NO342669B1

NO342669B1 - Hastighetsmodell for brønn tid-dybde konversjon innen seismikk

Info

Publication number: NO342669B1
Application number: NO20100171A
Authority: NO
Inventors: Børre Bjerkholt
Original assignee: Logined Bv
Priority date: 2009-02-04
Filing date: 2010-02-03
Publication date: 2018-06-25
Also published as: US8670288B2; CA2690954C; CA2690954A1; NO20100171L; US20100195437A1

Abstract

Systemer og fremgangsmåter genererer en hastighetsmodell for tid/dybde-konvertering i brønner. I én utførelse optimaliserer et system en tid/dybde-relasjon anvendt på datapunkter fra én enkelt brønn for å estimere koeffisienter til en hastighetsfunksjon som modellerer datapunktene. Systemet optimaliserer ved å redusere innvirkningen av uteligger-datapunkter, for eksempel ved å vekte hvert datapunkt for å redusere innvirkningen fra de langt fra hastighetsfunksjonen. Systemet reduserer også innvirkningen av topp- og bunnhorisonter i geologiske lag ved å anvende datastyrte metoder som estimerer hastighetsfunksjonen uten overdreven avhengighet av randbetingelsene. Systemet kan optimalisere estimering av hastighet-stigningstakt for å la hastighetsfunksjonen gå gjennom et datapunkt på hver topphorisont. Systemet kan også estimere hver bunnhorisont fra trender i datapunktene og justere hastighetsfunksjonen til å gå gjennom et datapunkt på hver bunnhorisont.

Description

BAKGRUNN

[0001] I petroleumsgeologi og oljeleting anvendes ofte refleksjonsseismologi for å estimere underjordiske trekk og dermed modellere egenskapene til et undergrunns jordvolum. En seismisk kilde genererer akustiske bølger (dvs. “lyd”, vibrasjoner eller seismiske bølger). Trekk i undergrunnen reflekterer de akustiske bølgene. En måling av tidsintervallet mellom utsending av den akustiske innmatingen og dens ankomst ved en mottaker muliggjør estimering av dypet til trekket som reflekterte lyden eller vibrasjonen.

[0002] Når en akustisk bølge treffer en grenseflate mellom to forskjellige underjordiske materialer som har forskjellig akustisk transparens og akustisk impedans, blir noe av energien i den akustiske bølgen transmittert eller refraktert gjennom grenseflaten mens noe av energien blir reflektert av grenseflaten.

[0003] Dybdekonvertering, som en del av den refleksjonsseismologiske prosess og analyse, regner om den akustiske bølgens gangtid til faktisk dyp, basert i hvert fall delvis på lydhastighetsegenskapen til hvert undergrunnsmedium (f.eks. bergart, sediment, hydrokarbon, vann). Denne dybdekonverteringen muliggjør en modell. Modellen kan ha dybde- og tykkelsesavbildninger av undergrunnslag tolket fra de seismiske refleksjondataene, og modellen muliggjør i sin tur volumetrisk evaluering av hydrokarboner, f.eks. gass eller olje, der de naturlig befinner seg.

[0004] I refleksjonsseismologi kan de innsamlede eksperimentelle dataene være brønndatapunkter, registrerte seismogrammer og annet, og det ønskede resultatet er modellen av den fysiske strukturen og de relevante egenskaper ved det undergrunns jordvolumet. Modeller dannet fra refleksjonsseismologi er vanligvis veldig følsomme for små feil i de innsamlede dataene eller feil i behandlingen av dataene. Slike modeller som tolker eksperimentelle data samlet inn fra refleksjonsseismologi er ofte forsøksmessige og ikke særlig robuste. To spesifikke kilder til unøyaktighet ved modellering av et undergrunnsvolum fra refleksjonsseismologidata er uteliggerverdier i dataene og innvirkning av lag-randbetingelser, dvs. usikkerhet i hvor toppene og bunnene av horisonter befinner seg.

[0005] Legge, J. A. og Rupnik, J. J.: Geophysics, 1943. Volum 8, sider 356-361 beskriver en minste kvadraters metode for å bestemme hastighetsfunksjonen V=V0+kzfor sett med tid- og dybdedata.

OPPSUMMERING

[0006] I et aspekt beskrives en fremgangsmåte for å generere en hastighetsmodell for tid/dybde-konvertering i seismologi. Fremgangsmåten kan omfatte å motta data fra én enkelt brønn i et undergrunnvolum for å generere en hastighetsmodell for tid/dybde-konvertering i seismologi, å anvende en tid/dybde-relasjon (TDR) på dataene for å estimere ukjente koeffisienter i en lineær hastighet-i-dyp-funksjon for å tilpasse til dataene; hvor den lineære hastighet-i-dyp-funksjonen omfatter en momentan-

hastighet (<v 0>), en kompakteringsfaktor (<k>) og en dybderandbetingelse (<z c>), åintrodusere vekter av en robust iterativt omvektet minste kvadratalgoritme for å vekte datapunkter basert på nærhet til den lineære hastighet-i-dypfunksjonen, og basert i det minste delvis på å sette partiellderivater av summerte kvadrater av vektede dybdefeilresidualer med hensyn til hver av

momentanhastigheten (<v 0>), kompakteringsfaktoren (<k>) og dybderand-

betingelsen (<z c>) lik null, optimere tid/dybde-relasjonen ved anvendelse av en datamaskin for å estimere de ukjente koeffisientene og dermed tilveie-

bringe verdier for momentanhastigheten (<v 0>), kompakteringsfaktoren (<k>) og

dybderandbetingelsen (<z c>).

[0007] I et annet aspekt beskrives et system for å generere en forbedret hastighetsmodell for tid/dybde-konvertering i seismologi. Systemet kan omfatte en datamaskin med minst én prosessor, et minne som lagrer et program med instruksjoner. Systemet kan videre omfatte en datatilpasningsmotor for tilpasning av en lineær hastighet-i-dyp-funksjon til tid/dybdesampler, en koeffisientestimator i datatilpasningsmotoren for å velge optimale koeffisienter for den lineære hastighet-i-dyp-funksjonen for å tilpasse den lineære hastighet-i-dyp-funksjonen til tid/dybde-samplene, en minimer-dybdefeil-motor i koeffisientestimatoren for å estimere koeffisientene basert på summerte kvadrater av dybderesidualer, en uteliggerverdireduseringsenhet for å redusere effekter av avvikende tid/dybdedatapunktverdier på den lineære hastighet-i-dyp-funksjonen, en grenseflateinnvirkning-reduseringsenhet for å redusere innvirkning av en randbetingelse på den lineære hastighet-i-dyp-funksjonen, der randbetingelsen omfatter dypet til en øvre geologisk horisont eller en nedre geologisk horisont.

[0008] I et annet aspekt beskrives en maskinlesbar lagringsanordning inneholdende et sett av maskineksekverbare instruksjoner som når de blir eksekvert av en maskin utfører en fremgangsmåte for å generere en hastighetsmodell for tid/dybde-konvertering i seismologi. Den utførte fremgangsmåten kan omfatte å motta tid/dybde-datapunkter fra én enkelt brønn, anvende en tid/dybde-relasjon (TDR) på datapunktene for å estimere minst én ukjent koeffisient i en lineær hastighet-i-dyp-funksjon for å tilpasse til datapunktene, minimere en dybdefeil i tid/dybde-relasjonen, omfattende å minimere summerte kvadrater av dybderesidualer, optimere tid/dybderelasjonen for å forbedre estimering av den ukjente koeffisienten, omfattende én av å redusere innvirkning av en uteliggerverdi i datapunktene, og redusere innvirknig av en randbetingelse på tid/dybde-relasjonens nøyaktighet, der randbetingelsen omfatter dypet til en øvre geologisk horisont eller en nedre geologisk horisont.

