Machine learning and seismic attributes for petroleum prospect generation and evaluation: An example from offshore Australia
Notice bibliographique
Résumé
Abstract Seismic attributes play pivotal role in studying and understanding subsurface formations. Attributes can be extracted from seismic data and from postseismic inversion data. The growing number of seismic and elastic attributes poses a challenge, making the full benefit from each attribute very difficult, if not impossible. Various approaches are routinely used to select the best attributes for specific purposes. Machine learning algorithms have demonstrated good capabilities in combining appropriate attributes to address reservoir characterization problems. We aimed to use seismic and elastic attributes to detect hydrocarbon-saturated reservoirs, source rock, and seal rocks in the Poseidon field, offshore Australia. A large number of attributes weer extracted from seismic data and from impedance data. Artificial neural networks were implemented to combine the extracted attributes and convert them into petrophysical properties, namely, resistivity volume, and gamma ray volume, from which shale probability volume, sand probability volume, effective porosity volume, and gas chimney probability cubes are produced. The cubes were deployed for a detailed analysis of the petroleum system in the area. The produced shale and resistivity cubes helped delineate the seal rock and source rock in the area. Next, the reservoir intervals were identified using the porosity, shale, and resistivity volumes. A pretrained convolutional neural network was trained using another carefully selected attribute set to detect subtle faults that hydrocarbons might migrated through from source rock to trap. The integration of all the extracted cubes contributed to finding new prospects in the area and assessing their geologic probability of success. Our approach stands out for its multiphysical attribute integration, ML and human expertise incorporation, possible applicability to other fields.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».