapping by Simple Indicator Kriging" av Andrew R. Solow i Mathematical Geology, volum 18, nr. 3, 1985. Denne metoden er en generalisert lineær regresjonsteknikk for beregning av en sannsynlighetsfordeling for litoklassen (lithoclass) i én posisjon fra litologiske data ved andre posisjoner i det aktuelle området. Metoden krever spesifisering av en romlig korrelasjonsmodell som kan være vanskelig å få fra spredt borehullskontroll. Enkel Kriging-indikator tillater ikke direkte integrering av seismisk informasjon. Modellene er dessuten dårlig definert hvis brønnkontrollen er begrenset. Termen "indikator" antyder at bergartstypene er diskrete variabler slik som sand eller skifer og ikke kontinuerlige variabler slik som permeabilitet.
Det er behov for en fremgangsmåte som vil generere simulerte litologiske modeller for undergrunnen ved kombinering av seismiske attributt-data og litologiske observasjoner i borehull. Fremgangsmåten bør være enkel å generalisere i forbindelse med multivariable omgivelser.
Dette oppnås ved å benytte en fremgangsmåte i henhold til de nedenfor fremsatte patentkrav.
Et array av seismiske stasjoner med en forutbestemt inn-byrdes avstand blir plassert i et interessant område som kan omfatte et fåtall kontrollpunkter som tilsvarer borehull-posisjoner. Dataene samlet ved de respektive seismiske stasjonene omfatter seismiske attributter som korrelerer med type og tekstur av undergrunnsberglagene. De respektive seismiske stasjonene definerer et array av piksler med dimensjoner som er sammenlignbare med den valgte avstanden mellom stasjonene.
Fremgangsmåten ifølge denne oppfinnelsen omfatter trinnene med tilfeldig valg av et piksel fra arrayet. Estimering av en første sannsynlighetsfordeling for litoklassene i det valgte pikselet ved bruk av Kriging-indikatoren, gitt de litologiske dataene i nabo-pikslene. Basert på de seismiske og litologiske dataene observert ved kontrollpunktene, bestemmelse av sannsynligheten for tilstedeværelsen av hver bergartstype ved det valgte pikselet. Bestemmelse av en andre sannsynlighetsfordeling for hver bergartstype fra produktet av den første sannsynlighetsfordelingen og sannsynlighetsfunksjonen. Trekke en simulert bergartstype-verdi ved det valgte pikselet ved tilfeldig sampling fra den andre fordelingen og vurdering av den simulerte verdien som et tilleggs-kontrollpunkt i simuleringsprosessen. Gjentagelse av trinnene med valg av piksel, beregning av den andre fordelingen, og sampling fra den andre fordelingen inntil bergartstype-verdiene er simulert for alle pikslene i arrayet.
Den ovennevnte fremgangsmåten baseres på en bayesisk sannsynlighetsfordeling og er også en sekvensiell prosess, noe som ikke fremgår av US-patent nr. 4.926.394.
I én utførelse av oppfinnelsen blir sannsynlighetsfunksjonen beregnet fra den bergartstype-betingede sannsynlig-hetsf unksjonen for de seismiske attributtene.
I én utførelse av oppfinnelsen er det valgte seismiske attributtet akustisk impedans som beregnes fra normaliserte seismiske refleksjonsamplituder.
De nye trekkene som er regnet som karakteristiske for oppfinnelsen, både med hensyn til organiseringen og fremgangsmåten for operasjonen, sammen med formålene og fordelene ved dem, vil bli bedre forstått fra den følgende detaljerte beskrivelse og tegninger hvor oppfinnelsen er beskrevet ved hjelp av eksempel, og er ment som illustrasjon og ikke som begrensende for oppfinnelsen. Figur 1 representerer et array av piksler posisjonert mel
lom to borehullkontrollpunkter. Figur 2 viser et tilfeldig valg av piksler Xi for studier. Figur 3 er den første sand/skifer-sannsynlighetsfordelingen for piksel x2i-Figur 4 viser inngangsdata brukt for Kriging-indikatoren for å bestemme den første sand/skifer-sannsynlighetsfordelingen. Figur 5 viser den betingede sannsynlighetsfordelingen for
det seismiske attributtet z for to bergartstyper. Figur 6 illustrerer kombinasjonen av sannsynlighetsfunksjonen og den første fordelingen for å gi den andre fordelingsfunksjonen. Figur 7 viser resultater av bruken av operasjonen i figur 6
på piksel X21 i figur 4.
