References

geophystech

Геофизические технологии

Russian Journal of Geophysical Technologies

2619-1563

IPGG SB RAS

10.18303/2619-1563-2025-4-12

geophystech-442

Research Article

Статьи

О стохастической инверсии и ее использовании для прогноза характеристик среды

On stochastic inversion and its use for media characteristics prediction

https://orcid.org/0009-0003-0372-0476

Костащук

Д. И.

Kostashchuk

D. I.

Костащук Даниил Иванович – аспирант НГУ, инженер лаборатории динамических проблем сейсмики

630090, Новосибирск, просп. Акад. Коптюга, 3

630090, Новосибирск, ул. Пирогова, 1

Daniil I. Kostashchuk

Koptyug Ave., 3, Novosibirsk, 630090

Pirogov Str., 1, Novosibirsk, 630090

d.kostashchuk@g.nsu.ru

https://orcid.org/0000-0003-4203-2740

Митрофанов

Г. М.

Mitrofanov

G. M.

Митрофанов Георгий Михайлович – доктор физико-математических наук, доцент, главный научный сотрудник лаборатории динамических проблем сейсмики

630090, Новосибирск, просп. Акад. Коптюга, 3

630090, Новосибирск, ул. Пирогова, 1

630073, Новосибирск, пр. К. Маркса, 20

Georgy M. Mitrofanov

Koptyug Ave., 3, Novosibirsk, 630090

Pirogov Str., 1, Novosibirsk, 630090

K. Marks Ave., 20, Novosibirsk, 630073

MitrofanovGM@ipgg.sbras.ru

Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН; Новосибирский государственный университетРоссияTrofimuk Institute of Petroleum Geology and Geophysics, SB RAS; Novosibirsk State UniversityRussian Federation

Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН; Новосибирский государственный университет; Новосибирский государственный технический университетРоссияTrofimuk Institute of Petroleum Geology and Geophysics, SB RAS; Novosibirsk State University; Novosibirsk State Technical UniversityRussian Federation

2025

31032026

041229

2026

Костащук Д.И., Митрофанов Г.М.

Kostashchuk D.I., Mitrofanov G.M.

This work is licensed under a Creative Commons Attribution 4.0 License.

https://www.rjgt.ru/jour/article/view/442

Представлен обзор методов стохастической инверсии сейсмических данных с кратким освещением эволюции сейсмической инверсии в целом. Рассмотрены четыре ключевых метода стохастической инверсии с более детальным обзором одного из алгоритмов группы Монте-Карло – 1D stochastic inversion process. Подробно разбираются все этапы его практической реализации. Продемонстрировано применение алгоритма при решении задач прогноза коллекторских свойств целевых горизонтов. Работа может служить структурированным введением в область вероятностных алгоритмов сейсмической инверсии.

This paper presents an overview of stochastic seismic data inversion methods, briefly discussing the evolution of seismic inversion in general. Four key stochastic inversion methods are discussed, with a more detailed examination of one of the Monte Carlo algorithms – the 1D stochastic inversion process. All stages of its practical implementation are discussed in detail. The application of the algorithm to predicting the reservoir properties of target horizons is demonstrated. This paper can serve as a structured introduction to the field of probabilistic seismic inversion algorithms.

сейсморазведкастохастическая инверсияинтерпретация сейсмических данныхпрогноз характеристик горизонтов

seismic explorationstochastic inversionseismic data interpretationhorizon characteristics prediction

исследование выполнено по плану базовых научно-исследовательских работ ИНГГ СО РАН (проект Минобрнауки РФ FWZZ-2022-0017).

the study was carried out as part of government assignment to the Russian Academy of Sciences in basic research, Project FWZZ-2022-0017.

References1

Алексеев А.С. Обратные динамические задачи сейсмики // Некоторые методы и алгоритмы интерпретации геофизических данных. М.: Наука, 1967. С. 9–84.

