DOI: https://doi.org/10.1038/s41598-025-34327-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41484329
تاريخ النشر: 2026-01-02
المؤلف: Arash Ghiasvand وآخرون
الموضوع الرئيسي: تقنيات التصوير الزلزالي والعكس
نظرة عامة
تتناول هذه الدراسة التحديات المتعلقة بنمذجة مقاومة الصوت ثلاثية الأبعاد في خزانات الرواسب الطينية البحرية، لا سيما في السيناريوهات المحدودة بالبيانات مع تحكم ضعيف في الآبار. يقترح المؤلفون سير عمل متكامل مدفوع بالفيزياء باستخدام التعلم الآلي (ML) يجمع بين توليد الآبار الزائفة المدفوعة بفيزياء الصخور والشبكات العصبية لرسم الخصائص الزلزالية إلى مقاومة الصوت. تستخدم المنهجية نهج فيزياء الصخور الرملية الناعمة، مستفيدة من متوسط Voigt-Reuss-Hill لخصائص الحبوب ونظرية الاتصال Hertz-Mindlin لنمذجة إطار الصخور الجافة. أنتجت الدراسة 45 بئرًا زائفة مشروطة من خلال تصنيف الصخور الإيدولوجية والإحصاءات المكانية، مما خفف من مخاطر الإفراط في التكيف المرتبطة بعدد الآبار الحقيقية المحدود. تم اختيار ست خصائص زلزالية كمتنبئات، وتم تدريب وتقييم معمارين للشبكات العصبية – شبكة التغذية الأمامية متعددة الطبقات (MLFN) وشبكة دالة الأساس الشعاعي (RBFN).
تشير النتائج إلى أن MLFN تفوقت على RBFN، محققة معامل ارتباط (CC) قدره 0.87 وخطأ الجذر التربيعي المتوسط الطبيعي (NRMSE) قدره 0.493، مقارنةً بـ CC لـ RBFN البالغ 0.79 وNRMSE البالغ 0.613. وهذا يشير إلى أن MLFN أكثر ملاءمة لالتقاط العلاقات الهيكلية المعقدة بين الخصائص الزلزالية ومقاومة الصوت. عرضت أحجام المقاومة الناتجة استمرارية جانبية متماسكة، متماشية مع التفسيرات الجيولوجية وتظهر فعالية استراتيجية تعزيز البيانات المدفوعة بالفيزياء. تؤكد النتائج على أهمية دمج الأولويات الجيولوجية في أطر الانعكاس المدفوعة بالبيانات وتقترح أن الهياكل البسيطة للتغذية الأمامية، عند دمجها مع الآبار الزائفة المعايرة بشكل جيد، يمكن أن تحقق أداءً تنافسياً مع الحفاظ على الكفاءة الحاسوبية. كما تسلط الدراسة الضوء على الإمكانية لاستخدام مجموعة محدودة من الخصائص الزلزالية لإنتاج توقعات مقاومة عالية الجودة، مما يوفر إرشادات قيمة للتطبيقات الجيوفيزيائية المستقبلية.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الدور الحاسم لمقاومة الصوت في فهم خصائص الطبقات السفلية مثل الصخور، المسامية، وتشبع السوائل، والتي تعتبر ضرورية لتوصيف خزانات الزلازل الفعالة واستكشاف الهيدروكربونات. تواجه طرق الانعكاس الزلزالي التقليدية قيودًا بسبب اعتمادها على بيانات تسجيل الآبار الكثيفة ونماذج التردد المنخفض الدقيقة، لا سيما في البيئات الجيولوجية المعقدة أو البحرية حيث يكون تغطية الآبار ضعيفة. لمعالجة هذه التحديات، تستكشف الدراسة تقنيات الانعكاس باستخدام التعلم الآلي (ML)، مع مقارنة خاصة بين الشبكات متعددة الطبقات للتغذية الأمامية (MLFN) وشبكات دالة الأساس الشعاعي (RBFN) لتقدير مقاومة الصوت.
