Transfer learning from seismic data for predicting reservoir productivity and lithologies for upstream optimization

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:The transfer learning approach and feature engineering techniques are novel and could be extended to other subsurface prediction tasks.

🏢実務担当者:This method can be used as a de-risking tool for CCUS and geothermal project development by leveraging existing seismic data and limited well control.

抄録 地震探査インバージョンは貯留層特性評価に優れたツールであるが、その信頼性は調査地域固有であり、調査間で転用できない広範な坑井コントロールに依存している。この制約は、信頼性の高いインバージョンキューブの構築に10年以上かかる可能性がある深海環境において特に深刻となる。これらの制約に対処するため、初期探査段階で利用可能な坑井動的データとポストスタック地震属性を活用する、貯留層予測のための転移学習アプローチが提示された。狭方位角地震データでカバーされる、よく知られた油田（ブラジル沖のプレソルトMero油田）のデータを用いて、主に自己組織化マップとランダムフォレスト回帰という機械学習モデルを訓練し検証した。深度マイグレーションされた振幅ボリュームから、9つのポストスタック属性（複素トレース、幾何学的、ボクセルベースのテクスチャ）が導出された。主成分分析を用いた異なる地震調査間のデータ類似性チェック、探索的データ分析、特徴量エンジニアリングの後、転移学習が、モデル検証のためのブラインドテストとして使用された少数の坑井を有する他の地域に適用された。次に、Meroデータで訓練された流動能力の自己組織化マップとランダムフォレスト回帰が、Mero油田から数百キロメートル離れた他の2つの調査地域（Bacalhau油田とLapa油田）で実行された。文献には同様のアプローチは存在しない。Bacalhau油田では、非生産性の火山性マウンドが超生産性の炭酸塩マウンドから区別された（ブラインドテスト性能 = 85%）。Lapa油田では、穿孔区間における下部貯留層の流動能力が正確に予測された（ブラインドテスト性能 = 75%）。特性が十分に把握された地域から坑井コントロールが不十分な地域へ機械学習を転移させ、正確な貯留層生産性予測を行うことができる革新的な手法が開発された。したがって、これは上流フェーズプロジェクトにおける強力な貯留層リスク軽減ツールとして使用できる。同様に、エネルギー転換の文脈における炭素回収・利用・貯留（CCUS）、地熱、水素貯蔵などの他のあらゆる地下プロジェクトを最適化するために適用できる。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Abstract Although seismic inversion is an excellent tool for reservoir characterization, its reliability hinges on extensive well control that is area-specific and nontransferable between surveys. This limitation becomes particularly acute in deepwater environments, where developing a dependable inversion cube can span more than a decade. To address these constraints, a transfer learning approach was presented for reservoir prediction that leverages well-dynamic data and poststack seismic attributes available during initial exploration phases. Data from a well-known oilfield (pre-salt Mero oilfield, offshore Brazil), covered by narrow-azimuth seismic data, were used to train and validate machine learning models, primarily self-organizing maps and random forest regression. From a depth-migrated amplitude volume, nine poststack attributes (complex trace, geometric, and voxel-based texture) were derived. After data similarity checks across different seismic surveys using principal component analysis, exploratory data analysis, and feature engineering, transfer learning was applied to other areas with a few wells that were used as blind tests for model validation. Next, self-organizing maps and random forest regression of flow capacity (trained with Mero data) were run in two other surveys hundreds of kilometers distant from the Mero field: Bacalhau and Lapa oilfields; there is no similar approach in the literature. At the Bacalhau field, a nonproductive volcanic mound was differentiated from hyperproductive carbonate mounds (blind test performance = 85%). At the Lapa field, the lower reservoir flow capacity at the perforated zones was correctly predicted (blind test performance = 75%). A disruptive method was created that can transfer machine learning from well-characterized areas to others with poor well control and make accurate reservoir productivity predictions. Therefore, it can be used as a powerful reservoir de-risking tool in upstream phase projects. Likewise, it can be applied to optimize any other subsurface projects like carbon capture, usage, and storage (CCUS), geothermal, and hydrogen storage in the energy transition context.

• openaire https://doi.org/10.1190/int-2025-0010first seen 2026-05-14 22:01:01 · last seen 2026-08-10 04:37:16