[0009] Denne oppsummeringen er ikke ment å gi en full beskrivelse av en hastighetsmodell for tid/dybde-konvertering i brønner, eller å gi en utfyllende liste av trekk og elementer. En detaljert beskrivelse med eksempler på utførelser følger.

KORT BESKRIVELSE AV TEGNINGENE

[0010] Figur 1 er et diagram av et eksempel på dybdekonvertering som kan anvendes ved utvikling av en strukturell modell av et undergrunns jordvolum.

[0011] Figur 2 er et blokkdiagram av et eksempel på geologisk modelleringssystem.

[0012] Figur 3 er et blokkdiagram av et eksempel på hastighetsmodelleringenhet introdusert i figur 2, mer i detalj.

[0013] Figur 4 er et diagram av en lagkake-hastighetsmodell med horisonter definert i tidsdomenet.

[0014] Figur 5 er et diagram av estimert analytisk tid/dybde-funksjon plottet mot innmatede data.

[0015] Figur 6 er et diagram av beregnet feil mellom tid/dybdesampler og en estimert funksjon.

[0016] Figur 7 er et diagram av innmatede data som omfatter uteliggerverdier.

[0017] Figur 8 er et diagram som illustrerer standard TDR-estimering med følsomhet for små endringer i randbetingelser.

[0018] Figur 9 er et diagram som illustrerer et eksempel på hastighetsmodell generert med bruk av et eksempel på datavektmetode anvendt på innmatede data for å redusere innvirkningen av uteliggerverdier.

[0019] Figur 10 er et diagram av et eksempel på datastyrt TDR-estimering som takler små endringer i randbetingelser.

[0020] Figur 11 er et diagram av et eksempel på hastighetsmodell generert med bruk av et eksempel på optimaliser-for-estimering-av-K-metode.

[0021] Figur 12 er et diagram av et eksempel på hastighetsmodell generert med bruk av et eksempel på estimer-og-juster-til-bunn-metode.

[0022] Figur 13 er et diagram som illustrerer et eksempel på hastighetsmodell generert med samtidig bruk av et eksempel på datavektmetode for å redusere påvirkningen fra uteligger-dataverdier, et eksempel på optimaliser-for-estimering-av-K-metode for å redusere innvirkningen av randbetingelser og et eksempel på estimer-og-juster-til-bunn-metode for å redusere innvirkningen av randbetingelser.

[0023] Figur 14 er et flytdiagram av et eksempel på fremgangsmåte for å redusere uteliggerverdier for å forbedre generering av en hastighetsmodell for tid/dybde-konvertering i seismologi.

[0024] Figur 15 er et flytdiagram av et eksempel på fremgangsmåte for å redusere innvirkningen av randbetingelser på modellering av en hastighetsfunksjon for tid/dybde-konvertering i brønner.

DETALJERT BESKRIVELSE

Oversikt

[0025] Denne beskrivelsen beskriver systemer og fremgangsmåter for å generere og anvende en hastighetsmodell for tid/dybde-konvertering i brønner. I én utførelse bedrer et eksempel på system nøyaktigheten i datatilpasning og modellering ved å nedtone uteligger-dataverdier og innvirkningen av lag-grenseflater på hastighetsmodellen for tid/dybde-konvertering.

[0026] Et eksempel på system mottar data fra én enkelt brønn for å opprette hastighetsmodellen for tid/dybde-konvertering, anvender en tid/dybde-relasjon (TDR) på dataene for å estimere en ukjent koeffisient i en lineær hastighet-i-dyp-funksjon for å tilpasse til dataene og optimaliserer tid/dybde-relasjonen for å forbedre estimering av koeffisientene. Med å “optimalisere” menes her “å forbedre”, “å gjøre bedre” eller å “gjøre best”.

[0027] I figur 1 mottar tid/dybde-konvertering (“dybdekonvertering 100”), som en del av refleksjonsseismologiprosessen, innsamlede seismiske data 102 og konverterer akustiske bølgers gangtider 104 ved hjelp av en hastighetsmodell 106 til estimerte dybder for trekk 108, basert i hvert fall delvis på lydhastighetsegenskapen til hvert undergrunns medium (bergartslag, sedimentlag, hydrokarbonfelter, vann, etc.). Denne dybdekonverteringen muliggjør opprettelse av en strukturell modell 110 som avbilder dybde og tykkelse for undergrunnslag tolket fra de seismiske refleksjonsdataene, og muliggjør volumetrisk evaluering av hydrokarboner som de forefinnes under overflaten.

[0028] Det best kjente tradisjonelle, analytiske målet for momentanhastighet er den lineære hastighet-i-dyp-funksjonen der er

momentanhastigheten i et datapunkt og er stigningstakten til hastigheten

(kompakteringsfaktor) per dybdeenhet etter dette. Systemeksempelet som skal beskrives nedenfor anvender tid/dybde-relasjonen (TDR) i én enkelt brønn for å estimere ukjente koeffisienter i den lineære hastighet-i-dypfunksjonen. Deretter vil hittil ukjente metoder også beskrevet her gjøre maksimal bruk av brønndata, samtidig som de gir matematisk robusthet og toleranse for fysisk realistiske nivåer av støy i dataene.

[0029] Det eksemplifiserte systemet oppnår matematisk robusthet og toleranse for støy i dataene ved å minimere innvirkningen av uteliggerverdier i dataene og også ved å redusere innvirkningen av lagrandbetingelser (topp- og bunnhorisonter) på hastighetmodellering. I én utførelse anvender systemet datavekter for å redusere innvirkningen av uteliggerverdier. I en annen utførelse anvender systemet også datastyrte metoder for å redusere innvirkningen av randbetingelsene, dvs. for topp- og bunnhorisontene. For å redusere innvirkningen av randbetingelser kan systemet anvende en optimaliser-for-estimering-av-k-metode og/eller en estimer-og-juster-til-bunn-metode.

[0030] Det følgende er en liste av symboler anvendt i beskrivelsen nedenfor.

<t>= Énveis gangtid målt fra fikspunkt.

<t>c = Randverdi for énveis gangtid målt fra fikspunkt.

<t>T = Énveis gangtid i toppen av laget målt fra fikspunkt.

<t>B = Énveis gangtid i bunnen av laget målt fra fikspunkt.

<t>M = Énveis gangtid for brønnmarkøren målt fra fikspunkt.

<t>= Gjennomsnittlig énveis gangtid målt fra fikspunkt.

z= Dyp målt fra fikspunkt.

<z>c = Dybderandverdi målt fra fikspunkt.

<z>T = Dybde i toppen av laget målt fra fikspunkt.

<z>M = Dypet til brønnmarkøren målt fra fikspunkt.

zˆ= Tilpasset dybdeverdi målt fra fikspunkt.

v = Momentanhastighet.

<v>0 = Momentanhastighet ved fikspunktet.

k = Stigningstakt for hastighet (kompakteringsfaktor).

<S>= Summerte kvadrater av residualer.

E= Mål på tilpasningens kvalitet.

m = Antall datapunkter.

= Endelig vekt.

= Brukerdefinert vekt.

= Robust vekt.

r= Residual.

radj = Justert residual.

u = Standardisert justert residual.

<h>=<Påvirkning som justerer residualet ved nedvekting av data->punkter med stor påvirkning.

s = Robust varians.

K= Innstillingskonstant.

