Multivariate Seismic Pattern Recognition And Kohonen Maps Applied A Deepwater Turbidite Reservoir In Campos Basin, Brazil

Johann, Paulo; Ribet, Bruno de

doi:10.3997/2214-4609-pdb.215.sbgf314

Cited by 1 publication

(1 citation statement)

References 0 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Whatever the input seismic attribute or combination of attributes, in an unsupervised mode, this algorithm seeks by itself, some structure or organization in the input data set. Kohonens Self Organizing Map (SOM) Neural Network (NNT) method is one of the most suitable algorithms in the Artificial Intelligence area, for classifying the seismic information (JOHANN; RIBET, 1999). The results will reflect the variation of the characteristics of the original input dataset, without considering its proper values.…”

Section: Trace Classificationmentioning

confidence: 99%

Trace shape and multi-attribute seismic facies analysis applied to paleocene/eocene reservoirs on deepwater Campos Basin

Abreu

Ribet²

2002

Rev. Bras. Geof.

View full text Add to dashboard Cite

This paper illustrates a new reservoir characterization approach using seismic pattern recognition methodology based on principal component analysis, trace shape and 3D multi-attributes classification on a set of 3D seismic data volumes. We develop the reservoir interpretation workflow (figure 1) as follows: 1) Seismic facies maps obtained by Kohonen s Self Organizing Map (SOM) Neural Network method to seismic facies volume from a set of various seismic attributes, obtained by Hierarchical classification method; and 2) Statistical analysis of available seismic attributes by application of Principal Component Analysis (PCA) statistical method before classification.How to discriminate the amount of information that each geophysicist is dealing with, in a reservoir characterization process and what is the suitable procedure to help to discriminate between data and information?We present some results of its application on the Paleocene/Eocene reservoirs of a Campos Basin field.Keywords: seismic attributes, seismic facies, reservoir characterization RESUMOEste trabalho ilustra uma nova abordagem para caracterização de reservatórios usando metodologia de reconhecimento de padrão sísmico baseado em análise do componente principal, forma do sinal e classificação de multi-atributos 3D em um volume de dados sísmicos 3D. Nós desenvolvemos o fluxograma de interpretação do reservatório como se segue: 1) Mapas de fácies sísmicas obtidos pelo método de Rede Neural Mapa Auto-Organizável de Kohonen (SOM) para volume de fácies sísmicas, a partir de um conjunto de vários atributos sísmicos obtidos pelo método de classificação Hierárquica; e 2) Análise estatística dos atributos sísmicos disponíveis pela aplicação do método estatístico de Análise de Componente Principal (PCA) antes da classificação.Como discriminar a quantidade de informações em que cada geofísico está envolvido, em um processo de caracterização de reservatório e qual o procedimento indicado para ajudar a discriminação entre dado e informação?Apresentamos alguns resultados desta aplicação nos reservatórios do Paleoceno/Eoceno de um campo na Bacia de Campos.Palavras-chave: atributos sísmicos, fácies sísmicas, caracterização de reservatórios.

show abstract

Section: Trace Classificationmentioning

confidence: 99%