CN117546051A - 使用s波速度模型和机器学习进行地震成像的方法和*** - Google Patents
使用s波速度模型和机器学习进行地震成像的方法和*** Download PDFInfo
- Publication number
- CN117546051A CN117546051A CN202280044921.0A CN202280044921A CN117546051A CN 117546051 A CN117546051 A CN 117546051A CN 202280044921 A CN202280044921 A CN 202280044921A CN 117546051 A CN117546051 A CN 117546051A
- Authority
- CN
- China
- Prior art keywords
- model
- seismic
- velocity
- wave
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010801 machine learning Methods 0.000 title claims description 37
- 238000003384 imaging method Methods 0.000 title description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000013508 migration Methods 0.000 claims abstract description 24
- 230000005012 migration Effects 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 238000003325 tomography Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 claims 1
- 239000002245 particle Substances 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000015572 biosynthetic process Effects 0.000 description 11
- 238000005755 formation reaction Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 9
- 230000015654 memory Effects 0.000 description 7
- 150000003839 salts Chemical class 0.000 description 7
- 239000004215 Carbon black (E152) Substances 0.000 description 6
- 229930195733 hydrocarbon Natural products 0.000 description 6
- 150000002430 hydrocarbons Chemical class 0.000 description 6
- 238000009499 grossing Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000001427 coherent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000600 sorbitol Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000003996 polyglycerol polyricinoleate Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000000153 supplemental effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000004225 ferrous lactate Substances 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N glycerol Substances OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 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
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- 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
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/50—Corrections or adjustments related to wave propagation
- G01V2210/51—Migration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
一种方法可以包括获得关于所关注的地质区域的P波速度模型(476)和速度比数据(411)。该方法还可以包括基于P波速度模型(476)和速度比数据(411)生成关于所关注的地质区域的初始S波速度模型(420)。该方法还可以包括使用经训练的模型来确定初始S波速度模型(420)内的多个速度边界。该方法还可以包括使用速度边界、基于多个地震偏移道集的自动选择的互相关滞后值、以及偏移速度分析来更新初始S波速度模型(420),以产生更新的S波速度模型(470)。该方法还包括使用更新的S波速度模型(470)以及P波速度模型(476)来生成针对所关注的地质区域的组合速度模型。
Description
背景技术
通过执行完整的偏移波场反演,偏移算法可以将基于时间的地震数据转换成地下的深度表示。特别而言,偏移算法可以使用表示地下内的不同质点速度值的速度模型来从数据域中的数据确定图像数据。然而,由于所需的计算次数,偏移算法可能是计算密集型过程。
发明内容
提供本发明内容来介绍一系列构思,这些构思将在以下具体实施方式中进一步描述。本发明内容既不意图识别要求保护的主题的关键或必要特征,也不意图用来帮助限制要求保护的主题的范围。
总体而言,在一个方面,实施例涉及一种方法,该方法包括通过计算机处理器获得关于所关注的地质区域的P波速度模型和速度比数据。所述方法还包括通过所述计算机处理器并基于所述P波速度模型以及所述速度比数据来生成关于所述所关注的地质区域的初始S波速度模型。所述方法还包括通过所述计算机处理器,使用经训练的模型来确定所述初始S波速度模型内的多个速度边界。所述方法还包括通过所述计算机处理器,使用所述速度边界、基于多个地震偏移道集的自动选择的互相关滞后值、以及偏移速度分析来更新初始S波速度模型,以产生更新的S波速度模型。所述方法还包括通过所述计算机处理器,使用所述更新的S波速度模型以及所述P波速度模型来生成针对所述所关注的地质区域的组合速度模型。
总体而言,在一个方面,实施例涉及一种非暂时性计算机可读介质,其存储可由计算机处理器执行的指令。所述指令获得关于所关注的地质区域的P波速度模型和速度比数据。所述指令还基于所述P波速度模型以及所述速度比数据来生成关于所述所关注的地质区域的初始S波速度模型。所述指令还使用经训练的模型来确定所述初始S波速度模型内的多个速度边界。所述指令还使用所述速度边界、基于多个地震偏移道集的自动选择的互相关滞后值、以及偏移速度分析来更新初始S波速度模型,以产生更新的S波速度模型。所述指令还使用所述更新的S波速度模型以及所述P波速度模型来生成针对所述所关注的地质区域的组合速度模型。
总体而言,在一个方面,实施例涉及一种***,该***包括地震勘测***,该地震勘测***包括震源和多个地震接收器。所述***还包括地震解释器,该地震解释器包括计算机处理器。所述地震解释器耦接到所述地震勘测***。所述地震解释器获得关于所关注的地质区域的P波速度模型和速度比数据。所述地震解释器基于所述P波速度模型以及所述速度比数据来生成关于所述所关注的地质区域的初始S波速度模型。所述地震解释器使用经训练的模型来确定所述初始S波速度模型内的多个速度边界。所述地震解释器使用所述速度边界、基于多个地震偏移道集的自动选择的互相关滞后值、以及偏移速度分析来更新初始S波速度模型,以产生更新的S波速度模型。所述地震解释器使用所述更新的S波速度模型以及所述P波速度模型来生成针对所述所关注的地质区域的组合速度模型。
