Машинное обучение
- Особенности использования методов машинного обучения для обработки и анализа сейсмических данных:
- Автоматизация ручных процедур обработки;
- Поиск скрытых (нелинейных) связей;
- Обработка больших объемов данных;
- Автоматизация контроля качества.
Нашей командой разработаны модули для контроля качества и автоматической обработки сейсморазведочных данных.
ИИ в обработке данных
Мы предлагаем модуль автоматического определения времен первых вступлений для данных со взрывным и вибрационным типами источника. Для решения задачи используется нейронная сеть со свёрточной архитектурой. С точки зрения постановки задачи для нейронной сети решается классификации участков сейсмической трассы. На вход алгоритма подаётся сейсмическая траса (одноканальный сигнал). Результатом работы алгоритма является трёхканальный сигнал: 1) класс “шум”, состоящий из 0 и 1; 2) класс “вступление”; 3) класс “сигнал после вступления”. Модуль включает в себя следующие процедуры: 1) чтение данных (segy, segd); 2) предварительная обработка данных (нормализация); 3) потрассная “пикировка”; 4) автоматический контроль качества полученных времен прихода. Модуль представляет собой вычислительную библиотеку на языке Python.
Публикации:
1. Loginov G. N. et al. Convolution neural network application for first‐break picking for land seismic data //Geophysical Prospecting. – 2022. – Т. 70. – №. 7. – С. 1093-1115.
Публикации:
1. Loginov G. N. et al. Convolution neural network application for first‐break picking for land seismic data //Geophysical Prospecting. – 2022. – Т. 70. – №. 7. – С. 1093-1115.
Тестирование на реальных данных (Mobil AVO viking graben line 12)
Сейсморазведка методом отраженных волн (МОВ) является ключевым методом изучения структуры осадочных бассейнов. Помимо полезных волн в сейсмической записи присутствуют волны-помехи. К интенсивным помехам относятся кратные волны. Наличие кратных волн приводит к появлению ложных границ на сейсмическом разрезе. Поэтому подавление подобных помех является важной процедурой в обработке сейсморазведочных данных.
Мы используем собственный алгоритм адаптивного вычитания кратных отраженных волн с помощью сверточной нейронной сети. Алгоритм является одним из основных этапов в методе подавления кратных отраженных волн, основанном на разделении волновых форм в области Радона. Использование преобразования Радона позволяет разделить интерферирующие волны по кривизне. Таким образом, все целевые отражения (спрямленные волновые формы) должны быть сконцентрированы в области с низким значением кривизны, а кратные отражения (недо- или переспрямленные) должны быть в области с большими значениями кривизны.Использование сверточной нейронной сети позволило автоматизировать и ускорить процедуру адаптивного вычитания.
Тестирование алгоритма проводилось на синтетических данных и показало эффективную адаптацию кратных волн, а также важность корректного построения модели кратных отраженных волн.
Публикации:
1. Камашев А.М., Дучков А.А. Применение машинного обучения для адаптивного вычитания кратных отраженных волн. Геофизические технологии. 2023;(1):54-65.
Сейсморазведка методом отраженных волн (МОВ) является ключевым методом изучения структуры осадочных бассейнов. Помимо полезных волн в сейсмической записи присутствуют волны-помехи. К интенсивным помехам относятся кратные волны. Наличие кратных волн приводит к появлению ложных границ на сейсмическом разрезе. Поэтому подавление подобных помех является важной процедурой в обработке сейсморазведочных данных.
Мы используем собственный алгоритм адаптивного вычитания кратных отраженных волн с помощью сверточной нейронной сети. Алгоритм является одним из основных этапов в методе подавления кратных отраженных волн, основанном на разделении волновых форм в области Радона. Использование преобразования Радона позволяет разделить интерферирующие волны по кривизне. Таким образом, все целевые отражения (спрямленные волновые формы) должны быть сконцентрированы в области с низким значением кривизны, а кратные отражения (недо- или переспрямленные) должны быть в области с большими значениями кривизны.Использование сверточной нейронной сети позволило автоматизировать и ускорить процедуру адаптивного вычитания.
Тестирование алгоритма проводилось на синтетических данных и показало эффективную адаптацию кратных волн, а также важность корректного построения модели кратных отраженных волн.
Публикации:
1. Камашев А.М., Дучков А.А. Применение машинного обучения для адаптивного вычитания кратных отраженных волн. Геофизические технологии. 2023;(1):54-65.
Пример пикирования отражающих горизонтов в системе W-Seis
Инструмент автоматической пикировки горизонтов используется для построения структурной модели месторождения. Результатом работы инструмента являются карты отражающих границ (время\глубина). Карты используются для первичной оценки перспектив нефтегазоности и являются основой для проведения динамической интерпретации. Инструмент может быть разработан как на основе стандартных подходов, так и на основе нейросетевых подходов.
