RU2012152447A - Выполняемый в окне статистический анализ для обнаружения аномалий в наборах геофизических данных - Google Patents

Выполняемый в окне статистический анализ для обнаружения аномалий в наборах геофизических данных Download PDF

Info

Publication number
RU2012152447A
RU2012152447A RU2012152447/28A RU2012152447A RU2012152447A RU 2012152447 A RU2012152447 A RU 2012152447A RU 2012152447/28 A RU2012152447/28 A RU 2012152447/28A RU 2012152447 A RU2012152447 A RU 2012152447A RU 2012152447 A RU2012152447 A RU 2012152447A
Authority
RU
Russia
Prior art keywords
data
window
data array
statistical analysis
eigenvectors
Prior art date
Application number
RU2012152447/28A
Other languages
English (en)
Other versions
RU2554895C2 (ru
Inventor
Кришнан Кумаран
Цзинбо Ван
Стефан Хуссенедер
Доминик Г. ГИЛЛАРД
Гай Ф. Медема
Фред В. Шредер
Роберт Л. Брови
Павел ДИМИТРОВ
Мэттью С. КЕЙСИ
Original Assignee
Эксонмобил Апстрим Рисерч Компани
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Эксонмобил Апстрим Рисерч Компани filed Critical Эксонмобил Апстрим Рисерч Компани
Publication of RU2012152447A publication Critical patent/RU2012152447A/ru
Application granted granted Critical
Publication of RU2554895C2 publication Critical patent/RU2554895C2/ru

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30Analysis
    • G01V1/301Analysis for determining seismic cross-sections or geostructures
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/288Event detection in seismic signals, e.g. microseismics
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00Details of seismic processing or analysis
    • G01V2210/60Analysis
    • G01V2210/64Geostructures, e.g. in 3D data cubes

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)

Abstract

1. Способ для идентификации геологических особенностей в одном или нескольких дискретизированных наборах геофизических данных или атрибутов данных, представляющих подземную область, причем каждый такой набор данных называется "исходным массивом данных", содержащий следующие этапы, по меньшей мере один из которых выполняется с использованием компьютера:(a) выбирают форму и размер окна данных;(b) перемещают окно в множество положений и формируют для каждого положения окна вектор окна данных, чьи компоненты состоят из значений воксела из этого окна, для каждого исходного массива данных;(c) выполняют статистический анализ векторов окна данных, причем статистический анализ выполняется одновременно в случае множества исходных массивов данных;(d) используют статистический анализ для идентификации выбросов или аномалий в данных; и(e) используют выбросы или аномалии для прогнозирования геологических особенностей подземной области.2. Способ по п.1, в котором статистический анализ выполняется с использованием одной из группы методик статистического анализа, состоящей из:(i) вычисления матрицы средних значений и ковариационной матрицы всех векторов окна данных;(ii) анализа независимых компонент;(iii) использования способа группировок для объединения данных;(iv) диффузионного картирования; и(v) другого способа статистического анализа.3. Способ по п.2, в котором статистический анализ выполняется с использованием (i), дополнительно содержащего использование анализа главных компонент.4. Способ по п.2, в котором статистический анализ выполняется с использованием (i), а вычисление ковариационной матрицы выполняется путем вычисл�

Claims (31)