根据以下描述和所附权利要求,本公开的其他方面将变得明显。
附图说明
现在将参照附图详细地描述所公开的技术的具体实施例。为了一致性,在各附图中相似元素由相似的附图标记表示。
图1和图2示出了根据一个或多个实施例的***。
图3示出了根据一个或多个实施例的流程图。
图4、图5、图6和图7示出了根据一个或多个实施例的示例。
图8示出了根据一个或多个实施例的示例。
图9示出了根据一个或多个实施例的计算***。
具体实施方式
在以下对本公开的实施例的详细描述中,阐述了许多具体细节,以便提供对本公开的更透彻理解。然而,对于本领域技术人员来说明显的是,可以在没有这些具体细节的情况下实践本公开。在其他情况下,未详细描述公知的特征,以避免不必要地使描述复杂化。
在整个申请中,序数(例如,第一、第二、第三等)可用作元素(即,本申请中的任何名词)的形容词。除非明确公开,例如使用术语“之前”、“之后”、“单个”以及其他此类术语,否则序数的使用并不暗示或产生元素的任何特定顺序,也不将任何元素限制为仅单个元素。相反,序数的使用是为了在元素之间进行区分。作为示例,第一元素不同于第二元素,第一元素可以包含多于一个元素并且在元素的排序中排在第二元素之后(或之前)。
总体而言,本公开的实施例包括用于使S波速度模型更新自动化的***和方法。在P波对应于地震勘测中的初至地震波的情况下,S波可对应于跟随P波的次波或剪切波。特别而言,一些实施例包括获得一组偏移道集,以识别最终S波速度模型的最优互相关滞后值。例如,可以使用诸如逆时偏移之类的偏移速度分析来执行该组偏移道集。使用所选择的互相关时间滞后值,然后可以使用经训练的模型来预测初始S波速度模型内的S波速度边界。初始S波速度模型可以根据预先存在的P波速度模型和速度比数据来确定。这样,通过专注于通过机器学习构建S波速度模型,可以使用时移道集来减少计算成本,同时还解决了最终S波速度模型中的误差。
一些实施例可以包括经训练的模型,该经训练的模型可以是用于确定所关注的地质区域(例如,特定的地下地层)内的速度边界的机器学习模型。该经训练的模型可以使用基于地震数据的偏移深度图像来对S波速度边界进行分类,以完成断层摄影更新。复杂盆地(如红海)的地震成像具有挑战性,可能需要来自转换后的S波的补充信息。在P波成像经常用于烃远景生成的情况下,一些实施例使用组合成像(例如,具有对应的P波值和S波值的图像),以便获得这种补充信息。组合成像技术可以避免当P波速度模型复杂(例如,具有尖锐边界)时一些偏移算法遇到的各种问题。此外,组合深度图像可以突出显示在单独分析P波图像时被掩盖的信息。
转向图1,图1示出了根据一个或多个实施例的示意图。如图1所示,图1示出了地震勘测***100和压力波(也被称为地震波)的多个形成路径。地震勘测***100包括震源122,该震源122包括用于生成穿过地下层124的压力波的功能,压力波例如是反射波136、潜波A142或潜波B 146。由震源122生成的压力波可以按照质点速度V1沿若干路径穿过地下层124,以便在沿剖面线的多个地震接收器126处进行检测。同样,质点速度可以指多种速度类型,例如由地震波引起的两种类型的质点运动(particle motion),即通过特定介质的初至波(P波)的速度和次波(S波)的不同速度。震源122可以是地震振动器,例如使用可控震源技术的地震振动器、在海上地震勘测情况下的***、***物等。地震接收器126可以包括检波器、水听器、加速度计和其他感测设备。同样,地震接收器126可以包括测量多个空间轴上的压力波的单分量传感器和/或多分量传感器。
如图1所示,震源122生成由发射的地震能量的一部分形成的空气波128,该空气波128在地球表面130上方行进到地震接收器126。震源122还可以发射沿地球表面130行进的面波132。面波132(也被称为瑞利波或地滚波)的速度可以对应于通常比次波的速度更慢的质点速度。虽然图1中所示的地震勘测是沿着纵向方向的地震剖面的二维勘测,但也能设想其他实施例,例如三维勘测。
此外,地下层124具有质点速度V1,而地下层140具有质点速度V2。换句话说,不同的地下层可对应不同的质点速度值。特别而言,质点速度可以是指压力波通过介质行进的速度,例如,潜波B 146穿过地下层124形成曲线射线路径148。质点速度可能取决于特定介质的密度和弹性以及各种波性质,例如发射压力波的频率。在两个地下层之间的质点速度不同的情况下,该地震波阻抗失配可能导致压力波的地震反射。例如,图1示出了从震源122向下传输到地下界面138的压力波,该压力波138响应于地震反射而成为向上传输的反射波136。震源122还可以生成直达波144,该直达波以质点速度V1从震源122穿过地下层124直接行进到地震接收器126。
转向折射压力波,震源122还可以生成折射波(即潜波A 142),该折射波在地下界面138处被折射,并沿着地下界面138行进一段距离(如图1所示),直到向上行进到地震接收器126。这样,折射压力波可包括可被分析以绘制地下层124、140的潜波(例如,潜波A 142、潜波B 146)。例如,潜波可以是一种在地球地下各处连续折射的折射波。因此,在质点速度随着深度以梯度逐渐增加的情况下,可以生成潜波。同样,与反射地震能量相反,潜波的顶点可以从共中心点(CMP)偏移。但是,为了分析的目的,可以将潜波的顶点视为折射能量的共中心点。这样,顶点可以用作对地震勘测数据集进行组织和分类的基础。
此外,在分析使用地震勘测***100获取的地震数据时,可以使用射线来近似地震波传播。例如,反射波(例如,反射波136)和潜波(例如,潜波142、146)可以在地下界面138处散射。例如,在图1中,潜波B 146可以呈现类似于反射波的广角射线路径,以便绘制地下。例如,使用潜波,可以生成针对下面地下的速度模型,该模型描述了不同地下层中不同区域的质点速度。初始速度模型可以通过使用地震数据的反演(通常被称为地震反演)模拟地下介质的速度结构来生成。在地震反演中,迭代更新速度模型,直到速度模型和地震数据具有最小失配量为止,例如,速度模型的解收敛至满足预定标准的全局最优值。
关于速度模型,速度模型可以基于不同的层子区域中的质点速度(例如,子区域中的P波速度、S波速度和各种各向异性效应)来绘制各种地下层。例如,速度模型可以与P波和S波的到达时间和到达方向一起用于地震事件的定位。各向异性效应可对应于导致压力波具有方向依赖性的地下性质。因此,地震各向异性可对应于地球物理学中的多个参数,其涉及基于传播方向的波速变化。可以执行一个或更多个各向异性算法来确定各向异性效应,这些算法例如各向异性射线追踪定位算法或使用斜井声波测井、垂直地震剖面(VSP:vertical seismic profile)和岩心测量的算法。同样,速度模型可以包括多个速度边界,这些边界限定了岩石类型变化的区域,例如不同地下层之间的界面。在一些实施例中,使用一个或多个断层摄影更新来更新速度模型,以调整速度模型中的速度边界。
转向图2,图2示出了根据一个或多个实施例的***。如图2所示,示出了包括由设置在地球表面230上的多个地震接收器(例如,地震接收器226)获取的多个地震道(例如,地震道250)的地震体290。更具体而言,地震体290可以是地震道的三维立方数据集。地震体290内的各个立方单元可被称为体素或体像素(例如,体素260)。特别而言,地震道的不同部分可对应于地球体积内的各个深度点。为了生成地震体290,沿着地球表面230设置地震接收器226的三维阵列,并响应于由震源发射的多个压力波来获取地震数据。在体素260内,可以对分配给特定体素的初至数据计算统计量,以确定波走时的多重模态分布,并推导出与方位扇区相关的走时估计(例如,根据均值、中值、众数(mode)、标准偏差、峰度和其他适当的统计准确度分析度量)。初至数据可以描述如由特定震源信号生成所产生的折射波或潜波在地震接收器226处的开始到达。
地震数据可以指从地震勘测中获取的原始时域数据(例如,所获取的地震数据可产生地震体290)。然而,地震数据也可以指在不同时间段内获取的数据,例如在重复地震勘测以获得时移数据的情况下。地震数据还可以指响应于处理所获取的地震数据而推导出的各种地震属性。此外,在一些背景下,地震数据还可以指深度数据或图像数据。同样,地震数据还可指已处理的数据(例如使用地震反演操作来生成地下地层的速度模型)或地球表面内岩层的偏移地震图像。地震数据也可以是预处理的数据,例如,在二维炮点道集内的排列时域数据。