Figur 8A-8C viser tre simuleringer av bergartstypene i valgte
piksler.
Figur 9 viser det endelige estimatet blant de tre estimat
ene vist i figur 8A-8C. Figur 1 et vertikalt snitt eller seksjon 8 i undergrunnen mellom to borehull 10 og 12 ved motsatte ender av snittet. Seksjonen har blitt delt opp i et array av piksler i, hvis dimensjoner er vilkårlig, men fortrinnsvis er i sam-svar med avstanden mellom et flertall seismiske observasjonsstasjoner (ikke vist) som er fordelt mellom borehullene 10 og 12. I forbindelse med hvert piksel er det en bergartstype xi, for enkelhets skyld her antatt å være en diskret binær varia-bel, men ikke begrenset til det, slik som sand og skifer. Fra brønnlogger er de kjente bergartstypene for hvert piksel under borehullene 10 og 12 vist med diagonal skravering for sand, og stiplede linjer for skifer. Borehullene 10 og 12 gir kontrollpunkter for korrelasjon at et seismisk attributt z, slik som trase-amplitude eller invertert seismisk impedans, med en bestemt bergartstype xi. Denne Xi antar verdiene 1 for sand og 0 for skifer. Det er ønsket å simulere en under-grunnsmodell av litologien som stemmer overens både med brønndataene og de seismiske dataene. Det er opplagt at et flertall tilsvarende vertikale seksjoner kan samles over et område for å gi tredimensjonal dekning av det interessante området.
Med referanse til figur 2 begynner vi ved tilfeldig å velge et piksel slik som X21 som enda ikke har blitt simulert. Andre piksler som har vært besøkt tidligere i tilfeldig orden er indikert med pilene. Den lokale sand/skifer-fordelingen blir estimert ved bruk av Kriging-indikatoren i henhold til formlene:
For det 21. pikselet, velg X21 € (sand/skifer) tilfeldig fra den Kriging-utledede sand/skifer-sannsynlighetsfordelingen vist i figur 3. Den fullstendige simuleringsprosessen består i å repetere beregningene og samplingene av sand/skifer-sannsynlighetsfordelingene ved alle pikslene i modellen, følgende en tilfeldig piksel-undersøkelsessekvens.
Fra et praktisk synspunkt blir sand/skifer-sannsynlig-hetene beregnet ved hvert piksel langs det tilfeldige sporet som lineær-kombinasjonen av de observerte data og eventuelle tidligere simulerte verdier som ligger innenfor et lokalt undersøkelsesområde som vist i figur 4. Dermed ønsker vi å estimere den mest sannsynlige bergartstypen for piksel 21 gitt kunnskapen om de nærliggende bergartstypene i pikslene 4, 5, 6 og 18. Under hensyntagen til de diskrete verdiene som er gitt for henholdsvis sand og skifer kan sand-sannsynligheten beregnes fra:
Konstanten (bias constant) w0 kan bestemmes fra:
der n<sand> er mengden av sand i det totale volumet med stein.
Datavektene Wi som brukes i hvert piksel blir bestemt fra det forholdet at den litologiske prediksjonsfeilen skal minimeres med en metode som tilsvarer minste kvadraters metode. Datavektene wi blir funnet ved løsning av et system av lineære, ortogonale ligninger: der Cij angir den romlige kovariansen evaluert for avstandsvektoren mellom pikslene i og j. Løsningen av dette Kriging-indikator-systemet krever en spesifisering av en romlig kovariansmodell som karakteriserer de litologiske varia-sjonenes romlige kontinuitet. Et eksempel på en romlig kovariansmodell er:
der (hx,hy) definerer avstandsvektoren mellom to piksler, hvor Sx og 5y er korrelasjonsavstandene langs den horisontale retningen x og den vertikale retningen y for å gi anisotropi langs de respektive koordinatene, og r er en normaliserings-konstant. I det tredimensjonale tilfellet må enda en korrel-asjonsavstand £z, og en tredje komponent hz, introduseres.