Eksempel på modelleringsmiljø

[0031] Figur 2 viser et eksempel på geologisk modelleringssystem 200 som anvender en hittil ukjent hastighetsmodelleringenhet 202 for å generere en strukturell modell 110 av et undergrunns jordvolum 204. En databehandlingsanordning 206 implementerer komponenter, så som en geologisk modelleringsenhet 208 og hastighetsmodelleringenheten 202, for å modellere eller på annen måte analogisere det undergrunns jordvolumet 204. Det undergrunns jordvolumet 204 kan for eksempel omfatte et petroleumsreservoar, sedimentasjonsbasseng eller andre trekk. Den geologiske modelleringsenheten 208 og hastighetsmodelleringenheten 202 er illustrert som programvare, men kan være realisert som maskinvare eller som en kombinasjon av maskinvare og programvareinstruksjoner.

[0032] I det illustrerte eksempelet er databehandlingsanordningen 206 kommuniserbart koblet via føler- og styreanordninger med et fysisk undergrunns jordvolum 204, dvs. et faktisk jordvolum, petroleumsreservoar, sedimentasjonsbasseng, oljefelt, brønner, styrenettverk på overflaten, etc., og kan også stå i kommunikasjon med én eller flere personer, så som en geolog, overvåker, feltsjef 210, etc. Selv om databehandlingsanordningen 206 er vist spesifikt i kommunikasjon med en petroleumsressurs, kan databehandlingsanordningen 206 stå i kommunikasjon med et hvilket som helst undergrunns jordvolum 204, siden det undergrunns jordvolumet 204 som blir modellert bare kan være en kandidat til petroleumsproduksjon eller annen bruk.

[0033] Databehandlingsanordningen 206 kan være et datanettverk, en datamaskin eller en annen anordning som har en prosessor 212, minne 214, datalagre 216 og annen tilhørende maskinvare så som en ekstra hjelpeprosessor 218, et nettverksgrensesnitt 220 og en mediastasjon 222 for å lese og skrive til et flyttbart lagringsmedium 224. Det flyttbare lagringsmediet 224 kan for eksempel være en kompakt disk (CD); en digital versatil disk / digital videodisk (DVD); et flash-minne, etc. Den geologiske modelleringsenheten 208 omfatter hastighetsmodelleringenheten 202 og en resulterende hastighetsmodell 106.

[0034] Det flyttbare lagringsmediet 224 kan inneholde instruksjoner for å implementere og kjøre den geologiske modelleringsenheten 208, omfattende hastighetsmodelleringenheten 202. I hvert fall noen deler av hastighetsmodelleringenheten 202 kan være lagret som instruksjoner på en gitt instans av det flyttbare lagringsmediet 213, en flyttbar anordning eller i de lokale datalagrene 216, for innlasting i minne 214 for eksekvering av prosessoren(e) 212, 218.

[0035] Selv om den illustrerte geologiske modelleringsenheten 208 er vist som et program i minnet 214, kan den geologiske modelleringsenheten 208 og hastighetsmodelleringenheten 202 også være realisert som spesifikk maskinvare, så som en applikasjonsspesifikk integrert krets (ASIC), eller som en kombinasjon av maskinvare og programvare.

[0036] I systemeksempelet 200 mottar databehandlingsanordningen 206 feltdata, så som seismiske data og brønnlogger 226, fra en tilkoblet anordning 228 som står i kommunikasjon med og samler inn data fra geofoner eller andre følere for et potensielt petroleumsfelt eller et annet undergrunns jordvolum 204, gjennom nettverksgrensesnittet 220. Den geologiske modelleringsenheten 208 oppretter en strukturell modell 110 av det undergrunns jordvolumet 204. En brukergrensesnitt-styringsenhet 230 viser den strukturelle modellen 110, typisk på en fremvisningsanordning 232.

[0037] Basert på handling av den geologiske modelleringsenheten 208 og hastighetsmodelleringenheten 202 kan databehandlingsanordningen 206 generere styresignaler 234 for bruk via styreanordninger 236 i virkelig prospektering, modellering, leting, prediksjon og/eller styring av ressurser, så som petroleumsproduksjon, omfattende direkte styring via maskinvarestyreanordninger 236 av maskiner og maskinvare som injeksjon- og produksjonsbrønner, reservoarer, felter, transport og leveringssystemer, og annet.

Eksempel på motor

[0038] Figur 3 viser eksempelet på hastighetsmodelleringenhet 202 i figur 2 mer i detalj. Den illustrerte utførelsen er bare ett eksempel, for å introdusere trekk og komponenter i en motor som utfører hittil ukjent hastighetmodellering. Mange andre anordninger av komponentene i en hastighetsmodelleringenhet 202 er mulige innenfor rammen av foreliggende oppfinnelse. Som nevnt over kan hastighetsmodelleringenheten 202 være realisert i maskinvare eller i kombinasjoner av maskinvare og programvare. Illustrerte komponenter er kommuniserbart koblet til hverandre for kommunikasjon og utveksling av data som nødvendig.

[0039] Som en liste av eksempler på komponenter omfatter den illustrerte hastighetsmodelleringenheten 202 en datatilpasningsmotor 302 som genererer en hastighetsmodell 304 basert på innsamlede data 306 som blir matet inn til hastighetsmodelleringenheten 202. En applikasjonsmotor 308, i sin tur, kan anvende hastighetsmodellen 304 for å generere en strukturell modell 110 av det undergrunns jordvolumet 204 basert på de innsamlede dataene 306. En gitt hastighetsmodell 304 kan bli antatt for å behandle senere innsamlede data 306 inn i en strukturell modell 110.

Hastighetsmodellen 304 kan omfatte en analytisk hastighetsfunksjon 310 som optimaliserer tid/dybde-konvertering for senere innsamlede data 306 fra det aktuelle undergrunns jordvolumet 204.

[0040] De innsamlede dataene 306 kan bestå av seismisk informasjon, seismogrammer, brønnmarkører og annet. En tid-og-dybde-omformer 312 kan utføre en innledende TDR-kondisjonering av rådata for å tilveiebringe tid-og-dybde-sampler 314. De innsamlede dataene 306 kan også forsyne brønnmarkørdata 316 som innmating for datatilpasningsmotoren 302.

[0041] Datatilpasningsmotoren 302 omfatter komponenter for å finne optimerte hastighetsfunksjoner for å tilpasse til datapunktene representert i de innsamlede dataene 306. Nærmere bestemt finner datatilpasningsmotoren 302 bedre koeffisienter for den lineære hastighet-idyp-funksjonen enn tradisjonelle metoder.

[0042] En geologisk lag-datastyrer 318 i datatilpasningsmotoren 302 kan liste spesifiserte geologiske lag 320 i det undergrunns jordvolumet 204 som blir modellert, og kan også omfatte en grenselagsporer 322 som merker og dynamisk justererer posisjonen til topp- og bunnhorisonter i hvert opplistede lag.

[0043] En tid/dybde-relasjon-(TDR)-optimeringsmotor 324 i datatilpasningsmotoren 302 omfatter en koeffisientestimator 326, en uteliggerverdireduseringsenhet 328 og en grenseflateinnvirknings-reduseringsenhet 330. Koeffisientestimatoren omfatter en ”minimer dybdefeil”-motor 332 og en residualkvadratsum-minimerer 334. Uteliggerverdi-reduseringsenheten 328 omfatter en datavektmotor 336 for å redusere eller nulle ut effekten av uteligger-dataverdier som introduserer en uakseptabel feil i hastighetsmodellen 304. Grenseflateinnvirknings-reduseringsenheten 330 omfatter en datastyrt motor 338 som reduserer den uforholdsmessig store effekten av små feil i de målte eller beregnede posisjonene til grenseflatene til hvert undergrunnslag. Den datastyrte motoren 338 omfatter en “optimaliser estimering av k”-motor 340 og en “estimer og juster til bunn”-motor 342.

