ES2651923T3

ES2651923T3 - Un método eficiente para la inversión de datos geofísicos

Info

Publication number: ES2651923T3
Application number: ES09723513.9T
Authority: ES
Inventors: Jerome R. Krebs; David L. Hinkley
Original assignee: ExxonMobil Upstream Research Co
Current assignee: ExxonMobil Upstream Research Co
Priority date: 2008-03-21
Filing date: 2009-01-26
Publication date: 2018-01-30
Anticipated expiration: 2029-01-26
Also published as: KR101535407B1; AU2009226041A1; MY157278A; CN101952743B; EP2260331A4; CA2711126A1; EP2260331B1; KR20110000634A; CA2711126C; CN101952743A; WO2009117174A1; EP2260331A1; US20110000678A1; US8812282B2; NO2260331T3; EA017177B1; AU2009226041B2; EA201070981A1; BRPI0908156A2

Abstract

Un método implementado por ordenador para la inversión de los datos geofísicos medidos para determinar un modelo de propiedades físicas para una región subsuperficial, que comprende: (a) obtener un grupo de dos o más colecciones de trazas codificadas (60, 70; 260, 270) de los datos geofísicos medidos (40, 50; 240, 250), en donde cada colección de trazas está asociada con una única fuente generalizada o, utilizar reciprocidad fuente-receptor, con un único receptor, y en donde cada colección de trazas se codifica con una función de codificación diferente, seleccionada de un conjunto de funciones de codificación no equivalentes (30; 230); (b) sumar las colecciones de trazas codificadas en el grupo (80, 90; 280, 290) sumando todos los registros de datos en cada colección de trazas que corresponden a un único receptor o, utilizar reciprocidad, con una única fuente, y repetir para cada receptor diferente, dando como resultado una colección de trazas codificadas simultáneas; (c) suponer un modelo de propiedades físicas (10; 210) de la región subsuperficial, proporcionado dicho modelo valores de al menos una propiedad física en ubicaciones a lo largo de la región subsuperficial; (d) invertir los datos geofísicos medidos, una colección de trazas codificadas simultáneas por vez, utilizando el modelo de propiedades físicas supuesto como un modelo inicial y, de forma iterativa, actualizar (110; 310) dicho modelo para minimizar un grado de inadaptación que mide la función de costo entre los datos de modelos simulados y los datos geofísicos medidos para generar un modelo de propiedades físicas actualizado (20; 220), en donde las adaptaciones del modelo se crean utilizando un gradiente (100, 300) de la función de costo con respecto a al menos un parámetro del modelo, cuyo gradiente se calcula a partir de una integración en el tiempo de un producto de los datos de fuentes codificadas simultáneas simuladas hacia adelante en el tiempo y los datos de fuentes codificadas simultáneas simuladas hacia atrás en el tiempo; y (e) descargar el modelo de propiedades físicas actualizado o guardarlo en el almacenamiento del ordenador, en donde el método comprende además utilizar un conjunto diferente de funciones de codificación no equivalentes (30, 230) para al menos una iteración de la actualización iterativa del modelo.

Description

5

10

15

20

25

30

35

40

45

50

DESCRIPCION

Un metodo eficiente para la inversion de datos geoffsicos.

Campo de la invencion

La invencion se refiere en general al campo de la prospeccion geoffsica, y mas particularmente al procesamiento de datos geoffsicos. Espedficamente, la invencion es un metodo para la inversion de los datos adquiridos a partir de multiples fuentes geoffsicas tales como las fuentes s^smicas, comportando la simulacion geoffsica que calcula los datos a partir de muchas fuentes geoffsicas activas simultaneamente en una ejecucion de la simulacion.

Antecedentes de la invencion

La inversion geoffsica [1, 2] intenta encontrar un modelo de propiedades subsuperficiales que explique de manera optima los datos observados y satisfaga las restricciones geologicas y geoffsicas. Existe un gran numero de metodos bien conocidos de inversion geoffsica. Estos metodos bien conocidos se dividen en una de dos categoffas, inversion iterativa e inversion no-iterativa. Las siguientes son definiciones de lo que comunmente se entiende por cada una de las dos categoffas:

Inversion no-iterativa - inversion que se logra asumiendo algun modelo de base sencillo y actualizando el modelo en base a los datos de entrada. Este metodo no utiliza el modelo actualizado como entrada para otra etapa de la inversion. Para el caso de los datos sfsmicos, estos metodos se denominan comunmente como formacion de imagenes, migracion, tomograffa de difraccion o inversion Born.

Inversion iterativa: inversion que comporta una mejora repetitiva del modelo de propiedades subsuperficiales de manera que se encuentre un modelo que explique satisfactoriamente los datos observados. Si la inversion converge, entonces el modelo final explicara mejor los datos observados y se aproximara mas a las propiedades reales subsuperficiales. La inversion iterativa generalmente produce un modelo mas preciso que la inversion no-iterativa, pero es mucho mas costoso de calcular.

En general, se prefiere la inversion iterativa sobre la inversion no-iterativa, ya que produce modelos de parametros subsuperficiales mas precisos. Desafortunadamente, la inversion iterativa es tan costosa desde el punto de vista del calculo que no es practico aplicarla a muchos problemas de interes. Este alto gasto de calculo es el resultado del hecho de que todas las tecnicas de inversion requieren muchas simulaciones de calculo intensivo. El tiempo de calculo de cualquier simulacion individual es proporcional al numero de fuentes que se van a invertir y, normalmente existen grandes numeros de fuentes de datos geoffsicos. El problema se agrava para la inversion iterativa, porque el numero de simulaciones que se deben calcular es proporcional al numero de iteraciones en la inversion y, el numero de iteraciones requeridas es normalmente del orden de cientos a miles.

El metodo de inversion iterativa mas comunmente empleado en geoffsica es la optimizacion de la funcion de costo. La optimizacion de la funcion de costo comporta la minimizacion o la maximizacion iterativa del valor, con respecto al modelo M, de una funcion de costo S(M) que es una medida de la inadaptacion entre los datos calculados y observados (esto tambien se denomina a veces la funcion objetivo), donde los datos calculados se simulan con un ordenador que utiliza el modelo de propiedades geoffsicas actual y la ffsica que rige la propagacion de la serial fuente en un medio representado por un modelo de propiedades geoffsicas dado. Los calculos de simulacion se pueden realizar mediante cualquiera de los varios metodos numericos, que incluyen, pero no se limitan a, diferencias finitas, elementos finitos o trazado de rayos. Los calculos de simulacion se pueden realizar en el dominio de la frecuencia o del tiempo.

Los metodos de optimizacion de la funcion de costo son tanto locales como globales [3]. Los metodos globales simplemente comportan calcular la funcion de costo S(M) para una poblacion de modelos {Mi, M2, M3, ...} y seleccionar un conjunto de uno o mas modelos de esa poblacion que minimicen aproximadamente S(M). Si se desea una mejora adicional, este nuevo conjunto seleccionado de modelos se puede utilizar a continuacion como base para generar una nueva poblacion de modelos que se puedan volver a probar en relacion con la funcion de costo S(M). Para los metodos globales, cada modelo en la poblacion de prueba se puede considerar como una iteracion, o en un nivel mas alto, cada conjunto de poblaciones evaluadas se puede considerar una iteracion. Los metodos de inversion globales bien conocidos incluyen los algoritmos geneticos y de evolucion, el templado simulado, Monte Carlo.

