利用人工神经网络进行3d地震数据深度转换的系统和方法
【专利说明】利用人工神经网络进行3D地震数据深度转换的系统和方 法
[0001] 相关申请的交叉引用
[0002] 不适用。
[0003] 有关联邦资助研究的声明
[0004] 不适用。
技术领域
[0005] 本发明一般设及利用人工神经网络的=维（"3D")进行地震数据深度转换的系统 和方法。更具体地，本发明设及将堆叠的或者优选的时间偏移（timemigrated) 3D地震数 据及相关的地震属性从时间域（timedomain)转换到深度域（ckpthdomain)。
【背景技术】
[0006] 对于设及通过储层（油藏）（reservoir)表征研究、水平井规划和地质导向、模拟 设计（stimulationdesign)和油藏模拟来估计储层储量的地学科学家和油藏工程师而言， 将3D地震数据从时间域转换到深度域是非常重要的。深度转换后的地震数据可用于通过 井控来增强储层孔隙度和厚度的地层映射，检验为了留在油气层中而沿水平井长度做出的 结构/断层解释，W为储层储量计算和总资产管理提供更精确的框架。
[0007] 许多传统技术和程序已经被开发，W将地震数据从时间域转换到深度域。该些技 术包括来自校验炮测量（check-shotsurvey)、速度测量、堆叠速度、断层成像、声波反演、 测井数据等的正在开发的速度模型。然而，该些技术中有许多集中在将储层层位化orizon) (结构映射）从时间域转换到深度域，而不是将地震体（seismicvolume)及其相关的地震 属性从时间域转换到深度域，该通常被称为体深度（volumedepthing)。此外，目前实践中 的体深度从未100%准确地用在储层表征研究中，因为对于所需的分辨率来说，速度模型最 终还是过于简单。结果是，当整个地震体被转换到深度域时，感兴趣的储层层段（interval) 被平滑甚至在结果中丢失。
[000引现代地震解释方法和工具经常使用沿着地震体边或覆盖地震体的各种地震属性 的联合提炼（co-rendering)。用于地震解释的一百多个属性的大部分都在时间域中被计算 和解释。将它们转换到与地震数据的深度转换相一致的深度通常是可行的，但在实践中很 少该样做。而且，该样的属性深度转换会遭遇与在上述地震深度转换中提及的储层层段中 同样的分辨率损失。事实上，由于许多基于时间的属性的更高锐利性（sha巧ness),该种损 害甚至可能更加严重。最近重要的研究集中在基于层位的属性，例如既可W在时间域或也 可W在深度域中计算的相干性和曲率。该样的属性提供在深度域中的值，但很少被解释，甚 至被解释为深度域中的体属性。显然用于将许多时间域储层属性映射到深度域的高分辨率 方法期望能够有助于提高地震解释W及后续的储层评估和规划的可靠性和细节了解。
【发明内容】
[0009] 通过提供用于将堆叠的或者优选的时间偏移3D地震数据及相关的地震属性从时 间域转换到深度域的系统和方法，本发明满足上述需要并克服了现有技术中的一个或多个 缺陷。
[0010] 在一个实施例中，本发明包括一种用于将=维地震数据从时间域转换到深度域的 方法，该方法包括；i)使用人工神经网络而不用在感兴趣的储层层段内或在其附近的声波 测井，来预测选择的井的声波时差（intervaltransittimes) ;ii)将所选择的井的时深对 转换成沿地震时间层的时深对；iii)通过在=维地震时间体中重新排列地震道（seismic traces)形成参考层，W将所述地震时间层对准每个道上的时间零点；iv)使用所述转换后 的时深对，将相对深度赋值给（assign)所述感兴趣的储层层段处或在其附近的每个地震 样本值及各自的地震属性值；V)形成表示时深层体的多个构造上修正的表面；W及Vi)将 所述感兴趣的储层层段处或在其附近的每个地震样本值及各自的地震属性值从所述地震 时间体传送（transfer)到所述时深层体中的所述多个构造上修正的表面。
