BR102019010073A2

BR102019010073A2 - processo para a detecção de objetos geológicos em uma imagem sísmica

Info

Publication number: BR102019010073A2
Application number: BR102019010073A
Authority: BR
Inventors: Charlety Jean; Le Bouteiller Pauline
Original assignee: Centre Nat Rech Scient; Ifp Energies Now; Univ Sorbonne
Priority date: 2018-05-18
Filing date: 2019-05-17
Publication date: 2019-12-10
Also published as: EP3570074A1; FR3081232A1; US20190353811A1; CA3043212A1; US11226424B2; FR3081232B1

Abstract

"processo para a detecção de objetos geológicos em uma imagem sísmica". a presente invenção refere-se a processo para detecção automática de objetos geológicos pertencentes a dado tipo de objeto geológico em imagem sísmica, a partir de probabilidades a priori de pertencimento ao tipo de objeto geológico de cada amostra de imagem a interpretar. transformação da imagem é previamente aplicada a pluralidade de atributos sísmicos, e em seguida a método de classificação. associando a cada classe assim determinada probabilidade a posteriori de pertencimento para cada amostra ao tipo de objeto geológico em função das probabilidades a priori de pertencimento, da classe, e de um parâmetro a que descreve uma confiança sobre as probabilidades a priori de pertencimento. a cada amostra da imagem, a partir da classe desta amostra, é atribuída probabilidade a posteriori de pertencimento ao tipo de objeto geológico determinado para as amostras desta classe. os objetos geológicos pertencentes ao tipo de objeto geológico detectados a partir das probabilidades a posteriori de pertencimento tornam-se assim determinados para cada uma das amostras da imagem a interpretar. aplicação notadamente em exploração e produção de petróleo.

Description

Relatório Descritivo da Patente de Invenção para "PROCESSO PARA A DETECÇÃO DE OBJETOS GEOLÓGICOS EM UMA IMAGEM SÍSMICA".

[001] A presente invenção refere-se ao campo da exploração e produção de um fluido contido em uma formação subterrânea.

[002] Em particular, a presente invenção refere-se ao campo da exploração e produção de hidrocarbonetos presentes em uma formação subterrânea, ou ainda ao campo da exploração de uma formação subterrânea tendo em vista um armazenamento geológico de um fluido tal como CO2, ou ainda ao campo do monitoramento de um sítio de armazenamento geológico de um fluido.

[003] A exploração de petróleo consiste em procurar depósitos de hidrocarbonetos em uma bacia sedimentar. O entendimento dos princípios da gênese de hidrocarbonetos e seus elos com a história geológica do subsolo permitiu o desenvolvimento de métodos de avaliação do potencial petroleiro de uma bacia sedimentar. O passo geral da evolução do potencial petroleiro de uma bacia sedimentar compreende idas e vindas entre uma predição do potencial petroleiro da bacia sedimentar, realizadas a partir de informações medidas relativas à bacia estudada (análise de afloramentos, levantamentos sísmicos, perfuração, por exemplo), e perfurações de poços de exploração em diferentes zonas apresentando o melhor potencial, a fim de confirmar ou invalidar o potencial previsto previamente, e adquirir novas informações que permitam precisar as previsões de potencial petroleiro da bacia estudada.

[004] A exploração petrolífera de um depósito consiste, a partir das informações coletadas durante a fase de exploração de petróleo, em selecionar as zonas do depósito que apresentam o melhor potencial petroleiro, definir os esquemas de produção para estas zonas (por exemplo, com a ajuda de uma simulação de reservatório, para definir o número e as posições dos poços de exploração que permitem a recuperação ótima de hidrocarbonetos), perfurar os poços de exploração e, de modo geral, instalar as infraestruturas de produção necessárias para o desenvolvimento do depósito.

[005] Uma técnica largamente utilizada no campo de exploração e produção de petróleo é a prospecção sísmica. A prospecção sísmica consiste em geral em três etapas: aquisição de dados sísmicos, tratamento destes dados sísmicos, e por fim interpretação dos dados sísmicos tratados, doravante denominados imagem sísmica.

[006] A interpretação de uma imagem sísmica consiste em encontrar objetos geológicos (também conhecidos pelo termo “geocorpos") de interesse na imagem sísmica. De um modo geral, é possível distinguir em uma imagem sísmica: [007] - objetos geológicos de grande porte, tais como os tetos e as bases de camadas geológicos, as superfícies de erosão, as falhas etc. Este tipo de objeto é classicamente interpretado por geólogo estrutural ou por um geofísico.

[008] - objetos geológicos de menor porte, tais como canais fluviais, dunas, depósitos de turbiditas, depósitos de transporte de massa, comumente conhecidos como MTD (“mass-transport deposits" em inglês). Tipicamente, os objetos geológicos de pequeno porte são interpretados por um geólogo sedimentologista. Estes objetos são caracterizados por motivos particulares, formados por seus refletores internos.

[009] Por outro lado, deve-se observar que uma imagem sísmica também pode compreender artefatos sísmicos, não correspondentes a nenhum objeto geológico concreto. Estes artefatos podem ser provenientes do tratamento sísmico ao qual a imagem sísmica fora submetida. O geofísico é particularmente capaz de reconhecer tais artefatos sísmicos.

[0010] Assim sendo, a partir da interpretação de uma imagem sísmica, é possível inferir informações sobre a formação subterrânea estudada, e especialmente a presença, a forma e o tipo de objetos geológicos presentes na formação. As amplitudes sísmicas associadas a estes objetos também informam as propriedades petrofísicas da formação. A qualidade das informações resultantes da interpretação de uma imagem sísmica é, portanto, essencial. Com efeito, a partir destas informações são construídas as representações da formação estudada, denominadas modelos geológicos, que permitem determinar numerosos parâmetros técnicos relativos à pesquisa, ao estudo, ou à exploração de um reservatório, de hidrocarbonetos, por exemplo.

[0011] Todavia, com frequência, a interpretação dos objetos geológicos em uma imagem sísmica depende da experiência do interpretador, que sabe, por experiência própria, que o objeto em questão possui esta ou aquela organização de refletores característicos ou, em outras palavras, tal “fácies sísmica" particular.

[0012] Já existem métodos para automatizar a determinação da posição exata de certos tipos de objetos geológicos em uma imagem sísmica. Estes métodos permitem acelerar consideravelmente a interpretação de imagens sísmicas (o que é vantajoso no caso de grandes volumes de dados sísmicos a serem interpretados), e também permitem deixar esta interpretação menos dependente da experiência do interpretador. Estes métodos são atualmente relativamente eficientes em relação aos objetos geológicos de grande porte tais como definidos acima, mas seu desempenho é mais limitado no caso de objetos geológicos de menor porte.

[0013] Em particular, certos tipos de objetos geológicos aparecem na imagem sísmica como regiões que combinam vários aspectos diferentes, ou, em outras palavras, várias fácies sísmicas. Para este tipo de objetos, a detecção visual é, em certos casos, possível para um interpretador experiente, porém mais difícil de ser feita automaticamente, o que é prejudicial para a interpretação de grandes volumes de dados sísmicos.

Estado da técnica [0014] Os documentos a seguir serão citados na descrição que se segue: [0015] Adams, R. et Bishof, L. (1994). Seeded region growing. IEEE Trans on Pattern Analysis and Machine Intelligence, vol. 16, pp. 641647.

[0016] Bishop, C. M., Svensén, M. and Williams, C.K.I. [1998] GTM: The Generative Topographic Mapping. Neural computation, 10(1), 215234.

[0017] Carrillat, A., Randen, T., Sonneland, L. and Elvebakk, G. [2002] Seismic stratigraphic mapping of carbonate mounds using 3D texture attributes. 64th EAGE Conference & Exhibition, Extended Abstracts, G-41.

[0018] Haralick, Robert M., Shanmugam, K. and Dinstein, I. « Textural Features for Image Classification ». IEEE Transactions on Systems, Man, and Cybernetics. Vol. SMC-3 (6), 1973, pp. 610-621. [0019] Hashemi, H., De Beukelaar, P., Beiranvand, B. and Seiedali, M. [2017] Clustering seismic datasets for optimized faciès analysis using a SSCSOM technique. 79th EAGE Conference & Exhibition, Extended Abstracts, Tu B4 10.

[0020] Kohonen, T. [1986] Learning vector quantization for pattern recognition. Technical report TKK-F-1601, Helsinki University of Technology.

[0021] Lloyd, Stuart P. “Least Squares Quantization in PCM." IEEE Transactions on Information Theory. Vol. 28, 1982, pp. 129-137.

[0022] Matos, M. C., Malleswar (Moe) Y., Sipuikinene M. A. and Marfurt K. J. [2011] Integrated seismic texture segmentation and cluster analysis applied to channel delineation and chert reservoir characterization. Geophysics, 76(5), P11-P21.

[0023] Mumford, D. and Shah, J. (1989). Optimal approximation by piecewise smooth functions and associated variational problems. Communications on Pure Applied Mathematics, vol. 42, pp. 577-685. [0024] Zhao, T., Zhang, J., Li, F. and Marfurt, K. J. [2016] Characterizing a turbidite system in Canterbury Basin, New Zealand, using seismic attributes and distance-preserving self-organizing maps. Interpretation, 4(1), SB79-SB89.

[0025] Zhao, T., Li, F. and Marfurt, K. [2016b] Advanced selforganizing map faciès analysis with stratigraphic constraint. SEG Technical Program Expanded Abstracts, 1666-1670.

[0026] Wang, Z., Hegazy, T., Long, Z. and AlRegib, G. [2015] Noise-robust detection and tracking of salt domes in postmigrated volumes using texture, tensors, and subspace learning. Geophysics, 80(6), WD101-WD116.

