CN110462445B - 地球物理深度学习 - Google Patents
地球物理深度学习 Download PDFInfo
- Publication number
- CN110462445B CN110462445B CN201880020355.3A CN201880020355A CN110462445B CN 110462445 B CN110462445 B CN 110462445B CN 201880020355 A CN201880020355 A CN 201880020355A CN 110462445 B CN110462445 B CN 110462445B
- Authority
- CN
- China
- Prior art keywords
- data
- seismic data
- algorithm
- seismic
- deep learning
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 172
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims description 41
- 238000001914 filtration Methods 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 11
- 230000001427 coherent effect Effects 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 55
- 230000008569 process Effects 0.000 description 50
- 238000004088 simulation Methods 0.000 description 43
- 230000015572 biosynthetic process Effects 0.000 description 25
- 238000005755 formation reaction Methods 0.000 description 21
- 239000011435 rock Substances 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 18
- 239000012530 fluid Substances 0.000 description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 18
- 230000033001 locomotion Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 15
- 238000005259 measurement Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000005056 compaction Methods 0.000 description 12
- 238000005553 drilling Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 11
- 239000000463 material Substances 0.000 description 11
- 238000011084 recovery Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 10
- 238000013459 approach Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 230000008021 deposition Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 230000003190 augmentative effect Effects 0.000 description 8
- 238000010304 firing Methods 0.000 description 8
- 238000013508 migration Methods 0.000 description 8
- 230000005012 migration Effects 0.000 description 8
- 239000002245 particle Substances 0.000 description 8
- 239000013049 sediment Substances 0.000 description 8
- 238000011144 upstream manufacturing Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 230000003628 erosive effect Effects 0.000 description 7
- 229930195733 hydrocarbon Natural products 0.000 description 7
- 150000002430 hydrocarbons Chemical class 0.000 description 7
- 238000005286 illumination Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 150000003839 salts Chemical class 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 239000011148 porous material Substances 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000003325 tomography Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 208000035126 Facies Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002706 hydrostatic effect Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000001802 infusion Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- XQCFHQBGMWUEMY-ZPUQHVIOSA-N Nitrovin Chemical compound C=1C=C([N+]([O-])=O)OC=1\C=C\C(=NNC(=N)N)\C=C\C1=CC=C([N+]([O-])=O)O1 XQCFHQBGMWUEMY-ZPUQHVIOSA-N 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 238000009933 burial Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005253 cladding Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001627 detrimental effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007340 echolocation Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003094 perturbing effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 241000282465 Canis Species 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 241000243142 Porifera Species 0.000 description 1
- 238000010796 Steam-assisted gravity drainage Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012152 algorithmic method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000000806 elastomer Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000000892 gravimetry Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008904 neural response Effects 0.000 description 1
- 239000003027 oil sand Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- 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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices
- G01V3/083—Controlled source electromagnetic [CSEM] surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/18—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for well-logging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices
- G01V3/083—Controlled source electromagnetic [CSEM] surveying
- G01V2003/086—Processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/50—Corrections or adjustments related to wave propagation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/50—Corrections or adjustments related to wave propagation
- G01V2210/56—De-ghosting; Reverberation compensation
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/614—Synthetically generated data
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6163—Electromagnetic
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- 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
- G01V2210/62—Physical property of subsurface
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种方法可以包含:选择地球物理数据的类型;选择算法的类型;至少部分基于算法来生成合成地球物理数据;至少部分基于合成地球物理数据来训练深度学习框架,以生成经训练的深度学习框架;接收用于地质环境的采集的地球物理数据;实施经训练的深度学习框架,以生成采集的地球物理数据的解释结果;以及输出解释结果。
Description
相关申请
本申请要求2017年2月9日提交的美国临时申请序列号62/457,096的权益和优先权,其通过引用并入本文。
背景技术
使用各种类型的传感器和过程采集地球物理数据。地球物理数据可以是经由设置在一个或多个位置中的设备采集的日志数据,其中多个位置中的一个包含井眼位置(例如,考虑电缆、随钻测井等)。地球物理数据可以是例如经由反射地震学设备采集的地震数据。反射地震学找到地球物理中的用途,例如,用于估计地下地层的性质。作为示例,反射地震学可以提供表示弹性能的波的地震数据(例如,如P-波和S-波所传输的,在近似1Hz至近似100Hz的频率范围内)。地震数据可以被处理和解释,例如,以更好地理解地下岩石的成分、流体含量、范围和几何。本文中所描述的各种技术涉及数据(例如,日志数据和地震数据中的一个或多个)的采集、处理和/或控制。
发明内容
方法可以包含:选择地球物理数据的类型;选择算法的类型;至少部分基于算法来生成合成地球物理数据;至少部分基于合成地球物理数据训练深度学习框架,以生成经训练的深度学习框架;接收用于地质环境的采集的地球物理数据;实施经训练的深度学习框架,以生成用于采集地球物理数据的解释结果;以及,输出解释结果。***可以包含:处理器;存储器可操作地耦接到处理器;以及,处理器可执行储存在存储器中的指令,以指令***:选择地球物理数据的类型;选择算法的类型;至少部分基于算法来生成合成地球物理数据;至少部分基于合成地球物理数据来训练深度学习框架,以生成经训练的深度学习框架;接收用于地质环境的采集的地球物理数据;实施经训练的深度学习框架,以生成用于采集的地球物理数据的解释结果;以及,输出解释结果。一个或多个计算机可读储存介质可以包含:处理器可执行指令,以指令计算***:选择地球物理数据的类型;选择算法的类型;至少部分基于算法来生成合成地球物理数据;至少部分基于合成地球物理数据来训练深度学习框架,以生成经训练的深度学习框架;接收用于地质环境的采集的地球物理数据;实施经训练的深度学习框架,以生成用于采集的地球物理数据的解释结果;以及,输出解释结果。还公开了各种其他装置、***、方法等。
提供本发明内容,以介绍概念的选择,概念以下在具体实施方式中进一步描述。本发明内容不意图识别所要求保护的主题的关键或必要特征,也不意图用作所要求保护的范围的限制的辅助。
附图说明
通过接合附图参考以下描述,可以更容易地理解描述的实施方式的特征和优点。
图1图示了***的示例和地质环境的示例;
图2图示了深度学习***的示例;
图3图示了方法的示例;
图4图示了数据采集技术的示例;
图5图示了数据采集技术的示例、设备的示例,以及***的示例;
图6图示了勘测和源的示例和时间顺序的示例;
图7图示了勘测和源的示例和时间顺序的示例;
图8图示了框架的示例;
图9图示了方法的示例;
图10图示了方法的示例;
图11图示了方法的示例;
图12图示了地质环境和各种物理过程的示例;
图13图示了方法的示例;
图14图示了方法的示例;
图15图示了框架的示例;
图16图示了Grand Permian Basin的部分的地图的示例;
图17图示了方法的示例;
图18图示了方法的示例;
图19图示了方法的示例;并且
图20图示了***的示例性部件和连网的***。
具体实施方式
以下说明书包含实践所描述的实施方式的当前设想的最佳模式。本说明书不理解为限制意义,而是仅出于描述实施方式的总体原理的目的。所描述的实施方式的范围应参考颁布的权利要求判断。
作为示例,可以经由数据采集和分析理解地下环境。这样的过程可以是流程的部分,流程可以包含至少部分基于数据进行决定。例如,决定可以是控制决定,其由设备(例如,控制器等)实施。作为示例,控制***可以包含一个或多个处理器和由处理器中的至少一个可存取的存储器,以及一个或多个接口。在这样的示例中,控制***可以经由一个或多个接口中的至少一个(例如,考虑控制信号的有线和/或无线传输)下达控制信号。
作为示例,采集和分析的数据可以是或包含一种或多种类型的地球物理数据。对于可以实施以采集地球物理数据的技术的一些示例,考虑地震技术(例如,反射地震学、地震折射,以及地震层析成像)、地震电技术、测地学和重力技术(例如,重力测定和重力梯度测定)、磁技术(例如,空中磁勘测和磁力计)、电技术(例如,电阻率层析成像、激发极化、自发电位和控制源电磁(CSEM)等)、电磁技术(例如,大地电磁、穿地雷达和瞬态/时域电磁、磁共振探测(MRS))、井眼地球物理(例如,测井等)、遥感技术(例如,超谱等)等。
如所述,数据可以是日志数据(例如,一种类型的地球物理数据,诸如井眼日志或井日志数据)。测井过程可以包含经由一个或多个电力的仪器测量一个或多个地层性质。这样的测量可以为数据的形式,数据可以是模拟的和/或数字的数据。作为示例,仪器(例如,一件或多件设备)可以采集信号(例如,经由一个或多个传感器等),信号可以是模拟和/或数字形式,其中例如模拟信号可以经由一个或多个模拟到数字转换器(ADC)转换为数字信号。作为示例,信号、数据、地层中处理的信号,处理的数据等可以经由一个或多个接口传输,以由多件设备中的一个或多个接收。
测井可以生成一个或多个日志。作为示例,一个或多个日志可以用来在计算上估计性质,并且进行关于钻井操作、生产操作或与地质环境相关联的其他类型的操作的决定。
测井可以包含对于以下中的一个或多个的采集测量:电性质(例如,各频率下的电阻率和电导率)、声学性质、主动和被动核测量、井眼的维度测量、地层流体采样、地层压力测量,以及电缆运送的侧壁取芯工具测量。
对于电缆测量,测井工具可以在多导体、反螺旋铠装的电缆线缆上下降到井眼中。一旦工具柱已经达到关注的层段的底部,可以在出井眼的过程中进行测量。出于深度关联目的,这样的方案可以试图将线缆上的张力(其可能拉伸)维持得尽可能不变。在一些环境中,诸如某些恶劣环境中,工具电子器件可能无法在井下温度幸存足够长时间来允许工具被下降到孔的底部并在孔中上升工具时记录测量,可以在进入井眼的过程中进行下降日志测量,并且在出来的过程中重复(例如,如果可行)。一些类型的电缆测量在工具正在移动时连续记录。某些流体采样和压力测量工具可以在工具停止的位置处操作。随钻测井(LWD)工具可以经由一个或多个独立式(self-contained)工具进行测量,独立式工具可以是钻井柱的一部分(例如,靠近井底钻具组合(BHA)的底部)。这样的LWD测量可以向下记录(例如,随着井加深),而不是从井的底部向上记录。
各种类型的数据可以经受成为解释的处理,其可以是基于机器的、基于人的或基于机器和基于人的组合。解释目标为生成结果(例如,解释结果)。结果可以是定量和/或定性的。作为示例,结果对于性质值、对于位置等可以是数值。例如,结果可以提供性质的值,诸如岩石的性质(例如,岩石的类型、流体的类型、材料的成分等)。对于位置,结果可以提供关于一种或多种类型的岩石、流体等的尺寸、起点、终点、面积、体积等。
