Characterization of large-magnitude normal faults in seismic reflection data: manual and automatic approaches

Abstract

Bruken av maskinlæring i forkastningstolkninger er utstrakt, men fokuset har primært vært på vanlige forkastningstyper som definerer reservoarer. Forkastninger av større skala skiller seg ofte ut fra disse vanlige forkastningstypene og har en annen karakterisering. Denne oppgaven gir en geofysisk karakterisering av storskala forkastninger, inkludert detachment-forkastninger, og utforsker muligheten for at en maskin kan gjenkjenne dem.

Forkastningstolkninger ble utført på seismikk fra den midt-norske marginen. 2D data fra GMNR94, VMT95, MNR04, MNR05 og GVLO 99 databasene, og 3D data fra ST9404 data, ble brukt til tolkningsarbeidet. Maskinopplæring ble utført ved hjelp av tolkninger i 3D data.

Tolkninger av storskala forkastninger viser at karakteriseringene endrer seg med dypet. Terminering av reflektorer som møter forkastningsplanet er ofte en karakterisering på de mer grunne nivåene. I dypere områder kan forkastningsplanet bli karakterisert som transparent, en forkastningsrefleksjon, eller refleksjonsbånd.

Maskinlæringsresultatene viser at maskinen kan gjenkjenne forkastninger med karakteriseringer som er vanlige for storskala forkastninger. Dette inkluderer forkastninger som er tolket på grunn av terminering av reflektorer på både en og begge sider, refleksjoner som bøyes, og forkastningsrefleksjoner. For at maskinen skal kunne gjenkjenne forkastninger definert av termineringer kreves det en moderat amplitude, kontinuerlige eller mindre kontinuerlige refleksjoner, og en medium til høy frekvens. For at en forkastningsrefleksjon skal bli gjenkjent kreves det i særlig grad en høy kontinuitet.

Det er konkludert med at maskinlæring vil slite med å gjenkjenne storskala normalforkastninger, inkludert detachment-forkastninger. Refleksjonsparametrene er ikke gode nok for gjenkjenning i store deler av forkastningsplanene i de tolkede dataene.

Machine learning is extensively used in fault interpretations, but the focus has primarily been on common fault types defining reservoirs for hydrocarbon exploration. Large scale faulting differs from these common fault types and results in other geophysical characterizations. The thesis aims to provide a geophysical characterization of large magnitude normal faults, including detachment faults, and investigate if a machine can detect them.

Fault interpretations were carried out on seismic data from the Mid-Norwegian Margin, including 2D data from the GMNR94, VMT95, MNR04, MNR05, and GVLO99 databases, and 3D data from the ST9404 seismic cube. Training of the machine was executed using labels from the 3D data as input for supervised learning.

The large magnitude faults are commonly interpreted to have changing characteristics with depth. They are often characterized by the termination of onlapping reflectors in their shallow parts while changing characteristics to being transparent, a fault plane reflector, or reflector bands as they reach deeper levels.

The machine learning output shows that it can detect some of the common characteristics associated with large magnitude faulting. This includes faults identified by the termination of onlapping reflectors from one side and both sides of a fault plane, dragging of layers, and fault plane reflections. Recognition of terminations requires moderate amplitude, continuous to less continuous reflectors that onlaps at a medium to high frequency, while a fault plane reflector requires high continuity to be recognized.

It is concluded that machine learning would struggle to recognize large magnitude normal faults, including detachment faults. The reflectivity's descriptive parameters are not strong enough for fault recognition in these datasets for large portions of their lifespans.