1. Способ для идентификации геологических особенностей в одном или нескольких дискретизированных наборах геофизических данных или атрибутов данных, представляющих подземную область, причем каждый такой набор данных называется "исходным массивом данных", содержащий следующие этапы, по меньшей мере один из которых выполняется с использованием компьютера:
(a) выбирают форму и размер окна данных;
(b) перемещают окно в множество положений и формируют для каждого положения окна вектор окна данных, чьи компоненты состоят из значений воксела из этого окна, для каждого исходного массива данных;
(c) выполняют статистический анализ векторов окна данных, причем статистический анализ выполняется одновременно в случае множества исходных массивов данных;
(d) используют статистический анализ для идентификации выбросов или аномалий в данных; и
(e) используют выбросы или аномалии для прогнозирования геологических особенностей подземной области.
2. Способ по п.1, в котором статистический анализ выполняется с использованием одной из группы методик статистического анализа, состоящей из:
(i) вычисления матрицы средних значений и ковариационной матрицы всех векторов окна данных;
(ii) анализа независимых компонент;
(iii) использования способа группировок для объединения данных;
(iv) диффузионного картирования; и
(v) другого способа статистического анализа.
3. Способ по п.2, в котором статистический анализ выполняется с использованием (i), дополнительно содержащего использование анализа главных компонент.
4. Способ по п.2, в котором статистический анализ выполняется с использованием (i), а вычисление ковариационной матрицы выполняется путем вычисления последовательности операций взаимной корреляции на постепенно уменьшающихся областях в каждом окне.
5. Способ по п.2, в котором методикой статистического анализа является (iv), содержащая использование нелинейного преобразования для представления векторов окна данных с установленным базисом, где нелинейное преобразование привлекает параметр, который задает понятие масштаба.
6. Способ по п.5, в котором существует N положений окна данных, а отсюда и N векторов окна данных, каждый с M компонентами, то есть M вокселями данных в каждом положении окна данных; и в котором методика диффузионного картирования содержит этапы, на которых:
собирают N векторов {xn}Nn=1 окна данных в массив A m,n данных, где m=1,…,М и n=1,…,N;
вычисляют матрицу L подобия размера M×M, где Li,j является мерой разности между ai и aj, где ai и aj являются вектор-строками с длиной N из массива A m,n данных, и M ∋i,j; и где Li,j включает в себя выбранный пользователем параметр масштаба;
образуют диагональную матрицу D из матрицы подобия, где
Figure 00000001
; вычисляют матрицу диффузии путем нормализации матрицы подобия: M=D-1L;
вычисляют симметричную матрицу M sym=D 1/2 MD -1/2 диффузии; и
используют симметричную матрицу диффузии для анализа образов или обнаружения аномалий в исходном массиве данных, и ассоциируют одну или несколько геологических особенностей с одной или несколькими картинами или аномалиями.
7. Способ по п.6, в котором
Figure 00000002
,
где ε является выбранным пользователем параметром масштаба, а ||...|| обозначает выбранную норму.
8. Способ по п.7, дополнительно содержащий этап, на котором выполняют статистический анализ по меньшей мере для одного дополнительного выбора ε.
9. Способ по п.5, в котором M<<N.
10. Способ по п.6, в котором этап, на котором используют статистический анализ для идентификации выбросов или аномалий в данных, содержит этап, на котором вычисляют собственные векторы и собственные значения симметричной матрицы диффузии и используют их при анализе образов.
11. Способ по п.6, в котором этап, на котором используют статистический анализ для идентификации выбросов или аномалий в данных, содержит этапы, на которых:
используют выбранную форму и размер окна данных, собирая все возможные выборки из исходного массива данных;
проецируют все выборки данных на обратную симметричную матрицу диффузии, посредством этого создавая зависимый от масштаба массив атрибутов аномалий; и
идентифицируют выбросы или аномалии в зависимом от масштаба массива атрибутов аномалий.
12. Способ по п.3, в котором вычисляются собственные значения и собственные векторы ковариационной матрицы, причем упомянутые собственные векторы являются набором главных компонент соответствующего исходного массива данных;