作为示例,地震学可以用来采集数据(例如,一种类型的地球物理数据)。在这样的示例中,数据可以经受解释。例如,将地震解释考虑为涉及检查地震数据(例如,关于位置和时间或深度)以识别一种或多种类型的地下结构(例如,相、层位、断层、地质体等)的过程。地震数据可以可选地以诸如日志数据的其他数据解释。作为示例,过程可以包含接收数据和至少部分基于这样的数据生成模型。
作为示例,过程可以包含确定一个或多个地震属性。可以考虑地震属性,例如,将地震数据的特性内容描述、量化等的方式。作为示例,量化的特性可以被从地震数据计算、测量等。作为示例,框架可以包含储存在存储器中的处理器可执行指令,以确定一个或多个地震属性。地震属性可以可选地被分类,例如,分类为体积属性或表面属性或一维属性。地震属性可以是数值,其至少部分基于处理包含地震数据的数据。
可以使用可显示信息进行地震解释,例如,通过将信息渲染到显示装置、投影装置、打印装置等。作为示例,可以为可显示信息参考一个或多个色彩方案(例如,可选地包含黑白或灰度),以增强可显示信息的视觉检查。在将使用或正使用人眼来观看可显示信息的情况下,可以选择显示方案以增强解释。
作为示例,可以向模拟软件使用地震来进行地震解释,模拟软件诸如地震到模拟软件框架(Schlumberger Limited,Houston,Texas),其包含各种特征以进行属性分析(例如,关于3D地震体、2D地震线等)。尽管提到了地震模拟软件框架,可以采用其他类型的软件、框架等。作为示例,使用框架的模型构建可以由模拟器使用,例如,考虑储层模拟器,诸如模拟器(Schlumberger Limited,Houston,Texas)、模拟器(Schlumberger Limited,Houston,Texas)等。
作为示例,勘测(例如,地球物理勘测)可以目标未理解诸如盆地的区域的地下结构(例如,结构特征),其可以是沉积盆地,沉积盆地包含一个或多个储层,储层包含一个或多个资源(例如,烃类等)。作为示例,“产层(pay)”可以是储层或储层的部分,其包含经济上可生产的烃类(例如,油砂层、产油带等)。其中发生产层段的总体层段可以称为总产层;其中,例如,总产层的满足产层的当地标准(例如,诸如最小孔隙率、渗透率以及烃类饱和度)的较小部分称为净产层。作为示例,储层模拟器可以评估包含储层(例如,或多个储层)的至少部分的地质环境关于其可以用来估计产层的物理性质。在这样的示例中,诸如孔隙率,渗透率和饱和度的关于物理性质的参数可以被包含在可以建模地质环境的方程内。作为示例,这样的性质可以在进行模拟之前被初始化。在这样的示例中,性质的值可能影响模拟结果、模拟解的收敛等。作为示例,方法可以包含在进行模拟之前调整值,其进而可以减少计算时间,提高收敛速度,允许收敛解的输出等。
图1示出了***100的示例,其包含各种管理部件110,以管理地质环境150(例如,包含沉积盆地、储层151、一个或多个断层153-1、一个或多个地质体153-2等的环境)的各方面。例如,管理部件110可以允许关于地质环境150的感测、钻井、注入、提取等的直接或间接管理。进而,关于地质环境150的其他信息可以随着反馈160(例如,可选地作为对管理部件110中的一个或多个的输入)变得可用。
在图1的示例中,管理部件110包含地震数据部件112、附加信息部件114(例如,井/测井数据)、处理部件116、模拟部件120、属性部件130、分析/可视化部件142,以及流程部件144。在操作中,每个部件112和114提供的地震数据和其他信息可以被输入到模拟部件120。
在示例性实施例中,模拟部件120可以依赖于实体122。实体122可以包含地球实体或地质的对象,诸如井、地面、体、储层等。在***100中,实体122可以包含实际物理实体的虚拟表示,其处于模拟的目的被重建。实体122可以包含基于经由感测、观察等(例如,地震数据112和其他信息114)采集的数据的实体。实体可以由一个或多个性质表征(例如,地球模型的几何柱网格实体可以由孔隙率性质表征)。这样的性质可以表示一个或多个测量(例如,采集的数据)、计算等。
在示例性实施例中,模拟部件120可以与诸如基于对象的框架的软件框架结合操作。在这样的框架中,实体可以包含基于预定的类别的实体,以促进建模和模拟。基于对象的框架的商业可得示例是.NETTM框架(雷德蒙,华盛顿州),其提供一组可扩展对象类别。在.NETTM框架中,对象类别封装可重复使用代码和相关联的数据结构的模块。对象类别可以用来列举对象实例,以由程序、脚本等使用。例如,井眼类别可以限定对象,以基于井数据表示井眼。
在图1的示例中,模拟部件120可以将信息处理为符合由属性部件130指定的一个或多个属性,属性部件130可以包含属性的库。这样的处理可以在输入到模拟部件120(例如,考虑处理部件116)之前发生。作为示例,模拟部件120可以基于由属性部件130指定的一个或多个属性在输入信息上进行运算。在示例性实施例中,模拟部件120可以构建地质环境150的一个或多个模型,模拟地质环境150的行为可能依赖于该一个或多个模型(例如,响应于一个或多个动作,无论是天然的还是人工的)。在图1的示例中,分析/可视化部件142可以允许与模型或基于模型的结果(例如,模拟结果等)交互。作为示例,来自模拟部件120的输出可以被输入到一个或多个其他流程中,如由流程部件144所指示的。
作为示例,模拟部件120可以包含模拟器(诸如储层模拟器、储层模拟器等)的一个或多个特征。作为示例,模拟部件、模拟器等可以可选地包含特征,以实施一个或多个无网格技术(例如,以解决一个或多个方程等)。作为示例,可以关于一个或多个强化采油技术(例如,考虑热过程诸如SAGD等)模拟储层或储层。
在示例性实施例中,管理部件110可以包含诸如地震模拟软件框架的商业可得框架的特征。框架提供部件,部件允许勘探和开发操作的最优化。框架包含地震模拟软件部件,其可以输出信息,以在提高储层表现中使用,例如,提高改善资产团队生产力。通过使用这样的框架,各种专业人员(例如,地球物理学家、地质学家,以及储层工程师)可以开发合作流程并将操作集成为简化流程(streamlineprocess)。这样的框架可以认为是应用,并且其可以被认为是数据驱动的应用(例如,其中出于建模、模拟等目的而输入数据)。
在示例性实施例中,管理部件110的各方面可以包含附件或插件,其根据框架环境的规范操作。例如,投入市场为框架环境(Schlumberger Limited,Houston,Texas)的商业可得框架环境允许将附件(或插件)集成到框架流程中。框架环境利用.工具(Microsoft Corporation,Redmond,Washington)并且提供稳定、用户友好的接口以用于高效开发。在示例性实施例中,各种部件可以实施为附件(或插件),其符合框架环境的规范并根据框架环境的规范操作(例如,根据应用编程接口(API)规范等)。
图1还示出了框架170的示例,其包含模型模拟层180,连同框架服务层190、框架核心层195以及模块层175。框架170可以包含商业可得框架,其中模型模拟层180是商业可得的模型中心的软件包,软件包承载框架应用。在示例性实施例中,软件可以认为是数据驱动的应用。软件可以包含应用模型建立和可视化的框架。
作为示例,框架可以包含用于实施一个或多个网格生成技术的特征。例如,框架可以包含输入部件,以接收来自地震数据的解释的信息、至少部分基于地震数据、日志数据、图像数据等的一个或多个属性。这样的框架可以包含网格生成部件,其处理输入信息,可选地结合其他信息,以生成网格。作为示例,网格可以是网格。这样的构造(例如,网格或网格)可以由节点、单元、层段、段等限定。如所述,可以实施所谓的无网格方案,例如,基于诸如点云中的点等。
在图1的示例中,模型模拟层180可以提供域对象182,充当数据源184,提供渲染186,并且提供各种用户界面188。渲染186可以提供图形环境,其中应用可以显示它们的数据,而用户界面188可以为应用用户界面部件提供共同外观和感觉。
作为示例,域对象182可以包含实体对象、性质对象,以及可选其他对象。实体对象可以用来在几何上表示井、表面、体、储层等,而性质对象可以用来提供性质值以及数据版本和显示参数。例如,实体对象可以表示井,其中性质对象提供日志信息以及版本信息和显示信息(例如,以将井显示为模型的一部分)。
在图1的示例中,数据可以储存在一个或多个数据源(或数据储存体,通常是物理数据储存装置)中,其可以在相同或不同的物理位置,并且经由一个或多个网络可访问。模型模拟层180可以配置为模型项目。如此,可以储存特定项目,其中储存的项目信息可以包含输入、模型、结果和案例。从而,一经完成建模会话,用户可以储存项目。之后,可以使用模型模拟层180访问和还原项目,模型模拟层180可以重现相关域对象的实例。
在图1的示例中,地质环境150可以包含层(例如,层理),其包含储层151和一个或多个其他特征,诸如断层153-1、地质体153-2等。作为示例,地质环境150可以配备有任意各种传感器、探测器、致动器等。例如,设备152可以包含通信电路,以关于一个或多个网络155接收和传输信息。这样的信息可以包含与井下设备154相关联的信息,井下设备154可以是用于采集信息、辅助资源开采等的设备。其他设备156可以位于与井位置远离,并且包含感测、探测、发射或其他电路。这样的设备可以包含储存体和通信电路,以储存和通信数据、指令等。作为示例,可以出于通信、数据采集等目的提供一个或多个卫星。例如,图1示出了与可以配置为通信的网络155通信的卫星,注意到卫星可以附加地或替代地包含用于影像(例如,空间、谱、时间、放射度量等)的电路。
图1还将地质环境150示出为可选地包含设备157和158,设备157和158与包含实质上水平的部分的井相关联,实质上水平的部分可以与一个或多个裂缝159交叉。例如,考虑在页岩地层中的井,其可以包含天然裂缝、人工裂缝(例如,水力压裂)或天然和人工裂缝的组合。作为示例,可以为横向延伸的储层钻井。在这样的示例中,性质、应力等上的横向变化可能存在,其中这样的变化的评估可以辅助计划、操作等,以开发横向延伸储层(例如,经由压裂、注入、提取等)。作为示例,设备157和/或158可以包含部件、一个***、多个***等,以用于压裂、地震感测、地震数据的分析、一个或多个裂缝的评估等。
如所述,***100可以用来进行一个或多个流程。流程可以是包含若干工作步骤的过程。可以在数据上运算工作步骤,例如,以创建新的数据,以更新现有数据等。作为示例,可以例如基于一个或多个算法在一个或多个输入上运算并创建一个或多个结果。作为示例,***可以包含流程编辑器,以用于流程的创建、编辑、执行等。在这样的示例中,流程编辑器可以提供一个或多个预定的工作步骤、一个或多个定制化工作步骤等的的选择。作为示例,流程可以是在软件中可实施的流程,例如,其在地震数据、(多个)地震属性等上运算。作为示例,流程可以是在框架中可实施的过程。作为示例,流程可以包含一个或多个工作步骤,其访问诸如插件(例如,外部可执行代码、指令集等)的模块。
作为示例,方法可以包含进行用于深度学习的数据扩增(或补充)。在这样的示例中,深度学习可以包含训练神经网络,以生成训练的神经网络。这样的训练的神经网络可以用来进行一种或多种类型的解释。例如,方法可以包含采集数据,以及经由训练的神经网络处理采集的数据,以输出解释结果。作为示例,解释可以是诸如地球物理数据域(例如,空域、时域、频域等)的数据域内的结构特征的识别。作为示例,解释可以关于一种或多种类型的结构特征分类。作为示例,解释可以是一些类型的结构特征在域中很可能存在但该类型可能不可识别和/或不可分类的指示(例如,至期望程度的确定性等)。这样类型的结构特征可以经受进一步处理,其可以响应于来自经训练的深度学习框架(例如,考虑到框架的输出以进一步解释等)的输出而自动地或半自动地发生。
深度学习(也已知为深度结构化学习或层级(hierarchical)学习)是更宽家族的机器学习(ML)方法的一部分,其基于学习数据表示,而与任务专用算法不同。学习可以是监督的、半监督的或无监督的。
一些表示松散地基于生物神经***中的信息处理和通信模式的解释,诸如神经编码,其试图定义各种刺激与相关联的大脑中的神经反应之间的关系。
深度学习架构可以包含例如深度神经网络、深度置信网络和递归神经网络中的一个或多个。
深度学习发现用于图像识别中,诸如,例如,人脸的面部识别。深度学习还发现用于逆像问题中,诸如去噪声图像、图像的超分辨率处理,以及图像修复。这样的深度学习方案在一个或多个图像数据集上训练。
图像数据集可以是像素图像的集合,其中像素图像是像素值的阵列(或矢量)。例如,像素图像可以具有8比特的像素深度,使得图像中的每个像素具有在从0至255(例如,28)范围内的值。数据集可以是原始像素图像或处理的像素图像。关于处理的像素图像,处理可以采用可以应用于2D像素图像的滤波器。
图像滤波是用于修改或增强图像的技术。例如,图像可以被滤波,以强调某些特征或移除其他的特征。以滤波实施的图像处理运算包含光滑化、锐化,以及边缘增强。
图像滤波可以是邻域运算,其中输出图像中的给定像素的值通过将算法应用到对应的输入像素的邻域中的像素的值确定。像素的邻域是一些像素集合,由它们相对于该像素的位置定义。线性图像滤波是一种滤波,其中输出像素的值是输入像素的邻域中的像素的值的线性组合。
图像的线性滤波可以通过称为卷积的运算完成。卷积是邻域运算,其中每个输出像素是相邻输入像素的加权和。权重的矩阵称为卷积核,也已知为滤波器。卷积核是已经旋转180度的关联核。
称为关联的运算与卷积紧密相关。在关联中,输出像素的值也计算为相邻像素的加权和。不同在于,在此情况下称为关联核的权重的矩阵,在计算期间不旋转。
尽管可以进行日志和/或地震数据的2D像素图像的图像滤波,这样的滤波不在用来采集这样的日志和/或地震数据的相关联的采集技术的水平操作,除直接摄影成像技术之外,直接摄影成像技术中诸如CCD阵列等的成像传感器直接采集阵列(例如,经由镜头等)。
作为示例,方法可以包含从多个算法中选择算法,并且将所选择的算法应用于生成合成数据,其中合成数据可以可选地至少部分基于采集的字段数据(例如,“真实”数据),其可以是或包含地球物理数据。在这样的示例中,算法可以扩增字段数据(例如,补充字段数据)。这样的方法可以用来生成适于包含在深度学习数据集中的数据,深度学习数据集可以训练深度学习***(例如,深度学习框架)。
作为示例,算法可以是基于物理的算法,其依赖于地质环境的一个或多个物理性质,可以是一个或多个岩石性质和/或一个或多个流体性质。作为示例,不是仅将地震图像中的对象(例如,地质体、界面等)设置,算法可以包含生成与地质环境中的对象相关联的地震轨迹数据(例如,作为关于一个或多个空间维度的时间系列数据)。在这样的示例中,应用于地震轨迹数据的深度学***运算,其可以例如目标为基于输入地震轨迹的特性(例如,输入地震轨迹数据)“识别”对象的存在。这样的方案可以定义为至少部分在时域上运算,注意到可以采用一个或多个其他域(例如,深度域,其中轨迹的时间相关于深度、频率域等)。作为示例,一个或多个分析可以采用傅里叶技术(例如,傅里叶变换、逆傅里叶变换等)。作为示例,傅里叶变换(FT)可以用来将时间的函数(例如,信号、轨迹等)分解为频率(例如,从时域到频率域),并且可以采用逆FT进行反向(例如,逆)运算。
作为示例,不是实施2D像素图像中采用的图像滤波技术,方法可以包含经由应用于时间系列数据(诸如1D地震轨迹)的一个或多个算法生成数据集(例如,扩增、补充、扩展等),时间系列数据可以是一系列时间值的一系列振幅值。作为示例,地震轨迹可以定义为对采集***的一个通道记录的地震数据(例如,考虑至少部分由通道参数指定的勘测几何,其可以是指示多少通道被用于采集数据的值)。可以采集地震轨迹,使得地震轨迹表示当能量从源穿过地下传播到接收器或接收器阵列时弹性波场对跨材料的层的界面的速度和密度对比度的响应(例如,岩石、沉积、流体等)。
作为示例,可以通过模拟到数字转换器(ADC)离散化接收的能量,模拟到数字转换器在采样率下运行。例如,采集设备可以将由传感器感测的能量信号转换为每近似4ms一个样本的采样率下的数字样本。给定在一种介质或多种介质中的声速,采样率可以转换为近似距离。例如,岩石中的声速可以在约5km每秒的量级。从而,近似4ms的采样时间间隔将对应于约10米的样本“深度”间隔(例如,假设从源到边界和从边界到传感器的路径长度)。作为示例,轨迹可以在持续时间上为约4秒;从而,对于约4ms间隔的一个样本的采样率,这样的轨迹将包含约1000个样本,其中后采集的样本对应于较深反射边界。如果前述示例的4秒轨迹持续时间除以二(例如,以考虑反射),则对于垂直对准的源和传感器,最深边界深度可以估计为约10km(例如,假设约5km每秒的声速)。
关于地震勘测的地震采集几何,线间隔小于约400m处的2D网格可以认为是稠密的。关于地震数据的3D采集,这样的方案可以用来揭示(例如,经由解释)真正的结构倾角(2D可以给出视倾角)、增强地层学信息、储层性质的地图视图、断层图案的增强的面映射和储层块的连接和描绘,以及增强的横向分辨率(例如,2D可能表现出有害的交叉线涂抹或Fresnel区问题)。
3D地震数据集可以称为数据块或量;2D地震数据集可以称为数据片(panel)。为解释3D数据,可以在块的“内部”处理,其为计算过程,因为涉及大量的数据。例如,3D数据集可以在从几十兆字节到若干十亿字节的范围。
3D地震数据体积可以包含垂直轴线,其为双向走时(TWT)而非深度,并且可以包含作为地震振幅值的数据值。这样的数据可以至少部分关于时间轴定义,其中轨迹可以是关于时间的值的数据矢量。
可以根据一个或多个格式格式化采集的字段数据。例如,考虑井数据格式AAPG-B、日志曲线格式LAS或LIS-II、地震轨迹数据格式SEGY、炮点位置数据格式SEGP1或UKOOA和井场数据格式WITS。
SEGY(其可以称为SEG-Y或SEG Y)是由勘探地球物理学家学会(SEG)开发的文件格式,以用于储存地球物理数据。它是开放标准,并且由非营利组织SEG技术标准委员会控制。格式初始地开发于1973年,以在磁带上储存单线地震反射数字数据。最近版本的SEG-Y格式公布于2017年,命名为rev 2.0规范,并且包含原始格式(称为rev 0)的某些传统,诸如可选的SEG-Y带标记,主要3200字节文本EBCDIC字符编码磁带头和400字节二进制头。
AAPG计算机应用委员会已经提出AAPG-B数据交换格式,以用于计算机***、应用软件以及公司之间的通用目的数据传输。对于日志曲线,Schlumberger LIS(日志信息标准)已经成为事实上的标准,并且已经提出了对其的扩展。另一日志数据格式称为LAS,用于日志ASCII标准,已经由Canadian Well Logging Society提出。UKOOA格式是来自UnitedKingdom Offshore Operators Association。WITS是用于传输井场数据的格式(井场信息传输标准),如International Association of Drilling Contractors(IADC)提出的。
