یکپارچه سازی لرزه نگاری Prestack و داده های خوب تقویت شده از طریق یادگیری ماشین


ارائه شده توسط:

آرم E&P

یادداشت سردبیر: این مقاله در خبرنامه جدید E&P وجود دارد. مشترک شدن در خبرنامه اینجا


یکی از مقدسات در ژئوفیزیک توسعه ، تخمین خصوصیات سنگ با استفاده از داده های ورود به سیستم و نتایج وارونگی لرزه ای بر روی واحدهای مخزن غیر قابل پیش بینی مانند شیل های تنگ است. حفاری جانبی در یک بازه لکه شیرین انجام می شود که غالباً بیش از 20 فوت ضخامت در عمق حداکثر 10،000 فوت ندارد. با این حال ، در این فاصله ، زمین شناسی می تواند به سرعت متفاوت باشد ، و تغییرات در نوع سنگ یا مخزن اغلب در زیر یا فقط در وضوح لرزه ای.

برای غلبه بر این ، داده های پیش بسته لرزه ای برای پیش بینی خواص الاستیک معکوس می شوند. داده های خوب ، مانند اطلاعات اصلی و سیاهههای مربوط به الکترونیک ، برای ایجاد رابطه بین انواع مختلف سنگ و خصوصیات الاستیک استفاده می شود. سپس این روابط به طرق مختلف بر روی صفات لرزه ای اعمال می شود. اگر آنها ساده باشند ، می توان یک رابطه خطی ایجاد کرد. اگر پیچیده تر باشند ، از یادگیری ماشین و هوش مصنوعی (AI) استفاده می شود. نتیجه یک مکعب سنگی / سنگی سه بعدی است که در انتخاب مکان های چاه و پر کردن چاه ها کمک می کند و ابزاری معتبر برای ژئوستر کردن مسیر جانبی چاه فراهم می کند.

TGS و یکپارچه فناوری زیرسطحی این روش را با استفاده از یک مجموعه داده خشکی از حوضه آنادارکو نشان می دهند.

داده های ورودی

داده های سه بعدی لرزه ای South Gloss در حوضه آنادارکو و 232.5 مایل مربع واقع شده است. همانطور که شکل 1 نشان می دهد ، تعداد بسیار خوبی چاه با صوت و چگالی برای تجزیه و تحلیل در دسترس است.

از نظر تاریخی ، تعداد چاههایی که دارای یک ورودی صوتی و چگالی اندازه گیری شده هستند ، زیاد نیست. غالباً ، این انواع ورود به سیستم فقط در فواصل کوتاه ثبت می شوند ، که معمولاً به سمت منطقه مورد نظر انجام می شوند. در کاربردهای ژئوفیزیک ، صوت و چگالی p و به روشی کمتر حیاتی ، s-sonic ضروری است. این سیاهههای مربوط پیوند اصلی بین اطلاعات خوب و لرزه ای هستند. TGS با استفاده از یک روش تجزیه و تحلیل منحصر به فرد برای تخمین سیاهههای مربوط به صوت و چگالی که در فواصل زمانی بیشتری از دست رفته اند یا اصلاً ثبت نشده اند ، این مشکل را حل می کند. این محصول ARLAS منجر به ارائه چاه بسیار غنی می شود ، همانطور که در شکل 1 نشان داده شده است.

شکل 1. محل و رئوس مطالب South Gloss 3D با محل قرارگیری چاه ها با سیاهههای مربوط به Triple و Quad Combo (در طرح بررسی 834) به تصویر کشیده شده است.  (منبع: TGS)
شکل 1. محل و رئوس مطالب South Gloss 3D با محل قرارگیری چاه ها با سیاهههای مربوط به Triple و Quad Combo (در طرح بررسی 834) به تصویر کشیده شده است. (منبع: TGS)

در شکل های 2a ، 2b و 2c مقایسه ای بین سیاهههای مربوط به صوتی اندازه گیری شده و اندازه گیری شده و برآورد شده در مسیر مشخص شده در حوضه آنادارکو وجود دارد. نمایشگر در مقیاس نیست ، همچنین چاه ها برای ارائه راحت تر از یکدیگر فاصله دارند. سیاهههای مربوط به S-sonic به آسانی در دسترس نبودند.