تعتبر إحدى الابتكارات المهمة في هذه الدراسة هي تنفيذ استراتيجية تعزيز البيانات المدفوعة بالفيزياء لتوليد سجلات مرنة صناعية، مما يعزز مجموعة بيانات التدريب بـ 45 بئرًا زائفة مستمدة من نموذج فيزياء الصخور المعاير (RPM). تهدف هذه الطريقة إلى تقليل الإفراط في التكيف وتحسين أداء النموذج في السيناريوهات التي تعاني من نقص البيانات من خلال ضمان الواقعية الجيولوجية والتمثيل الإحصائي. أجريت الدراسة في تسلسل طيني معقد قبالة شمال الخليج الفارسي، باستخدام ثلاثة آبار مسجلة بالكامل لتدريب النموذج والتحقق منه. لا يقتصر الإطار المقترح على تباين استراتيجيات التقريب العالمية والمحلية فحسب، بل يدمج أيضًا مبادئ فيزياء الصخور مع ML، مما يظهر تكيفًا قويًا وقابلية للتكرار عبر ظروف جيولوجية متنوعة.
طرق
تقدم الدراسة سير عمل جيوفيزيائي متعدد المراحل يهدف إلى التغلب على التحديات المرتبطة بتحكم الآبار الضعيف والتنوع الجيولوجي. يدمج هذا الإطار تعزيز البيانات المستند إلى فيزياء الصخور مع تقنيات التعلم الآلي المتقدمة، وتحديدًا الشبكات متعددة الطبقات للتغذية الأمامية (MLFN) وشبكات دالة الأساس الشعاعي (RBFN)، لتطوير نماذج مقاومة صوت ثلاثية الأبعاد عالية الدقة. تبدأ المنهجية بمعالجة بيانات الزلازل المسبقة وسجلات الآبار، بما في ذلك معايرة الربط بين الآبار لمواءمة الإشارات الزلزالية الاصطناعية والحقيقية، تليها استخراج الموجات الزلزالية. باستخدام استبدال السوائل لجاسمان وقوانين خلط المعادن، يتم محاكاة العلاقات بين سرعة الموجة P ($V_P$)، سرعة الموجة S ($V_S$)، والكثافة ($\rho$) عبر أنواع الصخور المختلفة وتشبع السوائل، وهو أمر ضروري لبناء نموذج جيوفيزيائي متماسك وتوليد آبار زائفة واقعية جيولوجيًا.
يتضمن سير العمل أيضًا النمذجة الجيولوجية الإحصائية من خلال محاكاة مكانية قائمة على متغيرات لتوليد آبار زائفة تعكس الخصائص الجيولوجية والجيوفيزيائية للمنطقة. يعزز هذا التعزيز لمجموعة بيانات التدريب باستخدام بيانات الآبار الحقيقية والزائفة أداء النموذج من خلال زيادة التباين والتمثيل، مما يعالج نقص البيانات. تُستخدم مجموعة البيانات المعززة لتدريب نماذج MLFN وRBFN، حيث تلتقط MLFN الأنماط العالمية من خلال هيكلها العميق وتستخدم RBFN نوى غاوسية محلية لتحقيق تقارب أسرع. يتم التحقق من أداء النموذج باستخدام نهج التحقق المتقاطع الذي يستبعد بئرًا واحدًا، والذي يقيم قدرات تعميم النماذج تحت ظروف البيانات المحدودة.