计算***可以包含或可以提供对关系型数据库管理***(RDBMS)的访问。作为示例,可以采用诸如SQL(结构化查询语言)的查询语言。
如所述,2D图像分析中的深度学习可以涉及生成合成数据集,其中将2D图像数据(例如,像素数据)直接合成、扩增等。如上所述,地球物理数据不同在于其经由物理过程感测过之处,其可以包含时间过程,诸如时间系列数据。这样的时间系列数据可以是波数据,其包含关于一个或多个波(例如,一个波场或多个波场)的信息。相比之下,相机的CCD阵列捕获离散的2D图像,其中一系列2D图像称为视频(在关于时间的时间上的单独实例捕获的离散2D像素图像)。
作为示例,计算框架可以针对石油工业中的应用,以生成现实的地震数据,其可以用于基于现有地震数据的智能扩增的深度学习。
作为示例,实施这样的计算框架的流程可以通过半合成地震体使用图形用户界面交互地创建并导航。这样的半合成地震数据创建可以由变形(morphing)运算的集合(例如,算法)驱动,其尤其适于地球科学数据(例如,日志和地震)。作为示例,关于地震数据,框架可以用来将现有训练数据的有限集倍增为半合成训练数据集的一个或多个集合。
机器学习(ML)和人工智能(AI)算法要求大量的现有训练数据(例如,“经验”)来训练***(例如,框架)。这样的训练数据集可以为成对的形式:单独输入图像加上输入图像的类别标记(基本事实)。在地球科学的领域中,因为数据采集可能是资源密集的(例如,钻井、流式传输(streaming)、在大的勘测区域上设置设备等),存在地球科学数据不足以高效地学习/训练现有AI算法来给出地球科学领域的方案的趋势(参见例如图16,地球物理勘测的示例,其可用于特定区域)。
如所述,如上所述,对于2D像素图像分析,可以利用滤波或其他通用图像变形运算(例如,镜像、旋转、缩放等)来基于原始标记数据集的有限集合生成大量新的可能的合成实现。关于地球科学中的数据,虽然可以利用这样的运算(例如,算法),但是计算框架可以包括多个算法,这些算法可以用于进行基于物理的并且针对采集和/或数据类型的运算(例如,时间系列数据等)
作为示例,可以使用诸如TensorFlow工具的一个或多个计算工具。TensorFlow工具被收集在库中,用于跨涉及符号数学库、机器学习应用(例如,神经网络)的一系列任务的数据流编程。在2D图像分析领域中,用于AI的TensorFlow算法库针对与图像分类和分段相关的问题;注意到,TensorFlow库确实包含一些语音识别算法。这种图像和语音算法包括:镜像、旋转、缩放、模糊、边缘增强、自动增益控制等。对于地震数据集扩增,按照地震图像的特征随着深度变化的层的序列整理的地质的垂直翻转,将会产生不一致的训练信息。如此,在2D像素图像中使用的垂直翻转算法对于地震数据几乎不提供实际结果。
作为示例,计算框架可以包括一组算法工具,其可以使用作为输入的地震体(3D数据)以及例如元信息(例如,断层、地平线、盐解释等),并基于一个或多个算法工具的一个或多个运算生成新的现实的地震体。这样的输出可以保留(例如,使一致的)元数据用于机器学习目的。换句话说,可以等效地操纵标记。例如,当底层图像不变时,标记可以保持不变;而如果底层图像发生变化,则标记也会发生变化。
作为示例,框架可以利用可以在一个或多个库(例如,计算工具库等)中组织的多个算法中的一个或多个。算法的一些示例包括:频率滤波;带宽扰动(例如,本地等);覆层(overburden)和/或发光效应的正向建模;生成和/或添加相干噪声(例如,从另一图像中提取的合成或重影或噪声等);在保持一个标记或多个标记的同时翘曲地震图像(例如,考虑压实翘曲、膨胀翘曲等);生成和/或添加(例如,加回)残余多次波;添加合成断层(例如,绘制一条或多条随机线并变形、重复等);对一个或多个数据集进行地质复原(palinspastic)和/或结构恢复;从一个或多个其他数据集应用反向变形;算法工具,其应用一个或多个模型的地质力学断层,其在地质过程建模(例如,用于沉积物沉积等)可能涉及,例如,在合成地震发生之前;时延差分(例如,残差生成)和添加到一个或多个其他数据集;随机地将残留物重新分配给年份(vintage);流体流动变形,特别是垂直变形,以模拟底层速度模型中的扰动;地震数据和/或速度模型的蒙特卡罗采样,其可以链接到标记,其中标记可以维持在速度不变处;处理和解释现有数据,建立标记,扰乱模型和标记,并且生成合成数据(如通过波动方程)和图像;扰动采集几何结构(例如,或(多个)其他采集参数),并用一个或多个扰动几何结构模拟地震;使用真实数据作为基础并且生成合成数据,并通过翘曲和/或弹性性质的变化扰乱衍生的地下模型;利用一个或多个物理定律和/或近似(例如,断层的横向和垂直范围之间的比率)等;应用一种或多种指数定律(power law),断层***可能会附着在断层网络的建模中,其中模型比使用合成平面或曲面更为真实;用于生成地下区域的多个现实化的对象建模,例如,用于生成合成地震和标记;并且通过3D体积提取随机2D切片(例如,垂直2D切片,具有上至一定中等角度的一些倾斜等)。
关于生成现实化,作为示例,可以将框架用于相建模,其可以在用储层的地质表征的离散性质值填充地质细胞网格等中找到用途。这样的方案允许地震驱动的建模,其中可能性可以若干不同方式被使用,以助于创建沉积相或岩性的现实的表示。
作为示例,井日志数据和点属性数据可以升级为一个或多个地质细胞网格。在这样的示例中,性质可以分布为剩余3D网格体积(例如,经由各种算法中的一个或多个)。作为示例,一个或多个结构网格可以用来使用沉积空间(depospace)概念更精确地建模沉积性质。
作为示例,一个或多个算法可以提供确定性建模。例如,考虑指示符克里金法(indicator kriging)(例如,基于像素的方法,用于基于克里金可能性产生相模型)。作为示例,框架可以允许交互式编辑(例如,绘制、编辑等)相模型(例如,经由地质刷,以用于更现实的沉积环境设计)。作为示例,一个或多个算法可以提供随机指标(stochastic)建模(例如,对象建模、顺序指示符模拟、截断高斯模拟,或多点统计)。作为示例,方法可以包含生成一个或多个动态质量保证图。作为示例,这样的质量保证可以可选地至少部分基于来自经训练的深度学习框架的输出。
如对2D数据解释的各种运算可以对于3D和/或4D数据使用。作为示例,旋转、翻转、缩放等,可以沿着轴线/方向在一个或多个尺寸上进行。
作为示例,方法可以包含为出于训练一个或多个深度学习***的目的生成数据库,其可以包含构建具有相关联的适当标记的数据。
图2示出了***200的示例(例如,深度学习框架),其包含应用于计算机视觉的深度神经网络(DNN)。如所示,***200可以经由输入层接收信息,经由隐藏层分析信息,并且经由输出层的输出信息。输入层处接收的信息可以是图像,诸如由像素构成的面部图像,其可以在色彩空间(例如,RGB,灰度等)中。
***200可以以一种或多种方式学习(例如,被训练)。学习可以是深度学习。作为示例,学习可以包含无监督学习、强化学习、监督学习、半监督学习等
深度学习可以应用于任务,任务中基本单元、单个像素、单个频率,或单个词/字可以自身之中具有相对小量的含义,而单元的组合具有相对较大量的含义。作为示例,可以关于单元的单独值评估单元的组合,其可以是共同地有用的。作为示例,方法可以包含有用的值的组合的深度学习,而不需人的干预。例如,考虑从手写数字数据集的数据学习特征的深度学习的能力。在这样的示例中,当呈现以数以万计的手写数字时,深度神经网络可以学习当试图分类数字时寻找环和线是有帮助的。
深度学习可以使用一个或多个技术实施,诸如,例如,最优化器、随机指标梯度下降、无监督数据预训练模型以自动特征提取、传递函数、(多个)大数据集尺寸、多个处理器(例如,GPU和/或CPU),以适应由与大数据集组合的深度神经网络模型带来的可观的计算成本等。
作为示例,神经网络中的每个连续层可以利用来自先前层的特征来学习更复杂的特征。考虑一个例子,参考图2的***200,一种方案,其中在最低级别,神经网络固定在局部对比度的图案上。然后,下一层可以使用局部对比度的这些图案来固定类似于眼、鼻和嘴的数据作为面部特征。然后,另一个后续层(例如,顶层)可以将那些面部特征应用于面部模板。在这样的示例中,深度神经网络能够在其每个连续层中组成复杂度增加的特征。
从而,***200可以执行数据表示和特征的自动学习。深度神经网络的这种应用可以包括可以学习图像、音频和书面语言的有用层级表示的模型。例如,考虑这些领域中的这些学习的特征层级可以解释为:
图像识别:像素→边缘→基元(texton)→图形(motif)→部分→对象
文本:字符→词→词组→子句(clause)→句
语音:样本→谱带→声音→…→语音→音位→词
作为示例,对于地球物理深度学习框架,可以基于地球物理数据的一个或多个方面来建立层级。例如,在考虑轨迹的情况下,单独或与相邻轨迹组合,(多个)轨迹→一个或多个结构特征。如上所述,轨迹可以关于时间(例如,行进时间等)来表示,并且是表示穿过一种或多种材料的地震能量的振幅数据,其在一个或多个界面处反射,其部分地衰减。如此,一条或多条轨迹可以与前面提到的语音不同,其中语音旨在产生词。例如,人通过语音表达思想,使用人体作为声音发生器来产生仅具有语音产生目的的波。相反,对于反射地震学,利用地震能量来探测未知区域,该区域是研究对象。在语音识别中,由一个或多个扬声器容易地生成训练数据库,与用于解释诸如反射地震学数据的地球物理数据的训练数据的生成相比,这很容易。人类还可以为人类回声定位产生声音,这是人类通过感知来自这些物体的回声,通过主动创造声音来检测环境中的物体的能力-例如,通过敲击手杖,轻轻地踩脚,打响指,或用嘴巴发出咔哒声-受过回声定位训练的人可以解释通过空气并被附近物体(例如视线)反射的声波,以识别位置、大小等。
图3示出了方法300和***301的示例。如所示,方法300包括用于选择地球物理数据的选择框310(例如,选择一种或多种类型的地球物理数据),用于选择一个或多个算法的选择框320,用于生成合成地球物理数据的生成框330,用于训练用于解释的深度学习框架的训练框340,用于接收所获取的地球物理数据的接收框345,用于实施用于解释所采集的地球物理数据的至少一部分的经训练深度学习框架的实施框350,以及用于输出解释结果的输出框360。如所述,方法可以包括至少部分地基于可以按输出框360输出的解释结果来进行一个或多个动作。例如,可以下达信号,其指令一件或多件设备执行一个或多个动作,动作可以是一个或多个现场动作(例如,关于勘探、勘测、数据采集、钻井、刺激、生产等)。
方法300在图3中与各种计算机可读介质(CRM)框311、321、331、341、346、351和361相关联地示出。这些框通常包含适合于由一个或多个处理器(或核心)执行的指令,以指令计算设备或***执行一个或多个动作。虽然示出了各种框,但是单个介质可以配置有指令以允许至少部分地执行方法300的各种动作。作为示例,CRM框可以是非计算机可读存储介质,其是非瞬态的,而不是载波而不是信号。作为示例,这样的框可以包含可以存储在存储器中并且可以由一个或多个处理器执行的指令。
***301可以包含一个或多个处理器304和存储器306,其可以是一个或多个存储器装置,其中至少一个可由一个或多个处理器304中的至少一个访问。作为示例,框311、321、331、341、346、351和361的一个或多个特征可以以可存储在存储器306中的可执行指令的形式提供。例如,这样的指令可以包处理器可执行指令,其可以使***301执行方法300的一个或多个动作。
如所述,反射地震学可用于地球物理学,例如,估计地下地层的性质。作为示例,反射地震学可以提供表示弹性能的波的地震数据(例如,由P波和S波传输,在大约1Hz到大约100Hz的频率范围内)。例如,可以处理和解释地震数据,以便更好地理解地下岩石的成分、流体含量、范围和几何。
图4示出了地质环境411中的采集技术410的示例,用于采集地震数据420和轨迹426的部分,以及地质环境471中的采集技术470的示例,以采集地震数据480。在图4中,采集技术410可以是利用地面设备的地面技术,而采集技术470被示出为利用地面设备和一件或多件井下设备。数据480的各种特征可以存在于数据420中,例如,轨迹426可以包含倍数的标记等。
可以是***的计算框架可以处理由技术410和/或技术470采集的数据,例如,以允许关于图1的地质环境150直接或间接管理感测、钻井、注入、提取等。进而,关于地质环境150的其他信息可以变得可用作反馈(例如,可选地作为***的输入)。
作为示例,诸如框架的框架可以用于处理由技术410和/或技术470采集的数据,其中框架可以训练和/或实现一个或多个深度学习网络。例如,出于解释地震数据的目的,附件和/或API可以用于这种训练和/或实施方式。在这样的示例中,附件和/或API可以提供对生成训练数据(例如,训练数据集)的一个或多个算法的访问,其可以包含合成数据集和/或半合成数据集。一个或多个数据集的生成可以解释地质环境的一个或多个方面,采集技术的一个或多个方面等。作为示例,生成的数据集可以至少部分地基于地质模型的环境。例如,可以利用地质环境411的模型和/或地质环境模型471来生成合成地震数据。
作为示例,一个或多个算法可以修改模型(例如,在预定的参数集中随机地),以生成一个或多个数据集。作为示例,模型可以包含标记,其中通过使用模型生成的合成地震数据可以保留这样的标记,其中具有相关联的标记的合成地震数据可以用于训练一个或多个深度学习网络。作为示例,可以出于合成地震数据生成的目的对地质环境的部分进行建模和修改。在这样的示例中,合成地震数据可用于替换实际(“真实”)地震数据和/或修改这种实际地震数据。可以利用这种方案来生成一个或多个半合成数据集。
作为示例,模型修改可以涉及一个或多个结构特征,例如界面、断层、裂缝、地质体等。例如,在要增强的解释的地质体的形状的情况下,可以修改模型或者利用不同形状的地质体生成多个模型,其中这些不同的形状可以用一个或多个标记来标记。在这样的示例中,可以对地震数据包含其标记的每个不同形状模拟地震数据。这种地震数据可以用于训练深度学习网络,其中训练的深度学习网络可以用于解释地质环境的真实地震数据(例如,非合成地震数据)以输出更准确地表征地质环境中的地质体的形状的解释结果。这种方案可以进一步考虑与地质体相关联的照明效果(例如,地质体尺寸、形状等)。在这样的示例中,给定形状的较小尺寸的地质体可以比更精确尺寸和形状的地质体更少地影响更深的结构特征的照明效果。在训练数据集中,较小尺寸的地质体可以提供更清楚地描绘更深的结构特征的地震数据,其可以是标记的特征。在这样的示例中,训练的深度学习网络可能能够至少部分地基于关于一个或多个地质体的训练来识别更深的结构特征。例如,基于较小尺寸的地质的训练可以提供有助于识别更深的结构特征的地震数据,而基于更精确尺寸的地质体的训练有助于识别实际的地质体。可以利用图3的方法300的一个或多个框执行的前述示例演示了训练数据集中的变化如何有助于解释实际地震数据中的多个结构特征,即使在照明效果可能对识别多个结构特征中的至少一个有害的情况下。
如所述,可以基于地质环境的一个或多个方面和/或采集的一个或多个方面(例如,采集几何、技术、设备等)生成合成和/或半合成地震数据。作为示例,可以针对给定的采集几何以对其变化生成训练数据集。这些变化可以解释一个或多个发射器和/或一个或多个传感器的位置和/或取向。作为示例,可以对给定采集设备类型以对其变化生成训练数据集。这种变化可以考虑ADC的类型(例如,比特深度等)、采样率等。
关于数据采集的一些特定方面,如所述,可以对区域以轨迹的形式采集地震数据。在图4中,关于技术410,采集设备422可以从源(例如,发射器)发射能量,其中能量可以经由沿着内联方向串联的一个或多个传感器(例如,接收器)被接收(例如,在反射、衰减等之后),注意到采集几何还包含由一系列内联方向串定义的交叉线方向。由于该区域包含层423和地质体425,由采集设备422发射的能量可以从层423和地质体425反射。可以在所采集的轨迹中发现这种反射的证据。关于轨迹426的部分,接收的能量可以由以采样率下运行的模拟到数字转换器(ADC)离散化。例如,采集设备422可以将由传感器Q感测的能量信号转换为数字样本。如上所述,可以根据诸如SEGY格式的格式存储这样的数据。
在图4中,技术470可以关于地质环境471实施。如所示,能量源(例如,发射器)472可以发射能量,其中能量作为与地质环境相互作用的波传播。作为示例,地质环境471可以包含井眼473,其中一个或多个传感器(例如,接收器)474可以定位在井眼473中。作为示例,能量源472发射的能量可以与地质环境471中的层(例如,结构,界面等)475相互作用,使得一部分能量被反射,然后可以由一个或多个传感器474感测。这种能量可以被反射为上行初(例如,或“初级”)波。作为示例,一部分发射的能量可以被地质环境中的多于一个结构反射,并且被称为多重反射(例如,或“多次”)波。例如,地质环境471被示出为包含位于地面层479下方的层477。给定这种环境与源472和一个或多个传感器474的布置,能量可以被感测为与特定类型的波相关联。
如图4所示,采集的数据480可以包含与下行直接到达波、反射的上行初波、下行多次反射波和反射的上行多次反射波相关联的数据。还沿时间轴和深度轴示出了所采集的数据480。如所指出的,以至少部分地依赖于地质环境471中的介质的特性的方式,波以速度在距离上行进,使得时间和空间之间可能存在关系。从而,与感测的能量相关联的时间信息可以允许理解地质环境中的层、界面、结构等的空间关系。
图4还示出了各种类型的波,包含P、SV和SH波。作为示例,P波可以是弹性体波或声波,其中颗粒在波传播的方向上振荡。作为示例,入射在界面上的P波(例如,不是法向入射等)可以产生反射和透射的S波(例如,“转换”波)。作为示例,S波或剪切波可以是弹性体波,例如,其中颗粒垂直于波传播的方向振荡。S波可以由地震能量源(例如,除了***)产生。作为示例,S波可以被转换为P波。S波往往比P波传播得更慢,并且不会穿过不支持剪切的流体。通常,S波的记录涉及使用可操作地耦合到大地的一个或多个接收器(例如,能够接收关于时间的剪切力)。作为示例,S波的解释可以允许例如通过交叉绘制P波和S波速度和/或通过其他技术确定岩石性质,例如裂缝密度和取向、泊松比和岩石类型。
作为可以表征地质环境中的介质的各向异性(例如,地震各向异性)的参数的示例,考虑Thomsen参数ε、δ和γ。Thomsen参数δ可以描述偏移效应(例如,短偏移)。关于Thomsen参数ε,它可以描述偏移效应(例如,长偏移),并且可以涉及垂直和水平压缩波之间的差异(例如,P或P-波或准压缩波qP或qP-波)。至于Thomsen参数γ,它可以描述剪切波效应。例如,考虑具有对垂直剪切波的水平偏振的水平剪切波的影响。