Simuleringsprosessen for sekvensindikatoren beskrevet ovenfor besørger den romlige kontinuiteten i de litologiske
variasjonene og tar hensyn til brønndataene, men den tar ikke hensyn til tilgjengelige seismiske data og modellen er dårlig definert ved tilstedeværelse av spredte data som kommer av en
knapphet i brønninformasjonen. Vi må derfor introdusere tilleggstrinn som følger.
For seismiske attributter og tilsvarende bergartstyper observert i brønner kan vi konstruere en betinget sannsynlighetsfordeling for de seismiske attributtene for hver bergartstype. Figur 5 viser de bergartstype-betingede fordelingene i tilfellet med et enkelt seismisk attributt z, som for eksempel kan representere seismisk amplitude eller impedans. Overlappen mellom den betingede fordelingen av z for sand og skifer viser usikkerheten i den seismiske diskrimineringen av litologi.
Bergartstype-betingede fordelinger av seismiske attributter estimeres for hver bergartstype ved modellering av eksperimentelle histogrammer av seismiske attributter ved kontrollpikslene eller fra pseudokontrollpunkter frembragt ved seismisk modellering.
Ved hvert piksel i beregner vi sannsynligheten for hver bergartstype fra den tilsvarende bergartstype-betingede fordelingen. I eksempelet i figur 5 er sannsynligheten for skifer i piksel i f(zi | xi=0) større enn sannsynligheten for sand f{zi 1 xi=l) . Den første sand/skifer-sannsynlighetsfordelingen som gitt ved Kriging-indikatoren ved piksel i, blir multiplisert med den tilsvarende sannsynlighetsfunksjonen for å definere den andre bergartstype-sannsynlighetsfunksjonen p(xi I zi, xi, ... ,xn) :
Prosessen er illustrert i figur 6.
Figur 7 illustrerer simuleringsprosessen med seismiske data inkorporert. Et piksel, slik som x2i blir tilfeldig valgt blant pikslene som enda ikke er simulert. Den andre bergartstype-fordelingen blir bestemt ved hvert piksel ved kombinering, og fortrinnsvis ved multiplisering slik som tidligere beskrevet, den første fordelingen og sannsynlighetsfunksjonen slik som forklart ovenfor. Den simulerte bergartstype-verdien blir så oppnådd ved tilfeldig sampling fra denne andre fordelingen. Det nylig simulerte pikselet blir behandlet som et ytterligere kontrollpunkt ved simule-ring av de senere pikslene. Trinnene med tilfeldig valg av piksler, konstruering og sampling fra den andre fordelingen blir gjennomført gjentatte ganger inntil alle pikslene i arrayet har blitt besøkt og simulert.
Som ved alle andre Monte Carlo-prosedyrer er den resulterende litologiske modellen ikke unik. Mer enn én mulig løsning vil oppstå avhengig av rekkefølgen pikslene blir behandlet i og den tilfeldige samplingen av den andre fordelingen i hvert piksel. I praktisk bruk er det derfor ønskelig å iterativt danne et antall, for eksempel n, like sannsynlige litologiske modeller. Den endelige, mest sannsynlige, modellen oppnås ved å tildele hvert piksel den bergartstypen som det har i flest av blant de n simulerte bergartstype-modellene. Figurene 8A-8C omfatter grupper på seks piksler valgt i et array med piksler som viser tre forskjellige simuleringer av litologien ved de samme seks pikslene. Figur 9 viser det endelige estimatet av litologien.
Den beste operasjonsmetoden er best vist ved et numerisk eksempel. Det er gitt at:
Ved å sette verdiene inn i ligningene (5) og (6) har vi:
Løsning med hensyn på vektene Wi gir: og w0=0,011 blir bestemt med ligning (4). Ved substituering av verdiene for wi og wq i (3) får vi: Ved å anta at den maksimale sannsynlighetsfunksjonen er gitt ved: blir
Derfor er den simulerte bergartstypen for piksel 21 sannsyn-ligvis skifer.
