NO345726B1 - Fremgangsmåte for seismisk tolkning ved bruk av seismiske teksturattributter - Google Patents

Description

OPPFINNELSENS OMRÅDE

Denne oppfinnelse vedrører generelt området geofysisk prospektering, og nærmere bestemt analyse av seismiske data. Spesifikt er oppfinnelsen en fremgangsmåte for å frembringe og bruke seismiske attributter som er følsomme for seismisk tekstur, hvor oppfinnelsen identifiserer og prioriterer geologiske og fysiske trekk som er relevant for hydrokarbonundersøkelser og produksjon.

BAKGRUNN FOR OPPFINNELSEN

Et seismisk attributt er en målbar egenskap for seismiske data benyttet til å fremheve eller identifisere geologiske eller geofysiske trekk. Videre er sett med attributter nyttig enten for overvåket eller ikke overvåket klassifisering for å dele dataene inn i distinkte områder (regioner), eller for datagransking (data mining) for å finne områder som er kompatible med et forhåndsbestemt mønster. Slik klassifikasjon kan lett frembringe hundredevis av områder og en automatisert prosess for å rangere områdene tillater tolkeren å fokusere på de som er mest lovende. En delvis oversikt over publisert bruk av seismiske attributter følger.

U.S. patent 5 850 622 («Time-Frequency Processing and Analysis of Seismic Data Using Very Short-Time Fourier Transforms») til Vassiliou og Garossino beskriver en fremgangsmåte for å fjerne eller dempe seismisk støy som også kan brukes for analyse av seismiske attributter og automatisk editering av traser. Fremgangsmåten benytter en meget kort tid Fourier-transform (VSTFT for Very Short-Time Fourier Transform) for å replisere én bredbånds trase inn i mange nær enkelt frekvens «subbånd» traser.

U.S. patent 5 940 778 («Method of Seismic Attribute Generation and Seismic Exploration») til Marfurt et al. beskriver fremgangsmåte for å kvantifisere og visualisere strukturelle og stratigrafiske trekk i tre dimensjoner gjennom bruk av egenvektor og egenverdi analyse av en likhetsmatrise. Videre beskrives bruk av seismiske attributter utledet fra likhetsmatriser for å detektere betingelser som er gunstige for frembringelse, migrasjon, akkumulering og tilstedeværelse av hydrokarboner i undergrunnen.

U.S. patent 6 226 596 («Method for Analyzing and Classifying Three Dimensional Seismic Information”) til Gao beskriver en fremgangsmåte for å fange inn og karakterisere volumseismiske teksturer basert på tredimensjonale seismiske refleksjonsmønstre og vurdert ved bruk av en vokselkoblingsmatrise (VCM). For å ekstrahere VCM seismisk teksturalinformasjon i en bestemt lokasjon, blir et endelig antall naboliggende voksler produsert for å frembringe VCM’en. VCM’en blir deretter prosessert for å frembringe teksturattributtene. Slike attributtvolumer blir deretter benyttet klassifisert for å frembringe et seismisk tolkningsvolum.

U.S. patent 6 278 949 («Method for Multi-Attribute Identification of Structure and Stratigraphy in a Volume of Seismic Data”) til Alam beskriver en fremgangsmåte for visuell undersøkelse av et seismisk volum uten horisontplukking eller editering, mens som fremdeles fremviser aller horisonter med deres stratigrafiske egenskaper og litografiske variasjoner. Seismiske data prosesseres for å generere multiple attributter i hver eventlokasjon med en spesifikk fase av den seismiske trase. Delsett av multiple attributter blir deretter interaktivt valgt, terskelbehandlet, og kombinert med en matematisk operator til et nytt volum fremvist på en arbeidsstasjon. Manipulering av attributtvolumer og operatorer tillater brukeren å visuelt gjenkjenne legemer av potensielle hydrokarbonreservoarer.

U.S. patent 6 438 493 («Method for Seismic Facies Interpretation Using Textural Analysis and Neural Networks») til West og May beskriver en fremgangsmåte for segmentering basert på seismisk teksturklassifisering. For et bestemt sett av seismiske facies i seismiske datavolum blir teksturale attributter beregnet og benyttet til å spore et probabilistisk neuralt nettverk. Dette neurale nettverk blir deretter brukt til å klassifisere hver voksel i dataene, som i praksis segmenterer dataene inn i forskjellige klasser. Videre beskriver U.S. patent 6 560 540 («Method for Mapping Seismic Attributes Using Neural Networks») til West og May en fremgangsmåte for klassifisering av seismiske data under kartleggingsprosessen av seismiske data.

U.S. patent 6 594 585 («Method of Frequency Domain Seismic Attribute Generation») til Gerszetenkorn beskriver en fremgangsmåte for generering av attributter fra seismiske data. Den sentrale ideen er at amplitude eller fasespekteret av en kort vindu Fourier transform tilpasses en modellkurve hvis parameter benyttes som seismiske attributter.

U.S. patent 6 628 806 ("Method for Detecting Chaotic Structures in a Given Medium") til Keskes og Pauget beskriver en fremgangsmåte for å detektere kaotiske strukturer i seismiske data basert på variabiliteten til gradientvektorene, eller for å være mer spesifikk, egenverdiene beregnet fra en lokal sum av dyadiske gradientvektorprodukter.

U.S. patent 6 745 129 ("Wavelet-Based Analysis of Singularities in Seismic Data") til Li og Liner beskriver en småbølgebasert fremgangsmåte for analyse av singulariteter I seismiske data. En småbølgetransform benyttes på seismiske data og Hölder-eksponenten beregnes for hvert tidspunkt i småbølgetransformen. Höldereksponentene plottet mot tid utnyttes i stedet for seismiske traser for visualisering fordi de synes å understreke stratigrafiske grenser og andre geologiske trekk.

U.S. patent 7 398 158 ("Method and Apparatur for Detecting Fractures Using Frequency Data Derived from Seismic Data") til Najmuddin beskriver en fremgnagsmåte for å kartlegge frakturer i en grunnformasjon. Denne metoden bruker frekvensspektrene utledet fra P-bølge seismiske data over et par spesifikke tidsvinduer over og under en seismisk horisont for å utlede tilstedeværelsen eller fraværet av frakturer basert på dempningen at høye frekvenser som målt ved skiftet i frekvensspektra fra høyere frekvenser til lavere.

U.S. patent 2007/0223778 ("Local Dominant Wave-Vector Analysis of Seismic Data") av Pinnegar et al. beskriver en fremgangsmåte for prosessering av multidimensjonale data for å bestemme frekvensavhengige trekk i disse. De multidimensjonale signaldataene transformeres til romfrekvens eller tidsromfrekvensdomene ved bruk av enten en fullpolar S-transform (FPST) eller magerpolar S-transform (SPST) for å bestemme den dominente komponent og dens orientering, hvilket tillater generering av et fallkart, et frekvenskart eller et amplitudekart.

PCT-patentsøknad publikasjon WO 2008/130978 ("Methods of Hydrocarbon Detection Using Spectral Energy Analysis") av Wiley et al, beskriver en fremgangsmåte for detektering av hydrokarboner basert på den dominante frekvensen og båndbredden i eller nær målområdet.

PCT-patentsøknad publikasjon WO 2009/011735 (Geologic Features from Curvelet Based Seismic Attributes") av Neelamani og Converse beskriver en fremgangsmåte for å identifisere geologiske trekk fra seismiske data ved å ta en curvelet-transform av dataene. Fra denne curvelet-representasjon, blir valgte geofysiske dataattributter og deres sammenhenger ekstrahert som brukes til å identifisere geologiske trekk.

Pitas og Kotropoulos ("Texture Analysis and Segmentation of Seismic Images", International Conference on Acoustics, Speech, and Signal Processing, 1437-1440 (1989)) foreslår en fremgangsmåte for teksturanalyse og segmentering av geofysiske data basert på deteksjon av seismiske horisonter og beregning av deres attributter (f.eks. lengde, midlere refleksjonsstyrke, signatur). Disse attributter representerer teksturen av det seismiske bildet. Overflatene samles i klasser ifølge disse attributter. Hver samling representerer en distinkt teksturkarakteristikk for det seismiske bildet. Etter denne innledende samling, blir punktene på hver overflate benyttet som frø for segmentering hvor alle piksler i det seismiske bildet samles i disse klasser i samsvar med deres geometriske nærhet til de klassifiserte overflater.

Simaan (f.eks. "Knowledge-Based Computer System for Segmentation of Seismic Sections Base don Texture", SEG Expanded Abstracts 10, 289-292 (1991)) beskriver en fremgangsmåte for segmentering av to-dimensonale seismiske seksjoner basert på de seismiske tekstur- og heuristiske geologiske regler.