作为示例,可以至少部分地基于各向同性和/或各向异性来生成合成和/或半合成地震数据。例如,方法可以包含为一个或多个Thomsen参数生成多个不同Thomsen参数值的地震数据。在这样的示例中,作为训练数据集的数据可以被标记并用于训练一个或多个深度学习网络,其中可以利用一个或多个这样训练的深度学习网络来解释地质环境的实际地震数据,例如,关于地质环境中一种或多种材料的各向同性和/或各向异性。
图5示出了包含海床503和海面505的地质环境501的示例。如所示,诸如船的设备510可以在海面505下方深度拖曳能量源520和一串传感器530。在这样的示例中,能量源520可以在时间T0发射能量,该能量的一部分可以在时间T1从海床503反射,并且一部分反射的能量可以在时间T2在传感器串530处被接收。
如关于图4的技术470所提到的,波可以是初级或多次的。如地质环境501的放大视图所示,海面505可以用于反射波,使得传感器串530的传感器532可以感测多次波以及初级波。特别地,传感器532可以感测所谓的海面多次波,其可以来自初级波的多次波或来自多次波的多次波(例如,由于海底反射等)。
作为示例,传感器532中的每一个可以在时间T2感测上行波的能量,其中上行波在时间T3从海面505反射并且传感器可以感测下行多次反射波的能量。在时间T4(也参见图4的数据480和图5的数据540)。在这样的示例中,感测下行多次反射波可以被认为是干扰一个或多个上行波的感测的噪声。作为示例,包含对由地听器采集的数据和由水听器采集的数据求和的方案可以帮助减少与下行多次反射波相关联的噪声。例如,可以采用这样的方案,其中传感器可以位于诸如海面505的表面附近(例如,到达时间T2和T4可以相对接近)。作为示例,海面505或水面可以是两种介质之间的界面。例如,考虑空气和水界面。例如,由于不同的介质性质,声波可以在水中以约1500m/s的速度行进,在空气中以约340m/s的速度行进。例如,在空气和水界面处,能量可以被透射和反射。
作为示例,每个传感器532可以包含至少一个地听器534和水听器536。作为示例,地听器可以是被配置用于陆地和/或海上地震采集的传感器,其可以探测由地震波产生的速度,并且例如可以将运动转换成电脉冲。作为示例,地听器可以被配置为探测单个方向上的运动。作为示例,地听器可以被配置为检测垂直方向上的运动。作为示例,可以组合使用三个相互正交的地听器来收集所谓的3C地震数据。作为示例,水听器可以是配置用于在海洋地震采集期间以水下压力变化的形式检测地震能量的传感器。作为示例,水听器可以沿着一串或多串定位以形成一条或多条拖缆,其可以由地震船拖曳(例如,或部署在井眼中)。从而,在图5的示例中,至少一个地听器534可以提供运动检测,并且水听器536可以提供压力检测。作为示例,数据540(例如,模拟和/或数字)可以经由设备传输,例如,用于处理等。
作为示例,方法可以包含水听器响应和垂直地听器响应的分析,其可以帮助改善PZ求和,例如,通过减少接收器重影和/或自由表面多次噪声污染。作为示例,重影可以被定义为从位于接收器、源等上方的水面(例如,水和空气界面)反射的波场的反射(例如,接收器重影、源重影等)。作为示例,接收器可能在上行波场与其下行重影之间经历延迟,这可以取决于接收器的深度。
作为示例,地面海洋线缆可以是或包含电线的浮力组件,其连接传感器并且可以将地震数据中继到记录地震船。作为示例,多拖缆船可拖曳多于一个拖缆,以增加一次通过中采集的数据量。作为示例,海洋地震船只可以长约75米并且行进约5节,同时拖曳***阵列和包含传感器的拖缆,其可以位于例如距离水面约几米以下的传感器处。所谓的尾部浮标可以帮助船员定位拖缆的末端。作为示例,可以周期性地激活***,例如大约25米的间隔(例如,大约10秒的间隔),其中产生的声波传播到地球,其可以被一个或多个岩层反射回拖缆上的传感器,然后可以作为信号(例如,数据、信息等)被中继到拖船上的设备。
在图5的示例中,设备510可以包含诸如***550之类的***。如图5所示,***550包含一个或多个信息存储设备552,一个或多个计算机554,一个或者更多网络接口560和一组或多组指令570。对于一个或多个计算机554,每个计算机可以包含一个或多个处理器(例如,或处理核)556和存储器558,用于存储例如可以由一个或多个处理器中的至少一个执行指令(例如,考虑一个或多个指令集570中的一个或多个)。作为示例,计算机可以包含一个或多个网络接口(例如,有线或无线)、一个或多个图形卡、显示接口(例如,有线或无线)等。
作为示例,压力数据可以表示为“P”,并且速度数据可以表示为“Z”。作为示例,水听器可以感测压力信息,并且地听器可以感测速度信息。作为示例,水听器可以输出信号,可选地作为数字数据,例如,用于由***接收。作为示例,地听器可以输出信号,可选地作为数字数据,例如,用于由***接收。作为示例,***550可以经由一个或多个网络接口560中的一个或多个接收P和Z数据,并且例如通过由处理器556执行存储在存储器558中的指令来处理这样的数据。作为示例。***550可以将原始和/或处理的数据存储在一个或多个信息存储设备552中的一个或多个中。
作为示例,一种方法可以包含生成一个或多个训练数据集,用于训练一个或多个深度学习网络,用于解释来自基于海洋的地震勘测的地震数据。例如,可以关于天气、水波的波浪运动、重影、海床特征等生成这样的训练数据集。可以关于可以帮助识别和/或减少实际地震数据中的噪声(例如,波浪运动,鬼影等)的影响的方面适当地标记这样的训练数据集。
图6示出了基于海洋的地震采集***610的示例和方法690的示例的示意图。在***610中,勘测船620可以在船后面拖曳一个或多个地震拖缆630。作为示例,拖缆630可以布置为展开,其中多个拖缆330在某深度的近似平面中被拖曳。作为示例,可以在多个深度上拖曳拖缆(例如,考虑上/下配置)。
作为示例,地震拖缆630可以是几千米长并且可以包含各种支撑线缆,以及可以用于促进沿着拖缆630的通信的布线和/或电路。作为示例,单独拖缆630可以包含主线缆,其中可以安装可以记录地震信号的地震传感器658。作为示例,地震传感器658可以包含采集压力数据的水听器。作为另一个例子,地震传感器658可以包含一个或多个多分量传感器,例如,考虑能够检测压力波场和与接近于该信号的声学信号相关联的颗粒运动的至少一个分量的传感器。颗粒运动的示例包含颗粒位移的一个或多个分量,颗粒速度的一个或多个分量(例如,内联(inline)(x)、交叉线(y)和竖直(z)分量(参见例如坐标轴659),以及颗粒加速的一个或多个分量。
作为示例,基于海洋的地震数据采集***310可包含一个或多个地震源640(例如,***等)。如图6的示例中所示,地震源640可以耦接到勘测船620或由勘测船620牵引。作为另一个示例,地震源640可以独立于勘测船620操作,因为源640可以耦接于另一艘或多艘船、一个或多个浮标等。
作为示例,地震拖缆630可以拖曳在勘测船620后面,其中声学信号642(例如,“发射(shot)”)可以由地震源640产生。声学信号642可以被引导向下穿过水柱644到水底表面624以下的层662和668中。作为示例,声学信号642的至少部分可以从(多个)地下地质底层被反射,例如,考虑如图6所示的地层665。
作为示例,由源640产生的入射声学信号642可以产生相应的反射声学信号或压力波660,其可以由一个或多个地震传感器658感测。作为示例,由一个或多个地震传感器658接收和感测的压力波可以包含“上行”压力波,“上行”压力波在没有反射的情况下传播到一个或多个传感器658,例如,部分由来自空气-水边界631的压力波660的反射产生的“向下”压力波。
作为示例,地震传感器658可以生成信号,该信号可以是轨迹或结构化为轨迹(例如,关于时间的振幅等)。例如,考虑包含压力波场和颗粒运动的测量的轨迹。作为示例,信号可以被记录并且可以由信号处理单元623处理,信号处理单元623可以可选地部署在勘测船620上。
作为示例,方法可以包含进行地震勘测,地震勘测采集地震数据(例如,轨迹等),其中这样的数据可以构建勘测区域的“图像”,例如,出于识别一个或多个地下底层(参见例如地层665)的目的。作为示例,随后的地震数据分析(例如,解释等)可以揭示一个或多个地下地质构造中的烃类沉积物的一个或多个可能位置。作为示例,分析可以包含确定一种或多种类型的烃类的一种或多种特征。作为示例,分析可以包含图像生成和属性生成(例如,地震属性生成等)中的一个或多个。
作为示例,一个或多个地震源340中的特定一个可以是可以布置为阵列的串(例如,枪串(gun string)等)的地震源元件(例如,***等)的阵列的一部分。作为示例,可以在勘测期间根据时间表(例如,定时序列)来发射(例如,致动以发射能量)一个或多个源。作为示例,陆基地震采集***可以采集可以例如经由本文描述的一种或多种方法处理的数据。
如所述,可以根据时间表、定时序列等来发射(例如,致动)源。作为示例,考虑顺序源发射方法,其包含以连续船只行进组合的间隔发射源。作为另一示例,考虑同时源发射方法,其包含在给定时间点发射多于一次的发射(例如,在小的持续时间内,使得分析可以认为发射是同时的)。在这样的示例中,传感器可以感测来自多个同时发射的信息,并且例如,处理所感测的信息可以将所感测的信息分离成单独的源分量。作为示例,在实现同时源发射的情况下,“船时间”(例如,周转时间等)可以与顺序技术近似相同或更小(例如,取决于勘测参数、目标等)。
在图6中,方法690包含在源发射时间S1发射源640,在源发射时间S2发射源640并在源发射时间S3发射源640。方法690还包含在地震传感器658处接收信号。这种方法可能导致强烈的深干扰。例如,在从源发射一次发射之后,从源发射后续发射,并且在接收来自先前射击的能量期间的一段时间内在地震传感器处接收与随后射击相关联的能量。在这样的示例中,先前发射的一部分能量干扰来自在后发射的能量的采集。来自先前拍摄的能量的部分可以被称为迟到能量(例如,后期数据)。作为示例,在以相对同时的方式发射源的勘测中也可能发生干扰。在这样的示例中,可以预期一些干扰量,并且例如,勘测的有目的的部分。
关于在源发射时间S1与源640相关联的能量,它可以在界面处部分地反射以生成反射的上行部分,而另一部分更深地穿透到另一个界面。从而,在简化图示中,存在两个部分,即上行部分和下行部分。如图所示,在近似源发射时间S2,可以存在来自源发射时间S1的上行部分和来自源发射时间S2的上行部分。当这些部分向上行进时,它们可以在共同的时间跨度内到达地震传感器658,从而导致S1-S2干扰。如图所示,对于源发射时间S3,可能存在S2-S3干扰。相应地,对于多个勘测发射的数据可能存在干扰。
作为示例,方法可以包含生成一个或多个训练数据集,用于训练一个或多个深度学习网络,用于解释来自基于海洋的地震勘测的地震数据。例如,可以关于源的数量、传感器的数量、传感器的类型、天气、水波的波浪运动、重影、海底特征等来生成这样的训练数据集。可以关于可以帮助识别和/或减少实际地震数据中的噪声(例如,干扰、波浪运动、重影等)的影响的方面适当地标记这样的训练数据集。
作为示例,干扰可以存在于一种或多种类型的勘测中,例如,基于陆地的勘测或基于海洋的勘测。如上所述,在勘测旨在采集地质环境中深结构的数据的情况下,干扰可能更加明显。
图7示出了地质环境701(左下)、设备710、由设备710生成的频率扫描的曲线715(例如,具有开始和结束时间)、频率扫描的下行能量717、频率扫描的上行能量719和传感器720(阵列或网格中的节点)。虽然图7示出为基于陆地的勘测,但是在采用海底传感器的海洋勘测中可以应用各种特征,动作等。
图7还示出了可以使用各种现场设备采集的数据725的图。在图7中,数据725是同时震源(vibroseis)勘测,其包含地震能量发射S1、S2和S3。具体而言,数据被绘制为来自同时震源采集的相关记录,其中来自S1的空气***(交叉气波),来自S3的烟囱噪声和来自S3的谐波(交叉谐波)的伪像被连同滑动时间和S2的长度记录(约5秒)一起标记。在震源勘测中,可能存在各种类型的噪声,例如烟囱噪声,当数据与勘测扫描相关并可视化(作为列)时可以看到。至于其他类型的噪声,这些噪声可包含地滚(ground-roll)和/或空气***类型的噪声。在滑动扫描操作中,数据可以被记录为母记录,其中两个连续扫描之间的间隔被称为滑动时间(参见S1和S2以及滑动时间)。
由地震能量源(振动器等)发射的地震能量的频率扫描可以行进到地质环境中,并且可以至少部分地由地质环境中的材料反射(考虑作为对比声学特性的层之间的界面的反射体)。在由一个或多个传感器单元采集的感测到的地震能量的记录中,反射体可以是作为与频率扫描的各种频率相关联的记录中的特征(轨迹等)存在的事件,其在持续时间上被传播。在这种方案中,记录可以包含与反射体相关联的信息,其由频率扫描的多个频率“成像”。当频率扫描在一段时间内发生时,事件可以多次出现在记录中。
如图7的曲线715所示,频率扫描包含开始时间(TStart)和结束时间(TEnd),其中这两次之间的持续时间标记为T(T=TEnd-TStart)。与发射的能量和地震数据相关联的记录长度在图7的曲线725中示出(参见S2和约5秒的记录长度)。
关于噪声,地滚波是由表面波(例如低速、低频、高振幅Rayleigh波)产生的一种相干噪声。地滚波可能会遮挡信号并降低整体数据质量。
图8示出了框架810的示例,框架810可以是计算框架或诸如计算***的***。如图所示,框架810可以包含一个或多个处理器814和存储器818,其可以是一个或多个存储器装置,其中至少一个存储器装置可由一个或多个处理器814中的至少一个访问。例如,框架810的一个或多个特征可以以可存储在存储器818中的可执行指令的形式提供。例如,这样的指令可以包含可以使框架810执行一个或多个动作(例如,一种或多种方法的一个或多个动作等)的处理器可执行指令。
如图8所示,框架810包含多个可选择算法820(例如,X1、X2至XN)、合成生成框830、合成生成框840、(多个)深度学习网络框850、(多个)深度学习实现框860(例如,用于训练和/或实施(多个)训练的深度学习网络),以及输出框870,用于将信息输出到显示器、解释框架、控制器等。
关于半合成生成框830,它可以用于扩增实际数据集(地震、微震、日志等);用真实数据生成和/或扩增合成数据;用修改的真实数据生成和/或扩增数据的合成;在采集和/或处理期间(例如,通过速度模型扰动等)实时地生成和/或扩增数据,以输出一个或多个训练数据集。
关于合成生成框840,它可以用于生成和/或增加合成数据(地震、微震、日志等);基于勘测参数、设备等,生成和/或扩增合成数据;以及基于生产数据、刺激处理等的合成增强。
作为示例,框架810可以操作以训练一个或多个深度学习算法,并且例如,可选地链接到解释框架(例如,框架等),可选地根据一个或多个应用编程接口(API)(例如,用于调用例程以生成训练集的API)来操作,并且操作以输出一个或多个训练的模型(例如,深度学习网络等)。
图9示出了可以例如经由图8的框架800(例如,作为算法820中的一个或多个)执行的算法方法900的示例。在图9的示例中,方法900包含用于输入地震轨迹的输入框910;用于执行傅里叶变换(FT)的执行框920;输出框934和938,用于输出振幅谱并输出相位谱;选择框940,用于选择所需的振幅谱作为滤波器;多次框(multiple block)950;用于执行逆傅里叶变换(IFT)的执行框960;输出框970,用于输出滤波的地震轨迹。
方法900可以执行频率滤波,并且例如可选地在空间上(例如,在空间的一个或多个区域中)提供一个或多个带宽的扰动。
图10示出了可以例如经由图8的框架800(例如,作为算法820中的一个或多个)执行的算法方法1000的示例。在图10的示例中,方法1000包含用于选择期望振幅谱作为滤波器的选择框1010;用于将相位频谱设置为零的设置框1020;用于执行逆傅立叶变换(IFT)的执行框1030,用于生成滤波器运算符的滤波器运算框1040;接收框1050,用于接收采集的地震轨迹;卷积框1060,用于至少部分地基于滤波器运算符卷积所采集的地震轨迹;输出框1070,用于输出滤波后的地震轨迹。
关于地震数据频率滤波,频域滤波涉及将输入地震轨迹的振幅谱乘以滤波器运算符的振幅谱,而时域上的滤波过程可涉及将滤波器运算符与输入时间序列进行卷积。滤波过程的频域和时域公式(参见例如图9和图10)可以基于时间序列分析中的概念,其中时域中的卷积可以等效于频域中的乘法,并且,频域中的卷积可以等效于时域中的乘法。
作为示例,频率滤波可以是带通、带阻、高通(低切)或低通(高切)滤波的形式。这种滤波器可以基于零相位小波(wavelet)的构造,其具有满足多个预定规范之一的振幅谱。
图11示出了关于两个区域的环境1110中的勘测的示例,其中一个区域(左)经历比另一个区域(右)更好的照明,如关于交叉线尺寸和深度尺寸所示。
图11示出了用于照明1130(左)和照明1150(右)的曲线图的示例,以演示照明如何影响解释。特别地,照明可以影响解释的分辨率,其中较差的分辨率可能使解释混淆。
作为示例,图8的框架810的算法820中的一个或多个可以包含生成具有关于一个或多个对象的特定照明的地震数据的算法。这些数据可用于训练一个或多个深度学习网络的目的。例如,图11中所示的数据可以被包含在一个或多个数据集中,其中可以包含关于用于训练目的的先验已知信息的标记。如所示,诸如地质体之类的对象可以影响照明。这样的对象可以以一种或多种方式被包含和定位这样在环境模型(例如,实际环境),以生成关于对象的位置的地震数据的训练数据集(例如,合成地震轨迹等),以及它对于在地震勘测期间要照明的一个或多个特征的轨迹的影响。这样的数据集可以用于训练深度学习网络,该深度学习网络可以更准确地定位由于对象的存在而可能被不良地照亮的对象和/或结构特征中的一个或多个(例如,其关于勘测的位置)。
图12示出了地质环境1210的示例,其包含各种结构特征,例如断层、节理、褶皱。这些特征的存在可以影响在地震勘测期间发射和采集的地震能量。
作为示例,图8的框架810可以包含一个或多个算法,其可以将一个或多个结构特征引入用于生成合成和/或扩增地震数据的模型。例如,可以将模型渲染到显示器作为图形用户界面的一部分,其中计算机***可以接收修改模型的输入,以将一个或多个结构特征引入、编辑、删除等。作为响应,可以生成和/或扩增地震数据,其中地震数据包含与一个或多个结构特征相对应的信息。在这样的示例中,可以标记结构特征,其中它们是为使用地震数据训练深度学习网络的目的而先验已知的。
图12示出了可能存在于地质环境中的力(参见例如箭头)的各种示例。作为示例,在这样的环境中的一个或多个储存的生产和/或注入可以改变力,特别是随着生产和/或注入的时间可能发生和/或在生产和/或注入已经发生之后。
在图12中,环境1250示出了场的一部分可能如何压缩。例如,压实场的挠褶可导致弱岩石之间的滑移或不连续性。在这样的示例中,在油田尺度上,可以确定总压实和沉降(例如,分析和/或数值)。