Claims (7)
1. Fremgangsmåte for generering av simulerte modeller av diskrete bergartstype- (litoklasse-) verdier i et regulært array med piksler ved kombinering av kjente litologiske data i et lite antall spredt fordelte kontrollpiksler som tilsvarer brønnposisjoner, med seismiske attributter innsamlet fra stasjoner i tilknytning til nevnte piksler, karakterisert ved at den omfatter følgende trinn: a) beregning av den betingede sannsynlighetsfordelingen for de seismiske attributtene for hver bergartstype, b) tilfeldig valg av et hittil usimulert piksel, c) estimering av en første sannsynlighetsfordelingsfunksjon for bergartstypene ved det valgte pikselet ved kombinering av de litologiske dataene ved nærliggende kontrollpiksler, d) beregning av en sannsynlighetsfunksjon for bergartstypene i det valgte pikselet fra nevnte bergartstype-betingede fordeling av seismiske attributter, e) beregning av en andre sannsynlighetsfordelingsfunksjon for bergartstypene i det valgte pikselet ved kombinering av den første sannsynlighetsfordelingen med nevnte sannsynlighetsfunksjon, f) uttrekking av en simulert bergartstype-verdi i pikselet ved tilfeldig sampling fra nevnte andre sannsynlighetsfordelingsfunksjon, g) plassering av den simulerte bergartstype-verdien i arrayet som et nytt kontrollpiksel, h) gjentagelse av trinn c) til h) inntil bergartstype-verdiene er simulert for alle pikslene i nevnte array.
2. Fremgangsmåte ifølge krav 1, karakterisert ved at den omfatter generering av en litologisk modell for undergrunnen fra dataene i arrayet.
3. Fremgangsmåte ifølge krav 1, karakterisert ved at den omfatter repete-ring av trinn a) til h) n ganger for generering av n like sannsynlige, simulerte litologiske modeller som passer med de seismiske attributtene og med nevnte kjente litologi ved kontrollpiksiene.
4. Fremgangsmåte ifølge krav 2, karakterisert ved at den omfatter empirisk estimering av den mest sannsynlige bergartstypen for hvert piksel som den bergartstypen som forekommer flest ganger blant de n simulerte litologiske modellene.
5. Fremgangsmåte ifølge ett av kravene 1-4, karakterisert ved at trinnet med bestemmelse av den første sannsynlighetsfordelingen omfatter trinn med spesifisering av en romlig kovariansmodell for hver bergartstype for å karakterisere den romlige kontinuiteten til de litologiske variasjonene, og spesifisering av andelen av hver steintype i arrayet med piksler.
6. Fremgangsmåte ifølge ett av kravene 1-5, karakterisert ved at de bergartstype-betingede fordelingene av seismiske attributter estimeres for hver bergartstype ved modellering av eksperimentelle histogrammer av seismiske attributter ved kontrollpikslene eller fra pseudo-kontrollpunkter frembragt ved seismisk modellering .
7. Fremgangsmåte ifølge krav 6, karakterisert ved at bergartstype-modellen er tredimensjonal.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/218,668 US5416750A (en) | 1994-03-25 | 1994-03-25 | Bayesian sequential indicator simulation of lithology from seismic data |
Publications (3)
Publication Number | Publication Date |
---|---|
NO951029D0 NO951029D0 (no) | 1995-03-17 |
NO951029L NO951029L (no) | 1995-09-26 |
NO315216B1 true NO315216B1 (no) | 2003-07-28 |
Family
ID=22816003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
NO19951029A NO315216B1 (no) | 1994-03-25 | 1995-03-17 | Fremgangsmåte for bayesisk sekvensiell indikatorsimulering av litologi fraseismiske attributter og litologiske borehullsdata |
Country Status (6)
Country | Link |
---|---|
US (1) | US5416750A (no) |
EP (1) | EP0674189B1 (no) |
AU (1) | AU677757B2 (no) |
CA (1) | CA2144347C (no) |
DE (1) | DE69519641T2 (no) |
NO (1) | NO315216B1 (no) |
