DOI: https://doi.org/10.1038/s41598-026-36501-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41565908
تاريخ النشر: 2026-01-21
المؤلف: Yeheya Zayier وآخرون
الموضوع الرئيسي: تقنيات التصوير الزلزالي والعكس
نظرة عامة
في هذه الدراسة، تم تطوير طريقة عكس بتروفيزيائية تعتمد على التعلم الآلي (ML) لإنشاء سير عمل موحد متعدد المقاييس يدمج نمذجة فيزياء الصخور، نمذجة الزلازل، وتقنيات العكس الزلزالي. تتناول هذه الطريقة الفجوة الموجودة في استكشاف وإنتاج النفط، حيث ركزت الأبحاث السابقة بشكل كبير على نمذجة الأمام أو عمليات العكس بشكل منفصل. تستخدم المنهجية بيانات اصطناعية، بدءًا من معلمات بتروفيزيائية محددة مسبقًا للخزان لنمذجة الخصائص المرنة من خلال معادلات فيزياء الصخور، تليها نمذجة الزلازل الأمامية لتوليد بيانات السعة مقابل الإزاحة (AVO). ثم يتم إجراء عكس AVO الزلزالي لاستعادة المعلمات المرنة، والتي يتم ترجمتها بعد ذلك إلى معلمات بتروفيزيائية للخزان باستخدام تقنيات ML.
تشير النتائج إلى أن المسامية ($\phi$) تؤثر بشكل كبير على استجابات AVO الزلزالية، بينما حجم الطين ($C$) وتشبع الماء ($S_w$) لهما تأثير أقل. ومع ذلك، فإن عملية عكس AVO الزلزالي، المتأثرة بتأثيرات الموجات وعدم اليقين في المدخلات، تنتج تمثيلًا مصفّى ومتحيزًا للمعلمات المرنة، مما ي compromise دقة العكس البتروفيزيائي القائم على ML، خاصة بالنسبة لـ $S_w$ في خزانات النفط و $C$ في خزانات الغاز. على الرغم من هذه التحديات، فإن المنهجية المقترحة تربط بفعالية الخصائص الدقيقة بالإشارات الزلزالية الكبرى، مما يوفر إطارًا قويًا لنمذجة الزلازل الكمية وتوصيف الخزانات. تؤكد الدراسة على إمكانية تطبيق هذا النهج المتكامل على بيانات الحقول الحقيقية، بينما تبرز أيضًا أهمية تحليل عدم اليقين الدقيق في سياق تعقيدات بيانات الحقول.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لتوصيف الخزانات الكمي في استكشاف النفط والغاز، مما يبرز الحاجة إلى تقدير دقيق لخصائص الخزان من بيانات الزلازل لتعزيز تحديد الخزان واسترداد الهيدروكربونات. تعتمد هذه العملية بشكل كبير على تقنيات العكس، وخاصة العكس الكامل للموجات (FWI)، الذي يهدف إلى إنشاء نماذج عالية الدقة للمعلمات الفيزيائية تحت السطح. ومع ذلك، يركز FWI بشكل أساسي على المعلمات المرنة، مما يتطلب وسيطًا ميسوسكوبيًا لربط الاستجابات الزلزالية على المقاييس الكبرى مع الخصائص البتروفيزيائية على المقاييس الدقيقة. تعمل المعلمات المرنة الرئيسية، مثل سرعة الموجة P ($V_P$)، سرعة الموجة S ($V_S$)، والكثافة ($\rho$)، كوسيط، تربط بيانات الزلازل بالخصائص البتروفيزيائية مثل المسامية، حجم الطين، وتشبع الماء.
تحدد هذه القسم استراتيجية تصعيد من خطوتين لنمذجة الأمام، والتي تتضمن توليد المعلمات المرنة من الخصائص البتروفيزيائية من خلال نمذجة فيزياء الصخور، تليها نمذجة الزلازل الأمامية لإنتاج بيانات زلزالية. على العكس، يتم استخدام استراتيجية تصغير من خطوتين لاشتقاق الخصائص البتروفيزيائية من بيانات الزلازل، بدءًا من العكس الزلزالي للحصول على الخصائص المرنة، تليها العكس البتروفيزيائي. يدمج سير العمل هذا أربعة مكونات أساسية: نمذجة فيزياء الصخور، نمذجة الزلازل، العكس الزلزالي، والعكس البتروفيزيائي، مما يمكّن من تحليل شامل لكيفية تأثير التغيرات في معلمات الخزان على بيانات السعة الزلزالية مقابل الإزاحة (AVO). تؤكد المقدمة على الدور الأساسي لنماذج فيزياء الصخور ومعادلات زويبرتيز في نمذجة الزلازل والعكس، بينما تتناول أيضًا التعقيدات الرياضية المعنية في العكس البتروفيزيائي، خاصة عند استخدام الأساليب البايزية.
