Étude qualitative des attribues sismiques sur l’extraction automatique des failles par intelligence artificielle

Abstract

La modélisation de réservoir est un processus long et itératif, commençant par l'interprétation, puis la modélisation, et enfin l'obtention d'aperçus et de prises de décision. Une des étapes critiques est l'interprétation sismique (plus précisément, l'interprétation des failles), où les spécialistes peuvent différer dans leur interprétation en fonction des objectifs, ce qui conduit à la génération de multiples résultats à chaque étape du flux de travail de la modélisation, d'où de nombreuses réalisations, et cela peut prendre des mois en fonction du projet. Dans cette étude, nous tenterons d'accélérer l'interprétation des failles en l'automatisant et en utilisant les dernières technologies. Il existe essentiellement trois façons possibles d'extraire les failles des données sismiques : interprétation manuelle, extraction semi-automatisée des failles à l'aide d'attributs sismiques, extraction automatique des failles à l'aide de l'apprentissage automatique sur DELFI. Les attributs sismiques se sont révélés efficaces dans l'extraction des failles, éliminant la sélection manuelle et exploitant les attributs structurales pour la détection des failles. De plus, ils sont utilisés comme filtres pour mettre en évidence les caractéristiques structurelles dans les données sismiques de mauvaise qualité. En ce qui concerne le Machine Learning, le processus d'interprétation des failles est entièrement automatisé en utilisant des algorithmes de segmentation d'images pour la détection des failles. La technique a montré un excellent potentiel, néanmoins elle reste encore peu développée. Par conséquent, nous allons tester Machine Learning Assisted Seismic Interpretation (MLASI) en utilisant des cubes sismiques originaux, puis essayer de l'améliorer en utilisant différentes entrées en suivant l'ordre de développement des attributs sismiques, et enfin comparer tous les résultats. Nous utilisons les données sismiques (3D) du sous-bassin d'Exmouth (partie du bassin de Carnarvon nord) situé au large de la côte nord-ouest de l'Australie, où se manifeste un régime tectonique extensionnel, avec des failles majeures orientées NE-SW et inclinées vers l'Est et l'Ouest. L'utilisation de (MLASI) avec les données sismiques originales a montré de bons résultats, cependant, l'utilisation des attributs structurales tels quels ne correspond pas aux résultats des sismiques originaux. Cependant, en conditionnant les données sismiques à l'aide de techniques et de flux de travail innovants tels que l’Ant-tracking (Suivis de fourmis) multiple, cela a montré une amélioration majeure par rapport à l'utilisation des seuls attributs structurales. Cela n'a été possible que grâce à l'utilisation du Cloud, ce qui a permis la réalisation de nombreuses expériences en peu de temps.