СПОСОБ ПОСТОБРАБОТКИ СЕЙСМИЧЕСКИХ ДАННЫХ Российский патент 2025 года по МПК G01V1/28 G01V1/36 G06N3/464 G06N3/82 

Область техники, к которой относится изобретение

Изобретение относится к области геофизических исследований и, в частности, к сейсмической интерпретации, является технологией постобработки сейсмических данных с использованием методов машинного обучения для улучшения их качества и повышения точности структурной интерпретации геологических структур. Изобретение может быть использовано для целей разведочной геофизики.

В описании используются следующие термины:

Постобработка – выполнение дополнительной обработки для целей структурной интерпретации после выполнения основной обработки данных.

Вейвлет – это математическая функция, которая используется для анализа и обработки сейсмических данных. Представляет собой волнообразное колебание с амплитудой и фазой, которые обусловлена особенностями проведения сейсмической съёмки и параметрами источника колебаний.

Артефакт обработки – это ошибки или искажения в сейсмических разрезах, возникающие в результате неправильного применения методов обработки или неточности исходных данных. Они могут приводить к неверной интерпретации геологического строения.

Основные причины возникновения артефактов:

• Неточная оценка эффективных скоростей, особенно при обработке от плавающего уровня приведения. Это приводит к ухудшению фокусировки отражений при миграции и несоответствию скоростей реальным.

• Неправильный выбор параметров процедур обработки, таких как сглаживание динамического диапазона, фильтрация и др.

• Наличие пропусков, помех и искажений в исходных сейсмических данных, например, из-за сбоев оборудования или обрывов связи.

• Применение неподходящих методов обработки для данного типа геологического разреза.

(Геофизика: учебное пособие, электронное издание сетевого распространения / под редакцией В.К. Хмелевского. — М.: «КДУ», «Добросвет», 2018. Новокрещин А.В., Ракивненко Д.С., Игнатьева Я.А., Мусатов И.В., Каримов И.И. «Артефакты эффективных скоростей, обусловленные плавающим уровнем приведения, и способы их компенсации» // Известия вузов. Нефть и газ. 2021. №5)

Конволюционная нейронная сеть (CNN) – относится к классу глубоких нейронных сетей и обычно применяется для обработки структурированных массивов данных, таких как изображения. Широко используются в компьютерном зрении. Они находят множество применений в распознавании изображений и видео, классификации изображений, обработке естественного языка.

Датасет – это обработанный и структурированный массив данных. В нём у каждого объекта есть конкретные свойства: признаки, связи между объектами или определённое место в выборке данных.

Уровень техники

При структурной интерпретации геофизики-интерпретаторы могут допускать ошибки, связанные с тем, что не всегда возможно провести качественную обработку всего объёма сейсмических данных сохраняя все структурные и тектонические особенности геологических объектов. В связи с этим производится постобработка при помощи шумоподавления суммированных кубов для повышения прослеживаемости горизонтов и повышения разрешающей способности. Современные методы машинного обучения начали активно использоваться в этой области, но их применение для очистки сейсмических данных и повышения частоты сигнала все еще находится на начальной стадии, хотя эффективность подтверждается литературными источниками.

Из уровня техники известны способы обработки сейсмических данных, например, способ, который описан в патенте на изобретение РФ RU 2567434 C2, опубл. в 2015 году.

В нём описан способ обработки и интерпретации сейсмических данных. Сначала получают сейсмические данные в области исследования и проводят их предварительную обработку для улучшения качества. Затем применяются методы инверсии и моделирования для детального анализа данных. Результаты инверсии и моделирования интерпретируются для определения геологических структур и свойств среды. Этот метод направлен на повышение точности и детализации геологической информации, что критически важно для разведки и разработки месторождений полезных ископаемых.

Такая обработка производится за счёт аналитических методов решения задач обработки и оставляет множество проблем, которые можно решить за счёт использования интеллектуальных систем постобработки на основе нейронных сетей.

И в патенте на изобретение РФ RU 2764378 C1, опубл. в 2021 году.

В нем описан способ, при котором производят анализ спектральных характеристик сейсмических данных, затем применяют метод спектральной инверсии для повышения разрешающей способности данных, а затем прогнозируют геологическое строение в межскважинном пространстве на основе инверсированных данных. Этот метод позволяет получить более детализированную информацию о подповерхностных структурах и улучшить точность геологического моделирования. Но этот метод относится уже к динамической интерпретации и для него необходимы скважинные данные ГИС. Наш метод не нуждается в привлечении дополнительной информации.

Данный способ является наиболее близким по технической сути и достигаемому техническому результату и выбран за прототип предлагаемого изобретения. Недостатком такого способа является то, что он не обеспечивает возможность очистки шумов и повышения разрешающей способности записи на начальном этапе интерпретации данных.

Раскрытие изобретения

Опирающееся на это оригинальное наблюдение настоящее изобретение, главным образом, имеет целью предложить способ постобработки сейсмических данных, который обеспечивает возможность очистки шумов и повышения разрешающей способности записи на начальном этапе интерпретации данных, что и является решаемой технической задачей.

Для достижения этой цели разработан следующий метод:

• осуществляют генерацию исходных синтетических сейсмических данных с широким диапазоном частот вейвлета, используемого для генерации,

• добавляют в исходные синтетические сейсмические данные различные типы шумов, артефактов обработки, структурных и тектонических объектов,

• осуществляют обучение конволюционной нейронной сети на датасетах с шумами и без,

• применяют обученную таким образом нейронную сеть для дальнейшей очистки реальных данных и повышения разрешающей способности сейсмической записи путём увеличения частотного диапазона реальных данных,

• проводят анализ обработанных данных для структурной интерпретации геологических объектов.

Благодаря данным новым характеристикам способа появляется возможность очистки шумов и повышения разрешающей способности записи на начальном этапе интерпретации данных по следующим причинам:

• Генерация исходных синтетических данных с широким диапазоном частот позволяет создать более детализированную модель сейсмического сигнала. Это важно, поскольку более высокий частотный диапазон увеличивает разрешающую способность данных, позволяя более точно различать геологические структуры.

• Включение различных типов шумов и артефактов в синтетические данные помогает обученной нейронной сети стабильно работать на реальных условиях. Это улучшает способность сети эффективно фильтровать шумы в реальных данных, сохраняя важные структурные особенности.

• Обучение нейронной сети на датасетах с шумами и без них обеспечивает более точное распознавание и удаление шумов. Это также помогает сети улучшать разрешающую способность, так как она "учится" сохранять структурные и тектонические особенности при очистке данных, а конволюционные нейронные сети (CNN) особенно эффективны для обработки изображений и сигналов. Их архитектура позволяет выделять ключевые признаки в данных.

• Обучение на трехмерных сегментированных кубах данных позволяет сети лучше учитывать пространственные зависимости и сохранять целостность геологических структур в данных.

Благодаря таким данным выгодным характеристикам появляется возможность конкретной реализации варианта осуществления изобретения.

Существует еще один возможный вариант изобретения, в котором осуществляют обучение конволюционной нейронной сети, на вход которой подают парные кубы зашумленных и чистых сейсмических данных размером 128×128×128 в количестве 7500 штук, при этом само обучение происходит на трёхмерных сегментированных кубах, а не профилях или отдельных трассах.

Благодаря таким данным выгодным характеристикам также появляется возможность конкретной реализации варианта осуществления изобретения, который позволяет сохранить прослеживаемость геологические структур в реальных данных.

Краткое описание чертежей

Другие отличительные признаки и преимущества данного изобретения ясно вытекают из описания, приведенного ниже для иллюстрации и не являющегося ограничительным, со ссылками на прилагаемые рисунки, на которых:

- Фигура 1 изображает схему создания синтетических датасетов для обучения конволюционной нейронной сети согласно изобретению.

- Фигура 2 изображает пример обработки куба реальных данных с морского месторождения, согласно изобретению.

На фигурах обозначены:

На фигуре 1 – слева направо представлены этапы формирования синтетических кубов от создания модели отражений до прямого моделирования и миграции, которое может быть включено в исходный датасет синтетических данных;

На фигуре 2 – слева представлены исходные данные, справа результат работы разработанной технологии на реальном проекте морского нефтяного месторождения. Отчётливо видно как в результате работы технологии все сейсмические отражения собрались в отражающие горизонты, улучшилась прослеживаемость и стали видны структуры, скрытые за шумом.

Осуществление изобретения

Способ постобработки сейсмических данных осуществляют следующим образом.

Этап 1. Осуществляют генерацию исходных синтетических сейсмических данных с широким диапазоном частот вейвлета, используемого для генерации.

Этап 2. Добавляют в исходные синтетические сейсмические данные различные типы шумов, артефактов обработки, структурных и тектонических объектов.

Этап 3. Осуществляют обучение конволюционной нейронной сети на датасетах с шумами и без.

Этап 4. Применяют обученную таким образом нейронную сеть для дальнейшей очистки реальных данных и повышения разрешающей способности сейсмической записи путём увеличения частотного диапазона реальных данных.

Этап 5. Проводят анализ обработанных данных для структурной интерпретации геологических объектов.

Пример осуществления способа

Архитектура модели представляет собой 3D-Unet, конволюционную нейронную сеть, на вход которой подаются кубы зашумленных сейсмических данных размером 128×128×128, а на выходе получаются кубы очищенных данных. Для тренировки модели используется набор из 7500 синтетических кубов данных. Программная реализация выполнена с использованием библиотек TensorFlow, c++ 17, std, openmp, boosts.

Промышленная применимость

Предлагаемый способ постобработки сейсмических данных может быть осуществлен специалистом на практике и при осуществлении обеспечивает реализацию заявленного назначения, что позволяет сделать вывод о соответствии критерию «промышленная применимость» для изобретения.

Испытания предлагаемого способа:

Предлагаемая технология реализована в промышленном программном обеспечении "Геоплат Про-с", которое используется множеством отечественных нефтедобывающих и сервисных компаний. Испытания предлагаемого способа проводились на множестве проектов интерпретации месторождений Западной Сибири, Волго-Урала, Восточной Сибири, а также на зарубежных проектах. В ходе испытаний подтверждена высокая эффективность метода в очистке шумов и повышении разрешающей способности сейсмических данных.

Результаты испытаний показали, что использование конволюционной нейронной сети в постобработке сейсмических данных позволяет добиться значительного улучшения качества данных на начальном этапе интерпретации. Это способствует более точной и детализированной интерпретации геологических структур, что критически важно для разведки и разработки месторождений полезных ископаемых.

Компании, применяющие данную технологию, отметили повышение точности геологического моделирования и уменьшение времени на обработку данных. Применимость метода подтверждена на практике в различных геологических условиях и на разных типах месторождений, что доказывает универсальность и надежность предлагаемого способа.

Таким образом, технология постобработки сейсмических данных на основе машинного обучения доказала свою эффективность и нашла широкое применение в промышленности, что подтверждает ее промышленную применимость и высокую востребованность в нефтегазовом секторе.

Данное решение в контексте разведочной геофизики решает острую необходимость в высококачественных данных для точной структурной интерпретации. Так как традиционные методы фильтрации часто не справляются с задачей удаления сложных шумов и артефактов, что снижает точность интерпретации. Развитие методов машинного обучения открывает новые возможности для улучшения качества данных и получения более точных результатов на начальном этапе интерпретации. Предлагаемый способ упрощает структурную интерпретацию путем повышения разрешающей способности волновой картины, делая тектонические и структурные геологические объекты более явными.

Таким образом, и достигается заявленный технический результат: возможность очистки шумов и повышения разрешающей способности записи на начальном этапе интерпретации данных.

Изобретение относится к области геофизических исследований и, в частности, к сейсмической интерпретации, является технологией постобработки сейсмических данных с использованием методов машинного обучения для улучшения их качества и повышения точности структурной интерпретации геологических структур. Изобретение может быть использовано для целей разведочной геофизики. Согласно изобретению осуществляют генерацию исходных синтетических сейсмических данных с широким диапазоном частот вейвлета, используемого для генерации. Затем добавляют в исходные синтетические сейсмические данные различные типы шумов, артефактов обработки структурных и тектонических объектов. Далее осуществляют обучение конволюционной нейронной сети на датасетах с шумами и без. После применяют обученную таким образом нейронную сеть для дальнейшей очистки реальных данных и повышения разрешающей способности сейсмической записи путём увеличения частотного диапазона реальных данных. Затем проводят анализ обработанных данных для структурной интерпретации геологических объектов. Технический результат - возможность очистки шумов и повышения разрешающей способности записи на начальном этапе интерпретации данных. 2 ил.

Способ постобработки сейсмических данных, при котором осуществляют генерацию исходных синтетических сейсмических данных с широким диапазоном частот вейвлета, используемого для генерации, добавляют в исходные синтетические сейсмические данные различные типы шумов и артефактов обработки структурных и тектонических объектов, осуществляют обучение конволюционной нейронной сети на датасетах с шумами и без, при этом набор входных данных представляет собой парные кубы синтетических зашумленных и чистых сейсмических данных, причем первая часть кубов зашумлена шумами различной природы и насыщена артефактами обработки структурных и тектонических объектов, а вторая часть данных представляет собой набор исходных данных без добавления различных шумов и артефактов, но со всеми структурными особенностями для их дальнейшего сохранения, при этом само обучение происходит на трёхмерных сегментированных кубах, применяют обученную таким образом нейронную сеть для дальнейшей очистки реальных данных и повышения разрешающей способности сейсмической записи путём увеличения частотного диапазона реальных данных, проводят анализ обработанных данных для структурной интерпретации геологических объектов.