此外,地震数据可以包括多个空间坐标,例如针对各个炮点的(x,y)坐标和针对各个接收器的(x,y)坐标。这样,地震数据可被分组为共炮点道集或共接收点道集。在一些实施例中,基于公共域,例如共中心点(即,Xmidpoint=(Xshot+Xrec)/2,其中,Xshot对应于炮点的位置,Xrec对应于地震接收器的位置)和共炮检距(即,Xoffset=Xshot-Xrec),对地震数据进行分组。
在一些实施例中,处理地震数据以生成一个或多个地震图像。例如,可以使用被称为偏移的过程来执行地震成像。在一些实施例中,偏移可以将预处理的炮点道集从数据域变换到对应于深度数据的图像域。在数据域中,炮点道集中的地震事件可以代表实地勘测中记录的地下地震事件。在图像域中,偏移炮点道集中的地震事件可以代表地下的地质界面。同样,各种类型的偏移算法可用于地震成像。例如,一种类型的偏移算法对应于逆时偏移。在逆时偏移中,地震道集可以通过以下方法进行分析:1)从合成震源子波和速度模型开始,经由数学建模对地震波场进行正演模拟;2)使用相同的速度模型,经由数学建模对地震数据进行反向传播;3)基于正演模拟和反向传播的结果,对地震波场进行互相关;4)在互相关期间应用成像条件,以在每个时间步长生成地震图像。在源波场代表下行波场、接收器波场代表上行波场的基本假设下,成像条件可以通过估计源波场与接收器波场之间的互相关来确定如何形成实际图像。例如,在基尔霍夫和波束方法中,成像条件可以包括:在输入数据道已经沿着各个等时线的部分展开之后由这些道产生的贡献的总和(例如,使用相长干涉和相消干涉的原理来形成图像)。
继续论及地震成像,地震成像可以在地震解释器进行分析之前接近地震数据工作流程的末尾。地震解释器随后可以从一个或多个最终偏移图像中推导出对地下地质的理解。为了确认特定的地震数据工作流程是否准确地模拟地下,可以生成正常时差(NMO)叠加,该NMO叠加包括具有从共中心点(CMP)采样的振幅的多个NMO道集。特别而言,NMO校正可以是基于计算反射走时的地震成像近似。然而,在地下地质复杂且质点速度具有大的不均匀性的情况下,或者当地震勘测不是在水平面上获取时,NMO叠加结果可能无法指示准确的地下地质。海底节点(Ocean-Bottom-Node)勘测和粗糙地形陆地地震勘测可能是NMO叠加结果无法描述地下地质的示例。
虽然在图2中大体上示出具有零炮检距的地震道,但地震道可以进行叠加、偏移和/或用于生成从作为基础的地震道推导出的属性体。例如,属性体可以是地震体经历一种或多种处理技术(例如振幅随炮检距变化(AVO:amplitude-versus-offse)处理)的数据集。在AVO处理中,可以根据地下地层中油气聚集(hydrocarbon accumulation)的存在引起的反射振幅变化对地震数据进行分类。利用AVO法,可以根据检测到的地震反射振幅对地震能量入射角的依赖性来确定地下界面的地震属性。该AVO处理可以确定地震反射的法向入射系数和/或地震反射的梯度分量。同样,地震数据也可以根据压力波的顶点进行处理。特别而言,顶点可用作数据道集点,以便基于勘测维度数据(例如,地震接收器226在地球表面230上的x-y位置)将地震数据记录或道的初至拾取分类至多个炮检距面元中。这些面元可以包括不同数量的道和/或不同的坐标维度。
转向地震解释器261,地震解释器261可以包括硬件和/或软件,其具有用于存储地震体290、测井日志、岩心样本数据以及用于地震数据处理、井数据处理、训练操作和相应的其他数据过程的其他数据的功能。在一些实施例中,地震解释器261可以包括类似于下面关于图9和相应说明所描述的计算机602的计算机***。虽然地震解释器可以指用于执行地震数据处理的一个或多个计算机***,但是地震解释器也可以指与计算机联合执行地震数据处理的人类分析员。虽然地震解释器261被示出在地震勘测现场,但是在一些实施例中,地震解释器261可以远离地震勘测现场。
继续论及地震解释器261,地震解释器261可以包括硬件和/或软件,其具有用于生成用于分析地震数据以及一个或多个地下地层的一个或多个机器学习模型270的功能。例如,地震解释器261可以使用和/或处理地震数据以及其他类型的数据,以生成和/或更新一个或多个机器学习模型270和/或一个或多个速度模型。因此,可以训练不同类型的机器学习模型,例如卷积神经网络、深度神经网络、递归神经网络、支持向量机、决策树、归纳学习模型、演绎学习模型、监督学习模型、非监督学习模型、强化学习模型等。监督学习算法可以包括线性回归算法、最近邻算法、决策树等。在一些实施例中,两个或更多个不同类型的机器学习模型被集成到单个机器学习架构中,例如,机器学习模型可以包括决策树和神经网络。在一些实施例中,地震解释器261可以生成增强数据或合成数据,以产生用于训练特定模型的大量解释数据。
关于神经网络,例如,神经网络可以包括一个或多个隐藏层,其中隐藏层包括一个或多个神经元。神经元可以是关于人脑的神经元粗略模仿的建模节点或对象。特别而言,神经元可以将数据输入与一组系数(即,用于调整数据输入的一组网络权重和偏置)组合。这些网络权重和偏置可以放大或减小特定数据输入的值,从而为用于正被建模的任务的多个数据输入分配重要度。通过机器学习,神经网络可以在确定神经网络的一个或多个指定输出时确定哪些数据输入应当接收更高的优先级。同样,这些加权数据输入可以进行求和,使得该总和通过神经元的激活函数被传送到神经网络内的其他隐藏层。这样,激活函数可确定神经元的输出是否进展到其他神经元以及进展到何种程度,其中可再次对该输出进行加权以用作下一隐藏层的输入。
在一些实施例中,可以使用多个类型的机器学***。因此,模型的更好训练可以导致由经训练的模型进行的更好预测。
在一些实施例中,使用包括人工拾取的数据、增强数据和/或合成数据的训练数据集来训练机器学习模型。例如,数据增强可以包括对所获取的人工拾取的边界数据执行多个过程(例如对数裁剪(1ogcropping)或添加噪声),以便生成增强的边界数据。特别而言,数据增强可以将多个机器学习算法引入到不常见的问题中,以便增加经训练的模型预测边界数据(例如速度边界)的能力。同样,可以执行数据增强以便生成足以训练模型的扩展数据集。例如,数据增强过程可以改变正常的地震数据集,以产生不同的或更复杂的地震数据集。通过这种增强的边界数据,可以使人工智能模型不受速度边界拾取中的多个异常的影响。
在一些实施例中,数据增强过程可以包括随机修改,其中偏移地震数据是从原始状态到修改状态的修改数据。数据增强还可包括平滑操作以去除人工拾取的边界数据内的数据尖峰,例如通过对数据进行重新采样或平滑。在另一实施例中,数据增强可以包括入侵操作,其中取决于增强因子的类型,将随机值添加到特定区域中的人工拾取的边界数据。在另一实施例中,数据增强可以包括随机噪声操作,该随机噪声操作将不同量的噪声添加到偏移地震图像的不同深度。这样添加的噪声可能增加速度边界拾取的复杂性,并因此增加边界数据。在另一实施例中,数据增强包括从原始数据中随机去除速度边界数据的切割操作。例如,可以执行数据增强以模拟不同岩相的偏移地震数据和速度边界、在地层内出现的层厚度的差异、以及其他地质场景。其他数据增强操作可包括随机分配零值的随机归零操作、在数据内对数据值范围进行移位的随机移位操作、掩蔽数据/或使数据旋转。虽然一些数据增强操作被描述为随机的,但是数据增强过程可以包括针对特定标准定制的伪随机过程。在一些实施例中,例如,数据增强操作可以是特定地质学家对操纵人工拾取的边界数据的要求的函数。
转向图3,图3示出了根据一个或多个实施例的流程图。具体而言,图3描述了用于生成组合速度模型和/或使用该组合速度模型生成地震图像的总体方法。图3中的一个或多个框可以由如图1和图2中所描述的一个或多个部件(例如,地震解释器261)来执行。尽管图3中的各个框是按顺序进行呈现和描述,但是本领域技术人员将理解,这些框中的一些或全部可以按照不同的顺序执行、可以进行组合或省略,并且可以并行地执行这些框中的一些或全部。此外,可以主动地或被动地执行这些框。
在框300中,根据一个或多个实施例,获得关于所关注的地质区域的速度比数据和/或地震数据。在一些实施例中,例如,速度比数据描述了在所关注的地质区域中的特定位置处P波速度与S波速度的比(例如,VP/VS值)。例如,速度比可取决于各种地质性质,例如孔隙度、固结度、粘土含量、压差、孔隙几何形状以及其他地质因素。这样,针对不同岩石类型,速度比可对应于恒定值或值的函数。同样,速度比数据可以使用测井样本、岩心样本和/或地震数据来确定。地震数据可以类似于以上关于图1和图2描述的地震数据。
在框310中,根据一个或多个实施例,关于所关注的地质区域获得P波速度模型。例如,P波速度模型可以描述地下内不同区域处的P波的质点速度。在一些实施例中,从先前的地震数据处理中已知P波速度模型。同样,可以使用一个或多个地震反演操作和/或一个或多个偏移算法来确定P波速度模型。在一些实施例中,假设背景S波速度对关于P波速度模型的源侧动力学没有影响。