Инструмент автоматической пикировки горизонтов используется для построения структурной модели месторождения. Результатом работы инструмента являются карты отражающих границ (время\глубина). Карты используются для первичной оценки перспектив нефтегазоности и являются основой для проведения динамической интерпретации. Инструмент может быть разработан как на основе стандартных подходов, так и на основе нейросетевых подходов.
Пример пикирования разрывного нарушения в W-Seis
Инструмент автоматической пикировки разрывных нарушений используется для построения структурной модели месторождения. Результатом работы инструмента являются треки разрывных нарушений в пространстве (X, Y, время или глубина). Треки используются для первичной оценки перспектив нефтегазоности и оценки тектонической обстановки района исследования. Инструмент может быть разработан как на основе стандартных подходов, так и на основе нейросетевых подходов.
Инструмент автоматической пикировки разрывных нарушений используется для построения структурной модели месторождения. Результатом работы инструмента являются треки разрывных нарушений в пространстве (X, Y, время или глубина). Треки используются для первичной оценки перспектив нефтегазоности и оценки тектонической обстановки района исследования. Инструмент может быть разработан как на основе стандартных подходов, так и на основе нейросетевых подходов.
Пример расчет атрибута «RMS-амплитуда»
Сейсмические атрибуты используются для прогноза распространения фаций и фильтрационно-емкостных свойств (через корреляционные связи со скважинными данными). Используются в качестве инструмента качественной интерпретации данных.
Сейсмические атрибуты используются для прогноза распространения фаций и фильтрационно-емкостных свойств (через корреляционные связи со скважинными данными). Используются в качестве инструмента качественной интерпретации данных.
Выделение фаций инструментом ML-toolbox на основе карт атрибутов
Нейросетевой инструмент сейсмофациального анализа используется для построения связей по множеству атрибутов. Существенно упрощает задачу соотношения атрибутов различного типа для интерпретатора. Используются в качестве инструмента качественной интерпретации данных.
Нейросетевой инструмент сейсмофациального анализа используется для построения связей по множеству атрибутов. Существенно упрощает задачу соотношения атрибутов различного типа для интерпретатора. Используются в качестве инструмента качественной интерпретации данных.
Пример акустической инверсии
Алгоритмы сейсмической инверсии (акустическая, синхронная, упругая) позволяют перейти от сейсмического разреза к упругим характеристикам среды. Результатом работы алгоритмов является разрез (куб) упругих свойств на основе которого проводится количественная интерпретация данных. Дополонительно в алгоритмы включена процедура извлечения сейсмического импульса.
Алгоритмы сейсмической инверсии (акустическая, синхронная, упругая) позволяют перейти от сейсмического разреза к упругим характеристикам среды. Результатом работы алгоритмов является разрез (куб) упругих свойств на основе которого проводится количественная интерпретация данных. Дополонительно в алгоритмы включена процедура извлечения сейсмического импульса.
Автоматизация этапов интерпретационного сопровождение обработки (ИСО)
Пример автоматической кластеризации
Инструмент направлен на выделение кластеров по картам сейсмических атрибутов, а нализирующихся на этапе приемки данных. Работа инструмента кластеризации сейсмограмм основана на использовании нескольких методов машинного обучения. Непосредственно перед кластеризацией карты сейсмических атрибутов обрабатываются и подвергаются сжатию или понижению размерности до 2, процедура выполняется с помощью алгоритма Uniform Manifold Approximation and Projection (UMAP) (McInnes et al., 2018). Непосредственно разделение всех точек на классы происходит либо в автоматическом режиме методами KMeans (Ostrovsky R. et al., 2013) и DBscan или в ручном режиме с помощью инструмента «лассо».
Инструмент направлен на выделение кластеров по картам сейсмических атрибутов, а нализирующихся на этапе приемки данных. Работа инструмента кластеризации сейсмограмм основана на использовании нескольких методов машинного обучения. Непосредственно перед кластеризацией карты сейсмических атрибутов обрабатываются и подвергаются сжатию или понижению размерности до 2, процедура выполняется с помощью алгоритма Uniform Manifold Approximation and Projection (UMAP) (McInnes et al., 2018). Непосредственно разделение всех точек на классы происходит либо в автоматическом режиме методами KMeans (Ostrovsky R. et al., 2013) и DBscan или в ручном режиме с помощью инструмента «лассо».
Пример анализа извлеченного импульса
Разрабатываемый инструмент направлен на автоматическое получение характеристик извлекаемого импульса и корреляции трасс. В основе инструмента лежит алгоритм извлечения импульса с использованием скважинной информации (детерминистический) (Cui, Margrave ,2014) с последующей корреляцией синтетической и реальной сейсмической трассы. Выходные данные: набор визуализация для анализа привязки, таблица численных метрик, характеризующих качество привязки и АЧХ импульса.
