Unconventional Plays'teki Komplek Seismic Data'yı Yorumlamanın Meydanlaştırılması

Geleneksel rezervuarlardan çok farklı davranan hidrokarbonlar, subsurface görüntüleme için birincil araç olarak kalır, ancak geleneksel olmayan hedeflerle ilgili olarak incelenebilirlik boşlukları, düşük hacimli kaya özellikleri, geleneksel olmayan yöntemlerle yorumlanması zorlanır.

Neden Derin Öğrenme Fits Seismic Interpretation

Derin öğrenme, çok katmanlı sinir ağları üzerine kurulu bir makine öğrenimi, yüksek boyutlu alanlarda verinin nerede yaşadığını görevlerde başarır - senaryoda milyonlarca veya milyarlarca voxels içeren sismik çalışmalarla karşılaşılır. Klasik makine öğrenme modellerinden farklı olarak, el sanatları, korelasyon, eğrilik, korelasyon, narsisistik ağlarda doğrudan doğrulayıcılar tarafından yorumlanırken, özellikle de görsellemeler için analiz edilir.Bu tür analizler için özellikle de zamansal olmayan oyunlarda, özellikle de sayısal olmayan yorumlarda bulunur.

Data-Driven Paradigm Shift

Tarihsel olarak, sismik yorum, kural tabanlı algoritmaları ve uzman heuristics. Deep learning şu modeli döndürür: bilgisayara bir hatanın neye benzediğini söylemek yerine, binlerce hata örneği gösteriyoruz ve ağın istatistiksel imzayı öğrenmesi mümkün olduğunu gösteriyoruz.Bu paradigma değişikliği büyük, etiketli 3D sismik veri kümeleri olgun baskilerden ve derin bir ağlatma hatlarında daha fazla ilerlemeler sağlayarak, bu daimsel olmayan bir şekilde güncellenebilir.

Seismic Data için Temel Derin Öğrenme Mimarileri

Çeşitli sinir ağ mimarisi, sismik veri yorumlarının farklı yönleri için etkili kanıtlamıştır.Seçim, görevin doğasına ve girişin boyutsallığa bağlıdır.

Convolutional Neural Networks (CNNs)

CNN, sismik görüntülerde yer alan uzaysal desen tanıma için iş birliğidir. 2D formda, dikey dilimlere veya zaman dilimlerine uygulanabilirler; 3D form (3D CNNs), tam hacimsel yamalar analiz ederler. CNNs, giriş boyunca kaydırıcı küçük 3D yamalar kullanır, öğrenme hierarşik filtreler - karmaşık metinsel desenlere basit kenarlardan, sefilli arama algılamalar için otomatik hata tespiti içerir.

Recurrent Neural Networks (RNNs) ve Temporal Modeller

Eşitsiz veriler için - dikey sismik profil (VSP) dalgaformları, zaman süresi (4D) sismik farklılıklar veya her derinlik örneğinin iletişim kurmadığı yerlerdeki yörüngeler (LSTM, GRU) daha uygun olduğu için uygulanır. RNNs, sürekli bağımlı bir durumdur ve her türlü sismik olmayan sistemlerden elde etmek için yararlı hale getirir.

Autoencoders for Denoising and Feature Ekstraksiyon

Autoencoders, küçük ve koherent gürültüyü (örneğin, zemin roll, çoklu) ince yansıma olayları kaybetmeden sonra girişlerini yeniden inşa etmeyi öğrenen gözetimsiz veya denetimsiz ağlardır.Bu güçler ağ, sismik veri sınıflandırması için de kullanılabilir.In sismik işlem, denoising autoencoders can remove random and coherent noise (e.g., zemin roll, multiples) Bu türlerine karşılaştırıldığında, düşük seslendirmek için zayıf bir şekilde optimize edilebilir bir şekilde kullanılabilir.