Fernandez et al. ("Texture Segmentation of a 3D Seismic Section with Wavelet Transform and Gabor Filters", 15th International Conference on Pattern Recognition, 354-357 (2000)) beskriver en overvåket segmentering (dvs. klassifikasjon) av en 3D-seismisk seksjon som utføres ved bruk av småbølgetransformasjoner. Attributter blir beregnet på småbølgeekspansjonen og på det småbølgefiltrerte signalet, og brukes av en klassifikator til å gjenkjenne og deretter segmentere den seismiske seksjonen. Filtrene konstrueres ved å optimalisere klassifikasjonen av geologisk godt forståtte soner. Som et resultat av segmenteringen blir soner med annen intern stratifisering identifisert i den seismiske seksjon ved sammenligning med referansemønstre ekstrahert fra de representative områdene.

Patel et al. ("The Seismic Analyzer: Interpreting and Illustrating 2D Seismic Data", IEEE Transactions on Visualization and Computer Graphics 14, 1571-1578 (2008)) beskriver en verktøykasse for tolkning og illustrasjon av to-dimensjonale seismiske skiver. Fremgangsmåten forhåndsberegner den horisontale struktur i de seismiske data og merker dem ved å påføre illustrative utførende algoritmer slik som deformert teksturering og linje og teksturoverføringsfunksjoner.

Randen og Sonneland ("Atlas of 3D Seismic Attributes", i Mathematical Methods and Modeling in Hydrocarbon Exploration and Production, Iske og Randen (redaktører), Springer, 23-46 (2005)) representerer et overblikk av tre-dimensjonale seismiske attributter som karakteriserer seismisk tekstur eller seismostratigrafiske trekk.

I "Coherence-derived volumetric curvature using the Windowed Fourier Transform", utfører Zhang den vindubehandlede Fourier-transform i 1D ved bruk av et 1D-vindu til å oppnå et volumetrisk kurvaturattributt, som gir forbedret evne til å idenfisere geologisk struktur, forkastninger og frakturer (71ste EAGE konferanse, Amsterdam, Nederland, 8-11. juni 2009, paper 275).

Det er behov for en fremgangsmåte som skiller ut forskjellige områder i de seismiske data basert på deres seismiske struktur, fortrinnsvis deler dataene inn i forskjellige områder på en automatisert måte, og ideelt til og med rangerer områdene basert på deres potensial for å inneholde hydrokarboner.

SAMMENFATNING AV OPPFINNELSEN

Foreliggende oppfinnelse omhandler en datamaskinimplementert fremgangsmåte for transformering av et seismisk undersøkelsesvolum ifølge krav 1, en fremgangsmåte for leting etter hydrokarboner ifølge krav 8, samt et dataprogramprodukt ifølge krav 9, og som tilfredsstiller det ovenfor nevnte behov. Foretrukne utførelsesformer av oppfinnelsen fremgår av de tilhørende uselvstendige krav.

I én utførelse er oppfinnelsen en fremgangsmåte for å transformere et seismisk undersøkelsesdatavolum til et seismisk attributtdatavolum som er mer følsomt for geofysiske trekk i undergrunnen som indikerer hydrokarbonpotensialet, omfattende:

(a) valg av en vindusstørrelse for 2D eller 3D-dataanalyse,

(b) for hver av multiple posisjoner av analysevinduet i det seismiske datavolum, å transformere dataene i vinduet til et spekter i et bølgetallsdomene, og

(c) definere et attributt for de seismiske data basert på én eller flere spektrale egenskaper ("spektralt attributt"), og beregne det spektrale attributt for hvert vindu, og tildele denne attributtverdi til en romlig lokasjon som representerer vinduet, og derved frembringer et multidimensjonalt spektralattributtdatavolum og

(d) bruke spektralattributtdatavolumet til å predikere hydrokarbonpotensialet.

Ifølge en foretrukket utførelse, omfatter fremgangsmåten at det definerte spektralattributt defineres i form av et valgt mål av minst to dataverdier innen analysevinduet etter transformasjon av dataene innen vinduet.

Det definerte spektralattributt kan være én av en gruppe attributter for de transformerte datas amplitudespektrum, idet nevnte gruppe består av middel, harmonisk middel, median, modus, varians, standardavvik, skjevhet, kurtosis, eksentrisitet og anisotropi definert som forholdet mellom maksimum og middel.

Det definerte spektralattributt kan være én av en gruppe bestående av regularitet, interferens og Laplacian.

Det definerte spektralattributt kan også være basert på et spektralt moment eller lineær kombinasjon av spektralmomenter av de transformerte datas amplituder eller dataenes fasespektrum.

Det definerte spektralattributt kan være én av en gruppe basert på kombinasjoner av dataenes amplitudespektrum og orientering.

Gruppen kan inkludere asimut, fall og bølgetall.

Dimensjonalitet av de vindusbehandlede spektra kan reduseres ved projeksjon på en lavere dimensjonal overflate.

Reduksjonen i dimensjonalitet kan oppnås ved rebinging av de vindusbehandlede spektra basert på orientering.

De vindusbehandlede spektra kan også konverteres til en kovariansmatrise, som brukes til å beregne dominante retninger.

De dominante retningene kan også beregnes ved singulærverdidekomposisjon, og gruppen av attributter baseres på resulterende egenverdier.

Gruppen av attributter kan inkludere den største egenverdien, og forhold av den andre og tredje største til den største.

Klassifiseringen kan også utføres av en fremgangsmåte fra en gruppe bestående av: terskelbehandling, binging, frødeteksjon, klinging, annen ikke-overvåket klassifisering, tilpasning, overvåket klassifisering eller undersøkelse, hvor egenskaper tillates å tilhøre multiple klasser.

I noen utførelser av oppfinnelsen blir det spektrale attributt definert i form av et valgt mål på minst to transformerte dataverdier innen analysevinduet. Foretrukne transformer for foreliggende oppfinnelse er Fourier-, Bessel- og Hankeltransformene, og særlig en multidimensjonal diskret Fourier-transform.

KORTFATTET BESKRIVELSE AV TEGNINGENE

Foreliggende oppfinnelse og dens fordeler vil bli bedre forstått ved henvisning til den etterfølgende detaljerte beskrivelse og de vedføyde tegninger hvor:

Figur 1 er et flytskjema som illustrerer seismisk klassifisering og evaluering basert på multidimensjonale spektrale attributter,

Figur 2 er et flytskjema som viser grunntrinn i trinn A i den oppfinneriske fremgangsmåte, generering av multidimensjonale spektralattributter,

Figur 3 viser en skive gjennom et seismisk amplitudedatavolum benyttet til å beregne de multidimensjonale attributtene i foreliggende oppfinnelse som vises i tilsvarende datavolumskiver i figurene 4-9,

Figur 4 viser en skive av interferensattributtet Dinter beregnet fra amplitudedataene,

Figur 5 presenterer en skive av øyeblikkelig interferensfrekvensvolum,

Figur 6 viser en skive gjennom regularitetsvolumet Aregularity,

Figur 7 presenterer en skive av det harmonisk middelattributtet Aharmonic,

Figur 8 viser en skive av minmaksvolumet Aminmax,

Figur 9 viser en skive gjennom en platehet-kube Cplate,

Figur 10 viser en skive av et klassifikasjonsvolum basert på ikke-overvåket segmentering inn i fire klasser basert på regularitet (figur 6), harmonisk middel (figur 7), minmaks (figur 8), og platehet (figur 9),

Figur 11 viser frakoblede områder tilveiebrakt ved identifikasjon av koblede voksler som tilhører den fjerde klassen (figur 10), og

Figur 12 viser områdene som tilhører den fjerde klassen (figur 11) i prioritert rekkefølge basert på deres midlere øyeblikkelige interferensfrekvensinnhold (figur 5).

Oppfinnelsen vil bli beskrevet i forbindelse med eksempelvise utførelser. I den utstrekning at den etterfølgende detaljerte beskrivelse er spesifikk for en bestemt utførelse eller en bestemt bruk av oppfinnelsen, er dette bare ment å være illustrativt, og ikke å oppfattes som å begrense omfanget av oppfinnelsen. Derimot er det ment å dekke alle alternativer, modifikasjoner og ekvivalenter som kan inkluderes innen omfanget av oppfinnelsen som definert ved de vedføyde krav.

DETALJERT BESKRIVELSE AV EKSEMPELVISE UTFØRELSER

For å lete etter oppsamlinger av hydrokarboner i grunnen, bruker geoforskere "remote sensing"-fremgangsmåter for å se under grunnens overflate. I den rutinemessig benyttede seismiske refleksjonsmetoden, blir kunstige lydbølger generert nær overflaten. Lyden forplanter seg inn i grunnen og når lyden passerer fra ett bergartslag til et annet blir en liten del av lyden reflektert tilbake til overflaten hvor den registreres. Typisk blir det benyttet hundreder til tusener av registreringsinstrumenter. Lydbølger blir sekvensielt eksitert i mange forskjellige lokasjoner. Fra alle disse registreringer blir det tilveiebrakt et to- eller et tre-dimensjonalt bilde av undergrunnen etter betydelig dataprosessering.

