Machine Learning in Geophysical Processing and -Inversion

Marine seismisk data inneholder signaler som representerer bølgeformer reflektert fra undergrunnen. Disse bølgeformene inneholder informasjon om de fysiske egenskapene til undergrunnen, for eksempel hastighetene til den elastiske bølgen som forplanter seg i de geologiske lagene. Ved å bruke informasjonen fra seismiske hastigheter, kan de elastiske bølgene migreres tilbake til sitt opprinnelige refleksjonspunkt i undergrunnen og dermed få et strukturelt bilde av geologien. Seismiske data er derfor essensielle for å forstå den geologiske historien på norsk kontinentalsokkel. Prosessen med å samle inn og prosessere seismisk data, før tolkning av geologien, består av mange prosesseringssteg og er ekstremt beregningskrevende. Lundin er en aktiv bidragsyter for å forbedre alle ledd i denne prosessen. I dette prosjektet har kandidaten benyttet seg av gjennombrudd innen dyp læring for å forbedre noen av disse geofysiske prosesseringsapplikasjonene og adressert problemstillinger som oppstår når man skal applisere slik data drevet teknologi på seismisk bølgefelt data. I løpet av prosjektperioden har kandidaten samarbeidet med andre stipendiater, noe som resulterte i medforfatterskap på to artikler som omhandler dyp læring anvendt innen seismisk prosessering, mer spesifikt til støyfjerning. I hoveddelen av forskningen, hvor kandidaten selv har hatt hovedansvaret, har fokus vært dyp læring for seismisk data rekonstruksjon/interpolasjon hvor forskjellige teknikker fra digital-superoppløsning har blitt studert. Kandidaten har publiserte to tidsskriftartikler som hovedforfatter, en tredje artikkel hvor kandidaten er andreforfatter er innsendt for evaluering. I løpet av prosjektperioden har metodiske elementer blitt presentert på to vitenskapelige konferanser og internt hos Lundin, samt bidratt til en konferanseartikkel. Arbeidet med metodeutviklingen i den nylig innsendte tidsskriftartikkelen, ble utført i samarbeid med en annen stipendiat og kommersiell leverandør, hvor det ble brukt elementer og kunnskap fra de to forrige publiserte artiklene. Den nyutviklete metoden er allerede satt i produksjon hos leverandøren, og resultater fra prosjektet skal presenteres på «The Biennial Geophysical Seminar 2022». I løpet av prosjektperioden gjennomførte kandidaten et 2.5 måneds utenlandsopphold ved Heriot-Watt universitetet i Edinburgh, hvor oppholdet ble avbrutt på grunn av Covid-19. Forskningen utført hos Heriot-Watt var rettet mot problemer relatert til det at mange steg i seismiske prosessering avhenger av at dataene er representert på et regulært grid. Begrensninger i den fysiske innsamlingsprosessen gjør at dataene ikke har den påkrevede regulariteten. Under oppholdet ved Heriot-Watt studerte kandidaten metodikk som brukes for bildeutfylling, og utvidet og formalisert disse teknikkene for å passe til flerdimensjonal seismisk data gitt i et dyp lærings rammeverk.

Prosjektet har bidratt til å identifisere områder innen seismiskprosessering hvor nevrale-konvolusjonsnettverk gir et forbedret resultat sammenlignet med eksiterende metodikk. Spesielt muligheter som er knyttet til utfordringer ved å gi økt seismisk oppløsning har vi identifisert tre ulike metoder, som hver har sitt anvendelses område. En utfordring ved bruk av maskin læring er å finne data til å trene opp modellene. I to av artiklene har vi utviklet metoder hvor det ikke er nødvendig med en ekstern kilde av treningsdata for å identifisere prediksjons modellen. I det siste arbeidet har det blitt illustrert hvordan de-migrasjon kan benyttes som for å generere trenings data. Metodikken har bidratt til økt oppløsning samt automatisering av deler av prosessen som tidligere hadde flere manuelle elementer.

In oil and gas exploration, artificially generated pressure waves are used to extract important information about the subsurface physical properties as well as the rocks geometrical appearance. In seismic inversion you formulate the forward problem, in order to make synthetic data, and try to fit this data with the observed data (field data). The closer synthetic data resembles field data, the closer we are to estimating the true model parameters. In this study we will investigate how we can use state of the art algorithms from both geoscience and datascience in order to predict a model which is closer to the true model. The proposed doctoral work will focus on combining methods used in geophysical processing and inversion with methods within the field of machine learning. The candidate will conduct research towards the use of numerical methods for optimizing and adapting methods and algorithms within these fields. The motivation and overall goal is to develop machine learning workflows in order to improve the efficiency of seismic processing and inversion processes. In addition, as high resolution seismic, such as Broadband seismic, has become more and more sought after in the industry, attention will be directed towards research within the use of non-conventional streamer configurations, such as variable depth streamers and special VSP setups, and how they relate to seismic resolution. Case studies on field data will be implemented in this thesis work.