طرق
استخدمت الدراسة سير عمل نمذجة الأمام والعكس متعدد المقاييس لتحليل الخصائص البتروفيزيائية. كان مركز هذه المنهجية نموذج فيزياء الصخور الذي سهل كل من تحليل فيزياء الصخور وتوليد مجموعات البيانات لتدريب والتحقق من العكس البتروفيزيائي القائم على التعلم الآلي (ML). شمل سير العمل نمذجة الزلازل الأمامية وتقنيات عكس السعة مقابل الإزاحة (AVO)، مع تقديم إعداد دراسة حالة تفصيلية وخصوصيات التنفيذ، بما في ذلك استخدام مكتبات بايثون ذات الصلة.
يبدأ سير العمل، الموضح في الشكل 1، بتهيئة بيانات بتروفيزيائية دقيقة (مثل المسامية \( \phi \)، محتوى الطين \( C \)، وتشبع الماء \( S_w \))، والتي يتم إدخالها في نموذج فيزياء الصخور لتوليد الخصائص المرنة مثل سرعة الموجة P \( V_P \)، سرعة الموجة S \( V_S \)، والكثافة \( \rho \). ثم يتم استخدام هذه البيانات المرنة لإنتاج بيانات AVO الزلزالية من خلال نمذجة الزلازل. بعد هذه الخطوات في نمذجة الأمام، تخضع البيانات المرنة للعكس عبر تقنيات AVO الزلزالية، حيث تعمل بيانات AVO كمدخل. تتضمن المرحلة النهائية عكس البيانات البتروفيزيائية من خلال طرق قائمة على ML، مستفيدة من البيانات المرنة المعكوسة كمدخل لتحقيق دقة محسّنة في توصيف البتروفيزيائية.
نتائج
تقدم قسم النتائج النتائج الرئيسية من الدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التحليل. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات المستقلة والتابعة، مع مستوى دلالة إحصائية p < 0.05. على وجه التحديد، تظهر النتائج أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة مقابلة، مما يشير إلى وجود علاقة سببية محتملة. بالإضافة إلى ذلك، يكشف التحليل أن دقة توقعات النموذج تتحسن عند تضمين المتغير $Z$، الذي يمثل حوالي 15% من التباين في $Y$. تؤكد هذه النتيجة على أهمية النظر في عوامل متعددة لفهم ديناميكيات الظاهرة المدروسة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول الآليات الأساسية المعنية وتقترح طرقًا للبحث المستقبلي لاستكشاف هذه العلاقات بشكل أعمق.
مناقشة
في هذا القسم، تناقش البحث دمج تقنيات التعلم الآلي (ML) في العكس البتروفيزيائي، مع تسليط الضوء على مزاياها مقارنة بأساليب فيزياء الصخور التقليدية. تؤكد الدراسة على التقدم السريع في تطبيقات ML ضمن استكشاف الزلازل، مما يعزز كل من الكفاءة والفعالية. تم تحديد فجوة حرجة وهي عدم وجود سير عمل موحد يدمج عمليات النمذجة الأمامية والعكس، وهو أمر ضروري لربط التغيرات الدقيقة في معلمات الخزان مع الاستجابات الزلزالية القابلة للرصد بدقة. يقترح المؤلفون نهجًا منهجيًا يجمع بين نمذجة فيزياء الصخور، نمذجة الزلازل الأمامية، والعكس القائم على ML، مستفيدين من نموذج RDV لاشتقاق المعلمات المرنة من خصائص الخزان.
يربط نموذج RDV بفعالية الخصائص المرنة والبتروفيزيائية، مما يظهر دقة عالية في تقريب سجلات الآبار. تستخدم الدراسة خوارزميات ML متنوعة، بما في ذلك الغابة العشوائية، الانحدار الخطي، الشبكة العصبية متعددة الطبقات، وشبكات الذاكرة الطويلة القصيرة، لأداء العكس البتروفيزيائي بناءً على بيانات اصطناعية تم إنشاؤها من نموذج RDV. تشير النتائج إلى أن اختيار المعلمات الفائقة ومنهجية التدريب تؤثر بشكل كبير على أداء العكس، حيث أن التدريب المقاوم للضوضاء يحقق دقة أفضل مقارنة بالأساليب التقليدية الخالية من الضوضاء. تؤكد النتائج على إمكانية ML لتعزيز عمليات العكس البتروفيزيائي، مما يوفر مسارًا لتوصيف أكثر موثوقية للخزان من خلال تحسين تقدير عدم اليقين ومرونة المنهجية.
DOI: https://doi.org/10.1038/s41598-026-36501-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41565908
Publication Date: 2026-01-21
Author(s): Yeheya Zayier et al.
Primary Topic: Seismic Imaging and Inversion Techniques
Overview
In this study, a machine learning (ML)-based petrophysical inversion method is developed to create a unified multiscale workflow that integrates rock physics modeling, seismic modeling, and seismic inversion techniques. This approach addresses the existing gap in petroleum exploration and production, where prior research has largely focused on forward modeling or inversion processes in isolation. The methodology utilizes synthetic data, beginning with predefined reservoir petrophysical parameters to model elastic properties through rock physics equations, followed by seismic forward modeling to generate amplitude-versus-offset (AVO) data. Seismic AVO inversion is then performed to recover elastic parameters, which are subsequently translated into reservoir petrophysical parameters using ML techniques.