Eksempel på bruk av eksemplene på system og motor [0044] Tradisjonelle analytiske hastighetsfunksjoner er idémessig enkle å forstå. Mange geofysikere benytter analytiske hastighetsfunksjoner som en foretrukket metode for dybdekonvertering fremfor alle andre metoder.

[0045] I én utførelse av en lagkake-hastighetsmodell, så som hastighetsmodellen 304, er modellen delt inn i separate geologiske lag, der hvert vanligvis har en forskjellig, men internt konsistent hastighetsfunksjon.

Figur 4 viser en lagkake-hastighetsmodell med horisonter definert i tidsdomenet. En egen hastighetsfunksjon blir anvendt i hvert lag, og dypet ved bunnen av laget kan bli beregnet av hastighetsfunksjonen gitt i toppen av laget. Hver hastighetsfunksjon inneholder noen koeffisienter. Med henvisning til både figur 3 og 4 blir disse koeffisientene estimert slik at den analytiske hastighetsfunksjonen følger tendensen i settet av tid-og-dybdesampler 314. I én utførelse anvender tid-og-dypbde-omformeren 312 tid/dybde-relasjonen (TDR) på innsamlede data 306 fra en brønn, og frembringer med det innmating for å generere hastighetsmodellen 304 fra forskjellige mål for tid og dyp. TDR-optimeringsmotoren 324 anvender også en TDR-estimeringsalgoritme for å estimere de ukjente koeffisientene i hastighetsfunksjonen for hvert lag. Utmatingen fra prosessen som helhet er en hastighetsmodell 304 som hastighetsmodelleringenheten 202 (eller den geologiske modelleringsenheten 208) kan bruke til å konvertere fra tid til dyp.

[0046] Hvert lag i en hastighetsmodell 304 er avhengig av laget over, slik at unøyaktig hastighetmodellering i ett lag vanligvis resulterer i enda større unøyaktighet i laget under. Selv når de analytiske hastighetsfunksjonene 310 sammenfaller eksakt med ”tid som funksjon av dyp”-dataene 314 for noen spesifikke brønner, betyr ikke dette nødvendigvis at hastighetsmodellen 304 er robust. En forbedret hastighetsmodell 304 bør også predikere posisjoner langt fra alle brønner på en korrekt måte.

[0047] Det finnes måter å velge ut den beste hastighetsfunksjonen. En enkel måte å sjekke om en hastighetsfunksjon er korrekt er å beregne dypet hastighetsfunksjonen predikerer for en brønnmarkør 316. Dog kan mange forskjellige funksjoner beregne korrekt dyp. I én utførelse, for å finne den beste hastighetsfunksjonen for robusthet, er den beste funksjonen en som gir den beste tid/dybde-relasjonen i et gitt lag og også følger den korrekte hastighetstrenden for dette laget. Figur 5 viser en estimert analytisk tid/dybde-funksjon plottet mot de innmatede dataene.

[0048] For å estimere koeffisientene for den lineære hastighet-i-dypfunksjonen har mange forskjellige metoder for å finne den beste kombinasjonen av koeffisienter vært forsøkt av forskjellige forskere. Noen metoder minimerer feil i hastighet og andre minimerer feil i dyp. Disse metodene forutsetter vanligvis at responsfeilen følger en normalfordeling, og at ekstremverdier er sjeldne. Likevel forekommer det ekstremverdier, kalt uteliggere.

[0049] Koeffisientestimatoren 326 i figur 3 anvender en minimerdybdefeil-motor 332. En utførelse som minimerer feil i hastigheten vil imidlertid også kunne anvendes med veldig lite endring av oppsettet vist i figur 3. Figur 6 viser beregnet feil mellom tid/dybde-samplene 314 og den estimerte funksjonen. Koeffisientestimatoren 326 forsøker å finne de koeffisientene som minimerer feilen mellom tid/dybde-sampler 314 og hastighetsfunksjonen som modellerer tid/dybde-samplene 314.

TDR-estimering for én brønn

[0050] I én utførelse anvender hastighetsmodelleringenheten 202 tid/dybde-relasjonen (TDR) i én enkelt brønn for å estimere de ukjente koeffisientene i én enkelt analytisk hastighetsfunksjon. Den best kjente tradisjonelle, analytiske momentanhastighetsfunksjonen er lineær-hastigheti-dypet i likning (1):

(1)

der er momentanhastigheten i et datapunkt og er stigningstakten til

hastigheten (kompakteringsfaktor). Som beskrevet i tillegg A kan dypet

uttrykkes som funksjon av tid , som i likning (2):

(2)

der og er randverdier for tid og dyp. Det er vanlig å sette randverdiene

lik tiden og dypet i toppen av laget

[0051] I én utførelse anvender koeffisientestimatoren 326 en standardmetode for å estimere den beste kombinasjonen av koeffisienter gjennom residualkvadratsum-minimereren 334. I én utførelse er residualkvadratsummen gitt ved likning (3):

(3)

der er residualet og er antallet datapunkter. Et mål for tilpasningens

kvalitet er ønskelig, og kan oppnås fra standardavviket som gitt i likning (4):

(4)

[0052] Minimum-dybdefeil-motoren 332 minimerer feilen i dypet.

Dybderesidualet er da gitt ved likning (5)

(5)

der er den observerte dybdeverdien og er den tilpassede dybdeverdien.

[0053] I ett scenario finnes det brønnmarkørdata 316 og innmatede tid-og-dybde-datapunkter 314. Ved å sette inn funksjoner fra likning (5) og likning (2) i likning (3) beregner residualkvadratsum-minimereren 334 en sum av kvadrerte dybderesidualer, som kan skrives som i likning (6):

(6)

der og er de innmatede tid-og-dybde-dataene 314. For å finne den

kombinasjonen av og som minimerer dybdefeilen finner minimer-

dybdefeil-motoren 332 minimum for funksjonen i likning (6). I denne prosessen finnes ved å anvende funksjonen i likning (2) med det kjente

tidspunktet i bunnen av intervallet, , og dypet gitt av brønnmarkøren,

. Dette gir følgende uttrykk for , vist i likning (7):

(7)

[0054] Et uttrykk for finnes ved å sette den partiellderiverte av med

hensyn til lik null, som i likning (8):

[0055] Ved å anvende funksjonene i likning (7), (8) og (9) oppnås en relasjon som kun er avhengig av , som vist i likning (10):

[0056] The transcendente karakteren til denne relasjonen hindrer isolasjon av Residualkvadratsum-minimereren 334 kan imidlertid an-

vende en numerisk metode for å finne roten til denne relasjonen.

[0057] I en annen utførelse finnes det kun tid-og-dybde-sampler 314, og ingen brønnmarkørdata 316. I dette tilfellet, ved å sette inn likning (5) og likning (2) i likning (3), jobber residualkvadratsum-minimereren 334 i henhold til likning (11):

der og er de innmatede tid-og-dybde-dataene 314. Minimer-dybdefeil-

motoren 332 forsøker å finne den kombinasjonen og som minimerer

dybdefeilen ved å bestemme minimum av funksjonen i likning (11). Følgelig settes den partiellderiverte av med hensyn til og lik null, som i

likning (12):

[0058] Et uttrykk for finnes ved å sette inn likning (13) i likning (12),

hvilket gir likning (14).

[0059] Funksjonene i likningene (12), (14) og (15) kombineres for å frembringe en relasjon som kun er avhengig av .