Desafortunadamente, los metodos de optimizacion global normalmente convergen de forma extremadamente lenta y, por lo tanto, la mayoffa de las inversiones geoffsicas se basan en la optimizacion de la funcion de costo local. El algoritmo 1 resume la optimizacion de la funcion de costo local.

1. seleccionar un modelo inicial,

2. calcular el gradiente de la funcion de costo S(M) con respecto a los parametros que describen el modelo,

5

10

15

20

25

30

35

40

3. buscar un modelo actualizado que sea una perturbacion del modelo inicial en la direccion del gradiente negativo que mejor explique los datos observados.

Algoritmo 1 - Algoritmo para realizar la optimizacion de la funcion de costo local.

Este procedimiento se itera utilizando el nuevo modelo actualizado como el modelo inicial para otra busqueda de gradientes. El proceso continua hasta que se encuentre un modelo actualizado que explique satisfactoriamente los datos observados. Los metodos de inversion de la funcion de costo local comunmente utilizados incluyen la busqueda de gradientes, gradientes conjugados y el metodo de Newton. A continuacion, esta informacion de base se explicara con mas detalle.

La optimizacion de la funcion de costo local de los datos sfsmicos en la aproximacion acustica es una tarea de inversion geoffsica comun y, generalmente es ilustrativa de otros tipos de inversion geoffsica. Cuando se invierten datos sfsmicos en la aproximacion acustica, la funcion de costo se puede escribir como:

donde:

S = funcion de costo,

M = vector de N parametros, (mi, m2, ... itin) que describe el modelo subsuperficial, g = mdice de coleccion de trazas,

Wg = funcion fuente para la coleccion de trazas g que es una funcion de las coordenadas espaciales y el tiempo, para una fuente puntual se trata de una funcion delta de las coordenadas espaciales,

Ng = numero de colecciones de trazas,

r = mdice receptor dentro de la coleccion de trazas,

Nr = numero de receptores en una coleccion de trazas,

t = mdice de muestra de tiempo dentro de una traza,

Nt = numero de muestras de tiempo,

W = funcion de criterios de minimizacion (normalmente elegimos W(x) = x2, que es el criterio de mmimos cuadrados (L2))

Ycalc = datos de presion sfsmica calculados a partir del modelo M,

Yobs = datos de presion sfsmica medidos.

Las colecciones de trazas de datos sfsmicos en la Ecuacion 1 pueden ser cualquier tipo de coleccion de trazas que se pueda simular en una ejecucion de un programa de modelado de avance sfsmico. Por lo general, las colecciones de trazas corresponden a un impulso sfsmico, aunque los impulsos pueden ser mas generales que las fuentes puntuales. Para las fuentes puntuales, el mdice de coleccion de trazas g se corresponde con la ubicacion de las fuentes puntuales individuales. Para las fuentes de ondas planas g se corresponded con las diferentes direcciones de propagacion de las ondas planas. Estos datos de fuentes generalizadas, Yobs, se pueden adquirir tanto en el campo como se pueden sintetizar a partir de los datos adquiridos utilizando fuentes puntuales. Por otro lado, los datos calculados Ycalc se pueden, por lo general, calcular directamente utilizando una funcion de fuentes generalizadas cuando se utiliza el modelado de avance. Para muchos tipos de modelado de avance, incluido el modelado por diferencias finitas, el tiempo de calculo necesario para una fuente generalizada es aproximadamente igual al tiempo de calculo necesario para una fuente puntual.

La ecuacion 1 se puede simplificar a:

imagen1

(1)

£=1 /• = ! t = 1

imagen2

(2)

donde la suma de receptores y muestras de tiempo ahora esta impffcita y,

5

10

15

20

25

30

35

40

45

S(m , Ws) = fak {m , wg) - y/llhl. (w?) (3)

El objetivo de la inversion por optimizacion de la funcion de costo es intentar actualizar el modelo M de manera que S(M) sea un mmimo. Esto se puede lograr optimizando la funcion de costo local que actualiza el modelo M(k) dado de la siguiente manera:

imagen3

donde k es el numero de iteracion, a es el tamano escalar de la actualizacion del modelo, y VmS(M) es el gradiente de la funcion inadaptada, tomada con respecto a los parametros del modelo. Las perturbaciones del modelo o los valores mediante los cuales se actualiza el modelo, se calculan la multiplicacion del gradiente de la funcion objetivo por una longitud de etapa a, que se debe calcular repetidamente.

De la Ecuacion 2, se puede obtener la siguiente ecuacion para el gradiente de la funcion de costo:

g=1

Entonces, para calcular el gradiente de la funcion de costo, es necesario calcular por separado el gradiente de la contribucion de cada coleccion de trazas a la funcion de costo y, a continuacion, sumar esas contribuciones. Por lo tanto, el esfuerzo de calculo requerido para calcular VmS(M) es Ng veces el esfuerzo de calculo requerido para determinar la contribucion de una unica coleccion de trazas al gradiente. Para los problemas geoffsicos Ng por lo general corresponde al numero de fuentes geoffsicas (siendo considerada cada ubicacion de un aparato fuente como una fuente separada) y es del orden de 10.000 a 100.000, aumentando en gran medida el coste de calcular VmS(M).

Se puede observar que el calculo de VmW(6) requiere el calculo de la derivada de W(6) con respecto a cada uno de los mi parametros modelo N. Dado que para los problemas geoffsicos N suele ser muy grande (el numero de parametros diferentes multiplica el numero de celdas de la cuadncula modelo, donde los parametros que deben ser asignados valores suele ser mas de un millon), este calculo puede llevar mucho tiempo si tuviera que ser realizado para cada parametro modelo individual.

Lo que se necesita es un metodo mas eficiente para calcular el gradiente de la funcion de costo, sin una reduccion significativa en la precision de la optimizacion de la funcion de costo local. La presente invencion satisface esta necesidad.