Families Citing this family (72)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5570321A (en) * | 1994-03-03 | 1996-10-29 | Atlantic Richfield Company | Seismic velocity model optimization method using simulated annearling to determine prestack travel-times |
US5539704A (en) * | 1995-06-23 | 1996-07-23 | Western Atlas International, Inc. | Bayesian sequential Gaussian simulation of lithology with non-linear data |
GB2308917B (en) * | 1996-01-05 | 2000-04-12 | Maxent Solutions Ltd | Reducing interferences in elemental mass spectrometers |
US5724241A (en) * | 1996-01-11 | 1998-03-03 | Western Atlas International, Inc. | Distributed seismic data-gathering system |
GB9621871D0 (en) * | 1996-10-21 | 1996-12-11 | Anadrill Int Sa | Alarm system for wellbore site |
FR2757957B1 (fr) * | 1996-12-30 | 1999-01-29 | Inst Francais Du Petrole | Methode pour simplifier la modelisation d'un milieu geologique poreux traverse par un reseau irregulier de fractures |
US5995906A (en) * | 1997-10-03 | 1999-11-30 | Western Atlas International, Inc. | Method for reconciling data at seismic and well-log scales in 3-D earth modeling |
US5987388A (en) * | 1997-12-26 | 1999-11-16 | Atlantic Richfield Company | Automated extraction of fault surfaces from 3-D seismic prospecting data |
FR2780798B1 (fr) * | 1998-07-01 | 2000-12-08 | Inst Francais Du Petrole | Methode pour deformer graduellement un modele stochastique d'un milieu heterogene tel qu'une zone souterraine |
US6185512B1 (en) | 1998-10-13 | 2001-02-06 | Raytheon Company | Method and system for enhancing the accuracy of measurements of a physical quantity |
US6721694B1 (en) | 1998-10-13 | 2004-04-13 | Raytheon Company | Method and system for representing the depths of the floors of the oceans |
AU3229900A (en) * | 1999-02-12 | 2000-08-29 | Prange, Michael | Uncertainty constrained subsurface modeling |
FR2792419B1 (fr) * | 1999-04-16 | 2001-09-07 | Inst Francais Du Petrole | Methode pour obtenir un modele optimal d'une caracteristique physique dans un milieu heterogene, tel que le sous-sol |
US6912491B1 (en) * | 1999-05-25 | 2005-06-28 | Schlumberger Technology Corp. | Method and apparatus for mapping uncertainty and generating a map or a cube based on conditional simulation of random variables |
FR2795841B1 (fr) * | 1999-07-02 | 2001-08-10 | Inst Francais Du Petrole | Methode pour deformer graduellement des simulations sequentielles d'un milieu heterogene tel qu'une zone souterraine |
US7054749B1 (en) | 2000-11-13 | 2006-05-30 | O'meara Jr Daniel J | Method for determining reservoir fluid volumes, fluid contacts, compartmentalization, and permeability in geological subsurface models |
US6792354B1 (en) | 2000-11-13 | 2004-09-14 | O'meara, Jr. Daniel J. | Method for determining reservoir fluid volumes, fluid contacts, compartmentalization, and permeability in geological subsurface models |
AUPR631601A0 (en) * | 2001-07-11 | 2001-08-02 | Commonwealth Scientific And Industrial Research Organisation | Biotechnology array analysis |
US20050171923A1 (en) * | 2001-10-17 | 2005-08-04 | Harri Kiiveri | Method and apparatus for identifying diagnostic components of a system |
GB0217827D0 (en) * | 2002-08-01 | 2002-09-11 | Cambridge Bioinformatics Ltd | Estimating properties of structures in data |
GB0228884D0 (en) * | 2002-12-11 | 2003-01-15 | Schlumberger Holdings | Method and system for estimating the position of a movable device in a borehole |
MX2007000170A (es) * | 2004-07-07 | 2007-03-30 | Exxonmobil Upstream Res Co | Aplicaciones de red bayesiana para geologia y geografia. |
AU2005272112B2 (en) * | 2004-07-07 | 2010-04-22 | Exxonmobil Upstream Research Company | Predicting sand-grain composition and sand texture |
US20060025969A1 (en) * | 2004-07-30 | 2006-02-02 | Conocophillips Company | Method for converting a geologic panel into a simulator format |
