Обработка сейсмических данных - RU2549213C2

Чертежи

Показать все 29 чертежа(ей)

Описание

Данные о родственной заявке

По этой заявке испрашивается приоритет заявки №60/987906 на патент США, поданной 14 ноября 2007 года, под названием “Seismic data processing” и являющейся родственной по отношению к Международной заявке PCT/US2007/071733 (опубликованной как WO2008/005690).

Предпосылки создания изобретения

В родственной заявке, упомянутой выше, описаны способы, которые способствуют идентификации потенциальных месторождений углеводородов и которые включают в себя выполнение структурной интерпретации трехмерного объема сейсмических данных, преобразование трехмерного объема сейсмических данных в объем пластовых срезов, выполнение стратиграфической интерпретации объема пластовых срезов, которая включает в себя извлечение граничных поверхностей и разрывов и преобразование объема пластовых срезов в пространственный объем. Пример объема сейсмических данных до преобразования в область представлен на фиг.24а родственной заявки, интерпретированные горизонты и разрывы, использованные при преобразовании, представлены на фиг.24b родственной заявки и преобразованный в область объем пластовых срезов представлен на фиг.24 родственной заявки. Входной объем сейсмических данных на фиг.24а родственной заявки имеет деформации, связанные с конседиментационным и послеконседиментационным образованием разрывов. Выходной, преобразованный в область объем (фиг.24с родственной заявки) по существу свободен от деформаций.

Эта последовательность выполняемых действий и автоматизированный или полуавтоматизированный способ и система для идентификации и интерпретации обстановки осадконакопления, систем осадконакопления и элементов систем осадконакопления на основании трехмерных объемов сейсмических данных вытекают из предварительной обработки данных.

Сущность изобретения

Настоящее изобретение относится к созданию систем, способов и методик для обработки данных.

Еще один аспект этого изобретения относится к созданию систем, способов и методик для предварительной обработки сейсмических данных.

Дополнительный аспект этого изобретения относится к созданию систем, способов и методик для предварительной обработки трехмерных сейсмических данных.

Дополнительный аспект этого изобретения направлен на определение количественного показателя связанности вокселов.

Дополнительный аспект этого изобретения относится к снижению перенасыщенности деталями данных, основанному на количественном показателе связанности вокселов.

Другой пример аспектов изобретения относится к снижению сейсмического отклика отражающего горизонта в лепесток диаграммы.

Другой пример аспектов изобретения относится к снижению сейсмического отклика отражающего горизонта в основной лепесток диаграммы.

Еще один пример аспекта изобретения направлен на удаление посторонних отражений из сейсмических данных.

Дополнительный пример аспектов изобретения относится к подсвечиванию и усилению литологических границ для содействия интерпретации сейсмических данных.

Дополнительные аспекты изобретения относятся к оцениванию и использованию достоверности трехмерного объема данных.

Дальнейшие аспекты изобретения относятся к использованию локальной избыточности данных для формирования и вывода устойчивой оценки достоверности набора данных.

Эти и другие признаки и преимущества этого изобретения описаны в нижеследующем подробном описании примеров осуществлений или станут очевидными из него.

Краткое описание чертежей

Примеры осуществлений изобретения будут подробно описаны с обращением к нижеследующим фигурам. Должно быть понятно, что чертежи не обязательно показаны в масштабе. В некоторых случаях подробности, которые не являются необходимыми для понимания изобретения или которые воспроизводят другие подробности, трудные для восприятия, могут быть опущены. Конечно, должно быть понятно, что изобретение не обязательно ограничено конкретными осуществлениями, показанными в этой заявке.

На чертежах:

фиг.1 - иллюстрация примера системы обработки данных и системы интерпретации сейсмических данных согласно этому изобретению;

фиг.2 - иллюстрация примера способа определения связанности вокселов согласно этому изобретению;

фиг.3 - иллюстрация примера способа уменьшения отражений согласно этому изобретению;

фиг.4 - иллюстрация примера способа подсвечивания высокоамплитудных волн в объеме данных, таком как объем сейсмических данных;

фиг.5 - иллюстрация примера процесса оценивания плотности вокселов;

фиг.6(a-f) - иллюстрация примеров применения связанности вокселов с постепенно повышающими пороговыми значениями количественных показателей связанности к сейсмических данным: а - входной «разреженный» сейсмический разрез; b-f - входные сейсмические данные, фильтрованные связанностью вокселов с количественными показателями связанности, постепенно возрастающими от 100 на b до 20000 на f;

фиг.7(а-с) - иллюстрация примеров применения связанности вокселов с постепенно повышающимися пороговыми значениями количественных показателей связанности к сейсмическим данным: а - входной «разреженный» сейсмический разрез; b-c - входные сейсмические данные, фильтрованные связанностью вокселов с постепенно возрастающими количественными показателями связанности;

фиг.8(а-с) - иллюстрация примеров применения связанности вокселов с постепенно повышающимися пороговыми значениями количественных показателей к различным вертикальным сейсмическим разрезам из того же самого объема сейсмических данных, как использованного на фиг.2: а - входной «разреженный» сейсмический разрез; b-с - входные сейсмические данные, фильтрованные связанностью вокселов с постепенно возрастающими количественными показателями связанности;

фиг.9 - иллюстрация примера «нуль-фазового» сейсмического импульса, центрированного относительно отражающего горизонта, заметна последовательность низкоамплитудных боковых лепестков диаграммы выше и ниже основного лепестка диаграммы;

фиг.10(a-d) - иллюстрация примеров сейсмических разрезов, обработанных с использованием сжатия отраженной волны: а - входные данные; b - разрез, обработанный сжатием отраженной волны; с - разрез, обработанный сжатием отраженной волны только по пикам; d - разрез, обработанный сжатием отраженной волны только по впадинам;

фиг.11(a-d) - иллюстрация примеров сжатия отраженной волны, примененного к разреженному набору входных данных: а - входные данные; b - разрез, обработанный сжатием отраженной волны; с - разрез, обработанный сжатием отраженной волны только по пикам; d - разрез, обработанный сжатием отраженной волны только по впадинам;

фиг.12 - иллюстрация примера косинусных, постепенно уменьшающихся коэффициентов масштабирования для двумерного прямоугольного оператора размерами 5×9;

фиг.13(a-b) - иллюстрация примера подавления вокселов, примененного к примерному объему сейсмических данных: а - разрез из входного объема сейсмических данных; b - тот же самый разрез из объема, фильтрованного подавлением вокселов;

фиг.14(a-b) - иллюстрация примера подавления вокселов, примененного к такому же примерному объему сейсмических данных, как на фиг.13: а - разрез из входного объема сейсмических данных; b - такой же разрез из объема, фильтрованного подавлением вокселов, этот разрез ортогонален к разрезу, показанному на фиг.13;

фиг.15(a-b) - иллюстрация примера подавления вокселов, примененного ко второму примерному объему сейсмических данных: а - разрез из входного объема сейсмических данных; b - такой же разрез из объема, фильтрованного подавлением вокселов;

фиг.16(а-с) - иллюстрация примеров численных результатов вычислений плотности вокселов на массиве 10×10 данных: а - входной двумерный массив данных; b - выходной двумерный массив данных, обработанных с использованием оператора 3×3 плотности вокселов, воспринимающего все входные значения, большие или равные 6; с - результаты дополнительного ограничения выходного количественного показателя плотности значением, большим или равным 4;