[0027] West, B.P. and May, S.R., inventors; Exxonmobil Upstream Research Company [2002] Method for seismic faciès interpretation using textural analysis and neural networks.

[0028] Patente US 6.438.493, publicada em 20 de agosto de 2002. [0029] Tradicionalmente, é possível distinguir entre métodos que visam detectar objetos geológicos com propriedades sísmicas homogêneas (cf. seção 1 abaixo) e métodos que visam detectar objetos geológicos com propriedades sísmicas heterogêneas (cf. seção 2 abaixo). 1. Objetos com propriedades sísmicas homogêneas [0030] Entre os métodos existentes que visam detectar objetos com propriedades sísmicas internas homogêneas, são conhecidas as abordagens chamadas “supervisionadas" de tratamento da imagem sísmica. Para este tipo de método, uma representação da imagem é geralmente usada no lugar da imagem original ampliada. Pode-se, por exemplo, representar a imagem pelas filtragens da imagem (com diferentes filtros), ou por cálculos estatísticos em cada amostra da imagem com uma vizinhança predefinida (estatísticas de ordem 1,2 ou superior). Para interpretação de dados da sísmica de reflexão, chama-se “atributo" uma grandeza que pode ser calculada na imagem sísmica, a qual possui um valor por amostra da imagem. Um atributo, ou uma combinação de atributos (podendo ser reduzido ao cálculo em várias etapas de um único atributo final), é escolhido por sua representatividade da fácies sísmica do objeto pesquisado. Este atributo deve ser suficientemente discriminante para a fácies em questão, i.e., ele deve assumir valores muito diferentes nas regiões que compreendem a fácies em questão em relação às outras regiões da imagem sísmica.

[0031] Em seguida, por exemplo, por uma limiarização sobre os valores deste atributo, determina-se uma imagem binária na qual as regiões correspondentes às fácies de interesse são destacadas em relação às outras. Pode-se também utilizar um ou mais pós-tratamentos mais elaborados que uma simples limiarização para a detecção de regiões de interesse. Especialmente conhecidos são algoritmos de crescimento de regiões, que permitem, a partir de pelo menos um ponto de origem no objeto pesquisado, de expandir cada vez mais, na vizinhança deste ponto de origem, a região considerada “objeto", até que um critério de interrupção predefinido, suportado pelo contorno obtido ou pelos valores assumidos pelos atributos no interior deste contorno, seja atingido.

[0032] Conhece-se, por exemplo, o documento (Wang et al., 2015) que divulga um método para a detecção de um corpo salino em uma imagem sísmica, os corpos salinos tendo sabidamente propriedades sísmicas homogêneas. Este documento descreve principalmente a utilização de um atributo textural do tipo “Gradiente de textura" que caracteriza em cada pixel da imagem sísmica a variação da textura na vizinhança deste pixel. Em seguida, um algoritmo de crescimento de regiões a partir de um ponto de origem colocado no objeto desejado (o corpo salino) é utilizado. Assim, a detecção depende das propriedades inicialmente estipuladas, graças ao caráter homogêneo do corpo salino (tanto fisicamente como em suas imagens sísmicas).

[0033] Também é conhecida a patente EP2659291 B1, que descreve um método que permite levar em conta diversos atributos sem combinar uns com outros, mas sim aplicando um pós-tratamento por algoritmo de detecção de contorno (e não de crescimento de região) a cada imagem atribuída separadamente. A detecção de contorno permite introduzir restrições a priori sobre a topologia dos objetos a serem detectados, uma vez que estes são ainda representados por seus contornos (e são estes contornos que sofrem modificações durante a aplicação do método). As restrições introduzidas na detecção de contornos permitem obter objetos topologicamente pertinentes apesar do ruído ou da representação incompleta do objeto no dado bruto. O processo é realizado seja sequencialmene (calculando inicialmente apenas o contorno para uma imagem de atributo, e em seguida para uma outra, etc.), seja simultaneamente (calculando o contorno com inclusão das múltiplas restrições provenientes de diferentes imagens de atributos). Assim, apesar da introdução de limitações a priori às topologias dos objetos, e apesar da utilização de vários atributos diferentes, os objetos devem ter as mesmas gamas de valores de atributos, i.e., devem ser homogêneos.

[0034] Portanto, de modo geral, essas abordagens são caracterizadas pela presença de uma etapa “manual" (em oposição à “automática") de escolha de fácies de referência caracterizando o objeto a ser detectado. Para destacar, ou utilizar, a semelhança entre a fácies de uma região do dado e este aspecto de referência, esses métodos passam por atributos. Gamas de valores típicos desses atributos são escolhidas para definir o aspecto de referência. Qualquer que seja o pós-tratamento (crescimento de região ou detecção e aplicação de restrição aos contornos), uma limiarização é, portanto, utilizada sobre os atributos para distinguir as regiões correspondentes a objetos candidatos (em seguida refinados pelo pós-tratamento). Esta abordagem é interessante porque se baseia no objeto (por exemplo, para detectar corpos salinos). Mas ela não está adaptada para objetos ou regiões caracterizadas por propriedades sísmicas heterogêneas. 2. Objetos com propriedades sísmicas heterogêneas [0035] Com o objetivo de distinguir objetos com propriedades sísmicas heterogêneas, é necessário usar uma abordagem que permita ressaltar as diferenças entre regiões da imagem sísmica de forma não binária. São descritas abaixo as abordagens supervisionadas e as não supervisionadas. 2.1. Abordagens supervisionadas [0036] A fim de representar a variabilidade de fácies presentes em um conjunto de dados sísmicos, é possível considerar classificar todas as amostras da imagem sísmica. As abordagens supervisionadas que efetuam esta classificação baseiam-se tipicamente em uma seleção de várias fácies de referência, que supostamente representa as fácies típicas que são encontradas no conjunto de dados. Esta seleção é feita graças a um estudo manual do dado sísmico.

[0037] No documento (Carrillat et al., 2002), o usuário escolhe os atributos sísmicos que ele julga coerentes para discriminar as diferentes fácies do conjunto de dados. Em seguida o usuário escolhe os limiares (vários limiares para um ou vários atributos), o que permite então classificar cada pixel do dado de acordo com as classes predefinidas, calculando os atributos escolhidos.

[0038] Também é conhecida a patente EP 1334379 A1 (US 6438493 B1) que descreve um método segundo o qual o usuário escolhe as zonas da imagem sísmica a ser interpretada, por ele consideradas como referências para diferentes fácies; ele também escolhe os atributos sísmicos que considera pertinentes. Uma rede de neurônios com retro-extrapolação vai em seguida estudar (em uma fase de transporte) as limiarizações a serem aplicadas a cada atributo para permitir classificar o conjunto das informações segundo as fácies de referências inicialmente escolhidas.

[0039] Todavia, a seleção de fácies de referência pelo usuário apresenta dois inconvenientes importantes: [0040] - Ela limita a expressão da variabilidade contida na imagem sísmica. De fato, o jogo de fácies de referência escolhido pelo usuário pode não cobrir totalmente a variedade de fácies presentes na imagem sísmica. Isto pode levar, em casos em que regiões da imagem sísmica são afetadas, durante a classificação, a uma fácies A, por default somente, enquanto que na verdade seu próprio aspecto é bastante diferente de fácies A mesmo visualmente.

[0041] - O jogo de fácies de referência definido pelo usuário pode dar uma representação desta variabilidade que é desequilibrada. De fato, entre estas fácies de referência, certas fácies (A e B, por exemplo) podem ser mais similares entre si que outras (A e C, por exemplo). Isto provoca um viés nas probabilidades de que uma região seja classificada em fácies em particular, na saída da classificação. Por exemplo, se o usuário tiver definido muitas classes (isto é, muitas fácies de referência) para fácies que são na verdade relativamente similares (por exemplo, fácies A, B1, B2, B3, B4, B5), e somente uma classe para as fácies restantes (por exemplo, fácies C), o jogo de referência representa mal a variabilidade dos dados. Para uma região R, poder-se-ia ter, por exemplo, probabilidades de pertencimento a cada fácies de referência distribuídas da seguinte maneira: A (10%), B1 (10%), B2 (10%), B3 (10%), B4 (10%), B5 (10%), C (40%). Por conseguinte, a região R será falsamente classificada com fácies, uma vez que sua probabilidade de pertencimento a um dos aspectos A, B1, B2, B3, B4 ou B5, é de 60%. [0042] Portanto, a variabilidade das fácies presentes em uma imagem sísmica corre o risco de ser mal representado devido à escolha manual das fácies de referência. 2.2. Abordagens não supervisionadas [0043] Os métodos não supervisionados apresentam a vantagem de superar esse potencial viés introduzido pelo usuário. De fato, para este tipo de abordagem, a definição dos aspectos de referência é feita automaticamente, a partir das informações contidas no dado.

[0044] No campo da interpretação sísmica, as classificações em fácies sísmicas que dependem de algoritmos de classificação não supervisionada frequentemente baseiam-se em cartas autoorganizadoras (“Self-Organizing Map" em inglês, também conhecidas pelo acrônimo “SOM"; cf., por exemplo, Kohonen 1986)) que conta com uma rede de neurônios, ou ainda um algoritmo alternativo aos métodos SOM, baseado em abordagem probabilista tal como aquela descrita no documento (Bishop e al. 1998), e conhecido pelo nome de cartas topográficas geratrizes (“Generative Topographic Mapping:, e abreviadas “GTM").

[0045] Para estes dois algoritmos, os clusters produzidos são especificamente organizados (‘arranjados’), e contínuos em suas características em todo este ‘arranjo’. Em particular, (1) isto torna as visualizações da classificação mais úteis para a interpretação, uma vez que as cores próximas correspondem a clusters próximos e, portanto, similares; e (2) aumentar o número de clusters pesquisados não altera o aspecto global de uma visualização com uma boa escala de cor, uma vez que apenas mais classes são acrescentadas na mesma escala de cores.