نتائج
تتناول قسم النتائج نتائج سير العمل الجيوفيزيائي المتكامل المطبق على ثلاثة آبار، كاشفة عن تنوع كبير في الصخور الإيدولوجية داخل التسلسل الطيني. تشمل الصخور الإيدولوجية السائدة التي تم تحديدها الطين، والرمل المضغوط، والرمل الطيني، والرمل النظيف المحتوي على الماء، والرمل النظيف المحتوي على النفط. من الجدير بالذكر أن البئر A تحتوي على رمال نظيفة وطينية متداخلة، بينما تحتوي البئر B على نسبة أعلى من الرمل الطيني، وتقدم البئر C قسمًا أكثر سمكًا من الطين مع رمال تحتوي على هيدروكربونات أقل. تؤكد هذه النتائج على التباين المكاني للبيئات الترسيبية وتتحقق من استخدام معلمات RPM المعتمدة على الصخور لتوليد سجلات اصطناعية.
تم التحقق من RPM المعاير من خلال مقارنة السجلات المرنة الاصطناعية والملاحظة، بينما تم توضيح سير العمل الإحصائي التسلسلي لتوليد الآبار الزائفة من خلال نمذجة المتغيرات والتقييمات الإحصائية. تم توليد خمسة عشر تحقيقًا للبئر A، مما يضمن بقاء البيانات الاصطناعية ممثلة محليًا ضمن نصف قطر فعال قائم على المتغيرات يبلغ حوالي 268.8 م. أظهرت الآبار الزائفة الاصطناعية تباينات تعتمد على العمق في الخصائص البتروفيزيائية تتماشى مع الآبار الحقيقية، مما يلتقط بشكل فعال التباينات بين طبقات الرمل والطين. بالإضافة إلى ذلك، تم تقييم أداء نماذج التعلم الآلي، وتحديدًا شبكة التغذية الأمامية متعددة الطبقات (MLFN) وشبكة دالة الأساس الشعاعي (RBFN)، حيث أظهرت MLFN دقة تنبؤية أعلى بسبب هيكلها الأعمق. بشكل عام، تؤكد النتائج أن سير العمل المدفوع بالفيزياء والجيوإحصائية يمكن أن ينتج آبارًا اصطناعية موثوقة تحترم الاتجاهات والاختلافات البتروفيزيائية، حتى في ظروف نقص البيانات.
مناقشة
في هذه الدراسة، بحث المؤلفون في انعكاس مقاومة الصوت في شمال الخليج الفارسي باستخدام نهج مدفوع بالفيزياء لتعزيز بيانات تسجيل الآبار المحدودة. يتميز منطقة البحث بالترسيب الدلتاوي إلى البحري الضحل، مع فترة طبقية تتكون من وحدات رملية وطينية متناوبة. تم تحليل حجم زلزالي ثلاثي الأبعاد، ووفرت ثلاثة آبار مسجلة بالكامل سجلات مرنة أساسية للمعايرة. استخدم المؤلفون نموذج فيزياء الصخور (RPM) الذي استخدم متوسط Voigt-Reuss-Hill واستبدال السوائل لجاسمان لتوليد 45 بئرًا زائفة، مما يعزز مجموعة بيانات التدريب لتطبيقات التعلم الآلي (ML). ضمنت هذه المنهجية أن السجلات الاصطناعية تعكس بدقة التباينات الصخرية والاستمرارية المكانية الملاحظة في الآبار الحقيقية، محققة معامل ارتباط عالٍ (CC > 0.90) بين البيانات الاصطناعية والمقاسة.
قامت الدراسة بمقارنة بين معمارتي الشبكات العصبية: شبكة التغذية الأمامية متعددة الطبقات (MLFN) وشبكة دالة الأساس الشعاعي (RBFN). أظهرت MLFN دقة تنبؤية متفوقة وتماسك مكاني في توقعات مقاومة الصوت، محققة ارتباطًا متقاطعًا قدره حوالي 0.87، مقارنةً بـ 0.79 لـ RBFN. التقطت MLFN العلاقات الهيكلية بين الخصائص الزلزالية والمقاومة، بينما كانت RBFN تميل إلى تلطيف التباينات الحادة. تسلط النتائج الضوء على فعالية دمج تعزيز البيانات المدفوع بالفيزياء مع الهياكل التغذوية للانعكاس الزلزالي، على الرغم من أن الدراسة تعترف بالقيود المتعلقة بالاعتماد على ثلاثة آبار فقط وغياب تقدير عدم اليقين في معلمات فيزياء الصخور. تشمل اتجاهات البحث المستقبلية استكشاف هياكل الشبكات العصبية المتقدمة وتقنيات تقدير عدم اليقين لتعزيز أداء النموذج وموثوقيته بشكل أكبر.
