Классификация по форме сейсмического импульса

Для динамического анализа сейсмических данных можно использовать не только сейсмические атрибуты, но и непосредственно само волновое поле. Данный подход позволяет классифицировать изучаемый разрез по характеру изменения волнового поля и затем связать каждый класс с определённым фациальным литотипом либо с изменчивостью характера осадконакопления или структурными изменениями.

Мы исходим из предпосылок, что форма отражённой волны напрямую зависит от упругих свойств акустической границы, и по изменению сейсмической записи мы можем судить об изменении этих свойств, которые в свою очередь могут быть связаны с перечисленными выше факторами.

Фактически эта процедура сводится к классификации по нескольким атрибутам. В качестве атрибутов используются извлечённые сейсмические амплитуды по нескольким поверхностям параллельным сейсмическому горизонту.

На следующем примере разберём процесс классификации по форме сейсмического импульса

*все данные взяты из книги "Практикум по сейсмической интерпретации в Petrel"

Запустите процесс Surface attributes, выберите исходные сейсмические данные 3D (Full_Stack_PSTM), из библиотеки атрибутов выберите Extract value.

1. Укажите Single horizon и Add to surface, выберите с помощью голубой стрелки поверхность, отвечающую за начало сигнала, кровлю области интересов (Time_IIIzd)
2. Установите режим Repeated windows – Fixed, введите количество дискретов вашего сигнала Number of repeats, например 15 и шаг между дискретами Window of advance, – 2 (минус означает, что извлечение будет происходить ниже горизонта).
3. Нажмите Ok. В результате Вы получите поверхность с извлечёнными амплитудами по ряду поверхностей с одинаковым интервалом между ними. Просмотрите их в 3D окне.
4. Запустите процесс Train estimation model, создайте новую нейронную сеть Waveform, оставьте режим Classification
5. В качестве исходных данных выберите Surface и укажите поверхность с только что рассчитанными атрибутами Time_IIIzd
6. Галочками отметьте все атрибуты Extract value, кроме TWT.
7. Перейдите в закладку Settings и установите количество классов (в нашем случае 5), нажмите Ok.
8. Просмотрите результат классификации, если считаете нужным, поменяйте количество классов и рассчитайте классификацию заново.

Полученная карта классификации может быть использована для построения корреляционных связей в окне Function window c искомыми атрибутами (например литотипами).

Классификация с учителем

При наличии скважинной информации, например литологии, можно привлечь эти данные для классификации «с учителем». То есть, подавая на вход нейронной сети сейсмический атрибут по площади и скважинную информацию (преобладающая фация в данном интервале), на выходе мы получим распределение фаций по площади с учётом скважинной информации. Просмотрите нижеследующий алгоритм действий на примере нашего проекта.

Принципиальная последовательность действий:

Создадим новый дискретный атрибут фиций для отбивок (TOPs.dat)

• ПКМ по подпапке Attributes для ваших отбивок, Insert new attribute, Discrete
• В окне настроек, в закладке Attribute operations, установите параметры: To the zones at level -> Sample from: Well logs -> Log to be used: имя нового каротажа с литологией, Average method Most of.
• Нажмите кнопку Run.

Теперь отбивки получили значение с преобладающей фацией в интервале.

• Запустите процесс Train estimation model
• Создайте новую модель, выберите режим Classification. В качестве входных данных голубой стрелкой укажите Вашу поверхность с атрибутами
• Параметр Training data установите Trainings points и укажите соответствующие отбивки с помощью голубой стрелки
• В закладке Settings выберите опцию Supervised и укажите атрибут с литологией в качестве учителя. Нажмите Ok.
• Визуализируйте новую классификацию совместно с отбивками.

Описанный функционал позволяет оперативно и наглядно определить латеральную изменчивость изучаемого интервала. При наличии измеренных данных по скважинам и при их устойчивой корреляции с полученным атрибутом, есть возможность расчёта карт литотипов и др. параметрических карт.