Tilbake til søkeresultatene

NAERINGSPH-Nærings-phd

Machine Learning in Geophysical Processing, Seismic Interpretation and Subsurface Modelling

Alternativ tittel: Maskinlæring i Geofysisk Prosessering, Seismisk Tolkning og Geologisk Modellering

Tildelt: kr 1,8 mill.

Prosjektnummer:

332491

Prosjektperiode:

2021 - 2024

Midlene er mottatt fra:

Organisasjon:

De siste årene har maskinlæring blitt et stadig viktigere verktøy for automatisk seismisk tolkning. I dag brukes kun en svært liten andel av den tilgjengelige seismiske dataen, fordi tolkningen av denne dataen er svært tidkrevende. Målet med denne forskningen er å utvikle maskinlæringsbaserte metoder som kan hjelpe geologer å tolke undergrunnen og automatisk trekke ut mer informasjon fra seismiske bilder. I geofysikk er den mest brukte teknikken for å avbilde undergrunnen refleksjonsseismikk. I refleksjonsseismikk sendes lydbølger ut fra en kilde og ned i bakken. Når lydbølgene beveger seg gjennom bakken så vil de passere bergarter med forskjellige egenskaper. Dette kan være bergarter med forskjellig tetthet, eller bergartens evne til å motstå kompresjon. Når en lydbølge treffer en grense mellom bergarter med ulike egenskaper, vil en brøkdel av lydbølgeenergien reflekteres mot overflaten. Disse reflekterte bølgene kan måles ved overflaten og brukes til å konstruere det seismiske bilde av undergrunnen. Dette ligner på teknikkene som brukes til å avbilde bein og organer i menneskekroppen ved hjelp av ultralyd, eller hvordan visse pattedyr, slik som hvaler og flaggermus, bruker lyd til å konstruere et «bilde» av omgivelsene de kan bruke til å navigere eller til å lete etter mat. Etter at de seismiske bildene er konstruert får en geolog i oppgave å tolke dem for å bedre forstå geologien og den geologiske historien til et område. Detter er en vesentlig del av olje - og gassleting siden denne forståelsen kan brukes til å identifisere mulige olje - og gassreservoar.

The proposed doctoral work will focus on the application of machine learning techniques for automated seismic interpretation and modelling of complex geological structures and stratigraphies in seismic images. Reflection seismic is the most commonly used technique used to portray the earth’s subsurface, where seismic waves are emitted from a source and allowed to propagate through the earth. Parts of the emitted waves will be reflected, which can be measured and compiled into seismic images of the earth's interior. Geologists use these images to create maps of the subsurface to better understand the geology in an area. Machine learning describes a set of algorithms that aims to improve its performance with respect to a task, without explicitly being programmed to do so, by creating a machine learning model and exposing it to data. The field of machine learning can be divided into two subfields, supervised and unsupervised learning. In supervised learning, the model learns the mapping between labelled input-output pairs of data, whereas in unsupervised learning the model finds structure in the data itself without the use of labels. In recent years, machine learning methodologies have been successfully employed in seismic interpretation workflows. However, many of these methods are based on supervised machine learning methodologies, which requires the use of labels in form of manual interpretations of the subsurface. The disadvantage with manual interpretations is that they are both time-consuming and require extensive domain knowledge to make. Since this is an interpretation task, the labelled data will also be sensitive to bias. Thus, the main motivation and goal of this research are to develop automatic/semi-automatic interpretation tools, based on unsupervised/semi-supervised machine learning techniques, which do not require manually labelled data. This approach may mitigate some of the challenges present in the supervised approaches as outlined above.

Budsjettformål:

NAERINGSPH-Nærings-phd