Resumen de la invencion

En una forma de realizacion, la invencion es un metodo implementado por ordenador para la inversion de datos geoffsicos medidos para determinar un modelo de propiedades ffsicas para una region subsuperficial, que comprende:

(a) obtener un grupo de dos o mas colecciones de trazas codificadas de los datos geoffsicos medidos, en donde cada coleccion de trazas se asocia con una unica fuente generalizada o, utilizar la reciprocidad fuente-receptor, con un unico receptor, y en donde cada coleccion de trazas se codifica con una funcion de codificacion diferente seleccionada de un conjunto de funciones de codificacion no equivalentes;

(b) sumar las colecciones de trazas codificadas en el grupo sumando todos los registros de datos en cada coleccion de trazas que corresponden a un unico receptor (o fuente si se utiliza reciprocidad) y repetir para cada receptor diferente, dando como resultado una coleccion de trazas codificadas simultaneas;

(c) suponer un modelo de propiedades ffsicas de la region subsuperficial, proporcionando dicho modelo valores de al menos una propiedad ffsica en ubicaciones a lo largo de la region subsuperficial; y

(d) invertir los datos geoffsicos medidos, una coleccion de trazas codificadas simultaneas por vez, utilizando el modelo de propiedades ffsicas supuesto como modelo inicial, y actualizar iterativamente dicho modelo para minimizar una funcion de costo que mida el grado de inadaptacion entre los datos simulados por el modelo y los datos geoffsicos medidos para generar un modelo de propiedades ffsicas actualizado, en donde las adaptaciones del modelo se realizan utilizando un gradiente de la funcion de costo con respecto a al menos un parametro modelo, cuyo gradiente se calcula a partir de una integracion en el tiempo de un producto de datos de fuentes codificadas simultaneas simuladas hacia adelante en el tiempo y datos de fuentes simultaneas simuladas codificadas hacia atras en el tiempo.

5

10

15

20

25

30

35

40

45

El modelo de propiedades ffsicas actualizado se descarga del ordenador o se guarda en el almacenamiento del ordenador y el metodo comprende ademas utilizar un conjunto diferente de funciones de codificacion no equivalentes para al menos una iteracion de la actualizacion iterativa del modelo. El modelo de propiedades ffsicas actualizado se utiliza en ultima instancia para inferir la presencia o ausencia de acumulaciones de hidrocarburos en la region subsuperficial.

El documento WO2008/033184 A2 da a conocer un metodo implementado por ordenador que comprende las etapas (a) a (d) anteriores con una actualizacion iterativa del modelo. Sin embargo, este documento no puede utilizar un conjunto diferente de funciones de codificacion no equivalentes para al menos una iteracion de la actualizacion iterativa del modelo.

Breve descripcion de los dibujos

La presente invencion y sus ventajas se comprenderan mejor haciendo referencia a la siguiente descripcion detallada y los dibujos adjuntos en los que:

La Fig. 1 es un diagrama de flujo que muestra las etapas basicas en una forma de realizacion de la presente invencion;

La Fig. 2 es un diagrama de flujo que muestra las etapas basicas en una forma de realizacion alternativa de la presente invencion.

La Fig. 3 muestra el modelo de velocidad base utilizado para generar los datos medidos utilizados en el ejemplo presentado en la presente memoria, con la barra de escala de grises que muestra la velocidad en m/s;

La Fig. 4 muestra una coleccion de trazas fuente de datos de fuentes secuenciales del modelo mostrado en la Fig. 3;

La Fig. 5 muestra datos de fuentes codificadas simultaneas generados a partir de la etapa 260 de la Fig. 2;

La Fig. 6 muestra el modelo inicial (210 en la Fig. 2) para el ejemplo de inversion;

La Fig. 7 muestra una adaptacion del modelo de norma L2 frente a la iteracion de la fuente secuencial y las inversiones de fuentes codificadas simultaneas en el ejemplo;

La Fig. 8 muestra los resultados de la duodecima iteracion de la inversion de fuentes secuenciales del ejemplo; y

La Fig. 9 muestra los resultados de la vigesima primera iteracion de la inversion de fuentes codificadas simultaneas en el ejemplo.

La invencion se describira en conexion con sus formas de realizacion preferidas. Sin embargo, en la medida en que la siguiente descripcion detallada es espedfica para una forma de realizacion particular o un uso particular de la invencion, se pretende que sea solamente ilustrativa y no debe interpretarse como que limita el alcance de la invencion. Por el contrario, se destina a cubrir todas las alternativas, modificaciones y equivalentes que se puedan incluir dentro del alcance de la invencion, segun se define en las reivindicaciones adjuntas.

Descripcion detallada de las formas de realizacion de ejemplo

La presente invencion incorpora la comprension de que el tiempo de calculo necesario para realizar la optimizacion de la funcion de costo local se puede reducir enormemente utilizando un metodo llamado metodo adjunto para calcular los gradientes de la funcion de costo necesarios para el proceso de optimizacion local y, a continuacion, aplicar ese enfoque para invertir las colecciones de trazas codificadas de los datos de fuentes simultaneas, calculando de este modo el gradiente de una funcion de costo de fuentes codificadas simultaneas.

El metodo adjunto se puede utilizar para realizar de manera eficiente (ver la descripcion que sigue a la Ecuacion 5) el calculo de la derivada de W(6) con respecto a cada uno de los mi parametros modelo N, para todos los parametros modelo a la vez [1]. El metodo adjunto para la funcion objetivo de mmimos cuadrados y una parametrizacion del modelo cuadriculado se pueden resumir mediante el siguiente algoritmo:

1. Calcular la simulacion de avance de los datos utilizando el modelo actual y la caractenstica de la coleccion de trazas Wg como la fuente para obtener Ycalc(M(k), Wg),

2. Restar los datos observados de los datos simulados dados 6 (M(k), Wg),

3. Calcular la simulacion inversa (es decir, hacia atras en el tiempo) utilizando 6(M(k), Wg) como la fuente que produce

^adjunto (M \ WgX

4. Calcular la integral a lo largo del tiempo del producto de ^calc (M(k), Wg) y ^adjunto (M(k), Wg) para obtener VmW(6(M, Wg)).

5

10

15

20

25

30

35

40

45

50

55

60

Algoritmo 2 - Algoritmo para calcular el gradiente de la funcion de costo de mmimos cuadrados de un modelo cuadriculado utilizando el metodo adjunto.

Aunque el calculo de los gradientes utilizando el metodo adjunto es eficiente en relacion con otros metodos, sigue siendo muy costoso. En particular, el metodo adjunto requiere dos simulaciones, una hacia adelante en el tiempo y otra hacia atras en el tiempo, y para problemas geoffsicos, estas simulaciones suelen ser muy intensas en calculo. Ademas, segun se describio anteriormente, este calculo del metodo adjunto se debe realizar para cada coleccion de trazas de datos medidos individualmente, aumentando el coste del calculo por un factor de Ng.

Segun se indica en la referencia [4], el costo del calculo de todas las categonas de inversion se puede reducir invirtiendo los datos a partir de combinaciones de las fuentes, en lugar de invertir las fuentes de forma individual. Esto se puede llamar inversion de fuentes simultaneas. Se conocen varios tipos de combinacion de fuentes que incluyen: sumar coherentemente fuentes estrechamente separadas para producir una fuente efectiva que produzca un frente de onda de alguna forma deseada (por ejemplo, una onda plana), sumar fuentes ampliamente separadas o apilar total o parcialmente los datos antes de la inversion.