حوضه پرمیان TGS
شکل 2a نقاط سبز نشانگر چاههای منطقه مورد مطالعه حوضه پرمین است. شکل های 2b و 2c سیاهههای مربوط به صوتی را در امتداد خط بنفش نشان می دهد. (منبع: TGS)
TGS - سیاهههای مربوط به صوتی اندازه گیری شده
شکل 2b سیاهههای مربوط به اندازه صوتی در امتداد خط بنفش نشان داده شده است. (منبع: TGS)
پایگاه داده TGS ARLAS
شکل 2c سیاهههای مربوط به اندازه گیری و برآورد صوتی در امتداد خط بنفش نشان داده می شوند که در پایگاه داده ARLAS یافت می شوند. (منبع: TGS)

روش

برای شروع ، جمع کننده های پیش بسته مهاجرت شده برای وارون سازی مشروط شدند. این تهویه شامل تبدیل رادون به ضربهای میانی ضعیف ، میرایی سر و صدای خطی و تجزیه و تحلیل سرعت باقیمانده است. در طول دامنه جابجایی قابل استفاده ، سه پشته زاویه ای تولید شد. داده های چاه برای اهداف کالیبراسیون و استخراج موجک برای وارونگی استفاده شد. خروجی های اصلی P-speed، S-speed، Vp / Vs، LambdaRho، MuRho هستند و شرکت ها نیز برای تخمین چگالی تلاش کردند.

سیاهههای مربوط به چاههای ARLAS در صورت لزوم ویرایش شدند و سهم معتبری در روند کار داشتند.

بازتاب لرزه ای توسط سرعت و چگالی هدایت می شود. معادله Zoeppritz به طور گسترده ای از انرژی انعکاس پارتیشن ها را به سه جز P-speed ، S-speed و density استفاده می کند. طرح متقاطع Vp – Vs معمولاً برای نشان دادن اینكه این دو م componentsلفه حیاتی لرزه ای سنگ شناسی را متمایز می كنند ، مورد استفاده قرار می گیرد. با استفاده از پارامترهای Lame LambdaRho (عدم قابلیت انعطاف پذیری) و MuRho (سختی) اغلب می توان یک تمیزشناسی سنگین و زیبا را تشخیص داد. تراکم غالباً یک خروجی غیرقابل اطمینان است ، زیرا باید از جبرانهای دور حاصل شود که غالباً قابل استفاده نیستند. استفاده از LambdaRho و MuRho مانع از استفاده از تراکم در پیش بینی سنگ شناسی است. شکل 3 طرح متقاطع LambdaRho – MuRho را در منطقه مورد نظر نشان می دهد و نشان می دهد که واحدهای مختلف سنگی در این فاصله به وضوح در این فضا تفکیک شده اند.

کراس پلات TGS LambdaRho و MuRho
شکل 3. تقاطع LambdaRho و MuRho بیش از فاصله هدف اصلی از داده های log محاسبه می شود. (منبع: TGS)

شکل 4 یک سطح مقطع پشته PSTM در بالا و ویژگی سنگ شناسی LambdaRho – MuRho معکوس را در پایین نشان می دهد. ارتباط خوبی بین صفات و زمین شناسی شناخته شده مشاهده می شود.

پشته PSTM مقطعی TGS و LambdaRho - MuRho
شکل 4. یک سطح مقطع پشته PSTM را در بالا و ویژگی LambdaRho-MuRho را در پایین نشان می دهد. کلید رنگ در شکل 5b نشان داده شده است. (منبع: TGS)

می توان با استفاده از مدل “الکتروفاکتس” که از یک دسته سه تایی سنتی و سیاهههای مربوط به صوت پیش بینی می شود ، پیش بینی کاملتر سنگ شناسی را انجام داد. این مدل را می توان با همبستگی دقیق هسته و ورود به سیستم الکتریکی اصلاح کرد. در این مثال ، از 12 حلقه چاه در سرتاسر بررسی لرزه ای به عنوان ورودی به طبقه بندی الکتروفاژهای شبکه عصبی استفاده شد. سیاهههای مربوط شامل GR ، نوترون ، تراکم ، P-sonic و PE بودند.