[0060] Som over hindrer den transcendente karakteren til denne relasjonen isolasjon av . Residualkvadratsum-minimereren 334 kan

imidlertid anvende en numerisk metode for å finne roten til denne relasjonen.

Reduksjon av uteliggerverdier

[0061] Virkemåten til koeffisientestimatoren 326 i å utføre standardmetoder som beskrevet hittil er veldig følsom for uteliggerverdier i de innmatede tid-og-dybde-samplene 314. Uteliggere har en uforholdsmessig stor innvirkning på datatilpasningen fordi kvadrering av residualene forsterker virkningen av disse ekstreme datapunktene. Figur 7 viser inndata som inneholder uteliggere og den store påvirkningen uteliggerverdiene har på tilpasningen av funksjonen til datapunktene 314.

[0062] Koeffisientestimatoren 326, som beskrevet til nå, er også veldig følsom for små endringer i randbetingelser (topp- og bunnhorisontene). Dersom randbetingelser ikke harmonerer med de innmatede datapunktene 314 i én sone eller ett lag, kan dette ofte føre til dramatiske problemer i sonene eller lagene nedenfor. Figur 8 viser en standard TDR-estimering der funksjonstilpasningen er følsom for små endringer i randbetingelsene. I figur 8 er topphorisonten flyttet litt ned, noe som fjerner funksjonen fra datapunktene 314.

[0063] TDR-optimeringsmotoren 324 genererer imidlertid en hastighetsmodell 304 som gjør maksimal bruk av brønndata, men likevel er matematisk robust og tolerant for de nivåer av støy som realistisk forekommer i de innsamlede dataene 306. For å gjøre dette omfatter TDR-optimeringsmotoren 324 uteliggerverdi-reduseringsenheten 328 og grenseflateinnvirkning-reduseringsenheten 330.

[0064] I én utførelse omfatter uteliggerverdi-reduseringsenheten 328 en datavektmotor 336, som utfører en robust vektet minste kvadratoperasjon som vist i likning (17):

der er antallet datapunkter 314 og er vekter. Vektene bestemmer hvor

mye hvert datapunkt 314 påvirker de endelige parameterestimatene. I én utførelse anvender datavektmotoren 336 en bikvadratisk vektingsmetode som minimerer en vektet kvadratsum, der vekten som gis hvert datapunkt 314 avhenger av hvor langt punktet er fra den tilpassede funksjonen.

Punkter som ligger nær den analytiske funksjonen gis full vekt. Punkter lengre vekk fra den analytiske funksjonen gis redusert vekt. Punkter som er lengre fra den analytiske funksjonen enn det som vil forventes fra tilfeldigheter gis null vekt. Robust tilpasning med bikvadratiske vekter kan anvende en iterativt omvektet minste kvadratalgoritme, og kan følge prosedyren beskrevet nedenfor i tillegg B.

[0065] Når uteliggerverdi-reduseringsenheten 328 jobber sammen med koeffisientestimatoren 326, anvender ”minimer-dybdefeil”-motoren 332 et dybderesidual gitt av likning (18):

der er den observerte dybdeverdien og er den tilpassede dybdeverdien.

[0066] Når det finnes brønnmarkør 316 og innmatede datapunkter 314, er da, ved innsetting av likning (18) og likning (2) i likning (17), kvadratsummen av residualene representert ved likning (19):

der og er de innmatede tid-og-dybde-dataene 314. Minimum av

funksjonen i likning (19) gir den kombinasjonen og som gir minimum

dybdefeil. I denne utførelsen finnes ved å anvende likning (2) med det

kjente tidspunktet i begynnelsen av intervallet, , og dypet gitt av

brønnmarkøren, . Dette gir følgende uttrykk for , vist i likning (20):

[0067] Et uttrykk for finnes ved å sette den partiellderiverte av med

hensyn til lik null, som i likning (21).

(21)

(22)

[0068] Ved å kombinere funksjonene i likningene (20), (21) og (22) oppnås en relasjon som kun er avhengig av , som i likning (23).

[0069] Den transcendente karakteren til denne relasjonen hindrer igjen isolasjon av men residualkvadratsum-minimereren 334 kan anvende en

numerisk metode for å finne roten til denne relasjonen.

[0070] Når det kun finnes innmatede datapunkter 314 og ingen brønnmarkørdata 316, kan da, ved innsetting av likning (18) og likning (2) i likning (17), residualkvadratsummen skrives som i likning (24):

der og er de innmatede tid-og-dybde-dataene 314. Minimum av

funksjonen i likning (24) gir den kombinasjonen og som minimerer

dybdefeilen. Dette kan oppnås ved å sette den partiellderiverte av med

hensyn til og lik null, som i likning (25).

)

[0071] Et uttrykk for finnes da ved å sette inn likning (26) i

likning (25), som gir likning (28).

[0072] Kombinasjon av funksjonene i likningene (25), (27) og (28) gir en relasjon som kun er avhengig av , som i likning (29).

[0073] Som over hindrer den transcendente karakteren til denne relasjonen isolasjon av . Residualkvadratsum-minimereren 334 kan

imidlertid anvende en numerisk metode for å finne roten til denne relasjonen.

[0074] Figur 9 viser en sammenlikning mellom standardmetoden med TDR-estimering mot vektingsmetoder anvendt av datavektmotoren 336. Innføringen av datavektene reduserer innvirkningen av uteliggere og gjør datatilpasningsmotoren 302 mer nøyaktig i tilpasning av en funksjon til dataene, samtidig som den er mye mer tolerant for støy i de innsamlede dataene 306 som blir matet inn.

Reduksjon av innvirkning av grenseflater

[0075] Grenseflateinnvirkning-reduseringsenheten 330 gjør de tidligere beskrevne komponentene og metodene mindre følsomme for små endringer i randbetingelser (dvs. for toppene og bunnene av horisonter). I figur 5 følger ikke den tilpassede funksjonen trenden i de innmatede datapunktene 314 i det hele tatt. Dette er fordi den øvre horisonten er fast og funksjonen er nødt til å begynne i toppen av en horisont også om de innmatede datapunktene 314 indikerer start et annet sted. Grenseflateinnvirkningreduseringsenheten 330 anvender datastyrte metoder for å redusere innvirkningen av horisontene for koeffisientestimatoren 326, når den bestemmer de ukjente koeffisientene.

[0076] Grenseflateinnvirkning-reduseringsenheten 330 blir anvendt sammen med koeffisientestimatoren 326. Minimer-dybdefeil-motoren 332 anvender da et dybderesidual gitt ved likning (30):

(30)

der er den observerte dybdeverdien og er den tilpassede dybdeverdien.

[0077] Når det kun finnes innmatede datapunkter 314 og ingen brønnmarkørdata 316, er da, ved innsetting av likning (30) og likning (2) i likning (17), residualkvadratsummen gitt ved likning (31):

der og er de innmatede tid-og-dybde-dataene 314. I likning (31) er

randbetingelsene gitt ved Siden grenseflateinnvirkning-

reduseringsenheten 330 forsøker å redusere innvirkningen av disse randbetingelsene, blir randbetingelsene først ansett som ukjente (selv om en topphorisont og en tilhørende bunnhorisont er avhengig av hverandre). I stedet for kun å finne den kombinasjonen av og som gir minimum

dybdefeil, forsøker derfor koeffisientestimatoren 326 nå å finne den kombinasjonen av som gir minimum dybdefeil. Residualkvadratsum-

minimereren 334 setter den partiellderiverte av med hensyn til og lik

null, som i likning (32):

[0078] Et uttrykk for finnes ved å sette inn likning (33) i likning (32), som gir likning (36).