在地质环境中,孔隙压力可随时间以及孔隙率而变化。作为示例,模型可以包含对孔隙率的双方案,其中矩阵值(例如,岩石矩阵)被分配给一个或多个区域,并且其中可以对裂缝、断层等分配更具体的值(例如,由于矩阵中的不连续性等)。例如,模型可以包含一个或多个矩阵区域和一个或多个离散裂缝网络。变形可能会影响孔隙率值、孔隙压力等。例如,温度和循环等因素也可能影响材料特性并与变形交织在一起。区域中的渗透率可取决于一个或多个因素,例如,孔隙率和渗透率之间可存在关系。作为场压实体,压实场的挠褶可导致沿着弱岩性或不连续性(例如,不整合面、地层之间的界面、断层界面、裂缝等)的滑移。
作为示例,可以生成模型,该模型考虑环境中的变化,其中这种变化可以至少部分地基于随时间发生的一个或多个物理现象。在采集时间序列的地震数据并通过深度学习框架进行分析的情况下,可以至少部分地基于使用受到引起模型关于时间改变的力的模型生成的合成地震数据来训练深度学习框架。在这样的示例中,可以出于训练目的标记合成地震数据的一个或多个方面。在这样的示例中,可以利用训练的深度学习网络来解释导致环境关于时间改变的一个或多个过程。
作为示例,图8的框架810的一个或多个算法820的算法可以包含一个或多个结构特征相关算法,其可以是静态的和/或时间上的。
作为示例,算法可以提供用于生成表示一种或多种类型的流体流动变形的训练数据。例如,考虑垂直变形,以模拟底层速度模型中的扰动。
如所述,地质构造可随时间变形。变形可能影响一个或多个现场操作(例如,钻井、套管、固井、测量、生产、注入等),并且可能影响部署在井眼中或将要部署在井眼中的设备(例如,无论是套管的、裸管的等)。
作为示例,建模的地质环境的地质力学模拟可以提供与地质环境中的材料如何变形密切相关的信息。此外,在地质环境包含储层的情况下,储层模拟可以提供与材料变形密切相关的信息。例如,考虑模拟储层,其中一个或多个井在一段时间内将流体注入和/或从储层产生流体。
作为示例,地质环境可包含多个储层。在这样的示例中,可以对一个或多个储层进行建模。作为示例,地质力学模型可以跨越第一储层的至少一部分和第二储层的至少一部分。在这样的示例中,可以关于地质力学分析第一储层的流体的移动和/或第二储层的流体的移动。例如,第一储层的流体的生产可导致第一储层的储层岩石的压实,其可影响与第二储层相关联的岩石。例如,第一储层的覆层可能以对第二储层也有影响的方式受到影响。作为示例,地质力学模型可以耦合到多个储层模型。在这样的示例中,建模地质环境的地质力学建模框架可以与一个或多个储层建模框架可操作地耦合,其中可以建模多于一个储层(例如,在地质环境内)。
作为示例,在存在多个储层的情况下,井可以延伸到每个储层。作为示例,储层的变形可能对包含多个储层的地质环境中的一个或多个其他储层产生影响。作为示例,储层可以“堆叠”,例如,一个储层可以处于第一深度(例如,第一深度范围)而另一个储层可以处于第二深度(例如,第二深度范围)。油田开发计划可旨在单独和/或以协调的方式开发储层。
作为示例,出于生成可以在一个或多个训练数据集中使用的地震数据的目的,模拟可以生成一个或多个模型。作为示例,这种地震数据可以包含至少部分地基于所采集的地震数据的数据。例如,模型可以至少部分地基于所采集的地震数据,其中模型在空间上和/或时间上对于一个或多个结构特征进行修改,使得可以生成地震数据,其中可以可选地利用这样的地震数据来扩增采集的地震数据。如上所述,采集的地震数据和合成地震数据可用于训练一个或多个深度学习网络的目的。
作为示例,地质力学模拟器可以被配置为至少部分地基于有限元件进行模拟,例如,经由有限元技术(例如,有限元方法(FEM))。例如,考虑一个地质力学模拟器,例如有限元地质力学模拟器(例如,框架)。作为示例,可以经由执行存储在存储器中的指令(例如,经由一个或多个处理器)来实现方法。作为示例,指令和计算***可以被认为是“模拟器”。例如,考虑模拟器。
作为示例,地质力学模拟器可以包含用于对以下各项进行建模的模块:压实和沉降;井和完井完整性;帽岩和断层封闭完整性;裂缝行为;热开采;CO2处理;等等
图13示出了涉及多层沉积盆地的回剥(backstripping)和前向模拟的过程1310和1340的示例。这样的过程可以可选地实现FEM,例如,使用有限元网格。关于回剥,有时可将其称为“事件步进”,例如,由于给定的“地质事件”,从当前几何重建古几何(paleo-geometry)。作为示例,回剥和前向模拟的第一循环可以使用当前孔隙率的估计(例如,用作流体静压力条件的稳态值)以解压实,其中前向模拟基于孔隙压力控制的压实产生计算的当前几何,例如,其中计算的当前几何可能与当前几何不同。在这样的示例中,回剥和前向模拟的第二循环现在可以使用计算的当前孔隙率以解压实(例如,而不是估计的稳态值)。
关于过程1310,如关于时间的厚度(例如,到基岩的深度)的图1312和曲线1314所示,在初始时间T0,存在定义基准水平的基岩。随着时间的推移,基岩的深度(例如,基准水平)将增加(例如,对于时间T1、T2、T3和T4)。
作为示例,过程1310可以是回剥和前向模拟过程的一部分。例如,多层回剥可以包含观察当前完全岩化的地层序列,其包含四个压实层1、2、3和4(例如,或“单元”)。在层1的沉积时间,层1被解压实至其原始厚度和密度。在层1和基岩的恢复时间T1,在没有层1的基岩深度被等静压地恢复以在恢复时间T1恢复其沉降深度(参见例如曲线1314中时间T1处的基岩深度)。在层2的沉积时间,然后将层2解压实至其原始厚度,并且根据其新的深度压实层1。在层1和2以及基岩的恢复时间T2,回剥解压实的层2和部分压实的层1,以在恢复时间T2恢复基岩沉降深度(参见例如,曲线1314中在时间T2的基岩深度)。该过程对于层3和4继续,使得基岩深度关于时间进一步深入,例如,如曲线1314所示。
在图13的示例中,曲线图1314,基岩的深度关于时间以非线性方式进展,例如,部分地通过使用压实方程1320来确定。在这样的示例中,每个在沉积时,每一层被分配沉积厚度和沉积孔隙率,并且由于压实,最终产生当前的厚度和当前的孔隙率。相比之下,曲线1314中的直对角线对应于没有压实的情况下关于时间的沉积物累积。再次,如曲线1314所示,其中对于过程1310考虑压实,基岩响应于在基岩上沉积沉积物的事件而关于时间非线性地移动。
关于图13的过程1340,曲线1342、1344和1346示出了对于古时间(例如,历史地质时期)和当今时间的沉积物关于时间演变的示例。作为示例,图13的过程1340可以关于框1352、1354、1356和1358以简化的方式描述为具有解压实的回剥和前向模拟循环,其提供计算的孔隙率,其进而可以用于后续循环。
在图13的示例中,过程1340包含,对于当今,估计框1352,其可以为给定的沉积层序列中的层提供估计的稳态孔隙率(例如,对于第一周期)。给定估计的孔隙率,另一估计框1354估计该层的初始厚度,其中该初始厚度可被视为对应于古时间,例如,层沉积的时间。在前向模拟框456中,计算孔隙率和厚度,并且为了考虑在古时间沉积的附加层,结果框1358提供为当今计算的孔隙率和厚度(例如,几何)。进而,可以比较给定和计算的信息并且做出重复循环的决定,然而,可以提供结果框1358的结果而不是使用估计的稳态孔隙率(例如,孔隙率)来增强在后续循环中每个估计框1354的初始厚度估计。例如,可以执行附加循环,直到结果框1358给出的结果收敛。
再次参考方程1320,它可以用于解压实层,例如,假设保持固体基质体积。当今的孔隙率可能不是先验已知的,因为它们可能取决于孔隙压力的发展。从而,当执行第一回剥和前向模拟循环时,估计的当今孔隙率可以用作流体静压条件的稳态值。作为示例,前向模拟可以基于孔隙压力控制的压实来计算当今几何,这可以产生与给定的当今几何不同的结果。如所述,在随后的循环中,与第一循环稳态估计相比,计算的当今几何与给定的当今几何之间的差异很可能会减小,因为计算的当今孔隙率是基于解压实提供的。
作为示例,还可以对侵蚀进行建模,例如,在提供侵蚀厚度和侵蚀年龄的定义的情况下。作为示例,在沉积时,当今或其他地质事件时,可以以虚拟水平或厚度给出侵蚀厚度。作为示例,可以用虚拟水平识别一层的多个侵蚀和多个层上的一个侵蚀。例如,可以使用回剥和解压实的古几何来解释侵蚀的厚度。在这样的例子中,可以考虑在侵蚀时代的孔隙率用于超固结岩石的解压实。
作为示例,可以通过例如在拱起期间添加厚度图来描述诸如盐的层的水平移动。这种变化可以通过层拉伸和减薄来实现。作为示例,可以(例如,基于动力学模型)为各种地质事件提供一个或多个盐图,其可以在循环期间被考虑。在对盐穹、盐枕等进行建模时,高覆层可能导致反向结构。可以应用各种技术,例如,将盐侵入物处理成例如一个或多个覆层。
作为示例,在结构地质剖面修复或地质复原恢复中,地质环境的一部分可以逐渐未变形,例如,试图验证用于建立地质环境的一部分的模型的解释。恢复可用于提供对区域地质发展的一个或多个早期阶段的几何的见解。地质复原图是地质特征的地图视图,通常还包含当今的海岸线,以帮助读者识别区域,表示变形前的状态。
作为示例,方法可以包含在一个数据集上执行地质复原(例如,结构恢复)并在一个或多个其他数据集上应用反向变形。在这样的示例中,为了训练一个或多个深度学习网络的目的,可以生成具有相关标记的地震数据。
作为示例,出于生成可以在一个或多个训练数据集中使用的地震数据的目的,模拟可以生成一个或多个模型。作为示例,这样的地震数据可以包含至少部分地基于所采集的地震数据的数据。例如,模型可以至少部分地基于所采集的地震数据,其中模型在空间上和/或时间上对一个或多个结构特征进行修改,使得可以生成地震数据,其中可以可选地利用这样的地震数据来扩增获得的地震数据。如所述,采集的地震数据和合成地震数据可用于训练一个或多个深度学习网络的目的。
图14示出了方法1400的示例,其包含用于选择期望噪声的选择框1410;接收框1420,用于接收采集的地震数据;用于引入噪声的引入框1430;输出框1440,用于输出噪声扩增的地震数据。
在图14的示例中,所选择的噪声可以是例如相干噪声、重影噪声、采集足迹噪声等。作为示例,噪声可以是从一个或多个数据集(诸如一个或多个采集的地震数据集和/或一个或多个合成地震数据集)中提取的噪声。
作为示例,可以使用包含关于采集相关噪声的变化的一个或多个训练数据集来训练深度学习框架。例如,采集足迹噪声可以与采集几何相关联。作为示例,训练的深度学习框架可以识别所采集的地球物理数据中的采集足迹噪声,这可以允许确认一个或多个采集参数值。例如,考虑一种方法,该方法包含将识别的采集覆盖区对勘测的采集几何检查,作为深度学习框架和/或勘测的采集几何的的质量控制度量。作为响应,可以进行进一步的训练和/或数据验证和/或清洁。
关于噪声,地滚波是由表面波(例如,低速、低频、高振幅Rayleigh波)产生的一种类型的相干噪声。地滚可能会遮挡信号并降低整体数据质量。
作为示例,可以将重影定义为从位于接收器、源等上方的水面(例如,水和空气界面)反射的波场的反射(例如,接收器重影、源重影等)。作为示例,接收器可能在上行波场与其下行重影之间经历延迟,这可能取决于接收器的深度。
干扰、重影等可以被认为是噪声的来源和/或形式。作为示例,可能由于一个或多个勘测参数而产生干扰。例如,考虑X秒的发射到发射间隔参数和Y秒的记录长度参数。在这样的示例中,在镜头到镜头间隔参数小于记录长度参数(例如,X<Y)的情况下,可以记录干扰。例如,考虑一个勘测,其中X约为12秒,而Y约为16秒。在这样的示例中,数据可能表现出比底层信号高大约40dB或更多的深度干扰。作为示例,诸如发射到发射间隔参数的勘测参数可以被指定为时间和/或距离(例如,考虑移动装置)。
如所述,在处理地震数据时处理的噪声可以是多个相关联的噪声。如所述,当地震能量在两个(或更多个)强反射体(例如,海洋地震数据中的海面上的空气/水界面和水/固界面)之间来回“反弹”时,会出现多次波。多次反射可以使期望的初级反射凌乱,并且因此可以在处理期间尽可能有效地抑制。然而,多个抑制(例如,衰减)过程可能具有有限的效率,并且在应用过程之后可以剩余残留的多次能量。作为示例,可以用相应地获得残余多次能量叠加来产生合成地震数据。这样的数据可以用作深度学习框架的训练数据,其中多次波的知识可以用于从信号辨别噪声(例如,在经由框架处理的所采集的地球物理数据中存在多次波时独立识别底层初级波)。
作为示例,方法可以包含处理诸如4D地震数据的时间流逝地球物理数据。可以解释这些数据以确定与生产相关的环境变化的影响。例如,当从储层生产流体时,可能发生变化,使得随着时间的推移,随着来自流体的支撑减少,储层上方的一个或多个层变得凹陷。作为示例,可以对这种效应进行建模和扰动以生成可以用于训练深度学习框架的多个现实化。在这样的示例中,训练的深度学习框架可以识别可以与一个或多个物理现象(例如,生产、注入等)相关联的一种或多种类型的结构变化。
作为示例,方法可以在预期不存在生产相关变化的一个或多个区域中采用时间流逝差异。在这种方案中,残差可以是叠加在地震信号上的噪声的估计。在这样的示例中,训练的深度学习框架可能能够在时间和空间方向上估计噪声谱。从而,噪声可以直接与实际采集相关,而不是源于纯合成模型。
如所述,算法可以提供通过3D体积(例如,地球物理数据块等)提取随机2D切片。这种方法可以例如提取/选择垂直2D切片;注意到一种方法,其可以提供一个或多个可用于提取/选择的倾角(例如,采用适度倾角)。作为示例,这种方法可以以更高维度的意义应用。例如,考虑使用更高维数据和/或更高维3D网络或更高。
图15示出了计算框架1500的示例,其可以包含一个或多个处理器和存储器,以及例如一个或多个接口。图15的计算框架可以包含OMEGA框架(Schlumberger Limited,Houston,Texas)的一个或多个特征,其包含有限差分建模(FDMOD)特征,用于双向波场外推建模,在具有和不具有多次波的情况下生成合成发射收集。FDMOD特征可以通过使用全3D双向波场外推建模生成合成发射收集,该建模可以利用由反向时间迁移(RTM)使用的波场外推逻辑匹配。可以在密集的3D网格上指定模型作为速度并且可选地指定为各向异性、倾角和可变密度。
如图15所示,计算框架1500包含用于RTM、FDMOD、自适应波束迁移(ABM)、高斯分组迁移(GPM)、深度处理(例如,Kirchhoff叠前深度迁移(KPSDM)、层析成像(Tomo))、时间处理(例如,Kirchhoff叠前时间迁移(KPSTM)、一般表面多次预测(GSMP)、扩展层间多重预测(XIMP))、框架基础特征、桌面特征(例如,GUI等),以及开发工具。
作为示例,框架1500可以可操作地耦合到图8的框架810。例如,算法820中的一个或多个可以是或包含框架1500的一个或多个算法。
图16示出了Delaware Basin的一部分的示例性地图1600,其是西德克萨斯州和南新墨西哥州的地质沉积和结构盆地。Delaware Basin包含油田和暴露在地表的化石礁。Delaware Basin是更大的二叠纪盆地的一部分,该盆地本身包含在中陆含油区(Mid-Continent oil province)内。
Grand Permian Basin(GPB)是北美洲的一个大型且结构复杂的区域。该沉积盆地由若干子盆地和平台组成,并且覆盖西德克萨斯州和东南新墨西哥州的52个郡县的约250英里宽(例如400公里)和300英里长(例如480公里)的面积(超过75,000平方英里或195,000平方公里)。
盆地的演化包含以下三个阶段:(1)大规模沉积(2)大陆碰撞(3)盆地充填。在二叠纪盆地形成之前,该地区是一个广阔的海洋区域,称为Tobosa盆地。在寒武纪至密西西比时期(5.41至3.23亿年前),大量碎屑沉积物沉积在该区域,导致其形成凹陷。当今盆地的确定区域开始形成于密西西比晚期和宾夕法尼亚早期(3.23至2.99亿年前),当时超级大陆Laurasia和Gondwana相撞形成Pangea,造成断层和***。虽然该区域被海道覆盖,但是断层、***和侵蚀(与Marathon-Ouachita造山运动相关)以及不同的沉降速度导致较大的Tobosa盆地的结构变形,将其划分为子盆地和平台。
形成GPB的后期过程包含沉积物填充子盆地。米兰德(Midland)盆地、中央(Central)盆地平台和特拉华(Delaware)盆地是GPB的三个组成部分。GPB的其他部分包含:西北大陆架、Marfa Bain、Ozona拱,Hovey通道,Val Verde盆地和东部大陆架。
作为GPB的子盆地,米兰德和特拉华具有一些共同的特征,例如年龄和岩性,但是整个GPB的深度、命名和发展都不同。子盆地迅速沉降,而平台保持在较高的水平。这导致区域具有非常不同的水深和沉积环境。盆地积累了与深水环境相关的陆源碎屑岩(terrigenous clastics),而与浅礁环境相关的粗粒沿平台沉积。沉积性沉积和地质构造(tectonic)的差异引发了两个子盆地之间的地层不连续性。
在宾夕法尼亚(3.23至2.95亿年前)时期,东Midland Basin从Ouachita造山带累积了大量碎屑沉积物。随着这些沉积物的沉积,它们形成了一个厚的水下三角洲***,从东到西消耗了盆地。在二叠纪时期,三角洲***被洪泛平原覆盖,几乎被中二叠纪填充。
GPB的西部地区,Delaware Basin是一个结构和地形低地,在二叠纪的大部分时期提供了海水入口。从盆地周围的低沿海平原接收了少量沉积物。虽然Midland Basin几乎充满了中二叠世的沉积物,但特拉华却成为了由海绵、藻类和微生物构成的珊瑚礁。这些生物以及Hovey海峡提供的深水输入促进了碳酸盐岩的形成,形成了较高的海拔区域,将浅水和深水沉积物分开。
深度也对沉积物沉积在盆地中的方式产生影响。Delaware Basin比MidlandBasin深约2,000英尺(例如610米),因此在掩埋期间沉积物经历的压力几乎是其两倍。上述是两个子盆地之间地层不连续性的一个因素。
再次参见图16,该图表示可从勘测获得数据的区域(参见例如描绘各种勘测的虚线)。例如,考虑采集参数,如下表1所示:
表1.采集参数和值的一些示例
关于其他勘测参数,作为一些示例,考虑记录***(例如,信道等)、扫描频率(例如,范围、每倍频程(octave)的dB等)和扫描长度(例如,秒)。虽然上述数据用于土地勘测,但可以采集和分析这些数据用于海洋勘测,其中一个或多个参数可能因勘测类型等而不同。
勘测数据还可以与一个或多个处理流程相关联。例如,考虑以下处理流程,应用于来自上述Oak Lake I、II和Dawson Sand勘测的数据:几何合并;震源最小相位校正;球面发散和指数增益校正;折射静力学;表面一致的尖峰去卷积;预测去卷积;第一通过速度分析(例如,3,520英尺网格,1073米);表面一致残差静力学;DMO速度分析(例如,1,760英尺网格,536米);最终DMO校正堆栈;噪声衰减(FXY去卷积);3D迁移;三维相干滤波;时变带通滤波器;和跟踪振幅平衡。
