加速地震域使用人工智能转换

地震数据是E&P行业关键组件精确测量次表参数通常通过井喷记录获取让我们研究这两类数据的差异

水深数据记录,但空间有限,而地震数据覆盖度相对较大,通常覆盖全场但由于地震数据记录时间域内, 这使得域转换地震数据成为精密规划水井和估计田域储量和业务价值的关键构件

速度建模证明是震域转换方法(即时间深度),然而,它需要广泛的专题专业知识和复杂工作流程。不仅如此,还有可能在工作流期间向模型注入不确定性。

数据驱动人工智能和机器学习解决方案可在整个算法学习阶段复制最有效果和效率程序解决这些不确定性这有助于确保最优深度转换地震数据有趣的是,这一方法不要求速度模型转换地震数据,因为转换发生在跟踪到跟踪样本层次上。

这一新方法只需要小块时间和深度领域 地震数据内训练算法方法背后的假设是,当深度转换地震数据用井水拉校正验证时,地质学在训练区外没有显著变化,最重要的是,两种地震数据质量相同。

地质显示严重横向变异超出训练区,需要额外训练集实现精确转换

简单域转换复杂假想

数据驱动方法从培训区开始,培训区占总面积(容量)的10-20%其余80-90%面积可称测试区地震数据规范化时间和深度域震后例行数据预处理和数据清洗数个地震属性下一步计算,并基于域知识选择属性表示子表最佳声速变异工作流中最关键部分称为跟踪匹配-这需要时间地震跟踪和深度地震跟踪匹配开发一种独有算法执行这一步使用高级计算技巧和机器学习概念

下图(图1)算法相当可靠地处理追踪指数匹配挑战完成此步后算法准备学习深度转换时间表示震性ML建模特征有助于连接子表层速度变异

图1跟踪匹配算法

减少域转换工作流周期周数到小时数

这种方法还利用故障多边形作为数据泄漏控制工具构建高故障或推力地质模型可能相当富有挑战性,即使复杂假想,这种AI驱动解决方案也可以被视为有效工具

结果显示ML驱动域转换的变异与传统速度模型域转换相比保持在+/-5%内同时工作流周期时间从周减时

概括地说,AI驱动震域转换法为传统模型提供了强效替代法创新技术保持一致性,并确保组织内部的最佳做法近实时实施,供具有相似地质特征的其他数据集使用。解决方案也是云原生型,可用于震前域转换和阵后域转换模型复制后,通过最佳做法产生的结果有助于减少歧义并实现更高的业务价值