Generative Adversarial Networks (GANs)

GANs, sentetik veri ve sahte bir satın alma parametrelerini ortak bir alana ayırmaya çalışan bir diskriminatörünü oluşturan bir jeneratör ağından oluşur.Sokaksal olmayan kaynak değerlendirmesinde, GAN'lar, sınırlı bir eğitim modeli için bilinen genetik sismik yamalar tahmin etmek için önerilir, ancak bu aynı zamanda aktif bir araştırma alanı olarak elde edilen sismik hacimler.

Unconventional Exploration

Derin öğrenme, tüm önemsiz keşif iş akışı boyunca, basin taramadan optimizasyona kadar kullanılır. Aşağıdaki bölümler en etkili uygulamaları özetliyor.

Hata ve Fracture Tespit

Doğal ve indüklenen kırıklar, betonaratorlarda permeability in shale rezervuarlarda kontrol edilebilir. Derin öğrenme modelleri hem büyük hata bölgeleri hem de sismik özelliklerden ince kırık ağlarını tespit edebilir. CNNs el seçmeli hata etiketlerinin insan bir araya gelmesiyle ilgili olarak elde edilen 12. Bu hacimler, daha sonra da yüksek iniş için yüzeyleri belirlemek için eklenmiş bölgeleri tanımlamak için kullanılır.

Lithofacies Sınıf ve Rock Property Prediction

Geleneksel rezervuarlar genellikle heterojen interbeddedler, karbonatlar ve silikler. Derin öğrenme sismik fasılları litholojik birimlere sınıflandırmak (örneğin, organik-zenfeksiyon, karbonat teller, bentonit tabakalar) ve her voxel’in ilişkili olduğunu tahmin ederek, gelişmiş bir yüzeysel çerçeveyi tanımlayan 3D CNN kullanır.

Ufuk Yorumu ve Salt Geometry

Kombinasyon olmayan bazins'leri almak, bazı tohum noktalarından sismik yansımaları takip etmek için CNN'leri kullanmak zor olabilir. Bu algoritmaların gürültüye dayanıklı ve boşluğa karşı aşırı derecede fazlapolate olmaları zor olabilir. Benzer şekilde, tuz vücut yorumu - Meksika geometrisini anlamak için CNN'leri otomatik olarak U-Net tarzı mimarileri kullanarak, yüksek çözünürlüklü segmentasyon maskelerini öğrenmek için otomatik olarak kullanılır.

Tatlı Spot Tanım ve Arazileme Bölgesi Optimizasyonu

“Sweet spot”ı tanımlamak - en yüksek hidrokarbon potansiyeli olan bölge - birden fazla jeofizik ve petrofizik parametresini entegre etmek. Derin öğrenme modelleri sismik özellikleri, sabit bir kaya özelliklerini ve daha sonra bir performans indeksini üretmek için iyi bir kayıt verileri kullanabilir. Örneğin, tamamen bağlantılı bir ağ, sismik, sert öğrenme yöntemlerinden elde edilen 20-30 artışını (toplayıcı) tahmin etti.

Data Hazırlık, Eğitim Stratejileri ve Pitfalls

Deprem verileri için başarılı derin öğrenme, dikkatli veri düzeltme gerektirir. Etiket kalitesi (örneğin, küçük etiketli bir hata, daha geniş bir alanda piyonel hataların yaratılması için kullanılır) ve ayrıca basit bir şekilde incelenebilir. Transfer öğrenme aynı zamanda yaygın; büyük bir CNN pre-eğitimli yaklaşımları genellikle kabul edilebilir: tren, Hollanda F3 bloku üzerinde ilk bir paket, daha küçük bir araştırma ile etiketlenmiş bir şekilde 10 yardımcı olmak için yasal olarak.

Etiketleme ve Kalite Kontrol

Türlü sismik veriler uzman geoscientists gerektirir, bu pahalı. Hata tespiti için, tercümanlar genellikle kesit ve zaman-slice görüşlerinde hata alır; bu seçiciler daha sonra ikili etiketlerine hacimsel olarak dağıtılır.Relamenter önyargı gerçek bir konudur - farklı geoscientists farklı yerlerdeki izlerini hafifleterek sismik olarak ilişkilendirilir.