Fra disse bilder kan man utlede seismiske attributter, hvilket ord her blir benyttet i dens betydning på området, dvs. egenskaper som kan måles fra de seismiske data som er nyttig for å beskrive de seismiske data. Eksempelvise attributter inkluderer tid, amplitude eller frekvens. Generelt relaterer tidsbaserte målinger til struktur, amplitudebaserte til stratigrafi og reservoarkarakterisering, og frekvensbaserte til stratigrafi og reservoarkarakterisering. Fordi det er mange måter å arrangere data på danner attributter et åpent sett, og fordi de er basert på et begrenset antall målinger er attributter generelt ikke avhengig av hverandre. Attributter er nyttige i den utstrekning at de korrelerer med en fysisk egenskap av interesse og hjelper til for å se egenskaper, forhold og mønstre som ellers kan passere ubemerket. Slike attributter representerer en transformasjon av seismiske data til en form som er mer nyttig for tolkning av eksistensen av fysiske objekter med hydrokarbon betydning.

En primær bruk av attributter er derfor å hjelpe seismisk tolkning ved direkte visualisering fordi de understreker eller identifiserer geologiske eller geofysiske trekk. Videre kan seismiske attributter brukes til segmentering eller partisjonering av dataene inn i geolegemer eller områder definert ved lignende seismiske attributter. Kjernen ved foreliggende oppfinneriske fremgangsmåte er en ny familie av seismiske attributter som er følsomme for tekstur i den seismiske datafremvisningen, og en fremgangsmåte for å beregne disse. Alle utførelser blir beskrevet for bruk på tre-dimensjonale datavolumer. Andre tilfeller, for to-dimensjonale dataseksjoner, følger ved analogi. De nye attributtene beregnes fra lokale bølgetallsspektra, og kan kalles vindusbaserte multidimensjonale Fourier-attributter eller multidimensjonale spektrale attributter, hvor spektral viser til multidimensjonale bølgetallspektra og ikke de mer vanlige frekvensspektraene.

De nye attributtene er vel egnet til å karakterisere den lokale tekstur av de seismiske data. Videre er genereringen av disse attributter effektiv fordi de kan beregnes ved bruk av diskret fast Fourier-transforms (FFT). Tolkeren kan bruke disse attributter direkte for tolkning og visualisering, eller kan bruke kombinasjoner av disse attributter til automatisk å gruppere og klassifisere dataene basert på deres seismiske struktur. Tolkeren kan deretter direkte bruke klassifikasjonsvolumene ved anvendelse av konvensjonelle tolkningsmetoder som inkluderer avbilding, visualisering eller geolegemeplukking, eller kan bruke datamaskin til å dele dataene inn i områder basert på denne klassifikasjon, og deretter analyse områdene for deres hydrokarbonpotensial, og endelig rangere områdene for å prioritere etterfølgende innsatser.

Figur 1 presenterer et flytskjema av en seismisk mønstergjenkjenningsmetode som genererer og bruker attributter ifølge foreliggende oppfinnelse. Den består av de følgende trinn: (11) valg av én eller multiple vindusstørrelser, (12) transformasjon av disse datavinduer inn i det spektrale domene (som i dette tilfelle betyr vektorbølgetall), (13) beregning av spektrale attributter, og (14) attributtbasert dataklassifisering. Basert på klassifiseringen blir dataene i trinn 15 delt inn i områder. Etter denne segmentering kan det være flere områder med den samme klassifisering. Trinn 16 er analyse av disse områder, etterfulgt av trinn 17, høygradering basert på deres potensial til enten å inneholde hydrokarboner eller relatere til et hydrokarbonsystem.

Mens denne arbeidsflyt for mønstergjenkjenning er nokså tradisjonell, er dette ikke tilfellet for attributtene som brukes, multidimensjonale vindusbehandlede Fourierattributter. Disse attributter krever valg av en størrelse for analysevinduet. For det samme attributt kan vinduer med forskjellige størrelser genererer forskjellige resultater, fordi vindusstørrelsen bestemmer skalaen på hvilken geologiske trekk blir av. Faktisk er resultatene typisk skalaavhengige. Trinnet med valg av vindustørrelse blir eksplisitt angitt for å understreke attributtenes evne for multiskalaoppløsning. Fordi disse attributter har anvendelser utover seismisk klassifisering, og klassifisering frembringer enda et attributtvolum, er arbeidsflyten splittet opp i tre trinn (A, B og C) som diskuteres separat nedenfor.

Trinn A er genereringen av attributter som skissert i flytskjemaet i Figur 2, og korresponderer til trinnene 11-13 i Figur 1, men med større detalj for en bestemt utførelse av oppfinnelsen. Prosessen begynner med et seismisk datavolum 20. Fortrinnsvis er dataene et tre-dimensjonalt volum av seismiske amplituder, men et attributt av de seismiske data kan brukes i stedet. Trinn 21, som er valgfritt, er forhåndsbehandling av de seismiske data for å fjerne støy, filtrere dataene eller frembringe sekundære attributtvolumer som skal analyseres med den oppfinneriske fremgangsmåten. For eksempel forskyver en Hilbert-transform fasen av den seismiske småbølgen med 90° for å frembringe såkalte kvadraturdata. De originale data og kvadraturdataene kan til og med koordineres for å danne analytiske data med komplekse verdier.

Hvis vi går videre til trinn 23 er det tre-dimensjonale analysevinduet fortrinnsvis et rektangulært parallellepiped, som ligner en liten murstein, selv om enhver form, f.eks. en kul eller en sylinder alternativt kan benyttes. Legg imidlertid merke til at et bestemt analysevindu i sammenheng med en passende vektfunksjon (valgfritt trinn 24) tillater approksimering av mange andre former for analysevinduer. Mange transformasjoner (det vises nå til trinn 12 i Figur 1) har et naturlig domene på hvilket de er definert og virker mest effektivt. For den diskrete Fourier-transformen ("DFT") benyttet i en foretrukket utførelse av foreliggende oppfinnelse, er dette domene mursteinen som er tilfeldigvis fordi seismiske data typisk diskretiseres i datavolum hvor hver celle har form av en murstein.

Vindustørrelsen som skal brukes for analysen velges av brukeren, enten manuelt eller gjennom en programmert algoritme. Ved antagelse av det mursteinsformede vinduet, betyr dette valg av tre tall: nx, ny og nz. Typiske størrelser strekker seg fra 3x3x3 til 81x81x81. Det er ingen krav om at alle tre dimensjoner er av samme størrelse, men i det minste nx og ny blir typisk valgt å være like. Valg av vindustørrelsen er et viktig trinn fordi det tillater beregning av skalaavhengige attributter hvor det samme attributtet beregnes i de samme lokasjoner, men med forskjellige størrelser av analysevinduer og derfor avføler geologiske trekk med forskjellige skalaer og oppløsninger.

Trinn 24, bruk av en vektfunksjon, er valgfritt. Følgelig kan det programmeres inn i en automatisert versjon av oppfinnelsen slik at som standard blir alle koeffisienter av vektfunksjonen satt til én, hvilket gjør rettingen til en identitetsoperatør som lar dataene være uforandret. Typisk anbefales det noe vekting, f.eks. for å minske kant eller trunkeringseffekter. En enkel cosinusreduksjon kan være tilstrekkelig, men andre vanlig benyttede funksjoner slik som Gaussiske eller Hammingreduksjoner er beskrevet i f.eks. Harris, "On the Use of Windows for Harmonic Analysis with the Discrete Fourier Transform", Proceedings of the IEEE 66, 51-83 (1978). Brukeren kan foretrekke en annen vektfunksjon.

I tre dimensjoner kan et cosinusfilter konstrueres som

Selv om den er perfekt brukbar frembringer trippelmultiplikasjonen en meget skarp reduksjon mot kantene og hjørnene. En foretrukket modifikasjon av cosinusfilteret er

som utviser en mer gradvis reduksjon ved å unngå multipliseringen av tre små tall.

En spesiell form for vekting er resampling på inngangen hvor størrelsen av datavinduet enten reduseres ved undersampling eller forstørres ved interpolering. Resampling kan utføres på vindu-for-vindu-basis, eller globalt ved resampling av hele datasettet. Interpolering eller oversampling anbefales når det er bratte hendelser til stede i dataene som kan aliaseres. Undersampling øker beregningseffektiviteten når store vinduer brukes for de store vinduer resulterer i lange kjøretider. Store vinduer er særlig følsomme for lave frekvenser, lange bølgelengder eller små bølgetall som beholdes når dataene desimeres, undersamples eller nedsamples. I tilfellet av undersampling bør dataene også filtreres med en lavpassfilter fordi undersampling kan introdusere aliasingforstyrrelser. Vekting kan derfor inkludere reduksjon, filtrering og/eller resampling.