и в котором этапы (d) и (e) содержат этапы, на которых проецируют исходный массив данных на выбранное подмножество собственных векторов, чтобы сформировать частично спроецированный массив данных, причем упомянутое подмножество собственных векторов выбирается на основе их соответствующих собственных значений, и определяют остаточный массив данных, являющийся частью исходного массива данных, не захваченной в спроецированный массив данных; затем идентифицируют аномальные особенности в остаточном массиве данных и используют их для прогнозирования физических особенностей подземной области.
13. Способ по п.1, в котором окно данных является N-мерным, где N является целым числом, так что 1≤N≤M, где M является размерностью набора данных.
14. Способ по п.3, в котором матрица средних значений и ковариационная матрица для выбранного размера и формы окна вычисляются с использованием дополнительных окон, где дополнительное окно, соответствующее каждому положению в окне, выбранном на этапе (a), представляет набор значений данных, которые появляются в том положении, когда окно перемещается по исходному массиву данных.
15. Способ по п.12, в котором выбранное подмножество выбирается на основе внутреннего подобия картин, которое измерено текстурой, неупорядоченностью или другими данными либо геометрическими атрибутами.
16. Способ по п.12, в котором выбранное подмножество собственных векторов определяется путем суммирования собственных значений, упорядоченных от наибольшего к наименьшему, пока сумма наибольших N собственных значений, деленная на сумму всех собственных значений, не превысит предварительно выбранное значение R, где 0<R<1, а затем выбора N собственных векторов, ассоциированных с N наибольшими собственными значениями.
17. Способ по п.1, дополнительно содержащий этап, на котором используют прогнозированные геологические особенности подземной области для вывода заключения о нефтегазовом потенциале или его отсутствии.
18. Способ по п.1, в котором множество положений определяется с помощью выборочной стратегии, выбранной из группы, состоящей из потенциально случайной, исчерпывающей и черепичной стратегий.
19. Способ по п.1, в котором:
окно данных может перемещаться в перекрывающиеся положения;
каждый воксел данных в исходном массиве данных включается по меньшей мере в одно окно; и
распределение для значений данных вычисляется из статистического анализа и используется для идентификации выбросов или аномалий в данных.
20. Способ по п.19, в котором идентификация выбросов или аномалий в данных содержит этапы, на которых (i) вычисляют вероятность возникновения или эквивалентную метрику каждого окна данных в распределении значений данных; и (ii) идентифицируют области данных с низкой вероятностью в качестве возможных выбросов или аномалий.
21. Способ для идентификации геологических особенностей из двумерного или трехмерного дискретизированного набора геофизических данных или атрибутов данных ("исходный массив данных"), представляющих подземную область, содержащий следующие этапы, по меньшей мере один из которых выполняется с использованием компьютера:
(a) выбирают форму и размер окна данных;
(b) перемещают окно в множество перекрывающихся или неперекрывающихся положений в исходном массиве данных, так что каждый воксел данных включается по меньшей мере в одно окно, и формируют для каждого окна вектор I окна данных, чьи компоненты состоят из значений воксела из того окна;
(c) вычисляют ковариационную матрицу всех векторов окна данных;
(d) вычисляют собственные векторы ковариационной матрицы;
(e) проецируют исходный массив данных на выбранное подмножество собственных векторов, чтобы сформировать частично спроецированный массив данных; и
(f) идентифицируют выбросы или аномалии в частично спроецированном массиве данных и используют их для прогнозирования геологических особенностей подземной области.
22. Способ по п.21, в котором выбранное подмножество собственных векторов для формирования частично спроецированного массива данных определяется путем исключения собственных векторов на основе их ассоциированных собственных значений.
23. Способ по п.21, в котором выбранное подмножество собственных векторов либо выбирается пользователем в диалоговом режиме, либо основывается на автоматически идентифицированном шуме или геометрических характеристиках.