在框320中,根据一个或多个实施例,关于所关注的地质区域并且基于P波速度模型和速度比数据生成初始S波速度模型。初始S波速度模型(也被称为剪切波速度模型)可以通过使用地震数据反演的形式(通常被称为地震反演)模拟地下介质的速度结构来生成。在通过地震反演获得P波速度模型之后,例如,可以使用速度比数据将P波速度值转换为S波速度值。在地震反演操作中,可以迭代地改进速度模型,直到速度模型与地震数据和/或速度比数据一致,例如,速度模型的解收敛于满足特定标准的全局最优值。
在框330中,根据一个或多个实施例,基于偏移速度分析和初始S波速度模型,生成具有不同互相关滞后值的多个地震偏移道集。例如,可以基于初始S波速度模型(例如,来自框320的初始S波速度模型)来生成时滞偏移道集。道集可以包括根据一些道头参数从地震数据形成的输入道的集合。偏移道集可以是应用于道集中的道的偏移速度分析的结果。在实现初始S波速度模型的完整断层摄影反演之前,例如,可以使用具有多个互相关时滞的逆时偏移(RTM)或相移加内插(PSPI)方法来生成偏移道集。因此,对于不同的互相关滞后值,可以在偏移道集中生成多个体积的叠加图像。
在一些实施例中,使用互相关成像条件来生成多个非零滞后共成像点道集(CIG),这些非零滞后共成像点道集进行组合以形成共成像立方体(CIC)。在不同的互相关滞后值处对CIC进行切片可以生成一系列CIG。因此,当在偏移算法中使用不正确的速度模型时,在CIG中可能会在除零滞后之外的互相关滞后处发生平坦化事件。
在一些实施例中,使用平滑函数来平滑偏移道集。例如,偏移道集可以在每个表面位置处生成,并且在滑动(即,移动)窗口内沿着局部倾斜在空间上进行平滑。在平滑后的道集上,可以选择最高振幅相干能量。由于“平滑”,最高振幅在相应道集中的相邻位置之间可以是相干的或连续的。平滑还可以减少来自道集的噪声。
在框340中,根据一个或多个实施例,使用多个地震偏移道集并且基于预定标准来自动选择互相关滞后值。例如,互相关滞后值可以对应于互相关方程中的相关移位Δτ(即,tau值)。更具体而言,相关移位Δτ可以用在多个偏移速度分析技术中,以更新初始速度模型或生成偏移道集。
在一些实施例中,例如,地震解释器可以通过分析多个偏移道集中的最大叠加响应来自动选择互相关滞后值。特别而言,最大叠加响应可以描述基于不同互相关滞后值在不同偏移道集之间的最高程度的连续性和振幅相干能量。这样,预定标准可以是偏移道集中的最高振幅相干能量。同样,预定标准也可以对应于偏移道集内的预定程度的相干能量。
在一些实施例中,地震解释器分析CIG以确定在CIG中的事件最平坦的聚焦深度处的互相关滞后值。这样,地震解释器可以通过使用单程波动方程断层摄影在聚焦深度处播下源来模拟格林函数。特别而言,地震解释器可以用对应的互相关滞后值来对所建模的波场进行移位。对于在CIG中不同的横向和竖直位置处的事件,可以重复该偏移速度分析过程。偏移速度分析的结果可以是一组速度建模数据,该组速度建模数据的波场近似于其中与实际地下最接近的速度模型已被用于模拟这些偏移道集的波场。
在框350中,根据一个或多个实施例,使用经训练的模型确定初始S波速度模型内的多个S波速度边界。在一些实施例中,例如,基于包括人工拾取的边界数据和增强的边界数据的训练数据集来训练机器学习模型。因此,可以执行一个或多个训练操作,以从机器学习模型产生经训练的模型。
在一些实施例中,地震解释器使用经训练的模型来确定一个或多个地下层或相的速度边界。例如,经训练的模型可以是卷积神经网络(例如U-net模型),其使用机器学习算法来训练。更具体而言,U-net模型可以具有深度神经网络架构,该深度神经网络架构包括用于对图像进行分类和/或分割的功能。在深度神经网络中,可以基于前一网络层的输出,在预定的特征列表上训练神经元层。因此,当数据通过深度神经网络进展时,更复杂的特征可由后面层中的神经元在数据内识别。同样,U-net或其他类型的卷积神经网络可以包括多个卷积层、池化层、完全连接层和/或归一化层,以产生特定类型的输出。因此,卷积函数和池化函数可以是卷积神经网络内的激活函数。有关U-net模型的更多信息,请参见下面的图8和相应的描述。
在一个或多个训练操作之后,经训练的模型可以获得偏移S波图像作为输入,并且产生S波速度边界作为输出(例如在速度边界图中)。速度边界可以对应于地下内的特定相的多个层位。因此,速度边界可用于初始S波速度模型的断层摄影更新。这样,可以基于自动选择的互相关滞后值,从最优叠加图像中选择速度边界。在一些实施例中,例如,在地层内自动确定盐体的顶部速度边界和底部速度边界。例如,地震解释器可以使用自动选择过程来将盐体与非盐体隔离。特别而言,该自动选择过程可以使用人工智能来识别这些盐速度边界,以用于盐下成像。相比之下,速度边界拾取可以由地质学家在几天或几个月内手动执行。通过自动选择过程,地震解释器可以减少用于生成最优地震图像所需的时间量,并因此增加用于其他区域的资源。例如,通过减少用于确定速度边界的时间量,可以获得更好的地震图像。这些更好的地震图像可能会增加发现复杂环境(例如红海,其被认为是世界上最复杂的地质盆地之一)中生成的石油和天然气的机会。因此,自动选择过程可以确定复杂的地下结构、厚盐沉积和/或崎岖的海底地形(这些在形成准确的地下地震图像时可能被证明是有问题的)的边界。
在一些实施例中,通过确定经训练的模型是否以预定的准确度水平预测S波速度边界来验证经训练的模型。例如,可以使用未在训练操作中使用的测试数据集来验证经训练的模型。例如,如果验证低于准确度阈值,则经训练的模型可以继续训练,直到获得满意的输出(即,满意的预测S波速度边界)。
在框360中,根据一个或多个实施例,使用多个速度边界、自动选择的互相关滞后值和偏移速度分析来更新初始S波速度模型。例如,来自框350的S波速度边界和自动选择的互相关滞后值可以被输入到偏移速度分析,用于更新初始S波速度模型。在一些实施例中,偏移速度分析是基于波动方程走时断层摄影的,该波动方程走时断层摄影可以在存在多个速度误差和复杂环境的情况下更新速度模型。例如,在一个或多个实施例中,偏移速度分析是单程波动方程断层摄影。在其他实施例中,可以使用其他偏移函数,例如射线追踪,或者也可以使用双程波动方程断层摄影来更新速度模型。
在一些实施例中,验证更新的S波速度模型。例如,可以更新S波速度模型,直到速度值收敛到预定标准(例如,更新迭代之间的变化低于预定阈值)。同样,地震解释器可以使用速度比数据、地震数据和/或P波模型来确定更新的S波速度模型是否已经实现全局最优值。
在框370中,根据一个或多个实施例,使用更新的S波速度模型和P波速度模型来生成针对所关注的地质区域的组合速度模型。在一些实施例中,组合速度模型包括P波速度模型和S波速度模型。例如,组合速度模型可以是描述所关注的地质区域的地球模型。在单独使用传统P波成像技术生成组合速度模型可能具有挑战性的情况下,双重的P波成像和S波成像可以产生准确的组合速度模型。因此,基于组合速度模型的地震图像可以提供可能从P波图像中被掩盖的更多信息。
在一些实施例中,组合速度模型被用于针对所关注的地质区域的一个或多个剪切波分析。例如,地点特定的剪切波速度可用于确定潜在井场的分类(例如,关于结构支撑和不同类型的井计划)。因此,组合速度模型可用于烃勘探和建井工程。
在框380中,根据一个或多个实施例,使用组合速度模型来生成所关注的地质区域的组合图像。例如,组合图像可以是示出P波速度边界和S波速度边界以及其他地震属性信息的PS-图像。在一些实施例中,所关注的地质区域对应于可能期望用于进一步分析(例如用于预期的钻井作业或储层建模)的地下地层的区域。因此,组合图像可以为各种实际应用(例如预测烃沉积、预测用于地质导向的井筒路径等)提供地下地层的空间和深度图示。
关于PS-图像,PS-图像可以提供所关注的地质区域的常规P波图像中缺少的补充信息。因此,PS-图像可以提高在含气区域之下的图像准确度,这对于单独的P-图像来说具有挑战性。同样,PS-图像对于近地表结构的成像可能具有更好的分辨率。在一些实施例中,PS-图像用于确定裂缝密度和裂缝取向分析,例如,用于井增产作业或水力压裂作业。
如以上在图3中所示,一些实施例使用机器学习、自动速度拾取和速度比数据,从所获取的地震勘测数据来构建针对复杂地质环境的地下S波速度模型。从该S波速度模型,可以生成组合速度模型,用于复杂地质区域(例如盐体)的勘探。因此,各种技术可降低与钻穿此类复杂地质结构相关联的高钻井成本。因此,一些实施例提供了一种自动化工作流程,其用于克服与用于烃勘探和生产的各种地质环境相关联的复杂性。
转到图4、图5、图6和图7,图4、图5、图6和图7提供了通过自动选择互相关滞后值来更新S波速度模型并使用经训练的模型来确定S波速度边界的示例。下面的示例仅用于说明目的,而不意图限制所公开的技术的范围。