Seleksjonen av punkter for analysen (trinn 25) er meget fleksibel. Analysen kan utføres i ett punkt, for et sett punkter, for punkter på en tilfeldig kurve som skjærer volumet, for punkter på en tilfeldig overflate som skjærer gjennom volumet eller for punkter inne i en tilfeldig delvolum inne i volumet, for bare å gi noen få eksempler. Foretrukne modi inkluderer utførelse av analysen for alle punktene på enten en ilinjeseksjon, en krysslinjeseksjon, en tids- eller horisontskive, eller selve volumet. Det er å forstå at i alle disse tilfeller utføres analysen ved bruk av et multidimensjonalt datavindu valgt i trinn 23. Forskjellene som frembringes av de forskjellige opsjonene i trinn 25 er bare i hvor analysen utføres og hvor ofte den gjentas romlig.

Vinduer for naboliggende analysepunkter kan dele en stor del av deres data. For et vindu av størrelse 11x11x11 vil vinduer sentrert på naboliggende lokasjoner dele 90 % av deres data. Fordi store deler av data er felles for begge punkter, vil deres multidimensjonale spektra og de resulterende mål eller attributter være lignende. For store vinduer blir analysen fortrinnsvis utført i noen få spredte lokasjoner og resultatene blir deretter interpolert i mellom istedenfor beregning av spektra og mål i hvert datapunkt som korresponderer til resampling av utgangen. Et praktisk kompromiss mellom effektivitet og nøyaktighet er overlapping av naboliggende vinduer med 80 %. For et vindu av størrelse 49x49x49, vil analysepunktene deretter adskilles med 10 punkter hvilket gir en tusenfold økning i effektivitet uten å ofre detaljer eller nøyaktighet. Mellom analysepunkter kan resultatene interpoleres. For spredte analysepunkter arrangert på regulær Kartesisk måte, er den foretrukne interpolering i to dimensjoner den bilineære interpolering, mens den trilineære interpolering er den foretrukne metode i tre dimensjoner. I begge metoder blir dataene først interpolert lineært langs én dimensjon, som interpolerer punktsampler til linjer, deretter langs en andre dimensjon, som interpolerer linjer til overflater, og endelig langs den tredje og siste dimensjon, som interpolerer overflater til volumer. Variasjoner av denne metode kan erstatte lineær interpolering med sinc-interpolering eller spline-interpolering. Uavhengig av arrangementet av analysepunktene kan resultater mellom analysepunkter estimeres ved triangulering, nærmeste nabointerpolering, invers-avstand-interpolering eller «kriging».

Det neste trinnet (26) er transformasjon av det multidimensjonale datavinduet inn i det spektrale (bølgetall) domenet. Denne transformasjonen utføres på ett vindu om gangen. Potensielle transformasjoner inkluderer Fourier-transformen, Hartlytransformen, Hankel-transformen, Bessel-transformen, Abel-transformen, Melintransformen, Radon-transformen eller én av deres mange variasjoner. Se for eksempel Bracewell, The Fourier Transform and Its Applications, McGraw-Hill (1986), sidene 241-272, eller enhver av mange andre lignende lærebøker om anvendt matematikk. Fourier-transformasjoner dekomponerer dataene inn i harmoniske plane bølger som kan utføres meget effektivt ved bruk av Fast Fourier-transformasjon (FFT) algoritmen (FFT). Variasjoner av Fourier-transformen inkluderer Cosinuseller Sinus-transformene eller Hartley-transformen som også har blitt implementert meget effektivt i en diskretisert form. Hankel-transformen dekomponerer dataene inn i harmoniske, sylindriske bølger, mens Bessel-transformen dekomponerer inn i harmoniske sfæriske bølger.

Foretrukne utførelser av foreliggende oppfinneriske fremgangsmåte bruker én av Fourier, Bessel og Hankel-transformene, selv om andre transformer kan benyttes. En mer foretrukket utførelse bruker en multidimensjonal diskret Fourier-transform («DFT»). Winograd-transformen er en variasjon av DFT-algoritmen optimalisert for vindusstørrelser som er et produkt av faktorene 2, 3, 4, 5, 7, 8, 11, 13 og 16 (Winograd, «On computing the discrete Fourier transform», Math. Computation 32, 175-199, (1978)). Det eksisterer en enda hurtigere DFT-algoritme for vindusstørrelser som er produkter av faktorene 2, 2, 5 eller 7, se Frigo og Johnson, «The Design and Implementation of FFTW3,» Proceedings of the IEEE 93, 216-231 (2005). Bruk av datavinduer hvor alle dimensjoner har et odde antall voksler sentrerer analysevinduet nøyaktig på et datapunkt eller voksel, og kan for denne årsak betraktes som foretrukket for bruk av DFT eller enhver annen transform for den del.

Fourier-transformer tar et datavindu d(x,y,z) og konverterer det til den følgende form, hvor F representerer Fourier-transformen:

Denne bestemte form velges for å understreke at Fourier-dekomposisjonen har tre komponenter: (1) amplitudespekteret A, (2) fasespekteret θ og (3) orientering (k, l, m) eller normalisert orientering hvor og analogt for og . Kunnskapsrike personer i det tekniske området for denne oppfinnelsen vil innse at mens en tradisjonell endimensjonal Fourier-transform finner fase og amplitude for sinoider av en gitt frekvens, finner multidimensjonale Fouriertransformer fase og amplitude for harmoniske plane bølger som ikke bare har en bølgelengde men også en retning. Retning (en enhetsvektor) og bølgelengde kan kombineres i en vektor kalt bølgetall som erstatter frekvens i multidimensjonale Fourier-transformer. Målinger på et 3D-gitter av mursteinsformede celler har derfor en direksjonal egenskap.

Forskjellige spektrale målinger valgt i trinn 28 kan benytte forskjellige kombinasjoner av de tre komponentene.

I alternativt trinn 27 kan hele spekteret eller enhver del av det modifiseres for eksempel ved filtrering, dempning, symmetrifisering, refleksjon eller en affin transformasjon. En bestemt modifikasjon er vindusbehandling, for eksempel i kvadranter eller oktanter. Vindusbehandling av spekteret kan brukes for å beregne ethvert mål fra bare en del av spekteret. Fortrinnsvis blir imidlertid to vinduer valgt. For hvert vindu regnes et mål, og et nytt mål dannes fra sammenligningen av de individuelle resultatene. De individuelle resultatene kan adderes, subtraheres, multipliseres, divideres eller kombineres på enhver annen måte for å danne minst ett mål. Vinduene kan delvis overlappe, være innbyrdes eksklusive, spenne over hele spekteret eller bare en del av dette. Den åpenbare metode for å splitte spekteret i to symmetriske halvdeler, kan ikke gi et tilfredsstillende resultat fordi det multidimensjonale Fourier-spekteret utviser punktsymmetri med hensyn til startpunktet (origin eller null bølgetall). En ytterligere generalisering er bruk av multiple vinduer hvor mål fra et brukerspesifisert vindu sammenlignes mot et ekstremt ett eller mål fra ekstreme vinduer sammenlignes mot hverandre, for eksempel summen av maksimum fra hvert vindu eller forholdet mellom de to største vindusmaksima.

Det neste er trinn 28, hvor forskjellige mål av bølgetallsspektra som er definert ved foreliggende oppfinnelse kan beregnes. Disse mål er de oppfinneriske attributtene. Et første sett av attributter som kan genereres ved foreliggende oppfinneriske fremgangsmåte behandler amplitudespekteret A som et sett av sampler uten struktur. Eksempelmål av denne type inkluderer maksimum Amax av A, eller dets minimum Amin, middel Amean, harmonisk middel Aharmonic, median Amedian, modus Amode, varians Avar, standardavvik Astd, skjevhet Askew, kurtosis Akurt, eksentrisitet Aminimax eller dets anisotropi Aaniso definert som forholdet mellom maksimum og middel. Definisjoner av disse eksempelvise mål (attributter) følger. Vedrørende Amax og Amin, selv om disse attributter har betydning, er en enkelt spektral verdi, så som den dominante amplitude eller dens assosierte retning, et dårlig mål for seismisk tekstur. Tekstur resulterer fra den lokale interferens av seismiske hendelser, eller i tilfellet av regulære, gjennomgående hendelser, fraværet av interferens. Derfor vil analyse av en enkelt hendelse, for eksempel bare den dominante, ikke karakterisere tekstur. Et teksturmål foretrukket for foreliggende oppfinneriske fremgangsmåte detekterer den lokale tilstedeværelse av multiple hendelser og sammenligner deres egenskaper. Foreliggende oppfinneriske mål analyserer den lokale tekstur ved transformasjon inn i et bølgetallsdomene og karakteriserer tekstur ved å kombinere eller sammenligne de forskjellige hendelser inneholdt i spekteret.