[0079] Et motsvarende uttrykk for finnes også ved å sette inn likning (35) i likning (32), som gir likning (37).

[0080] Settes likning (36) lik likning (37), gir dette en relasjon for , gitt i likning (38):

[0081] Nå kan likningene (32), (34), (36) og (38) anvendes for å finne en relasjon som kun er avhengig av .

[0082] Selv om den transcendente karakteren til denne relasjonen hindrer isolasjon av , kan residualkvadratsum-minimereren 334 anvende

en numerisk metode for å finne roten til denne relasjonen. På denne måten gir relasjonen estimater av og som ikke er avhengig av randbeting-

elsene. Den datastyrte motoren 338, når den anvendes på denne måten, gir også minimum dybdefeil, og følger trenden i hastighet. I denne utførelsen er estimeringen som utføres av koeffisientestimatoren 326 fullstendig datastyrt.

Figur 10 viser at datastyrt TDR-estimering ikke er følsom for små endringer i randbetingelsene. Topphorisonten er beveget litt nedover, men likevel faller funksjonen godt sammen med datapunktene 314. De estimerte og gir

imidlertid en funksjon som ikke går gjennom randbetingelsene, som vist i figur 10.

Optimalisert estimering av K

[0083] I utførelsen akkurat beskrevet estimerer den datastyrte motoren 338 en og en som ikke er avhengig av randbetingelsene. Dette er

veldig ønskelig, men den estimerte funksjonen er også nødt til å gå gjennom et tid/dybde-punkt ved topphorisonten. Optimaliser-estimering-av-K-motoren 340 bevarer de ønskelige trekkene tilveiebragt av den ovenfor beskrevne datastyrte motoren 338, samtidig som den lar funksjonen gå gjennom et kjent tid/dybde-punkt 314 som ligger på topphorisonten.

[0084] I en slik utførelse, når grenseflateinnvirkningreduseringsenheten 330 blir anvendt sammen med koeffisientestimatoren 326, minimerer minimer-dybdefeil-motoren 332 feilen i dyp og følger likevel trenden i hastighet. Som en innledning til beskrivelsen av denne utførelsen, er et dybderesidual er gitt ved likning (40):

(40)

der er den observerte dybdeverdien og er den tilpassede dybdeverdien.

[0085] Når det finnes brønnmarkørdata 316 og innmatede datapunkter 314, gjør optimaliser-estimering-av-K-motoren 340 følgende:

1. Estimerer med bruk av den datastyrte metoden med

2. Beregner ved å anvende likning (42) med og

dvs. at randverdiene er satt lik tiden og dypet i toppen av

laget.

[0086] Ved innsetting av likning (40) og likning (2) i likning (17), er kvadratsummen av residualene gitt ved likning (41):

der og er de innmatede tid-og-dybde-dataene 314. Minimering av

likning (41) gir den kombinasjonen og som minimerer dybdefeilen.

Optimaliser-estimering-av-K-motoren 340 finner ved å anvende likning

(2) med det kjente tidspunktet først i intervallet, og dypet gitt av

brønnmarkøren, hvilket gir uttrykket for gitt i likning (42):

[0087] Når det kun er innmatede datapunkter 314 og ingen brønnmarkørdata 316, utfører residualkvadratsum-minimereren 334 en prosess som kan avledes ved å sette inn likning (40) og likning (2) i likning (17), med de summerte residualkvadratenene gitt ved likning (43):

der og er de innmatede tid-og-dybde-dataene 314. Minimering av

likning (43) gir en kombinasjon av og som minimerer dybdefeilen. Som

over blir den partiellderiverte av med hensyn til satt lik null.

[0088] Når det finnes innmatede datapunkter 314, men ingen brønnmarkørdata 316, gjør optimaliser-estimering-av-K-motoren 340 følgende:

1. Estimerer med bruk av den datastyrte metoden med .

2. Beregner ved å anvende likning (46) med , dvs.

at randverdiene settes lik tiden og dypet i toppen av laget.

[0089] Et uttrykk for finnes ved innsetting av likning (45) i

likning (44), som gir likning (46).

[0090] Figur 11 viser en sammenlikning mellom standardmetoden og metoder anvendt av optimaliser-for-estimering-av-k-motoren 340. Estimeringen av k gir verdier for og som gir minimum dybdefeil og likevel

følger hastighetstrenden. Det er også en redusert dominoeffekt av feilpropagering mellom lag. Figur 8 viser også at optimaliser-for-estimering-avk-motoren 340 gir verdier for og som er mye nærmere en perfekt

løsning enn standardmetoden. Det er verdt å merke seg at det ikke er mulig å finne den perfekte løsningen fordi metoden i seg selv har beveget topphorisonten litt nedover. Med optimaliser-for-estimering-av-k-motoren 340 gir løsninger som er veldig nær den perfekte løsningen.

Estimering og justering til bunn

[0091] Estimer-og-juster-til-bunn-motoren 342 gjør følgende:

1. Estimerer og innenfor prosessene i den datastyrte motoren 338,

2. Beregner ved å anvende likning (38) med

3. Anvender standardmetoden eller jobber sammen med optimaliser-forestimering-av-k-motoren 340, med

[0092] Standardmetoden gir ofte en utilfredsstillende datatilpasning i bunnen av sonen eller laget når det ikke finnes brønnmarkørdata 316.

Estimer-og-juster-til-bunn-motoren 342 anvender trenden i de innmatede datapunktene 314 for å estimere hvor bunnen av sonen skal være, målt i dyp. Estimer-og-juster-til-bunn-motoren 342 sikrer også at funksjonen går gjennom dette punktet. Som vist i figur 12 gir estimer-og-juster-til-bunnmotoren 342 en mer pålitelig dybdebunn.

Harmonisert TDR-optimeringsmotor

[0093] I én utførelse anvender TDR-optimeringsmotoren 324 flere komponenter samtidig for bedre nøyaktighet og robusthet både i dybdekonvertering og i generering av hastighetsmodellen 304. En harmonisert TDR-optimeringsmotor 324 kan anvende datavektmotoren 336 for å redusere effekten av uteliggerverdier; og samtidig anvende optimaliserestimering-av-k-motoren 340 og estimer-og-juster-til-bunn-motoren 342 for å redusere innvirkningen av grenseflater. Denne utførelsen med i hvert fall de tre hittil ukjente komponentene som aktivt forbedrer hvordan innsamlede data 306 blir anvendt gir et bedre resultat (dvs. forbedret dybdekonvertering, forbedret hastighetsmodell 304 og strukturell modell 110). Dette gjelder spesielt for eksempel når det er innmatede datapunkter 314 som inneholder uteliggerverdier, og en topphorisont som ikke sammenfaller med inndataene 314 (f.eks. scenariet vist i figur 8). Figur 13 viser et forbedret resultat i forhold til standardmetoden, spesielt når det er grove inndata med uteliggerverdier og en topphorisont som ikke sammenfaller med inndataene 314.

Eksempler på fremgangsmåter

[0094] Figur 14 viser et eksempel på fremgangsmåte for å redusere uteliggerverdier for forbedret generering av en hastighetsmodell for tid/dybde-konvertering i seismologi. I flytdiagrammet er trinnene oppsummert i individuelle blokker. Fremgangsmåteeksempelet 1400 kan bli utført av maskinvare eller kombinasjoner av maskinvare og programvare, for eksempel av hastighetsmodelleringenheten 202.

[0095] I blokk 1402 mottas data fra en brønn for å generere en hastighetsmodell for tid/dybde-konvertering.

