PETROMAKS2-Stort program petroleum

I de senere årene har petroleumsindustrien beveget seg mer mot å utforske felt med mer komplekse geologiske strukturer. Eksempler på dette kan være saltavleiringer i Nordkapp-bassenget i den norske delen av Barentshavet, karbonatreservoarer i Midtøsten og presalt funn i Santos -bassenget i Brasil. Det er derfor et sterkt behov for å videreutvikle de teknikker som anvendes innen seismisk prosessering og avbildning for bedre å kunne håndtere slike komplekse scenarier. Dette prosjektet skal utvikle og unders øke ulike teknikker som har et potensiale for å gi skarpere bilder av undergrunnen. Deler av aktiviteten vil fokusere på forbedring av signal-til- støy-forholdet ved å behandle de seismiske data på en mer nøyaktig måte som tar bedre hensyn til formen på d e geologiske lagene. Som en del av en slik prosesseringsstrategi, vil også byggingen av hastighetsmodeller for undergrunnen kunne bli mer optimalisert. Hastighetsmodeller med stor nøyaktighet er påkrevet i områder med kompleks geologi for å optimalisere kvaliteten på det endelige seismiske bildet. Ved å kombinere teknikker fra bildeanalyse og mønstergjenkjenning, kan komplekse geologiske strukturer bli mer effektivt detektert og ekstrahert fra dataene og dermed gjøre iterativ hastighetsmodellbygging mindre avhengig av manuell tolkning. For ytterligere å forsterke detaljrikdommen eller oppløsningen av det endelige seismiske bildet, vil nyere metoder fra signalbehandling kombineres med mer konvensjonelle bølgebaserte seismiske teknikker. Prosjektet er et s amarbeid mellom Senter for Avbildning, Universitetet i Oslo og partnerne Cepetro / Unicamp , Brasil og PGS Geophysical AS , og involverer to PhD - kandidater . Et utvekslingsprogram for PhD-studenter og vitenskapelig ansatte mellom universitetene i Norge og Brasil er også inkludert. Prosjektet har tatt utgangspunkt i kjent teknologi for bildeanalyse, som handler om automatisk tolkning av bilder, og anvendt disse metodene på seismikk. Det viser seg at deler av prosessen for å beregne hastighetsmodeller kan gjøres opptil 100 ganger raskere med bildeanalyse. Dermed er det mye tid å spare, men det trengs forbedringer i metodikken for å oppnå like høy bildekvalitet som ved bruk av de konvensjonelle metodene. En annen problemstilling prosjektet har tatt for seg, dreier seg om saltforekomster i grunnen. Saltstrukturer gir ekstra høy lydhastighet, som kan gi unøyaktigheter hvis man ikke tar hensyn til saltet. Dette håndteres i dag ved at man manuelt går inn og tilpasser hastighetsmodellene der man mener det er saltholdige lag. Også dette er tidkrevende prosesser. Vi har sett på om det er mulig å bruke dyp læring for automatisk å lage en realistisk 3D-modell av saltforekomsten. Dyp læring er en maskinlæringsmetode som er blitt populær de siste fem årene og som har revolusjonert oppgaver som ansiktsgjenkjenning og bildesøk på nettet. Vi har brukt dyp læring til å trene opp algoritmer til å gjenkjenne seismiske teksturer med og uten salt. På denne bakgrunnen kan algoritmen lage automatiske saltmodeller ut fra seismiske data. Vi har sammenlignet slike automatiske 3D-modeller med modeller basert på manuelle tolkninger. Det viser seg å være forbløffende godt samsvar.

Prosjektet var blant de første til å ta i bruk dyp læring innen automatisk tolning av seismiske data. Stipendiat Anders Waldeland har publisert dette i The Leading Edge, blitt invitert til en rekke firma i bransjen for å holde foredrag om dette, og spilt inn en E-lecture for European Association for Geoscientists and Engineers (publiseres høsten 2018). Så langt har Anders Waldeland disputert (mars 2018), mens Hao Zhao forventes å levere sin avhandling i 2018.

The project is of cross-disciplinary nature and represents a combination of petroleum geophysics (seismic processing and imaging) and image analysis/pattern recognition. Two PhD candidates will be attached to the project. It can be subdivided into four we ll defined work packages: - WP1: Enhancement of the signal-to-noise level of pre-stack seismic data employing true amplitude type of CRS technique (including the use of slope and curvature attributes). - WP2: Estimation of migration velocity fields in tim e employing CRS attributes and mapping of such velocities to depth using IIP-tomography as a constraint. - WP3: Depth-velocity model building in case of complex geological structures like salt bodies. The initial depth velocity model from the mapping tech nique described in WP2 will be iteratively updated employing PSDM and (semi)automatic detection of complex structures using pattern recognition/texture analysis. - WP4: Development super-resolution type of PSDM based on the combined concept of Fresnel ape rture and MUSIC.