24. Способ по п.21, в котором выбранное подмножество собственных векторов определяется путем разработки критерия для определения очевидных аномалий в исходном массиве данных, выбора одной или нескольких очевидных аномалий с использованием этого критерия и идентификации одного или нескольких собственных векторов, чья ассоциированная информационная компонента (проекция исходного массива данных на собственный вектор) вносит вклад в выбранные очевидные аномалии или учитывает больше заданной величины фонового сигнала, а затем выбора некоторых или всех оставшихся собственных векторов; в котором этап (f) дает возможность обнаружения аномалий, которые более неуловимы, чем упомянутые очевидные аномалии, используемые для определения выбранного подмножества собственных векторов.
25. Способ по п.24, дополнительно содержащий после этапа (e) повторение этапов (a)-(e) с использованием частично спроецированного массива данных вместо исходного массива данных, формируя обновленный частично спроецированный массив данных, который затем используется на этапе (f).
26. Способ по п.21, в котором вычисление ковариационной матрицы выполняется путем вычисления последовательности операций взаимной корреляции на постепенно уменьшающихся областях массива данных.
27. Способ для идентификации геологических особенностей в двумерном или трехмерном дискретизированном наборе геофизических данных или атрибутов данных ("исходный массив данных"), представляющих подземную область, содержащий следующие этапы, по меньшей мере один из которых выполняется с использованием компьютера:
(a) выбирают форму и размер окна данных;
(b) перемещают окно в множество перекрывающихся или неперекрывающихся положений в исходном массиве данных, так что каждый воксел данных включается по меньшей мере в одно окно, и формируют для каждого окна вектор I окна данных, чьи компоненты состоят из значений воксела из того окна;
(c) вычисляют ковариационную матрицу всех векторов окна данных;
(d) вычисляют собственные значения и собственные векторы ковариационной матрицы;
(e) выбирают способ для вычисления степени аномалии воксела и используют его для определения частичного массива данных, состоящего из вокселей, вычисленных как более аномальные, чем заранее определенная пороговая величина; и
(f) идентифицируют одну или несколько аномальных особенностей в частичном массиве данных и используют их для прогнозирования геологических особенностей подземной области.
28. Способ по п.27, в котором степень аномалии R' воксела, обозначенного с помощью x,y,z-индексов i,j,k, вычисляется из
Figure 00000003
где I i,j,k является компонентой вектора окна данных из (b), которая включает в себя воксел i,j,k;
Figure 00000004
где дискретизированный исходный массив данных состоит из N x×N y×N z вокселей, выбранной формой и размером окна является n x ×n y ×n z вокселей, и N=(N x -n x)×(N y -n y)×(N z -n z).
29. Способ по п.27, в котором степень аномалии определяется путем проецирования исходного массива данных на выбранное подмножество собственных векторов, чтобы сформировать частично спроецированный массив данных, причем упомянутое подмножество собственных векторов выбирается на основе их соответствующих собственных значений, и определения остаточного массива данных, являющегося частью исходного массива данных, не захваченной в спроецированный массив данных, причем упомянутый остаточный массив данных является частичным массивом данных, используемым для прогнозирования физических особенностей подземной области на этапе (f).
30. Способ по п.27, в котором степень аномалии определяется путем проецирования исходного массива данных на выбранное подмножество собственных векторов, чтобы сформировать частичный массив данных для использования на этапе (f).
31. Способ для добычи углеводородов из подземной области, содержащий этапы, на которых:
(a) получают данные из геофизического исследования подземной области;
(b) получают прогнозирование нефтегазового потенциала подземной области по меньшей мере частично на основе физических особенностей области, идентифицированных с использованием способа, описанного в п.1, который включается сюда путем ссылки, по данным геофизического исследования;
(c) в ответ на положительное прогнозирование нефтегазового потенциала пробуривают скважину в подземную область и добывают углеводороды.
RU2012152447/28A 2010-05-06 2011-03-17 Выполняемый в окне статистический анализ для обнаружения аномалий в наборах геофизических данных RU2554895C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US12/775,226 2010-05-06
US12/775,226 US8380435B2 (en) 2010-05-06 2010-05-06 Windowed statistical analysis for anomaly detection in geophysical datasets
PCT/US2011/028851 WO2011139416A1 (en) 2010-05-06 2011-03-17 Windowed statistical analysis for anomaly detection in geophysical datasets