[0011] 在另一个实施例中，本发明包括一种承载计算机可执行指令的程序载体装置，用 于将=维地震数据从时间域转换到深度域。该指令可被执行W实施下述；i)使用人工神经 网络而不用在感兴趣的储层层段内或在其附近的声波测井，来预测选择的井的声波时差； ii)将所选择的井的时深对转换成沿地震时间层的时深对；iii)通过在=维地震时间体中 重新排列地震道形成参考层，W将所述地震时间层对准每个道上的时间零点；iv)使用所 述转换后的时深对，将相对深度赋值给在所述感兴趣的储层层段处或在其附近的每个地震 样本值及各自的地震属性值；V)形成表示时深层体的多个构造上修正的表面；W及Vi)将 所述感兴趣的储层层段处或在其附近的每个地震样本值及各自的地震属性值从所述地震 时间体传送到所述时深层体中的所述多个构造上修正的表面。
[0012] 通过各个实施例及相关附图的W下说明，本发明的其它方案、优点W及实施例将 变得对本领域技术人员显而易见。
【附图说明】
[0013] 下文参考附图描述本发明，其中类似的元件引用类似的附图标记，并且其中：
[0014] 图1是示出用于实施本发明的方法的一个实施例的流程图。
[0015] 图2是示出用于实施本发明的系统的一个实施例的框图。
【具体实施方式】
[0016] 虽然具体地描述本发明的主题，然而，说明书本身不意欲限制本发明的范围。因 此，该主题还可与其它技术相配合而W其它方式被具体实施为包括不同步骤或与本文所描 述的那些相类似的步骤的组合。此外，尽管该里可W使用术语"步骤"W描述所采用的方法 的不同要素，但是该术语不应该被解释为在本文公开的各种步骤之中或之间暗含了任何特 定的顺序，除非说明书明确限定具有特定顺序。尽管本发明可W被应用于油气工业，但是本 发明的系统和方法不限于此，而是还可W应用到诸如水资源管理、碳封存、或医学成像的其 他工业来达到类似的结果。
[0017] 方法描述
[001引现在参照图1，示出用于实施本发明的方法100的一个实施例的流程图。方法100 提供一种非常有效的方式，W容易地用高分辨率将3D地震数据及相关的地震属性从时间 域转换到深度域，用于储层研究。在构造覆盖层（overburden)复杂性的情况下，时间偏移 地震数据可W使用Larner等人的方法（1981)被成像射线校正。方法100包含一个或多个 步骤，用于训练多感知反向传播人工神经网络，W针对储层研究区域中的每个井学习声波 时差。人工神经网络用于该样的目的，其对于与声波测井不可用或者声波测井可用但被不 可接受的噪声污染的井，从与同一井有关的其它测井中预测声波测井。可W使用具有良好 声波测井的井来训练人工神经网络W预测声波测井。合理的基本假设是，由于在地质情况、 埋藏历史等的相似性原因，人工神经网络系数的未知横向变化在具体感兴趣的储层层段内 将会是微不足道的，因此，单个人工神经网络可用于所有井。然而，可W优选一个W上人工 神经网络。
[0019] 在步骤102中，使用参考图2描述的客户端接口和/或视频接口及本领域公知的 技术，在感兴趣的储层层段内或紧靠感兴趣的储层层段处选择地震时间层。为了可W在感 兴趣的储层层段内或紧邻感兴趣的储层层段处识别和选择地震时间层，可W使用储层地震 数据来解释储层层段（reservoirinterval)。地震时间层可能产生于来自储层层段的顶 部或底部的反射或者来自储层层段内、该储层层段正上面或正下面的一些其它分层的反 射。可选地，当在覆盖层和储层两者中的构造复杂性情况下，可相同的方式用深度偏移 地震数据而不是时间偏移地震数据来选择地震深度层。例如，可W使用本领域公知的技术 (诸如射线追踪法或光程函数法）将地震深度层转换成地震时间层，同时保持在地震时间 层上的钻孔位置（welllocation)。
[0020] 在步骤104中，可w使用参考图2描述的客户端接口和/或视频接口选择横穿 (intersect)感兴趣的储层层段的井及相关的测井数据。
[0021] 在步骤106中，可W使用公知的多元（multi-variate)统计技术处理来自所选择 的井的测井数据，W去除不可靠的数据部分，如噪声。测井数据可包括例如来自裸井或套管 井测井数据的可用