Anisotropic orthogonal ensemble network for 3D seismic facies segmentation

Abstract

Os avanços tecnológicos na caracterização de reservatórios de petróleo e gás, como atributos sísmicos e sísmica 3D, enriqueceram a descrição da subsuperfície feita por especialistas. No entanto, o processo de segmentação de imagens deste enorme volume de dados tornou-se uma tarefa complexa. A fim de gerenciar de forma mais eficiente grandes dados sísmicos, este trabalho explora uma rede computacionalmente mais barata, com o uso de redes neurais convolucionais em planos ortogonais 2D redes neurais convolucionais para classificação de fácies e grupos lito-estratigráficos em cubos sísmicos 3D, guiados por uma heurística baseada nas Leis da estratigrafia, que é uma das etapas no processo de caracterização de reservatórios e exploração de óleo e gás. Foi proposta uma transferência de conhecimento de 2D para 3D, na qual dividimos as amostras de nosso dado 3D em 3 planos ortogonais entre si e a subsequente conversão dos parâmetros treinados para uma rede convolucional tri-dimensional equivalente. Cada um dos planos bi-dimensionais é convenientemente convertida em uma convolução tri-dimensional, emulando a visão de um géologo da amostra em 3 vistas ortogonais. As amostras de ambas redes (2D e 3D) foram extraídas em posições X,Y selecionadas aleatoriamente, simulando a extração de informação de poços já perfurados. A arquitetura de uma UNet foi selecionada para a rede proposta, visto que ela é uma das mais amplamente utilizadas para tarefas de segmentação de imagem. A metodologia proposta foi aplicada tanto em dados sintéticos (StanfordVI Reservoir) e dados sísmicos reais (F3-Block). Os experimentos no primeiro obtiveram excelentes resultados (96% na metrica IOU e 97,9% na métrica F1-Score), melhores que uma rede UNet 3D equivalente. Os resultados no dado F3-Block também foram superiores aos obtidos na literatura (ALAUDAH et al., 2019) e de uma rede UNet 3D, obtendo um resultado 7% maior que as demais na métrica MCA (Acurácia média por classe). Em comparação a outros modelos no mesmo benchmark, a rede proposta obteve melhores resultados a um custo computacional viável, sugerindo que essa metodologia é promissora, versátil e de fácil replicação.

Abstract: Technological advances in oil and gas reservoir characterization, such as 3D seismic and seismic attributes, enriched the subsurface?s description made by specialists. Nevertheless, image segmentation process of this now huge volume of data became a complex task. In order to more efficiently manage big seismic data, this work explores a computationally cheaper network with the use of 2D orthogonal planes convolutional neural networks for 3D seismic cube facies classification and lithostratigrafic groups, supported by an heuristic based on the Laws of Stratigraphy, which is one of the steps of reservoir characterization and oil and gas exploration. We proposed a 2D to 3D Transfer learning in which we split the training samples of our 3D data as 3 orthogonal slices and convert the trained parameters to a 3D counterpart of the network, with each direction of the training planes conveniently converted to a 3D convolution, as if a geologist could see each sample through one of the orthogonal views. The samples for both 2D and 3D network were extracted in random selected X,Y locations, a sampling method that emulates the information extraction of drilled wells. Unet was selected as the backbone of the proposed network, since it it is one of the most applied architectures in image segmentation/classification tasks. Our methodology was applied in the synthetic data of the Stanford VI-E reservoir and the real seismic data of F3-block dataset. The experiments in the former obtained remarkable results (96 % in IOU and 97.9% in FWIU), even better than a 3D network using Unet. The results in the F3-block dataset were also superior to the ones obtained in the literature (ALAUDAH et al., 2019) and also a 3D Unet, with a MCA 7% above the previous mentioned networks. Compared to other models in the same benchmark, the proposed Anisotropic Orthogonal Ensemble Network classifier obtained better results than other architectures of literature at a very feasible computational cost, which suggests that such approach is a promising one and of easy replication.