US8065088B2 (en) * | 2006-06-21 | 2011-11-22 | Terraspark Geosciences, Llc | Extraction of depositional systems |
US7966874B2 (en) * | 2006-09-28 | 2011-06-28 | Baker Hughes Incorporated | Multi-resolution borehole profiling |
EP2168057B1 (en) * | 2007-07-16 | 2019-09-18 | ExxonMobil Upstream Research Company | Geologic features from curvelet based seismic attributes |
CA2705197C (en) * | 2007-11-14 | 2015-11-10 | Terraspark Geosciences, L.P. | Seismic data processing |
US20110115787A1 (en) * | 2008-04-11 | 2011-05-19 | Terraspark Geosciences, Llc | Visulation of geologic features using data representations thereof |
GB2463242B (en) * | 2008-09-03 | 2012-11-07 | Statoilhydro Asa | Method of modelling a subterranean region of the earth |
FR2938952A1 (fr) * | 2008-11-26 | 2010-05-28 | Total Sa | Estimation de proprietes lithologiques d'une zone geologique |
US8340912B2 (en) * | 2009-02-17 | 2012-12-25 | Schlumberger Technology Corporation | Seismic attributes for structural analysis |
US8364442B2 (en) | 2009-02-17 | 2013-01-29 | Schlumberger Technology Corporation | Automated structural interpretation |
US8341984B2 (en) * | 2009-05-27 | 2013-01-01 | Westerngeco L.L.C. | Estimating velocities with uncertainty |
GB2483202B (en) | 2009-07-06 | 2013-10-16 | Exxonmobil Upstream Res Co | Method for seismic interpretation using seismic texture attributes |
US9366772B2 (en) | 2009-11-05 | 2016-06-14 | Exxonmobil Upstream Research Company | Method for creating a hierarchically layered earth model |
FR2953039B1 (fr) * | 2009-11-26 | 2012-01-13 | Inst Francais Du Petrole | Methode d'exploitation d'un gisement petrolier par reconstruction de modele de reservoir |
RU2573166C2 (ru) | 2010-05-28 | 2016-01-20 | Эксонмобил Апстрим Рисерч Компани | Способ сейсмического анализа углеводородных систем |
US8983141B2 (en) | 2011-03-17 | 2015-03-17 | Exxonmobile Upstream Research Company | Geophysical data texture segmentation using double-windowed clustering analysis |
US9176247B2 (en) | 2011-10-06 | 2015-11-03 | Exxonmobil Upstream Research Company | Tensor-based method for representation, analysis, and reconstruction of seismic data |
US9798027B2 (en) | 2011-11-29 | 2017-10-24 | Exxonmobil Upstream Research Company | Method for quantitative definition of direct hydrocarbon indicators |
EP2815255B1 (en) | 2012-02-13 | 2017-03-01 | Exxonmobil Upstream Research Company | System and method for detection and classification of seismic terminations |
AU2013266865B2 (en) | 2012-05-23 | 2015-05-21 | Exxonmobil Upstream Research Company | Method for analysis of relevance and interdependencies in geoscience data |
KR101284569B1 (ko) | 2012-06-05 | 2013-07-11 | 광주과학기술원 | 유한체의 희소 신호 복구 방법 및 장치 |
US9261615B2 (en) | 2012-06-15 | 2016-02-16 | Exxonmobil Upstream Research Company | Seismic anomaly detection using double-windowed statistical analysis |
AU2013334868B2 (en) | 2012-10-26 | 2016-09-15 | Landmark Graphics Corporation | Distributing petrofacies using analytical modeling |
US10422900B2 (en) | 2012-11-02 | 2019-09-24 | Exxonmobil Upstream Research Company | Analyzing seismic data |
WO2014099200A1 (en) | 2012-12-20 | 2014-06-26 | Exxonmobil Upstream Research Company | Vector based geophysical modeling of subsurface volumes |
WO2014099204A1 (en) | 2012-12-20 | 2014-06-26 | Exxonmobil Upstream Research Company | Method and system for geophysical modeling of subsurface volumes based on computed vectors |
US9915742B2 (en) | 2012-12-20 | 2018-03-13 | Exxonmobil Upstream Research Company | Method and system for geophysical modeling of subsurface volumes based on label propagation |
US9529115B2 (en) | 2012-12-20 | 2016-12-27 | Exxonmobil Upstream Research Company | Geophysical modeling of subsurface volumes based on horizon extraction |
