О стохастической инверсии и ее использовании для прогноза характеристик среды
https://doi.org/10.18303/2619-1563-2025-4-12
Аннотация
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.
Ключевые слова
сейсморазведка,
стохастическая инверсия,
интерпретация сейсмических данных,
прогноз характеристик горизонтов
При поддержке: исследование выполнено по плану базовых научно-исследовательских работ ИНГГ СО РАН (проект Минобрнауки РФ FWZZ-2022-0017).
Об авторах
Д. И. Костащук
Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН; Новосибирский государственный университет
Россия
Россия
Костащук Даниил Иванович – аспирант НГУ, инженер лаборатории динамических проблем сейсмики
630090, Новосибирск, просп. Акад. Коптюга, 3
630090, Новосибирск, ул. Пирогова, 1
Г. М. Митрофанов
Институт нефтегазовой геологии и геофизики им. А.А. Трофимука СО РАН; Новосибирский государственный университет; Новосибирский государственный технический университет
Россия
Россия
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
Список литературы
1. Алексеев А.С. Обратные динамические задачи сейсмики // Некоторые методы и алгоритмы интерпретации геофизических данных. М.: Наука, 1967. С. 9–84.
2. 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.
3. Гогоненков Г.Н. Прогнозирование геологического разреза по сейсмическим данным // Геология нефти и газа. 1981. № 1. С. 48–55.
4. Дмитрачков Д.К., Протасов М.И. Применимость сейсмической инверсии для латерально-неоднородных сред // Геофизика. 2021. № 6. С. 33–37. EDN:HHVGPZ.
5. 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.
6. 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.
7. 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.
8. 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.
9. 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.
10. 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.
11. 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.
12. 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.
13. 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.
14. 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.
15. Connolly P. Elastic impedance // Leading Edge. 1999. Vol. 18 (4). P. 438–452. doi:10.1190/1.1438307.
16. 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.
17. 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.
18. 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.
19. 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.
20. 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.
21. Doyen P.M. Seismic reservoir characterization: an Earth modelling perspective. EAGE, 2007. doi: 10.3997/9789462820234.
22. 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.
23. 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.
24. 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.
25. Gassmann F. Uber die elastizitat poroser medien // Vierteljahrsschrift der naturforschenden gesellschaft in Zürich. 1951. Vol. 96. P. 1–23.
26. 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.
27. 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.
28. 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.
29. 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.
30. 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.
31. 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.
32. 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.
33. 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.
34. 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.
35. Latimer R.B. Inversion and interpretation of impedance data // Interpretation of three-dimensional seismic data. AAPG, SEG, Tulsa, Oklahoma, 2011. P. 309–350.
36. Le Ravalec-Dupin M. Inverse stochastic modeling of flow in porous media. Applications to reservoir characterization. Paris, Editions Technip, 2005. 194 p.
37. 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.
38. Mariethoz G., Caers J. Multiple-point geostatistics: stochastic modeling with training images. John Wiley & Sons, 2014. doi:10.1002/9781118662953.
39. 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.
40. 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.
41. Robinson E.A. Predictive deconvolution of time series with applications to seismic exploration // MIT Geophysical Analysis Group Report No. 7. 1954. 281 p.
42. 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.
43. 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.
44. 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.
45. 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.
46. 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.
Рецензия
Для цитирования:
Костащук Д.И., Митрофанов Г.М. О стохастической инверсии и ее использовании для прогноза характеристик среды. Геофизические технологии. 2025;(4):12-29. https://doi.org/10.18303/2619-1563-2025-4-12
For citation:
Kostashchuk D.I., Mitrofanov G.M. On stochastic inversion and its use for media characteristics prediction. Russian Journal of Geophysical Technologies. 2025;(4):12-29. (In Russ.) https://doi.org/10.18303/2619-1563-2025-4-12
Просмотров:
162
JATS XML
Послать статью по эл. почте 