фиг.17(a-b) - иллюстрация примеров численных результатов вычислений плотности вокселов на массиве 10×10 данных из фиг.16а: а - выходной двумерный массив данных, обработанных как и на фиг.16b с дополнительным ограничением, связанным с попаданием центрального воксела в заданный диапазон пороговых значений; b - результаты применения минимального порогового значения 4 к количественным показателям вокселов из фиг.17а;

фиг.18(a-d) - иллюстрация примеров графических представлений результатов, изображенных на фиг.16 и 17: а - такие же исходные данные, как и на фиг.16а; b - результаты, показанные на фиг.16с; с - результаты, показанные на фиг.17b; d - результаты простой операции сравнения с порогом, примененной к входным данным, при этом вычисление плотности не выполнялось;

фиг.19(a-f) - иллюстрация примеров сравнения операторов сглаживания некоторых стандартных данных с основанным на плотности сглаживанием: a, b - результаты применения фильтров 3×3 среднего значения и медианного, соответственно, к исходным данным из фиг.18а; с - результат применения сглаживания среднего значения только к вокселам, которые прошли испытание на минимальную плотность; d - результат применения медианного оператора только к вокселам, которые не прошли испытания на минимальную плотность; e, f - результат модификации избирательного сглаживания с включением только вокселов, которые вышли за пределы исходного заданного диапазона пороговых значений;

фиг.20(a-d) - иллюстрация различных примеров применений описанных фильтров к горизонтальному срезу через объем непрерывности или когерентности, имеющий каньон: а - входные данные; b - удалены вокселы, которые имеют более низкий количественный показатель плотности, чем заданный порог; с - результаты применения адаптивного относительно достоверности сглаживания, при этом в сглаживание были включены вокселы, которые не прошли испытания на минимальную плотность и были за пределами обоснованного диапазона пороговых значений; d - результат применения повышения контраста к данным из а;

фиг.21 - иллюстрация различных примеров применений описанных фильтров к плоскому срезу через пластовый объем, имеющий речной канал: а - входные данные; b - криволинейная характеристика данных из а; с - результат применения пороговой фильтрации плотности к криволинейным данным из b; d - результат применения повышения контраста к криволинейным данным из b;

фиг.22(a-b) - иллюстрация примеров численных и графических результатов применения повышения контраста к выборочному массиву данных из фиг.16а: а - численный выходной массив в результате повышения контраста вместе с гистограммой входных исходных данных из фиг.16а; b - графический выходной массив в результате повышения контраста вместе с гистограммой выходных данных с повышенным контрастом;

фиг.23(a-e) - иллюстрация примеров действия локально адаптивных, управляемых плотностью вокселов сглаживания и повышения контраста на временном срезе из набора данных для Мексиканского залива: а - исходные сейсмические данные, к которым применен медианный фильтр 3×3 для снижения случайного шума; b - результат вычисления когерентности по данным из а; с - результат вычисления дисперсии данных из b; d, e - результаты применения локально адаптивных повышений (d) контраста и сглаживания (е), управляемых распределением дисперсии из с, к данным из b;

фиг.24(a-d) - иллюстрация примеров действия локально адаптивных, управляемых плотностью вокселов сглаживания и повышения контраста на более глубокий временной срез из набора данных для Мексиканского залива, использованных на фиг.23: а - исходные сейсмические данные, к которым применен медианный фильтр 3×3 для снижения случайного шума; b - результат вычисления когерентности по данным из а; c, d - результат применения локально адаптивных повышений (с) контраста и сглаживания (d) к данным из b;

фиг.25(a-f) - иллюстрация примеров действия применения повышения контраста к данным когерентности на выходе результатов вычисления усиления разрывов: а - временной срез когерентности, показывающий часть соляного тела с окружающими разрывами; b, c - результаты применения двух уровней повышения контраста к данным из а; d - выходные данные с усиленными разрывами, при этом исходные данные (а) когерентности использованы в качестве входных; е - выходные данные с усиленными разрывами, при этом данные повышенного контраста из (b) использованы в качестве входных; f - выходные данные с усиленными разрывами, при этом данные (с) с повышенным контрастом использованы в качестве входных;

фиг.26(a-d) - иллюстрация примеров применения плотности вокселов к когерентности; панель (а) содержит изображение когерентности подводного каньона; на панели (b) показан результат применения бинарной фильтрации плотности вокселов к данным из панели (а); вокселам, которые не прошли порогового испытания на минимальную плотность, приписаны нулевые значения; на панели (с) показан результат управляемого плотностью вокселов сглаживания; количественные показатели плотности вокселов использованы для изменения контраста данных на панели (d); при управляемых плотностью вокселов сглаживании и повышении контраста сохраняется исходный смысл данных, а не просто удаляются вокселы, которые не прошли испытания на пороговую плотность;

фиг.27(a-b) - иллюстрация примера результата подавления вокселов; панель (а) содержит разрез исходных амплитуд; на панели (а) стрелками показаны верх и низ горизонтального трубчатого соляного тела; на панели (b) показан результат применения подавления вокселов к данным из панели (а);

фиг.28(a-d) - иллюстрация примеров применения сжатия отраженной волны к разреженным сейсмическим данным;

фиг.29(а-с) - иллюстрация примеров результатов применения связанности вокселов; и

фиг.30(a-d) - иллюстрация примеров применения последовательности действий к реальным данным.

Подробное описание примеров осуществлений изобретения

Примеры осуществлений этого изобретения будут описаны относительно обработки и интерпретации данных и, в частности, сейсмических данных. Однако должно быть понятно, что в общем случае системы и способы этого изобретения будут с таким же успехом работать в случае данных любого типа, представляющих любую среду, объект или предмет.

Кроме того, примеры систем и способов этого изобретения будут описаны относительно интерпретации и обработки сейсмических данных. Однако, чтобы не делать настоящее изобретение неоправданно неясным, в нижеследующем описании опущены хорошо известные структуры и устройства, которые могут быть показаны на структурных схемах или иным образом кратко изложены.

Чтобы обеспечить полное понимание настоящего изобретения, при пояснении изложены многочисленные подробности. Однако должно быть понятно, что настоящее изобретение можно применять на практике рядом способов без конкретных подробностей, изложенных в этой заявке.

Кроме того, хотя в примерах осуществлений, поясняемых в этой заявке, различные компоненты системы показаны расположенными по соседству, должно быть понятно, что различные компоненты системы можно располагать на отстоящих участках распределенной сети, такой как коммуникационная сеть и/или Интернет, или в специализированной засекреченной, незасекреченной и/или снабженной криптографической защитой системе. Поэтому должно быть понятно, что компоненты системы могут быть объединены в одно или несколько устройств или расположены в конкретном узле распределенной сети, такой как коммуникационная сеть. Как будет понятно из нижеследующего описания, по соображениям вычислительной эффективности компоненты системы можно размещать в любом месте в пределах распределенной сети без влияния на работу системы.

Кроме того, должно быть понятно, что различные каналы связи могут использоваться для соединения элементов и могут быть проводными или беспроводными каналами связи или любым сочетанием из них, или любым другим известным или разрабатываемым элементом (элементами), который способен подводить и/или передавать данные к соединенным элементам и от них. Термин «модуль», используемый в этой заявке, может относиться к любому известному или разрабатываемому аппаратному обеспечению, программному обеспечению, микропрограммному средству или сочетанию из них, которые способны выполнять функции, соответствующие этому элементу. Термины «определение, расчет и вычисление» и видоизменения их, используемые в этой заявке, применяются на равных основаниях и включают в себя методологию, процесс, математическую операцию или методику любого вида, включая выполняемые системой, такой как процессор, экспертная система или нейронная сеть.