Publications (2)

Publication Number Publication Date
RU2012152447A true RU2012152447A (ru) 2014-06-20
RU2554895C2 RU2554895C2 (ru) 2015-06-27

Family

ID=44901183

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2012152447/28A RU2554895C2 (ru) 2010-05-06 2011-03-17 Выполняемый в окне статистический анализ для обнаружения аномалий в наборах геофизических данных

Country Status (11)

Country Link
US (1) US8380435B2 (ru)
EP (1) EP2567261B1 (ru)
JP (1) JP2013527926A (ru)
CN (1) CN102884448B (ru)
AU (1) AU2011248992B2 (ru)
BR (1) BR112012023687B1 (ru)
CA (1) CA2793504C (ru)
MY (1) MY164498A (ru)
NZ (1) NZ603314A (ru)
RU (1) RU2554895C2 (ru)
WO (1) WO2011139416A1 (ru)

Families Citing this family (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE602007002693D1 (de) * 2007-02-09 2009-11-19 Agfa Gevaert Visuelle Hervorhebung von Intervalländerungen mittels einer Zeitsubtraktionstechnik
US8380435B2 (en) * 2010-05-06 2013-02-19 Exxonmobil Upstream Research Company Windowed statistical analysis for anomaly detection in geophysical datasets
EP2724181B1 (en) 2011-06-24 2020-08-19 ION Geophysical Corporation Method and apparatus for seismic noise reduction
US9798027B2 (en) 2011-11-29 2017-10-24 Exxonmobil Upstream Research Company Method for quantitative definition of direct hydrocarbon indicators
WO2013106720A1 (en) * 2012-01-12 2013-07-18 Schlumberger Canada Limited Method for constrained history matching coupled with optimization
US9523782B2 (en) 2012-02-13 2016-12-20 Exxonmobile Upstream Research Company System and method for detection and classification of seismic terminations
US9014982B2 (en) 2012-05-23 2015-04-21 Exxonmobil Upstream Research Company Method for analysis of relevance and interdependencies in geoscience data
US9261615B2 (en) * 2012-06-15 2016-02-16 Exxonmobil Upstream Research Company Seismic anomaly detection using double-windowed statistical analysis
CN102879823B (zh) * 2012-09-28 2015-07-22 电子科技大学 一种基于快速独立分量分析的地震属性融合方法
US20140129149A1 (en) * 2012-11-02 2014-05-08 Schlumberger Technology Corporation Formation Evaluation Using Hybrid Well Log Datasets
EP2914984B1 (en) 2012-11-02 2019-02-20 Exxonmobil Upstream Research Company Analyzing seismic data
WO2014099201A1 (en) 2012-12-20 2014-06-26 Exxonmobil Upstream Research Company Geophysical modeling of subsurface volumes based on horizon extraction
WO2014099204A1 (en) 2012-12-20 2014-06-26 Exxonmobil Upstream Research Company Method and system for geophysical modeling of subsurface volumes based on computed vectors
WO2014099202A1 (en) 2012-12-20 2014-06-26 Exxonmobil Upstream Research Company Method and system for geophysical modeling of subsurface volumes based on label propagation
WO2014099200A1 (en) 2012-12-20 2014-06-26 Exxonmobil Upstream Research Company Vector based geophysical modeling of subsurface volumes
JP6013178B2 (ja) * 2012-12-28 2016-10-25 株式会社東芝 画像処理装置および画像処理方法
US9829591B1 (en) * 2013-01-07 2017-11-28 IHS Global, Inc. Determining seismic stratigraphic features using a symmetry attribute
US20140269186A1 (en) * 2013-03-14 2014-09-18 Chevron U.S.A. Inc. System and method for isolating signal in seismic data
WO2014150580A1 (en) 2013-03-15 2014-09-25 Exxonmobil Upstream Research Company Method for geophysical modeling of subsurface volumes
WO2014149344A1 (en) 2013-03-15 2014-09-25 Exxonmobil Upstream Research Company Method and system for geophysical modeling of subsurface volumes
US9333497B2 (en) 2013-03-29 2016-05-10 Exxonmobil Research And Engineering Company Mitigation of plugging in hydroprocessing reactors
US20140358440A1 (en) * 2013-05-31 2014-12-04 Chevron U.S.A. Inc. System and Method For Characterizing Geological Systems Using Statistical Methodologies
US9824135B2 (en) 2013-06-06 2017-11-21 Exxonmobil Upstream Research Company Method for decomposing complex objects into simpler components
CN104424393B (zh) * 2013-09-11 2017-10-20 中国石油化工股份有限公司 一种基于主成分分析的地震数据储层反射特征加强方法
US10663609B2 (en) * 2013-09-30 2020-05-26 Saudi Arabian Oil Company Combining multiple geophysical attributes using extended quantization
US9990568B2 (en) * 2013-11-29 2018-06-05 Ge Aviation Systems Limited Method of construction of anomaly models from abnormal data