در این پروژه ، بخش زمین شناسی مورد علاقه از تجزیه و تحلیل ورود به هفت رخساره مجزا شکسته شد. گام بعدی در این فرآیند شامل پیش بینی شبکه عصبی آن الکتروفاسیسهای مشتق شده با استفاده از چندین لرزه زمین به عنوان ورودی است. سپس یک تابع احتمال از شبکه عصبی نشان داده شد که کیفیت یا اطمینان از پیش بینی رخساره خاصی را نشان می دهد. این امر به ویژه برای تفسیر ارزش محصول مهم است.

در شکل 5a مقایسه ای بین LambdaRho-MuRho سنتی تر و پیش بینی الکتروفاکت ها در همان بررسی بررسی می شود. به توضیحات دقیق در دو جهت عمودی و جانبی توجه کنید. شکل 5b کلید رنگ مربوطه را نشان می دهد. هر دو روش نتایج بسیار خوبی دارند. با این حال ، جزئیات بیشتر در محصول الکتروفاسیس وجود دارد.

پیش بینی سنگ شناسی TGS - LambdaRho – MuRho - سنگ شناسی الکتروفاسیس
شکل 5a پیش بینی سنگ شناسی LambdaRho-MuRho در بالا نشان داده شده و سنگ شناسی الکتروفاسیس در پایین و در امتداد همان خط نشان داده شده است. (منبع: TGS)
کلید رنگی TGS از ویژگی سنگ شناسی
شکل 5b یک کلید رنگ صفت سنگ شناسی را نمایش می دهد. (منبع: TGS)

نتیجه گیری

شناسایی انواع سنگ شناسی / سنگ در فواصل مخزن ، خصوصاً خشکی در انواع مخازن غیرمتعارف ، مطلوب است. در این تجزیه و تحلیل ، TGS و یکپارچه فناوری زیرسطحی نمونه ای از چگونگی دستیابی به این هدف را با تلفیق داده های پیش پشته لرزه ای و داده های خوبی که از طریق یادگیری ماشین افزایش یافته اند ، نشان دادند.

علاوه بر این ، TGS و یکپارچه فناوری زیرسطحی دو نوع مختلف وارونگی سنگ شناسی را بررسی کردند. اولین محصول شامل ویژگی سنگ شناسی LambdaRho-MuRho بود. این یک رویکرد متعارف تر است که از یک کراس پلات LambdaRho MuRho برای شکستن سنگ شناسی های مختلف استفاده می کند. دومین ویژگی پیش بینی سنگ شناسی با استفاده از ویژگی های لرزه ای ، اطلاعات خوب و یادگیری ماشین به دست آمد. هر دو نتیجه خوب است ، اما ویژگی الکتروفیتهای مشتق از شبکه عصبی جزئیات بیشتری را در داخل سنگهای مخزن نشان می دهد.

اگرچه داده های لرزه ای دارای وضوح عمودی و جانبی محدود هستند ، اما نباید فراموش کرد که تمام زمین شناسی در داده های پیش انبار قرار دارد و می توان تنوع کانسارها را با استفاده از شکل موج های لرزه ای تشخیص داد. وارونگی Prestack با استفاده از تجزیه و تحلیل موجک مناسب و یک رویکرد دقیق شبکه عصبی شامل مقیاس لرزه ای و مقیاس لرزه ای است و می تواند نتایجی را ارائه دهد که با جزئیات بسیار زیاد تنوع جانبی سازند را شناسایی کرده و تقاضای رزولوشن عمودی را کاهش می دهد تا درک واقعی تری از تشخیص عمودی داشته باشد.

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>