在图4中,地震解释器获得速度比数据A 411和P波速度数据B 412。使用S波反演函数415,使用速度比数据A 411和P波速度数据B 412来生成包括S波速度数据E 422的初始S波速度模型E 420。地震解释器使用执行RTM或PSPI方法的偏移道集生成函数421来生成多个偏移道集(即,偏移道集A432、偏移道集B 433、偏移道集C 434)。地震解释器可以在偏移道集432、433、434上使用自动选择过程(即,互相关滞后选择函数431)来确定最终互相关滞后值435。最终互相关滞后值435可以对应于偏移道集432、433、434中产生最高相干振幅的互相关滞后值,即,作为预定标准。
转到图5,使用偏移速度分析函数461来更新初始S波速度模型E 420。这里,在单程波动方程偏移速度分析函数461中,使用来自图4的最终互相关滞后值435和S波速度边界B436,在初始S波速度模型E420上执行单程波动方程断层摄影。偏移速度分析函数461的输出是更新的S波速度模型E 470,该更新的S波速度模型E 470包括更新的S波速度数据G 472。例如,地震解释器可以使用具有经训练的模型(未示出)的自动速度边界选择函数(未示出)以从一个或多个偏移地震图像确定速度边界图。特别而言,速度边界图可以包括多个速度边界,该多个速度边界与在偏移地震图像中示出的地下区域内沉积的多个盐体相对应。这些速度边界可用于产生更新的S波速度模型E 470。因此,地震解释器然后使用具有更新的S波速度模型E 470和P波速度模型E 476的组合图像生成函数475来生成PS-图像B 485。
转向图6和图7,地震解释器使用速度模型420、470、476作为组合图像生成函数475的输入。在图6中,输入速度模型X 491包括P波速度模型E 476和初始S波速度模型E420。使用这些速度模型476、420,地震解释器生成PS-图像A 483。在图7中,输入速度模型Y 492包括P波速度模型E 476和更新的S波速度模型E 470。使用这些速度模型476、470,地震解释器生成PS-图像B 485。基于PS-图像A483和PS-图像B 485的比较,PS-图像B 485提供了下面的地下地层的更好表示。
转向图8,图8提供了生成U-Net模型以预测地下地层的S波速度边界的示例。下面的示例仅用于说明目的,而不意图限制所公开的技术的范围。
在图8中,使用监督学习算法Q 570来训练U-Net模型X 551,以预测偏移地震图像(例如,偏移地震图像X 550)内的速度边界。特别而言,U-Net模型X 551包括五个隐藏层,即,三个卷积层(即,卷积层A 581、卷积层C 583、卷积层E 585)、降尺度层B 582和升尺度层D 584。此外,U-Net模型X 551获得图像(即,偏移S波图像X 550)作为用于预测S波速度边界和训练的输入。
继续参考图8,U-Net模型X 551包括收缩路径(左侧)和扩张路径(右侧)。在收缩路径中,U-Net模型X 551对应于卷积网络架构,其中,多个修正线性单元(未示出)和最大池化操作(未示出)产生偏移S波图像X 550内的预定特征的下采样描述(例如,特征图)。这样,在收缩路径期间可以增加特征通道。在扩张路径中,对特征图进行上采样,这减少了特征通道的数量。在最后一层(即,卷积层E 585)处,所得到的特征图与描述S波速度边界图Y 556内的S波速度边界的期望数量的类别相关联。
实施例可以在计算机***上实现。图9是根据一种具体实现的用于提供计算功能的计算机***的框图,该计算功能与如本公开中所描述的算法、方法、函数、过程、流程和程序相关联。所示的计算机602旨在涵盖任何计算设备,例如高性能计算(HPC)设备、服务器、台式计算机、膝上型/笔记本电脑、无线数据端口、智能电话、个人数据助理(PDA)、平板计算设备、这些设备内的一个或多个处理器或任何其他合适的处理设备,包括计算设备的物理或虚拟实例(或两者)。另外,计算机602可以包括一种计算机,该计算机包括:输入设备,例如小键盘、键盘、触摸屏或可接受用户信息的其他设备;以及传送与计算机602的操作关联的信息的输出设备,该信息包括数字数据、可视或音频信息(或信息的组合);或GUI。
计算机602在角色上可充当客户端、网络部件、服务器、数据库或其他持久性存储器(persistency),或计算机***中用于执行本公开中所描述的主题的任何其他部件(或多个角色的组合)。所示的计算机602与网络630或云可通信地耦接。在一些具体实现中,计算机602的一个或多个部件可以被配置为在包括基于云计算的环境、本地环境、全局环境的或其他环境(或环境的组合)的环境内操作。
在高层面上,计算机602是能够操作以接收、传输、处理、存储或管理与所描述的主题关联的数据和信息的电子计算设备。根据一些具体实现,计算机602还可以包括应用服务器、电子邮件服务器、网页服务器、缓存服务器、流媒体数据服务器、商业智能(BI)服务器或其他服务器(或服务器的组合),或者与上述各种服务器可通信地耦接。
计算机602可经由网络630或云从客户端应用(例如,在另一计算机602上执行)接收请求,并且通过在适合的软件应用中处理所接收的请求来响应所述请求。另外,请求还可以从内部用户(例如,从命令控制台或通过其他适合的访问方法)、外部或第三方、其他自动应用以及任何其他适合的实体、个体、***或计算机发送到计算机602。
计算机602的每个部件可以使用***总线603进行通信。在一些具体实现中,计算机602的任何部件或所有部件(硬件或软件(或硬件和软件的组合))可以使用应用编程接口(API)612或服务层613(或API 612和服务层613的组合)在***总线603上彼此交互或与接口604交互(或两者的组合)。API 612可以包括例行程序、数据结构和对象类的说明。API612可以独立于或依赖于计算机语言,并且是指完整的接口、单个功能或者甚至一组API。服务层613向计算机602或与计算机602可通信地耦接的其他部件(无论是否示出)提供软件服务。计算机602的功能对于使用该服务层的所有服务消费者而言可能是可访问的。软件服务(例如由服务层613提供的软件服务)通过所定义的接口提供可重复使用的、所定义的商业功能性。例如,接口可以是用JAVA、C++或以可扩展标记语言(XML)格式或其他适合格式提供数据的其他适合语言编写的软件。尽管示为计算机602的集成部件,但可替代的具体实现可以示出相对于计算机602的其他部件或可通信地耦接到计算机602的其他部件(无论是否示出)作为单独部件的API 612或服务层613。此外,API 612或服务层613的任何部分或所有部分可以在不脱离本公开范围的情况下实现为另一软件模块的子模块或亚模块、企业应用、或硬件模块。
计算机602包括接口604。尽管在图9中被示为单一接口604,但是根据特定需要、期望或计算机602的特定实现,可以使用两个或更多个接口604。接口604由计算机602用于与连接到网络630的分布式环境中的其他***进行通信。总体而言,接口604包括以软件或硬件(或软件和硬件的组合)编码并且可操作以与网络630或云进行通信的逻辑。更具体而言,接口604可以包括支持与通信关联的一个或多个通信协议的软件,以使得网络630或接口的硬件可操作,以在所示计算机602内部和外部进行物理信号的通信。
计算机602包括至少一个计算机处理器605。尽管在图9中被示为单一计算机处理器605,但是根据特定需要、期望或计算机602的特定实现,可以使用两个或更多个处理器。总体而言,计算机处理器605执行指令并操纵数据,以执行计算机602的操作以及如本公开所描述的任何算法、方法、函数、过程、流程和程序。
计算机602还包括存储器606,该存储器606保存用于计算机602或可连接到网络630的其他部件(或两者的组合)的数据。例如,存储器606可以是存储与本公开相一致的数据的数据库。尽管在图9中被示为单一存储器606,但是根据特定需要、期望或计算机602的特定实现以及所描述的功能性,可以使用两个或更多个存储器。虽然存储器606被示为计算机602的集成部件,但是在可替代的具体实现中,存储器606可以在计算机602的外部。
应用607是特定需要、期望或根据计算机602的特定实现来提供功能(特别是关于本公开中所描述的功能)的算法软件引擎。例如,应用607可以用作一个或多个部件、模块、应用等。此外,尽管被示为单个应用607,但是应用607可以被实现为计算机602上的多个应用607。另外,尽管示为与计算机602一体式,但在可替代的具体实现中,应用607可位于计算机602的外部。
