Unsupervised pre-stack seismic facies analysis constrained by spatial continuity

Fei, Yifeng; Cai, Hansheng; Yang, Junhui; Liang, Jiajun; Hu, Guangmin

doi:10.1016/j.aiig.2023.01.003

Cited by 2 publications

(2 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…O dado sísmico oferece inúmeras oportunidades de aplicação de ferramentas baseadas em machine learning e IA, incluindo o processamento (e.g., Zoo & Zwartjes, 2022), a inversão (e.g., Wang et al, 2023), e a interpretação sísmica (e.g., Fei et al, 2023). As soluções atuais são excelentes na captura de padrões gerais de refletores, mas ainda não respondem bem a padrões sísmicos ambíguos ou não-geológicos.…”

Section: Processamento E Interpretação Sísmicaunclassified

“…Os indícios da chegada da IA afloraram há muito tempo na indústria de O&G. Seja no desenvolvimento de soluções para a automação offshore (e.g., Swiegers & Macfarlane, 2022), ou de softwares baseados em machine learning para o reconhecimento de padrões geológicos em dados sísmicos ou de poços (e.g., Fei et al, 2023), a indústria de O&G tem estado na vanguarda do uso da IA. As razões são simples: quando desenvolvidas até um nível razoável de confiabilidade, essas ferramentas podem reduzir a exposição de trabalhadores humanos a situações de risco, podem facilitar a análise de grandes volumes de dados, e de forma geral reduzir o tempo dispendido em grande parte dos processos de interpretação e correlação de informações geológicas.…”

Section: Introductionunclassified

See 1 more Smart Citation

Machine learning, inteligência artificial (IA), e a caracterização da subsuperfície: aplicações, possibilidades e riscos

Berton

2023

Lat. Am. J. Energy Res.

View full text Add to dashboard Cite

Soluções computacionais baseadas em machine learning e inteligência artificial (IA) têm sido adaptadas para o processamento e interpretação das informações de subsuperfície. Diante do que pode se tornar uma revolução tecnológica, é necessário pensar nos prováveis impactos das novas soluções para as atividades relacionadas à caracterização de reservatórios e sistemas petrolíferos. A IA já prova ter utilidade na indústria de óleo e gás ao lidar com grandes volumes de dados geológicos de padrão homogêneo, poupando o usuário humano de tarefas repetitivas. Essa característica faz com que os programas sejam úteis para o aumento de eficiência e da segurança do trabalho, mas da forma como funcionam atualmente, eles estão longe de serem capazes de lidar com a frequente complexidade geológica que pode representar riscos ou oportunidades em subsuperfície. Nem mesmo os melhores programas de IA são capazes de solucionar problemas inerentes aos dados indiretos, como a baixa resolução sísmica ou a baixa representatividade de poços. Tampouco conseguem encontrar soluções plausíveis para situações geológicas complexas. As novas soluções tecnológicas devem ser vistas como ferramentas para facilitar a vida dos profissionais de subsuperfície. Como qualquer ferramenta, sua existência tem propósitos específicos que não abrangem toda a complexidade dos sistemas geológicos. As interpretações geológicas derivadas de programas baseados em machine learning e IA devem ser avaliadas como aproximações geoestatísticas, não como a representação total da realidade construída a partir de múltiplos processos naturais. Essa característica faz com que os profissionais das geociências sigam sendo essenciais para aplicar as ferramentas de IA corretamente e filtrar as informações produzidas por elas.

show abstract

Section: Processamento E Interpretação Sísmicaunclassified

Section: Introductionunclassified

Machine learning, inteligência artificial (IA), e a caracterização da subsuperfície: aplicações, possibilidades e riscos

Berton

2023

Lat. Am. J. Energy Res.

View full text Add to dashboard Cite

show abstract

Petrophysical parameter estimation using a rock-physics model and collaborative sparse representation

Wang,

Shen,

et al. 2024

GEOPHYSICS

View full text Add to dashboard Cite

The estimation of petrophysical parameters is key in the identification of underground reservoirs. Current petrophysical parameter estimation methods are typically constrained by the choice of particular rock-physics models, necessitating the use of distinct models for various regions. Furthermore, the inherent pronounced nonlinearity of these models presents significant challenges to the solution process in reservoir parameter inversion. Although linearized petrophysical inversion methods can simplify the solving process, they can introduce errors due to linearization. To address these limitations, we propose a petrophysical parameter estimation method driven by rock-physics model and collaborative sparse representation(RCSR). In this approach, the rock-physics model governs the fundamental pattern of the petrophysical parameters, with the collaborative sparse representation introducing perturbations to minimize model errors. Our method maximizes the utilization of well-log data and the rock-physics model, thereby reducing errors associated with linearized rock-physics models and enhancing the methods adaptability. We employ the joint dictionary method to learn features and correlations among multiple parameters from existing well-log data. This learned dictionary is then used as a collaborative sparse representation regularization constraint, and applied to refine the linearized rock physics inversion objective function. Finally, the objective function is minimized using the block coordinate descent method to predict petrophysical parameters. The effectiveness of this method in enhancing the adaptability and accuracy of petrophysical parameter estimation is confirmed through synthetic and field data tests.

show abstract

Unsupervised pre-stack seismic facies analysis constrained by spatial continuity

Cited by 2 publications

References 9 publications

Machine learning, inteligência artificial (IA), e a caracterização da subsuperfície: aplicações, possibilidades e riscos

Machine learning, inteligência artificial (IA), e a caracterização da subsuperfície: aplicações, possibilidades e riscos

Petrophysical parameter estimation using a rock-physics model and collaborative sparse representation

Contact Info

Product

Resources

About