Кроме того, все источники, указанные в этой заявке, полностью включены в эту заявку путем ссылки.

На фиг.1 показан пример системы 100 обработки данных, соединенной по каналу связи с системой 200 интерпретации сейсмических данных. Как описано в указанной выше родственной заявке, система 200 интерпретации сейсмических данных может способствовать интерпретации одного или нескольких из соляных тел, каньонов, каналов, горизонтов, драпировке поверхностности или чему-либо подобному. Система 100 обработки данных содержит модуль 110 связанности вокселов, модуль 120 сжатия отраженной волны, контроллер 130, накопитель 140, один или несколько считываемых компьютером носителей 150 данных (на которых может храниться программное обеспечение, реализующее способы, раскрытые в этой заявке и выполняемые во взаимодействии с контроллером, запоминающим устройством, интерфейсом ввода-вывода и накопителем), модуль 160 подавления вокселов, модуль 170 плотности вокселов, запоминающее устройство 180 и интерфейс 190 ввода-вывода, все они соединены каналом (каналами) связи (непоказанными). Кроме того, система может быть связана с устройством вывода, таким как компьютерный дисплей 300, на котором пользователю могут быть показаны выходные данные различных способов.

Модуль 110 связанности вокселов содействует преобразованию связанных вокселов. Объемы сейсмических данных можно делать разреженными на этапах обработки данных, предназначенных для удаления незначимых точек данных. Аналогично некоторые сейсмические атрибуты приводят к большим областям нулевых или неопределенных данных. В этих обоих случаях нулевые и неопределенные области обычно смешиваются с незначимыми данными, которые «просачиваются» на протяжении этапа обработки, используемого для создания объема. Эта визуальная перенасыщенность деталями может усложнять использование таких объемов при сегментации или интерпретации пользователем или компьютером существенных признаков, имеющихся в объеме. Удаление части или всей этой визуальной перенасыщенности является одним примером задачи, решаемой для повышения полезности этих объемов данных.

Согласно примеру осуществления работы модуля 110 преобразования связанности вокселов определяет, какие вокселы являются составляющими элементами связанных признаков в объеме данных. Затем количественный показатель связанности (сколько вокселов образуют признак) может использоваться для удаления признаков, которые идентифицируются как малые и поэтому незначимые путем установления порогового значения для минимального размера признака в выходном объеме.

Согласно примеру осуществления связанностью вокселов преобразуют все связанные ненулевые вокселы в объеме. После преобразования связанных вокселов количественный показатель связанности каждого связанного признака в объеме определяется по количеству составляющих вокселов. Затем визуальная перенасыщенность фильтруется путем удаления признаков из выходного объема данных, который имеет количественный показатель связанности ниже некоторого минимального порогового значения. Таким образом, малые признаки удаляются из объема данных, который после этого выводится и сохраняется.

Если связанность вокселов применяется к разреженному объему амплитуд, полярность амплитуд при желании можно использовать в качестве дополнительного ограничения при преобразовании связанности. Например, при преобразовании отражения с положительными амплитудами только положительные амплитуды считаются ненулевыми.

На фиг.6 показано применение постепенно возрастающих пороговых значений для количественного показателя связанности к одному и тому же набору данных. Фиг.6а содержит исходные сейсмические данные, сделанные разреженными с помощью отдельного процесса (например, подавления вокселов). Соляной диапир находится в центре набора данных. Волны со значимыми амплитудами сохранены, тогда как низкоамплитудные отражения удалены. Однако в наборе данных осталось значительное количество рассеянных, несвязанных точек данных. На фиг.6b показаны результаты удаления признаков, которые содержат меньше чем 100 связанных вокселов. Этот результат представляет собой значительное улучшение в части уменьшения степени визуальной перенасыщенности. На фиг.6с, 6d, 6e и 6f признаки отфильтрованы с использованием постепенно возрастающего порогового значения для количественного показателя связанности. Фиг.6f является чересчур «вызывающей» (для количественного показателя связанности использовалось пороговое значение 20000), и оказались удаленными участки отражений от границы соли.

Фиг.7 и 8 содержат различные разрезы в поперечном направлении из одного и того же набора данных. На каждой фигуре на панели (а) показаны исходные данные, разреженные с помощью одной и той же предварительной обработки, описанной выше. На панелях (b) и (с) показаны данные в варианте минимальной фильтрации и результат более сильной фильтрации, соответственно. На фиг.7b и 7с значительные отражения сохранились, тогда как визуальная перенасыщенность снижена. Примеры результатов были получены с использованием порогового значения 200 для количественного показателя связанности. Аналогично этому на фиг.7с при более сильной фильтрации с пороговым значением 800 для количественного показателя связанности значительные отражения сохранились. Однако при том же самом пороговом значении фильтрация на фиг.8с оказалась чрезмерной. Более разрывные, но все же значимые отражения в основании разреза данных удалены. Поэтому необходимо соблюдать осторожность при выборе порогового значения для количественного показателя связанности, используемого при фильтрации.

Выходной объем от модуля 110 связанности вокселов позволяет пользователю удалять нежелательную визуальную перенасыщенность из разреженного набора данных. Связанные тела оценивают на основании количества составляющих вокселов. Затем признаки с более низким количественным показателем связанности, чем заданное пользователем пороговое значение, удаляют из выходного объема данных. Эта методика может быть эффективным способом подготовки наборов данных к интерпретации сейсмических данных, такой как сегментация.

Сейсмические отражения состоят из основного амплитудного отклика и нескольких менее значительных, расположенных по бокам амплитудных откликов. Эти дополнительные отклики, отличные от основного отклика, усложняют использование объемов амплитуд для компьютерной сегментации значимых отражающих горизонтов. В большей части обрабатываемых объемов сейсмических данных используют нуль-фазовый сейсмический импульс, показанный на фиг.9. Это означает, что действительное местоположение отражающего горизонта указывается местоположением максимального значения основного отклика отражения (или лепестка диаграммы). Кроме того, нуль-фазовый сейсмический импульс является симметричным относительно максимального лепестка диаграммы отражения. Существуют другие побочные лепестки диаграммы, находящиеся выше и ниже основного лепестка диаграммы, представляющего интерес. Удаление этих дополнительных лепестков диаграммы отражения может привести к более корректному объему для интерпретации высокоамплитудных волн человеком и компьютером.

Согласно примеру осуществления работы модуля 120 сжатия отраженной волны снижается действие сейсмического сигнала от данного отражающего горизонта на основной лепесток диаграммы. Этим устраняется перенасыщенность, что может быть необходимо для интерпретации высокоамплитудных отражений в объеме сейсмических данных. Процессы и алгоритмы компьютерной интерпретации также способствуют удалению посторонних отражений из объема сейсмических данных.

В своей наиболее основной примерной форме модуль 120 сжатия отраженной волны, например во взаимодействии с контроллером 130, свертывает одномерный оператор с входным объемом. Для каждого положения оператора выполняется проверка, чтобы увидеть, имеет ли центральный воксел оператора наивысшую абсолютную амплитуду из всех вокселов, содержащихся в операторе. Если воксел с наивысшей абсолютной амплитудой не находится в центре оператора, не делается ничего, а оператор переходит к следующему вокселу. Однако, если наивысшая абсолютная амплитуда находится в центре оператора, модуль записывает это значение воксела в выходной объем в его исходном положении. Затем выполняются два поиска для нахождения протяженности этого лепестка диаграммы отражения.

Первый поиск выполняется вверх от центрального воксела. Поиск продолжается вверх до обнаружения пересечения нулевого уровня. В таком случае поиск прекращается. Второй поиск выполняется аналогичным образом по направлению вниз. Таким образом, полная протяженность основного лепестка диаграммы отражения записывается модулем в выходной объем.

