La sfida di Interpretare i dati sismici complessi in giochi non convenzionali

I sistemi di rilevamento delle acque reflue e di controllo delle acque reflue, che sono stati utilizzati per la protezione delle acque reflue, sono stati utilizzati per la protezione delle acque reflue, e per la loro igiene, la loro igiene e la loro salute sono stati utilizzati per la protezione dei dati.

Perché l'apprendimento profondo si adatta all'interpretazione sismica

I dati relativi all'apprendimento approfondito, che si basano su reti neurali multistrato, eccelleno in attività in cui i dati di input vivono in spazi ad alta dimensione, in modo evidente lo scenario incontrato con volumi spaziali che contengono milioni o miliardi di voxels.

Il cambio di Paradigm azionato

L'interpretazione sismica si basa su algoritmi basati su regole e euristica esperta. L'apprendimento approfondito fa capo a quel modello: invece di raccontare al computer quale difetto sembra, lo mostriamo migliaia di esempi difetti e lasciamo che la rete apprenda la firma statistica. Questo cambiamento di paradigma è stato abilitato dalla disponibilità di grandi, etichettati 3D dataset sismici da bacini maturi e dai progressi nel calcolo della GPU che rendono possibile la formazione di reti di elaborazione di elaborazione di elaborazione di profondità fattibilità.

Architettura di apprendimento profondo core per i dati sismici

Diversi architetture di rete neurali hanno dimostrato efficacia per diversi aspetti dell'interpretazione sismica dei dati. La selezione dipende dalla natura del compito e dalla dimensione dell'input.

Reti neurali convoluzionali (CNN)

In forma 2D, possono essere applicati a fette verticali o fette di tempo; in forma 3D (3D CNN), analizzano le patch totali volumetriche. Le CNN utilizzano i kernel convoluzionali che si distraggono attraverso l'ingresso, imparando i filtri gerarchici, dai bordi semplici ai modelli testuali complessi.

Reti neurali ricorrenti (RNN) e Modelli Temporali

Per i dati sequenziali, come le forme d'onda del profilo sismico verticale (VSP), le differenze sismiche time-lapse (4D), o le curve ben ordinate – RNN e le loro varianti di spazio (LSTM, GRU) sono più appropriate.

Autoencoders per l'estrazione e la funzione di denoising

Le autovetture sono reti non supervisionate o autosuperviste che imparano a ricostruire il loro input dopo aver attraversato uno strato di collo di bottiglia. Questo costringe la rete a identificare le caratteristiche più salienti dei dati. In elaborazione sismica, autoencoders denoising possono rimuovere il rumore casuale e coerente (ad esempio, rotolo di terra, multipli) senza perdere gli eventi di riflessione sottile.

Reti adversariali Generative (GAN)

I GAN sono costituiti da una rete di generatori che crea dati sintetici e da un discriminatore che cerca di distinguere il reale dal falso. In interpretazione sismica, i GAN sono utilizzati per l'aumento dei dati, generando realistici patch sismici sintetici con le etichette conosciute per integrare i dataset di formazione limitata. Possono anche eseguire l'adattamento del dominio, traducendo i volumi sismici acquisiti con diversi parametri di acquisizione in un dominio comune.

Applicazioni chiave nell'esplorazione non convenzionale

L'apprendimento approfondito viene utilizzato attraverso l'intero flusso di lavoro di esplorazione non convenzionale, dalla proiezione del bacino all'ottimizzazione dei completamento.

Rilevazione di guasti e fratture

I modelli di apprendimento profondo possono rilevare sia le grandi zone di guasto che le reti di frattura sottile degli attributi sismici. Le CNNs addestrate sulle etichette difetti a mano hanno raggiunto un'intersezione media rispetto ai punteggi di unione (IoU) superiori a 0,85 su indagini sismiche di benchmark.

Lithofacies Classificazione e Predizione Proprietà Roccia

I serbatoi non convenzionali sono spesso costituiti da ombre interbedded eterogenee, carbonati e silicati. L’apprendimento approfondito può classificare le favole sismiche in unità litologiche (ad esempio, shale ricco di organici, stringhe di carbonato, strati di bentonite) attraverso modelli di apprendimento da pozzetti che sono stati correlati a strati sismici.

