机器学习和AVO类II工作流用于弥赛尼海上尼罗河三角洲的碳化合物前景,埃及
Nadia Abd-Elfattah1, Aia Dahroug1, Manal El Kammar1
1Geophysics Department, Cairo University, Cairo, Egypt.
Scientific reports
|January 28, 2025
概括
这项研究介绍了一种使用地震光谱分解和机器学习的工作流程,以检测微妙的低地震振幅气体场,提高碳化合物勘探成功率并降低埃及近海风险.
科学领域:
- 地质物理学 地质物理学
- 石油地质科学 石油地质科学
- 机器学习在勘探中的作用
背景情况:
- 在碳化合物勘探中检测低地震振幅气场至关重要,但具有挑战性.
- 传统的地震分析经常与微妙的异常作斗争,这些异常表明气体储备.
- 在埃及近海的西三角洲深海 (WDDM) 特许权提供了这样的勘探机会.
研究的目的:
- 开发和验证一个全面的工作流程,用于检测低地震振幅气体场.
- 整合地震光谱分解和机器学习,以增强异常识别.
- 为了降低勘探风险,改善井部署的决策.
主要方法:
- 集成地震光谱分解用于航道划分和结构分析.
- 幅度与偏移 (AVO) 分析用于异常验证的应用.
- 机器学习 (神经网络) 用于分类地震面和区分气体/水砂.
主要成果:
- 成功确定了低振幅的天-E弥赛尼异常作为高风险的气体前景.
- 机器学习模型准确地区分了低振幅气砂与背景水沙和页岩.
- 工作流程证明了微妙的碳化合物储库的改进检测,在盲目测试套件上进行了验证.
结论:
- 集成的工作流显著提高了检测低地震振幅气体场的能力.
- 这种方法减少了勘探风险,并量化了碳化合物项目的成功机会.
- 该方法对于近地勘探和优化井位置策略特别有价值.