[0046] Essas vantagens fazem com que as interpretações de fácies sejam facilitadas pelo usuário que realiza ainda um pós-tratamento manual do dado com sua classificação. Exemplos estão apresentados no documento (Matos et al., 2011) que, após usar um método do tipo SOM, interpreta a classificação para determinar as “delimitações" de canais e reservatórios. Também é conhecido o documento (Zhao et al., 2016), que usa um método chamado “Distance-Preserving SOM" ou DPSOM, que é um aperfeiçoamento da abordagem SOM. O DPSOM é um aprimoramento no cálculo do SOM: o cálculo da posição dos nós no espaço latente é ajustado para que as distâncias no espaço dos dados sejam preservadas. Isto leva a uma representação (no espaço latente) mais discriminante entre os diferentes tipos de fácies (mais representativa dos desvios entre os valores dos atributos do espaço dos dados). Todavia, de modo geral, esses algoritmos de classificação não supervisionados requerem uma etapa manual, por um interpretador, de interpretação de classes. De fato, os métodos de classificação não supervisionados atribuem indicadores a todas as amostras de uma imagem sísmica, mas não indicam quais indicadores são pertinentes ao objeto geológico pesquisado. Além disso, esse tipo de método tampouco indica se grupamentos de rótulos (de classes) são frequentemente encontrados na imagem sísmica. Este estudo fica a cargo do interpretador, que deve ser especialmente formado para entender os resultados de uma classificação não supervisionada. Além disso, este tipo de abordagem não permite integrar uma informação a priori.

[0047] Também são conhecidos métodos chamados semissupervisionados, que melhoram os algoritmos não supervisionados introduzindo restrições baseadas nas informações de um tipo diferente do tipo sísmico.

[0048] Tal abordagem está particularmente descrita no documento (Zhao et al., 2016b), que ensina um algoritmo SOM restrito por uma decomposição VMD (“Variational Model Decomposition"), que é uma decomposição do sinal sísmico em vários componentes e que informa os ciclos estratigráficos possíveis em um traço sísmico dado. Estas informações VMD correspondem às informações a priori nesta abordagem semissupervisionada. Ela força o método SOM a classificar em classes próximas (similares) as regiões de uma mesma camada estratigráfica. Essas informações a priori apresentam a vantagem de serem neutras, objetivas, pois resulta diretamente das informações sísmicas, o que é definitivamente uma vantagem em comparação com as outras informações a priori definidas pelos usuários (como nos métodos supervisionados de detecção de objetos homogêneos, ou nos métodos supervisionados de classificação em fácies, descritos acima). Contudo, a abordagem não tem como objetivo buscar objetos que pertençam a um tipo particular (tais como MTDs ou corpos salinos), e nenhum pós-tratamento é apresentado nesse sentido.

[0049] Também é conhecido o documento (Hashemi et al., 2017) que utiliza cartas de fácies resultantes de uma análise de logs de poços como restrição. Trata-se, portanto, de uma restrição espacial. Por conseguinte, assim como no parágrafo anterior, o método não permite a busca de objetos que pertençam a um tipo particular (tais como MTDs ou corpos salinos).

[0050] A interpretação efetuada após uma classificação está ilustrada na patente US 9008972 B2. Depois que o conjunto de dados sísmicos é classificado em regiões que carregam, cada uma delas, um indicador de classe (também chamado de identificador de classe), uma nova classificação (“ranking") é feita para as diferentes classes, segundo seu potencial de validar um certo objetivo. Este “ranking" é criado por um interpretador a partir de um critério predefinido; o interpretador vai (re)utilizar um atributo sísmico (ou uma combinação de atributos), ou um atributo não físico, mas que corresponde a sua própria interpretação das classes. Isto fornecerá um “ranking" quantitativo das regiões da imagem sísmica, criado de acordo com um objetivo particular (por exemplo, classificando as zonas mais suscetíveis de representar armadilhas de hidrocarbonetos por ordem decrescente de probabilidade). Assim sendo, o interpretador deve ser especialista nos atributos e algoritmos usados para a classificação da imagem sísmica. Além disso, as regiões são analisadas uma a uma; um objeto que seria representado por um grupamento de diferentes classes não poderia ser detectado nesta abordagem.

[0051] Portanto, esses algoritmos de clustering não supervisionado ou semissupervisionado têm um forte potencial para classificar grandes conjuntos de dados e quantificar qualquer variabilidade interna de um conjunto de dados sem omitir propriedades sísmicas (ou fácies sísmicas) mais raras que outras (ao contrário dos métodos supervisionados). Contudo, eles não incluem a detecção de objetos geológicos. Não é apresentada qualquer estratégia particular para a delineação de objetos geológicos depois de totalmente classificadas as amostras da imagem a ser tratada, ainda que restrições possam ter sido acrescentadas durante o tratamento (que é o caso de métodos semissupervisionados). Por ora, do ponto de vista de pós-tratamento, é necessária uma etapa manual para reunir os clusters em grupos de interesse para interpretação para estudar/detectar objetos nos dados. Esta etapa apresenta o risco de faltar objetividade, e de requerer muito tempo e conhecimento (no que diz respeito ao funcionamento do algoritmo de classificação etc.) por parte do interpretador. Em qualquer caso, especialmente para orientar a interpretação para a obtenção de objetos geológicos delimitados, esta etapa manual é necessária nos métodos existentes.

[0052] Assim sendo, os métodos de interpretação de imagens sísmicas totalmente automatizados são por ora limitados a objetos de propriedades sísmicas homogêneas. Há métodos para representar as fácies sísmicas heterogêneas de um conjunto de dados sísmicos, mas não para detectar objetos constituídos de fácies heterogêneas de forma automática e objetiva.

[0053] A presente invenção tem por objetivo superar esses inconvenientes permitindo a automatização da detecção de objetos geológicos, em particular objetos geológicos com fácies sísmicas heterogêneas. Além disso, a presente invenção pode ser parametrizada em uma imagem sísmica de aprendizado, os parâmetros determinados na imagem de aprendizado podendo ser assim aplicados a uma outra imagem sísmica, por exemplo, englobando a imagem sísmica de aprendizado ou uma imagem sísmica proveniente de uma campanha sísmica vizinha. O processo da invenção [0054] A invenção refere-se a um processo realizado por computador para a detecção automática de pelo menos um objeto geológico pertencente a um tipo de um objeto geológico em pelo menos uma imagem sísmica de uma formação subterrânea, a partir de probabilidades a priori de pertencimento ao referido tipo de objeto geológico atribuídas a cada uma das amostras da referida imagem. [0055] O processo de acordo com a invenção compreende pelo menos uma das seguintes etapas: [0056] A. Definir uma transformação da referida imagem em uma pluralidade de atributos sísmicos e aplicar a referida transformação para determinar uma pluralidade de atributos sísmicos da referida imagem; [0057] B. Aplicar uma classificação não supervisionada aos referidos atributos sísmicos da referida imagem e determinar uma classe para cada uma das referidas amostras da referida imagem;

[0058] C. Para cada uma das referidas classes, determinar uma probabilidade a posteriori de pertencimento das referidas amostras da referida classe ao referido tipo de objeto geológico em função das referidas probabilidades a priori das referidas amostras a referida imagem pertencente à referida classe, da referida classe, e de um parâmetro α descrevendo uma confiança nas referidas probabilidades a priori;

[0059] D. Para cada amostra da referida imagem, a partir da referida classe da referida amostra, atribuir à referida amostra a referida probabilidade a posteriori de pertencimento ao referido tipo de objeto geológico determinada pelas referidas amostras da referida classe. [0060] Em seguida, de acordo com a invenção, o referido objeto geológico pertencente ao referido tipo de objeto geológico é detectado a partir das referidas probabilidades a posteriori de pertencimento ao referido tipo de objeto geológico determinadas para cada uma das referidas amostras da referida imagem.

[0061] De acordo com um modo de realização da invenção, a referida probabilidade a posteriori probabilidade a posteriori de pertencimento das referidas amostras da referida classe /' ao referido tipo de objeto geológico pode ser determinada da seguinte maneira: [0062] [0063] determina-se [0064] a. se então y; = s_.

[0065] b. se , então [0066] - se q = τι, )\ = sn [0067] -seç<7i, γ;=^ + 1.

Legenda=onde se lê tels que o certo é tal que onde [0068] - um vetor contendo um valor da referida probabilidade de pertencimento a priori para cada amostra da referida imagem sísmica;

[0069] -L um vetor contendo para cada uma das referidas amostras da referida imagem sísmica um identificador da referida classe à qual a referida amostra pertence;

[0070] com o conjunto de valores assumidos pelos elementos do referido vetor ; [0071] - Ci‘l e L a referida classe do identificador l; c [0072] a proporção dos pontos de tendo para valor de probabilidade a prioriSfc;

[0073] Vantajosamente, os referidos atributos sísmicos podem ser atributos texturais.

[0074] Preferivelmente, pode ser aplicada uma redução de dimensão aos referidos atributos determinados pela referida transformação.

[0075] Mais preferivelmente, a referida redução de dimensão pode ser realizada por meio de uma análise dos componentes principais. [0076] Alternativamente, a referida redução de dimensão pode ser realizada por meio de uma análise de um método de seleção de atributos.

[0077] De acordo com um modo de realização da invenção, o referido método de classificação não supervisionada pode ser método de cartas topográficas geratrizes.

