Продвижение первого прорывного выбора с помощью нейронных сетей

Продвижение первого прорывного выбора с помощью нейронных сетей

Самым началом геологоразведочных работ является сейсморазведка, когда получают необработанные данные, отражающие геологию интересующего региона. Эти данные используются для построения геологической модели, позволяющей делать точные выводы о нефтяных коллекторах в этом районе. В свою очередь, точное геологическое моделирование не может быть выполнено без надлежащей интерпретации сейсмических данных, в частности, Horizon Detection, которая требует удаления необработанных данных, очистки и структурирования - и это цель этапа обработки сейсмических данных.

Весь конвейер обработки состоит из множества этапов. В этой статье мы сосредоточимся на одном из начальных шагов - выборе первого перерыва.

Выбор Frist Break

Задачу можно сформулировать так: по сейсмической трассе определить время прихода волны, идущей от источника к приемнику.

Это время позже используется для изучения скоростей у поверхности и последующего выполнения статических поправок, процедуры, которая устраняет влияние изменения высоты приемников и источников. Это позволяет моделировать сейсморазведку так, как если бы она проводилась не на поверхности земли, а на некоторой плоской опорной плоскости.

Статические поправки напрямую влияют на результирующее сейсмическое изображение: правильно выполненная процедура может раскрыть, расширить и усилить горизонты! С другой стороны, неточная установка первого разрыва резко снижает когерентность трасс после исправлений.

Как это решается традиционно?

Существует несколько основных подходов к решению задачи первого перерыва. Обычно они основаны на концепции энергии в движущихся окнах, взаимной корреляции или вычислении статистики высших порядков следа. Мы ориентируемся на метод на основе окон, так как его разновидности чаще всего используются в программных инструментах нефтегазовой отрасли для обработки сейсмических данных.

Алгоритм STA / LTA (краткосрочное среднее - долгосрочное среднее) основан на соотношении амплитуд в двух движущихся окнах: внезапное увеличение отношения указывает время прибытия. См. Визуализацию метода ниже: первый участок показывает сейсмическую трассу с низким уровнем шума до первого разрыва, второй - функцию отношения STA / LTA, третий - производную этой функции. Момент, когда производная впервые превышает выбранный вручную порог (или в конечном итоге, когда производная достигает своих максимумов), объявляется первым разрывом.

Этот метод довольно хорошо работает с простыми данными, но он не устойчив к зашумленным трассам! Посмотрите производительность алгоритма на «сложной» трассе: значительный уровень шума перед первым разрывом приводит к неверному предсказанию.

К сожалению, в зависимости от условий съемки данные обычно содержат значительное количество таких трасс. В своей практике мы работали с наборами данных, содержащими до 10% таких трасс, и это не предел! Это делает сбор данных трудоемким, поскольку специалистам требуются недели, чтобы вручную настроить параметры метода (длину окон, пороговые значения) по всему обследованию.

Это одна из мотиваций для использования здесь моделей машинного обучения - автоматизировать этап и уменьшить человеческие усилия.

Нейронная сеть для первого выбора

С точки зрения машинного обучения интуитивно понятно рассматривать эту задачу как регрессию, когда по сейсмической трассе , модель предсказывает единственное значение - время. Однако в наших экспериментах такой подход не дал хороших результатов. Вместо этого мы рассматриваем задачу как семантическую сегментацию - для каждой трассировки модель предсказывает двоичную маску. Каждый отсчет кривой до первого разрыва помечается как без сигнала, а все отсчеты после первого разрыва - как сигнальный.

Для выполнения семантической сегментации мы используем ResUnet with Attention. Это, по сути, четырехступенчатый UNet, где каждый этап кодировщика и декодера состоит из двух ResBlocks. , за которым следует блок SCSE (пространственное и канальное сжатие и возбуждение).

Поскольку выходом модели сегментации является маска, требуется некоторая постобработка, чтобы извлечь время первого прибытия. Здесь можно использовать различные эвристики, наиболее интуитивно понятный из них - объявить первый сигнал или последний образец отсутствия сигнала в качестве первого взлома. Однако мы определяем первый разрыв как начало самой длинной последовательности отсчетов сигнала, как показано на изображении ниже. Такой подход оказался более надежным при работе со сложными данными.

Сравнение нейронных сетей с методом STA / LTA.

Посмотрите общее сравнение производительности метода STA / LTA, vanilla UNet и Attention ResUNet. ResUNet работает в 10 раз лучше, чем STA / LTA, и почти в 2x раза лучше, чем UNet, с точки зрения показателя MAE, измеренного в выборках.

Нейронные сети не только более точны, но и работают значительно быстрее: для автоматического выбора опроса с миллионами трассировок требуется час, в то время как эксперты тратят дни и недели вручную. настройка параметров неконтролируемых алгоритмов для правильной обработки всего опроса.

Оценка качества комплектации по всему опросу.

Показатель MAE можно рассчитать только при наличии достоверных данных. Однако, когда проводится новое обследование, нет никакой достоверной информации. Поэтому важно иметь возможность оценить эффективность модели по всему опросу, имея только прогнозы. Таким образом, нам нужны неконтролируемые показатели.

Поскольку для каждой трассы у нас есть расстояние между источником и приемником и прогнозируемое время, мы можем вычислить скорость сигнала в верхнем слое. Во время обработки сейсмических данных существует основное предположение, что эти скорости не должны существенно различаться между соседними трассами. Мы находим области со значительным соотношением трасс с экстремальными (очень высокими или очень низкими) скоростями. Большинство из них соответствуют участкам с плохой съемкой, но некоторые могут представлять участки со сложными условиями съемки. Это позволяет специалисту осмотреть проблемные области и узнать, насколько хорошо был проведен общий подбор, независимо от того, используется ли это нейронная сеть или другой алгоритм.

Заключение

Этот пример First Break Picking показывает, что нейронные сети имеют большой потенциал в обработке сейсмических данных. Модель выполняет задачу быстрее и точнее по сравнению с традиционным методом, используемым в отрасли. Это также автоматизирует процесс, позволяя экспертам заниматься более интересными и сложными задачами.

Если вас интересуют более подробные технические детали и другие применения нейронных сетей в нефтегазовой отрасли, посетите SeismicPro и seismiqb - наши фреймворки для машинного обучения на сейсмических данных.

Скоро появятся новые статьи о машинном обучении в нефтегазовой отрасли. Будьте на связи!