Post-Stack Seismic Inversion Using Machine Learning. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF Dissertation - For Binding.pdf - Published Version Restricted to Repository staff only until 6 April 2027. Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (3MB)

Arabic Abstract

يُعد تحديد مواقع الحفر وتقدير الاحتياطيات اعتماداً على بيانات الانعكاس التقليدي للممانعة المحدودة النطاق غير دقيق بسبب انحياز المعلومات. تم تطوير سير عمل يعتمد على التعلم الآلي (ML) للانعكاس الصوتي (AI) يتيح عكس الممانعة بدقة أعلى، مما يجعل النتائج اللاحقة أكثر موثوقية. لتحقيق الانعكاس المعتمد على التعلم الآلي، تم تدريق مدخلات سمات الزلازل والعمق وزمن السفر ذهاباً وإياباً مع سجلات الممانعة المستهدفة. استخدم تحسين L-BFGS-B لتقليل الفروق التربيعية بين القيم القصوى للمكمن المحوّلة إلى الممانعة والقيم الحدّية، للحصول على ثوابت تجريبية ضمن قيم ابتدائية وحدود محددة. يحدد الحل المغلق لهذه الثوابت المسامية والنفاذية المحسّنتين، واللتين تُشير قيمهما الأعلى من الحدود إلى مناطق إنتاجية للحفر. بالمقارنة مع الحساب الحقيقي، تميّز نموذج VStaR (R² = 0.9973)، (a = 0.1584) بأفضل أداء رغم أطول زمن حسابي (≈ 400 ثانية) مقارنةً بنموذجي VSR و BLIMP. كما أظهرت زيادة ± 3 ٪ في القيم الابتدائية أقل خطأ عالمي. تُنتج هذه الثوابت التجريبية معاملات مكمن محسّنة عالمياً تحدد صافي الطبقة المنتجة تحت نفس الشروط الحدّية. وبسبب اختيار معاملات الضبط الفائقة في النماذج الفردية، حقق نموذج ETR (R² = 0.9970) أقرب تطابق مع القيم التجريبية الحقيقية لتحويل AI-المسامية وتقدير الاحتياطي(a = 0.1584)، R = 28.08مليون برميل (STB)) مقارنةً بالقيم الحقيقية (a=0.1585) ، R = 29.96مليون برميل (STB))، مما يؤكد كفاءته في تقييم المكامن الكربونية. يبرهن سير العمل المقترح على إمكانات التعلم الآلي في تحسين توصيف المكامن، وتحديد مواقع الحفر، وتقدير الاحتياطيات الهيدروكربونية في الأنظمة الكربونية المعقدة.

English Abstract

The methods of finding drilling locations and estimating reserves on the basis of conventional band-limited impedance (BLIMP) inversion data lack accuracy because of biased information. The developed machine learning (ML)-based acoustic impedance (AI) inversion workflow was able to invert AI in more accurate ways so that the downstream results are reliable. To obtain the ML-based inversion, seismic attributes, depth, and two-way travel time were used as input features with the AI logs serving as the target variable. A limited-memory Broyden-Fletcher-Goldfarb-Shanno with Boundaries (LBFGS-B) was employed to minimize the squared errors between AI-transformed reservoir extremes and threshold values to obtain empirical constants under defined initial values and bounds. A closed-form solution of the empirical constants determines the optimized porosity and permeability, both of which can suggest productive zones for drilling if they are greater than their threshold values. Compared with the true calculation, VStaR (R2=0.9973, aVStaR = 0.1584), with its highest computational time (≈400 s), stands out as the best ML-based finder compared with voting single regression (VSR) and BLIMP. A ±3% perturbation to the initial values produced the global minimum errors. The resulting empirical constants generate globally optimized reservoir parameters that determine the net pay under the same threshold conditions. Owing to the hyperparameter choices among the single models, extratree regression (ETR) (R2=0.9970) achieved the closest match to the true empirical values for the AI-porosity transformation and reserve estimate (aETR = 0.1584, RETR = 28.08 million stock tank barrels (STB)) relative to the ground truth (atrue = 0.1585, Rtrue = 29.96 million STB), confirming its robustness for evaluating reserves in carbonate reservoirs. The proposed framework shows the potential of ML for enhanced reservoir characterization, drilling location detection, and hydrocarbon reserve estimation in complex carbonate systems.