[0078] De acordo com uma variação do modo de realização da invenção, podem ser aplicadas pelo menos as referidas etapas A) a D) a uma primeira imagem sísmica, em seguida pelo menos as referidas etapas seguintes podem ser aplicadas a uma segunda imagem sísmica: [0079] I. aplicar a referida transformação em atributos sísmicos à referida segunda imagem para determinar uma pluralidade de atributos sísmicos da referida segunda imagem;

[0080] II. aplicar a referida classificação não supervisionada aos referidos atributos da referida segunda imagem e determinar uma classe para cada uma das referidas amostras da referida segunda imagem; [0081] III. para cada uma das referidas classes da referida segunda imagem e para cada uma das referidas amostras da referida segunda imagem pertencente à referida classe, atribuir a referida probabilidade de pertencimento ao referido tipo de objeto geológico determinada para a referida classe na referida primeira imagem.

[0082] De acordo com uma variação do modo de realização da invenção, os referidos objetos geológicos pertencendo ao referido tipo de objeto geológico na referida pelo menos uma imagem podem ser detectados por meio de um método de limiarização aplicado aos valores das referidas probabilidades a posteriori de pertencimento ao referido tipo de objeto geológico determinadas para cada uma das referidas amostras da referida pelo menos uma imagem.

[0083] A invenção também refere-se a um processo de exploração de uma formação subterrânea compreendendo hidrocarbonetos, por meio de pelo menos uma imagem sísmica relativa à referida formação, no qual: [0084] - objetos geológicos pertencendo a pelo menos um tipo de objeto geológico são detectados na referida imagem sísmica por meio do processo tal como descrito acima;

[0085] - um modelo geológico representativo da referida formação é definido a partir de pelo menos os referidos objetos geológicos detectados e um esquema de exploração dos referidos hidrocarbonetos da referida formação é definido a partir de pelo menos o referido modelo geológico;

[0086] - os referidos hidrocarbonetos da referida formação são explorados de acordo com o referido esquema de exploração.

[0087] A invenção refere-se ainda a um produto de programa de computador telecarregável de uma rede de comunicação e/ou registrado em um suporte legível por computador e/ou executável por um processador, compreendendo instruções de código de programa para operação do referido processo tal como descrito acima, quando o referido programa é executado em um computador.

[0088] Outras características e vantagens do processo de acordo com a invenção tornar-se-ão evidentes a partir da leitura da descrição abaixo de exemplos de realização não limitativos, com referência às Figuras anexas e descritas a seguir.

Breve Descrição das Figuras [0089] - A Figura 1 apresenta, em um exemplo teórico, a distribuição de classes determinadas por um método de classificação em relação a um objeto geológico a ser detectado.

[0090] - As Figuras 2a e 2b apresentam as amostras da classe C1 tendo uma probabilidade a priori de pertencimento ao objeto geológico a ser detectado, respectivamente, de 0 e de 0,75.

[0091] - A Figura 2c apresenta de forma esquemática a determinação da probabilidade a posteriori associada à classe C1. [0092] - A Figura 3a apresenta a distribuição das amostras pertencentes à classe C2, em relação ao objeto geológico a ser detectado.

[0093] - A Figura 3b apresenta de forma esquemática a determinação da probabilidade a posteriori associada à classe C2. [0094] - A Figura 4a apresenta a distribuição das amostras pertencentes às classes C4, C5 e C6, em relação ao objeto geológico a ser detectado.

[0095] - A Figura 4b apresenta de forma esquemática a determinação da probabilidade a posteriori associada às classes C4, C5 e C6.

[0096] - A Figura 5a apresenta a distribuição das amostras pertencentes à classe C3, em relação ao objeto geológico a ser detectado.

[0097] - A Figura 5b apresenta de forma esquemática a determinação da probabilidade a posteriori associada à classe C3. [0098] - As Figuras 6 e 7 apresentam, respectivamente, três seções sísmicas de aprendizado selecionadas em um volume sísmico global e as probabilidades a priori de pertencimento a um objeto geológico do tipo MTD para cada uma das amostras dessas seções.

[0099] - A Figura 8 apresenta a distribuição das amostras das três imagens de aprendizado da Figura 6 de acordo com 49 classes.

[00100] - A Figura 9 apresenta as probabilidades a posteriori de pertencimento a um objeto geológico do tipo MTD para cada uma das três imagens de aprendizado da Figura 6, estas probabilidades a posteriori tendo sido determinadas de acordo com o processo de acordo com a invenção.

[00101] - A Figura 10 apresenta o resultado da extrapolação das probabilidades a posteriori de pertencimento a um objeto geológico do tipo MTD, determinadas para cada uma das três imagens de aprendizado da Figura 6, em 72 seções no volume sísmico global a ser interpretado.

[00102] - A Figura 11 apresenta as amostras do volume sísmico global a ser interpretado tendo sido detectadas como pertencentes a um objeto geológico do tipo PTD, por meio do processo de acordo com a invenção.

Descrição detalhada do processo [00103] De forma geral, um dos objetos da invenção refere-se a um processo operado por um computador para a detecção automática de amostras de pelo menos uma imagem sísmica de uma formação subterrânea que pertence a um tipo de um objeto geológico predefinido. O processo de acordo com a invenção pode ser vantajosamente aplicado à detecção de um tipo de objeto geológico caracterizado por propriedades sísmicas heterogêneas, ou, em outras palavras, de um tipo de um objeto geológico caracterizado por fácies sísmicas heterogêneas. Tais fácies sísmicas heterogêneas compreendem, de forma limitativa, depósitos de transporte de massa, comumente chamados MTD (“mass-transport deposits" em inglês), canais fluviais com propriedades sísmicas heterogêneas, ou ainda chanfraduras geológicas (tal como um contato chanfrando entre camadas geológicas inclinadas e uma superfície de erosão). O processo, contudo, também pode ser aplicado para detecção de objetos geológicos conhecidos como tendo propriedades sísmicas homogêneas, tais como corpos salinos, especialmente quando as fácies internas desses objetos variam ligeiramente.

[00104] Portanto, o processo de acordo com a invenção é operado por um tipo de objeto geológico dado, e é vantajosamente repetido caso seja desejada a detecção de um outro tipo de objeto geológico na mesma imagem sísmica.

[00105] A imagem sísmica é indiferentemente uma imagem bidimensional (2D) ou tridimensional (3D), onde um dos eixos seria o eixo do tempo (imagem sísmica no domínio temporal) ou ainda o eixo das profundidades (imagem sísmica no domínio da profundidade), e o ou os outros eixos corresponderiam aos eixos horizontais de um espaço geográfico. O processo de acordo com a invenção também pode ser operado em uma pluralidade de imagens sísmicas, 2D e/ou 3D. Estas ou estas imagens sísmicas podem ter sido obtidas por meio de medidas sísmicas (de forma geral, trata-se de “campanha de aquisição sísmica") e de um tratamento dessas medidas sísmicas (de forma geral, trata-se de “tratamento sísmico"). O especialista na técnica tem perfeito conhecimento das etapas a serem usadas para obter uma imagem sísmica de uma formação subterrânea.

[00106] O processo de acordo com a invenção requer a apresentação de probabilidades a priori de pertencimento ao tipo de objeto biológico buscado, estas probabilidades sendo atribuídas a cada uma das amostras da imagem sísmica considerada. Em outras palavras, cada amostra (um pixel no caso de uma imagem sísmica bidimensional, um voxel no caso de uma imagem sísmica tridimensional) da imagem sísmica considerada deve ter um valor representativo da probabilidade de que esta amostra pertence a um objeto geológico do tipo buscado.

[00107] De acordo com um modo de realização da invenção não limitativo, o processo pode compreender as seguintes etapas: [00108] 1. Determinação de probabilidades a priori na imagem sísmica [00109] 2. Determinação de atributos sísmicos na imagem sísmica [00110] 3. Classificação da imagem sísmica no espaço dos atributos [00111] 4. Determinação de uma probabilidade de pertencimento a posteriori [00112] 5. Extrapolação das probabilidades a posteriori para uma outra imagem sísmica [00113] 6. Detecção automática de objetos geológicos [00114] 7. Exploração da formação subterrânea.

[00115] Todavia, de um modo geral, o processo de acordo com a invenção compreende pelo menos as etapas 2 a 4 e a etapa 6.

[00116] Assim sendo, os meios de obtenção de probabilidades de pertencimento a priori, necessários para a operação da invenção, podem ser obtidos por aplicação da etapa 1 que é opcional.

[00117] De acordo com um modo de realização da invenção vantajoso quando grandes volumes de dados sísmicos devem ser interpretados, as etapas 2 a 4 são aplicadas a pelo menos uma imagem sísmica que é uma imagem sísmica de aprendizado, e os parâmetros do processo determinados nesta imagem sísmica de aprendizado são em seguida aplicados, tal como descrito na etapa 5, a pelo menos uma segunda imagem sísmica, por exemplo, de maior dimensão que a imagem sísmica de aprendizado. Assim, no caso de imagem sísmica 2D a ser interpretada, a imagem sísmica de aprendizado pode, por exemplo, corresponder a uma janela feita na imagem sísmica global, de maior dimensão. No caso de uma imagem sísmica 3D a ser interpretada, o aprendizado pode ser realizado em uma série de seções sísmicas 2D escolhidas entre a imagem volumétrica 3D, ou ainda um ou mais subvolumes 3D contidos neste volume sísmico 3D.

[00118] A etapa 7, também opcional, diz respeito à formação subterrânea para a qual uma imagem sísmica foi interpretada por meio de pelo menos uma das etapas 2 a 4.

[00119] As etapas da realização não limitativa do processo de acordo com a invenção descrito acima estão detalhadas a seguir, as etapas 1, 5 e 7 sendo opcionais. 1. Determinação de probabilidades a priori na imagem sísmica [00120] Esta etapa é opcional, pois as probabilidades de pertencimento a priori ao tipo de objeto biológico que se busca detectar podem ter sido previamente determinadas e são então fornecidas na entrada do processo de acordo com a invenção.