US9348047B2 (en) | 2012-12-20 | 2016-05-24 | General Electric Company | Modeling of parallel seismic textures |
US9297918B2 (en) | 2012-12-28 | 2016-03-29 | General Electric Company | Seismic data analysis |
WO2014149344A1 (en) | 2013-03-15 | 2014-09-25 | Exxonmobil Upstream Research Company | Method and system for geophysical modeling of subsurface volumes |
US9952340B2 (en) | 2013-03-15 | 2018-04-24 | General Electric Company | Context based geo-seismic object identification |
WO2014150580A1 (en) | 2013-03-15 | 2014-09-25 | Exxonmobil Upstream Research Company | Method for geophysical modeling of subsurface volumes |
US9824135B2 (en) | 2013-06-06 | 2017-11-21 | Exxonmobil Upstream Research Company | Method for decomposing complex objects into simpler components |
WO2015065651A1 (en) | 2013-10-29 | 2015-05-07 | Exxonmobil Upstream Research Company | Method for estimating subsurface properties from geophysical survey data using physics-based inversion |
US9804282B2 (en) | 2014-02-17 | 2017-10-31 | General Electric Company | Computer-assisted fault interpretation of seismic data |
WO2016118223A1 (en) | 2015-01-22 | 2016-07-28 | Exxonmobil Upstream Research Company | Adaptive structure-oriented operator |
US10139507B2 (en) | 2015-04-24 | 2018-11-27 | Exxonmobil Upstream Research Company | Seismic stratigraphic surface classification |
CN107817521B (zh) * | 2017-10-27 | 2019-07-12 | 河海大学 | 一种基于改进的成分克里金的岩性分布概率识别方法 |
US11307324B2 (en) | 2018-03-21 | 2022-04-19 | Massachusetts Institute Of Technology | Systems and methods for detecting seismo-electromagnetic conversion |
WO2019217653A1 (en) | 2018-05-09 | 2019-11-14 | Massachusetts Institute Of Technology | Systems and methods for focused blind deconvolution |
EP3980817A1 (en) * | 2019-06-06 | 2022-04-13 | Massachusetts Institute Of Technology | Sequential estimation while drilling |
CN112213773B (zh) * | 2019-07-12 | 2022-04-22 | 中国石油化工股份有限公司 | 一种地震分辨率提高方法及电子设备 |
CN110648377A (zh) * | 2019-09-05 | 2020-01-03 | 核工业二四三大队 | 一种柱状图岩性符号的设计与填充方法 |
CN110687588A (zh) * | 2019-10-23 | 2020-01-14 | 成都创源油气技术开发有限公司 | 一种基于白云岩的地震识别与预测的方法和系统 |
CN111175819B (zh) * | 2020-01-06 | 2022-02-18 | 中国石油化工股份有限公司 | 井震多级约束的砂砾岩扇体沉积相带精细划分方法 |
US11815650B2 (en) | 2020-04-09 | 2023-11-14 | Saudi Arabian Oil Company | Optimization of well-planning process for identifying hydrocarbon reserves using an integrated multi-dimensional geological model |
US11693140B2 (en) | 2020-04-09 | 2023-07-04 | Saudi Arabian Oil Company | Identifying hydrocarbon reserves of a subterranean region using a reservoir earth model that models characteristics of the region |
US11486230B2 (en) | 2020-04-09 | 2022-11-01 | Saudi Arabian Oil Company | Allocating resources for implementing a well-planning process |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4817062A (en) * | 1987-10-02 | 1989-03-28 | Western Atlas International, Inc. | Method for estimating subsurface porosity |
FR2635197B1 (fr) * | 1988-08-05 | 1990-09-28 | Inst Francais Du Petrole | Methode pour obtenir un modele representatif d'un milieu heterogene et notamment du sous-sol |
US4995011A (en) * | 1989-09-20 | 1991-02-19 | Woods Hole Oceanographic Institute | Acoustic mapping system using tomographic reconstruction |
US4926394A (en) * | 1989-10-27 | 1990-05-15 | Western Atlas International, Inc. | Monte Carlo method for estimating lithology from seismic data |
US5168161A (en) * | 1990-04-18 | 1992-12-01 | Texas Instruments Incorporated | System and method of determining surface characteristics using infrared imaging |
US5276632A (en) * | 1990-08-10 | 1994-01-04 | Kaman Aerospace Corporation | Method and apparatus for improved visual display of a target viewed by an imaging sensor device |
US5257242A (en) * | 1991-07-24 | 1993-10-26 | Amoco Corporation | Method of geophysical exploration |