US20150308191A1 (en) * 2014-04-29 2015-10-29 Sinopec Tech Houston, LLC. System and method for monitoring drilling systems
US10359523B2 (en) 2014-08-05 2019-07-23 Exxonmobil Upstream Research Company Exploration and extraction method and system for hydrocarbons
CN107111883B (zh) * 2014-10-30 2020-12-08 皇家飞利浦有限公司 用于图像数据的纹理分析图
EP3234659A1 (en) 2014-12-18 2017-10-25 Exxonmobil Upstream Research Company Scalable scheduling of parallel iterative seismic jobs
US10267934B2 (en) * 2015-01-13 2019-04-23 Chevron U.S.A. Inc. System and method for generating a depositional sequence volume from seismic data
EP3248030B1 (en) 2015-01-22 2024-09-11 ExxonMobil Technology and Engineering Company Adaptive structure-oriented operator
US10139507B2 (en) 2015-04-24 2018-11-27 Exxonmobil Upstream Research Company Seismic stratigraphic surface classification
KR101656862B1 (ko) * 2016-03-15 2016-09-13 한국지질자원연구원 추계학적 지진 단층 파열 모델링 장치 및 방법
US11205103B2 (en) 2016-12-09 2021-12-21 The Research Foundation for the State University Semisupervised autoencoder for sentiment analysis
US10394883B2 (en) * 2016-12-29 2019-08-27 Agrian, Inc. Classification technique for multi-band raster data for sorting and processing of colorized data for display
CN106934208B (zh) * 2017-01-05 2019-07-23 国家能源局大坝安全监察中心 一种大坝异常监测数据自动识别方法
US10157319B2 (en) * 2017-02-22 2018-12-18 Sas Institute Inc. Monitoring, detection, and surveillance system using principal component analysis with machine and sensor data
CN107764697A (zh) * 2017-10-13 2018-03-06 中国石油化工股份有限公司 基于孔隙介质渐进方程非线性反演的含气性检测方法
US11112516B2 (en) * 2018-04-30 2021-09-07 Schlumberger Technology Corporation Data fusion technique to compute reservoir quality and completion quality by combining various log measurements
GB2579854B (en) 2018-12-18 2021-06-16 Equinor Energy As Method of analysing seismic data to detect hydrocarbons
CN110334567B (zh) * 2019-03-22 2022-12-23 长江大学 一种微地震有效信号检测方法
US11604909B2 (en) 2019-05-28 2023-03-14 Chevron U.S.A. Inc. System and method for accelerated computation of subsurface representations
US11187820B1 (en) * 2019-06-18 2021-11-30 Euram Geo-Focus Technologies Corporation Methods of oil and gas exploration using digital imaging
US11249220B2 (en) 2019-08-14 2022-02-15 Chevron U.S.A. Inc. Correlation matrix for simultaneously correlating multiple wells
US11231407B2 (en) 2019-09-23 2022-01-25 Halliburton Energy Services, Inc. System and method for graphene-structure detection downhole
US11187826B2 (en) * 2019-12-06 2021-11-30 Chevron U.S.A. Inc. Characterization of subsurface regions using moving-window based analysis of unsegmented continuous data
US11320566B2 (en) 2020-01-16 2022-05-03 Chevron U.S.A. Inc. Multiple well matching within subsurface representation
US11263362B2 (en) 2020-01-16 2022-03-01 Chevron U.S.A. Inc. Correlation of multiple wells using subsurface representation
US11397279B2 (en) 2020-03-27 2022-07-26 Chevron U.S.A. Inc. Comparison of wells using a dissimilarity matrix
CN113589363B (zh) * 2020-04-30 2024-03-19 中国石油化工股份有限公司 融合人工神经网络与地质统计学的油气预测新方法
US11892582B2 (en) * 2020-08-28 2024-02-06 Magseis Ff Llc Real time identification of extraneous noise in seismic surveys
US11790081B2 (en) 2021-04-14 2023-10-17 General Electric Company Systems and methods for controlling an industrial asset in the presence of a cyber-attack
US12034741B2 (en) 2021-04-21 2024-07-09 Ge Infrastructure Technology Llc System and method for cyberattack detection in a wind turbine control system
EP4155503A1 (en) * 2021-09-22 2023-03-29 ExxonMobil Technology and Engineering Company Methods of acoustically detecting anomalous operation of hydrocarbon industrial infrastructure and hydrocarbon wells that include controllers that perform the methods
US20240330524A1 (en) * 2021-11-30 2024-10-03 Schlumberger Technology Corporation Property modeling using attentive neural processes
US11953636B2 (en) 2022-03-04 2024-04-09 Fleet Space Technologies Pty Ltd Satellite-enabled node for ambient noise tomography
WO2024191470A1 (en) * 2023-03-14 2024-09-19 Landmark Graphics Corporation Diffusion modeling based subsurface formation evaluation
CN117982155B (zh) * 2024-04-07 2024-06-11 天津市肿瘤医院(天津医科大学肿瘤医院) 一种胸外科检查数据智能处理方法