[00121] Durante esta etapa, a finalidade é delimitar regiões na imagem sísmica estudada (que também pode ser uma imagem sísmica de aprendizado) e atribuir a essas regiões uma probabilidade de pertencimento ao objeto geológico buscado, ou em outras palavras uma probabilidade de pertencimento a priori ao tipo de objeto biológico que se deseja detectar.

[00122] De acordo com um modo de realização da invenção, é utilizado um método de delimitação automática de objetos geológicos, um método alternativo ao processo de acordo com a invenção, que consiste, por exemplo, em (i) calcular um atributo sísmico escolhido para ser (pelo menos parcialmente) discriminante para pelo menos uma parte dos objetos buscados; (ii) normalizar os valores do atributo entre 0 e 1; (iii) atribuir este resultado a cada região da imagem sísmica como probabilidade a priori.

[00123] De acordo com um outro modo de realização da invenção, também é possível determinar probabilidades de pertencimento a priori ao tipo de objeto biológico buscado usando outros tipos de informação que não uma informação sísmica, como, por exemplo, medidas diagráficas realizadas em um poço que atravessa a formação estudada. De acordo com um modo de realização da invenção, é possível, por exemplo: (i) para cada poço no qual é feita uma medida diagráfica, determinar um log de fácies geológicas a partir de um tratamento clássico de medidas diagráficas e dele deduzir uma proporção de presença do objeto a ser detectado em função da profundidade ao longo do poço estudado, (ii) propagar esta informação determinada para os diferentes poços em todo ou em parte do espaço coberto pela imagem sísmica a ser interpretada, por meio de uma interpolação ou pelo viés de um método geoestatístico; (iii) atribuir este resultado, normalizado entre 0 e 1, a cada região da imagem sísmica, como probabilidade a priori.

[00124] De acordo com um modo de realização da invenção, regiões na imagem sísmica considerada (que pode ser opcionalmente uma imagem de aprendizado) são delimitadas por meio de uma interpretação manual e/ou automática de objetos geológicos da imagem sísmica considerada e a cada uma dessas regiões é atribuída uma probabilidade de pertencimento ao objeto geológico buscado. De acordo com um modo de realização da invenção: [00125] - um valor de probabilidade de pertencimento a priori de 1 é atribuído às amostras da imagem sísmica que pertencem a regiões para as quais se acredita que a região delimitada corresponde ao tipo de objeto biológico buscado;

[00126] - um valor de probabilidade de pertencimento a priori de 0 é atribuído às amostras da imagem sísmica que pertencem a regiões para as quais se acredita que a região delimitada não corresponde, de certa forma, ao tipo de objeto biológico buscado;

[00127] - valores de probabilidades intermediários (por exemplo, valores de 0,25, 0,5, 0,75) são atribuídos às outras regiões, em função da verossimilhança de seu pertencimento ao tipo de objeto biológico buscado. 2. Determinação de atributos sísmicos na imagem sísmica [00128] Durante esta etapa, uma transformação da imagem sísmica (que também pode ser uma imagem sísmica de aprendizado) é definida em uma pluralidade de atributos sísmicos e a transformação assim definida é aplicada para determinar uma pluralidade de atributos sísmicos associados à imagem sísmica considerada. Vantajosamente, são determinados pelo menos quatro atributos sísmicos, o que permite potencialmente distinguir 24 = 16 tipos de fácies sísmicas diferentes, e assim caracterizar objetos geológicos tendo propriedades sísmicas particularmente heterogêneas. Vantajosamente, os atributos são escolhidos de tal forma que eles representam a variabilidade de fácies sísmicas da imagem sísmica considerada.

[00129] De preferência, os atributos sísmicos determinados compreendem atributos texturais, que são atributos cujo calor em cada amostra caracteriza a textura da imagem na vizinhança desta amostra. O valor em cada amostra geralmente é uma grandeza estatística da distribuição dos valores das amplitudes sísmicas em uma vizinhança lateral e vertical da amostra da imagem sísmica (por exemplo, levando em conta estatísticas da segunda ordem na vizinhança de cada amostra de uma imagem sísmica). Assim, este tipo de atributos é particularmente apropriado para distinguir diferentes tipos de fácies sísmicas em uma imagem sísmica uma vez que eles fornecem uma informação sobre a organização local dos refletores de forma fina em uma imagem. Entre os atributos texturais, são conhecidos os atributos resultantes da matriz de coocorrência em escala de cinza (“Gray-Level Co-occurrence Matrix" em inglês, ou GLCM). Os atributos GLCM foram inicialmente introduzidos (cf., por exemplo, o documento (Haralick, 1973)) para tratamento de imagens em geral, e são agora amplamente utilizados em interpretação sísmica. O cálculo de um atributo é feito em uma imagem em níveis de cinza, para uma orientação teta e uma distância interpixel d predefinidas. Este cálculo é feito em duas etapas: primeiro a construção da matriz de coocorrência M(r,c), que indica, para cada par (r,c) de níveis de cinza, o número de pares de pixels na janela de vizinhança de um pixel (ou amostra da imagem sísmica) que são separados por um vetor de norma d e ângulo teta e têm r e c como níveis de cinza; em seguida, o cálculo de grandezas estatísticas nessa matriz. De modo geral, os atributos texturais também apresentam a vantagem de serem calculados de acordo com um mesmo esquema de cálculo, de modo que, calculando todos eles, ‘são varridos' todos os motivos possíveis (por exemplo, com os atributos GLCM, é calculado um atributo por orientação, todos eles calculados da mesma maneira).

[00130] De acordo com um outro modo de realização da invenção, os atributos sísmicos determinados compreendem atributos espectrais, este tipo de atributo contendo também informações sobre as escalas de tamanho. De acordo com um outro modo de realização da invenção, atributos sísmicos clássicos também podem ser utilizados na interpretação sísmica tal como a coerência, ou ainda a autocorrelação. [00131] De acordo com um modo de realização da invenção, se os valores dos atributos sísmicos determinados não forem da mesma ordem de grandeza (por exemplo, se houver uma relação de 1 para 10 entre dois atributos), os valores dos atributos assim determinados são normalizados.

[00132] De acordo com um modo de realização da invenção, caso se verifique que os atributos assim determinados estão correlacionados entre si, é realizada uma operação de redução de dimensão dos atributos determinados. Para tanto, um método de extração de atributos (“Feature extraction method" em inglês) pode ser aplicado aos atributos determinados, tal como uma análise dos componentes principais (ACP, ou “Principal Component Analysis" em inglês), ou um método de seleção de atributos (“Feature selection method" em inglês). De acordo com um modo de realização vantajoso da invenção no qual é aplicado o método ACP, conserva-se apenas os atributos projetados no ponto de referência dos vetores próprios resultantes da ACP cuja soma dos valores próprios normalizados é superior a 0,95. De acordo com um modo de realização da invenção de acordo com o qual é aplicado um método de seleção de atributos, conserva-se uma seleção de atributos iniciais, a seleção sendo definida de forma que os atributos selecionados representem a variância total (ou um percentagem de 0,95, por exemplo) da nuvem de pontos e sejam o menos correlacionados possível (a otimização da seleção de atributos consiste, portanto, em minimizar a correlação do conjunto selecionado minimizando ao mesmo tempo a variância representada). 3. Classificação da imagem sísmica no espaço de atributos [00133] Durante esta etapa, é aplicado um método de classificação do tipo não supervisionada aos atributos sísmicos determinados no final da etapa 2 descrita acima, i.e., opcionalmente aos atributos depois da redução de dimensão. Assim sendo, durante esta etapa, a imagem sísmica é considerada no espaço multiatributos, e não mais a imagem sísmica expressa em amplitude sísmica.

[00134] De acordo com a invenção, a classificação dos atributos resultantes da imagem sísmica é efetuada por meio de um algoritmo de Self-Organizing Maps (SOM) tal como descrito, por exemplo, em (Kohonen 1989), ou ainda um algoritmo de Generative Topographic Mapping (GTM) tal como descrito, por exemplo, em (Bishop, 1998), ou ainda um algoritmo de K-means tal como descrito, por exemplo, no documento (Lloyd, 1982). No caso de um método SOM ou GTM, a classificação consiste em criar uma representação não linear dos dados para uma variedade de pequena dimensão (tipicamente 2), na qual se encontra uma grade (potencialmente irregular) contendo os centros de classes. Durante a operação do algoritmo SOM ou GTM, as posições dos centros de classes na variedade e no espaço dos dados são otimizadas (e no caso de GTM, a própria variedade é parametrizada). Para este tipo de abordagens, o número de classes é predefinido com antecedência pelo especialista na técnica. O especialista na técnica tem perfeito conhecimento de como definir um número de classes ad hoc para colocar em operação um método de classificação do tipo não supervisionada.