La reduccion del coste de calculo obtenida invirtiendo las fuentes combinadas se compensa al menos parcialmente por el hecho de que la inversion de los datos combinados generalmente produce un modelo invertido menos preciso. Esta perdida de precision se debe al hecho de que la informacion se pierde cuando se suman las fuentes individuales y, por lo tanto, los datos sumados no restringen el modelo invertido tan fuertemente como los datos no sumados. Esta perdida de informacion durante el sumatorio se puede minimizar codificando cada registro de impulso antes de sumar. La codificacion antes de la combinacion conserva significativamente mas informacion en los datos de fuentes simultaneas y, por lo tanto, restringe mejor la inversion [4]. La codificacion tambien permite la combinacion de fuentes estrechamente separadas, lo que permite por tanto combinar mas fuentes para una region de calculo dada. Se pueden utilizar varios esquemas de codificacion con esta tecnica que incluyen la codificacion por desplazamiento de tiempo y la codificacion de fase aleatoria. A continuacion, se presentan breves resenas de varias tecnicas publicadas de fuentes geoffsicas simultaneas, tanto codificadas como no codificadas.

Van Manen [5] sugiere utilizar el metodo de interferometna sfsmica para acelerar la simulacion de avance. La interferometna sfsmica funciona colocando fuentes en todas partes en el lfmite de la region de interes. Estas fuentes se modelan individualmente y el campo de ondas se registra en todas las ubicaciones para las que se desea una funcion de Green. La funcion de Green entre dos ubicaciones registradas se puede calcular entonces mediante la correlacion cruzada de las trazas adquiridas en las dos ubicaciones registradas y sumando todas las fuentes del lfmite. Si los datos que se van a invertir tienen un gran numero de fuentes y receptores que estan dentro de la region de interes (en lugar de tener uno u el otro en el lfmite), entonces este es un metodo muy eficiente para calcular las funciones de Green deseadas. Sin embargo, para el caso de datos sfsmicos es raro que tanto la fuente como el receptor para los datos que se van a invertir esten dentro de la region de interes. Por lo tanto, esta mejora tiene una aplicabilidad muy limitada al problema de la inversion sfsmica.

Berkhout [6] y Zhang [7] sugieren que la inversion en general se puede mejorar invirtiendo fuentes simultaneas no codificadas que se suman coherentemente para producir algun frente de onda deseado dentro de alguna region de la subsuperficie. Por ejemplo, los datos de fuentes puntuales se podnan sumar con desplazamientos de tiempo que son una funcion lineal de la ubicacion fuente para producir una onda plana descendente con un angulo particular con respecto a la superficie. Esta tecnica se podna aplicar a todas las categonas de inversion. Un problema con este metodo es que el sumatorio coherente de las colecciones de trazas fuentes necesariamente reduce la cantidad de informacion en los datos. Entonces, por ejemplo, el sumatorio para producir una onda plana elimina toda la informacion en los datos sfsmicos relacionada con el tiempo de viaje versus la compensacion receptor-fuente. Esta informacion es cntica para actualizar el modelo de velocidad de base que vana lentamente y, por lo tanto, el metodo de Berkhout no esta bien restringido. Para superar este problema, se podnan invertir muchas sumas coherentes diferentes de los datos (por ejemplo, muchas ondas planas con diferentes direcciones de propagacion), pero entonces se pierde eficiencia puesto que el coste de la inversion es proporcional al numero de sumas diferentes invertidas. Llamamos a dichas fuentes coherentemente sumadas fuentes generalizadas. Por lo tanto, una fuente generalizada puede ser tanto una fuente puntual como una suma de fuentes puntuales que produce un frente de onda de alguna forma deseada.

Van Riel [8] sugiere la inversion mediante apilamiento no codificado o apilamiento parcial (con respecto a la compensacion receptor-fuente) de los datos sfsmicos de entrada y, a continuacion, definir una funcion de costo con respecto a estos datos de apilamiento que estara optimizada. Por lo tanto, esta publicacion sugiere la mejora de la inversion basada en la funcion de costo utilizando fuentes simultaneas no codificadas. Como sucedio con el metodo de inversion de fuentes simultaneas de Berkhout [6], el apilamiento sugerido por este metodo reduce la cantidad de informacion en los datos que se van a invertir y, por lo tanto, la inversion esta menos bien restringida de lo que hubiera estado con los datos originales.

Mora [9] propone invertir datos que son la suma de fuentes ampliamente separadas. Por lo tanto, esta publicacion sugiere mejorar la eficiencia de la inversion utilizando la simulacion de fuentes simultaneas no codificadas. La suma de fuentes ampliamente separadas tiene la ventaja de conservar mucha mas informacion que la suma coherente propuesta por Berkhout. Sin embargo, el sumatorio de fuentes ampliamente separadas implica que la apertura

5

10

15

20

25

35

40

45

(region modelo invertida) que se debe utilizar en la inversion se debe aumentar para alojar todas las fuentes ampliamente separadas. Puesto que el tiempo de calculo es proporcional al area de esta apertura, el metodo de Mora no produce tanta ganancia de eficiencia como podna lograrse si las fuentes sumadas estuvieran cerca unas de otras.

Ober [10] sugiere acelerar la migracion sfsmica, un caso especial de inversion no-iterativa, mediante el uso de fuentes codificadas simultaneas. Despues de probar varios metodos de codificacion, Ober descubrio que las imagenes migradas resultantes teman una relacion senal/ruido significativamente reducida debido al hecho de que las funciones de codificacion de banda ancha son necesariamente solo aproximadamente ortogonales. Por lo tanto, al sumar mas de 16 impulsos, la calidad de la inversion no fue satisfactoria. Puesto que la inversion no-iterativa no es muy costosa para empezar, y puesto que se desea una alta inversion de la relacion senal/ruido, esta tecnica no se practica ampliamente en la industria geoffsica.

Ikelle [11] sugiere un metodo para la simulacion de avance rapido mediante la simulacion simultanea de fuentes puntuales que se activan (en la simulacion) en intervalos de tiempo variables. Tambien se describe un metodo para decodificar estos datos simulados de fuentes simultaneas desplazadas en el tiempo de vuelta a las simulaciones separadas que se habnan obtenido de las fuentes puntuales individuales. Estos datos decodificados se podnan entonces utilizar como parte de cualquier procedimiento de inversion convencional. Un problema con el metodo de Ikelle es que el metodo de descodificacion propuesto producira datos separados que tienen niveles de ruido proporcionales a la diferencia entre los datos de las fuentes adyacentes. Este ruido se volvera significativo para los modelos subsuperficiales que no sean lateralmente constantes, por ejemplo, a partir de modelos que contengan reflectores con buzamiento. Ademas, este ruido crecera en proporcion al numero de fuentes simultaneas. Debido a estas dificultades, el enfoque de fuentes simultaneas de Ikelle puede dar como resultado niveles inaceptables de ruido si se utiliza para invertir una subsuperficie que no sea lateralmente constante.

Krebs et al. [4] muestran que la funcion de costo de fuentes codificadas simultaneas se puede calcular de manera mas eficiente que las funciones de costo convencionales al tiempo que todavfa proporciona inversiones precisas. La funcion de costo de fuentes simultaneas se define aqrn como (comparese con la Ecuacion 2 anterior):

imagen4

donde un sumatorio de receptores y muestras de tiempo esta implfcito como en la Ecuacion 2, y:

N, No

define una suma de colecciones de trazas por subgrupos de colecciones de trazas, s'

Ssim = funcion de costo para datos de fuentes simultaneas,

G = los grupos de fuentes generalizadas simultaneas, y Ng = el numero de grupos,

cg = funciones de tiempo que se convolucionan (®) con la caractenstica de la fuente de cada coleccion de trazas para codificar las colecciones de trazas, estas funciones de codificacion se eligen para ser diferentes, es decir, no equivalentes (por ejemplo, sin limitacion, aproximadamente ortogonales) para cada mdice g de coleccion de trazas (por ejemplo, diferentes realizaciones de funciones de fase aleatoria).