DOI: https://doi.org/10.1038/s41598-025-34327-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41484329
Publication Date: 2026-01-02
Author(s): Arash Ghiasvand et al.
Primary Topic: Seismic Imaging and Inversion Techniques
Overview
This research addresses the challenges of three-dimensional acoustic impedance modeling in offshore clastic reservoirs, particularly in data-limited scenarios with sparse well control. The authors propose an integrated, physics-guided machine learning (ML) workflow that combines rock-physics-driven pseudo-well generation with neural networks to map seismic attributes to acoustic impedance. The methodology employs a soft-sand rock physics approach, utilizing the Voigt-Reuss-Hill average for grain moduli and Hertz-Mindlin contact theory for modeling the dry rock frame. The study generated 45 pseudo-wells conditioned through lithofacies classification and spatial statistics, which mitigated overfitting risks associated with the limited number of real wells. Six seismic attributes were selected as predictors, and two neural network architectures—multilayer feedforward network (MLFN) and radial basis function network (RBFN)—were trained and evaluated.
The results indicate that the MLFN outperformed the RBFN, achieving a correlation coefficient (CC) of 0.87 and normalized root mean square error (NRMSE) of 0.493, compared to the RBFN’s CC of 0.79 and NRMSE of 0.613. This suggests that the MLFN is better suited for capturing complex hierarchical relationships between seismic attributes and acoustic impedance. The generated impedance volumes displayed coherent lateral continuity, aligning with geological interpretations and demonstrating the effectiveness of the physics-guided data augmentation strategy. The findings underscore the importance of incorporating geological priors in data-driven inversion frameworks and suggest that simple feedforward architectures, when combined with well-calibrated pseudo-wells, can achieve competitive performance while remaining computationally efficient. The study also highlights the potential for using a limited set of seismic attributes to produce high-quality impedance predictions, providing valuable guidelines for future geophysical applications.
Introduction
The introduction of this research paper emphasizes the critical role of acoustic impedance in understanding subsurface properties such as lithology, porosity, and fluid saturation, which are essential for effective seismic reservoir characterization and hydrocarbon exploration. Traditional seismic inversion methods face limitations due to their reliance on dense well-log data and accurate low-frequency models, particularly in geologically complex or offshore environments where well coverage is sparse. To address these challenges, the study explores machine learning (ML) inversion techniques, specifically comparing multi-layer feedforward networks (MLFN) and radial basis function networks (RBFN) for acoustic impedance estimation.
A significant innovation of this research is the implementation of a physics-guided data augmentation strategy to generate synthetic elastic logs, enhancing the training dataset with 45 pseudo-wells derived from a calibrated rock physics model (RPM). This approach aims to mitigate overfitting and improve model performance in data-scarce scenarios by ensuring geological realism and statistical representativeness. The study is conducted in a complex clastic sequence offshore in the northern Persian Gulf, utilizing three fully logged wells for model training and validation. The proposed framework not only contrasts global and local approximation strategies but also integrates rock-physics principles with ML, demonstrating strong adaptability and reproducibility across diverse geological conditions.
Methods
The study presents a multi-phase geophysical workflow aimed at overcoming challenges associated with sparse well control and geological heterogeneity. This framework integrates rock-physics-based data augmentation with advanced machine learning techniques, specifically Multi-Layer Feedforward Networks (MLFN) and Radial Basis Function Networks (RBFN), to develop high-resolution 3D acoustic impedance models. The methodology begins with preprocessing prestack seismic data and well logs, including well-tie calibration to align synthetic and real seismic traces, followed by seismic wavelet extraction. Utilizing Gassmann’s fluid substitution and mineralogical mixing laws, the relationships among P-wave velocity ($V_P$), S-wave velocity ($V_S$), and density ($\rho$) are simulated across different lithologies and fluid saturations, which is essential for constructing a coherent geophysical model and generating geologically realistic pseudo-wells.
