Resumen

Los métodos convencionales de reconocimiento de patrones utilizan directamente datos post-pilotaje 1D o datos pre-pilotaje 2D para el reconocimiento de patrones estadísticos de la red de fallas y fracturas, ignorando así la información de la estructura espacial de los datos sísmicos 3D. Como resultado, la red de fallas y fracturas generada no es distinguible y tiene poca continuidad. En este trabajo se propone un método de caracterización de redes de fallas y fracturas basado en un autocodificador convolucional 3D. En primer lugar, en el marco de entrenamiento del autocodificador, se utilizan los datos 3D de preapilamiento como entrada, y la operación de convolución 3D se utiliza para extraer la información de la estructura espacial al máximo y reducir gradualmente la dimensión espacial de la entrada. A continuación, se utiliza la red residual para recuperar los detalles de la entrada y la dimensión espacial correspondiente. Por último, las características ocultas extraídas por los codificadores se reconocen mediante análisis de k-means, SOM y clustering en dos pasos. La validez del método se verifica probando los datos de simulación sísmica y aplicando datos sísmicos reales. La convolución 3D puede procesar directamente los datos sísmicos y maximizar los atributos de textura y la información de la estructura espacial proporcionada por los datos sísmicos 3D sin necesidad de reducir la dimensionalidad y otras operaciones de preprocesamiento. La capa de convolución intercalada y el bloque residual superan las bajas tasas de aprendizaje y precisión debidas a la profundización de las redes.

• Materias:Dióxido de carbono Perforación de pozos de minas Yacimientos minerales Minería Minas y minería Geofluidos
• Subjects:Carbon dioxide Shaft sinking Mineral deposits Mining Mines and mining Geofluids
• Palabras claves:información de la estructura espacial, datos sísmicos, dimensiones espaciales, red de fracturas, entrada, datos poststack 1d, datos sísmicos reales, métodos de caracterización de la red, reconocimiento estadístico de patrones, datos de simulación sísmica
• Keywords:spatial structure information, seismic data, spatial dimensions, fracture network, input, 1d poststack data, real seismic data, network characterization methods, statistical pattern recognition, seismic simulation data