Кроме того, чтобы гарантировать стабильность характеристики модуля, выполняют другие этапы. Локальные изменения амплитуды, а также случайный шум могут привести к тому, что боковой лепесток диаграммы отражения будет иметь локально более высокую абсолютную амплитуду, чем основной лепесток диаграммы отражения. Чтобы предотвратить привнесение разрывов в основной лепесток отражения, можно выполнить этап предварительной обработки для регуляризации амплитуды всех имеющихся лепестков диаграммы отражения.

На этом примерном этапе предварительной обработки все компонентные вокселы каждого лепестка диаграммы отражения преобразуют, используя анализ связанных полярностей. Анализ связанных полярностей аналогичен анализу связанных пороговых значений в том, что с его помощью определяют, какие вокселы являются связанными в трехмерном теле. Различие заключается только в том, что полярность воксела является единственным параметром, используемым для определения связанности вместо использования диапазона пороговых значений. После преобразования всех компонентных вокселов лепестка диаграммы отражения вычисляют среднюю амплитуду этого лепестка диаграммы. Это среднее является значением амплитуды, используемым для определения, какой лепесток диаграммы при отражении является основным лепестком диаграммы отражения. Основной процесс, описанный выше, затем используют для удаления боковых лепестков диаграммы отражения.

На фиг.10 и 11 показано применение модуля сжатия отраженной волны к входному объему сейсмических данных. Эти виды представляют собой вертикальные разрезы через набор данных. В середине разреза данных имеется горизонтальный тонкий слой соли.

Фиг.10а содержит исходные данные для этого разреза. Присутствуют высокоамплитудные и низкоамплитудные отражения. На фиг.10b показан результат после применения обработки модулем сжатия отраженной волны. Из данных удалены боковые лепестки диаграммы отражения. Однако некоторые локальные изменения амплитуды отражения обусловлены нестабильным режимом, при котором лепесток диаграммы отражения сохраняется как основной лепесток диаграммы. На фиг.10с и 10d показан результат рассмотрения только положительных или отрицательных амплитуд, соответственно, в процессе сжатия отраженной волны. Он может быть желательным, например, при попытке усилить границу раздела с известной полярностью коэффициента отражения (такую как граница осадок/соль).

На фиг.11а показана разреженная версия данных из фиг.10а. Данные были разрежены с помощью отдельного процесса, предназначенного для удаления низкоамплитудных отражений из набора данных. На фиг.11b показано выполнение способа сжатия отраженной волны с учетом всех отражений в этом наборе разреженных данных. На фиг.11с и 11d показаны результаты избирательного учета только положительных или отрицательных амплитуд, соответственно. В каждом примере данных боковые лепестки диаграммы отражения успешно удалены, но результат может быть более устойчивым при учете только одной полярности.

Примерный модуль 120 сжатия отраженной волны удаляет один или несколько боковых лепестков диаграммы (выше и/или ниже основного лепестка диаграммы) из отражений в объеме сейсмических данных. Этим удаляется не являющаяся необходимой перенасыщенность из объема, используемого для интерпретации высокоамплитудных отражений. Этими способами обработки данных можно пользоваться для интерпретации человеком и сегментации компьютером этих высокоамплитудных отражений.

Представление литологических границ в объеме сейсмических данных может быть очень сложным. В случае границ соли или диагенетических границ они могут пересекать набор данных в любой вообразимой ориентации и конфигурации. Ручная интерпретация таких границ разделов может требовать очень много времени при выполнении ручным способом. Автоматизация интерпретации этого вида является очень важной исследовательской задачей при интерпретации сейсмических данных. Подавление вокселов является первым этапом на пути к подсвечиванию и усилению литологических границ, способствующих их ручной и автоматизированной интерпретации компьютером.

Пример осуществления подавления вокселов представляет собой способ выделения высокоамплитудных волн в объеме сейсмических данных. Он выполняется модулем 160 подавления вокселов, делающим объем разреженным, в то время как локально высокоамплитудные волны сохраняются в исходных положениях. При желании масштаб сохраняемых значений вокселов может быть изменен для повышения интенсивности слабых волн. Этим изменением масштаба представление значимых отражений нормируется на протяжении объема.

Примерный модуль 160 подавления вокселов свертывает трехмерный оператор с входным объемом сейсмических данных. Для каждого положения оператора все вокселы в операторе сортируются по абсолютному значению. Наивысшие значения согласно задаваемому пользователем проценту (вводимому через пользовательское устройство ввода (непоказанное)) сохраняются в их исходном положении. Этот процент сохранения обычно небольшой, меньше чем 15% при всех применениях.

При условии предпочтения пользователем масштаб этих сохраняемых значений может быть изменен модулем 160 подавления вокселов для регуляризации представления локально значимых отражений на протяжении объема. Это выполняется вычислением стандартного отклонения всех вокселов, содержащихся в операторе, и изменением масштаба этих значений, чтобы сделать локальное стандартное отклонение согласованным со стандартным отклонением для всего объема. Чтобы выполнить это, все сохраняемые вокселы умножаются на коэффициент изменения масштаба (КИМ). Коэффициент изменения масштаба вычисляется как:

КИМ = стандартное отклонение для всего объема/стандартное отклонение для оператора.

В некоторых случаях значения вокселов повышают, тогда как в других случаях их можно уменьшать. Конечный результат заключается в том, что все признаки, сохраняемые в объеме, имеют сходный вид.

Кроме того, масштаб данных может изменяться модулем 160 подавления вокселов для выделения вокселов в центре оператора. Радиальное косинусное постепенное ослабление может использоваться для дополнительного выделения вокселов в центре оператора, а не на его краях. Этим косинусным постепенным изменением масштаб вокселов изменяется на основании их расстояния от центра оператора. Масштаб центрального воксела изменяется в соответствии с коэффициентом 1 (не изменяется). Масштаб самых дистальных вокселов изменяется в соответствии с нулевым коэффициентом (обнуление). В промежутке синусоидальным постепенным изменением может задаваться коэффициент изменения масштаба для каждого отдельного воксела, содержащегося в операторе. На фиг.12 представлен двумерный пример коэффициентов изменения масштаба с косинусным постепенным уменьшением для прямоугольного оператора с размерами 5×9.

Этим примером сочетания этапов можно усиливать локально высокоамплитудные отражения и в то же время удалять посторонние окружающие вокселы. Результат заключается в визуально более чистом объеме, качество которого легко повышать другими атрибутами, чтобы осуществлять автоматизированную интерпретацию.

На фиг.13, 14 и 15 показаны результаты применения подавления вокселов к объемам реальных данных. На этих видах представлены вертикальные разрезы через соответствующие наборы данных. На фиг.13 и 14 представлены различные разрезы из одного и того же объема данных. На каждом имеется горизонтальный тонкий слой соли в середине разреза данных. Фиг.15 получена на основании отдельного исследования, и на ней имеется соляной диапир в центре вида.

На фиг.13а показан объем исходных данных до выполнения подавления вокселов модулем 160 подавления вокселов. Локально высокоамплитудные отражения сохранены способом подавления вокселов (фиг.13b). Аналогичным образом на фиг.14b сохранены локально высокоамплитудные отражения, имеющиеся на разрезе исходных данных (фиг.14а).

Фиг.15а содержит исходные сейсмические данные из еще одного исследования. На фиг.15b показан результат способа подавления вокселов для этого второго объема данных. Значимые отражения сохранены в каждом примере реальных данных, в особенности отражения, связанные с основными литологическими контрастами (например, соляными телами), содержащимися в объемах данных.