Abrahamsen P., Hektoen A.L., Holden L., Munthe K.L. Seismic impedance and porosity: support effects // E.Y. Baafi, N.A. Schofield (Eds.). Geostatistics Wollongong’96. Kluwer, Dordrecht, 1997. Vol. 1. P. 489–500.

Ампилов Ю.П., Барков А.Ю., Яковлев И.В., Филиппова К.Е., Приезжев И.И. Почти всё о сейсмической инверсии. Часть 1 // Технологии сейсморазведки. 2009. № 4. С. 3–16. EDN:LUHKLQ.

Alekseev A.S. Inverse dynamic problems of seismics // Some methods and algorithms for interpreting geophysical data (In Russ.). Nauka, Moscow, 1967. P. 9–84.

Гогоненков Г.Н. Прогнозирование геологического разреза по сейсмическим данным // Геология нефти и газа. 1981. № 1. С. 48–55.

Ampilov Yu.P., Barkov A.Yu., Yakovlev I.V., Filippova K.E., Priezzhev I.I. Almost everything about seismic inversion. Part 1 // Seismic Technologies. 2009. No. 4. P. 3–16. (In Russ.).

Дмитрачков Д.К., Протасов М.И. Применимость сейсмической инверсии для латерально-неоднородных сред // Геофизика. 2021. № 6. С. 33–37. EDN:HHVGPZ.

Angeleri G.P., Carpi R. Porosity prediction from seismic data // Geophysical Prospecting. 1982. Vol. 30. P. 580–607. doi:10.1111/j.1365-2478.1982.tb01328.x.

Кондратьев И.К., Рыжков В.И., Киссин Ю.М., Шубин А.В. Способы реализации и оценка эффективности сейсмической инверсии: Учебное пособие. М.: РГУ нефти и газа имени И.М. Губкина, 2011. 62 с.

Avseth P., Mukerji T., Jørtad A., Mavko G., Veggeland T. Seismic reservoir mapping from 3-D AVO in a North Sea turbidite system // Geophysics. 2001. Vol. 66 (4). P. 1157–1176. doi:10.1190/1.1487063.

Кубышта И.И., Павловский Ю.В., Емельянов П.П. Эффективность технологий инверсии данных сейсморазведки 3D как основа построения и уточнения сейсмогеологической модели вендских отложений месторождения Восточной Сибири // ProНефть. 2016. № 1. С. 27–37. EDN:XTBKIP.

Bortoli L.J., Alabert F., Haas A., Journel A. Constraining stochastic images to seismic data // A. Soares (Ed.). Geostatistics Tróia’92. Springer, Dordrecht, 1993. P. 325–337. doi:10.1007/978-94-011-1739-5_27.

Хамитуллин И.М., Новокрещин А.В., Шилова Ю.В., Клюсова Е.Ю. Возможности применения результатов геостатистической инверсии для 3D геологического моделирования // Научно-технический вестник ОАО «НК «Роснефть». 2014. № 4. С. 10–13. EDN:TGWSSL.

Bosch M., Mukerji T., Gonzalez E.F. Seismic inversion for reservoir properties combining statistical rock physics and geostatistics: a review // Geophysics. 2010. Vol. 75 (5), 75A165–75A176. doi:10.1190/1.3478209.

Шаповалов М.Ю., Хамитуллин И.М., Шакиров Р.Р., Филиппова К.Е., Брегида А.А. Использование сейсмической инверсии для прогноза коллектора в интервале прибрежно-континентальных отложений юрского комплекса // Георесурсы. 2023. Т. 25, № 3. C. 49–56. doi:10.18599/grs.2023.3.7. EDN:YJQKGY.

Connolly P. Elastic impedance // Leading Edge. 1999. Vol. 18 (4). P. 438–452. doi:10.1190/1.1438307.

Яковлев И.В., Ампилов Ю.П., Филиппова К.Е. Почти всё о сейсмической инверсии. Часть 2 // Технологии сейсморазведки. 2011. № 1. С. 5–15. EDN:NRAZNB.

