Redes neurais convolucionais para a recuperação das altas frequências em modelos de impedância acústica pós-inversão sísmica

Abstract

Na indústria de óleo e gás, a Inversão Sísmica é uma etapa de grande relevância para a caracterização dos reservatórios, pois é o processo pelo qual se obtém os modelos de propriedades de rocha na subsuperfície. Um aspecto crítico nesta etapa é obter modelos petrofísicos nítidos. Por causa da perda das altas frequências e do aumento do ruído aleatório durante a aquisição, o dado sísmico utilizado na inversão apresenta baixa nitidez e, consequentemente, resulta em modelos de propriedade com nitidez restrita à faixa de frequência do dado sísmico utilizado. Os métodos mais recentes abordam esse problema através do pré-processamento do dado sísmico para gerar um dado em maior resolução para a inversão. Entretanto, esta abordagem costuma reproduzir o ruído aleatório, juntamente com sinal de alta frequência e frequentemente ignora a disponibilidade de dados amostrais de propriedades petrofísicas em alta resolução disponíveis para a inversão. Este trabalho, por outro lado, tira proveito desses dados por considerar que podem contribuir para obter modelos invertidos mais nítidos. Assim, propôs-se um modelo de Rede Neural Convolucional (CNN), utilizado como método de pós-processamento da inversão sísmica, para adicionar conteúdo de alta frequência à impedância acústica invertida. O modelo implementa a técnica de processamento de imagem conhecida como deblurring cego e busca inferir os filtros convolucionais a partir da análise de pares de imagens borradas e nítidas. Os experimentos realizados mostraram a viabilidade do modelo em dois conjuntos de dados sintéticos. O cálculo das magnitudes de frequências das imagens, antes e após o processamento com a CNN, evidenciaram o aumento de até 95% do conteúdo de alta frequência da impedância acústica. A aplicação do método proposto aumentou a resolução vertical das imagens, corrigiu deformações em estruturas geológicas e tornou mais visíveis as camadas delgadas, essas, eventualmente perdidas durante a inversão sísmica. O cálculo da razão sinal-ruído e a análise estatística com test t mostraram que o método proposto foi superior a outros métodos de deblurring observados na literatura.

Abstract: In the oil and gas industry, Seismic Inversion is a very important step for reservoir characterization, as it is the process by which subsurface rock property models are obtained. A critical aspect at this stage is to obtain clear petrophysical models. Due to the loss of high frequencies and the increase of random noise during acquisition, the seismic data used in inversion presents low sharpness and, consequently, results in property models with sharpness restricted to the frequency range of the seismic data used. Newer methods address this problem by pre-processing seismic data to generate higher resolution data for inversion. However, this approach often reproduces random noise along with high frequency signal and often ignores the availability of high resolution petrophysical sample data available for inversion. This work, on the other hand, takes advantage of this data as it can contribute to clearer inverted models. Thus, a Convolutional Neural Network (CNN) model was proposed, used as a post processing method for seismic inversion, to add high frequency content to inverted acoustic impedance. The model implements the image processing technique known as blind deblurring and seeks to infer convolutional filters by analyzing pairs of blurred and sharp images. The experiments performed showed the viability of the model in two synthetic data sets. The calculation of the frequency magnitudes of the images before and after CNN processing showed an increase of up to 95 % of the high frequency content of the acoustic impedance. The application of the proposed method increased the vertical resolution of the images, corrected deformations in geological structures and made the thin layers more visible, eventually lost during seismic inversion. The signal-to-noise ratio calculation and statistical analysis with test t showed that the proposed method was superior to other deblurring methods observed in the literature.