[00135] Ao final dessa etapa de classificação, uma classe é atribuída a cada amostra (um pixel em uma imagem 2D, ou um voxel em uma imagem sísmica 3D) da imagem sísmica considerada. Em outras palavras, cada amostra da imagem sísmica considerada possui um “rótulo" de classe, ou ainda um identificador da classe à qual ela pertence. De maneira clássica, o identificador da classe de cada amostra da imagem sísmica é um número de classe. 4. Determinação de uma probabilidade de pertencimento a posteriori [00136] De acordo com a invenção, a finalidade é atribuir, a cada classe obtida no final da etapa precedente, uma probabilidade a posteriori de pertencimento ao tipo de objeto biológico buscado. Esta probabilidade a posteriori é estimada em função: [00137] - das probabilidades a priori de pertencimento ao objeto geológico buscado, determinadas, por exemplo, da maneira descrita na etapa 1; e [00138] - da distribuição em classes determinada no final da etapa 3; e [00139] - de um parâmetro a, predefinido (principalmente pelo especialista na técnica), que permite qualificar a confiança na qualidade da interpretação a priori dos objetos geológicos da imagem sísmica (que também pode ser uma imagem sísmica de aprendizado). De acordo com um modo de realização da invenção, o parâmetro α para uma imagem sísmica dada está compreendido entre 0 e 1, o valor 0 sendo atribuído no caso de uma interpretação a priori dos objetos geológicos muito pouco confiável, e 1 sendo, ao contrário, atribuído no caso em que a confiança na interpretação é forte. O parâmetro α também pode ser usado para dar uma certa “flexibilidade" ao algoritmo de detecção de acordo com a invenção (0 para uma grande flexibilidade e 1 para nenhuma flexibilidade). O parâmetro α também pode permitir levar em conta as potenciais ausências de anotações de certos objetos, por exemplo, quando se acredita que os objetos geológicos, correspondentes ao tipo de objeto a ser detectado, não foram interpretados a priori na imagem sísmica (opcionalmente de aprendizado).

[00140] A seguir, tem-se: [00141] - x o vetor contendo um valor de probabilidade de pertencimento a priori para cada amostra da imagem sísmica considerada: [00142] - L o vetor contendo para a amostra da imagem sísmica considerada o identificador da classe à qual a amostra pertence; [00143] - 5 = = com 0 = A < sí <■■■< Ά = i, o conjunto dos valores assumidos pelos elementos de x;

[00144] - cid e l a classe número f da classificação descrita por L\ [00145] - = PCsfclQ), a proporção dos pontos de ci tendo como valor de probabilidade a priori;

[00146] - τ o vetor contendo para cada amostra da imagem considerada a probabilidade a posteriori.

[00147] De acordo com um modo de realização preferido da invenção, a probabilidade a posteriori A de pertencimento ao tipo de objeto biológico buscado é determinada para cada classe número i da classificação descrita por L da maneira descrita abaixo: [00148] · se [00149] *se determina-se: , e [00150] [00151] [00152] [00153] Legenda=onde se lê tels que o certo é tal que [00154] Assim sendo, o processo de acordo com a invenção permite explorar ao mesmo tempo uma probabilidade de pertencimento a priori assim como uma informação sobre a estrutura do conjunto de dados, representada pelo resultado da classificação, levando em conta um grau de confiança na interpretação a priori predefinido pelo especialista na técnica.

[00155] No final desta etapa, é obtido um valor único de probabilidade a posteriori por classe, que está próximo da média aritmética das probabilidades a priori de todas as amostras da classe (particularmente, tem-se a igualdade da média aritmética no caso em que o parâmetro α é igual a 1) mas que pode incluir uma certa flexibilidade, via o parâmetro α, em função da confiança na interpretação realizada a priori.

[00156] Em seguida, a cada amostra da imagem sísmica considerada é atribuída uma probabilidade a posteriori de pertencimento ao objeto geológico buscado, em função da classe (por exemplo, identificada por um identificador de classe) à qual pertence a amostra considerada. 5. Extrapolação das probabilidades a posteriori para uma outra imagem sísmica [00157] Esta etapa é opcional. Ela é aplicada no caso em que as probabilidades a priori de pertencimento ao objeto geológico buscado foram predefinidas em uma imagem sísmica de aprendizado, tal como definida acima, e em que se deseja a detecção automática de objetos geológicos do tipo considerado em uma outra imagem sísmica, doravante denominada “imagem sísmica global". Fica evidente para o especialista na técnica que a imagem sísmica de aprendizado e a imagem sísmica global possuem, de preferência e, sempre que possível, parâmetros sísmicos similares. Por exemplo, os dados sísmicos na origem dessas duas imagens sísmicas devem de preferência ter sido registrados com os mesmos parâmetros de aquisição (particularmente os passos de amostragem) ou ter sido corrigidos de maneira a levar aos mesmos parâmetros de aquisição (este tipo de correção é tradicionalmente feito em tratamento sísmico 4D, por exemplo). Da mesma forma, os dados sísmicos na origem dessas duas imagens sísmicas devem de preferência ter passado pelo mesmo tratamento sísmico ou ter sido corrigidos de maneira a levar ao mesmo tratamento sísmico (este tipo de correção é tradicionalmente feito em tratamento sísmico 4D, por exemplo); é, portanto, importante que as amplitudes sísmicas das imagens de aprendizado e da imagem global a ser interpretada se encontrem em faixas semelhantes. O especialista na técnica tem perfeito conhecido dessas restrições e dos meios para alcançá-las, por métodos de tratamento sísmico de rotina. [00158] No final da etapa 4, são principalmente obtidas probabilidades a posteriori de pertencimento ao objeto geológico buscado, associadas a cada uma das classes determinadas na imagem sísmica de aprendizado. Durante esta etapa, a finalidade é “extrapolar" essas probabilidades a posteriori, determinadas na imagem sísmica de aprendizado, para a imagem sísmica global.

[00159] De acordo com a invenção, esta extrapolação é feita da seguinte maneira: [00160] I. a transformação em atributos sísmicos, tal como definida na etapa 2 e aplicada à imagem sísmica de aprendizado, é aplicada à imagem sísmica global. Em seguida é determinada uma pluralidade de atributos sísmicos da imagem sísmica global, atributos estes que são os mesmos (em tipo e em número) que aqueles determinados na imagem de aprendizado. Preferivelmente, os pós-tratamentos (normalização, redução de dimensão; cf. etapa 2 acima) aplicados aos atributos determinados para a imagem sísmica de aprendizado são vantajosamente aplicados igualmente aos atributos da imagem sísmica global, utilizando os mesmos parâmetros de operações de pós-tratamento que aqueles usados para a imagem sísmica de aprendizado. [00161] II. o método de classificação não supervisionada, tal como definido na etapa 3 e aplicado aos atributos da imagem sísmica de aprendizado, é aplicado aos atributos da imagem sísmica global. Aqui é aplicado o mesmo método de classificação que aquele aplicado na etapa 3 à imagem de aprendizado, parametrizado da mesma maneira, e especialmente com o mesmo número de classes. Assim é obtido, por exemplo, um identificador de classe para cada amostra da imagem sísmica global.

[00162] III. para cada uma das classes da imagem sísmica global e para cada uma das amostras dessa imagem sísmica global pertencente a essa classe (por exemplo, identificada por um identificador de classe), é atribuída a probabilidade a posteriori de pertencimento determinada para essa classe na imagem sísmica de aprendizado.

[00163] Assim sendo, no final desta etapa, são obtidas probabilidades a posteriori de pertencimento ao objeto geológico buscado para uma imagem sísmica global, a partir de probabilidades a posteriori de pertencimento ao objeto geológico buscado determinadas em uma imagem sísmica de aprendizado. Isto permite principalmente um ganho de tempo importante quando grandes volumes de dados sísmicos devem ser interpretados, pois a determinação das probabilidades a posteriori de pertencimento é feita de forma fina somente na imagem sísmica de aprendizado. Este modo de realização da invenção também permite limitar o tamanho da memória informática usada para determinação das probabilidades de pertencimento a posteriori. 6. Detecção automática de objetos geológicos [00164] Durante esta etapa, a finalidade é detectar automaticamente, a partir de probabilidades a posteriori de pertencimento ao objeto geológico buscado determinadas na etapa 4 e/ou 5, os objetos geológicos do tipo buscado na imagem sísmica de interesse.

[00165] Esta detecção pode ser aplicada por meio de qualquer tipo de método conhecido para a detecção automática de objetos geológicos tendo propriedades internas homogêneas, pois os valores de probabilidade a posteriori que foram determinados desta maneira podem ainda servir de atributos para a operação deste tipo de método. Em outras palavras, o processo de acordo com a invenção permite, a partir de uma informação sísmica muito heterogênea e complexa, determinar uma imagem tendo propriedades mais homogêneas, possibilitando a aplicação de métodos de detecção de objetos geológicos com propriedades internas homogêneas.

[00166] De acordo com um modo de realização da invenção, a partir dos valores de probabilidades de pertencimento a posteriori para cada amostra da imagem sísmica considerada, é possível detectar automaticamente, pelos métodos a seguir, os objetos geológicos desta imagem do tipo daquele buscado: [00167] - é feita uma limiarização dos valores de probabilidades a posteriori: por exemplo, são conservadas apenas as amostras da imagem sísmica tendo valores de probabilidades a posteriori superiores a 0,8; et/ou [00168] - é utilizado um algoritmo de crescimento de região, operado com um critério predefinido contendo, em seus valores, as probabilidades de pertencimento a posteriori esperadas no interior dos objetos do tipo do objeto a ser detectado. Vide, por exemplo, o documento (Adams e Bishof, 1994) que descreve esse tipo de método. De modo geral, um algoritmo de crescimento de regiões consiste em definir os pontos de partida (“seeds" em inglês) das regiões, e em seguida desenvolver essas regiões via uma medida de semelhança entre amostras, até que seja atingido um critério de interrupção. Bem se sabe que esses métodos são eficientes quando os pontos de partida são escolhidos dentro das zonas homogêneas da imagem a ser interpretada.

[00169] - é utilizado um algoritmo de detecção de contornos, de formulação explícita ou implícita. Vide, por exemplo, o documento (Mumford e Shah, 1989) que descreve esse tipo de método em linhas gerais. 7. Exploração da formação subterrânea [00170] A partir pelo menos dos objetos geológicos detectados pela realização de pelo menos as etapas 2 a 4 e 6 descritas acima para pelo menos um tipo de objeto geológico a ser detectado, foram dispostas de informações preciosas relativas à formação subterrânea da qual se deseja explorar, por exemplo, hidrocarbonetos.