El sumatorio externo en la Ecuacion 6 es de grupos de fuentes generalizadas simultaneas que corresponden al tipo de coleccion de trazas (por ejemplo, fuentes puntuales para colecciones de trazas de impulsos comunes). El sumatorio interno, de g, es de las colecciones de trazas que se agrupan para el calculo simultaneo. Para algunos metodos de modelado de avance, tal como el modelado por diferencias finitas, el calculo del modelo de avance para fuentes generalizadas sumadas (la suma interna de g e G) se puede realizar en la misma cantidad de tiempo que el calculo para una sola fuente. Por lo tanto, segun se muestra en Krebs et al. [4], 8(M, Icg®Wg) se puede calcular de manera muy eficiente utilizando un enfoque tal como el Algoritmo 3:

1. Simular ^calc(M, Icg®Wg) utilizando una sola ejecucion del simulador que utiliza Icg ® Wg como la fuente,

2. Convolucionar cada coleccion de trazas de los datos medidos con las funciones de codificacion cg, a continuacion, sumar las colecciones de trazas codificadas resultantes (es decir, I cg®Y°bs(Wg)),

3. Restar el resultado de la etapa 2 del resultado de la etapa 1.

5

10

15

20

25

30

35

40

45

50

Algoritmo 3 - Algoritmo para calcular la funcion de costo codificada de fuentes simultaneas.

De nuevo segun se muestra en Krebs et al. [4], este algoritmo puede calcular Ssim(M) un factor de Ng/NG veces mas rapido que S(M) de la Ecuacion 2

El algoritmo anterior, o variantes de el que se produciran para los expertos en el campo tecnico, se pueden utilizar para calcular de manera muy eficiente Ssim(M) y por lo tanto pueden acelerar enormemente las inversiones que solo requieren el calculo de la funcion de costo, tales como los metodos de inversion global. De hecho, el algoritmo anterior tambien puede acelerar el calculo del gradiente de la funcion de costo para muchos metodos de evaluacion del gradiente. Por ejemplo, el calculo por diferencias finitas del gradiente implica el calculo de la funcion de costo para un modelo M y un modelo cercano M + 5M que tiene uno de sus parametros perturbados por una pequena cantidad.

Sin embargo, el numero extremadamente grande de parametros del modelo tfpico de inversion geoffsica implica que calcular el gradiente de Ssim(M) seguira siendo muy costoso si se emplean metodos convencionales de calculo del gradiente, tales como las diferencias finitas. Este problema se resuelve en la presente invencion calculando el gradiente de Ssim(M) utilizando un metodo adjunto. Por lo tanto, un objetivo de esta invencion es calcular Vm Ssim(M) que se define como sigue:

imagen5

En esta invencion, las cantidades Vm W(8(M, Icg®Wg)) se pueden calcular de manera muy eficiente utilizando un metodo de estilo adjunto tal como se describe en el Algoritmo 4:

1. Calcular la simulacion de avance de los datos de fuentes simultaneas, en una sola ejecucion del simulador, utilizando el modelo actual y la caractenstica de la coleccion de trazas de fuentes simultaneas Icg®Wg como la fuente para obtener ^calc (M(k), Icg®Wg),

3. Restar el resultado de la etapa 2 del resultado de la etapa 1 produciendo 8(M(k), Icg®Wg),

4. Calcular la simulacion inversa (es decir, hacia atras en el tiempo) utilizando 8(M(k), Icg®Wg) como la fuente que

produce Yadjunto(M(k), Icg®Wg),

5. Calcular la integral a lo largo del tiempo del producto de Ycalc(M(k), Icg®Wg) y Yadjunto(M(k), Icg®Wg) para obtener VmW(5(M, Icg®Wg)).

Algoritmo 4 - Algoritmo para calcular el gradiente codificado de la funcion de costo de fuentes simultaneas utilizando un metodo de estilo adjunto.

En la practica, la invencion se puede utilizar normalmente para realizar la inversion de la funcion de costo local de acuerdo con el diagrama de flujo de una forma de realizacion de la invencion mostrada en la Fig. 1. Como en la inversion iterativa convencional, el proceso comienza con la seleccion de un modelo inicial 10 que es una aproximacion de las propiedades ffsicas reales subsuperficiales. (Un modelo actualizado 20 reemplaza el modelo inicial en iteraciones posteriores de la inversion.) En la siguiente etapa de la inversion (30), se construyen las funciones de codificacion; estas se utilizaran para codificar los datos medidos 40 en la etapa 60 y las caractensticas de fuentes 50 en la etapa 70. Segun se describe a continuacion y en la referencia [4], se pueden realizar muchos tipos diferentes de funciones de codificacion en la etapa 30. Las etapas 60 y 70 producen los datos medidos codificados (sumados en las ubicaciones fuente para cada receptor) 80 y las caractensticas de fuentes codificadas 90, ambas se codifican con el mismo conjunto de funciones de codificacion producidas en la etapa 30, un proceso que se explica adicionalmente en la referencia [4] para los lectores no expertos en el campo. En la etapa 100, el gradiente se calcula utilizando la Ecuacion 7 y el Algoritmo 4 anteriores o variaciones obvias de los mismos. En la etapa 110, el modelo inicial se actualiza en base al gradiente calculado en la etapa 100, usualmente sumando o restando una version escalada del gradiente al modelo inicial. La etapa 120 es un control para la convergencia de la inversion. Esto se puede realizar calculando la funcion de costo de las fuentes codificadas simultaneas para el modelo actualizado utilizando la Ecuacion 6 y el Algoritmo 3, y comparando el valor de la funcion de costo con el valor de la iteracion anterior. Si se considera que la inversion no ha convergido, entonces el proceso itera de vuelta al paso 30, utilizando el modelo actualizado 20 de la etapa 110. Cuando el ensayo 120 muestra que la iteracion ha convergido o se cumple otra condicion de parada, el proceso se finaliza (130)

Se pueden utilizar muchos tipos de funciones de codificacion cg en la Ecuacion 6 y la Ecuacion 7 incluyendo, pero no limitadas a:

5

10

15

20

25

30

35

40

45

50

• Codificacion de fase dependiente de la frecuencia lineal, aleatoria, modulada y modulada modificada segun se presenta en Romero et al. [12];

• La codificacion de fase independiente de la frecuencia segun se presenta en Jing et al. [13];

• Codificacion por desplazamiento de tiempo aleatorio;

• Multiplexacion por division de frecuencia (FDMA), multiplexacion por division de tiempo (TDMA) y multiplexacion por division de codigo (CDMA) utilizadas en telecomunicaciones.