Faktoren N defineres som

Et foretrukket attributt resulterende fra foreliggende oppfinnelse er regularitet Aregu-

larity som måler hvor båndet, og derfor hvor regulære, de seismiske data synes å være. Områder med rene, gjennomgående refleksjoner utviser en høy grad av regularitet, mens støyende områder med disorganiserte refleksjoner utviser lav regularitet. Regularitet er komplementært til kaosattributtet, men dens beregning er mer effektiv på grunn av bruk av multidimensjonale Fourier-transformer.

For et vindu med hvit støy, har alle spektralkomponenter styrke lignende den dominante, alle uttrykkene forsvinner og regularitet er lav. For en lokalt harmonisk, perfekt plan reflektor, dominerer en komponent mens de andre forsvinner, alle uttrykkene nærmer seg enhet, og regularitet er høy.

Når benyttet til å måle hvor regulære (eller båndede) dataene er, er ofte brukte vindusstørrelser 11x11x11, 21x21x21 og 41x41x41 som karakteriserer regularitet på kort, mellomliggende og lang skala. Høyt irregulære områder kan korrespondere til salt eller massetransportkomplekser. Anvendelse av et mer kolonneformet vindu, for eksempel 3x3x11, 3x3x15 eller 3x3x21, transformerer regularitetsattributter fra et mål på båndadhet til et mål på fallstyrt (eller strukturorientert) diskontinuitet hvilket betyr at det detekterer kanter eller brå endringer langs refleksjonene. Slike kanter kan forårsakes av forkastninger eller stratigrafiske egenskaper med skarpe kanter, for eksempel kanaler.

Et annet foretrukket attributt er interferens Dinter som skjerper opp seismiske refleksjonsmønstre mens det samtidig øker romlig koherens av reflektivitet:

I denne definisjonen betegner stjerne * det komplekse konjugat som D er det komplekse spektrum. Interferens er ikke så mye etter teksturmål når det benyttes direkte, men i stedet en operator benyttet under prosessering og forhåndsbehandling som transformerer seismiske teksturer for å gjøre de mer utpreget. Målattributter kan imidlertid beregnes fra interferensvolumer. Et foretrukket attributt basert på interferens er den øyeblikkelige frekvens beregnet fra interferens som atskiller enkle bølgeformer fra komplekse. Først blir midlere interferens subtrahert. For det andre blir Hilbert-transformen av den middelfrie interferens brukt til å beregne øyeblikkelig interferensfase definert som vinkelen mellom Hilberttransformen og interferensen. For det tredje blir øyeblikkelig interferensfrekvens beregnet ved å ta den deriverte av lokalt opp-pakkede (unwrapped) øyeblikkelige interferensfaser. En mindre effektiv versjon er simpelthen å ta den deriverte av interferensvolumet. ;;Et annet attributt som her er beskrevet er Laplacian Alaplace som måler spektral kurvatur. ;;; ; Et annet sett med attributter er basert på de spektrale momentene. ;; ;;; som kan beregnes på en rå og sentral måte. Lineære kombinasjoner av disse momenter tillater beregning av rotasjon, translasjon og skalainvariante momenter. ;;Ved analogi kan et lignende sett attributter tilveiebringes fra fasespekteret θ. ;;Et annet sett attributter er basert på kombinasjoner av amplitudespektrum A og orientering eller (Φ,ς) hvor Φ betegner azimuth og ς betegner fallet. ;;; ;;; Først betegner attributtene Φmax, ςmax og Kmax betegner azimuth, fall og bølgetall ;; assosiert med maksimum Amax i amplitudespekteret. For det andre kan dimensjonalitet av spekteret reduseres ved projeksjon på lavere dimensjonale overflater. En bestemt type dimensjonalitetsreduksjon er ved rebinging av spektrene basert på orienteringen. Rebinging på en enhetssfære er mer involvert enn det kan forventes fordi bingestørrelsene bør være omtrent like. Uoverlagt binging på enhetssfæren gir infinitesimale binger ved polene. Regulære, eller i det minste halvregulære, polyhedriske binger kan være mer kompliserte enn nødvendig. Fortrinnsvis brukes et sylindrisk domene for rebinging, hvor bingene defineres ved divisjon av Φ og inn i NΦ og Nz segmenter. En tilfeldig bølgevektor tilhører bingen (i, j) for ;; ; Det reduserte spektrum R(i, j) oppnås ved å summere alle passende bidrag av A(k,l,m). Attributter beregnes analogt til de tidligere definert for det fulle spektrum. Eksempler er Rmax eller Rmin og Rlaplace: ;; ;; Ved å ta nøyaktig hensyn til den periodiske natur av azimuth, kan spektrale momenter igjen beregnes. ;; ;;; Lineære kombinasjoner av disse momentene tillater beregning av rotasjon, translasjon og skalainvariante momenter. ;;En annen måte å redusere spekteret på er ved beregning av marginale fordelinger ved integrering eller summering langs ett eller multiple av k, l, eller m indisiene. Marginale fordelinger kan også beregnes på en sfærisk måte hvor spekteret integreres (eller summeres) langs ett eller multiple av Ф, ς og κ-retningene. Attributter kan deretter beregnes fra lavere dimensjonale marginale forgreninger analogt med de tidligere definert for det fulle spektrum. ;;For det tredje kan spektra konverteres til en kovariansmatrise som tillater beregning av dominante retninger. ;;; ; Utførelse av en singulær verdi dekomposisjon på C gir tre egenverdier ;; og tre egenvektorer ;; Egenverdiene tillater estimering av den spektrale form eller strukturattributter. ;;; ;;; Tabell 1. Struktur assosiert med egenverdiene. ;;Settet med egenverdibaserte attributter inkludert dimensjonalitet Cdim, platehet (plateness) Cplate, punkthet (pointness) Cpoint, Frobenius-normen Cfrob eller beholderhet (vesselness) Cvess: ;;; ;;; Parameterne α, β og γ er avstemningsparametere som kan velges å være, for eksempel, 1⁄2, 1⁄2 og 1⁄4. ;En alternativ foretrukket utførelse av dimensjonalitet er sammenligning av andre og tredje egenverdi med den første og største. ;;; ;;; Terskelparameteren ε velges innen området 0 ≤ ε ≤ 1. I praksis har en verdi på rundt 0,7 blitt funnet å generelt frembringe gode resultater. ;;Det kan være fordelaktig å skalere ethvert mål eller attributt på en lineær eller ikke-lineær måte for å øke oppløsningskraft og differensiasjon av teksturer. Slik skalering kan utføres på en modelldrevet måte hvor målene inverteres, kvadreres, kombineres eller brukes som argumenter av generiske funksjoner. Skalering kan også utføres på en datadrevet måte, for eksempel ved skalering til et brukerdefinert område. En bestemt måte for datadrevet skalering er ved histogramutligning som danner et mer uniformt histogram for ethvert mål. Histogramutligning oppnår dette ved effektivt å spre ut de oftest opptredende verdiene mens de som opptrer mindre ofte komprimeres. En generalisering av histogramutligning er histogramtransformasjon hvor attributthistogram blir strukket og klemt sammen for å ligne et ønsket målhistogram som for eksempel spesifiseres av brukeren. Regulatitetsattributtet Aregularity, tenderer for eksempel til å frembringe et histogram som ligner en loggnormal fordeling. For å øke oppløsning blir halen klemt sammen mens toppen strekkes ut. ;;Endelig blir de beregnede attributter 29 lagret i minnet eller et annet lagringsmedium for ytterligere bruk. Arbeidsflyten kan terminere i dette punkt uten utførelse av trinn B (klassifisering) når de multidimensjonale spektrale attributter brukes for seismisk tolkning, segmentering eller visualisering. Regularitetsattributtet Aregularity, måler for eksempel hvordan organiserte seismiske refleksjoner er. Regioner med rene, gjennomgående refleksjoner utviser en høy grad av regularitet, mens støyende områder med disorganiserte refleksjoner utviser lav regularitet. Eksempler på slike lavregularitetområder er saltdomer eller massetransportkomplekser («MTC») som kan skilles fra andre deler av dataene basert på deres lave regularitet. Attributter slik som regularitet kan også brukes til å øke eller kontrollere transparens og/eller fargeopplegget under visualisering. ;Trinn B (trinn 14 i fig. 1) er klassifisering i bred forstand hvor ett eller flere multidimensjonale spektrale attributter brukes til å merke voksler. Noen utførelser av den oppfinneriske fremgangsmåten øker settet av multidimensjonale spektrale attributter med ytterligere generiske attributter, så som sløyfeasymmetri, sløyfevarighet eller energihalvtid. ;;Klassifisering kan utføres med forskjellige teknikker, inkludert terskling eller binging, klyngedannelse eller ikke-overvåket klassifisering, tilpasning eller overvåket klassifisering, eller undersøkelse (mining) hvor trekk tillates å tilhøre multiple klasser. ;;En første klassifiseringsteknikk utføres ved terskelbehandling (thresholding), binging eller frødeteksjon. Terskelbehandling merker trekk basert på ett eller multiple oppfinneriske attributt som overskrider og/eller underskrider terskelverdier, som i virkeligheten tildeler en binær etikett. En generalisering av terskelbehandling er binging hvor multiple terskler brukes til å tildele hvert trekk til en binge. Frødeteksjon kombinerer terskelbehandling eller binging med et kriterium for romlig tilknytning som tillater etikett-tildeling bare til voksler som er romlig tilknyttet spesifikke voksler. ;;En andre klassifikasjonsteknikk er ikke-overvåket klassifisering utført for eksempel ved bruk av en klyngealgoritme. Klynging (clustering) er tildeling av voksler i grupper (eller klynger) slik at voksel fra samme klynge er mer lignende hverandre enn voksler som tilhører forskjellige klynger. Likhet mellom voksler eller klynger av voksler etableres ved sammenligning av egenskapsvektorer basert på ett eller flere oppfinneriske attributt, alternativt støttet med ett eller flere tradisjonelle attributter. Likhet blir ofte bestemt ifølge et distansemål som bestemmer hvordan likheten av to voksler, eller deres egenskapsvektorer, blir beregnet. Valget av likhetsmål påvirker formen av klyngene, ettersom noen elementer kan være nær til hverandre ifølge en avstand og lengre vekk ifølge en annen. Det bestemte valg av mål er imidlertid ikke viktig for den oppfinneriske fremgangsmåte. To fundamentale klyngestrategier er partionell og agglomeral. Partionell klynging starter med en klynge og bryter den rekursivt opp i et hierarki av klynger. Agglomeral klynging starter med at hvert voksel er sin egen klynge, og kombinerer rekursivt mindre klynger inn i større. Det ultimate antall klynger blir enten forordnet av tolkeren eller en algoritme eller estimert fra konvergensen av den progressive klynging. En annen populær fremgangsmåte for ikke-overvåket klassifisering bruker et neuralt nettverk til først å oppdage distinkte klynger og deretter tildeler hvert voksel til en av disse klynger. ;En tredje klassifiseringsteknikk er overvåket klassifisering hvor hvert voksel tildeles til en klasse basert på dens likhet med de forskjellige forordnede modellklasser (eller modeller). Brukeren eller en algoritme velger noen modeller karakterisert ved distinkte stiler for reflektivitet eller seismisk tekstur. For hver seismisk tekstur etableres en egenskapsvektor. Disse egenskapsvektorer er basert på ett eller multiple oppfinneriske attributter, alternativt understøttet med ett eller flere tradisjonelle attributter. Hvert voksel kan nå sammenlignes med disse modellvektorer for å finne den som ligner mest, og slik bestemme en klasse for hvert voksel. Den faktiske sammenligning kan utføres ved lineær eller ikke-lineær projeksjon, neuralt nettverk, Bayesiske nettverk eller forsterkning (boosting). Det bestemte valg av klassifikator er ikke viktig for den oppfinneriske fremgangsmåten. ;;Den fjerde klassifikasjonsteknikken er dataundersøkelse (data mining), her definert til å være en generalisering av ikke-overvåket klynging eller overvåket klassifikasjon hvor hvert voksel kan tilhøre mer enn én klynge eller klasse. Det ultimate resultat er enten et sett av sannsynligheter (likelihood) for hvert voksel å tilhøre de respektive klynger eller klasser, eller indikatorer som angir om et bestemt voksel kan tilhøre de respektive klynger, klasser eller ikke. En bestemt metode for å oppnå indikatorer og korresponderende indikatorvolumer er ved terskelbehandling av sannsynlighetene. ;;Den oppfinneriske fremgangsmåten kan terminere etter trinn B med lagring av klassifikasjonsvolumer i minnet eller på et lagringsmedium for videre analyse eller visualisering ettersom disse volumer kan brukes som attributtvolumer. ;;Trinn C tar klassifikasjonsvolumene, partisjonerer (segmenterer) dem i regioner (områder) basert på klassifikasjonene, analyserer volumene for deres hydrokarbonpotensiale og frembringer en rangert liste av mål basert på deres hydrokarbonpotensiale eller tilstedeværelse eller kvalitet av minst noen elementer i et hydrokarbonsystem, for eksempel kilde, modning, migrering, reservoar, forsegling eller felle. ;;Klassifikasjon kan frembringe ikke-tilknyttede grupper av voksler med den samme etikett. Frødeteksjon eller tilknyttet komponentmerking (labelling) kan benyttes til å adskille og merke ikke-tilknyttede grupper av én eller multiple klasser, og slik frembringe forskjellige segmenter eller regioner. ;Analyse og høygradering diskuteres i en annen patentsøknad med tittel «Seismic Horizon Skeletonization» (US provisorisk patentsøknad 61/128,547), hvis innhold sammenfattes i det etterfølgende. ;;Analyse av regionene inkluderer definisjon eller valg av ett eller flere mål som vil bli benyttet i det neste trinnet til å rangere eller høygradere regionene. Målet kan være enhver kombinasjon av regiongeometriene, egenskaper av samlokaliserte (sekundære) data, og relasjoner mellom regioner. Geometriske mål for regioner referer til lokasjon, tid eller dybde, størrelse, lengde, areal, tverrsnitt, volum, orientering eller form. Disse mål kan også inkludere en treghetstensor, rå, sentral, skala- og rotasjonsinvariante momenter, eller kovarians. Noen mål, for eksempel kurvatur, er lokale målinger i den forstand at hvert punkt på regiongrensen kan ha sin egen lokale verdi. For å oppnå en verdi som karakteriserer regionen, må man integrere eller sample de lokale, for eksempel ved å velge dens middel, median eller én av ekstremene. Videre er kurvatur faktisk ikke en skalar kvantitet, men en tensoral, hvilket tillater definisjon av et område av lokale kurvaturmål, så som minimum, maksimum, middel, mest positiv, mest negativ, eller gaussisk kurvatur. ;;Ko-lokaliserte egenskapsmål bygges ved å spørre ut et datasett ved lokasjonene okkupert av området. For eksempel kan man ekstrahere verdiene fra et kolokalisert seismisk- eller attributtdatasett slik som amplitude eller en ko-lokalisert geologisk modell slik som porøsitet eller omgivelse for avsetning, og beregne et statisk mål for disse verdier. Statistiske mål inkluderer middel, median, modus, ekstremer eller varians; eller rå, sentral, skala- og rotasjonsinnvariante egenskapsvektede momenter. Hvis to ko-lokaliserte egenskaper blir ekstrahert, kan det beregnes et mål ved korrelasjon av de ko-lokaliserte verdiene, f.eks. porøsitet og hydraulisk permeabilitet ekstrahert fra kolokaliserte geologiske modeller. ;;En annen familie av analyse og målinger undersøker relasjoner mellom områder. Mål inkluderer avstand eller likheten til naboliggende områder; avstanden til det nærmeste området med samme klassifikasjon, det totale antall naboliggende områder, eller antallet naboliggende områder over eller under et gitt område. ;;Et spesifikt alternativ for analysen av områdene er beregning og bruk av direkte hydrokarbonindikatorer («DHI’er») for å høygradere et tidligere generert sett av områder. Et eksempel på et slikt DHI er amplitude tilpasset struktur. I et hydrokarbonreservoar vil effekten av gravitasjon på tetthetsforskjeller mellom fluidtyper generere en fluidkontakt som generelt er flat. Fordi styrken av en refleksjon fra toppen av et hydrokarbonreservoar avhenger av fluidet i dette reservoar, vil refleksjonsstyrken endres ved kryssing av en fluidkontakt. Korrelering av vokseldybder med seismiske attributter slik som ko-lokaliserte amplitude styrke forenkler hurtigsortering av alle områder i volum for tegn på fluidkontakter, og derfor tilstedeværelsen av hydrokarboner. ;;Andre eksempler på seismiske DHL-baserte mål for analysen av områder eller deres overflater inkluderer amplitudeanomalier, amplitude versus offset (AVO)-effekter, faseendringer eller polaritetsreverseringer, og fluidkontakter eller felles termineringsnivåer. Andre geofysiske hydrokarbonspor inkluderer seismiske hastighetsheng, og frekvensdempning; og også elektrisk resistivitet. Amplitudeanomali refererer til amplitudestyrke i forhold til omgivende bakgrunnsamplituder så vel som deres konsistens og utholdenhet i ett amplitudevolum, f.eks. hele stakken. En lys amplitudeanomali har amplitudestørrelser større enn bakgrunnen, mens en dim anomali har amplitudestørrelser mindre enn bakgrunnen. Sammenligning av seismiske amplituder på overflaten eller områdelokasjonen mot en estimert bakgrunnstrend tillater høygradering basert på det anomale amplitudestyrke DHI-mål. ;;Sammenligning av ko-lokaliserte amplituder mellom forskjellige volum, f.eks. nær-, midt- og fjernoffset stakker tillater tildeling av en AVO-klasse. En AVO-klasse 1 har en klart kjennbar positiv refleksjonsamplitude på nærstakkdataene med minskende amplitudestørrelser på respektiv midt- og fjernstakkdataene. En AVO-klasse 2 har nesten forsvinnende amplitude på nærstakkdataene, og enten en minskende positiv amplitude med offset eller progressivt økende negative amplitudeverdier på midtog fjernstakkdataene. En AVO-klasse 3 utviser sterke negative amplituder på nærstakkdataene som vokser progressivt mer negativt med økende offset. En AVO-klasse 4 utviser meget sterke, nesten konstante negative amplituder ved alle offset. Fortrinnsvis blir amplitudeutholdenhet eller konsistens innen et område benyttet som et sekundært mål innen hver av AVO-klassene. Sammenligning av partial offset eller vinkelstakker i lokasjonen av overflater eller områder tillater klassifikasjon ved AVO-oppførsel, og derfor høygradering basert på AVO-DHI-målet. Et alternat til partielle stakker er estimering av AVO-parameterne A (skjæring) og B (gradient) fra prestakk (offset)-samlinger i lokasjonene i områdene, og bruk av disse parameterne for AVO-klassifisering eller beregning av et mål slik som A * B eller A B.