Family Cites Families (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4916615A (en) 1986-07-14 1990-04-10 Conoco Inc. Method for stratigraphic correlation and reflection character analysis of setsmic signals
US5047991A (en) 1989-04-28 1991-09-10 Schlumberger Technology Corporation Lithology identification using sonic data
US5274714A (en) 1990-06-04 1993-12-28 Neuristics, Inc. Method and apparatus for determining and organizing feature vectors for neural network recognition
FR2738920B1 (fr) 1995-09-19 1997-11-14 Elf Aquitaine Methode de reconnaissance automatique de facies sismiques
CN1186647C (zh) 1996-04-12 2005-01-26 环球核心实验室有限公司 处理和探测地震信号的方法及装置
US5995448A (en) 1996-11-20 1999-11-30 Krehbiel; Steven Method for mapping seismic reflective data
US6466923B1 (en) 1997-05-12 2002-10-15 Chroma Graphics, Inc. Method and apparatus for biomathematical pattern recognition
US5848379A (en) 1997-07-11 1998-12-08 Exxon Production Research Company Method for characterizing subsurface petrophysical properties using linear shape attributes
US5940778A (en) 1997-07-31 1999-08-17 Bp Amoco Corporation Method of seismic attribute generation and seismic exploration
GB9904101D0 (en) 1998-06-09 1999-04-14 Geco As Subsurface structure identification method
GB9819910D0 (en) 1998-09-11 1998-11-04 Norske Stats Oljeselskap Method of seismic signal processing
US6751354B2 (en) 1999-03-11 2004-06-15 Fuji Xerox Co., Ltd Methods and apparatuses for video segmentation, classification, and retrieval using image class statistical models
US6430507B1 (en) * 1999-04-02 2002-08-06 Conoco Inc. Method for integrating gravity and magnetic inversion with geopressure prediction for oil, gas and mineral exploration and production
DE19943325C2 (de) 1999-09-10 2001-12-13 Trappe Henning Verfahren zur Bearbeitung seismischer Meßdaten mit einem neuronalen Netzwerk
US6295504B1 (en) 1999-10-25 2001-09-25 Halliburton Energy Services, Inc. Multi-resolution graph-based clustering
US6226596B1 (en) 1999-10-27 2001-05-01 Marathon Oil Company Method for analyzing and classifying three dimensional seismic information
US6574566B2 (en) 1999-12-27 2003-06-03 Conocophillips Company Automated feature identification in data displays
MY125603A (en) * 2000-02-25 2006-08-30 Shell Int Research Processing seismic data
US6363327B1 (en) 2000-05-02 2002-03-26 Chroma Graphics, Inc. Method and apparatus for extracting selected feature information and classifying heterogeneous regions of N-dimensional spatial data
GC0000235A (en) * 2000-08-09 2006-03-29 Shell Int Research Processing an image
US6560540B2 (en) * 2000-09-29 2003-05-06 Exxonmobil Upstream Research Company Method for mapping seismic attributes using neural networks
US6950786B1 (en) 2000-10-10 2005-09-27 Schlumberger Technology Corporation Method and apparatus for generating a cross plot in attribute space from a plurality of attribute data sets and generating a class data set from the cross plot
US7006085B1 (en) 2000-10-30 2006-02-28 Magic Earth, Inc. System and method for analyzing and imaging three-dimensional volume data sets
US6597994B2 (en) * 2000-12-22 2003-07-22 Conoco Inc. Seismic processing system and method to determine the edges of seismic data events
US20020169735A1 (en) 2001-03-07 2002-11-14 David Kil Automatic mapping from data to preprocessing algorithms
US7069149B2 (en) 2001-12-14 2006-06-27 Chevron U.S.A. Inc. Process for interpreting faults from a fault-enhanced 3-dimensional seismic attribute volume
US6766252B2 (en) 2002-01-24 2004-07-20 Halliburton Energy Services, Inc. High resolution dispersion estimation in acoustic well logging
US7308139B2 (en) 2002-07-12 2007-12-11 Chroma Energy, Inc. Method, system, and apparatus for color representation of seismic data and associated measurements
US20060184488A1 (en) 2002-07-12 2006-08-17 Chroma Energy, Inc. Method and system for trace aligned and trace non-aligned pattern statistical calculation in seismic analysis
US20050288863A1 (en) 2002-07-12 2005-12-29 Chroma Energy, Inc. Method and system for utilizing string-length ratio in seismic analysis
US7184991B1 (en) 2002-07-12 2007-02-27 Chroma Energy, Inc. Pattern recognition applied to oil exploration and production
US7295706B2 (en) 2002-07-12 2007-11-13 Chroma Group, Inc. Pattern recognition applied to graphic imaging
US7188092B2 (en) 2002-07-12 2007-03-06 Chroma Energy, Inc. Pattern recognition template application applied to oil exploration and production
US7162463B1 (en) 2002-07-12 2007-01-09 Chroma Energy, Inc. Pattern recognition template construction applied to oil exploration and production
US6807486B2 (en) * 2002-09-27 2004-10-19 Weatherford/Lamb Method of using underbalanced well data for seismic attribute analysis
US6868341B2 (en) * 2002-12-23 2005-03-15 Schlumberger Technology Corporation Methods and apparatus for processing acoustic waveforms received in a borehole
US7298376B2 (en) * 2003-07-28 2007-11-20 Landmark Graphics Corporation System and method for real-time co-rendering of multiple attributes
US20050171700A1 (en) 2004-01-30 2005-08-04 Chroma Energy, Inc. Device and system for calculating 3D seismic classification features and process for geoprospecting material seams
EP1707993B1 (fr) 2005-03-29 2009-08-19 Total S.A. Procédé et programme de recherche de discontinuites géologiques
US7379386B2 (en) * 2006-07-12 2008-05-27 Westerngeco L.L.C. Workflow for processing streamer seismic data
US8014880B2 (en) * 2006-09-29 2011-09-06 Fisher-Rosemount Systems, Inc. On-line multivariate analysis in a distributed process control system
NZ592744A (en) * 2008-11-14 2012-11-30 Exxonmobil Upstream Res Co Windowed statistical analysis for anomaly detection in geophysical datasets
US8380435B2 (en) * 2010-05-06 2013-02-19 Exxonmobil Upstream Research Company Windowed statistical analysis for anomaly detection in geophysical datasets