[00171] De fato, é especialmente clássico construir uma representação quadriculada da formação estudada, representação esta conhecida pelo nome de geomodelo, com vistas à exploração dessa formação. Cada quadrícula desta representação quadriculada é preenchida com uma ou mais propriedades petrofísicas, tais como porosidade, permeabilidade, tipo de depósito sedimentar etc. Esta representação quadriculada reflete principalmente a geometria dos objetos geológicos encontrados na formação estudada. Ela é assim com mais frequência estruturada em camadas, isto é, um grupo de quadrículas é atribuído a cada camada geológica da bacia modelizada. Mas ela reflete vantajosamente a presença de objetos geológicos de tamanhos menores (tais como MTDs, canais fluviais, etc.), por quadrículas tendo propriedades petrofísicas distintas das camadas nas quais esses objetos são inseridos. De modo geral, a construção deste modelo baseia-se em dados adquiridos durante campanhas sísmicas, de medidas em poços, extrações etc. Assim sendo, as informações obtidas para a realização do processo de acordo com a invenção, melhorando o conhecimento dos objetos geológicos presentes na formação, vão contribuir para a construção de um modelo geológico mais preciso da formação estudada.

[00172] A partir de tal representação quadriculada, o especialista na técnica pode selecionar principalmente as zonas de interesse da formação subterrânea, e especialmente os reservatórios geológicos suscetíveis de gerar uma produção elevada de hidrocarbonetos (com base em critérios tais como uma forte porosidade, uma forte permeabilidade, a presença de uma rocha de cobertura etc.). A partir de tal representação quadriculada, o especialista na técnica também pode prever os deslocamentos de fluido na formação estudada e planificar seu desenvolvimento futuro, via determinação de esquemas de exploração da formação. Em particular, a determinação de um esquema de exploração de uma formação subterrânea compreende a definição de um número, de uma geometria e de uma implantação (posição e espaçamento) de poços injetores e produtores, a determinação de um tipo de recuperação assistida (por injeção de água, de tensoativos, etc.), etc. Um esquema de exploração de um reservatório de hidrocarbonetos deve, por exemplo, permitir uma alta taxa de recuperação de hidrocarbonetos presos no reservatório geológico identificado, por um longo período de exploração, requerendo um número limitado de poços e/ou de infraestruturas. Tradicionalmente, a determinação de um esquema de exploração de hidrocarbonetos é efetuada com a ajuda de um simulador numérico de escoamento. Um exemplo de um simulador de escoamento é o software PumaFlow® (IFP Energies nouvelles, França).

[00173] Em seguida, uma vez definido o esquema de exploração, os hidrocarbonetos presos no reservatório são explorados em função desse esquema de exploração, perfurando principalmente os poços injetores e/ou produtores do esquema de exploração assim determinado, e instalando as infraestruturas de produção necessárias para o desenvolvimento do jazigo.

Equipamento e produto de programa de computador [00174] O processo de acordo com a invenção é realizado por meio de um equipamento (por exemplo, um posto de trabalho de informática) compreendendo meios de tratamento de dados (um processador) e meios de armazenamento de dados (uma memória, em particular um disco rígido), bem como uma interface de entrada e de saída para reter dados e recuperar os resultados do processo.

[00175] Os meios de tratamento de dados são especialmente configurados para realizar as seguintes etapas: [00176] - determinar uma pluralidade de atributos sísmicos da imagem sísmica;

[00177] - aplicar um método de classificação não supervisionada aos atributos sísmicos;

[00178] - determinar uma probabilidade a posteriori de pertencimento ao tipo de objeto biológico buscado para as amostras de cada uma das classes;

[00179] - determinar uma probabilidade a posteriori de pertencimento ao tipo de objeto biológico buscado para cada uma das amostras da imagem sísmica;

[00180] - e detectar pelo menos um objeto geológico do tipo buscado a partir das probabilidades a posteriori de pertencimento para cada amostra da imagem sísmica.

[00181] Além disso, a invenção refere-se a um produto de programa de computador telecarregável desde de uma rede de comunicação e/ou registrado em um suporte legível em computador e/ou executável por um processador, compreendendo instruções de código de programa para a operação do processo tal como descrito anteriormente, quando o processo é executado em um computador.

Variante: obtenção prévia de uma imagem sísmica [00182] O processo de acordo com a invenção é realizado em pelo menos uma imagem sísmica de uma formação subterrânea. De acordo com uma variante de realização da invenção, uma imagem sísmica é determinada antes da execução do processo de acordo com a invenção. A obtenção de tal imagem sísmica compreende uma etapa de medidas sísmicas, e em seguida uma etapa de tratamento sísmico destas medidas sísmicas.

[00183] A etapa de medidas sísmicas é realizada por meio de um dispositivo de medidas sísmicas. Este dispositivo de medidas sísmicas compreende meios (tais como explosivos ou um vibrador para sísmica terrestre, um canhão de ar ou um canhão de água para sísmica marinha) para emitir uma ou mais ondas sísmicas na formação subterrânea de interesse, bem como meios (tais como captadores de aceleração (sismômetros), de vibração (geofones), de pressão (hidrofones), ou uma combinação de captadores elementos dos tipos precedentes (por exemplo, captadores multicomponentes)) para registrar as ondas assim emitidas e que são pelo menos parcialmente refletidas na formação estudada. O especialista na técnica tem perfeito conhecimento dos meios para aquisição de medidas sísmicas com vistas a produzir uma imagem sísmica de uma formação subterrânea. [00184] A etapa de tratamento sísmico é aplicada às medidas sísmicas assim realizadas na formação subterrânea estudada. De fato, as medidas sísmicas registradas da maneira descrita acima frequentemente não são exploráveis. Tradicionalmente, o tratamento sísmico pode compreender uma etapa de correção das amplitudes sísmicas registradas, uma desconvolução, correções estáticas, filtragem do ruído (aleatório ou coerente), uma correção NMO (“Normal Move Out" em inglês, “Courbure Normale" em francês), um empilhamento (ou “sommation" em francês), e uma migração (profundidade ou tempo, antes do empilhamento ou depois do empilhamento). Estas etapas de tratamento, que requerem cálculos sempre complexos e longos, são realizadas por um computador. Os dados sísmicos resultantes são então chamados de imagem sísmica. Estas imagens sísmicas são frequentemente representadas em um computador, por um quadriculado ou grade, cada quadrícula correspondendo a uma posição lateral e vertical (a direção vertical correspondendo ao tempo ou à profundidade dependendo se o processamento resultou em uma imagem de tempo ou uma profundidade de imagem) no interior da formação estudada, e sendo caracterizada por uma amplitude sísmica. O especialista na técnica tem perfeito conhecimento dos meios usados para aplicação de um tratamento sísmico ad hoc a medidas sísmicas para produzir uma imagem sísmica de uma formação subterrânea, imagem destinada a uma interpretação sísmica.

Exemplos de realização [00185] As características e vantagens do processo de acordo com a invenção tornar-se-ão mais claras a partir da leitura dos exemplos de aplicação abaixo.

Exemplo 1 [00186] Este exemplo tem por finalidade ilustrar, em um exemplo puramente teórico, o princípio do processo de acordo com a invenção. [00187] A Figura 1 apresenta um objeto geológico (contorno em negrito) que foi delimitado manualmente por um versado na técnica em uma imagem sísmica, assim como as classes (classes C1 à C6) resultantes da aplicação de um método de classificação aplicado. As probabilidades a priori são discriminadas da seguinte maneira [s!,s2,s3,s4 , = [0, 0,25, 0,5, 0,75, 1], A probabilidade S4 foi atribuída ao interior da zona contornada, e a probabilidade si foi atribuída às amostras fora deste contorno. Portanto, para exemplo, apenas dois valores de probabilidade são representados na distribuição global de probabilidades a priori.

[00188] Neste exemplo considera-se que o risco de ter esquecido de interpretar um objeto geológico do tipo buscado na imagem sísmica é de cerca de 40 por cento. De acordo com o modo de realização definido acima, isto equivalente a ficar a=0,6 (lembrando, a=1 corresponde ao caso em que o interpretador está seguro de ter determinado a localização de todos os objetos).