[0096] I blokk 1404 anvendes en tid/dybde-relasjon (TDR) på dataene for å estimere en koeffisient for en hastighetsfunksjon for å tilpasse til dataene.

[0097] I blokk 1406 minimeres en dybdefeil ved bruk av tid/dybderelasjonen ved å minimere summerte kvadrater av dybderesidualer.

[0098] I blokk 1408 reduseres innvirkningen av uteligger-datapunkter ved å vekte hvert datapunkt i henhold til avstanden til datapunktet fra hastighetsfunksjonen som estimeres.

[0099] Figur 15 viser et eksempel på fremgangsmåte for å redusere innvirkningen av randbetingelser på en hastighetsfunksjon for tid/dybdekonvertering i brønner. I flytdiagrammet er trinnene oppsummert i individuelle blokker. Fremgangsmåteeksempelet 1500 kan bli utført av maskinvare eller kombinasjoner av maskinvare og programvare, for eksempel av hastighetsmodelleringenheten 202.

[00100] I blokk 1502 mottas data fra en brønn for å opprette en hastighetsmodell for tid/dybde-konvertering.

[00101] I blokk 1504 anvendes en tid/dybde-relasjon på dataene for å estimere en koeffisient i en hastighetsfunksjon som skal tilpasses til dataene.

[00102] I blokk 1506 minimeres en dybdefeil etter anvendelse av tid/dybde-relasjonen ved å minimere de summerte dybderesidualkvadratene.

[00103] I blokk 1508 reduseres innvirkningen av randbetingelser på hastighetsfunksjonen ved å anvende en datastyrt metode for å velge parametre i hastighetsfunksjonen som ikke er avhengig av randbetingelsene.

[00104] Den ene av eller begge blokkene 1510 og 1512 kan bli utført.

[00105] I blokk 1510 optimeres estimering av en koeffisient for stigningstakten til hastigheten for å la hastighetsfunksjonen gå gjennom et datapunkt på hver topphorisont.

[00106] I blokk 1512 estimeres dybden til en bunnhorisont fra trender i dataene, og hastighetsfunksjonen korrigeres til å gå gjennom et datapunkt på hver bunnhorisont.

Konklusjon

[00107] Selv om eksempler på systemer og fremgangsmåter er beskrevet med en ordlyd som er spesifikk for oppbygningsmessige trekk og/eller fremgangsmåtetrinn, må det forstås at oppfinnelsen definert i de vedføyde kravene ikke nødvendigvis er begrenset til de konkete trekk eller trinn som er beskrevet. Tvert imot er de konkrete trekkene og trinnene beskrevet som eksempler på hvordan systemene, fremgangsmåtene og strukturene det kreves beskyttelse for kan realiseres.

TILLEGG A

[00108] Den best kjente klassiske, analytiske momentanhastighetsfunksjonen er den lineære hastigheten gitt i likning (47):

(47)

der er momentanhastigheten i fikspunktet og er hastighetens stignings-

takt. Momentanhastigheten kan skrives som funksjon av tid og dyp, som i likning (48):

[00109] Innsetting av likning (47) i likning (48) gir likning (49):

[00110] Denne differensiallikningen kan løses ved integrasjon, som i likning (50):

[00111] Løsningen av integralene er gitt i likning (51):

der c er en ukjent konstant. Konstanten kan finnes ved å sette inn en randbetingelse. Det er vanlig å sette randverdiene lik tiden og dypet i toppen av laget (

[00112] Ved å sette inn likning (52) i likning (51) kan dypet uttrykkes

som funksjon av tiden , som i likning (53):

der og er randverdiene for tid og dyp. Som nevnt er det vanlig praksis å

sette randverdiene lik tiden og dypet i toppen av laget ( og ).

TILLEGG B

[00113] Metoden med bikvadratiske vekter er en velkjent teknikk som minimerer en vektet kvadratsum. Metoden følger følgende prosedyre:

[00114] Trinn 1: Tilpass modellen ved å anvende vektene, vist i likning (54):

[00115] Trinn 2: Beregn de justerte residualene og standardiser dem.

[00116] De justerte residualene er gitt i likning (55):

der er residualene og er påvirkninger som justerer residualet ved

nedvekting av datapunkter med høy påvirkning, som har en stor innvirkning på tilpasningen, som i likning (56):

[00117] De standardiserte, justerte residualene er gitt i likning (57):

er en avstemningskonstant lik 4,685 og er den robuste variansen gitt

ved MAD/0,6745, der MAD (Median Absolute Deviation) er medianen til det absolutte avviket i residualene.

[00118] Trinn 3: Beregn de robuste vektene som funksjon av .

[00119] De bikvadratiske vektene er gitt i likning (58):

[00120] Trinn 4: Sjekk konvergens.

[00121] Dersom tilpasningen konvergerer, er metoden ferdig. Hvis ikke, utfør neste iterasjon av tilpasningsprosedyren ved å gå tilbake til det første trinnet.