The workflow further incorporates geostatistical modeling through variogram-based spatial simulation to produce pseudo-wells that reflect the geological and geophysical characteristics of the area. This augmentation of the training dataset with both real and pseudo-well data enhances model performance by increasing variability and representativeness, thereby addressing data scarcity. The augmented dataset is utilized to train the MLFN and RBFN models, with the MLFN capturing global patterns through its deep architecture and the RBFN utilizing localized Gaussian kernels for faster convergence. Model performance is validated using a leave-one-well-out cross-validation approach, which evaluates the models’ generalization capabilities under conditions of limited data.
Results
The results section details the outcomes of an integrated geophysical workflow applied to three wells, revealing significant lithofacies heterogeneity within the clastic sequence. The dominant lithofacies identified include shale, compacted sandstone, shaly sandstone, water-bearing clean sandstone, and oil-bearing clean sandstone. Notably, Well A features interbedded clean sandstones and shales, Well B has a higher proportion of shaly sandstone, and Well C presents a thicker shale section with fewer hydrocarbon-bearing sands. These findings underscore the spatial variability of depositional environments and validate the use of facies-dependent RPM parameters for generating synthetic logs.
The calibrated RPM was validated by comparing synthetic and observed elastic logs, while the sequential statistical modeling workflow for pseudo-well generation was illustrated through variogram modeling and statistical evaluations. Fifteen realizations for Well A were generated, ensuring that synthetic data remained locally representative within a variogram-based effective radius of approximately 268.8 m. The synthetic pseudo-wells demonstrated depth-dependent variations in petrophysical properties consistent with real wells, effectively capturing the contrasts between sandstone and shale layers. Additionally, the performance of machine learning models, specifically the Multi-Layer Feedforward Network (MLFN) and Radial Basis Function Network (RBFN), was assessed, with the MLFN exhibiting superior predictive accuracy due to its deeper architecture. Overall, the results affirm that the physics-guided and geostatistical workflow can produce reliable synthetic wells that honor petrophysical trends and variability, even in data-limited conditions.
Discussion
In this study, the authors investigated acoustic impedance inversion in the northern Persian Gulf using a physics-guided approach to augment limited well log data. The research area is characterized by deltaic to shallow-marine sedimentation, with a stratigraphic interval comprised of alternating sandstone and shale units. A 3D seismic volume was analyzed, and three fully logged wells provided essential elastic logs for calibration. The authors employed a rock physics model (RPM) that utilized Voigt-Reuss-Hill averaging and Gassmann fluid substitution to generate 45 pseudo-wells, enhancing the training dataset for machine learning (ML) applications. This methodology ensured that the synthetic logs accurately reflected the lithological contrasts and spatial continuity observed in the real wells, achieving a high correlation coefficient (CC > 0.90) between synthetic and measured data.
The study compared two neural network architectures: a Multi-Layer Feedforward Network (MLFN) and a Radial Basis Function Network (RBFN). The MLFN demonstrated superior predictive accuracy and spatial coherence in acoustic impedance predictions, achieving a cross-correlation of approximately 0.87, compared to 0.79 for the RBFN. The MLFN effectively captured hierarchical relationships between seismic attributes and impedance, while the RBFN tended to smooth sharp contrasts. The findings highlight the efficacy of integrating physics-guided data augmentation with feedforward architectures for seismic inversion, although the study acknowledges limitations related to the reliance on only three wells and the lack of uncertainty quantification in rock-physics parameters. Future research directions include exploring advanced neural network architectures and uncertainty quantification techniques to further enhance model performance and reliability.