AVO og inversjon ved modellering av det komplette elastiske bølgefetltet

Under aktive seismiske målinger blir reflekterte bølger fra undergrunnen registrert av sensorer på ulike avstander (offset) fra kilden. Etter omfattende bearbeiding og bildebehandling kan måledataene på disse ulike offsetene brukes til å finne reservoaregenskaper ved hjelp av en metode som kalles AVO (Amplitude Variation with Offset) inversjon. Denne metoden brukes for å skille mellom væskeinnhold i porøse sandsteiner, dvs. å skille mellom vann, olje eller gass. Imidlertid er det mange fallgruver i denne AVO-analysen, som er delvis knyttet til en altfor forenklet modell for bølgeutbredelse i jorden. Saskia Tschache har i dette industrielle doktorgradsprosjektet fokusert på to hovedområder: (i) undersøke og implementere et mer egnet modelleringsverktøy og (ii) bruke dette verktøyet i en bayesiansk klassifiserings- og inversjonsmetode for å kvantifisere usikkerheten i estimeringen av reservoaregenskaper. Saskias første artikkel i doktorgraden ble publisert i Journal of Applied Geophysics i november 2022 og heter "On the accuracy and spatial sampling of finite difference modelling in discontinuous models" (Saskia Tschache, Vetle Vinje, Einar Iversen). I denne artikkelen sammenligner hun to populære metoder for å simulere propagasjonen av lydbølger i undergrunnen: Refleksjonsmetoden (RT) og Finite Difference-metoden (FD). Hun viser at RT-metoden er ekstremt nøyaktig ved å sammenligne den med kjente analytiske løsninger. I artikkelen utleder hun også kravene til prøvetaking og optimal modellparametrisering som funksjon av signalfrekvens som er nødvendige for FD-metoden, ved hjelp av RT-metoden som referanse. Saskias andre og tredje artikkel bruker RT-metoden som en modelleringsmotor og kombinerer den med bayesianske metoder, der mange mulige realiseringer av reservoarmodeller blir vurdert. De elastiske egenskapene til disse modellene er skapt ved en kombinasjon av brønnloggmålinger og etablert bergartsfysikk. Artikkel 2, med tittelen "Quantifying amplitude-variation-with-offset uncertainties related to calcite-cemented beds using a Monte Carlo simulation", ble publisert i Interpretation i april 2023 og kvantifiserer usikkerheten når kalkstein-sementerte lag er til stede i en sandsteinsreservoar. Disse harde, tynne lagene skaper en påvisbar effekt på målte AVO-data og AVO-basert porefluid-klassifisering. Saskia viser i en test fra Nordsjøen at sannsynligheten for en falsk-positiv indikasjon av hydrokarboner øker fra 3-5% til 18-21% når kalkstein-cementerte lag er inkludert. Resultatene bekrefter at kalkstein-sementerte lag er en potensiell fallgruve i AVO-analysen. Artikkel 3 ble sendt inn til den internasjonale journalen Interpretation i april 2023 og heter "Estimation of net-to-gross ratio and net pay from seismic amplitude variation with offset using Bayesian inversion". Ved å bruke en lignende metodologi som i artikkel 2, utviklet Saskia en inversjon som kan brukes på AVO-kart for å produsere kart over de mest sannsynlige estimatene av viktige reservoaregenskaper, som andelen porøse sandlag og hydrokarboninnholdet i et reservoar i tillegg til usikkerhetene i estimatene. I dette arbeidet har Saskia samarbeidet tett med sine CGG- og UiB-veiledere, med medstudenter i CGG i Oslo, studenter og medveileder Jan Erik Lie fra Lundin/AkerBP, verdenskjent ekspert på kvantitativ seismisk tolkning Dr. Per Avseth, og AVO-eksperter og geologer både ved CGG i Norge og internasjonalt.

Saskia har utviklet en inversjonsmetode som kan brukes på seismiske AVO-målinger for å produsere kart over de mest sannsynlige estimatene av viktige reservoaregenskaper, som andelen porøse sandlag og hydrokarboninnholdet i et reservoar i tillegg til usikkerhetene i estimatene. I tillegg har hun kvantifisert usikkerheten som sementerte, tynne kalksteinslag medfører i AVO inversjon. Begge disse anvendelsene av hennes metode kan bidra til en bedre forståelse av risiko ved boring av brønner.

The recent availability of powerful GPUs and open source software have enabled artificial neural networks (ANNs) to be applied to several practical and industrial scale problems. In seismic data processing, ANNs have the potential to be applied to many of the key processing steps (swell noise attenuation, seismic interference attenuation, deblending, deghosting, etc.) which today involve significant testing time and computational power. Once trained, ANNs are computationally very light and potentially adaptable to different datasets. Their use could, therefore, save processing times and, in the long term, impact the whole business sector. The proposed doctoral work is about the usage of ANNs for processing of marine seismic data, esp. denosing and deblending. The goal is to achieve similar or better quality results compared to conventional processing methods.