[go: up one dir, main page]

RU2015110010A - Система и способ для преобразования трехмерных сейсмических данных в глубинную область с использованием искусственной нейронной сети - Google Patents

Система и способ для преобразования трехмерных сейсмических данных в глубинную область с использованием искусственной нейронной сети Download PDF

Info

Publication number
RU2015110010A
RU2015110010A RU2015110010A RU2015110010A RU2015110010A RU 2015110010 A RU2015110010 A RU 2015110010A RU 2015110010 A RU2015110010 A RU 2015110010A RU 2015110010 A RU2015110010 A RU 2015110010A RU 2015110010 A RU2015110010 A RU 2015110010A
Authority
RU
Russia
Prior art keywords
seismic
horizon
time
depth
section
Prior art date
Application number
RU2015110010A
Other languages
English (en)
Inventor
Джеки М. ВИНЕР
Майкл Джон ЭБЕРХАРД
Стюарт Артур ЛЕВИН
Original Assignee
Лэндмарк Графикс Корпорейшн
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Лэндмарк Графикс Корпорейшн filed Critical Лэндмарк Графикс Корпорейшн
Publication of RU2015110010A publication Critical patent/RU2015110010A/ru

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/32Transforming one recording into another or one representation into another
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/282Application of seismic models, synthetic seismograms
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0499Feedforward networks
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/09Supervised learning
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30Analysis
    • G01V1/301Analysis for determining seismic cross-sections or geostructures
    • G01V1/302Analysis for determining seismic cross-sections or geostructures in 3D data cubes
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00Details of seismic processing or analysis
    • G01V2210/40Transforming data representation
    • G01V2210/48Other transforms
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00Details of seismic processing or analysis
    • G01V2210/60Analysis
    • G01V2210/64Geostructures, e.g. in 3D data cubes
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00Details of seismic processing or analysis
    • G01V2210/60Analysis
    • G01V2210/66Subsurface modeling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geology (AREA)
  • Acoustics & Sound (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Processing Or Creating Images (AREA)
  • Image Processing (AREA)

Claims (34)

1. Способ преобразования трехмерных сейсмических данных из временной области в глубинную область, включающий следующие шаги:
прогнозируют интервальные времена прохождения для выбранных скважин без диаграмм акустического каротажа внутри или вблизи исследуемого пласта коллектора с использованием искусственной нейронной сети;
преобразуют пары время-глубина для выбранных скважин в пары время-глубина вдоль сейсмического горизонта на временном разрезе;
формируют опорный горизонт путем выравнивания сейсмических трасс в трехмерном сейсмическом временном объеме с целью выравнивания сейсмического горизонта на временном разрезе с нолем оси времени на каждой трассе;
присваивают относительную глубину каждому значению выборки сейсмических данных и соответствующему значению сейсмического атрибута внутри или вблизи исследуемого пласта коллектора с использованием преобразованных пар время-глубина;
формируют множества структурно правильных поверхностей, представляющих объем для горизонта на временно-глубинном разрезе;
переносят каждое значение выборки сейсмических данных и соответствующее значение сейсмического атрибута внутри или вблизи исследуемого пласта коллектора из сейсмического временного объема на множество структурно правильных поверхностей в объеме для горизонта на временно-глубинном разрезе.
2. Способ по п. 1, отличающийся тем, что искусственную нейронную сеть обучают с использованием интервальных времен прохождения из диаграмм акустического каротажа для выбранных скважин.
3. Способ по п. 1, отличающийся тем, что сейсмический горизонт на временном разрезе выбирают в пределах исследуемого пласта коллектора.
4. Способ по п. 1, отличающийся тем, что выбранные скважины пересекают исследуемый пласт коллектора.
5. Способ по п. 1, отличающийся тем, что множество структурно правильных поверхностей, представляющих объем для горизонта на временно-глубинном разрезе, образуют путем добавления глубин вдоль сейсмического горизонта на временном разрезе к относительным глубинам, присвоенным каждому значению выборки сейсмических данных и соответствующему значению сейсмического атрибута.
6. Способ по п. 5, отличающийся тем, что глубины вдоль сейсмического горизонта на временном разрезе преобразуют из пиков глубин на каротажной диаграмме для выбранных скважин.
7. Способ по п. 1, отличающийся тем, что дополнительно включает построение трехмерной геологической модели, содержащей объем для горизонта на временно-глубинном разрезе, с использованием множества структурно правильных поверхностей.
8. Способ по п. 1, отличающийся тем, что дополнительно включает перенесение каждого значения выборки сейсмических данных и соответствующего значения сейсмического атрибута из множества структурно правильных поверхностей в объеме для горизонта на временно-глубинном разрезе в трехмерную геологическую модель.
9. Способ по п. 2, отличающийся тем, что пары время-глубина для выбранных скважин получают для каждой выбранной скважины в исследуемом пласте коллектора путем численного интегрирования интервальных времен прохождения и прогнозируемых интервальных времен прохождения.
10. Способ по п. 5, отличающийся тем, что добавление глубин вдоль сейсмического горизонта на временном разрезе и относительные глубины, присвоенные каждому значению выборки сейсмических данных и соответствующему значению сейсмического атрибута, представляют абсолютную глубину для каждого значения выборки сейсмических данных и соответствующего значения сейсмического атрибута и определяют структурно правильную поверхность на каждой абсолютной глубине.
11. Способ по п. 1, отличающийся тем, что сейсмический горизонт на временном разрезе получают путем преобразования сейсмического горизонта на глубинном разрезе в сейсмический горизонт на временном разрезе.
12. Носитель программной информации, служащий для хранения исполняемых компьютером команд преобразования трехмерных сейсмических данных из временной области в глубинную область, при этом при исполнении команд обеспечивается реализация следующих шагов:
прогнозируют интервальные времена прохождения для выбранных скважин без диаграмм акустического каротажа внутри или вблизи исследуемого пласта коллектора с использованием искусственной нейронной сети;
преобразуют пары время-глубина для выбранных скважин в пары время-глубина вдоль сейсмического горизонта на временном разрезе;
формируют опорный горизонт путем выравнивания сейсмических трасс в трехмерном сейсмическом временном объеме с целью выравнивания сейсмического горизонта на временном разрезе с нолем оси времени на каждой трассе;
присваивают относительную глубину каждому значению выборки сейсмических данных и соответствующему значению сейсмического атрибута внутри или вблизи исследуемого пласта коллектора с использованием преобразованных пар время-глубина;
формируют множества структурно правильных поверхностей, представляющих объем для горизонта на временно-глубинном разрезе;
переносят каждое значение выборки сейсмических данных и соответствующее значение сейсмического атрибута внутри или вблизи исследуемого пласта коллектора из сейсмического временного объема на множество структурно правильных поверхностей в объеме для горизонта на временно-глубинном разрезе.
13. Носитель по п. 12, отличающийся тем, что искусственная нейронная сеть обучена с использованием интервальных времен прохождения из диаграмм акустического каротажа для выбранных скважин.
14. Носитель по п. 12, отличающийся тем, что сейсмический горизонт на временном разрезе выбран в пределах исследуемого пласта коллектора.
15. Носитель по п. 12, отличающийся тем, что выбранные скважины пересекают исследуемый пласт коллектора.
16. Носитель по п. 12, отличающийся тем, что множество структурно правильных поверхностей, представляющих объем для горизонта на временно-глубинном разрезе, образовано путем добавления глубин вдоль сейсмического горизонта на временном разрезе к относительным глубинам, присвоенным каждому значению выборки сейсмических данных и соответствующему значению сейсмического атрибута.
17. Носитель по п. 16, отличающийся тем, что глубины вдоль сейсмического горизонта на временном разрезе преобразованы из пиков глубин на каротажной диаграмме для выбранных скважин.
18. Носитель по п. 12, отличающийся тем, что дополнительно включает построение трехмерной геологической модели, содержащей объем для горизонта на временно-глубинном разрезе, с использованием множества структурно правильных поверхностей.
19. Носитель по п. 12, отличающийся тем, что дополнительно включает перенесение каждого значения выборки сейсмических данных и соответствующего значения сейсмического атрибута из множества структурно правильных поверхностей в объеме для горизонта на временно-глубинном разрезе в трехмерную геологическую модель.
20. Носитель по п. 13, отличающийся тем, что пары время-глубина для выбранных скважин получены для каждой выбранной скважины в исследуемом пласте коллектора путем численного интегрирования интервальных времен прохождения и прогнозируемых интервальных времен прохождения.
21. Носитель по п. 16, отличающийся тем, что добавление глубин вдоль сейсмического горизонта на временном разрезе и относительные глубины, присвоенные каждому значению выборки сейсмических данных и соответствующему значению сейсмического атрибута, представляют абсолютную глубину для каждого значения выборки сейсмических данных и соответствующего значения сейсмического атрибута и определяют структурно правильную поверхность на каждой абсолютной глубине.
22. Носитель по п. 12, отличающийся тем, что сейсмический горизонт на временном разрезе получен путем преобразования сейсмического горизонта на глубинном разрезе в сейсмический горизонт на временном разрезе.
RU2015110010A 2012-12-05 2012-12-05 Система и способ для преобразования трехмерных сейсмических данных в глубинную область с использованием искусственной нейронной сети RU2015110010A (ru)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2012/067989 WO2014088571A1 (en) 2012-12-05 2012-12-05 Systems and methods for 3d seismic data depth conversion utilizing artificial neural networks

Publications (1)

Publication Number Publication Date
RU2015110010A true RU2015110010A (ru) 2017-01-11

Family

ID=50883829

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2015110010A RU2015110010A (ru) 2012-12-05 2012-12-05 Система и способ для преобразования трехмерных сейсмических данных в глубинную область с использованием искусственной нейронной сети

Country Status (9)

Country Link
US (1) US20150316673A1 (ru)
EP (1) EP2888606B1 (ru)
CN (1) CN104884974A (ru)
AU (1) AU2012396293B2 (ru)
CA (1) CA2890187C (ru)
MX (1) MX2015005627A (ru)
RU (1) RU2015110010A (ru)
SG (1) SG11201501141UA (ru)
WO (1) WO2014088571A1 (ru)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105247546A (zh) 2013-06-10 2016-01-13 埃克森美孚上游研究公司 确定用于井动态优化的井参数
GB2544234B (en) * 2014-10-14 2020-09-02 Landmark Graphics Corp Using representative elemental volume to determine subset volume in an area of interest earth model
CN106094028A (zh) * 2016-06-22 2016-11-09 中国石油化工股份有限公司 基于位移场的深度域地震属性提取方法
CN105974475B (zh) * 2016-06-24 2018-02-06 中国石油集团川庆钻探工程有限公司地球物理勘探公司 一种时深转换方法
EP3709271B1 (en) * 2016-09-15 2022-11-02 Google LLC Image depth prediction neural networks
CN106873033B (zh) * 2017-03-13 2019-03-22 中国海洋石油集团有限公司 一种基于神经网络的多属性地震信息融合裂缝预测的方法
US11231513B2 (en) * 2017-12-06 2022-01-25 Chevron U.S.A. Inc. Systems and methods for refining estimated parameter values in seismic imaging
CN108490491A (zh) * 2018-03-06 2018-09-04 中国石油集团东方地球物理勘探有限责任公司 一种基于波形指示反演的滩体预测方法
CN110837111B (zh) * 2018-08-15 2021-08-24 中国石油化工股份有限公司 地震数据插值方法及系统
US12399291B2 (en) * 2019-05-10 2025-08-26 Schlumberger Technology Corporation System and method for identifying subsurface structures
CN112346117B (zh) * 2019-08-09 2023-06-30 中国石油天然气集团有限公司 一种基于地震属性融合的储层特征预测方法和装置
US11169287B2 (en) 2020-03-27 2021-11-09 Saudi Arabian Oil Company Method and system for automated velocity model updating using machine learning
GB2602679A (en) * 2020-04-07 2022-07-13 Landmark Graphics Corp Data-driven domain conversion using machine learning techniques
US11614557B2 (en) * 2020-04-07 2023-03-28 Landmark Graphics Corporation Data-driven domain conversion using machine learning techniques
CN113589363B (zh) * 2020-04-30 2024-03-19 中国石油化工股份有限公司 融合人工神经网络与地质统计学的油气预测新方法
CN111983691B (zh) * 2020-08-18 2023-10-13 郑州市混沌信息技术有限公司 一种多模型融合的储层预测方法及软件系统
WO2022251479A1 (en) * 2021-05-27 2022-12-01 Schlumberger Technology Corporation Seismic well tie based on machine learning
US11668848B2 (en) 2021-06-24 2023-06-06 Saudi Arabian Oil Company Method and system for seismic imaging using S-wave velocity models and machine learning
US11874419B2 (en) * 2021-06-30 2024-01-16 Saudi Arabian Oil Company System and method for automated domain conversion for seismic well ties
CN113671568B (zh) * 2021-08-20 2022-07-15 中国科学院武汉岩土力学研究所 一种扰动应力-微震同时空集成传感系统及方法
US12196903B2 (en) * 2021-12-15 2025-01-14 Saudi Arabian Oil Company Method and system for determining seismic velocities using global path tracing
CN119936997B (zh) * 2023-11-01 2025-12-09 中国石油天然气集团有限公司 地震波形特征点驱动的层位自动追踪方法、设备和介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060047429A1 (en) * 2004-08-24 2006-03-02 Adams Steven L Method of estimating geological formation depths by converting interpreted seismic horizons from the time domain to the depth domain
US7613665B2 (en) * 2005-06-24 2009-11-03 Halliburton Energy Services, Inc. Ensembles of neural networks with different input sets
US7525874B2 (en) * 2006-04-21 2009-04-28 Prism Seismic Inc. Method for converting seismic data from the time domain to the depth domain
MY164574A (en) * 2008-05-22 2018-01-15 Exxonmobil Upstream Res Co Seismic horizon skeletonization
GB0820377D0 (en) * 2008-11-07 2008-12-17 Isis Innovation Mapping and characterization of cavitation activity
CN102147479B (zh) * 2011-01-11 2013-05-29 中国海洋石油总公司 一种储层空间物性参数的建模方法
CA2823989C (en) * 2011-01-13 2016-06-28 Landmark Graphics Corporation Method and system of updating a geocellular model
CA2825189C (en) * 2011-01-31 2017-06-20 Landmark Graphics Corporation System and method for using an artificial neural network to simulate pipe hydraulics in a reservoir simulator
CN102565853A (zh) * 2011-12-20 2012-07-11 中国石油集团川庆钻探工程有限公司地球物理勘探公司 对地质构造的速度模型进行建模的方法

Also Published As

Publication number Publication date
AU2012396293B2 (en) 2016-04-21
EP2888606A1 (en) 2015-07-01
CN104884974A (zh) 2015-09-02
CA2890187C (en) 2018-11-06
US20150316673A1 (en) 2015-11-05
WO2014088571A1 (en) 2014-06-12
AU2012396293A1 (en) 2015-03-19
SG11201501141UA (en) 2015-03-30
EP2888606B1 (en) 2019-11-13
MX2015005627A (es) 2016-02-03
CA2890187A1 (en) 2014-06-12
EP2888606A4 (en) 2016-07-27

Similar Documents

Publication Publication Date Title
RU2015110010A (ru) Система и способ для преобразования трехмерных сейсмических данных в глубинную область с использованием искусственной нейронной сети
Koutnik et al. Holocene accumulation and ice flow near the West Antarctic Ice Sheet Divide ice core site
CN105759310B (zh) 复杂非均质储层介质中地震波衰减及速度频散预测方法
CN104459801A (zh) 用于识别断层的相干增强处理方法
US20140336940A1 (en) Estimation of q-factor in time domain
BR112018002905A2 (pt) método para estimar os parâmetros de anisotropia ortorrômbica das camadas de rochas subterrâneas, sistema e meio de armazenamento legível por computador
CN105626023A (zh) 低渗透油藏垂直压裂裂缝方位试井确定方法
CN105607119B (zh) 近地表模型构建方法与静校正量求取方法
CN103245972B (zh) 一种在二维空间内确定复杂地质构造的方法
CN103513278A (zh) 利用地震波组厚度进行储层预测的方法
CN105549082A (zh) 超深碳酸盐储层三维地质力学场建立方法和系统
CN106226841A (zh) 一种河流相三维沉积相模型确定性建模方法
RU2013157446A (ru) Способ размещения поисковых, разведочных и эксплуатационных скважин на месторождениях нефти и газа на основе многовариантных трехмерных геологических моделей
Meckel et al. Offshore CO2 storage resource assessment of the northern Gulf of Mexico
Luo et al. An ensemble-based framework for proactive geosteering
CN104360396B (zh) 一种海上井间tti介质三种初至波走时层析成像方法
EA201390595A1 (ru) Система и способ для получения характеристик в случае неоднозначных решений относительно анизотропных скоростей
CN103777241B (zh) 基于时间域广义Hilbert变换的三维地震资料快速边缘检测方法
EP3887873B1 (en) Implicit property modeling
CN111624651A (zh) 基于古地貌约束的储层预测方法及装置
CN104895554A (zh) 水平井测井数据的深度时间转换方法及装置
CN107765309B (zh) 一种基于垂直地震数据的钻前深度预测方法
CN109613613A (zh) 地层旋回自动识别与转换方法、装置及存储介质
CN108897046B (zh) 远探测声波逆时偏移成像方法及装置
CN104459820B (zh) 多尺度压力场的建立方法

Legal Events

Date Code Title Description
FA94 Acknowledgement of application withdrawn (non-payment of fees)

Effective date: 20180416