关于处理流程的附加示例,考虑应用于图16的地图1600的区域合并1的以下中的一个或多个:2ms处理采样率;数据初始化和几何/导航合并;振幅恢复/轨迹编辑;勘测匹配;异常振幅衰减(AAA);相干噪声衰减;折射静力学解决方案(Tau-P层析成像);初步速度分析(例如,2英里网格,3.2公里);勘测相匹配和合并;表面一致去卷积;基于模型的小波处理;表面一致的振幅补偿;3D残差静力学(例如,三通过);速度分析(例如,0.5英里网格,0.8公里);残余噪声衰减;分箱(binning)/偏移正则化;(KPSTM)Kirchhoff叠前时间迁移(例如,1英里网格,1.6公里);完全各向同性,射线追踪KPSTM;残余速度分析(例如,0.5英里网格,0.8公里);完全折叠体积的最终正常时差(moveout)(NMO)/静音/堆叠;空间残余振幅补偿;时变滤波器;3D KxKy滤波器;Monk白化;和Tau-P相干增强。
在采集日期方面,可用于地图区域的数据跨越十年。此外,随着处理技术(例如,如在处理流程中实现的)随时间发展,出现了各种新的处理技术,其可以应用于较旧的数据。
与图16的地图1600相关联的示例示出了在从一个或多个盆地的一个或多个区域采集和处理数据时可以使用的一些类型的采集参数和处理流程。
如所述,Delaware Basin和Midland Basin在Grand Permian Basin(GPB)内包含一些共性和一些差异。
图17示出了包含示例方法1710,1720和1730的方法1700的示例。如图17所示,方法1710包含用于接收区域(例如,GPB的多个区域等)的数据的接收框1712,用于将数据与参数(例如,采集参数、处理流程参数、地质参数等)相关联的关联框1714,以及用于输出参数信息的输出框1716。
如图17所示,方法1720包含接收框1722,用于接收所采集的地震数据(例如,来自接收框1712的至少一个区域);生成框1724,用于至少部分地基于参数信息1716生成合成和/或半合成数据;以及输出框1726,用于输出至少一个训练数据集。在这样的示例中,一个或多个输出训练数据集可以是半合成的,因为它们至少部分地基于在接收框1722中接收的地震数据。例如,如所述,共性可以存在于诸如Delaware Basin和Midland Basin之间,并且这些区域之间也存在差异。训练数据集可以包含提供用于训练用于常见类型的结构特征的深度学习框架的数据的部分,并且可以包含提供用于针对不同类型的结构特征训练深度学习框架的数据的部分,其中关于不同类型的数据可以至少部分地基于一种或多种预期类型的结构特征的知识的模拟数据。在这样的示例中,关于共同类型的数据可以存在于一个或多个深度范围内,并且关于不同类型的数据可以存在于一个或多个深度范围内,其中深度范围可以重叠,也可以不重叠、部分重叠等。
如所述,Delaware Basin比Midland Basin深约2,000英尺,因此导致沉积物在Delaware Basin掩埋期间经历几乎两倍的压力,并且是两个子盆地之间地层不连续性的基础。作为示例,对于两个这样的盆(例如,区域),一些共性可能存在于较浅的深度处,并且一些差异可能存在于较深的深度处。在存在一个或两个区域的数据的情况下,可以按原样使用数据,并且可选地以扩增(例如,合成)方式使用数据。例如,可以基于Delaware Basin数据和延伸到Delaware Basin深度的Midland Basin数据生成组合训练数据集。这样的数据集可以是训练数据集,因为它包含可用于训练深度学习框架的标记的特征(例如,结构特征)。这样的数据集本身可能是“不现实的”,因为它不一定对应于特定的“真实”区域。在这种方法中,基于可能存在于一个或两个区域中的特征(例如,在Delaware Basin和MidlandBasin之一或两个盆地中),训练数据集可用于训练深度学习框架。作为示例,训练数据集可以是“密集的”,因为它包含可定义空间内的各种特征的标记,这在实践中可能是不现实的(例如,在真实空间中存在较少的特征)。这样的方案可以提供训练深度学习框架以更准确地识别和/或分类特征和/或更准确地确定存在某种类型的特征并且未被识别(例如,不可识别的特征或未解决的多类特征等)。
作为示例,训练数据集可以是空间的特征和标记密集的数据集。出于识别实际数据中的特征的目的,这样的训练数据集在特定水平可以是鲁棒的,特别是在一个或多个特征可能被一个或多个其他特征遮蔽的情况下。如所述,由于一个特征引起的照明效应可能遮蔽另一个特征(或多个特征)。鲁棒的训练数据集可以基于来自不同区域的实际数据和/或利用合成数据等扩增(例如,补充等)的区域的组合。
各种方法可以提供训练数据集,其提供比单独的实际勘测数据更多的信息。例如,参考图16,如图所示,勘测数据不延伸到地图1600的整个区域。从而,仅利用勘测数据训练的深度学习框架关于不存在勘测数据的“白”空间可能缺乏准确性和/或鲁棒性。作为示例,涉及基于采集参数、处理参数和/或地质参数生成一个或多个训练数据集的方案可以填充一个或多个“白”空间,不一定是以一对一的对应方式(例如,空间对应),而是以丰富深度学习框架的训练的超出由勘测数据单独可以提供的内容的方式。在这样的示例中,在一个或多个“白”空间中进行一个或多个勘测的情况下,可以将这样的数据输入到训练的深度学习框架,以识别和/或分类其中的一个或多个特征和/或确定一个或多个特征是不可识别的,这可能需要进一步的解释努力(例如,考虑地震数据解释等)。
图18示出了方法1800的示例,其包含用于接收区域的数据的接收框1812,用于将数据与参数相关联的关联框1814以及用于输出参数信息的输出框1816。在图18的示例中,接收的数据可以包含一个或多个区域的采集数据、一个或多个区域的处理数据以及一个或多个区域的地质数据。如图18所示,关联框1814可以确定各种参数的范围。例如,考虑几何或线的采集参数(参见例如表1)并考虑可以基于一个或多个区域和/或一个或多个区域的一个或多个勘测的值的一个或多个范围,以经训练的深度学习框架进行分析。如图18所示,输出框1816可以输出参数信息,该参数信息可以包含合成和/或半合成数据生成的范围。作为示例,地震勘测的一系列模拟可以生成针对一系列几何、线、源、扫描频率等的合成数据。在这样的模拟中,可以存在结构特征,有或没有照明效应的模拟。作为示例,方法可以包含组合模拟结果,其可以包含共同和/或不同的结构特征,以生成训练数据集。如所述,当与区域的实际数据相比,训练数据集关于其中的特征可以是“密集的”。
关于采集参数和/或其值,这些参数和/或值可以在地震轨迹的水平上运算,其可以在时间序列域中。关于处理参数和/或值,这些信息可以用于要类似处理的特定数据。例如,考虑使用具有不同网格大小值的Kirchhoff叠前时间迁移(KPSTM)处理的合成数据的生成。在训练深度学习框架方面,其中输入数据使用已知网格大小的KPSTM进行处理,深度学习框架可以至少部分地基于使用针对一个或多个网格大小的KPSTM合成数据的训练来考虑网格大小。关于地质参数的处理参数和/或其值,考虑由特定材料(例如,关于岩性)、厚度和/或深度表示的反射体,其中可以处于生成一个或多个训练数据集的目的而改变岩性、厚度和/或深度中的一个或多个。在这样的示例中,变化可以至少部分地基于接收框1812的区域的接收数据。如所述,诸如Delaware Basin和Midland Basin的盆地可以在深度上不同,这可以导致观察到对Delaware Basin深处某些物质的压实比对Midland Basin较浅处的压实要大。作为示例,可以模拟反射体中的变化以生成用于这种变化的合成数据,其可以包含在单独的训练数据集和/或公共训练数据集中。
作为示例,反射体可以是材料层之间的界面,其包含对比的声学、光学和/或电磁特性。电磁、热、光和声音的波可以在这样的界面处反射。在地震数据中,反射体可能代表岩性、断层或不整合度的变化。在地震数据中,反射体表示为反射,可以通过分析一个或多个轨迹来确定。
图19示出了方法1900的示例,该方法包含用于采集数据的采集框1910,该数据可以包含标记并且包含用于参数和/或其值的各种框,采集1912、处理1914和地质1916。这样的信息可以由生成框1920使用以生成一个或多个合成和/或半合成数据集。作为示例,这样的一个或多个数据集可以是关于采集1922、处理1924和地质1926的轨迹的形式。如图19所示,可以在训练框1930中利用一个或多个生成的数据集来训练深度学习框架,其中可以利用这样的训练的框架来接收每个采集框1950所采集的数据,其中这样的数据包含“未知”(例如,关于结构特征等),并且输出在每个输出框1962所采集的数据中被识别的结构特征,和/或输出在每个输出框1964所采集的数据中未被识别的结构特征。如所述,这种方法可以有助于关注基于一个或多个标准(例如,混合类别、高不确定性等)标记为“未识别”的特定特征的解释。作为示例,可以在诸如解释框架(例如,框架等)的框架中加载所采集的数据的一部分以用于分析。
作为示例,可以训练深度学习框架以确定关于所输入的采集数据的勘测类型、处理类型等。例如,在基于采集参数(例如,和值)和/或处理参数(例如,和值)训练深度学习框架的情况下,深度学习框架可以输出关于最可能的采集参数的信息(例如,和值)和/或使用的处理参数(例如,值)。这种方案可以实现为质量控制过程,其可以质量控制检查深度学习框架的数据和/或训练。例如,在采集和/或处理的已知信息与经训练的深度学习框架的输出相匹配的情况下,质量可能被认为是足够的;然而,如果出现一个或多个差异,则可以执行一个或多个检查以确定“已知”信息是否不准确和/或深度学习框架是否可以从进一步训练中受益。
作为示例,可以建模一个或多个勘测设计以用于生成合成地震数据和/或半合成地震数据。这种方法可以为深度学习框架生成一个或多个训练数据集。
计算框架可以包含SIMSOURCE框架的一个或多个特征。作为示例,计算框架可以被集成、可操作地耦合等。
作为示例,方法可以包含选择地球物理数据的类型;选择算法的类型;至少部分地基于该算法生成合成地球物理数据;至少部分地基于合成地球物理数据训练深度学习框架,以产生训练的深度学习框架;接收地质环境的采集地球物理数据;实施训练的深度学习框架,来为采集的地球物理数据生成解释结果;以及输出解释结果。在这样的示例中,地球物理数据的类型可以是或包含地震数据和/或可以是或包含日志数据。作为示例,地球物理数据的类型可以是或包含表面控制的电磁数据。
作为示例,算法的类型可以是模型修改算法,其修改地质环境的模型的至少一部分。作为示例,算法的类型可以是滤波算法。例如,考虑频率滤波算法、空间滤波算法或其他类型的滤波算法。
作为示例,算法的类型可以是噪声生成算法。例如,考虑相干噪声生成算法。作为示例,噪声生成算法可以从采集的数据中提取噪声和/或利用一个或多个模型生成噪声。例如,提取的噪声可以是足迹采集噪声、多次波噪声等,和/或模型产生的噪声可以是足迹采集噪声、多次波噪声等。
作为示例,算法的类型可以是采集几何变异算法(acquisition geometryvariation algorithm)。例如,可以提供基础几何(例如,通过用户输入、通过测量参数等),并且可以从基础几何生成变化。在这种方案中,可以改变一个或多个采集参数和/或值(例如,海洋、陆地等;参见例如表1等)。
作为示例,方法可以包含将合成地球物理数据与采集的地球物理数据的至少一部分组合,并且至少部分地基于组合的地球物理数据训练深度学习框架。在这样的示例中,训练的深度学习框架可以用于解释所采集的地球物理数据,如可以通过执行一个或多个勘测(例如,海洋、陆地等)来采集。
作为示例,方法可以包含至少部分地基于生成合成地球物理数据的多个集合的算法生成合成地球物理数据,其中每个集合关于采集参数值不同(例如,海洋、土地等)。
作为示例,方法可以包含至少部分地基于生成合成地球物理数据的多个集合的算法生成合成地球物理数据,其中每个集合关于处理参数值(例如,海洋、土地等;参见例如图15的框架1500)不同。
作为示例,方法可以包含至少部分地基于生成合成地球物理数据的多个集合的算法生成合成地球物理数据,其中每个集合关于地质参数值不同(参见例如,图11、12、13等)。
作为示例,***可以包含处理器;存储器,可操作地耦合到处理器;以及存储在存储器中的处理器可执行指令,以指令***:选择地球物理数据的类型;选择算法的类型;至少部分地基于算法生成合成地球物理数据;至少部分地基于合成地球物理数据训练深度学习框架,以产生训练的深度学习框架;接收地质环境的采集的地球物理数据;实施训练的深度学习框架,来为获得的地球物理数据生成解释结果;以及输出解释结果。作为示例,地球物理数据的类型可以是或包含地震数据和/或地球物理数据的类型可以是或包含日志数据。作为示例,***可以包含接口,接口至少部分地基于解释结果输出至少一个控制信号。例如,在解释结果表明在地质环境中存在烃类(例如,产层)的情况下,可以向一件或多件钻井设备和/或一件或多件其他设备下达控制信号,其中这样的控制信号可以使油田或其他操作到达、生产等至少一部分烃类。
作为示例,一个或多个计算机可读存储介质可以包含处理器可执行指令,以指令计算***:选择地球物理数据的类型;选择算法的类型;至少部分地基于算法生成合成地球物理数据;至少部分地基于合成地球物理数据训练深度学习框架,以产生训练的深度学习框架;接收地质环境的采集的地球物理数据;实施训练的深度学习框架,来为获得的地球物理数据生成解释结果;以及输出解释结果。
作为示例,***可以包含一个或多个指令集,其可以被提供以分析数据、控制过程、执行任务、执行工作步骤、执行流程等。
图20示出了计算***2000的示例的部件和连网***2010的示例。***2000包含一个或多个处理器2002、存储器和/或储存部件2004、一个或多个输入和/或输出装置2006和总线2008。在示例性实施例中,指令可以存储在一个或多个计算机可读介质(例如,存储器/储存部件2004)中。这些指令可以由一个或多个处理器(例如,(多个)处理器2002)经由通信总线(例如,总线2008)读取,该通信总线可以是有线的或无线的。一个或多个处理器可以执行这样的指令,以(全部或部分地)实施一个或多个属性(例如,作为方法的一部分)。用户可以经由I/O装置(例如,装置2006)查看来自过程的输出并与过程交互。在示例性实施例中,计算机可读介质可以是储存部件,诸如物理存储器储存装置,例如,芯片、封装上的芯片、存储卡等(例如,计算机可读存储介质)。
在示例性实施例中,部件可以是分布式的,例如在网络***2010中。网络***2010包含组件2022-1,2022-2,2022-3,...,2022-3,…2022-N。例如,部件2022-1可以包含(多个)处理器2002,而部件2022-3可以包含可由(多个)处理器2002访问的存储器。此外,(多个)部件2002-2可以包含用于显示和可选地与方法交互的I/O装置。网络可以是或包含因特网、内联网、蜂窝网络、卫星网络等。
作为示例,设备可以是包含用于信息通信的一个或多个网络接口的移动装置。例如,移动装置可以包含无线网络接口(例如,可通过IEEE 802.11、ETSI GSM、卫星等操作)。作为示例,移动装置可以包含诸如主处理器、存储器、显示器、显示图形电路(例如,可选地包含触摸和手势电路)、SIM插槽、音频/视频电路、运动处理电路(例如,加速度计、陀螺仪)、无线LAN电路、智能卡电路、发射器电路、GPS电路和电池。作为示例,移动装置可以被配置为蜂窝电话、平板电脑等。作为示例,可以使用移动装置(例如,全部或部分地)实现方法。作为示例,***可以包含一个或多个移动装置。
作为示例,***可以是分布式环境,例如,所谓的“云”环境,其中各种装置、部件等交互以用于数据存储、通信、计算等目的。作为示例,设备或***可以包含用于经由因特网(例如,经由一个或多个因特网协议进行通信)、蜂窝网络、卫星网络等中的一个或多个的信息通信的一个或多个部件。作为示例,方法可以在分布式环境中实现(例如,全部或部分地作为基于云的服务)。
作为示例,可以从显示器输入信息(例如,考虑触摸屏),输出到显示器或两者。作为示例,可以将信息输出到投影仪、激光设备、打印机等,使得可以查看信息。作为示例,信息可以立体地或全息地输出。对于打印机,考虑使用2D或3D打印机。作为示例,3D打印机可以包含可以输出以构造3D物体的一种或多种物质。例如,可以将数据提供给3D打印机以构建地下地层的3D表示。作为示例,层可以构件为3D(例如,水平等),以3D构造的地质体等。作为示例,孔、裂缝等可以以3D构造(例如,作为正结构,作为负结构等)。
尽管上面仅详细描述了几个示例性实施例,但是本领域技术人员将容易理解,在示例性实施例中可以进行许多修改。从而,所有这些修改旨在包含在如所附权利要求所限定的本公开的范围内。在权利要求中,装置加功能的条款旨在覆盖这里描述的执行所述功能的结构,不仅包含结构等同,还包含等同结构。从而,尽管钉子和螺钉可能不是结构等同,因为钉子采用圆柱形表面将木质部件固定在一起,而螺钉采用螺旋表面,在紧固木质部件的环境中,钉子和螺钉可以是等同结构。申请人的明确意图是不要援引35U.S.C.§112,第6段,对于本文任何权利要求的任何限制,除了权利要求明确使用“用于......的装置”以及相关功能的那些之外。
Claims (15)
1.一种方法(300),包括:
接收用于包括特征的一个或多个真实地质区域的标记的地震数据(310);
选择算法的类型(320);
至少部分基于所述算法和至少部分地基于具有作为输入的元信息的标记的地震数据的至少一部分,生成具有作为输出的元数据的用于可定义空间中的一组所述特征的标记的合成地震数据(330);
至少部分基于标记的合成地震数据训练深度学习框架,以生成经训练的深度学习框架(340);
接收用于地质环境的采集的地震数据(345);
实施所述经训练的深度学习框架,以生成用于所述采集的地震数据的解释结果(350);以及
输出所述解释结果(360)。
2.如权利要求1所述的方法,其中所述算法的类型包括模型修改算法,该模型修改算法修改所述一个或多个地质区域中的至少一个的模型的至少一部分。
3.如权利要求1所述的方法,其中所述算法的类型包括滤波算法。
4.如权利要求3所述的方法,其中所述滤波算法包括频率滤波算法。
5.如权利要求3所述的方法,其中所述滤波算法包括空间滤波算法。
6.如权利要求1所述的方法,其中所述算法的类型包括噪声生成算法。
7.如权利要求6所述的方法,其中所述噪声生成算法包括相干噪声生成算法。
8.如权利要求1所述的方法,其中所述算法的类型包括采集几何变异算法。
9.如权利要求1所述的方法,其中,标记的合成地震数据包括标记的地震数据的至少一部分。
10.如权利要求1所述的方法,其中至少部分基于所述算法生成标记的合成地震数据来生成标记的合成地震数据的多个集合,其中所述集合中的每一个关于采集参数值不同。
11.如权利要求1所述的方法,其中至少部分基于所述算法生成标记的合成地震数据来生成标记的合成地震数据的多个集合,其中所述集合中的每一个关于处理参数值不同。
12.如权利要求1所述的方法,其中至少部分基于所述算法生成标记的合成地震数据来生成标记的合成地震数据的多个集合,其中所述集合中的每一个关于地质参数值不同。
13.一种***(301),包括:
处理器(304);
存储器(306),可操作地耦接到所述处理器;以及
处理器可执行指令,储存在所述存储器中,以指令所述***:
接收用于包括特征的一个或多个真实地质区域的标记的地震数据(311);
选择算法的类型(321);