Geçerlilik ve Belirsizlik Sayımı

Ortak bir tuzak aşırı derecede tutarlıdır, çünkü komşu voxels in sismik küpler genelleme için 3DDD'ler çok korelasyona yol açabilir, rastgele tren destekli bölmeler veri sızıntısına yol açabilir - model her iki sette benzer bir şekilde görünüyor, çünkü uygulamada benzer arama yamaları görür, derin bir öğrenme hacmi belirgin bir şekilde yanlış yorumlanır ve genelleştirmeye rehberlik eden tüm 3DDDDörtündeki baskı yöntemlerine odaklanır.

Zorluklar Özel Olmayan Kaynak Keşfetlerine

Başarılara rağmen, geleneksel olmayan oyunlarda derin öğrenme kabul edilir. Önemli bir meydan okuma, etiketli verilerin kıvrımlarıdır: onlarca metre boyunca dikey çözüm var, anahtar kontrol edici gölge verimliliği (örneğin, ince argillace katmanları ile her biri, mikro-raktaliteler) altında eğitim gören diğer bir konu da bu baskı özelliklerini ele geçiremez.

C ⁇ maliyeti pratik bir bariyer olarak kalır. 500-km[[DÜ:0)3) Araştırma, çok-GPU kümesinde günler sürebilir ve tam hacimler için özel olarak tasarlanmış hafif mimariler. Cloud Computing bunu daha erişilebilir hale getirdi, ancak daha küçük operatörler model sıkıştırma tekniklerini araştırıyor (örneğin, bilgi kesintisi, niceleme) ve hafif mimarileri.

Fiziksel Kıtlamalar Bütünleme

Saf veriye dayalı derin öğrenme, jeolojik olarak gerçekçi olmayan sonuçlar üretebilir - örneğin, bilinen bir fiziğin (örneğin, dalga yayılımı denklemleri, kaya fizik ilişkileri) ile sınırlı olan bir araştırma alanı anlamına gelebilir.Bu, önceden belirlenmiş olmayan bir dizileri takip eden normalleştirme koşullarını da tahmin edebilir.

Future Outlook: Gerçek Zaman İşleme ve Çok-Physics Entegrasyon

Deprem yorumundaki derin öğrenme için bir sonraki sınır, satın alma sırasında gerçek zamanlı işlemdir. Edge Computing devices düşük güç sinir ağ hızlandırıcıları otomatik hata tespitini ve kalite kontrolünü sismik gemi veya arazi mürettebatı verileri elde edebilir, hemen geri ödeme hatlarına izin verir.

Başka bir umut verici yön, sismik verilerin diğer geofizik ve mühendislik verileri ile füzyonudur -mik izleme, iyi başlı baskılar, üretim oranları - en derin öğrenme modellerini tahmin eden birleştirilmiş derin öğrenme modelidir (örneğin, dikkat mekanizmaları ve salimler) ile, geoscientists bu kara-kutsal özellikleri birleştiren, endüstride daha fazla kabul edilen% 40 oranında hızlandıracaktır.

Wikilexs'in belirli metodolojileri hakkında daha fazla okuma için, araştırmaların analiz edilmesi için kullanılan temel bilgiler (SEG) tarafından yapılan kapsamlı bir çalışmadır.[Döneticileri, bilgi analizi için kullanılan yöntemlere göre, aşağıdakiler için geçerli değildir.)[Döneticileri açık-vardır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Derin öğrenme algoritmaları temel olarak önemsiz kaynak aramaları için sismik yorumları değiştirdi. Hata tespiti, facies sınıflandırması ve mülkiyet tahmini, Explorers'ın sabit ağlarla ve hızla ilgili olarak işlem yapmasına olanak sağlar. Başarının anahtarı, uzaysal olmayan sondajlar için hesap veren doğrulayıcı enerji şirketlerini daha da kilidini açmak için gereken önemli bir yöntemdir.