Filtering techniques and numerical solutions related to image enhancement and automatized geological interpretation of seismic data

Seismisk refleksjonsdata har blitt brukt i oljeindustrien siden midten av 1950-tallet. Seismiske refleksjoner representerer endringer i hastighet og/eller tetthet i jordas indre, og geologer tolker disse refleksjonene for å lage kart og slik bedre forstå den geologiske utviklingen i et område, som for eksempel sedimentasjonshistorikk og tektoniske eventer. I dag tolker geologer store seismiske 3D kuber, som er laget fra innsamlet og prosessert seismisk refleksjonsdata. Ideelt så er seismisk tolkning basert på geofysisk kunnskap og en intuitiv forståelse av geologi. Seismisk tolkning involverer ekstraksjon, både kvantitativ og kvalitativ, fra seismisk data. Typiske elementer av interesse kan være forkastninger, seismiske horisonter og sekvensgrenser (f. eks. inkonformiteter). Seismisk tolkning er essensielt for å kunne bedre forstå undergrunnen, men deler av tolkningsprosessen kan være tidkrevende og subjektiv. Med stadig økende datakraft blir nye digitale verktøy kontinuerlig utviklet. Denne doktorgraden tar for seg bruk av digitale verktøy for å adressere ulike aspekter ved automatisert seismisk tolkning. Hovedmålet har vært å implementere digitale verktøy med geofysisk og geologisk forståelse for å automatisk ekstrahere informasjon fra seismiske data. Arbeidet har involvert å introdusere nye data-drevne metoder som baserer seg på eksisterende algoritmer fra maskinlæring, bildebehandling og signalbehandling.

1)Semi-automatic extraction of individual faults and unconformities from 3D seismic data using image processing tools (Paper I) 2)Automatic correlation and extraction of seismic multi-horizons from 3D seismic data using non-local pattern recognition for trace matching (Paper II) 3)Data-driven identification of stratigraphic units in 3D seismic data using unsupervised machine learning (Paper III) 4)Image to image transformation in order to improve seismic images and to extract attribute information using supervised machine learning (cGANs) (Paper IV)

The proposed doctoral work will focus on imaging techniques in geoscience, and how images of the subsurface can be enhanced through digital filtering and image processing. With this, the aim is to improve and automatize how the earth's interior is interpreted. The candidate will conduct research on use of numerical methods for optimization of the filter algorithms. The motivation and overall goal is to develop automatic/semi-automatic interpretive techniques for seismic data. Attention will be especially directed to the classification and interpretation of structural trends and stratigraphic sequences. Case studies with data from Lundin Norway AS, acquired in the southwest Barents Sea, will be implemented with the thesis work. Imaging techniques that are similar to the geophysical reflection seismology (such as X-ray surveys, MR- and CAT-scans and echo sounding) are being used in different industries and image processing techniques used in other disciplinary fields will be exploited in this work. Such techniques are e.g. the non-local means algorithm for image de-noising, used in the medical industry today. Other examples such as face recognition techniques can also be mentioned. Thus, the candidate will benefit from techniques and knowledge related to other research fields, and will conduct new research that is valuable in other industries where image processing is relevant.