Tegnet på fluidkontakt er enda en hydrokarbonindikator. En fluidkontakt kan generere en relativt flat refleksjon, og derfor en relativt flat overflate. Måling av flatheten av hver overflate tillater fremheving av fluidkontakter. Den foretrukne utførelse av et flathetsmål korrigerer de individuelle mål med en regional trend, hvilket tillater korreksjon for variabel vanndybde og andre vertikale forstyrrelser forårsaket av overdekningen. En fluidkontakt impliserer en fluidendring, f.eks. fra hydrokarbongass til vann. Noen ganger er grensen mellom reservoarforsegling og vannfylt reservoar en seismisk overflate med positiv polaritet, mens grensen mellom forsegling og gassfylt reservoar er en overflate med negativ polaritet. I slike situasjoner korresponderer grensen mellom forsegling og reservoar til en overflate som utviser en polaritetsendring fra grunn til dyp over fluidkontakten. Sammenligning av småbølgepolariteten eller estimering av den øyeblikkelige småbølgefase langs overflaten eller område tillater identifikasjon av områder som utviser en polaritetsreversering eller faseendring DHI.

En brå nedadgående fallterminering på mange nærliggende områder eller overflater eller en lokalt utholdende brå endring av amplituder er enda flere eksempler på direkte hydrokarbonindikatorer som kan kvantifiseres fra områder eller deres overflater. Termineringsdybdene av tilliggende overflater eller områder sammenlignes eller korreleres, eller fortrinnsvis blir antallet lignende termineringsdybder i det samme området telt for å tillate identifikasjon av områder som utviser et brått nedadgående fall terminering DHI-mål.

Lokale brå endringer av amplitude kan måles ved å utføre en kantdeteksjonsoperasjon på amplitudene i lokasjonene av overflatene eller områdene og korrelasjon av slike kanter mellom nærliggende overflater eller områder. Et alternativ til kantdeteksjon er korrelering av seismisk ulikhet eller diskontinuitet mellom nærliggende overflater eller områder.

Bruk av data foruten seismiske amplituder tillater andre mål av direkte hydrokarbonindikatorer. Hydrokarbongass tenderer til å øke dempningen av seismisk energi, og derfor å senke frekvensinnholdet av det seismiske signalet sammenlignet med den omgivende bakgrunn. Frekvensskift kan måles og kvantifiseres fra øyeblikkelige frekvensvolumer eller ved sammenligning av spektralt dekomponerte volumer. Observasjon av konsistente frekvensskift i lokasjonen av overflatene eller områdene tillater høygradering basert på frekvensskift DHI-målet.

Hydrokarbongass tenderer også til å minske hastigheten av seismiske bølger, hvilken fører til lokalt senkede overflater i tidsdomenedata. Beregning av f.eks. summen av andre deriverte (dvs. Laplace-operatøren) av overflatene tillater måling av senkning. I alvorlige tilfeller er gassen til og med detektérbar på volumer av seismisk hastighet tilveiebrakt ved inversjon, tomografi eller hastighetsanalyse; idet hastighetene i lokasjonene til overflater eller områder er lavere enn den regionale trenden.

I foretrukne fremgangsmåter for direkte deteksjon av hydrokarboner i områder eller deres overflater, vil analyse og måling også inkludere tillitt som en funksjon av datakvalitet, datakvantitet, tidligere forventninger, og hvis tilgjengelig, fakta fra grunnen, f.eks. fra kalibrerte brønner.

Elementer av hydrokarbonsystemet inkluderer reservoar, forsegling og kilde. Et eksempelvis mål for reservoar eller forseglingskvalitet er deformasjon, f.eks. uttrykt ved lagutviklingsbarhet (J.L. Fernández-Martínez og R.J. Lisle, «GenLab: A MATLAB-based program for structural analysis of folds mapped by GPS or seismic methods», Computers & Geosciences 35, 317-326 (2009)). Avvik fra en utviklingsbar geometri impliserer at det har vært strekking av lag under folding. Modellen er derfor linket med deformasjon av horisonten og kan brukes for å fremheve områder med deformasjon uttrykt ved sprø frakturering eller duktildeformasjon. Sprødeformasjon impliserer potensialet for frakturfremmet porøsitet som øker lagringskapasiteten i et reservoarfelt, men også oppbrytning av en forseglende enhet. Duktildeformasjon impliserer skiferrike strata som er dårlige reservoarer, men danner kildebergarter og tjener som forseglinger. Et annet deformasjonsmål er overflatekurvatur. Deformerte områder tenderer til å ha overflater med høyere verdier av kurvatur som indikerer potensialet for økt frakturering som tilveiebringer ytterligere porøsitet og potensialet for økt lagring av hydrokarboner, men også skader forseglinger med økt risiko for fellesvikt.

Å ha ett eller flere mål, f.eks. de beskrevne DHI-mål, for hvert område tillater høygradering av de som er relevante. Seleksjonskriterier inkluderer terskelbehandling, rangering, prioritering, klassifikasjon eller tilpasning. Den første fremgangsmåte kan være å påføre en terskel på målene og velge alle områdene som enten overskrider eller underskrider terskelen. En annen høygraderingsmetode er rangering av regioner i samsvar med deres mål, og deretter velge de topprangerte områdene, f.eks. de øverste ti områdene. Et spesial tilfelle av rangering er prioritering, hvor alle områdene blir valgt men assosiert med deres rangering, f.eks. gjennom deres etikett eller en database. Etterfølgende analyser begynner med det høyestrangerte området og går deretter gjennom områdene i samsvar med deres prioriteter inntil et forhåndsbestemt antall akseptable regioner er identifisert, eller inntil tidsog/eller ressursbegrensningene krever terminering av ytterligere aktiviteter.

Eksempel

Eksemplet er et seismisk volum med dimensjoner på 1000 x 300 x 100 voksler. Aller figurene 3-12 viser bare én skive gjennom volumsentrene, men alle operasjoner utføres på tre-dimensjonale mursteinsformede volumer.