Algunas de estas tecnicas de codificacion funcionaran mejor que otras dependiendo de la aplicacion y algunas se pueden combinar. En particular, se han obtenido buenos resultados utilizando la codificacion de fase aleatoria dependiente de la frecuencia y tambien combinando la codificacion independiente de la frecuencia de fuentes cercanas con codificacion de fase aleatoria dependiente de la frecuencia para fuentes mas ampliamente separadas. Se puede obtener una indicacion de los meritos relativos de diferentes codificaciones ejecutando inversiones de prueba con cada conjunto de funciones de codificacion para determinar cual converge mas rapido.

Se debe senalar que la tecnica de fuentes codificadas simultaneas se puede utilizar para muchos tipos de funcion de costo de inversion. En particular, se podna utilizar para funciones de costo basadas en otras normas que las L2 descritas anteriormente. Tambien se podna utilizar en funciones de costo mas sofisticadas que la presentada en la Ecuacion 2, incluidas las funciones de costo regularizadas. Finalmente, el metodo de fuentes codificadas simultaneas se podna utilizar con cualquier tipo de metodo de inversion de la funcion de costo global o local incluyendo Monte Carlo, templado simulado, algoritmo genetico, algoritmo de evolucion, busqueda de la lmea de gradiente, gradientes conjugados y metodo de Newton.

El presente metodo inventivo tambien se puede utilizar junto con varios tipos de tecnicas de fuentes generalizadas, como las sugeridas por Berkhout [6]. En este caso, en lugar de codificar caractensticas de coleccion de trazas de fuentes puntuales diferentes, se podna codificar las caractensticas para diferentes ondas planas sintetizadas.

Algunas variaciones de la forma de realizacion descrita anteriormente incluyen:

• Las funciones de codificacion cg se pueden cambiar para cada iteracion de la inversion. Por lo menos en algunos casos esto conduce a una convergencia mas rapida de la inversion.

• En algunos casos (por ejemplo, cuando el muestreo de la fuente es mas denso que el muestreo del receptor) puede ser ventajoso utilizar reciprocidad para tratar los receptores reales como fuentes de calculo y codificar los receptores en lugar de las fuentes.

• Esta invencion no se limita a receptores puntuales de un solo componente. Por ejemplo, los receptores podnan ser matrices de receptores o podnan ser receptores de multiples componentes.

• El presente metodo de la invencion se puede mejorar mediante la optimizacion de la codificacion para producir la inversion de calidad mas alta. Por ejemplo, las funciones de codificacion se podnan optimizar para reducir el numero de mmimos locales en la funcion de costo. Las funciones de codificacion se podnan optimizar tanto mediante la inspeccion manual de las pruebas realizadas utilizando diferentes funciones de codificacion como utilizando un procedimiento de optimizacion automatizado.

• La adquisicion de datos de fuentes codificadas simultaneas podna dar como resultado un ahorro de costes de adquisicion de datos geoffsicos significativo.

• Para las prospecciones de datos sfsmicos marinos, sena muy eficiente para adquirir los datos de fuentes codificadas a partir de vibradores marinos funcionando simultaneamente que funcionan de forma continua mientras estan en movimiento.

• Se pueden utilizar otras definiciones para la funcion de costo, incluyendo el uso de una norma diferente (por ejemplo, la norma L1 (valor absoluto) en lugar de la norma L2), y terminos adicionales para regularizar y estabilizar la inversion (por ejemplo, terminos que penalizanan los modelos que no son suaves o modelos que no son dispersos).

La Figura 2 es un diagrama de flujo de una forma de realizacion alternativa del presente metodo inventivo para la inversion de la funcion de costo local. Este diagrama de flujo es, en esencia, similar al de la Fig. 1 (los numeros de referencia de las cajas correspondientes se incrementan en 200) a excepcion de los siguientes cambios:

• En la etapa 230 las funciones de codificacion se pueden cambiar entre iteraciones.

• Se anade la etapa 305. En la etapa 305, el gradiente de la etapa 300 se acondiciona utilizando cualquier metodo conocido, y para una mejor convergencia se utiliza el gradiente acondicionado para calcular el gradiente conjugado. En esquemas de optimizacion (locales), es bien sabido que la convergencia de un algoritmo se puede

5

10

15

20

25

30

35

40

45

50

mejorar mediante la eleccion de una direccion decente (el gradiente) como una combinacion lineal de las direcciones decentes anteriores y actuales. Esto se conoce como el metodo del gradiente conjugado. Acondicionar (o pre-acondicionar) es una estrategia conocida clasicamente para mejorar la convergencia.

• En la etapa 310, se utiliza una busqueda lineal en la direccion del gradiente conjugado para actualizar el modelo. Una busqueda lineal es parte de las estrategias de optimizacion estandar y consiste en partir de un punto actual, elegir una direccion para evaluar los valores de la funcion de costo, moverse a lo largo de esa direccion elegida y reevaluar la funcion de costo en cada nueva ubicacion y elegir el punto de que da el valor mmimo de dicha funcion de costo. La direccion (en este caso) es el gradiente o el gradiente conjugado.

Ademas, las siguientes elecciones se realizan durante la inversion en esta forma de realizacion ilustrativa particular del presente metodo inventivo:

1. Las colecciones de trazas de entrada de los datos medidos 240 son colecciones de trazas de fuentes puntuales comunes.

2. Las caractensticas de codificacion 230 se eligen para ser caractensticas de fases aleatorias de Romero et al. Una caractenstica de este tipo se puede crear simplemente creando una secuencia que conste de muestras de tiempo que sean una secuencia pseudoaleatoria uniforme.

3. En las etapas 260 y 270, las colecciones de trazas y caractensticas se codifican mediante la convolucion de cada traza de la coleccion de trazas con esa caractenstica de codificacion de la coleccion de trazas.

4. En las etapas 300 y 320, las simulaciones se llevan a cabo con un codigo de modelado sfsmico por diferencias finitas en el dominio espacio-tiempo.

5. En las etapas 300 y 320, la funcion de costo se calcula utilizando una norma L2.

Ejemplo

Las figuras 3 a 9 presentan un ejemplo artificial de inversion de datos sfsmicos acusticos de densidad constante utilizando esta invencion y para la comparacion con el metodo de fuentes secuenciales convencional. Para este ejemplo se utilizo la forma de realizacion descrita en la Fig. 2 exceptuando que la etapa 305 fue eliminada. La inclusion de la etapa 305 mejora los resultados en relacion con este ejemplo, por lo que este es un ejemplo conservador de las ventajas de esta invencion.

La figura 3 es el modelo de velocidad base utilizado para generar los datos medidos (Fig. 4) para este ejemplo. Una inversion exitosa de los datos simulados medidos a partir de este modelo se debe ver como una version de banda limitada de la Fig. 3.

La figura 4 muestra una coleccion de trazas fuente de los datos medidos simulada a partir del modelo de la Fig. 3. Se simularon un total de 128 fuentes (de los cuales la Fig. 4 es la primera) con las fuentes posicionadas cerca de la superficie del modelo y se dispersaron de manera uniforme a traves del modelo. Se dispersaron tambien 1024 receptores sfsmicos de manera uniforme a traves del modelo. Se uso el mismo conjunto de receptores para cada ubicacion de fuente (es decir, los receptores no se mueven con la fuente).