Connolly P., Hughes M. The application of very large numbers of pseudo-wells for reservoir characterisation // Abu Dhabi International Petroleum Exhibition and Conference. SPE, Abu Dhabi, UAE, 2014. P. SPE-171879-MS. doi:10.2118/171879-MS.

Connolly P.A., Hughes M.J. Stochastic inversion by matching to large numbers of pseudo-wells // Geophysics. 2016. Vol. 81 (2). P. M7–M22. doi:10.1190/geo2015-0348.1.

Angeleri G.P., Carpi R. Porosity prediction from seismic data // Geophysical Prospecting. 1982. Vol. 30. P. 580–607. doi:10.1111/j.1365-2478.1982.tb01328.x.

Cyz M., Azevedo L. Direct geostatistical seismic amplitude versus angle inversion for shale rock properties // IEEE Transactions on Geoscience and Remote Sensing. 2020. Vol. 59 (6). P. 5335–5344. doi:10.1109/TGRS.2020.3017091.

Das V., Pollack A., Wollner U., Mukerji T. Effect of rock physics modeling in impedance inversion from seismic data using convolutional neural network // Proceedings of the 13th SEGJ International Symposium (Tokyo, Japan, 12–14 November 2018). Society of Exploration Geophysicists, Society of Exploration Geophysicists of Japan, 2019. P. 522–525. doi:10.1190/SEGJ2018-135.1.

de Figueiredo L.P., Grana D., Roisenberg M., Rodrigues B.B. Multimodal Markov chain Monte Carlo method for nonlinear petrophysical seismic inversion // Geophysics. 2019. Vol. 84 (5). P. M1–M13. doi:10.1190/geo2018-0839.1.

Dmitrachkov D.K., Protasov M.I. Applicability of seismic inversion for laterally heterogeneous media // Geophysics. 2021. No. 6. P. 33–37. (In Russ.).

Connolly P. Elastic impedance // Leading Edge. 1999. Vol. 18 (4). P. 438–452. doi:10.1190/1.1438307.

Doyen P.M. Seismic reservoir characterization: an Earth modelling perspective. EAGE, 2007. doi: 10.3997/9789462820234.

Dutta T., Mukerji T., Mavko G., Avseth P. Reservoir quality prediction by integrating sequence stratigraphy and rock physics // SEG Technical Program Expanded Abstracts. 2006. P. 1811–1815. doi:10.1190/1.2369876.

Connolly P.A., Hughes M.J. Stochastic inversion by matching to large numbers of pseudo-wells // Geophysics. 2016. Vol. 81 (2). P. M7–M22. doi:10.1190/geo2015-0348.1.

Fernandes F.J.D., Teixeira L., Freire A.F.M., Lupinacci W.M. Stochastic seismic inversion and Bayesian facies classification applied to porosity modeling and igneous rock identification // Petroleum Science. 2024. Vol. 21 (2). P. 918–935. doi:10.1016/j.petsci.2023.11.020.

Froidevaux R. Probability field simulation // A. Soares (Ed.). Geostatistics Tróia’92. Springer, Dordrecht, 1993. P. 73–83. doi:10.1007/978-94-011-1739-5_7.

Gassmann F. Uber die elastizitat poroser medien // Vierteljahrsschrift der naturforschenden gesellschaft in Zürich. 1951. Vol. 96. P. 1–23.

Gogonenkov G.N. Prediction of geological section from seismic data // Russian Oil and Gas Geology. 1981. No. 1. P. 48–55.

Doyen P.M. Seismic reservoir characterization: an Earth modelling perspective. EAGE, 2007. doi: 10.3997/9789462820234.

Grana D., Della Rossa E. Probabilistic petrophysical-properties estimation integrating statistical rock physics with seismic inversion // Geophysics. 2010. Vol. 75 (3). P. O21–O37. doi:10.1190/1.3386676.