US5325445A (en) * | 1992-05-29 | 1994-06-28 | Eastman Kodak Company | Feature classification using supervised statistical pattern recognition |
US5347541A (en) * | 1992-11-02 | 1994-09-13 | The Regents Of The Univ. Of California | Apparatus and method for utilizing a blind equalizer based on a Bayesian symbol sequence estimator for use in digital communication |
-
1994
- 1994-03-25 US US08/218,668 patent/US5416750A/en not_active Expired - Lifetime
-
1995
- 1995-03-10 CA CA002144347A patent/CA2144347C/en not_active Expired - Fee Related
- 1995-03-17 NO NO19951029A patent/NO315216B1/no not_active IP Right Cessation
- 1995-03-24 DE DE69519641T patent/DE69519641T2/de not_active Expired - Fee Related
- 1995-03-24 AU AU15071/95A patent/AU677757B2/en not_active Ceased
- 1995-03-24 EP EP95301995A patent/EP0674189B1/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
DE69519641D1 (de) | 2001-01-25 |
NO951029D0 (no) | 1995-03-17 |
NO951029L (no) | 1995-09-26 |
CA2144347A1 (en) | 1995-09-26 |
EP0674189A3 (en) | 1997-04-02 |
EP0674189A2 (en) | 1995-09-27 |
US5416750A (en) | 1995-05-16 |
AU1507195A (en) | 1995-10-05 |
AU677757B2 (en) | 1997-05-01 |
CA2144347C (en) | 1998-10-20 |
DE69519641T2 (de) | 2001-04-26 |
EP0674189B1 (en) | 2000-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
NO315216B1 (no) | Fremgangsmåte for bayesisk sekvensiell indikatorsimulering av litologi fraseismiske attributter og litologiske borehullsdata | |
US5539704A (en) | Bayesian sequential Gaussian simulation of lithology with non-linear data | |
US11163080B2 (en) | Computer implemented method for generating a subsurface rock and/or fluid model of a determined domain | |
AU2017367825B2 (en) | Method for estimating petrophysical properties for single or multiple scenarios from several spectrally variable seismic and full wavefield inversion products | |
US6993433B2 (en) | Modeling gravity and tensor gravity data using poisson's equation for airborne, surface and borehole applications | |
AU2008282547B2 (en) | Method for determining seismic data quality | |
AU2002351329A1 (en) | A method for shallow water flow detection | |
CN102892972A (zh) | 地球物理数据的迭代反演方法中的伪迹减少 | |
Soares et al. | Integration of uncertain data in geostatistical modelling | |
US20110125469A1 (en) | Method of developing a petroleum reservoir by reservoir model reconstruction | |
EP3978961B1 (en) | System and method for quantitative seismic integration modeling workflow | |
Yin et al. | Quantifying uncertainty in downscaling of seismic data to high-resolution 3-D lithological models | |
EP0864882B1 (en) | Method for estimating or simulating parameters of a stratum structure | |
Miola et al. | A computational approach for 3D modeling and integration of heterogeneous geo-data | |
RU2711178C1 (ru) | Способ 3D прогнозирования свойств и строения геологических объектов на основе компьютерного анализа марковских свойств поверхностных геолого-геофизических полей | |
US10718876B2 (en) | System and method for assessing the presence of hydrocarbons in a subterranean reservoir based on seismic inversions | |
Brunini et al. | Differential evolution for microseismic event location | |
Parasyris et al. | Near surface full waveform inversion via deep learning for subsurface imaging | |
Niven | Geostatistics for naturally fractured reservoirs | |
Koppe et al. | Geostatistical Simulation of Acoustic Log Data for Seismic Depth Conversion | |
Libina et al. | Prediction of the internal structure of the sea floor and construction of a 3D model using the Markovian hypsotomography | |
GAUSSIAN | IIllIl IIIlllIl III" III" III III III" III IIIII IllII IIIII lIlllI III IIIII lllI |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM1K | Lapsed by not paying the annual fees |