Optimizing the Use of Marine Seismic Sources

Volodya Hlebnikovs Ph.D. avhandling, januar 2022 Mellom 2019 og 2021 gjennomførte Volodya Hlebnikov en industriell Ph.D. med hovedvekt på maskinlæringsbaserte prosesseringsløsninger for seismiske data. Han har vært ansatt av CGG med økonomisk støtte fra Norges forskningsråd og med akademisk tilknytning til Universitetet i Oslo (UiO). Målet med seismikkinnsamling og prosessering er å oppnå tredimensjonale høykvalitetsbilder av undergrunnen, hovedsakelig for olje- og gassleting, men også for andre formål som grunnundersøkelser for strukturer, overvåking av karbonlagring eller for reduksjon av geofare. I marin seismikkinnsamling sleper en båt flere aktive kilder, typisk arrayer av luftkanoner, som sender ut akustiske bølgefelt som reflekteres fra vannbunnen og steinlagene under og detekteres av hydrofoner i streamere som er flere kilometer lange. En av de store utfordringene i seismisk prosessering er optimal rekonstruksjon av det sparsomt samplede bølgefeltet fra innsamlingen. Det sentrale temaet for Volodyas Ph.D. avhandling er denne rekonstruksjonen (dvs. interpolasjon) av bølgefeltet både mellom streamerne, så vel som mellom kildene ved hjelp av maskinlæring i form av konvolusjonsbaserte nevrale nettverk. Tilgang til state-of-the-art seismiske prosesseringsverktøy og et vell av data og erfaring innen CGG har vært en stor fordel i Volodyas Ph.D. i jakten på forbedrede løsninger på interpolasjonsproblemet. Hovedresultatet av denne forskningsaktiviteten er en ny tilnærming for interpolering av manglende data i offsetklasser har ført til forbedret avbildning av undergrunnen, både i syntetiske og ekte dataeksempler. Metoden er testet i CGGs standardarbeidsflyt av erfarne geofysikere, og en patentsøknad «Modelleringsbasert maskinlæring for seismisk prosessering» ble sendt inn i august 2021. Volodyas avhandling, levert 31. januar 2022, består av følgende hovedelementer (CNN står for Convolutional Neural Network): 1: En detaljert beskrivelse av et bredt spekter av marine støytyper i seismiske streamerdata. Dette inkluderer både en rekke standardteknikker for å dempe støy, men også noen spesifikke triks brukt i industriell støyfjerning. Dette arbeidet ble publisert i Geophysics i 2021 og har tittelen: "Noise types and their attenuation in towed marine seismic: A tutorial" 2: Utvikling av CNN-metoder for interpolasjon mellom streamere og skuddpunkter. Disse metodene er basert på trening av et CNN basert på likheten mellom forskjellige romlige dimensjoner til de seismiske dataene, for eksempel langs streamerne kontra vinkelrett på dem, eller mellom et skudd-gather og et mottaker-gather. Arbeidet viste at et CNN kan trenes i én dimensjon og brukes i en annen. En del av dette arbeidet ble publisert i en artikkel i Geophysics i 2020 med tittel "Cross-streamer wavefield reconstruction through wavelet domain learning". Denne artikkelen har Volodya skrevet bl.a. sammen med en annen industriell Ph.D. student, Thomas Greiner fra Lundin/UiO. 3: Utvikling av CNN-metoder for interpolering og regularisering av uregelmessige og sparsomt samplede offsetklasser To metoder for opptrening av nettverket ble prøvd: (1) ved å bruke den konvensjonelle metoden som "lærer" og (2) ved å bruke demigrerte (dvs. modellerte) data. Begge tilnærmingene ble testet med en rekke nevrale nettverk, både 2D og 3D. Tilnærming 2 ga forbedret interpolering og bilder sammenlignet med avanserte konvensjonelle metoder. Denne nye generelle demigrasjonsbaserte opplæringsmetoden som også kan brukes i andre prosesstrinn enn til interpolering (for eksempel de-ghosting, designatur, de-bobling og de-multiple) ble sendt inn som patent i august 2021. Følgende artikkel ble sendt til geofysisk prospektering i oktober 2021: "De-migration-based supervised learning for interpolation and regularization of 3D offset classes". Artikkelen fikk positive tilbakemeldinger fra de tre anmelderne som anbefalte publisering etter kun lett revisjon.

Hovedresultatet av denne forskningsaktiviteten er en ny tilnærming for interpolering av manglende data i offsetklasser har ført til forbedret avbildning av undergrunnen, både i syntetiske og ekte dataeksempler. Metoden er testet i CGGs standardarbeidsflyt av erfarne geofysikere, og en patentsøknad «Modelleringsbasert maskinlæring for seismisk prosessering» ble sendt inn i august 2021. Denne metoden gir bedre resultater enn den klassiske interpolasjonsmetoden basert på Fouriertransformasjoner. Den er også mer tidseffektiv. Metoden er i ferd med å testes i CGG?s profesjonelle prosesseringsgrupper der den kan bane veien for å bruke neurale nettverk isteden for tradisjonelle dataprogrammer for å utføre interpolasjon av glisne seismiske data.

As a leader on the market, CGG offers state-of-the-art marine seismic acquisition technologies, developed to address specific imaging objectives. Seismic imaging is a geophysical technique that investigates the subsurface and gives vital information about its properties. Such features can give oil and gas companies a more astute indication if a prospect area contains hydrocarbons. The quality of the seismic data therefore is crucial. The marine seismic air-gun source plays a key role in seismic imaging. This project focuses on a novel use of marine seismic sources. Conventional marine seismic surveys today are conducted by a vessel towing two to three seismic sources combined in source arrays. The aim of this work, based on new research effort, is to move towards an acquisition setup where several distributed sources will be used instead. The actual configuration of this multi-source layout such as number of sources, positioning, size (volume), firing rate, steering and other criteria is of utmost importance. Practically speaking, these will be analyzed in detail by conducting modeling studies. In such a way, the R&D team will be able to understand the impact on the final seismic image. The multi-source concept aims to improve the image quality. This is possible as such kind of acquisition configuration brings the missing 'near offset' coverage. Additionally, by having more widely-spaced sources deployed, a larger subsurface area is covered as opposed to conventional survey. In this way, the acquisition efficiency is improved. Based on the work following this project, the knowledge and expertise about the multi-source acquisition will be improved. This knowledge and expertise is even more relevant in areas where dealing with subtle and complex prospects such as in the Barents Sea and North Sea. As a result, the anticipated outcome is to propose an 'optimal' source configuration for a specific geophysical imaging solution.