Разрабатываемый инструмент направлен на автоматическое получение характеристик извлекаемого импульса и корреляции трасс. В основе инструмента лежит алгоритм извлечения импульса с использованием скважинной информации (детерминистический) (Cui, Margrave ,2014) с последующей корреляцией синтетической и реальной сейсмической трассы. Выходные данные: набор визуализация для анализа привязки, таблица численных метрик, характеризующих качество привязки и АЧХ импульса.
Инструмент позволяет оценивать поворот фазы сейсмического импульса на всей исследуемой площади. В основе работы инструмента лежит сравнение синтетической трассы с заданным поворотом фазы и реальной трассой из сейсмического куба. Трассы сравниваются в небольшом окне вокруг целевого горизонта. Выходными данными становятся: карта коэффициентов корреляции синтетической и реальной сейсмических трасс, карта углов поворота фазы сейсмического импульса, таблица численных метрик характеризующих распределение атрибутов на выходных картах.
Пример сравнения амплитуд на основе синтетической сейсмограммы
Инструмент направлен на анализ AVO с целью идентификации «провалов» на ближних удалениях, а также сопоставления AVO – характеристик по целевому ОГ с теоретическим распределением на уровне тренда. В основе лежит аппроксимационный подход расчета коэффициентов отражения (Richards, 1980). Выходные данные: набор графики для визуального анализа AVO распределений, таблица численных метрик, характеризующих качество совпадения реального распределения с теоретическим в точке скважины.
Инструмент направлен на анализ AVO с целью идентификации «провалов» на ближних удалениях, а также сопоставления AVO – характеристик по целевому ОГ с теоретическим распределением на уровне тренда. В основе лежит аппроксимационный подход расчета коэффициентов отражения (Richards, 1980). Выходные данные: набор графики для визуального анализа AVO распределений, таблица численных метрик, характеризующих качество совпадения реального распределения с теоретическим в точке скважины.
Пример анализа импульсов для разных наборов сумм
Инструмент позволяет оценить качество извлекаемых импульсов для набора угловых сумм. В основе инструмента лежит алгоритм извлечения импульса с использованием скважинной информации (детерминистический). Далее рассчитывается набор численных метрик, позволяющий оценить тенденцию изменения параметров импульса в зависимости от интервала углов суммирования. Выходные данные: извлеченные импульсы, набор графики, таблица численных метрик, позволяющих оценить АЧХ импульсов и динамику их изменения в зависимости от угла суммирования.
Инструмент позволяет оценить качество извлекаемых импульсов для набора угловых сумм. В основе инструмента лежит алгоритм извлечения импульса с использованием скважинной информации (детерминистический). Далее рассчитывается набор численных метрик, позволяющий оценить тенденцию изменения параметров импульса в зависимости от интервала углов суммирования. Выходные данные: извлеченные импульсы, набор графики, таблица численных метрик, позволяющих оценить АЧХ импульсов и динамику их изменения в зависимости от угла суммирования.
Пример оценки зависимости карт изохрон от рельефа
Инструмент позволяет автоматически оценивать горизонты, с точки зрения наличия кинематических аномалий и корреляции с поверхностными условиями. В основе инструмента лежат следующие критерии: 1) вариативность значений Т0 горизонтов относительно общего тренда, горизонт должен быть гладким, в некоторых случаях горизонтальным, 2) отсутствие корреляции с картами поверхностных условий (реки, болота, пески и тд.). Выходные данные: карты отклонения горизонтов от гладкого тренда, таблица численных метрик, позволяющих оценить отклонение горизонтов от тренда и степень корреляции с картами поверхностных условий.
Инструмент позволяет автоматически оценивать горизонты, с точки зрения наличия кинематических аномалий и корреляции с поверхностными условиями. В основе инструмента лежат следующие критерии: 1) вариативность значений Т0 горизонтов относительно общего тренда, горизонт должен быть гладким, в некоторых случаях горизонтальным, 2) отсутствие корреляции с картами поверхностных условий (реки, болота, пески и тд.). Выходные данные: карты отклонения горизонтов от гладкого тренда, таблица численных метрик, позволяющих оценить отклонение горизонтов от тренда и степень корреляции с картами поверхностных условий.
Пример оценки вертикальных динамических аномалий
Инструмент позволяет оценить устойчивость амплитудных характеристик сигнала во временной области и вариативность значений амплитудного спектра в FX области. Результатом становятся карты распространения амплитудных аномалий. Выходные данные: графика и таблица численных метрик, позволяющих сравнить переданные кубы с точки зрения наличия вертикальных динамических аномалий.
Инструмент позволяет оценить устойчивость амплитудных характеристик сигнала во временной области и вариативность значений амплитудного спектра в FX области. Результатом становятся карты распространения амплитудных аномалий. Выходные данные: графика и таблица численных метрик, позволяющих сравнить переданные кубы с точки зрения наличия вертикальных динамических аномалий.