New method of seismofacies identification using machine learning over seismic attributes applied to salt stratifications

Flavio Costa de Mesquita, Marco Antonio Cetale Santos, Alexandre Rodrigo Maul, Alex Laier Bordignon

Abstract


ABSTRACT. Salt Evaporites may be grouped into three major seismic facies: Halite, High Velocity Salts (formed by anhydrite and gypsum) and Low Velocity Salts (formed mainly by carnallite, sylvite and tachyhydrite). However, the tachyhydrite mineral presents the biggest technical and financial concerns as it causes fluid loss during the salt drilling operation as observed in the Santos Basin, Brazilian Offshore, due to its high solubility. The correct facies identification allows adjusting the drilling parameters accordingly to the estimated salt type, minimizing operational problems and economic losses. In this article, we propose the use of selected seismic attributes from 2D sections combined with some of the most recent machine learning algorithms such as Uniform Manifold Approximation and Projection for Dimension Reduction (UMAP) and Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN), to identify stratifications within the salt layer and their corresponding salt type.

Keywords: machine learning, salt drilling, risk reduction, seismic attributes.

 

Novo método para identificação de sismofácies utilizando aprendizado de máquina sobre atributos sísmicos aplicado a estratificações de sal

RESUMO. Evaporitos salinos podem ser agrupados em três fácies sísmicas principais: Halita, Sais de Alta Velocidade (formados por anidrita e gipsita) e Sais de Baixa Velocidade (formados principalmente por carnalita, silvita e taquidrita). No entanto, o mineral taquidrita apresenta as maiores preocupações técnicas e financeiras, pois causa perda de fluidos durante a operação de perfuração do sal, conforme observado na Bacia de Santos, offshore brasileiro, devido à sua alta solubilidade. A correta identificação de fácies permite ajustar os parâmetros de perfuração de acordo com o tipo de sal estimado, minimizando problemas operacionais e perdas econômicas. Neste artigo, propomos o uso de atributos sísmicos selecionados de seções 2D combinados com alguns dos mais recentes algoritmos de aprendizado de máquina, como Uniform Manifold Approximation and Projection for Dimension Reduction (UMAP) e Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN), para identificar estratificações dentro da camada de sal e o tipo de sal correspondente.

Palavras-chave: aprendizado de máquina, perfuração no sal, redução de risco, atributos sísmicos.

 

 

How to cite:
MESQUITA F, CETALE SANTOS M, MAUL A & BORDIGNON A. 2021. New method of seismofacies identification using machine learning over seismic attributes applied to salt stratifications. Brazilian Journal of Geophysics, 39(1): 17-33. doi:10.22564/rbgf.v38i4.2080


Keywords


machine learning; salt drilling; risk reduction; seismic attributes; aprendizado de máquina, perfuração no sal, redução de risco, atributos sísmicos

Full Text:

PDF


DOI: http://dx.doi.org/10.22564/rbgf.v38i4.2080







 

>> Brazilian Journal of Geophysics - BrJG (online version): ISSN 2764-8044
a partir do v.37n.4 (2019) até o presente

Revista Brasileira de Geofísica - RBGf (online version): ISSN 1809-4511
v.15n.1 (1997) até v.37n.3 (2019)

Revista Brasileira de Geofísica - RBGf (printed version): ISSN 0102-261X
v.1n.1 (1982) até v.33n.1 (2015)

 

Brazilian Journal of Geophysics - BrJG
Sociedade Brasileira de Geofísica - SBGf
Av. Rio Branco 156 sala 2509
Rio de Janeiro, RJ, Brazil
Phone/Fax: +55 21 2533-0064
E-mail: editor@sbgf.org.br

Since 2022, the BrJG publishes all content under Creative Commons CC BY license. All copyrights are reserved to authors.

Creative Commons