至少部分基于所述算法和至少部分地基于具有作为输入的元信息的标记的地震数据的至少一部分,来生成具有作为输出的元数据的用于可定义空间中的一组所述特征的标记的合成地震数据(331);
至少部分基于所述标记的合成地震数据来训练深度学习框架,以生成经训练的深度学习框架(341);
接收用于地质环境的采集的地震数据(346);
实施所述经训练的深度学习框架,以生成用于所述采集的地震数据的解释结果(351);以及
输出所述解释结果(361)。
14.如权利要求13所述的***,包括接口,该接口至少部分基于所述解释结果输出至少一个控制信号。
15.一个或多个计算机可读储存介质,包括处理器可执行指令,以指令计算***:
接收用于包括特征的一个或多个真实地质区域的标记的地震数据(311);
选择算法的类型(321);
至少部分基于所述算法和至少部分地基于具有作为输入的元信息的标记的地震数据的至少一部分,来生成具有作为输出的元数据的用于可定义空间中的一组所述特征的标记的合成地震数据(331);
至少部分基于所述标记的合成地震数据来训练深度学习框架,以生成经训练的深度学习框架(341);
接收用于地质环境的采集的地震数据(346);
实施所述经训练的深度学习框架,以生成用于所述采集的地震数据的解释结果(351);以及
输出所述解释结果(361)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762457096P | 2017-02-09 | 2017-02-09 | |
US62/457,096 | 2017-02-09 | ||
PCT/US2018/017544 WO2018148492A1 (en) | 2017-02-09 | 2018-02-09 | Geophysical deep learning |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110462445A CN110462445A (zh) | 2019-11-15 |
CN110462445B true CN110462445B (zh) | 2022-07-26 |
Family
ID=61274352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880020355.3A Active CN110462445B (zh) | 2017-02-09 | 2018-02-09 | 地球物理深度学习 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11313994B2 (zh) |
EP (1) | EP3580586A1 (zh) |
CN (1) | CN110462445B (zh) |
AU (2) | AU2018219304A1 (zh) |
CA (1) | CA3053259A1 (zh) |
WO (1) | WO2018148492A1 (zh) |
Families Citing this family (77)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072815A1 (en) * | 2016-10-18 | 2018-04-26 | Schlumberger Technology Corporation | Determining subsurface layers using machine learning |
GB2565526A (en) * | 2017-06-12 | 2019-02-20 | Foster Findlay Ass Ltd | A method for validating geological model data over corresponding original seismic data |
AU2017424316A1 (en) * | 2017-07-21 | 2020-01-02 | Landmark Graphics Corporation | Deep learning based reservoir modeling |
EP3673298A1 (en) | 2017-08-25 | 2020-07-01 | ExxonMobil Upstream Research Company | Automated seismic interpretation using fully convolutional neural networks |
EP3682271B1 (en) | 2017-09-12 | 2024-02-14 | Services Pétroliers Schlumberger | Seismic image data interpretation system |
US11814931B2 (en) * | 2018-05-31 | 2023-11-14 | Schlumberger Technology Corporation | Machine-learning for sedimentary facies prediction |
GB2587999B (en) * | 2018-06-01 | 2022-07-20 | Shell Int Research | Synthetic modeling with noise simulation |
BR112020023504A2 (pt) * | 2018-06-01 | 2021-03-30 | Shell Internationale Research Maatschappij B.V. | Método para se produzir um modelo sintético para treinar um processo habilitado para retropropagação para identificar características de subsuperfície |
CN108897045A (zh) * | 2018-08-28 | 2018-11-27 | 中国石油天然气股份有限公司 | 深度学习模型训练方法和地震数据去噪方法、装置及设备 |
WO2020053197A1 (en) * | 2018-09-13 | 2020-03-19 | Shell Internationale Research Maatschappij B.V. | Method for predicting subsurface features from seismic using deep learning dimensionality reduction for segmentation |
US11262468B2 (en) | 2018-09-14 | 2022-03-01 | Bp Corporation North America Inc. | Machine learning-based analysis of seismic attributes |
CN109343115B (zh) * | 2018-11-21 | 2019-12-03 | 成都理工大学 | 一种基于测井约束的含气储层刻画方法 |
EP3894901A2 (en) | 2018-12-11 | 2021-10-20 | Exxonmobil Upstream Research Company (EMHC-N1-4A-607) | Automated seismic interpretation-guided inversion |
EP3894904B1 (en) * | 2018-12-11 | 2024-01-17 | ExxonMobil Technology and Engineering Company | Data augmentation for seismic interpretation systems and methods |
WO2020123097A1 (en) | 2018-12-11 | 2020-06-18 | Exxonmobil Upstream Research Company | Training machine learning systems for seismic interpretation |
US11520077B2 (en) * | 2018-12-11 | 2022-12-06 | Exxonmobil Upstream Research Company | Automated reservoir modeling using deep generative networks |
WO2020146863A1 (en) | 2019-01-13 | 2020-07-16 | Schlumberger Technology Corporation | Seismic image data interpretation system |
EP3912126B1 (en) * | 2019-01-15 | 2023-10-11 | Services Pétroliers Schlumberger | Residual signal detection for noise attenuation |
WO2020162885A1 (en) * | 2019-02-05 | 2020-08-13 | Landmark Graphics Corporation | Generation of digital well schematics |
WO2020172019A1 (en) * | 2019-02-20 | 2020-08-27 | Saudi Arabian Oil Company | Method for fast calculation of seismic attributes using artificial intelligence |
US11500118B2 (en) | 2019-03-08 | 2022-11-15 | International Business Machines Corporation | Seismic data representation and comparison |
US11208886B2 (en) * | 2019-03-26 | 2021-12-28 | Exxonmobil Upstream Research Company | Direct hydrocarbon indicators analysis informed by machine learning processes |
WO2020209867A1 (en) * | 2019-04-12 | 2020-10-15 | Halliburton Energy Services, Inc. | Machine learning for evaluating and categorizing inversion solutions |
US11525934B2 (en) * | 2019-05-16 | 2022-12-13 | Shell Usa, Inc. | Method for identifying subsurface fluids and/or lithologies |
MX2021014549A (es) * | 2019-05-28 | 2022-02-11 | Geoquest Systems Bv | Interpretacion de fallas sismicas mediante tecnicas de aprendizaje automatico. |
CN110244021B (zh) * | 2019-06-14 | 2021-08-20 | 深圳市秉睦科技有限公司 | 一种基于各向异性插值的地层分层方法 |
EP3997488B1 (en) * | 2019-07-08 | 2024-05-29 | BP Corporation North America Inc. | Method for performing de-aliasing using deep learning |
US20220350048A1 (en) * | 2019-07-12 | 2022-11-03 | Landmark Graphics Corporation | Processing wellbore data to determine subterranean characteristics |
US11061156B2 (en) | 2019-09-10 | 2021-07-13 | Halliburton Energy Services, Inc. | Microseismic velocity models derived from historical model classification |
US11199643B2 (en) * | 2019-09-23 | 2021-12-14 | Halliburton Energy Services, Inc. | Machine learning approach for identifying mud and formation parameters based on measurements made by an electromagnetic imager tool |
US11403495B2 (en) * | 2019-11-26 | 2022-08-02 | Board Of Regents, The University Of Texas System | Using synthetic data sets to train a neural network for three-dimensional seismic fault segmentation |
US20210182603A1 (en) * | 2019-12-05 | 2021-06-17 | Indian Institute Of Technology Delhi | Person identification and imposter detection using footfall generated seismic signals |
US11216926B2 (en) * | 2020-02-17 | 2022-01-04 | Halliburton Energy Services, Inc. | Borehole image blending through machine learning |
GB2592203B (en) * | 2020-02-18 | 2024-03-27 | Foster Findlay Ass Ltd | A System and method for improved geophysical data interpretation |
WO2021177933A1 (en) * | 2020-03-02 | 2021-09-10 | Landmark Graphics Corporation | Generating hydrocarbon chance mapping |
JP2021140303A (ja) * | 2020-03-03 | 2021-09-16 | トヨタ自動車株式会社 | 学習方法、学習システム及び学習プログラム |
WO2021183518A1 (en) * | 2020-03-10 | 2021-09-16 | Schlumberger Technology Corporation | Uncertainty analysis for neural networks |
WO2021194467A1 (en) * | 2020-03-23 | 2021-09-30 | Landmark Graphics Corporation | Facilitating hydrocarbon exploration and extraction by applying a machine-learning model to seismic data |
CN111582017B (zh) * | 2020-03-24 | 2021-03-16 | 成都信息工程大学 | 面向视频监控端到端地质灾害自动识别方法、***及应用 |
US11169287B2 (en) | 2020-03-27 | 2021-11-09 | Saudi Arabian Oil Company | Method and system for automated velocity model updating using machine learning |
WO2021209375A1 (en) * | 2020-04-15 | 2021-10-21 | Shell Internationale Research Maatschappij B.V. | Estimating time-lapse property changes of a subsurface volume |
CN113534238B (zh) * | 2020-04-18 | 2024-03-29 | 中国石油化工股份有限公司 | 一种地震资料处理过程数据采集及数据挖掘的***和方法 |
WO2021237156A1 (en) * | 2020-05-21 | 2021-11-25 | Knobloch Charles | Method and system for generating training data to be used in machine learning models |
KR20210150916A (ko) | 2020-06-04 | 2021-12-13 | 에스케이이노베이션 주식회사 | 웰 로그를 학습하여 s파 속도를 추정하는 방법 및 장치 |
CN111538087B (zh) * | 2020-06-11 | 2022-02-08 | 中国石油大学(华东) | 基于深度学习频谱分割的动态自适应衰减补偿方法及*** |
CN111948711B (zh) * | 2020-08-06 | 2023-05-09 | 中海石油(中国)有限公司 | 一种利用深度学习法提取地震数据低频部分的方法和*** |
CN112001480B (zh) * | 2020-08-11 | 2024-01-26 | 中国石油天然气集团有限公司 | 基于生成对抗网络的滑动定向数据小样本扩增方法 |
CN112053385B (zh) * | 2020-08-28 | 2023-06-02 | 西安电子科技大学 | 基于深度强化学习的遥感视频遮挡目标跟踪方法 |
CN112034512B (zh) * | 2020-09-02 | 2023-03-14 | 中海石油(中国)有限公司 | 基于深度学习模型的地震数据不连续性检测方法和*** |