Also Published As

Publication number Publication date
WO2011139416A1 (en) 2011-11-10
NZ603314A (en) 2013-10-25
JP2013527926A (ja) 2013-07-04
CN102884448B (zh) 2015-07-22
US20110272161A1 (en) 2011-11-10
US8380435B2 (en) 2013-02-19
AU2011248992A1 (en) 2012-11-15
CA2793504C (en) 2017-02-07
BR112012023687A2 (pt) 2017-10-03
EP2567261A1 (en) 2013-03-13
RU2554895C2 (ru) 2015-06-27
EP2567261A4 (en) 2017-05-10
CA2793504A1 (en) 2011-11-10
AU2011248992B2 (en) 2014-09-25
CN102884448A (zh) 2013-01-16
BR112012023687B1 (pt) 2020-11-03
EP2567261B1 (en) 2021-06-30
MY164498A (en) 2017-12-29

Similar Documents

Publication Publication Date Title
RU2012152447A (ru) Выполняемый в окне статистический анализ для обнаружения аномалий в наборах геофизических данных
US11320551B2 (en) Training machine learning systems for seismic interpretation
US10324229B2 (en) System and method of pore type classification for petrophysical rock typing
US9279905B2 (en) Method for extracting a thumbnail image from a training image so as to constrain the multipoint geostatistical modeling of the subsoil
Marroquín et al. A visual data-mining methodology for seismic facies analysis: Part 1—Testing and comparison with other unsupervised clustering methods
US9602781B2 (en) Methods for deblending of seismic shot gathers
JP2012508883A (ja) 地球物理学的データセット中の異常検出のための窓型統計的分析
US8566069B2 (en) Method for geologically modeling seismic data by trace correlation
US10234583B2 (en) Vector based geophysical modeling of subsurface volumes
US9824135B2 (en) Method for decomposing complex objects into simpler components
US11620727B2 (en) Image analysis well log data generation
JP2012508883A5 (ru)
US20140297186A1 (en) Rock Classification Based on Texture and Composition
CN104011566A (zh) 用于分析地质构造的特性的基于小波变换的系统和方法
RU2746691C1 (ru) Система интеллектуального определения тектонических нарушений по сейсмическим данным на основе сверточных нейронных сетей
EP3938814A1 (en) Automated facies classification from well logs
EP4147077A1 (en) Structured representations of subsurface features for hydrocarbon system and geological reasoning
CN114488297A (zh) 一种断层识别方法及装置
WO2024018277A2 (en) Machine learning based borehole data analysis
US20200308934A1 (en) Automatic calibration of forward depositional models
CN112612935B (zh) 一种基于自推理模型的完整测井数据获取方法
Bedi et al. SFA-GTM: seismic facies analysis based on generative topographic map and RBF
CN111542819A (zh) 用于改进的地下数据处理系统的装置和方法
Dai et al. Recommendation of Similar Landslide Cases Based on Landslide Profile
CN116957363B (zh) 深地油气精准导航砂泥岩地层构造评价方法与系统