Por Rocky Roden, Carrie Laudon and Jie Qi, Geophysical Insights 10 Agosto 2021 – Este artículo aparece en el boletín de E&P – HartEnergy
Combinando enfoques de aprendizaje automático para producir una interpretación óptima de fallas.
En los últimos años, ha habido un aumento en la aplicación del aprendizaje automático, un tipo de inteligencia artificial, en la interpretación de datos sísmicos.
Las dos aplicaciones principales de aprendizaje automático incluyen enfoques de aprendizaje supervisados y no supervisados. El aprendizaje supervisado toma un conjunto conocido de descriptores o etiquetas para respuestas conocidas y entrena un modelo, que se aplica a nuevos datos para obtener resultados razonables. En el aprendizaje no supervisado, no existe un conocimiento previo de los datos y el entrenamiento se adapta a los datos identificando patrones y agrupaciones naturales.
Este artículo aborda específicamente la aplicación del aprendizaje automático a la delimitación de fallas sísmicas.
Interpretación de fallas en datos sísmicos
Un proceso clave necesario para interpretar los datos sísmicos es definir la presencia de fallas y su distribución y red de área. Las fallas son desplazamientos en el sedimento o la columna de roca donde las paredes opuestas se han pasado entre sí. Las fallas son esenciales para comprender la estructura geológica, la integridad del sello del yacimiento, la compartimentación del campo, las rutas de flujo de migración y los posibles peligros de perforación. Las fallas generalmente se reconocen en los datos sísmicos como discontinuidades de reflexión. Tradicionalmente, los intérpretes seleccionaban manualmente las fallas en los datos sísmicos 3D basándose en su experiencia y conocimiento de la geología local. Este suele ser un proceso que requiere mucho tiempo y es muy subjetivo.
A partir de mediados de la década de 1990, los atributos sísmicos que revelan continuidades y discontinuidades de reflexión sísmica evolucionaron con nombres como apariencia, coherencia, curvatura y varianza. Estos atributos sísmicos ayudaron a definir mejor las fallas en los datos sísmicos, pero estaban sujetos a variaciones estratigráficas y ruido, y aún requerían una selección manual por parte de intérpretes.
CNN para delinear fallas
A medida que la potencia de las computadoras aumentó en las últimas dos décadas, el aprendizaje automático se ha convertido en un enfoque viable para interpretar fallas en datos sísmicos 3D.
Un enfoque de aprendizaje profundo supervisado llamado redes neuronales convolucionales (CNN) ha evolucionado para proporcionar excelentes resultados en la delimitación de fallas. Dado que CNN es un proceso de aprendizaje supervisado, se deben ingresar etiquetas o ejemplos de fallas seleccionadas para construir el modelo de aprendizaje automático. Si los intérpretes están eligiendo las etiquetas de fallas para la capacitación, los problemas de tiempo y el sesgo del intérprete entran en juego nuevamente. Además, es difícil saber cuántas fallas debe detectar el intérprete suficientes para producir un modelo de aprendizaje automático viable.
Existe una evidencia creciente (Wu et al., 2019; Qie et al., 2020) de que un método alternativo para generar datos de entrenamiento puede producir resultados mejores y más rápidos. Esto implica la generación de datos de entrenamiento con volúmenes de amplitud sísmica sintética 3D con fallas completas. Debido a que los datos de entrenamiento son sintéticos, la solución exacta de fallas se ingresa en el modelo de aprendizaje automático, lo que elimina la subjetividad del intérprete y produce un resultado más preciso. Dado que el modelo sintético es 3D, no hay problemas relacionados con el etiquetado de fallas en ciertas líneas o líneas cruzadas. El modelo de aprendizaje automático ya está establecido y construido, por lo que la aplicación delinea fallas con bastante rapidez. La adición de preacondicionamiento y poscondicionamiento de los datos produce un resultado mejorado de detección de fallas de CNN.
La Figura 1 muestra el flujo de trabajo de aprendizaje automático descrito para delinear fallas utilizando una arquitectura de red neuronal convolucional U-net que emplea datos sísmicos sintéticos 3D.
FIGURA 1.