Grana D., Mukerji T., Dvorkin J., Mavko G. Stochastic inversion of facies from seismic data based on sequential simulations and probability perturbation method // Geophysics. 2012. Vol. 77 (4). P. 53–72. doi: 10.1190/geo2011-0417.1.

Grant S.R., Hughes M.J., Olatoke O.J., Philip N. Stochastic inversion by trace matching for carbonate reservoir property prediction: A Mishrif Reservoir case study // The Leading Edge. 2019. Vol. 38 (1). P. 27–34. doi:10.1190/tle38010027.1.

Froidevaux R. Probability field simulation // A. Soares (Ed.). Geostatistics Tróia’92. Springer, Dordrecht, 1993. P. 73–83. doi:10.1007/978-94-011-1739-5_7.

Gunning J., Glinsky M.E. Detection of reservoir quality using Bayesian seismic inversion // Geophysics. 2007. Vol. 72 (3). P. R37–R49. doi:10.1190/1.2713043.

Gassmann F. Uber die elastizitat poroser medien // Vierteljahrsschrift der naturforschenden gesellschaft in Zürich. 1951. Vol. 96. P. 1–23.

Haas A., Dubrule O. Geostatistical inversion – a sequential method of stochastic reservoir modeling constrained by seismic data // First Break. 1994. Vol. 12 (11). P. 561–569. doi:10.3997/1365-2397.1994034.

Johari A., Emami Niri M. Rock physics analysis and modelling using well logs and seismic data for characterising a heterogeneous sandstone reservoir in SW of Iran // Exploration Geophysics. 2021. Vol. 52 (4). P. 446–461. doi: 10.1080/08123985.2020.1836956.

Ketteb R., Djeddi M., Kiche Y. Modeling of porosity by geostatistical methods // Arabian Journal of Geosciences. 2019. Vol. 12 (8). P. 268. doi:10.1007/s12517-019-4450-9.

Khamitullin I.M., Novokreshchin A.V., Shilova Yu.V., Klyusova E.Yu. Potential applications of geostatistical inversion results for 3D geological modeling // Scientific and Technical Bulletin of Rosneft. 2014. No. 4. P. 10–13. (In Russ.).

Gunning J., Glinsky M.E. Detection of reservoir quality using Bayesian seismic inversion // Geophysics. 2007. Vol. 72 (3). P. R37–R49. doi:10.1190/1.2713043.

Kondratiev I.K., Ryzhkov V.I., Kissin Y.M., Shubin A.V. Methods of implementation and evaluation of the effectiveness of seismic Inversion: A Textbook (In Russ.). Publishing Center of Gubkin Russian State University of Oil and Gas, Moscow, 2011. 62 p.

Krebs J.R., Anderson J.E., Hinkley D., Neelamani R., Lee S., Baumstein A., Lacasse M.-D. Fast full-wavefield seismic inversion using encoded sources // Geophysics. 2009. Vol. 74 (6). P. WCC177–WCC188. doi: 10.1190/1.3230502.

Kubyshta I.I., Pavlovskiy Yu.V., Emelyanov P.P. Efficient 3D seismic inversion technologies as a basis for creating and updating geoseismic model of the Vendian deposits (in terms of Eastern Siberia oil-and-gas field) // ProNeft. 2016. No. 1. P. 27–37. (In Russ.).

Ketteb R., Djeddi M., Kiche Y. Modeling of porosity by geostatistical methods // Arabian Journal of Geosciences. 2019. Vol. 12 (8). P. 268. doi:10.1007/s12517-019-4450-9.

Lang X., Grana D. Geostatistical inversion of prestack seismic data for the joint estimation of facies and impedances using stochastic sampling from Gaussian mixture posterior distributions // Geophysics. 2017. Vol. 82 (4). P. M55–M65. doi:10.1190/geo2016-0670.1.