可以存在与含有计算机602的计算机***相关联或在其外部的任何数目的计算机602,其中每个计算机602在网络630上进行通信。此外,术语“客户端”、“用户”和其他适合的术语可以在适当的情况下互换地使用,而不脱离本公开的范围。此外,本公开设想了许多用户可以使用一个计算机602,或者一个用户可以使用多个计算机602。
在一些实施例中,计算机602被实现为云计算***的一部分。例如,云计算***可包括一个或多个远程服务器以及各种其他云部件,例如云存储单元和边缘服务器。特别而言,云计算***可以执行一个或多个计算操作而无需用户设备或本地计算机***的直接主动管理。这样,云计算***可具有从中央服务器分布在多个位置上的不同功能,其可使用一个或多个因特网连接来执行。更具体而言,云计算***可以根据一个或多个服务模型来操作,这些服务模型例如基础设施即服务(IaaS)、平台即服务(PaaS)、软件即服务(SaaS)、移动“后端”即服务(MBaaS)、人工智能即服务(AIaaS)、无服务器计算和/或功能即服务(FaaS)。
尽管以上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地理解,在不实质上脱离本发明的情况下,在示例性实施例中可以进行许多修改。因此,所有这样的修改都旨在包括在由所附权利要求限定的本公开的范围内。
尽管已经针对有限数量的实施例描述了本公开,但是本领域的技术人员在受益于本公开的情况下将认识到,可以设计出不脱离本公开所披露的发明范围的其他实施例。因此,本公开的范围应该仅由所附权利要求来限定。
Claims (20)
1.一种方法,包括:
通过计算机处理器(605),获得关于所关注的地质区域的P波速度模型(476)和速度比数据(411);
通过所述计算机处理器(605)并且基于所述P波速度模型(476)和所述速度比数据(411),生成关于所述所关注的地质区域的初始S波速度模型(420);
通过所述计算机处理器(605),使用经训练的模型来确定所述初始S波速度模型(420)内的多个速度边界;
通过所述计算机处理器(605),使用所述多个速度边界、基于多个地震偏移道集的自动选择的互相关滞后值、以及偏移速度分析来更新所述初始S波速度模型(420),以产生更新的S波速度模型(470);并且
通过所述计算机处理器(605),使用所述更新的S波速度模型(470)以及所述P波速度模型(476)来生成针对所述所关注的地质区域的组合速度模型。
2.根据权利要求1所述的方法,还包括:
使用所述组合速度模型来生成所述所关注的地质区域的组合图像,
其中,所述组合图像描述所述所关注的地质区域中的多个不同S波速度和多个不同P波速度。
3.根据权利要求1和2中任一项所述的方法,还包括:
基于所述偏移速度分析和所述初始S波速度模型(420),生成具有不同互相关滞后值的多个地震偏移道集;并且
通过所述计算机处理器(605),使用所述多个地震偏移道集并且基于预定标准来自动选择预定互相关滞后值,
其中,所述自动选择的互相关滞后值对应于所述预定互相关滞后值。
4.根据权利要求3所述的方法,
其中,所述不同互相关滞后值是基于使用射线追踪、单程波动方程断层摄影或双程波动方程断层摄影执行的走时反演过程。
5.根据权利要求1至4中任一项所述的方法,
其中,所述经训练的模型是卷积神经网络,该卷积神经网络包括多个卷积层(585)、至少一个降尺度层(582)和至少一个升尺度层(584),
其中,所述经训练的模型获得偏移地震图像(550)作为输入,并且
其中,所述经训练的模型生成速度边界图作为输出。
6.根据权利要求1至5中任一项所述的方法,
其中,所述经训练的模型是机器学习模型,该机器学习模型使用包括人工拾取的边界数据和增强的边界数据的训练数据集进行训练,
其中,使用多个机器学习周期来训练所述经训练的模型,并且
其中,所述多个机器学习周期中的各机器学习周期使用所述训练数据集的一部分来训练机器学习模型,以产生所述经训练的模型。
7.根据权利要求1至6中任一项所述的方法,
其中,所述偏移速度分析是单程波动方程断层摄影操作。
8.根据权利要求l至7中任一项所述的方法,
其中,所述速度比数据(411)描述在所述所关注的地质区域中的预定位置处的P波值和S波值之间的预定比。
9.根据权利要求1至8中任一项所述的方法,还包括:
使用地震勘测***(100)获取关于所述所关注的地质区域的地震数据;并且
使用所述地震数据和地震反演操作来生成所述P波速度模型(476)。
10.根据权利要求1至9中任一项所述的方法,还包括:
获得描述第一偏移地震图像(550)内的第一多个速度边界的第一人工拾取的边界数据;
获得描述第二偏移地震图像(550)内的第二多个速度边界的增强的边界数据,其中,使用增强操作从第二人工拾取的边界数据生成所述增强的边界数据;
使用多个机器学习周期和包括所述第一人工拾取的边界数据和所述增强的边界数据的训练数据来生成所述经训练的模型;并且
使用所述经训练的模型和偏移地震数据来确定一个或多个S波速度边界。
11.根据权利要求10所述的方法,还包括:
获得第三人工拾取的边界数据,
其中,在所述多个机器学习周期期间,基于所述第三人工拾取的边界数据的至少一部分与由所述经训练的模型生成的预测边界数据之间的比较来更新所述经训练的模型。
12.根据权利要求10所述的方法,
其中,所述多个机器学习周期是针对所述经训练的模型的训练迭代,并且
其中,所述多个机器学习周期中的各机器学习周期使用所述训练数据的预定部分来训练所述经训练的模型。
13.根据权利要求10所述的方法,
其中,所述增强操作是选自由以下操作组成的组:旋转操作、移位操作、切割操作、入侵操作和变形操作。
14.一种存储可由计算机处理器(605)执行的指令的非暂时性计算机可读介质,所述指令包括以下功能:
获得关于所关注的地质区域的P波速度模型(476)和速度比数据(411);
基于所述P波速度模型(476)和所述速度比数据(411),生成关于所述所关注的地质区域的初始S波速度模型(420);
使用经训练的模型来确定所述初始S波速度模型(420)内的多个速度边界;
使用所述多个速度边界、基于多个地震偏移道集的自动选择的互相关滞后值、以及偏移速度分析来更新所述初始S波速度模型(420),以产生更新的S波速度模型(470);并且
使用所述更新的S波速度模型(470)以及所述P波速度模型(476)来生成针对所述所关注的地质区域的组合速度模型。
15.根据权利要求14所述的非暂时性计算机可读介质,其中,所述指令还包括以下功能:
使用所述组合速度模型来生成所述所关注的地质区域的组合图像,
其中,所述组合图像描述所述所关注的地质区域中的多个不同S波速度和多个不同P波速度。
16.根据权利要求14和15中任一项所述的非暂时性计算机可读介质,其中,所述指令还包括以下功能:
基于所述偏移速度分析和所述初始S波速度模型(420),生成具有不同互相关滞后值的多个地震偏移道集;并且
通过所述计算机处理器(605),使用所述多个地震偏移道集并且基于预定标准来自动选择预定互相关滞后值,
其中,所述自动选择的互相关滞后值对应于所述预定互相关滞后值。
17.根据权利要求14至16中任一项所述的非暂时性计算机可读介质,
其中,所述经训练的模型是机器学习模型,该机器学习模型使用包括人工拾取的边界数据和增强的边界数据的训练数据集进行训练,
其中,使用多个机器学习周期来训练所述经训练的模型,并且
其中,所述多个机器学习周期中的各机器学习周期使用所述训练数据集的一部分来训练机器学习模型,以产生所述经训练的模型。
18.一种***,包括:
地震勘测***(100),该地震勘测***(100)包括震源(122)和多个地震接收器(226);以及
地震解释器(261),该地震解释器(261)包括计算机处理器(605),其中,所述地震解释器(261)耦接到所述地震勘测***(100),所述地震解释器(261)包括以下功能:
获得关于所关注的地质区域的P波速度模型(476)和速度比数据(411);
基于所述P波速度模型(476)和所述速度比数据(411),生成关于所述所关注的地质区域的初始S波速度模型(420);
使用经训练的模型来确定所述初始S波速度模型(420)内的多个速度边界;
使用所述多个速度边界、基于多个地震偏移道集的自动选择的互相关滞后值、以及偏移速度分析来更新所述初始S波速度模型(420),以产生更新的S波速度模型(470);并且
使用所述更新的S波速度模型(470)以及所述P波速度模型(476)来生成针对所述所关注的地质区域的组合速度模型。
19.根据权利要求18所述的***,其中,所述地震解释器(261)还包括以下功能:
使用所述组合速度模型来生成所述所关注的地质区域的组合图像,
其中,所述组合图像描述所述所关注的地质区域中的多个不同S波速度和多个不同P波速度。
20.根据权利要求18和19中任一项所述的***,