Interpretazione orizzontale e Geometria del sale

I metodi di autotracking di apprendimento profondo usano le CNN per seguire i riflettori sismici imparando la dip locale e la continuità laterale da alcuni punti di seme. Questi algoritmi sono robusti a conversione del rumore e possono estrapolare con fiducia attraverso le lacune.

Identificazione e ottimizzazione delle zone di atterraggio

Identificare il “punto debole” – la zona con il più alto potenziale di idrocarburi – richiede l’integrazione di parametri geofisici e piefisici multipli. I modelli di apprendimento profondo possono fondere attributi sismici, proprietà rocciose invertite e dati di registro per produrre un unico volume di indice di rischio composito. Ad esempio, una rete completamente collegata potrebbe prendere come input un insieme di attributi di orizzonte (spesso, TOC derivato da un’altezza di probabilità di atterraggio di atterraggio di atterraggio di prossimità, di velocità, velocità, velocità, velocità di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio di atterraggio

Preparazione dei dati, strategie di formazione e cadute

L'apprendimento approfondito di successo per i dati sismici richiede un'attenta cura dei dati. La qualità delle etichette (ad esempio, errori selezionati a mano, facies del registro) controlla direttamente l'accuratezza del modello. Per i giochi non convenzionali, dove i dati del nucleo possono essere limitati, i professionisti spesso adottano approcci semi-supervisivi: formare una rete iniziale su un piccolo set di dati etichettati, quindi usarli per generare pseudo-label su un'area più ampia evoluta.

Etichettatura e controllo qualità

Per individuare i guasti, gli interpreti tipicamente scelgono i difetti su una sezione trasversale e sulla vista della velocità; questi pick sono poi volumetizzati in etichette binarie.

Validazione e quantificazione dell'incertezza

Poiché i voxel vicini nei cubi sismici sono altamente correlati, le divisioni casuali di prova del treno possono portare alla perdita di dati, il modello sembra eseguire bene perché vede simili cerotti in entrambi i set.

Sfide specifiche per l'esplorazione delle risorse non convenzionali

Nonostante i successi, l'adozione di un apprendimento approfondito in giochi non convenzionali è in grado di affrontare ostacoli. Una delle principali sfide è la scarsità di dati etichettati: molti bacini non convenzionali hanno solo pochi pozzi di calibrazione, ciascuno con dati di core e log limitati. L'apprendimento di trasferimento da impostazioni convenzionali non può funzionare bene perché il carattere sismico differisce.

Il costo computazionale rimane una barriera pratica. Formazione di una CNN 3D su un cluster di 500-km3] può richiedere giorni su un cluster multi-GPU, e l'inferenza sul volume completo richiede anche risorse significative.

Integrazione di vincoli fisici

L'apprendimento approfondito basato sui dati puro può produrre risultati geologici, ad esempio, predire un difetto che attraversa uno strato stratigrafico che dovrebbe essere continuo. L'integrazione dei vincoli fisici nell'architettura di rete o nella funzione di perdita è un'area di ricerca attiva.

Prospettive future: elaborazione in tempo reale e integrazione multi-Physics

La prossima frontiera per l'apprendimento approfondito nell'interpretazione sismica è il processo in tempo reale durante l'acquisizione. I dispositivi di calcolo Edge con acceleratori di rete neurali a bassa potenza potrebbero eseguire il rilevamento automatico dei guasti e il controllo della qualità, poiché il vascello sismico o l'equipaggio di terra acquisiscono i dati, consentendo la riacquisizione immediata di linee di scarsa qualità.

Un'altra direzione promettente è la fusione di dati sismici con altri dati geofisici e ingegneristici, il monitoraggio microsismo, le pressioni della testa, i tassi di produzione, in un modello di apprendimento profondo unificato che prevede l'efficacia dei completamento.

Per ulteriori informazioni su metodologie specifiche, la Società di Esplorazione Geofisica (SEG) ha pubblicato numerosi studi di casi nella sua rivista Interpretazione[FLT: 1]], compresi i dati di apprendimento approfondito di riferimento per il rilevamento dei guasti.

Conclusioni

Per l'esplorazione delle risorse non convenzionali, l'analisi dei guasti, la classificazione delle facies e la previsione della proprietà, consente agli esploratori di elaborare volumi sismici su scala con obiettività e velocità. La chiave per il successo è l'etichettatura dei dati, la selezione dei modelli appropriati e le strategie di validazione che rappresentano la correlazione spaziale.