Inversion of Vertical Seismic Profiling (VSP) Data Via Consecutive Neural Networks. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Final Thesis Document) 20231009_Thesis_With_Cover_Letter_Eprint_Hussain_Almarzooq_202007540.pdf Restricted to Repository staff only until 12 October 2024. Download (8MB)

Arabic Abstract

يتم التنبؤ بسرعة الصخور وعمقها باستخدام انعكاس الموجات الزلزالية العمودية منعدمة الحيد وهذا مهم للتنبؤ بالأخطار المتعلقة بالحفر وللتنبؤ بسرعات الصخور إلى عمق أكثر من عمق البئر النهائي. الطريقة التقليدية للتنبؤ تعاني من مشاكل متعلقة بعدم خطية عملية الانعكاس وبالخصوص في المناطق التي تحتوي معلومات محدودة ، أوحين يوجد تحيز متعلق باختيار نوع الموجة ، أومستوى الضوضاء ، أونموذج التردد المنخفض ، أو العديد من العوامل المتعلقة الأخرى. لهذا تم اقتراح عملية التعلم العميق والتي تتم باستخدام شبكة عصبونية متتالية (تدريب متفرق) ، وتحتوي على النماذج الفرعية التالية: نموذج معالجة للضوضاء ، نموذج استخلاص وضغط الميزات ، ونموذج للتنبؤ بالسرعة. النموذج النهائي المشترك يستطيع التنبؤ بالنتائج أسرع بعشرة مرات من كل النماذج الآخرى وبدقة آعلى.

English Abstract

The inversion of zero-offset VSP corridor stacks for velocities and depth prediction is an important tool for hazard prediction ahead of the bit and for extending velocity information below the well’s final depth. The conventional approach suffers from issues related to the non-linearity of the inversion especially in areas where data is limited as well as biases related to the choice of wavelet, noise level, low frequency model, and other associated parameters. Thus, a deep learning approach using a consecutive neural network (split-training), consisting of a denoising, feature extraction and compression, and velocity inversion sub-models, is proposed. The combined model can predict results ten times faster than all other tested models at a higher accuracy.

Item Type:	Thesis (Masters)
Subjects:	Earth Sciences
Department:	College of Petroleum Engineering and Geosciences > Geosciences
Committee Advisor:	Waheed, Umair
Committee Members:	Mahmoud, Sherif and Alfarraj, Motaz
Depositing User:	HUSSAIN ALMARZOOQ (g202007540)
Date Deposited:	15 Oct 2023 06:36
Last Modified:	15 Oct 2023 06:36
URI:	http://eprints.kfupm.edu.sa/id/eprint/142585