其中,所述经训练的模型是卷积神经网络,该卷积神经网络包括多个卷积层(585)、至少一个降尺度层(582)和至少一个升尺度层(584),
其中,所述经训练的模型获得偏移地震图像(550)作为输入,并且
其中,所述经训练的模型生成速度边界图作为输出。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/357,386 US11668848B2 (en) | 2021-06-24 | 2021-06-24 | Method and system for seismic imaging using S-wave velocity models and machine learning |
US17/357,386 | 2021-06-24 | ||
PCT/US2022/034899 WO2022272058A1 (en) | 2021-06-24 | 2022-06-24 | Method and system for seismic imaging using s-wave velocity models and machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117546051A true CN117546051A (zh) | 2024-02-09 |
Family
ID=82655188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280044921.0A Pending CN117546051A (zh) | 2021-06-24 | 2022-06-24 | 使用s波速度模型和机器学习进行地震成像的方法和*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US11668848B2 (zh) |
EP (1) | EP4337993A1 (zh) |
CN (1) | CN117546051A (zh) |
WO (1) | WO2022272058A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11899147B2 (en) * | 2021-08-12 | 2024-02-13 | Saudi Arabian Oil Company | Method and system for seismic denoising using omnifocal reformation |
US20230184975A1 (en) * | 2021-12-15 | 2023-06-15 | Saudi Arabian Oil Company | Method and system for determining seismic velocities using global path tracing |
CN116776208B (zh) * | 2023-08-25 | 2023-10-20 | 华侨大学 | 地震波分类模型的训练方法、地震选波方法、设备及介质 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5265068A (en) | 1992-12-21 | 1993-11-23 | Conoco Inc. | Efficient generation of traveltime tables for complex velocity models for depth migration |
US6820010B1 (en) | 2003-04-30 | 2004-11-16 | Conocophillips Company | Method for determining shear-wave velocity model for depth migration of mode-converted data |
US8213261B2 (en) | 2008-05-22 | 2012-07-03 | Exxonmobil Upstream Research Company | Method for geophysical and geological interpretation of seismic volumes in the domains of depth, time, and age |
CA2776930C (en) | 2009-11-05 | 2021-04-27 | Exxonmobil Upstream Research Company | Method for creating a hierarchically layered earth model |
US20110320180A1 (en) | 2010-06-29 | 2011-12-29 | Al-Saleh Saleh M | Migration Velocity Analysis of Seismic Data Using Common Image Cube and Green's Functions |
US8811114B2 (en) | 2010-08-23 | 2014-08-19 | Baker Hughes Incorporated | Imaging of formation structure ahead of the drill-bit |
MX2015005627A (es) | 2012-12-05 | 2016-02-03 | Landmark Graphics Corp | Sistemas y metodos para conversion de profundidad de datos sismicos 3d utlizando redes neuronales artificiales. |
AU2015244228B2 (en) | 2014-04-09 | 2020-03-12 | Bp Corporation North America, Inc. | Seismic adaptive focusing |
CN104853822A (zh) | 2014-09-19 | 2015-08-19 | 杨顺伟 | 一种评价页岩气储层及寻找甜点区的方法 |
US11054537B2 (en) | 2016-01-30 | 2021-07-06 | Schlumberger Technology Corporation | Feature index-based feature detection |
CN106680878B (zh) | 2016-12-29 | 2019-03-22 | 中国石油大学(华东) | 一种基于改进Biot系数分析的横波速度估算方法 |
EP3580586A1 (en) | 2017-02-09 | 2019-12-18 | Services Pétroliers Schlumberger | Geophysical deep 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 |
CA3068710A1 (en) | 2017-07-06 | 2019-01-10 | Chevron U.S.A. Inc. | System and method for full waveform inversion of seismic data |
EP3682271B1 (en) | 2017-09-12 | 2024-02-14 | Services Pétroliers Schlumberger | Seismic image data interpretation system |
US10782430B2 (en) | 2018-01-12 | 2020-09-22 | Cgg Services Sas | Method for seismic exploration using a multiple-inclusive source wavelet |
BR112021011256A2 (pt) | 2018-12-11 | 2021-08-24 | Exxonmobil Research And Engineering Company | Inversão geofísica aumentada por aprendizagem por máquina |
US11674384B2 (en) | 2019-05-20 | 2023-06-13 | Schlumberger Technology Corporation | Controller optimization via reinforcement learning on asset avatar |