Figur 3 viser et tverrsnitt gjennom det opprinnelige seismiske amplitudevolumet benyttet i dette eksemplet. For å utføre trinnene i Trinn A i flytskjemaet i Figur 2, velges vinduet å være av størrelse 21 x 21 x 21. For hver voksel av data blir et nabolag av størrelse 21 x 21 x 21 sentrert på gjeldende voksel ekstrahert fra volumet. Dette vinduet blir først redusert (tapered) med et cosinusfilter for å redusere kanttrunkeringsforstyrrelser og deretter transformert til det tre-dimensjonale Fourier-domenet ved bruk av en tre-dimensjonal diskret Fourier-transformasjon (DFT). Fra de resulterende spektra blir interferensattributtet Dinter og dets øyeblikkelige frekvens beregnet og er vist i Figurene 4 og 5, respektivt. Sammenligning av de opprinnelige dataene (Fig. 3) og interferensattributtet Dinter (Fig. 4) demonstrerer evnen til å transformere seismisk tekstur. Attributtet synes å ha høyere oppløsning og større kontinuitet av refleksjonshendelser. Noen områder blir fint lagdelt, mens andre utviser lyse og brede hendelser. Attributtene tillater visuell segmentering inn i områder, men ytterligere mål kreves for datamaskinsegmentering. Distinksjonen mellom fint lagdelte områder og brede refleksjoner fanges opp av den øyeblikkelige frekvens av interferens (Fig. 5). Brede hendelser avbildes for lave frekvenser, mens fine lag avbildes på de som er høyere. (I figurene som viser skiver av et seismisk- eller attributtdatavolum, øker størrelsen fra mørkere til lysere avskygninger av grått.)

Figur 6 presenterer et annet foretrukket vindusbasert multidimensjonalt Fourierattributt, Regularitet Aregularity, som måler hvor båndet (eller regulære) seismiske data synes å være. Områder med rene gjennomgående refleksjoner (ofte kalt jernbanespor) utviser en høy grad av regularitet, mens støyende områder med disorganiserte refleksjoner utviser lav regularitet.

Andre vindusbaserte multidimensjonale Fourier-attributter er vist i Fig. 7 (Harmonisk middel Aharmonic), Fig. 8 (Minmaks Aminmax), og Fig. 9 (Platehet Cplate). Minmaks Aminmax er relativt støyende fordi små mengder støy har sterk virkning på det spektrale ekstremforholdet. I praksis vil dette attributtet bli etterprosessert med et medianfilter for å redusere speklene, men i dette eksemplet presenteres rå attributtet.

Under Trinn B i dette bestemte eksempel blir vokslene gruppert i fire klasser basert på Regularitet Aregularity, Harmonisk middel Aharmonic, Minmaks Aminmax, og Platehet Cplate. Uovervåket klassifisering utføres ved bruk av en standard k-middel klingingsalgoritme som søker å partisjonere alle voksler inn i f.eks. fire klinger hvor hvert voksel tilhører klingen med den nærmeste middel. Denne algoritme starter ved å partisjonere vokslene tilfeldig inn i f.eks. fire innledende sett. Den beregner deretter middelpunktet, eller sentroiden, av hvert sett ved bruk av attributtene som koordinater. Den konstruerer en ny partisjon ved å assosiere hvert punkt med den nærmeste sentroide. Deretter blir sentroidene reberegnet for de nye klingene og algoritmen gjentas ved vekslende anvendelse av disse to trinn inntil den konvergerer. Figur 10 presenterer en skive gjennom den resulterende klassifikasjonskube, hvor de fire forskjellige klassifikasjonene er indikert ved svart, to grader av grått og hvitt.

I Trinn C blir voksler identifisert å tilhøre den fjerde klassen (hvitt) først isolert og deretter kombinert i områder eller segmenter ved bruk av en tilknyttet komponentettikeringsalgoritme. Resultatet er 43 frakoblede områder bestående av klasse-4 voksler vist i Fig. 11, idet alle andre voksler nå vises som svart. Som en demonstrasjon av høygradering eller prioritering (trinn 17), blir vokslene i hvert område analysert (trinn 16) ved beregning av det øyeblikkelige frekvensinterferensattributtet. Siden dette attributtet allerede ble lagret i minne (Fig. 5) ble det ikke beregnet på nytt, men i stedet simpelthen undertrykket for voksler tilhørende en annen klasse. Det fortsettes til Trinn C hvor et mål beregnes for hvert område ved å midle dets verdier av øyeblikkelige frekvensinterferens, og dette mål blir deretter benyttet til å prioritere områdene ved rangering av områdene for å minske midlere øyeblikkelig frekvensinterferens. Områder med større mål, eller høyere midlere øyeblikkelige frekvensinterferens, blir slik rangert høyt og har prioritet over andre områder. Figur 12 forsøker å vise denne rangering via skygger av grått, idet lysere skygger indikerer høyere prioritet.

Den foregående søknad er rettet mot bestemte utførelser av foreliggende oppfinnelse med den hensikt å illustrere den. Det vil imidlertid fremgå for fagfolk på området at det er mulig med mange modifikasjoner og variasjoner på utførelsene som her er beskrevet. Alle slike modifikasjoner og variasjoner er ment å være innen omfanget av foreliggende oppfinnelse, som definert i de vedføyde krav. Fagfolk på området vil også lett innse at i foretrukne utførelser av oppfinnelsen blir i det minste noen av trinnene i foreliggende oppfinneriske fremgangsmåte utført på en datamaskin, dvs. at oppfinnelsen er datamaskin implementert.

Claims (9)

Patentkrav

1. Datamaskinimplementert fremgangsmåte for transformering av et seismisk undersøkelsesdatavolum til et seismisk attributtdatavolum som er mer følsomt for geofysiske trekk i undergrunnen som indikerer hydrokarbonpotensialet, karakterisert ved at fremgangsmåten omfatter:

(a) valg av en 2D- eller 3D-dataanalysevindusstørrelse;

(b) for hver av multiple posisjoner av analysevinduet i det seismiske datavolum, bruk av en datamaskin til å transformere dataene innen vinduet til et spektrum i et bølgetallsdomene;

(c) definisjon av et attributt for de seismiske data basert på én eller flere spektrale egenskaper, her kalt spektralattributt, og bruk av en datamaskin til å beregne spektralattributtet for hvert vindu, og tildele denne attributtverdi til en romlig lokasjon som er representativ for vinduet, og derved frembringe et multidimensjonalt spektralattributtdatavolum; og

(d) bruke spektralattributtdatavolumet til å predikere hydrokarbonpotensialet.

2. Fremgangsmåte ifølge krav 1, hvor det definerte spektralattributt defineres i form av et valgt mål av minst to dataverdier innen analysevinduet etter transformasjon av dataene innen vinduet.

3. Fremgangsmåte ifølge krav 2, videre omfattende:

klassifisering av celler i det seismiske datavolumet basert på verdi av det beregnede attributt i denne cellelokasjon;

partisjonering av cellene inn i regioner basert på klassifikasjonen; og tolkning av én eller flere regioner til å korrespondere til geofysiske trekk i undergrunnen.

4. Fremgangsmåte ifølge krav 3, videre omfattende å gjenta trinn (c) for å definere og beregne et andre spektralattributt og frembringe et datavolum av dets verdier, deretter bruke det andre multidimensjonale spektralattributt til å prioritere områder med samme klassifikasjon, og bruke én eller av flere av disse områder basert på prioriteringen til å tolke en korrespondens med geofysiske trekk i undergrunnen.

5. Fremgangsmåte ifølge krav 2, hvor de seismiske data transformeres til bølgetallsdomene ved bruk av én av en gruppe bestående av Fourier-, Bessel- og Hankel-transformene.

6. Fremgangsmåte ifølge krav 5, hvor transformen er en multidimensjonal diskret Fourier-transform.

7. Fremgangsmåte ifølge krav 1, hvor det definerte spektralattributt er ett fra en gruppe attributter for de transformerte datas amplitudespektrum, idet nevnte gruppe består av maksimum og minimum.

8. Fremgangsmåte for leting etter hydrokarboner, omfattende:

(a) tilveiebringelse av et datavolum for seismiske data resulterende fra en seismisk undersøkelse;

(b) transformering av det seismiske undersøkelsesdatavolum til et multidimensjonalt spektralattributtdatavolum ved bruk av en fremgangsmåte ifølge krav 1, som er inkorporert heri; og

(c) anvendelse av det multidimensjonale spektralattributtdatavolum til å predikere hydrokarbonpotensial.

9. Dataprogramprodukt, omfattende et datamaskinutnyttbart medium som har en datalesbar programkode innlagt deri, idet nevnte datalesbare programkode er innrettet til å utføres for å implementere en fremgangsmåte for transformasjon av et seismisk undersøkelsesdatavolum til et seismisk attributtdatavolum som er mer følsom for geofysiske trekk i undergrunnen som indikerer hydrokarbonpotensialet, idet nevnte fremgangsmåte omfatter:

(a) valg av en 2D- eller 3D-dataanalysevindustørrelse;

(b) for hver av multiple posisjoner av analysevinduet i det seismiske datavolumet å transformere dataene innen vinduet til et spektrum i et bølgetallsdomene ; og

(c) definere et attributt av de seismiske data basert på én eller flere spektralegenskaper, og beregne attributtet for hvert vindu og tildele denne attributtverdi til en romlig lokasjon som er representativ for vinduet, og derved frembringe et multidimensjonalt spektralattributtdatavolum.