Generative Adversarial Networks for Seismic Interpretation

Abstract

Arbeidsprosesser der tolkning av seismikk inngår, er en nødvendig del av prosjekter der olje- og gassforekomster oppdages. Selv om nylige fremskritt i forskningen rundt dyp læring har gjort det mulig å forenkle noe av arbeidsflyten, er mye av arbeidet fortsatt manuelt, langtekkelig og ressurskrevende, til tross for at arbeidet er trivielt. I denne oppgaven bruker vi en dyplæringsmodell til å tolke seismikk for å automatisere og optimalisere arbeidet. Mer spesifikt så bruker et Generative Adversarial Network til å konstruere en geologisk makromodell basert på et gitt seismisk volum. Vi gjennomfører dette ved å gjøre om problemet til et domene-overføringsproblem, der vi gjør om seismikk til en modell som viser de viktigste geologiske strukturene tilstede. Vi forbedrer en av de mest avanserte og beste modellene som bruker en form for halvveis veiledning i domene-overføring, cycleGAN, ved å legge til et tilpasset straffeledd til dens tapsfunksjon. Ved å minimere avstanden mellom autokorrelasjonen til et generert og et referansebilde, kan vi forbedre bildekvaliteten ved å redusere forekomsten av støy. Kvantitativt så finner vi at MSE reduseres med 21.5%. Videre tester vi denne modifiserte modellen ved å generere en makromodell basert på ekte seismikk fra det nederlandske F3 blokk-datasettet. Resultatene er lovende, og viser at vår modell er kapabel til å konstruere en god makromodell, gitt at den trenes nok. Sammenlignet med en analog manuell prosess, reduseres tiden brukt kraftig. Vi gjør omfattende analyse på hvordan modellens prestasjoner avhenger av hvorvidt vi bruker mindre eller mer treningsdata, og også hvordan prestasjonen forbedres ved å trene lenger. Vi finner at både mer treningsdata og lenger trening er med på å forbedre kvaliteten i de genererte bildene. Ved å bruke et litt større datasett til trening kan nøyaktighet forbedres med 30.9%, mens tiden det tar å trene øker med 170%. Samtidig kan det konkluderes med at lenger trening kan kompensere for mindre treningssett, og omvendt.

Seismic interpretation workflows are a crucial part of oil and gas exploration projects. Even though advances in deep learning research have made it possible to simplify some of the workflows, much of the work is manual, tedious, and time-consuming, despite being trivial. In this thesis, we apply a deep learning method to a seismic interpretation use case in order to further optimise and automatise it. More specifically, we use a Generative Adversarial Network to build a geological macro model based on a given seismic volume. We do this by turning the problem into a domain translation problem, translating seismic data into a representation of the main features of the geological structures present. We improve a state-of-the-art, semi-supervised domain mapping method, the cycleGAN, by adding a customised penalty term to its objective functions. By minimising the distance of the autocorrelation of the generated image and a reference image, we can increase the interpretation quality by reducing the amount of noise present in the predictions. Quantitatively, we reduce the MSE by 21.5%. We further test the capabilities of this modified model by generating a macro model based on real seismic data from the Dutch F3 block dataset. The results are promising, showing that the model indeed is capable of building a decent macro model, given that it is trained well enough. Compared to an analogue, manual process, this vastly reduces the time spent. We do extensive analysis on how model performance is affected by more or less training data, and similarly how longer training sessions enhance interpretation quality. We find that both more training data and longer training contribute to making the quality of the macro model better. Using a larger dataset may increase accuracy by as much as 30.9%, while also increasing training time by approximately 170%. Conversely, there can also be concluded that even if the size of the training dataset is small, longer training can compensate for this, and vice versa.