Таким образом, один пример рабочего осуществления операции, выполняемой модулем 160 подавления вокселов, заключается в свертывании оператора скользящего окна со всем объемом. Для каждого положения оператора выполняется ряд примерных этапов обработки. Ими являются:

сортировка вокселов на основании абсолютного значения,

изменение масштаба значений всех вокселов, чтобы сделать локальное стандартное отклонение оператора согласованным с глобальным стандартным отклонением,

сохранение верхнего, заданного пользователем процента значений с измененным масштабом (обнуление всех других значений),

масштабирование сохраняемых значений на основании положения в операторе с использованием косинусного постепенного уменьшения, и

вывод постепенно уменьшающихся значений в их исходных положениях.

Таким образом, волны с локально значимыми амплитудами сохраняются и дают регулярное представление, тогда как незначимые отражения удаляются. Получающийся в результате сохраняемый объем является разреженным, включающим в себя только сильные отражающие горизонты с измененным масштабом амплитуды.

Модуль 160 подавления вокселов делает объем разреженным путем удаления всех, кроме наиболее значимых отражений на протяжении объема. В получающемся в результате объеме выделяются основные границы акустического импеданса. Эти акустически жесткие границы представляют основные литологические изменения. По существу, применение подавления вокселов может быть полезным первым этапом для подсвечивания сложных границ раздела, таких как границы соли.

При представлении геологических закономерностей атрибуты, вычисляемые на основании трехмерных объемов сейсмических данных, обычно являются зашумленными и хаотическими. Сложные морфология и представление геологических признаков могут приводить к показателю данного атрибута, несостоятельному для подсвечивания признаков, представляющих интерес. Структурное и диагенетическое наложения также могут усложнять результаты вычисления атрибутов.

Решение проблемы шума и регуляризация неодинаковых показателей атрибутов является потенциально очень важной исследовательской задачей. Пример осуществления способа определения плотности вокселов представляет собой путь оценивания локальной значимости трендов данных в трехмерном объеме сейсмических данных. В таком случае значимые области могут быть усилены или нормированы, тогда как незначимые области могут быть подавлены или отфильтрованы.

Согласно примеру рабочего осуществления модуль 170 плотности вокселов включает в себя алгоритм скользящего окна, выполняемый модулем скользящего окна. Для каждого положения оператора подсчитывается количество точек данных в пределах окна, которые попадают в заданный диапазон пороговых значений; при этом образуется количественный показатель плотности. Области высокого количественного показателя плотности считаются имеющими высокую достоверность. И наоборот, области низкого количественного показателя плотности предполагаются зашумленными и отфильтровываются или ослабляются. Шум можно фильтровать, удаляя точки данных из областей низкого количественного показателя плотности. Менее активным сглаживанием областей высокой достоверности значимые края можно сохранять во время сглаживания. Контраст объема также можно повышать в объеме атрибутов, при этом повышается отношение сигнала к шуму (С/Ш).

Ряд способов можно использовать для регулирования шума в объеме данных. Фильтрация среднего значения и медианная являются способами фильтрации, которые хорошо работают при случайном шуме. Точно так же преобразование сейсмических импульсов является еще одним эффективным способом фильтрации случайного шума. Однако шум не является единственной проблемой, которая ухудшает результаты вычисления атрибутов. Неправильный показатель может в большей степени затруднять быстрое использование результатов вычисления атрибутов.

Реальности геологии редко отражают простоту концептуальных моделей. Факторы, не учитываемые концептуальными моделями, обычно делают нечетким атрибут, предназначенный для отображения заданного геологического признака. Дополнительно показатель атрибута усложняется многообразием масштабов, отображаемых при сейсмических исследованиях. Признаки с субсейсмическим разрешением могут привносить резонансные эффекты в данные, которые являются неотличимыми от шума по многим атрибутам. На фиг.21b показан криволинейный отклик канала, вычисленный на основании сплющенного объема данных. Хотя он является визуально полезным, отсутствие равномерного представления канала усложняет ручную интерпретацию и препятствует любому автоматическому подходу к интерпретации канала.

В примере способа определения плотности вокселов локальную избыточность данных используют для образования устойчивой оценки достоверности набора данных. Представляющие интерес признаки в объеме данных обычно сохраняются на протяжении некоторого расстояния в каждом направлении. Постоянство этих признаков можно использовать для устранения неодинакового представления их в заданном объеме данных. Это осуществляют свертыванием трехмерного оператора с набором данных. Мера достоверности вычисляется модулем 170 плотности вокселов для всех вокселов. Затем этот количественный показатель достоверности можно использовать для управления операциями фильтрации и повышения качества.

Примерный модуль 170 плотности вокселов свертывает трехмерный оператор с входным объемом данных. Для каждого положения оператора скользящего окна подсчитывается количество вокселов, которые попадают в заданный диапазон пороговых значений. Результатом этой операции подсчета является количественный показатель плотности центральных вокселов окна. Высокие количественные показатели плотности указывают на вокселы высокой достоверности. Низкими количественными показателями плотности подсвечиваются вокселы низкой достоверности. Таким путем можно получать устойчивую нехаотическую оценку качества объема (или атрибута). Пользователь может выбирать конкретный диапазон значений плотности, которые являются значимыми, и подсвечивать области, где значения находятся в высокой концентрации.

На фиг.16 показаны численные результаты вычислений плотности вокселов на массиве 10×10 данных. На фиг.16а показан исходный массив данных, содержащий значения между 0 и 9. Имеется диагональный тренд высоких значений, показанный на массиве серой полосой. Фиг.16b содержит количественные показатели плотности, являющиеся результатом вычислений на операторе 3×3 с использованием всех принятых значений больше 6. Задача краевых эффектов решена масштабированием количественного показателя плотности на отношение максимального количества возможных выборов к локальному количеству выборок в операторе. При этом в углу исходная плотность скорректирована умножением ее на отношение 9 (полного размера оператора) к 4 (количеству выборок в операторе в этом положении). К тому же фиг.16с содержит результаты ограничения выходных количественных показателей плотности значениями от 4 и выше. Это сравнение с порогом дает возможность фильтрации областей низкой достоверности.

Оценки плотности можно находить двумя примерными путями. Во-первых, модуль 170 плотности вокселов определяет количественный показатель плотности для каждого положения оператора. Этот способ вычислений использован для фиг.16. Во-вторых, центральный воксел должен попадать в точно определенный диапазон пороговых значений для вычисляемых количественных показателей плотности. Это дополнительное ограничение приводит к менее гладкому объему количественных показателей плотности, но имеется преимущество, заключающееся в отсутствии размывания трендов, представленных в данных. Использование этого способа прохода через центр количественных показателей плотности делает обработку плотности вокселов сохраняющей края. Нулевое значение является результатом для вокселов, которые не удовлетворяют предварительному условию прохода через центр. Фиг.17а содержит результаты вычисления количественных показателей плотности выборочного массива 10×10, удовлетворяющие требованию попадания центральных вокселов в надлежащий диапазон пороговых значений до перехода к вычислениям плотности. Фиг.17b содержит результаты применения минимального порогового значения 4 к количественным показателям плотности из фиг.17а. Перенасыщенность, имеющаяся на фиг.16с, устранена, и представление тренда высоких значений (подсвеченного серой полосой) является более концентрированным.

Фиг.18 содержит графическое представление результатов, описанных выше. Фиг.18а содержит те же исходные данные, что и фиг.16а. На фиг.18b представлен результат вывода исходного значения из массива данных для каждого ненулевого положения в массиве плотности выше минимального порогового значения (фиг.16с). Для фиг.18с добавлено требование попадания центрального воксела в обоснованный диапазон пороговых значений (аналогично фиг.17b). На фиг.18d показан результат операции простого сравнения с пороговым значением, при этом вычисление плотности не выполнялось. Это позволяет считать, что результат вычисления плотности вокселов на основании оператора 1×1 принимает все значения от 6 и выше. Ясно, что эти результаты хуже результатов, представленных на фиг.18с. Этим различием демонстрируется синергизм сочетания результата сравнения с пороговым значением и трехмерной оценки достоверности. В этом смысле повышение плотности вокселов можно считать пространственно взвешенной операцией пороговой обработки.

В случае применения к объему данных определением плотности вокселов создается объем количественных показателей плотности. Этот объем аналогичен результатам, представленным на фиг.16 и 17. Объемом количественных показателей плотности предоставляется способ визуализации значимости различных трендов, имеющихся в данных. Области с когерентными устойчивыми трендами данных усиливаются, тогда как некогерентные области ослабляются.

Кроме того, объем количественных показателей плотности можно считать объемной оценкой достоверности. При наличии этой оценки достоверности данных можно выполнять ряд операций. Эти операции включают в себя одну или несколько из фильтрации шума, сглаживания с сохранением краев и повышения контраста объема.

Входной объем данных можно модифицировать и улучшать рядом способов, используя модуль 170 плотности вокселов. Объем количественных показателей плотности можно считать оценкой достоверности трендов в объеме. Используя эту оценку достоверности, можно повышать качество объема путем изменения масштаба значений вокселов на основании количественных показателей плотности. Пороговой фильтрацией можно удалять данные, которые не представляют интереса. Кроме того, можно управлять степенью сглаживания, и при этом области низкой достоверности сглаживать сильнее, чем области высокой достоверности.

Фильтрация порогом плотности

Бинарную фильтрацию можно выполнять, удаляя вокселы, которые имеют более низкий количественный показатель плотности, чем заданное пороговое значение. Таким образом можно удалять незначимые области данных. Вокселы, которые имеют более низкий количественный показатель плотности, чем определенный минимум, заменяются нулевыми значениями. Это показано на численном массиве на фиг.18b и 18с. На фиг.20b показаны результаты этого процесса, примененного к изображению когерентности подводного каньона. Аналогично этому фиг.21с содержит результат применения этой же процедуры к криволинейному изображению сплющенного канала (фиг.21b).

Сглаживание на основании плотности

Этот же самый критерий превышения минимального порога плотности вокселов можно использовать для управления операциями сглаживания в объеме данных. Сглаживая вокселы, которые не прошли испытания на минимальную плотность, а не вокселы, которые прошли испытание, незначимые области данных можно ослаблять. Кроме того, можно осуществлять управление включением вокселов в операции сглаживания.

Фиг.19а и 19b содержат результаты применения фильтра 3×3 среднего значения и медианного, соответственно, к исходным данным из фиг.18а. На фиг.19с показан результат применения сглаживания среднего значения только к вокселам, которые не прошли испытания на минимальную плотность. Вокселы, которые прошли испытание, считались имеющими высокую достоверность и не сглаживались. Аналогично этому фиг.19d содержит результат применения медианного оператора только к вокселам, которые не прошли испытания на минимальную плотность. На фиг.19е и 19f показаны результаты видоизменения избирательного сглаживания с включением только вокселов, которые попали за пределы первоначального диапазона пороговых значений. В обоих случаях получен результат подавления значений в сглаженных областях (затемнение их). Это приводит к большему визуальному контрасту и повышенному отношению сигнала к шуму для выборочного массива. Видно, что фиг.19е и 19f содержат хорошие результаты сглаживания массива исходных данных из фиг.18а.

Фиг.20с содержит результаты применения этого адаптивного относительно достоверности сглаживания к изображению когерентности подводного каньона. Сглажены только вокселы, которые не прошли испытания на минимальную плотность. Только вокселы, которые попали за пределы обоснованного диапазона пороговых значений, были включены в сглаживание. Следует отметить, что в случае этого способа адаптивного сглаживания сохраняются мелкие детали, имеющиеся на краях каньона.

Повышение контраста объемов данных

Прохождение или не прохождение вокселами испытания на минимальную плотность можно использовать для управления изменением масштаба объема данных. Масштаб вокселов, которые прошли испытание, изменяют в соответствии с коэффициентом больше чем 1. Масштаб вокселов, которые не прошли испытания, изменяют в соответствии с коэффициентом, меньшим чем 1. Точный коэффициент изменения масштаба зависит от исходного значения данных и количественного показателя плотности этого воксела. В принципе, масштаб каждого воксела изменяют на процент разности между его собственным значением и предельным значением после изменения масштаба. Процент изменения масштаба задается двумя уравнениями. Для вокселов, которые прошли испытание на минимальную плотность (D):

Коэффициент для прошедших вокселов=1+(количественный показатель D - нейтральная D)/(значения N - нейтральная D).

Для вокселов, которые не прошли испытания на минимальную плотность, уравнение коэффициента изменения масштаба имеет вид:

Коэффициент для не прошедших вокселов=(нейтральная D - количественный показатель D)/(нейтральная D).

Затем этот коэффициент умножают на первоначальное значение воксела, чтобы получить значение воксела с измененным масштабом. Добавление термина «степень изменения масштаба» позволяет более плавно выполнять операцию изменения масштаба. Фиг.22 содержит численные и графические результаты применения изменения масштаба этого вида к выборочному массиву данных. Тренд высоких значений на фиг.16а (подсвеченный серой полосой) усилен, в то время как подавлено рассеяние значений, которые окружают его. Отношение сигнала к шуму намного выше на фиг.22b, чем в исходном массиве на фиг.18а. Этот эффект также показан на гистограмме данных.

На фиг.20d показан результат применения этой операции к изображению когерентности подводного каньона. Это изменение масштаба было сделано со степенью 0,5. Такое же повышение контраста было выполнено для криволинейного изображения канала на фиг.21d. Как и в случае адаптивного сглаживания, значимые края сохранены в данных с повышением отношения сигнала к шуму.

Локально адаптивные операции

Кроме того, можно видоизменить операцию изменения масштаба, чтобы изменять масштаб только локально высоких значений. В случае связывания диапазона пороговых значений с локальной дисперсией в объеме данных при вычислениях плотности будут подсчитываться только локально высокие значения вокселов. Этим предотвращается высокий шумовой фон от чрезмерного действия процесса определения плотности вокселов и обеспечивается более робастный результат в случае, когда характеристическое вокселное значение признака изменяется значительно. На фиг.23b представлено изображение когерентности, показывающее ряд разрывов. Можно визуально определить, что единственным диапазоном пороговых значений нельзя представить все разрезы имеющихся разрывов без того, чтобы окружающий шум также не усиливался. Значимые данные дополнительно распознаются по их линейным трендам и имеют локально высокие значения. Путем связывания диапазона пороговых значений с локальной дисперсией эти разрывы можно усиливать с ослаблением окружающего шума.

На фиг.23 показано действие локально адаптивных, управляемых плотностью вокселов сглаживания и повышения контраста на временном срезе из набора данных для Мексиканского залива. Фиг.23а содержит исходные данные после применения оптического медианного фильтра (3×3) для снижения случайного шума. На фиг.23b представлен результат применения когерентности к объему данных. Фиг.23d и 23е были получены с использованием локально изменяемых пороговых значений, управляемых распределением дисперсии, показанным на фиг.23с. Области с более высокой дисперсией (имеющие склонность к более светлому серому) обуславливают более узкий диапазон пороговых значений, используемый при вычислениях плотности. Фиг.23d и 23е содержат результат локально адаптивных повышения контраста и сглаживания, соответственно, исходного среза когерентности из фиг.23b.

На фиг.24 показаны результаты тех же самых операций, примененных к более глубокому временному срезу из того же самого объема. При единственном диапазоне пороговых значений не улавливаются успешно все имеющиеся значимые тренды данных, фиг.24b. При этом локально адаптивный, управляемый дисперсией способ вычисления плотности вокселов дает хорошие результаты. Фиг.24с и 24d содержат результаты повышения контраста и сглаживания, соответственно.

На фиг.25а представлено изображение когерентности, показывающее часть соляного тела с окружающими разрывами. На фиг.25b и 25с показаны данные с повышенным контрастом. Общие закономерности разрывов сохранены, тогда как окружающие области незначащих данных ослаблены по величине. Затем эти объемы данных были обработаны усиливающим разрывы атрибутом, который улучшает наклонные планарные признаки в объеме когерентности. На фиг.25d представлены улучшенные выходные данные разрывов для исходного изображения когерентности. Они связаны многочисленными паразитными контурами. Эти данные с ошибками значительно сокращаются, когда обработкой получают объем с повышенным качеством изображения разрывов из объемов когерентности с повышенным контрастом. На фиг.25f имеется наивысшее отношение сигнала к шуму из трех объемов с усиленными разрывами. Этот объем вычислялся на основании объема с наивысшим контрастом (фиг.25с).

Модулем плотности вокселов предоставляется способ оценивания достоверности в объеме данных. Количество вокселов, которые попадают в пределы заданного диапазона пороговых значений, подсчитывается в пределах скользящего трехмерного оператора. Результат этого подсчета представляет собой количественный показатель плотности центрального воксела оператора. Вокселы с высоким количественным показателем плотности считаются значимыми, тогда как вокселы с низким количественным показателем плотности могут считаться шумом. Области значимых данных могут сохраняться или усиливаться, тогда как области незначимых данных сглаживаются или отфильтровываются.

Операции сглаживания на основании плотности вокселов и изменения масштаба являются сохраняющими края. Значимые тренды можно усиливать при сохранении их общей формы и внутренней текстуры. Этого достигают более сильным избирательным сглаживанием незначимых областей, чем состоятельных трендов данных. Точно так же значимые тренды данных можно избирательно усиливать при обнулении окружающего шума. При такой операции сохраняются исходные особенности данных, но с повышенным отношением сигнала к шуму.

Диапазон пороговых значений, включенных в определение количественных показателей плотности, может быть связан с локальной дисперсией в объеме данных. Таким способом сохраняют тренды локально значимых данных. Это позволяет использовать плотность вокселов для наборов данных, которые имеют диапазоны значимых значений данных, изменяющихся от диапазона к диапазону данных.

Плотность вокселов представляет собой потенциально очень полезное средство при использовании для предварительной обработки данных в случае визуальной и автоматизированной интерпретации. Например, можно по меньшей мере повышать отношение сигнала к шуму, а визуальное выделение можно получать для важных трендов путем избирательного сглаживания.

На фиг.2 показан пример осуществления определения связанности вокселов согласно этому изобретению. В частности, управление данными начинают на этапе S200 и продолжают до этапа S210. На этапе S210 вводят объем данных, такой как объем сейсмических данных. Затем на этапе S220 выполняют преобразование связанных ненулевых вокселов. После этого на этапе S320 количественный показатель связанности определяют в соответствии с количеством составляющих вокселов. Далее управление данными продолжают до этапа S240.

На выполняемом по желанию этапе S240 и на основании количественного показателя связанности признаки можно фильтровать. Аналогичным образом на этапе S250 признаки можно фильтровать, если они находятся в пределах диапазона связанности. Затем управление данными продолжают до этапа S260.

На этапе S260 объем сейсмических данных со сниженной визуальной перенасыщенностью выводят и сохраняют. Затем управление данными продолжают до этапа S270, где управляющую последовательность завершают.

На фиг.3 показан пример способа уменьшения отражений согласно этому изобретению. В частности, управление данными начинают на этапе S300 и продолжают до этапа S310. На этапе S310 вводят объем сейсмических данных. Например, входной объем данных может быть объемом данных, сохраненным в способе, показанном на фиг.2. Затем при желании на этапе S320 амплитуду всех лепестков диаграммы отражения можно регуляризировать с продолжением управления данными до этапа S330.

На этапе S330 для каждого положения оператора выполняют этапы S332-S338. В частности, на этапе S332 определяют, имеет ли центральный воксел оператора наивысшую абсолютную амплитуду из всех вокселов в операторе. Затем на этапе S334 в случае, если воксел с наивысшей амплитудой не находится в центре оператора, процесс переносят на следующий воксел.

На этапе S336 в случае, если воксел с наивысшей абсолютной амплитудой находится в центре оператора, значение воксела записывают в выходной объем в его исходном положении. Затем на этапе S337 выполняют поиск вверх и вниз относительно центрального воксела, чтобы определить протяженность основного лепестка диаграммы отражения. Далее на этапе S338 полную протяженность основного лепестка диаграммы отражения сохраняют для вывода. После этого управление данными продолжают до этапа S340, на котором управляющую последовательность завершают.

На фиг.4 показан пример способа подавления вокселов, при этом управление данными начинают на этапе S400 с ввода объема, такого как объем, сохраненный на фиг.3, и продолжают до этапа S410. На этапе S410 для каждого положения оператора все вокселы сортируют по абсолютному значению. Затем на этапе S420 вокселы со значениями выше заданных пользователем сохраняют в их первоначальных положениях. Далее при желании на этапе S340 выполняют изменение масштаба для регуляризации в соответствии с: коэффициент изменения масштаба = стандартное отклонение для всего объема/стандартное отклонение для оператора. После этого управление данными продолжают до этапа S440.

На этапе S440 изменяют масштаб вокселов в центре оператора с тем, чтобы выделить их. Затем на этапе S450 визуально улучшенный объем выводят и сохраняют.

На фиг.5 показан пример способа определения плотности вокселов. Управление данными начинают на этапе S500 с ввода объема, такого как объем, сохраненный на фиг.4, и продолжают до этапа S510. На этапе S510 для каждого положения скользящего окна подсчитывают количество вокселов в заданном диапазоне пороговых значений. Затем на этапе S520 выводят количественный показатель плотности для центрального воксела окна. Это выполняют с помощью подпрограмм S522 и S524. В частности, на этапе S522 определяют количественный показатель плотности для каждого положения оператора. Затем на этапе S524 в случае, если центральный воксел попадает в заданный диапазон пороговых значений, вычисляют количественный показатель плотности, при этом высокий количественный показатель плотности соотносят с вокселами высокой достоверности и низкий количественный показатель плотности соотносят с вокселами низкой достоверности.

На этапе S530 объем количественных показателей плотности выводят и сохраняют, например, в виде объемной оценки достоверности. Затем управление данными продолжают до этапа S540, где управляющую последовательность завершают.

На фиг.26-30 показаны применения к сейсмическим данным различных примеров способов, раскрытых в этой заявке. Однако должно быть понятно, что способы, раскрытые в этой заявке, также можно использовать для данных других видов, таких как данные медицинских изображений, двух- или трехмерные данные, представляющие предмет, тело, объект (объекты) или тому подобное.

На фиг.26 показана плотность вокселов, примененная к когерентности. Панель (а) содержит изображение когерентности подводного каньона. На панели (b) показан результат применения бинарной фильтрации плотности вокселов к данным из панели (а). Вокселам, которые прошли испытание на минимальный порог плотности, приписаны нулевые значения. На панели (с) показан результат управляемого сглаживания плотности вокселов. Количественные показатели плотности вокселов использованы для изменения контраста данных на панели (d). При управляемых сглаживании плотности вокселов и повышении контраста сохраняется исходный смысл данных, а не происходит просто удаление вокселов, которые не прошли испытания на порог плотности.

На фиг.27 показан пример подавления вокселов. Панель (а) содержит исходный разрез амплитуд. На панели (а) верх и низ горизонтального трубчатого соляного тела обозначены стрелками. На панели (b) показан результат применения подавления вокселов к данным из панели (а). Высокоамплитудные волны (включая волны, связанные с соляным телом) сохранены, тогда как большая часть окружающих низких амплитуд удалена. Некоторые рассеянные фрагменты отражений остались (показаны стрелкой на панели (b)).

На фиг.28 показан пример результата сжатия отраженной волны. В частности, способ сжатия отраженной волны был применен для разрежения сейсмических данных. Панель (а) содержит результат подавления вокселов. Теперь данные являются разреженными. Этой разреженностью улучшается характеристика сжатия отраженной волны (панель (b)). Для панелей (с) и (d) обработка выполнялась с дополнительным ограничением, заключавшимся в том, что только пики или провалы, соответственно, учитывались в этом примере операции сжатия отраженной волны. Панель (с) содержит наилучший результат подсвечивания трубчатого соляного тела, показанного стрелками на панели (а).

На фиг.29 показан пример способа определения связанности вокселов. Панель (а) содержит результат подавления вокселов. На панели (а) верх и низ горизонтального трубчатого соляного тела показаны стрелками. На панели (b) показан результат удаления всех тел из связанных вокселов, которые состоят из меньше чем 200 вокселов. Панель (с) содержит лучший результат фильтрации всех тел из связанных вокселов с меньшим количеством чем 800 компонентных вокселов.

На фиг.30 показан пример последовательности атрибутов. В этой последовательности атрибутов весь поток действий, описанных в этой заявке, применен к реальным данным. Панель (а) содержит срез амплитуд из объема данных для Северного моря. На панели (а) местоположение верха соли показано стрелкой. На панели (b) показан результат применения подавления вокселов к данным, показанным на панели (а). Заметно, что большая часть отражений не от соли отфильтрована (как высвечено стрелками). Результат применения сжатия отраженных волн к выходным данным для подавления вокселов показан на панели (с). Панель (d) содержит конечный результат фильтрации в соответствии с плотностью вокселов. Рассеянные фрагменты отражений, высвеченные стрелками на панели (с), удалены.

Хотя описанные выше блок-схемы действий описаны применительно к конкретной последовательности событий, должно быть понятно, что изменения этой последовательности могут производиться без существенного влияния на работу изобретения. Кроме того, как изложено в примерах осуществлений, нет необходимости в соблюдении точной последовательности событий. Кроме того, примеры способов, показанных в этой заявке, не ограничены конкретно показанными осуществлениями, но также могут использоваться вместе с другими примерами осуществлений, и при этом в каждом может описываться признак, заявляемый индивидуально и отдельно.

Системы, способы и методики этого изобретения могут быть реализованы на специализированном компьютере, программируемом микропроцессоре или микроконтроллере и периферийном интегральном элементе (элементах), специализированной интегральной схеме (ASIC) или другой интегральной схеме, цифровом процессоре сигналов, программируемой электронной или логической схеме, такой как схема из дискретных элементов, программируемом логическом устройстве, таком как программируемый логический прибор (PLD), программируемая логическая матрица (PLA), вентильная матрица, программируемая пользователем (FPGA), программируемая матричная логика (PAL), на другом средстве и т.п. В общем, любое устройство, способное реализовать машину состояний, которая, в свою очередь, способна реализовать методики, показанные в этой заявке, может использоваться для реализации различных способов и методик согласно этому изобретению.

Кроме того, раскрытые способы можно легко реализовать на базе выполняемого процессором программного обеспечения, используя объектные или объектно-ориентированные среды разработки программ, которыми обеспечивается мобильная исходная программа, которая может использоваться на ряде платформ компьютеров и рабочих станций. Как вариант раскрытую систему можно частично или полностью реализовать на аппаратных средствах, используя стандартные логические схемы или сверхбольшие интегральные схемы. Использование программного обеспечения или аппаратных средств для реализации систем согласно этому изобретению зависит от требований к скорости и/или эффективности системы, конкретной функции и используемых конкретных программных или аппаратных систем, или микропроцессорных или микрокомпьютерных систем. Системы, способы и методики, показанные в этой заявке, можно без труда реализовать на базе аппаратных средств и/или программного обеспечения, используя любые известные специалистам в соответствующей области техники или разрабатываемые системы или структуры, устройства и/или программное обеспечение, на основании функционального описания, представленного в этой заявке, и при наличии базовых знаний в области компьютеров и геологии.

Кроме того, раскрытые способы можно легко реализовать на базе программного обеспечения, которое может храниться на считываемом компьютером носителе данных, выполняемого на программируемом компьютере общего назначения во взаимодействии с контроллером и запоминающим устройством, специализированном компьютере, микропроцессоре или аналогичном устройстве. Системы и способы этого изобретения можно реализовать в виде программы, встроенной в персональный компьютер, такой как апплет, JAVA® или сценарий CGI, на языке С или С++, фортран или аналогичном, в качестве ресурса, постоянно хранящегося на сервере или компьютерной рабочей станции, в виде подпрограммы, встроенной в специализированную систему или системный компонент или аналогичный. Кроме того, систему можно реализовать путем физического включения системы и/или способа в систему программного обеспечения или аппаратного обеспечения, такую как системы аппаратного и программного обеспечения специализированного устройства интерпретации сейсмических данных.

В связи с изложенным понятно, что в соответствии с настоящим изобретением предложены способы и системы для интерпретации данных. Хотя это изобретение описано в отношении ряда осуществлений, несомненно, что многочисленные варианты, модификации и изменения должны быть или являются очевидными для специалистов в соответствующей области техники. Кроме того, предполагается охват всех таких вариантов, модификаций, эквивалентов и изменений, которые находятся в рамках сущности и объема этого изобретения.

Реферат

Настоящее изобретение относится к созданию систем, способов и методик для обработки сейсмических данных.Заявленная группа изобретений включает реализуемые с помощью компьютера способы обработки сейсмических данных, системы для обработки сейсмических данных и считываемые компьютером носители данных, имеющие сохраненные на них команды, которые при исполнении процессором выполняют этапы по любому одному из способов.Способы и средства для предварительной обработки данных до интерпретации сейсмических данных включают в себя преобразование связанности вокселов, уменьшение сейсмических отражений, подавление вокселов и определение плотности вокселов. Связанность вокселов используют для содействия при удалении незначимых данных.Технический результат, достигаемый от реализации заявленной группы изобретений, заключается в снижении сейсмического отклика заданного отражающего горизонта в лепестке диаграммы, такой как основной лепесток диаграммы, посредством уменьшения сейсмических отражений, также в подсвечивании и усилении литологических границ для содействия интерпретации человеком и компьютером посредством подавления вокселов. 11 н. и 44 з.п. ф-лы, 30 ил.

Формула