Å finne naturressurser krever å studere undergrunnen, noe som innebærer måneder med kvalifiserte spesialisters arbeid og mange avanserte teknologier. Hver tilgjengelig teknologi har begrensninger. Integrering av dem og deres analyse bidrar til å foreslå undergrunns innholdet med bedre selvtillit. Risikoen for feil er imidlertid fortsatt høy. Hva om vi kunne klikke på en "magisk knapp" som ville analysere tilgjengelige data og avsløre innholdet i undergrunnen på et minutt?
I 1980 kunne vi for eksempel bare drømme om en "knapp" som kunne konvertere seismiske data fra undergrunnen til relevante fargeattributter for å hjelpe oss å forstå eller gjette bergartene med lignende egenskaper. I dag har vi programvare som gir oss attributter på sekunder. Men den dag i dag har vi fortsatt ikke den "knappen" som lar oss forutsi hvilken type steiner og væske som finnes i porene deres. Vi kan bare gjøre antagelser om mulig innhold i undergrunnen.
Den grunnleggende begrensningen for prediksjonen av tilgjengelige bergegenskaper ligger i de første fysiske prinsippene fra tilbake i 1900. I dag kan vi overvinne denne begrensningen med store beregningsressurser og AI-algoritmer ved å omskrive den grunnleggende beskrivelsen av den konvensjonelle fysiske prosessen.
PSS-Geo tar sikte på å gjøre det mulig for selskaper som arbeider innenfor geologirelaterte felter å forutsi typen underjordiske bergarter og væsker i løpet av minutter og ikke måneder som det er nå. Vi forventer at resultatet av vår forskning vil gi slike løsninger til andre.
PSS-Geo has recently developed an AI-based algorithm to estimate accurate rock properties from post-stack seismic data. The aim of this research project is to extend the algorithm to pre-stack seismic data to get an even better rock properties estimation.
No algorithms and methods are available in conventional physics to estimate non-linked key properties of Velocity and Density of the rocks from seismic data. These properties are mainly used as a basis for further lithology and fluids prediction in oil and gas exploration. All existing approaches of seismic inversions are based on these fundamental assumptions: linearization of the Zoeppritz equation, estimation of impedances or elastic parameters and extraction through regressions of linked Velocity and Density.
The accurate estimation of the Velocity and Density removes the gap between pure seismic structural interpolation and quantitative interpretation (QI). Using only a conventional physical approach leaves QI as supplementary with less trustable methods due to fundamental assumptions/limitations.
The application of the proposed technique for high-resolution shallower seismic will significantly improve geohazard studies for seabed installations. It significantly reduces the required time and resources and achieve a high-resolution velocity field of full frequency band. FWI is in comparison less efficient and can only generate results of limited frequency band. In the field of seabed mining (SBM), it will directly allow the mapping of rock properties with information on the spreading of geo bodies or on accumulation of specific minerals.
The project aims to develop an AI-based pre-stack seismic inversion algorithm with a radically new solution approach. This new algorithm will benefit the estimation accuracy of rock properties and substantially reduce the man-hand influence and processing costs.
Patented technology and peer-reviewed publications will be used as the basic principles behind this R&D project.