La figura 5 muestra los datos de las fuentes codificadas simultaneas generados desde la etapa 260 de la Fig. 2. La funcion de codificacion era una funcion de fase aleatoria de 3 segundos de duracion. Se codificaron todas las 128 fuentes con diferentes funciones de fase aleatoria, a continuacion, se sumaron para producir esta fuente codificada simultanea. Observese que los datos de fuentes codificadas simultaneas en la Fig. 5 parecen ruido aleatorio cuando se comparan con la Fig. 4.

La Figura 6 muestra el modelo que se utilizo como el modelo inicial (210 en la Fig. 2) para este ejemplo de inversion. Este modelo se genero suavizando fuertemente el modelo base mostrado en la Fig. 3. El suavizado fue elegido para ser lo suficientemente grande como para eliminar todas las reflexiones y anomalfas de velocidad de pequena escala, preservando al mismo tiempo la base suave del modelo.

Los datos en la Fig. 4 y la Fig. 5 fueron a continuacion ambos invertidos. Por supuesto, la presente invencion se utiliza para invertir los datos de fuentes codificadas simultaneas en la Fig. 5. Se puede observar que, puesto que existen 128 colecciones de trazas fuente en los datos de fuentes secuenciales, la inversion de estos datos debe llevar aproximadamente 128 veces mas esfuerzo de calculo por iteracion de lo necesario para invertir los datos de fuentes codificadas simultaneas. Este factor de 128 es debido al hecho de que el gradiente se debe calcular para cada fuente secuencial por separado y, a continuacion, estos gradientes se suman para producir el gradiente total de las fuentes secuenciales. Por otra parte, el gradiente de los datos de fuentes codificadas simultaneas se calcula a partir de solo una coleccion de trazas.

La figura 7 muestra la adaptacion del modelo frente al numero de iteraciones de las dos inversiones. La inversion de fuentes secuenciales (cuadrados negros) converge en aproximadamente el doble de la velocidad de la inversion codificada de fuentes simultaneas (cuadrados blancos). (La adaptacion del modelo para la iteracion 21 de la

inversion codificada de fuentes simultaneas es aproximadamente igual a la adaptacion del modelo para la iteracion 12 de inversion de fuentes secuenciales). Sin embargo, puesto que cada iteracion de la inversion de fuentes simultaneas utiliza solo 1/128 de la cantidad de esfuerzo de calculo, la inversion codificada de fuentes simultaneas es 64 veces mas eficiente que la inversion de fuentes secuenciales.

5 La Fig. 8 y la Fig. 9 muestran ambas los resultados de inversion. Se eligieron para mostrar la 12.a inversion de la fuente secuencial y las 21.a inversiones codificadas de las fuentes simultaneas, porque tienen aproximadamente la misma adaptacion del modelo. Observese que ambas de estas inversiones parecen aproximadamente una version limitada de banda del modelo base en la Fig. 3. Observe tambien que la inversion codificada de las fuentes simultaneas se parece mucho a la inversion de fuentes secuenciales, excepto por la adicion de una pequena 10 cantidad de ruido. Este ruido se podna eliminar facilmente tanto procesando la imagen del resultado de inversion como aplicando acondicionamiento (etapa 305 de la Fig. 2) a la inversion.

La solicitud anterior se dirige a formas de realizacion particulares de la presente invencion para el proposito de ilustrarla. Sera evidente, sin embargo, para un experto en la tecnica, que son posibles muchas modificaciones y variaciones a las formas de realizacion descritas en la presente memoria. Se pretende que todas dichas 15 modificaciones y variaciones esten dentro del alcance de la presente invencion, segun se define en las reivindicaciones adjuntas. Los expertos en la tecnica reconoceran facilmente que, en las formas de realizacion preferidas de la invencion, al menos algunas de las etapas en el metodo inventivo presente se llevan a cabo en un ordenador, es decir, la invencion se implementa por ordenador. En dichos casos, el modelo resultante de las propiedades ffsicas actualizadas se puede tanto descargar como guardar en el almacenamiento del ordenador.

5

10

15

20

25

Referencias

1. Tarantola, A., "Inversion of seismic reflection data in the acoustic approximation," Geophysics 49, 1259-1266 (1984).

2. Sirgue, L., and Pratt G. "Efficient waveform inversion and imaging: A strategy for selecting temporal frequencies," Geophysics 69, 231-248 (2004).

3. Fallat, M. R., Dosso, S. E., "Geoacoustic inversion via local, global, and hybrid algorithms," Journal of the Acoustical Society of America 105, 3219-3230 (1999).

4. Krebs, J. R., Anderson, J. A., Neelamani, R., Hinkley, D., Jing, C., Dickens, T., Krohn, C., Traynin, P., "Iterative inversion of data from simultaneous geophysical sources," Publicacion PCT n. ° WO2008/042081.

5. Van Manen, D. J., Robertsson, J.O.A., Curtis, A., "Making wave by time reversal," SEG International Exposition and 75th Annual Meeting Expanded Abstracts, 1763-1766 (2005).

6. Berkhout, A. J., "Areal shot record technology," Journal of Seismic Exploration 1,251-264 (1992).

7. Zhang, Y., Sun, J., Notfors, C., Gray, S. H., Cherris, L., Young, J., "Delayed-shot 3D depth migration," Geophysics 70, E21-E28 (2005).

8. Van Riel, P., and Hendrik, W. J. D., "Method of estimating elastic and compositional parameters from seismic and echo-acoustic data," Documento patente de EE.UU. n.° 6,876,928 (2005).

9. Mora, P., "Nonlinear two-dimensional elastic inversion of multi-offset seismic data," Geophysics 52, 1211-1228 (1987).

10. Ober, C. C., Romero, L. A., Ghiglia, D. C., "Method of Migrating Seismic Records," U.S. Patent No. 6,021,094 (2000).

11. Ikelle, L. T., "Multi-shooting approach to seismic modeling and acquisition," Documento patente de EE.UU. n.° 6,327,537 (2001).

12.. Romero, L. A., Ghiglia, D. C., Ober, C. C., Morton, S. A., "Phase encoding of shot records in prestack migration," Geophysics 65, 426-436 (2000).

13. Jing X., Finn, C. J., Dickens, T. A., Willen, D. E., "Encoding multiple shot gathers in prestack migration," SEG International Exposition and 70th Annual Meeting Expanded Abstracts, 786-789 (2000).

Claims

5

10

15

20

25

30

35

40

45

REIVINDICACIONES

1. Un metodo implementado por ordenador para la inversion de los datos geoffsicos medidos para determinar un modelo de propiedades ffsicas para una region subsuperficial, que comprende:

(a) obtener un grupo de dos o mas colecciones de trazas codificadas (60, 70; 260, 270) de los datos geoffsicos medidos (40, 50; 240, 250), en donde cada coleccion de trazas esta asociada con una unica fuente generalizada o, utilizar reciprocidad fuente-receptor, con un unico receptor, y en donde cada coleccion de trazas se codifica con una funcion de codificacion diferente, seleccionada de un conjunto de funciones de codificacion no equivalentes (30; 230);

(b) sumar las colecciones de trazas codificadas en el grupo (80, 90; 280, 290) sumando todos los registros de datos en cada coleccion de trazas que corresponden a un unico receptor o, utilizar reciprocidad, con una unica fuente, y repetir para cada receptor diferente, dando como resultado una coleccion de trazas codificadas simultaneas;

(c) suponer un modelo de propiedades ffsicas (10; 210) de la region subsuperficial, proporcionado dicho modelo valores de al menos una propiedad ffsica en ubicaciones a lo largo de la region subsuperficial;

(d) invertir los datos geoffsicos medidos, una coleccion de trazas codificadas simultaneas por vez, utilizando el modelo de propiedades ffsicas supuesto como un modelo inicial y, de forma iterativa, actualizar (110; 310) dicho modelo para minimizar un grado de inadaptacion que mide la funcion de costo entre los datos de modelos simulados y los datos geoffsicos medidos para generar un modelo de propiedades ffsicas actualizado (20; 220), en donde las adaptaciones del modelo se crean utilizando un gradiente (100, 300) de la funcion de costo con respecto a al menos un parametro del modelo, cuyo gradiente se calcula a partir de una integracion en el tiempo de un producto de los datos de fuentes codificadas simultaneas simuladas hacia adelante en el tiempo y los datos de fuentes codificadas simultaneas simuladas hacia atras en el tiempo; y

(e) descargar el modelo de propiedades ffsicas actualizado o guardarlo en el almacenamiento del ordenador,

en donde el metodo comprende ademas utilizar un conjunto diferente de funciones de codificacion no equivalentes (30, 230) para al menos una iteracion de la actualizacion iterativa del modelo.
2. El metodo de la reivindicacion 1, en donde invertir una coleccion de trazas codificadas simultaneas de los datos geoffsicos medidos comprende

(i) simular por ordenador una coleccion de trazas codificadas simultaneas que se corresponde con la coleccion de trazas codificadas simultaneas de los datos medidos, utilizando el modelo de propiedades ffsicas asumido, en donde la simulacion utiliza caracteffsticas de fuentes codificadas con las mismas funciones de codificacion utilizado para codificar la coleccion de trazas codificadas simultaneas de los datos medidos, en donde una coleccion de trazas codificadas simultaneas completa se simula en una sola operacion de simulacion; y

(ii) calcular un grado de medicion de la inadaptacion de la funcion de costo entre la coleccion de trazas codificadas simultaneas de los datos medidos y la coleccion de trazas codificadas simultaneas simuladas.
3. El metodo de la reivindicacion 1, en donde invertir los datos geoffsicos medidos comprende:

(i) calcular una simulacion de avance de los datos de fuentes codificadas simultaneas, en una unica ejecucion de simulacion, utilizando el modelo M de propiedades ffsicas actuales y utilizando como fuente una caracteffstica de coleccion de trazas de fuentes simultaneas codificada con las mismas funciones de codificacion cg utilizadas para codificar los datos medidos, para obtener Ycac

(ii) calcular la funcion de costo 8 restando la coleccion de trazas codificadas simultaneas de los datos geoffsicos medidos a partir del resultado de la etapa (i);

(iii) calcular una simulacion inversa (es decir, hacia atras en el tiempo) utilizando 8 como fuente de simulacion, produciendo Yadjunto; y

(iv) calcular una integral a lo largo del tiempo del producto de Ycalc y Yadjunto para obtener el gradiente de la funcion de costo; y

(V) utilizar el gradiente de la funcion de costo para ajustar y actualizar el modelo M.
4. El metodo de la reivindicacion 1, en donde dichas colecciones de trazas codificadas de los datos medidos se codifican convolucionando temporalmente todas las trazas de la coleccion de trazas con una caracteffstica de fuente codificada correspondiente, siendo dicha caracteffstica de fuente codificada la convolucion de una funcion fuente para la coleccion de trazas con la funcion de codificacion seleccionada para la coleccion de trazas.

5

10

15

20

25

30

35
5. El metodo de la reivindicacion 1, en donde las dos o mas colecciones de trazas codificadas de los datos medidos se obtienen mediante la obtencion de las colecciones de trazas de datos de una prospeccion geoffsica en que los datos se adquieren de varios dispositivos fuente codificados de forma unica que funcionan simultaneamente,
6. El metodo de la reivindicacion 1, en donde los datos geoffsicos medidos se obtienen de una fuente sfsmica y las fuentes sfsmicas son tanto todas fuentes puntuales como todas fuentes de ondas planas.
7. El metodo de la reivindicacion 2, en donde los datos geoffsicos medidos incluyen las caractensticas estimadas o medidas de cada activacion de fuente y las caractensticas de las fuentes codificadas utilizadas en las operaciones de simulacion son caractensticas hechas convolucionando temporalmente las caractensticas de las fuentes medidas o estimadas con las mismas funciones de codificacion utilizadas para codificar la coleccion de trazas medidas correspondientes en la etapa (a).
8. El metodo de la reivindicacion 1, en donde las funciones de codificacion son de un tipo seleccionado de un grupo que consiste en lineal, fase aleatoria, modulado, modulado modificado, desplazamiento de tiempo aleatorio y codificacion de fase independiente de la frecuencia o en donde las funciones de codificacion son de un tipo para algunas fuentes y de otro tipo para otras fuentes, siendo seleccionado cada tipo de un grupo que consiste en codificacion lineal, de fase aleatoria, modulada, modulada modificada, desplazamiento de tiempo al azar y codificacion de fase independiente de la frecuencia.
9. El metodo de la reivindicacion 1, en donde las funciones de codificacion se optimizan con respecto a la funcion de costo que se va a utilizar.
10. El metodo de la reivindicacion 1, en donde los modelos de propiedades ffsicas son modelos de velocidad de las ondas sfsmicas, parametros elasticos sfsmicos, parametros de anisotropfa sfsmicos o parametros de anelasticidad sfsmicos.
11. El metodo de la reivindicacion 1, en donde se utiliza un metodo de optimizacion de la funcion de costo local tal como la busqueda de la lmea de gradiente (310), los gradientes conjugados (305) o el metodo de Newton para actualizar el modelo.
12. El metodo de la reivindicacion 1, en donde la funcion de costo es la funcion de costo norma-L1 o la funcion de costo norma-L2 y la funcion de costo puede contener terminos de regularizacion.
13. El metodo de la reivindicacion 1, en donde las funciones de codificacion no equivalentes son esencialmente funciones ortogonales.
14. Un metodo para producir hidrocarburos a partir de una region subsuperficial, que comprende:

(a) realizar una prospeccion geoffsica de la region subsuperficial;

(b) obtener un modelo de propiedades ffsicas, habiendo sido construido dicho modelo de acuerdo con el metodo de la reivindicacion 1;

(c) utilizar el modelo de propiedades ffsicas para identificar una zona portadora de hidrocarburos en la region subsuperficial;

(d) perforar un pozo en la zona y la produccion de hidrocarburos a partir del pozo.