US11215720B2 (en) | 2019-07-01 | 2022-01-04 | Cgg Services Sas | Full waveform inversion approach to building an S-wave velocity model using PS data |
CN110471111B (zh) | 2019-09-06 | 2020-04-14 | 中国海洋大学 | 一种基于卷积神经网络的速度谱自动拾取方法 |
CN110879412A (zh) | 2019-10-31 | 2020-03-13 | 南方科技大学 | 地下横波速度反演方法、装置、计算设备及存储介质 |
CN111929728A (zh) | 2020-08-13 | 2020-11-13 | 高军 | 一种三维三分量超前精细化地质预报方法 |
CN112083498B (zh) | 2020-10-16 | 2021-05-25 | 山东科技大学 | 一种基于深度神经网络的多波地震油气储层预测方法 |
-
2021
- 2021-06-24 US US17/357,386 patent/US11668848B2/en active Active
-
2022
- 2022-06-24 EP EP22744603.6A patent/EP4337993A1/en active Pending
- 2022-06-24 CN CN202280044921.0A patent/CN117546051A/zh active Pending
- 2022-06-24 WO PCT/US2022/034899 patent/WO2022272058A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
US11668848B2 (en) | 2023-06-06 |
EP4337993A1 (en) | 2024-03-20 |
US20220413172A1 (en) | 2022-12-29 |
WO2022272058A1 (en) | 2022-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2023285757A1 (en) | Geophysical deep learning | |
US11668848B2 (en) | Method and system for seismic imaging using S-wave velocity models and machine learning | |
US11169287B2 (en) | Method and system for automated velocity model updating using machine learning | |
US11733413B2 (en) | Method and system for super resolution least-squares reverse time migration | |
EP3963374B1 (en) | System and method for lateral statistical estimation of rock and fluid properties in a subsurface formation | |
US10310117B2 (en) | Efficient seismic attribute gather generation with data synthesis and expectation method | |
Mousavi et al. | Applications of deep neural networks in exploration seismology: A technical survey | |
WO2022187685A1 (en) | Method and system for faster seismic imaging using machine learning | |
EA030770B1 (ru) | Система и способ адаптивной сейсмической оптики | |
US12000971B2 (en) | Method and system for seismic processing using virtual trace bins based on offset attributes and azimuthal attributes | |
US12013508B2 (en) | Method and system for determining seismic processing parameters using machine learning | |
US20230125277A1 (en) | Integration of upholes with inversion-based velocity modeling | |
US20240125961A1 (en) | Method and system for determining wavefield components using independent component analysis | |
US20240142649A1 (en) | Method and system for determining migration data using multiblock gathers | |
US11867856B2 (en) | Method and system for reflection-based travel time inversion using segment dynamic image warping | |
US11768303B2 (en) | Automatic data enhancement for full waveform inversion in the midpoint-offset domain | |
US20240184007A1 (en) | Method and system for determining attenuated seismic time | |
US20230184975A1 (en) | Method and system for determining seismic velocities using global path tracing | |
US20230266491A1 (en) | Method and system for predicting hydrocarbon reservoir information from raw seismic data | |
WO2024087126A1 (en) | Method and system for determining migration data using cross-spread gathers and parallel processing | |
US11467299B2 (en) | Full waveform inversion velocity guided first arrival picking | |
US20230266493A1 (en) | Seismic denoising by weighted multiplanar reconstruction | |
US20240052734A1 (en) | Machine learning framework for sweep efficiency quantification | |
US20230408718A1 (en) | Method and system for generalizable deep learning framework for seismic velocity estimation robust to survey configuration | |
WO2023107694A1 (en) | Method and system for seismic processing using virtual trace bins based on offset attributes and azimuthal attributes |
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 |