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 PDFInfo
- 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
Links
- 238000007619 statistical method Methods 0.000 title claims abstract 22
- 238000000034 method Methods 0.000 claims abstract 44
- 239000011159 matrix material Substances 0.000 claims abstract 23
- 239000013598 vector Substances 0.000 claims abstract 15
- 238000009792 diffusion process Methods 0.000 claims abstract 8
- 238000004364 calculation method Methods 0.000 claims abstract 3
- 238000013507 mapping Methods 0.000 claims abstract 3
- 238000003491 array Methods 0.000 claims abstract 2
- 238000004458 analytical method Methods 0.000 claims 2
- 230000002547 anomalous effect Effects 0.000 claims 2
- 230000003247 decreasing effect Effects 0.000 claims 2
- 230000001419 dependent effect Effects 0.000 claims 2
- 229930195733 hydrocarbon Natural products 0.000 claims 2
- 150000002430 hydrocarbons Chemical class 0.000 claims 2
- 230000009466 transformation Effects 0.000 claims 2
- 102000005717 Myeloma Proteins Human genes 0.000 claims 1
- 108010045503 Myeloma Proteins Proteins 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000010422 painting Methods 0.000 claims 1
- 238000000513 principal component analysis Methods 0.000 abstract 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, 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}N n=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 ; 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.
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
где I i,j,k является компонентой вектора окна данных из (b), которая включает в себя воксел i,j,k;
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.
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)
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)
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 |
-
2010
- 2010-05-06 US US12/775,226 patent/US8380435B2/en active Active
-
2011
- 2011-03-17 MY MYPI2012004436A patent/MY164498A/en unknown
- 2011-03-17 EP EP11777741.7A patent/EP2567261B1/en active Active
- 2011-03-17 CA CA2793504A patent/CA2793504C/en active Active
- 2011-03-17 CN CN201180022722.1A patent/CN102884448B/zh active Active
- 2011-03-17 WO PCT/US2011/028851 patent/WO2011139416A1/en active Application Filing
- 2011-03-17 BR BR112012023687-3A patent/BR112012023687B1/pt active IP Right Grant
- 2011-03-17 NZ NZ603314A patent/NZ603314A/xx not_active IP Right Cessation
- 2011-03-17 RU RU2012152447/28A patent/RU2554895C2/ru active
- 2011-03-17 JP JP2013509070A patent/JP2013527926A/ja active Pending
- 2011-03-17 AU AU2011248992A patent/AU2011248992B2/en active Active
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 |