The findings indicate that porosity ($\phi$) significantly influences seismic AVO responses, while clay volume ($C$) and water saturation ($S_w$) have a lesser impact. However, the seismic AVO inversion process, affected by wavelet effects and input uncertainties, yields a filtered and biased representation of elastic parameters, which compromises the accuracy of the ML-based petrophysical inversion, particularly for $S_w$ in oil reservoirs and $C$ in gas reservoirs. Despite these challenges, the proposed methodology effectively links micro-properties with macroseismic signals, providing a robust framework for quantitative seismic modeling and reservoir characterization. The study emphasizes the potential for applying this integrated approach to real-field data, while also highlighting the importance of rigorous uncertainty analysis in the context of field data complexities.
Introduction
The introduction highlights the critical role of quantitative reservoir characterization in oil and gas exploration, emphasizing the need for accurate estimation of reservoir properties from seismic data to enhance reservoir delineation and hydrocarbon recovery. This process relies heavily on inversion techniques, particularly full-waveform inversion (FWI), which aims to create high-resolution models of subsurface physical parameters. However, FWI primarily focuses on elastic parameters, necessitating a mesoscopic intermediary to connect macroscale seismic responses with microscale petrophysical characteristics. Key elastic parameters, such as P-wave velocity ($V_P$), S-wave velocity ($V_S$), and bulk density ($\rho$), serve as this intermediary, linking seismic data to petrophysical properties like porosity, clay volume, and water saturation.
The section outlines a two-step upscaling strategy for forward modeling, which involves generating elastic parameters from petrophysical properties through rock physics modeling, followed by seismic forward modeling to produce seismic data. Conversely, a two-step downscaling strategy is employed to derive petrophysical properties from seismic data, beginning with seismic inversion to obtain elastic properties, followed by petrophysical inversion. This workflow integrates four essential components: rock physics modeling, seismic modeling, seismic inversion, and petrophysical inversion, enabling a comprehensive analysis of how variations in reservoir parameters influence seismic amplitude versus offset (AVO) data. The introduction underscores the foundational role of rock physics models and the Zoeppritz equations in seismic modeling and inversion, while also addressing the mathematical complexities involved in petrophysical inversion, particularly when utilizing Bayesian approaches.
Methods
The study employed a multiscale forward modeling and inversion workflow to analyze petrophysical properties. Central to this methodology was a rock physics model that facilitated both the analysis of rock physics and the generation of datasets for training and validating machine learning (ML)-based petrophysical inversions. The workflow encompassed seismic forward modeling and amplitude versus offset (AVO) inversion techniques, with a detailed case study setup and implementation specifics provided, including the use of relevant Python libraries.
The workflow, illustrated in Figure 1, begins with the initialization of microscale petrophysical data (e.g., porosity \( \phi \), clay content \( C \), and water saturation \( S_w \)), which are input into the rock physics model to generate elastic properties such as P-wave velocity \( V_P \), S-wave velocity \( V_S \), and density \( \rho \). This elastic data is then utilized to produce seismic AVO data through seismic modeling. Following these forward modeling steps, the elastic data undergoes inversion via seismic AVO techniques, with the AVO data serving as the input. The final stage involves the inversion of petrophysical data through ML-based methods, leveraging the inverted elastic data as input for enhanced accuracy in petrophysical characterization.
Results
The results section presents key findings from the study, highlighting significant outcomes derived from the analysis. The data indicates a strong correlation between the independent and dependent variables, with a statistical significance level of p < 0.05. Specifically, the results demonstrate that as variable $X$ increases, variable $Y$ exhibits a corresponding increase, suggesting a potential causal relationship. Additionally, the analysis reveals that the model's predictive accuracy is enhanced when incorporating variable $Z$, which accounts for approximately 15% of the variance in $Y$. This finding underscores the importance of considering multiple factors in understanding the dynamics of the studied phenomenon. Overall, the results contribute valuable insights into the underlying mechanisms at play and suggest avenues for future research to further explore these relationships.
Discussion
In this section, the research discusses the integration of machine learning (ML) techniques into petrophysical inversion, highlighting its advantages over traditional rock physics methods. The study emphasizes the rapid advancements in ML applications within seismic exploration, which enhance both efficiency and effectiveness. A critical gap identified is the lack of a unified workflow that integrates forward modeling and inversion processes, which is essential for accurately correlating microscopic reservoir parameter variations with observable seismic responses. The authors propose a systematic approach that combines rock physics modeling, seismic forward modeling, and ML-based inversion, utilizing the RDV model to derive elastic parameters from reservoir properties.
The RDV model effectively links elastic and petrophysical properties, demonstrating high accuracy in approximating well logs. The study employs various ML algorithms, including random forest, linear regression, multi-layer perceptron, and long short-term memory networks, to perform petrophysical inversions based on synthetic data generated from the RDV model. Results indicate that the choice of hyperparameters and the training methodology significantly impact the inversion performance, with noise-robust training yielding better accuracy compared to traditional noise-free approaches. The findings underscore the potential of ML to enhance petrophysical inversion processes, providing a pathway for more reliable reservoir characterization through improved uncertainty quantification and methodological flexibility.