Claims

P A T E N T K R A V 1. Fremgangsmåte for å generere en forbedret hastighetsmodell for tid/dybdekonvertering i seismologi, k a r a k t e r i s e r t v e d det å: motta data fra én enkelt brønn i et undergrunnvolum for å generere en hastighetsmodell for tid/dybde-konvertering i seismologi; anvende en tid/dybde-relasjon (TDR) på dataene for å estimere ukjente koeffisienter i en lineær hastighet-i-dyp-funksjon for å tilpasse til dataene; hvor den lineære hastighet-i-dyp-funksjonen omfatter en momentanhastighet (v 0 ), en kompakteringsfaktor ( k ) og en dybderandbetingelse (z c ); introdusere vekter av en robust iterativt omvektet minste kvadratalgoritme for å vekte datapunkter basert på nærhet til den lineære hastighet-i-dypfunksjonen; og basert i det minste delvis på å sette partiellderivater av summerte kvadrater av vektede dybdefeilresidualer med hensyn til hver av momentanhastigheten (v 0 ), kompakteringsfaktoren ( k ) og dybderandbetingelsen (z c ) lik null, optimere tid/dybde-relasjonen ved anvendelse av en datamaskin for å estimere de ukjente koeffisientene og dermed tilveiebringe verdier for momentanhastigheten (v 0 ), kompakteringsfaktoren ( k ) og dybderandbetingelsen (z c ).
2. Fremgangsmåte ifølge krav 1, der det å motta data videre omfatter én av kun å motta tid/dybde-samplede data fra en brønn eller å motta både tid/dybdesamplede data og brønnmarkørdata; og der optimeringen av tid/dybde-relasjonen for å forbedre estimering av de ukjente koeffisientene anvender en hvilken som helst kombinasjon av tid/dybdedata og brønnmarkørdata.
3. Fremgangsmåte ifølge krav 1, der det å estimere de ukjente koeffisientene omfatter det å minimere en dybdefeil i tid/dybde-relasjonen, videre omfattende det å minimere summerte kvadrater av dybderesidualer.
4. Fremgangsmåte ifølge krav 1, der lineær hastighet-i-dyp-funksjonen omfatter
5. Fremgangsmåte ifølge krav 1, der det å optimere tid/dybde-relasjonen omfatter én av det å: redusere innvirkning av en uteliggerverdi i dataene via vektene; og redusere innvirkning av en randbetingelse på tid/dybde-relasjonens nøyaktighet, via å sette partiellderivaten med hensyn til dybderandbetingelsen (z c ) lik null, hvor dybderandbetingelsen (z c ) omfatter dypet til en øvre geologisk horisont eller dypet til en nedre geologisk horisont.
6. Fremgangsmåte ifølge krav 1, der den robuste iterativt omvektet minste kvadratalgoritmen omfatter en bikvadratisk metode.
7. Fremgangsmåte ifølge krav 6, der den bikvadratiske metoden omfatter en innstillingskonstant ( K ) og en parameter ( s ), som er den robuste variansen avhengig av det absolutte avviket i residualene.
8. Fremgangsmåte ifølge krav 5, der det å redusere innvirkning av randbetingelsen (zc) på tid/dybde-relasjonens nøyaktighet omfatter det å anvende en datastyrt metode for estimering av og hvor randbetingelsen (zc) er ukjent.
9. Fremgangsmåte ifølge krav 8, videre omfattende det å optimere estimering av k for å bevirke til at den lineære hastighet-i-dyp-funksjonen går gjennom et tid/dybde-datapunkt som opptrer på en øvre geologisk horisont i en geologisk sone det tilpasses til med den lineære hastighet-i-dyp-funksjonen.
10. Fremgangsmåte ifølge krav 8, videre omfattende det å anvende en trend i de innmatede tid/dybde-datapunktene for å estimere hvor en nedre geologisk horisont i en geologisk sone det tilpasses til med den lineære hastighet-i-dypfunksjonen befinner seg målt i dyp, og for å bevirke til at den lineære hastighet-i dyp-funksjonen går gjennom et tid/dybde-datapunkt beliggende på den nedre geologiske horisonten.
11. System for å generere en forbedret hastighetsmodell for tid/dybdekonvertering i seismologi, omfattende: en datamaskin med minst én prosessor; et minne som lagrer et program med instruksjoner; k a r a k t e r i s e r t v e d a t systemet videre omfatter en datatilpasningsmotor for tilpasning av en lineær hastighet-i-dyp-funksjon til tid/dybde-sampler; en koeffisientestimator i datatilpasningsmotoren for å velge optimale koeffisienter for den lineære hastighet-i-dyp-funksjonen for å tilpasse den lineære hastighet-i-dyp-funksjonen til tid/dybde-samplene; en minimer-dybdefeil-motor i koeffisientestimatoren for å estimere koeffisientene basert på summerte kvadrater av dybderesidualer; en uteliggerverdi-reduseringsenhet for å redusere effekter av avvikende tid/dybde-datapunktverdier på den lineære hastighet-i-dyp-funksjonen; og en grenseflateinnvirkning-reduseringsenhet for å redusere innvirkning av en randbetingelse på den lineære hastighet-i-dyp-funksjonen, der randbetingelsen omfatter dypet til en øvre geologisk horisont eller en nedre geologisk horisont.
12. System ifølge krav 11, der systemet mottar én av: kun tid/dybde-sampler, eller tid/dybde-sampler og brønnmarkørdata; og der koeffisientestimatoren estimerer optimale koeffisienter for den lineære hastighet-i-dyp-funksjonen basert på en hvilken som helst kombinasjon av tid/dybde-sampler og brønnmarkørdata.
13. System ifølge krav 11, der uteliggerverdi-reduseringsenheten omfatter en datavektmotor for å anvende en datavekt på hvert datapunkt som påvirker datatilpasningen, der vekten som blir tildelt hvert datapunkt varierer i forhold til avstanden fra den lineære hastighet-i-dyp-funksjonen som koeffisientene blir estimert for, der punkter nær den lineære hastighet-i-dyp-funksjonen blir vektet slik at de har større innvirkning på den lineære hastighet-i-dyp-funksjonen og datapunkter lengre vekk fra den lineære hastighet-i-dyp-funksjonen blir vektet slik at de har mindre innvirkning på den lineære hastighet-i-dyp-funksjonen.
14. System ifølge krav 11, der den lineære hastighet-i-dyp-funksjonen er der er en momentanhastighet i et punkt på en øvre geologisk horisont og er hastighet-stigningstakten eller en kompakteringsfaktor; og der grenseflateinnvirkning-reduseringsenheten omfatter en datastyrt motor for å estimere en og en som ikke er avhengig av randbetingelsene.
15. System ifølge krav 11, der grenseflateinnvirkning-reduseringsenheten videre omfatter en optimaliser-estimering-av-k-motor for å forsyne innmating til den datastyrte motoren for å plassere et datapunkt som opptrer på en øvre geologisk horisont i en geologisk sone det blir tilpasset til med den lineære hastighet-i-dyp-funksjonen slik at det opptrer på den lineære hastighet-i-dypfunksjonen som blir estimert.
16. System ifølge krav 11, der grenseflateinnvirkning-reduseringsenheten videre omfatter en estimer-og-juster-til-bunn-motor for å estimere hvor en nedre geologisk horisont i en geologisk sone det blir tilpasset til med den lineære hastighet-i-dyp-funksjonen befinner seg basert på en trend i datapunktene; og der estimer-og-juster-til-bunn-motoren justerer den lineære hastighet-i-dypfunksjonen slik at et datapunkt beliggende på den nedre geologiske horisonten opptrer på den lineære hastighet-i-dyp-funksjonen som blir estimert.
17. Maskinlesbar lagringsanordning som inneholder et sett av maskineksekverbare instruksjoner som når de blir eksekvert av en maskin utfører en fremgangsmåte for å generere en hastighetsmodell for tid/dybde-konvertering i seismologi, k a r a k t e r i s e r t v e d å: motta tid/dybde-datapunkter fra én enkelt brønn; anvende en tid/dybde-relasjon (TDR) på datapunktene for å estimere minst én ukjent koeffisient i en lineær hastighet-i-dyp-funksjon for å tilpasse til datapunktene; minimere en dybdefeil i tid/dybde-relasjonen, omfattende å minimere summerte kvadrater av dybderesidualer; optimere tid/dybde-relasjonen for å forbedre estimering av den ukjente koeffisienten, omfattende én av å: redusere innvirkning av en uteliggerverdi i datapunktene; og redusere innvirknig av en randbetingelse på tid/dybde-relasjonens nøyaktighet, der randbetingelsen omfatter dypet til en øvre geologisk horisont eller en nedre geologisk horisont.
18. Maskinlesbar lagringsanordning ifølge krav 17, videre omfattende instruksjoner for redusere innvirkning av en uteliggerverdi i datapunktene ved å anvende en vekt på hvert datapunkt, der hvert datapunkt blir vektet i et inverst forhold til avstanden til datapunktet fra den lineære hastighet-i-dyp-funksjonen, der hvert datapunkt med en uteliggerverdi har forholdsvis liten innvirkning på den lineære hastighet-i-dyp-funksjonen.
19. Maskinlesbar lagringsanordning ifølge krav 17, videre omfattende instruksjoner for å: redusere innvirkning av en randbetingelse på den lineære hastighet-i-dypfunksjonen ved å anvende en datastyrt metode som rendrer den lineære hastighet-i-dyp-funksjonen i hvert fall delvis uavhengig av randbetingelser; og optimere estimering av en koeffisient som representerer en hastighetstigningstakt, der optimeringen gjør at den lineære hastighet-i-dyp-funksjonen inkluderer et datapunkt som opptrer på en øvre geologisk grenseflate i en sone som blir modellert.
20. Maskinlesbar lagringsanordning ifølge krav 17, videre omfattende instruksjoner for å: redusere innvirkning av en randbetingelse på den lineære hastighet-i-dypfunksjonen ved å anvende en datastyrt metode som rendrer den lineære hastighet-i-dyp-funksjonen i hvert fall delvis uavhengig av randbetingelser; estimere bunnen til en geologisk sone basert på en trend i datapunktene; og justere den lineære hastighet-i-dyp-funksjonen til å omfatte et datapunkt som opptrer i bunnen av den geologiske sonen.