Este flujo de trabajo de detección de fallas basado en CNN incluye preacondicionamiento de datos sísmicos, cálculo de probabilidad de fallas basado en CNN y posprocesamiento de imágenes de fallas. (Fuente: Geophysical Insights)
La Figura 2a muestra una línea de amplitud sísmica 3D donde las fallas han sido predichas por una arquitectura U-Net CNN. La Figura 2b muestra la misma línea y las fallas asociadas en una pantalla RGB, donde los tres colores representan diferentes bandas de frecuencia limitadas en los datos. La Figura 2 muestra delineaciones claras de fallas en amplitud y datos RGB. Sin embargo, todavía existen limitaciones de interpretación cuando las fallas se extienden profundamente en la columna de sedimentos y las variaciones estratigráficas son complicadas e inconsistentes.
FIGURA 2.
La Figura 2a (arriba) muestra la línea de amplitud sísmica de la costa de Nueva Zelanda mostrada en el software Paradise con la probabilidad de detección de fallas de CNN mostrada. La Figura 2b (abajo) muestra la misma línea mostrada en formato RGB con las fallas detectadas por CNN asociadas. Las tres bandas de descomposición espectral empleadas para la pantalla RGB contienen frecuencias centrales de 15, 35 y 65 Hz. (Datos cortesía de New Zealand Petroleum and Minerals (NZPM); Cifras cortesía de Geophysical Insights)
Combinando aprendizaje automático supervisado y no supervisado
Para mejorar la interpretación de los resultados de fallas 3D CNN, se emplea una metodología de red neuronal de aprendizaje automático no supervisada llamada mapas autoorganizados (SOM). SOM combina de manera eficiente múltiples atributos sísmicos para determinar patrones naturales y agrupaciones en los datos. Estos patrones o grupos pueden identificar variaciones en la geología y estratigrafía del subsuelo (Roy et al., 2013; Zhao et al., 2015). Estos patrones son identificados por neuronas en un mapa de colores 2D. Por lo tanto, combinar en un análisis SOM el conjunto apropiado de atributos sísmicos para definir la estratigrafía y los volúmenes de probabilidad de falla de CNN produce resultados donde la estratigrafía y facies de alta resolución pueden correlacionarse con los lineamientos de falla.
SOM ha demostrado ser bastante exitoso en la definición de estratigrafía detallada y facies a mayor resolución que los datos de amplitud sísmica convencional (Roden et al., 2017), por lo que este proceso permite el aislamiento de fallas en bloques de fallas específicos y, en algunos casos, la interpretación de fallas. cortes en pozos.
Para visualizar nuestro portafolio de cursos
ingresa dando click acá
La Figura 3a muestra una línea sísmica 3D con fallas extensas de fallas poligonales complejas relativamente poco profundas, una sección media con desviaciones de tendencia más grandes y diferentes y una sección más profunda donde las tendencias de fallas son difíciles de correlacionar solo con los datos de amplitud. La Figura 3b muestra la misma línea del análisis SOM donde se ejecutan ocho atributos instantáneos utilizados para definir la estratigrafía con los resultados del volumen de probabilidad de falla de CNN.
FIGURA 3.
La Figura 3a (arriba) muestra una pantalla de software Paradise de una línea de amplitud sísmica de la costa de Nueva Zelanda que denota varias tendencias de fallas complicadas. La Figura 3b (abajo) muestra la misma línea con los resultados de SOM que han combinado ocho atributos instantáneos para definir la estratigrafía con un resultado de detección de fallas de CNN. (Datos cortesía de New Zealand Petroleum and Minerals (NZPM); Cifras cortesía de Geophysical Insights)
El mapa de color 2D (Figura 4) muestra 64 neuronas, donde cada neurona representa un patrón diferente en los datos. Las fallas identificadas por el volumen de probabilidad de fallas de CNN están asociadas con las cuatro neuronas en la parte inferior derecha y encerradas en un círculo en el mapa de color 2D.
FIGURA 4.
Las cuatro neuronas encerradas en un círculo en el mapa de colores 2D definen las fallas de la entrada CNN. (Datos cortesía de New Zealand Petroleum and Minerals (NZPM); Cifras cortesía de Geophysical Insights)
Al comparar estas presentaciones, es evidente que no solo la estratigrafía está más claramente definida, especialmente en las partes más profundas de la sección, sino que las correlaciones de fallas vinculadas a la estratigrafía permiten a los geocientíficos hacer una interpretación más precisa.
Descarga la Revista de PETROBANCA del mes de Julio 2021