Latimer R.B. Inversion and interpretation of impedance data // Interpretation of three-dimensional seismic data. AAPG, SEG, Tulsa, Oklahoma, 2011. P. 309–350.

Le Ravalec-Dupin M. Inverse stochastic modeling of flow in porous media. Applications to reservoir characterization. Paris, Editions Technip, 2005. 194 p.

Latimer R.B. Inversion and interpretation of impedance data // Interpretation of three-dimensional seismic data. AAPG, SEG, Tulsa, Oklahoma, 2011. P. 309–350.

Liu M., Grana D. Accelerating geostatistical seismic inversion using TensorFlow: A heterogeneous distributed deep learning framework // Computers & Geosciences. 2019. Vol. 124. P. 37–45. doi: 10.1016/j.cageo.2018.12.007.

Le Ravalec-Dupin M. Inverse stochastic modeling of flow in porous media. Applications to reservoir characterization. Paris, Editions Technip, 2005. 194 p.

Mariethoz G., Caers J. Multiple-point geostatistics: stochastic modeling with training images. John Wiley & Sons, 2014. doi:10.1002/9781118662953.

Miele R., Grana D., Seabra Varella L.E., Viola Barreto B., Azevedo L. Iterative geostatistical seismic inversion with rock-physics constraints for permeability prediction // Geophysics. 2023. Vol. 88 (2). P. M105–M117. doi: 10.1190/geo2022-0352.1.

Mariethoz G., Caers J. Multiple-point geostatistics: stochastic modeling with training images. John Wiley & Sons, 2014. doi:10.1002/9781118662953.

Narayan S., Sahoo S.D., Kar S., Pal S.K., Kangsabanik S. Improved reservoir characterization by means of supervised machine learning and model-based seismic impedance inversion in the Penobscot field, Scotian Basin // Energy Geosciences. 2024. Vol. 5 (2). P. 100180. doi:10.1016/j.engeos.2023.100180.

Robinson E.A. Predictive deconvolution of time series with applications to seismic exploration // MIT Geophysical Analysis Group Report No. 7. 1954. 281 p.

Shapovalov M.Yu., Khamitullin I.M., Shakirov R.R., Filippova K.E., Bregid A.A. Reservoir characterization in coastal-continental environment of the Jurassic complex based on seismic data inversion // Georesources. 2023. Vol. 25 (3). P. 49–56. (In Russ.). doi:10.18599/grs.2023.3.7.

Robinson E.A. Predictive deconvolution of time series with applications to seismic exploration // MIT Geophysical Analysis Group Report No. 7. 1954. 281 p.

Soares A., Diet J.D., Guerreiro L. Stochastic inversion with a global perturbation method // EAGE Conference on Petroleum Geostatistics. EAGE, 2007. P. 32. doi:10.3997/2214-4609.201403048.

Srivastava R.M. Reservoir characterization with probability field simulation // Proceedings of the SEG Technical Program Expanded Abstracts. 1993. P. 330. doi:10.1190/1.1822473.

Wadsworth G.P., Robinson E.A., Bryan J.G., Hurley P.M. Detection of reflections on seismic records by linear operators // Geophysics. 1953. Vol. 18 (3). P. 539–586. doi:10.1190/1.1437911.

Whitcombe D.N., Connolly P.A., Reagan R.L., Redshow T.C. Extended elastic impedance for fluid and lithology prediction // Geophysics. 2002. Vol. 67 (1). P. 63–67. doi:10.1190/1.1451337.

Yakovlev I.V., Ampilov Y.P., Filippova K.E. Almost everything about seismic inversion. Part 2 // Seismic Technologies. 2011. No. 1. P. 5–15. (In Russ.).

Zhang Z., He X. A variational framework for inverse modeling: case study in CO2 sequestration // Advances in Water Resources. 2025. Vol. 203. P. 105034. doi:10.1016/j.advwatres.2025.105034.

The authors declare that there are no conflicts of interest present.