US11733415B2 (en) * | 2020-09-28 | 2023-08-22 | Saudi Arabian Oil Company | Parallelization of seismic data-related modelling |
CA3198437A1 (en) * | 2020-11-20 | 2022-05-27 | Petroliam Nasional Berhad (Petronas) | A system, apparatus and processing method suitable for analytics based on geology and geophysics data and/or completion data |
US20220207419A1 (en) * | 2020-12-30 | 2022-06-30 | Landmark Graphics Corporation | Predictive engine for tracking select seismic variables and predicting horizons |
US11892580B2 (en) * | 2021-01-13 | 2024-02-06 | Chevron U.S.A. Inc. | Decompaction of subsurface region using decompaction velocity |
CN112965141B (zh) * | 2021-02-06 | 2024-03-08 | 核工业北京地质研究院 | 一种铀多金属矿的成矿有利地段的圈定方法 |
US12032111B2 (en) * | 2021-03-05 | 2024-07-09 | Saudi Arabian Oil Company | Method and system for faster seismic imaging using machine learning |
US11754737B2 (en) * | 2021-03-10 | 2023-09-12 | Saudi Arabian Oil Company | System and method for quantitative quality assessment of seismic surfaces |
CN112833766B (zh) * | 2021-03-30 | 2022-08-26 | 西南石油大学 | 一种地质剖面真厚度直接测量装置及测量方法 |
TWI778627B (zh) * | 2021-05-17 | 2022-09-21 | 國立臺灣科技大學 | 邊坡狀態評估方法及裝置、電腦儲存介質與電腦程式產品 |
CN113431635B (zh) * | 2021-05-20 | 2022-06-10 | 上海交通大学 | 半监督的盾构隧道掌子面地质类型预估方法及*** |
US11668848B2 (en) | 2021-06-24 | 2023-06-06 | Saudi Arabian Oil Company | Method and system for seismic imaging using S-wave velocity models and machine learning |
US11835671B2 (en) | 2021-07-29 | 2023-12-05 | Saudi Arabian Oil Company | Method and system for eliminating seismic acquisition footprint through geological guidance |
US20230084947A1 (en) * | 2021-09-10 | 2023-03-16 | Saudi Arabian Oil Company | Method for identifying environmental effects in downhole data for hydocarbon saturation estimation |
US11821307B2 (en) | 2021-10-06 | 2023-11-21 | Saudi Arabian Oil Company | 1D mono frequency ratio log extraction workflow procedure from seismic attribute depth volume |
US20230105075A1 (en) * | 2021-10-06 | 2023-04-06 | Cgg Services Sas | Seismic interference noise attenuation using dnn |
US12013508B2 (en) | 2021-10-28 | 2024-06-18 | Saudi Arabian Oil Company | Method and system for determining seismic processing parameters using machine learning |
US11852768B2 (en) | 2021-11-19 | 2023-12-26 | Saudi Arabian Oil Company | Multimodal approach to target stratigraphic plays through seismic sequence stratigraphy, rock physics, seismic inversion and machine learning |
US11860325B2 (en) * | 2021-11-30 | 2024-01-02 | Saudi Arabian Oil Company | Deep learning architecture for seismic post-stack inversion |
CN114331890B (zh) * | 2021-12-27 | 2022-09-23 | 中南大学 | 基于深度学习的探地雷达B-scan图像特征增强方法及*** |
US12032112B2 (en) * | 2022-01-03 | 2024-07-09 | Halliburton Energy Services, Inc. | Model-based corrections to acoustic property values of annular material to mitigate ideal artifacts |
US11921250B2 (en) | 2022-03-09 | 2024-03-05 | Saudi Arabian Oil Company | Geo-mechanical based determination of sweet spot intervals for hydraulic fracturing stimulation |
CN115097533B (zh) * | 2022-05-05 | 2023-06-30 | 吉林大学 | 一种基于tls-esprit算法的磁共振测深信号提取方法 |
WO2023250477A1 (en) * | 2022-06-23 | 2023-12-28 | Schlumberger Technology Corporation | Transfer learning for ml-assisted seismic interpretation |
CN115267911B (zh) * | 2022-08-01 | 2024-05-24 | 北京大学 | 一种基于模型与数据驱动深度学习的地震多次波压制方法 |
CN115453616A (zh) * | 2022-08-04 | 2022-12-09 | 山东大学 | 基于深度学习的隧道地震勘探数据增强方法及*** |
CN115936990B (zh) * | 2022-12-07 | 2023-11-17 | 中国科学技术大学 | 地震资料多尺度超分辨率与去噪同步处理方法及*** |
CN116122794B (zh) * | 2023-01-10 | 2024-06-11 | 中国石油大学(华东) | 一种复杂地层环境阵列电阻率测井解耦降维正演方法 |
CN117930370B (zh) * | 2024-03-20 | 2024-06-07 | 厦门伟卓智慧海洋科技有限公司 | 海洋磁力场测量及成像方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6374185B1 (en) * | 2000-02-18 | 2002-04-16 | Rdsp I, L.P. | Method for generating an estimate of lithological characteristics of a region of the earth's subsurface |
CN1625699A (zh) * | 2001-12-10 | 2005-06-08 | 维斯特恩格科有限责任公司 | 用于浅流探测的方法 |
CN101918864A (zh) * | 2008-01-21 | 2010-12-15 | 阿克斯有限责任公司 | 地球物理数据处理*** |
CN102759757A (zh) * | 2012-07-06 | 2012-10-31 | 中国石油天然气股份有限公司 | 一种基于井震结合的辉绿岩蚀变带储层预测方法 |
CN105388512A (zh) * | 2015-10-27 | 2016-03-09 | 中国石油天然气集团公司 | 一种地震数据采集勘探时间的校准方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3014534A4 (en) * | 2013-06-28 | 2017-03-22 | D-Wave Systems Inc. | Systems and methods for quantum processing of data |
CN106226816B (zh) * | 2016-09-12 | 2018-03-09 | 电子科技大学 | 一种叠前地震信号波形分类方法 |
CN106291701B (zh) * | 2016-10-13 | 2019-03-15 | 成都理工大学 | 储层检测方法及装置 |
EP3673298A1 (en) | 2017-08-25 | 2020-07-01 | ExxonMobil Upstream Research Company | Automated seismic interpretation using fully convolutional neural networks |
-
2018
- 2018-02-09 EP EP18707192.3A patent/EP3580586A1/en active Pending
- 2018-02-09 WO PCT/US2018/017544 patent/WO2018148492A1/en unknown
- 2018-02-09 CN CN201880020355.3A patent/CN110462445B/zh active Active
- 2018-02-09 AU AU2018219304A patent/AU2018219304A1/en not_active Abandoned
- 2018-02-09 CA CA3053259A patent/CA3053259A1/en active Pending
- 2018-02-09 US US16/484,879 patent/US11313994B2/en active Active
-
2023
- 2023-12-19 AU AU2023285757A patent/AU2023285757A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6374185B1 (en) * | 2000-02-18 | 2002-04-16 | Rdsp I, L.P. | Method for generating an estimate of lithological characteristics of a region of the earth's subsurface |
CN1625699A (zh) * | 2001-12-10 | 2005-06-08 | 维斯特恩格科有限责任公司 | 用于浅流探测的方法 |
CN101918864A (zh) * | 2008-01-21 | 2010-12-15 | 阿克斯有限责任公司 | 地球物理数据处理*** |
CN102759757A (zh) * | 2012-07-06 | 2012-10-31 | 中国石油天然气股份有限公司 | 一种基于井震结合的辉绿岩蚀变带储层预测方法 |
CN105388512A (zh) * | 2015-10-27 | 2016-03-09 | 中国石油天然气集团公司 | 一种地震数据采集勘探时间的校准方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2018148492A1 (en) | 2018-08-16 |
CA3053259A1 (en) | 2018-08-16 |
CN110462445A (zh) | 2019-11-15 |
EP3580586A1 (en) | 2019-12-18 |
AU2018219304A1 (en) | 2019-08-29 |
US20190383965A1 (en) | 2019-12-19 |
AU2023285757A1 (en) | 2024-01-18 |
US11313994B2 (en) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110462445B (zh) | 地球物理深度学习 | |
US11644589B2 (en) | Analogue facilitated seismic data interpretation system | |
US20190302290A1 (en) | Generative adversarial network seismic data processor | |
CA2940406C (en) | Characterizing a physical structure using a multidimensional noise model to attenuate noise data | |
US10317554B2 (en) | Noise attenuation via thresholding in a transform domain | |
EP3710867B1 (en) | Noise attenuation of multiple source seismic data | |
Cox et al. | An introduction to seismic reflection data: Acquisition, processing and interpretation | |
Aminzadeh et al. | Geophysics for petroleum engineers | |
CN113015926A (zh) | 无源地震成像 | |
US11662493B2 (en) | Methodology for enhancing properties of geophysical data with deep learning networks | |
US20220373703A1 (en) | Methods and systems for generating an image of a subterranean formation based on low frequency reconstructed seismic data | |
L’Heureux et al. | Building better models for seismic simulations with stochastic stratigraphy | |
EP3776013B1 (en) | Seismic velocity derived hydrocarbon indication | |
Saraswat et al. | Multiattribute seismic analysis with fractal dimension and 2D and 3D continuous wavelet transform | |
Correa Tonon D'Almeida | A study of normal fault structure and along-strike variations, based on the northern Moab fault system, Utah. | |
WO2024059610A2 (en) | Seismic survey data visualization | |
Esttaifan | Methods to analyse and interpret shallow seismic data: onshore central Perth basin, Western Australia | |
Burns et al. | Facts from fiction: 4D seismic model-based interpretation | |
Bevc et al. | SEG Technical Program Expanded Abstracts 2019 | |
Alumbaugh et al. | SEG Technical Program Expanded Abstracts 2018 | |
Popovici et al. | SEG Technical Program Expanded Abstracts 2017 | |
Swinford et al. | First International Meeting for Applied Geoscience & Energy Expanded Abstracts | |
Hardage | SEG Technical Program Expanded Abstracts 2007 | |
Abubakar et al. | Second International Meeting for Applied Geoscience & Energy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |