Description:

"First Break том 22, Декабрь 2004", техническая статья "Мультиатрибутный анализ сейсмических данных - решение проблемы нелинейности" Satinder Chopra†, Doug Pruden+, Vladimir Alexeev †. AVO инверсия для получения параметров Ламе (λ и μ) стала обычной процедурой, увеличивая возможность распознавания зон коллекторов. Интеграция кубов атрибутов, получаемых при AVO-анализе с другими сейсмическими атрибутами может обеспечить значимую геологическую информацию при привязке к скважинным данным и проверке корреляции с петрофизическими свойствами. Расчет коллекторских свойств обычно выполняется с помощью нелинейного детерминантного анализа с несколькими переменными, используя нейронные сети. В этой работе изложены результаты 3D-сейсмической съемки в южной Альберте, Канада, где был применен вероятностный подход к атрибутам AVO в теории нейронных сетей (Pruden, 2002; Chopra & Pruden, 2003). Используя кривые гамма каротажа, акустического каротажа и кривую объемной плотности на интересующем участке, были получены обращения гамма каротажа и кривой объемной плотности по кубам атрибутов 3D. Эта методика оказалась успешной в двух скважинах, был получен новый газовый коллектор, продливший жизнь газового месторождения и выявивший новые запасы. Позже для выполнения той же задачи вместо нейронных сетей был применен математический подход с использованием кубического b-сплайна. Результаты оказались схожими, что говорит о возможности использования кубических b-сплайнов в качестве инструмента для работы с нелинейными эффектами при выполнении мультиатрибутного сейсмического анализа. Целевым объектом исследования был нижнемеловой речной канал, заполненный глауконитом, откладывавшийся в пределах системы врезанных долин. Сейсмическая съемка 3D проводилась для построения стратиграфической модели согласованной с доступными скважинными данными и характеристиками добычи. Конечная цель была поиск неразработанных потенциальных объектов в газонасыщенных песчаниках. Месторождение разрабатывалось с начала 1980-х, а две из самых ранних и наиболее богатых эксплуатационных скважин начали обводняться. Поскольку цель была стратиграфическая, прилагались все усилия для сохранения относительных амплитуд в области удалений для проведения последующего анализа AVO-атрибутов при обработке сейсмических данных. Рис 1a Временной срез Lambda-Rho отображающий предполагаемую газовую аномалию. Низкие значения LambdaRho показаны голубым. Красный полигон заключает в себе все реальные данные на обоих временных срезах. Желтым полигоном обозначена предполагаемая аномалия. Рис 1b Временной срез Mu-Rho, отображающий предполагаемую газовую аномалию. Высокие значения Mu-Rho показаны желтым и красным. Красный полигон заключает в себе все реальные данные на обоих временных срезах. Желтым полигоном обозначена предполагаемая аномалия. Рис 1c Кроссплот параметров Lambda-Rho и MuRho. На кроссплотове показаны желтые точки, соответствующие низким значениям Lambda-Rho и высоким значениям Mu-Rho, которые ожидаются в случае присутствия газовой аномалии. Фиолетовый полигон включает в себя точки кластера, соответствующие аномалии и выделяет ее на временных слайсах (не показано). Литологию и информацию о поровом флюиде можно изучать в обозначениях, принятых при анализе параметров LambdaRho и Mu-Rho (Goodway, 2001), где Lambda, Mu и Rho - сжатие, жесткость и плотность соответственно. Пусть кривые каротажа на данном участке являются диагностическим признаком песков. Кривые гамма каротажа имеются для всех скважин и достаточно равномерно покрыты месторождением, был предложен детерминистский подход, позволяющий количественно соотнести измеренные сейсмические атрибуты с данными гамма каротажа. Простой анализ взаимосвязи значений кривых гамма каротажа и акустического импеданса говорит о том, что хотя между двумя кривыми видна взаимосвязь, она точно не линейная. Дальнейший анализ зависимости других атрибутов и кривых гамма каротажа привел к похожим результатам. Использование нейронных сетей для детерминантного нелинейного анализа нескольких переменных между получаемыми многочисленными сейсмическими атрибутами и измеренными значениями кривой гамма каротажа в скважинах - задача, идеально подходящая для нейронных сетей. Путем обучения нейронной сети на статистически представительной популяции целевых каротажных откликов и имеющихся многочисленных сейсмических атрибутов по каждой скважине, можно рассчитать нелинейное много-атрибутное преобразование для выполнения обращения куба намеченных данных (Hampson et al., 2001; Leiphart and Hart, 2001). Используя кривые гамма каротажа, кривые акустического каротажа и кривую объемной плотности для изучаемого района по 16 скважинам, для выполнения обращения кубов данных 3D по кривым проводился вблизи области исследований. Коэффициенты гамма каротажа и объемной плотности были применены для отражения параметров Ламе (λ) и μ. Результат инверсии гамма каротажа показан на горизонтальном срезе на Рисунках 2 (тот же срез, который был показан ранее). Данные перемасштабированы в единицы скорости счёта при гамма каротаже Американского нефтяного института на Рисунке 2. µ = I_s / ρ, где I_s - объемная плотность. Параметры Ламе и преобразуются в пористость на Рисунке 3, используя формулу: φ = (1 - λ/2) * (1 - μ/2), где φ - пористость. На рисунках 1(a) и (b) показаны разрезы Lambda-Rho и Mu-Rho с аномалией, заключенной в полигоне желтого цвета. Красный полигон указывает на все точки реальных данных на временном срезе, которые приведены на кроссплотове Lambda-Rho как функции MuRho. Кроссплот этих двух атрибутов показан на Рисунке 1(c), желтыми точками обозначены значения в пределах желтых полигонов на рисунках 1(a) и (b). В дополнение к определению газонасыщенных песков, по этим данным можно получить ценную литологическую информацию. Определение нелинейных связей между параметрами каротажных кривых. Измеренные параметры по каротажным кривым, такие как скорость P-волн, S-волн, плотность, пористость и параметры гамма каротажа обычно выводятся в виде кросс-плота для анализа кластерных моделей различного типа литологии. В зависимости от формы кластеров или рассеяния отдельных точек на кроссплотове, можно определить линейные или нелинейные зависимости и использовать их при преобразовании сейсмических атрибутов в необходимые свойства коллекторов. Иногда форма кластеров или рассеяние отдельных точек на кроссплотове не дают точно определить математическую взаимозависимость. Использование кубических b-сплайнов сплайновые кривые (или математическое представление аппроксимирующих кривых в форме полиномов) были использованы с разной степенью точности. Вместо того чтобы располагать сплайны во всех точках кластера, можно задавать контрольные точки на кроссплотове, на основе допущения о том, что человеческий глаз может устанавливать форму аппроксимирующего сплайна. B-сплайны - это аппроксимирующие сплайновые кривые с тем преимуществом, что степень полинома регулируется локально. Рисунок 2 Обращенный гамма отклик на основе нейронных сетей. Отметим четкое отделение от ила и глин. Рисунок 4 Кроссплот P-импеданса и плотности. Контрольные точки функции сплайна отмечены красным. Рисунок 5 Кроссплот P-импеданса и значений гамма каротажа Рисунок 3 Пористость, рассчитанная по обращенным значениям плотности с помощью нейронных сетей. Для значений гамма значения плотности, соответствующие илу и глине были замаскированы, они являются индикатором относительной пористости песков. Ключевые слова: функция, calgary, кроссплота, break декабрь, срез, кроссплот, показанный, временной, отдельный, показать, кубический, атрибут, получать, leiphart, сейсмический атрибут, точка, соответствовать, взаимосвязь, анализ, область, pruden, каротажный, результат, geophysics, сейсмический, куб сейсмический, обычный, песок, лама, каротаж, сейсмический дать, значение, декабрь, выполнение, линейный, avo, плотность, отметить, жёлтый, break, переменный, определение, целевой, параметр, дать, информация, контрольный, говорить, получить, цель, акустический, кривая гамма, временной срез, газовый, гамма каротаж, кластер, составной, относиться, куб атрибут, нелинейный, отсчёт, иметься, сплайн, параметр лама, красный, полигон, объёмный, объёмный плотность, низкий, рисунок, seismic, технический статья, использовать, флюид, куб, нейронный, mu-rho, контрольный точка, реальный, математический, газонасыщенный, goodway, кривая, аномалия, hart, каротаж кривая, eage, скважина, нейронный сеть, форма, ил, срез относиться, относиться рисунок, полученный, аномальный, сеть, предполагать, технический, статья, глина, пористость, сплайновый, высокий, lambda-rho, зависимость, низкий значение, подход, использование, гамма, обращение, hampson, зона