[00189] As probabilidades a posteriori por classe são examinadas a seguir. • Classe 1: [00190] A classe 1 corresponde ao motivo C1 da Figura 1. A probabilidade de que o contorno previamente realizado corresponde a 0,75 pontos do objeto buscado que foi estimado em . Fora desta o . superfície, a probabilidade e de . E, portanto, necessário, agora, estimar a proporção de pontos da classe 1 em cada uma das zonas de probabilidade a priori, isto é, a proporção p+1 =p(s+|c1) de pixels de q que está na zona de probabilidade a priori S4 =0,75, e a proporção p(si|Q) de pixels de q que está na zona de probabilidade a priori = o. Os outros valores de probabilidade a priori não estão representados em q, por conseguinte, as proporções pAjcj, p(s3|q) e pqjq) são todas nulas. Para este exemplo, a área da superfície segmentada com uma probabilidade a priori de 0 é baixa (cf. porção hachurada na Figura 2a). A zona da superfície segmentada com uma probabilidade a priori 0,75 é mais importante (cf. porção hachurada na Figura 2b). O cálculo de y±, probabilidade a posteriori associada à classe 1, leva em conta essa distribuição de valores e está ilustrada esquematicamente na Figura 2c. Para cada valor sfc de probabilidade a priori, a proporção de pontos da classe 1 tendo este valor está representada por um traço sobreposto por um círculo cinza. O valor acumulado dessas proporções (Σγε1*ζγι) está representado pela linha tracejada, e o círculo preto representa o primeiro ponto da curva de distribuição acumulada superior a Na verdade, o valor de determina o limiar para a busca de q tal como definido na seção 4 acima. Como determina-se q, (na ocorrência q = 3) e a probabilidade a posteriori yz da classe cr e, portanto, sq+i =0,75 . • Classe 2 [00191] A operação do processo de acordo com a invenção para a classe 2 (motivo C2 na Figura 1) é idêntica àquela apresentada para a classe 1. A Figura 3a ilustra a distribuição das amostras da imagem pertencente à classe 2 (cf. motivo C2 na Figura 1), em relação ao objeto previamente interpretado (delimitado pelo contorno cinza). O cálculo de y2, probabilidade a posteriori associada à classe 2, leva em conta essa distribuição de valores e está ilustrada esquematicamente na Figura 3b. O valor limítrofe é comparado à curva de distribuição acumulada ( Σ]ε1:Ιίρ}θ a probabilidade a posteriori y2 da classe c2 é, portanto,sq+i =0,75. • Classes 4, 5, e 6 [00192] O processo de acordo com a invenção é aplicado às classes 4, 5 e 6 (motivos C4, C5 e C6 na Figura 1). A Figura 4a ilustra a distribuição das amostras da imagem pertencentes a essas classes (cf. motivos C4, C5 e C6 na Figura 1). Nesses três casos, a interseção entre as zonas para as quais a probabilidade a priori da presença de um objeto de interesse e as zonas resultantes da etapa de classificação é vazia. Portanto, isto implica que y+ 5 6 = o. Em outras palavras, o primeiro ponto da curva de distribuição acumulada estando acima do limiar -V-, todos os pontos dessas zonas assumem como probabilidade a posteriori a abscissa desse primeiro ponto, ou seja = o, tal como ilustrado na Figura 4b. • Classe 3 [00193] Por fim, a classe 3 (cf. motivo C3 na Figura 1) só atravessa uma única superfície de probabilidade a priori, tal como apresentada na Figure 5a, mas, ao contrário das classes 4, 5 e 6, todos os seus pontos se encontram na probabilidade a priori S4 =0,75. A curva de distribuição acumulada (cf. Figura 5b) só sai do zero no nível de 0,75. Por conseguinte, sq=0,75 e a probabilidade a posteriori conservada para a classe 3 é sq+i=0,75.

Exemplo 2 [00194] Para este exemplo, os objetos geológicos devem ser delimitados em uma imagem sísmica 3D (um cubo sísmico 3D após empilhamento, ou ainda “post-stack" em inglês) e correspondem a depósitos sedimentares do tipo MTD (“mass transport deposits" ou “dépôts de transport de masse" em francês). Esses objetos são reconhecíveis por um interpretador com conhecimento das diferentes fácies sísmicas que eles contêm e disposição das mesmas. A imagem sísmica tem uma amostragem vertical de 4 ms, e uma distância inter-traços de 25 m nas duas direções (crossline, inline). As MTDs que se tenta detectar têm um tamanho de muitas dezenas de quilômetros em extensão lateral, e no máximo 100 ms de espessura. São usadas três seções 2D do cubo como imagens sísmicas de aprendizado (cf. Figura 6 que apresenta essas três imagens sísmicas de aprendizado A, B, e C). Um pixel de uma imagem sísmica tem, portanto, o tamanho de 4 ms x 25 m. Essas três seções sísmicas foram interpretadas por um interpretador, que delimitou as zonas de grande probabilidade a priori de pertencimento P a um objeto geológico do tipo MTD (zonas brancas na Figura 7 para as três imagens sísmicas de aprendizado A, B e C), uma probabilidade inferior (zonas cinza-escuro na Figura 7 para as três seções A, B e C) e zonas que não compreendem MTD (zonas pretas na Figura 7 para as três imagens sísmicas de aprendizado A, B e C). [00195] Para este exemplo ilustrativo, são usados atributos texturais, do tipo GLCM tais como definidos acima. Em particular, são usados os atributos texturais tradicionalmente denominados “Contraste", “Correlação", “Energia" e “Homogeneidade" (vide, por exemplo, os documentos (Haralick, 1976; West e al., 2002)). Escolhe-se uma janela de estudo (a vizinha em torno do pixel, na qual será calculada a matriz de co-ocorrência) de 11 x 11 pixels. São utilizadas duas escalas diferentes: de distâncias de d=1 e de d=2 pixels. Para cada escala, são usadas todas as orientações teta possíveis (4 orientações possíveis para a escala 1 e 8 para a escala 2). Para o cálculo, é necessário limitar o número de níveis possíveis para os valores de amplitude sísmicos (níveis de cinza). Este número é sempre 256, ou 64, ou 8 pelo menos; no presente caso, foram escolhidos apenas dois níveis de cinza. Os cálculos são, portanto, mais curtos, pois o tempo de cálculo dos atributos GLCM aumenta com o quadrado do número de níveis de cinza. Para compensar a perda de informação de amplitude, ao conjunto de atributos GLCM é acrescentado um atributo proveniente do envelope do sinal sísmico: para um pixel, é o resultado da filtragem gaussiana da imagem do envelope sísmico, com um núcleo gaussiano 2D, de tamanho pressão próximo da janela de 11 x 11 pixels. Os atributos GLCM, bem como o atributo baseado no envelope, são calculados para todos os pixels da imagem de aprendizado. Os atributos são em seguida normalizados.

[00196] Para este modo de realização da invenção, a dimensão do espaço dos atributos é reduzida. Para tanto, usa-se a análise dos componentes principais (ACP), que é aplicada separadamente aos atributos provenientes das escalas d=1 e d=2. O atributo proveniente do envelope é deixado de fora na ACP. Para cada uma das duas escalas, conserva-se apenas os vetores próprios cuja soma acumulada dos valores próprios normalizados é superior a 0,97. Tem-se assim três níveis de atributos para a escala d=1 e 6 para a escala d=2. São atribuídos pesos de 0,5 aos atributos da escala 2 (para garantir uma representação igual das escalas 1 e 2), e a este conjunto nove atributos novos são acrescentados aquele proveniente do envelope, com peso 3. [00197] Portanto, a base do novo espaço de atributos é constituída desses 10 vetores próprios: os três primeiros próprios provenientes da ACP na escala 1, os 6 seguintes (com peso 0,5), provenientes da ACP na escala 2, e o último, proveniente do envelope, com peso 3.

[00198] Em seguida é aplicado um algoritmo de classificação não supervisionada do tipo GTM (“Generative Topographic Mapping", e abreviado “GTM") tal como definido acima, em sua versão 2D (a variedade criada será de dimensão 2). Determina-se assim para cada pixel de cada imagem de aprendizado, um rótulo de classe dentre 49 classes (cf. Figura 8 que apresenta a distribuição das 49 classes em cada uma das imagens sísmicas de aprendizado A, B, e C).

[00199] Em seguida é aplicado o modo de realização preferido do processo de acordo com a invenção, tal como descrito na etapa 4, para atribuir a cada classe uma probabilidade a posteriori da presença de objetos. O parâmetro α é fixado em 0,8 (grau de confiança na interpretação). Em seguida, é determinada, para cada classe, a probabilidade a posteriori associada. A Figura 9 apresenta as probabilidades a posteriori P' assim obtidas para cada uma das imagens sísmicas de aprendizado A, B e C.

[00200] Em seguida as probabilidades a posteriori assim determinadas para cada uma das imagens sísmicas de aprendizado são “extrapoladas" para uma série de 72 seções 2D paralelas extraídas do cubo sísmico 3D, que são vantajosamente paralelas às imagens de aprendizado. As seções são extraídas com uma amostragem de uma seção a cada 250 m (1 seção em 10), que é bastante fina em relação ao tamanho dos objetos buscados. A Figura 10 representa uma parte dessas seções cobertas de probabilidades a posteriori P'.

[00201] A título ilustrativo e para determinar um volume sísmico completo, cada seção é replicada 10 vezes, para representar o volume sísmico 3D global. Uma interpolação dos valores das probabilidades a posteriori entre cada seção poderia ter sido vantajosamente efetuada. Em seguida, um pós-tratamento por limiarização é aplicado aos valores das probabilidades. Mais exatamente, para este exemplo, são conservados somente os pixels cujas probabilidades a posteriori são iguais a 1, seguido de uma limiarização do tamanho dos objetos e da distribuição dos números de classe no interior dos objetos.

[00202] Obtém-se a delimitação das MTDs buscadas apresentada na Figura 11. Pode-se observar que o processo de acordo com a invenção possibilitou assim (i) delimitar automaticamente esses objetos sem omitir qualquer parte por causa da diferença de fácies, e (ii) conservar as informações relativas a essas fácies variadas no interior do objeto delimitado, o que é útil em seguida para interpretação das propriedades do objeto.

REIVINDICAÇÕES

Claims

1. Processo operado por computador para a detecção automática de pelo menos um objeto geológico pertencente a um tipo de um objeto geológico em pelo menos uma imagem sísmica de uma formação subterrânea, a partir de probabilidades a priori de pertencimento ao referido tipo de objeto geológico atribuído a cada uma das amostras da referida imagem, caracterizado pelo fato de que é realizada pelo menos uma das seguintes etapas: A. Definir uma transformação da referida imagem em uma pluralidade de atributos sísmicos e aplicar a referida transformação para determinar uma pluralidade de atributos sísmicos da referida imagem; B. Aplicar uma classificação não supervisionada aos referidos atributos sísmicos da referida imagem e determinar uma classe para cada uma das referidas amostras da referida imagem; C. Para cada uma das referidas classes, determinar uma probabilidade a posteriori de pertencimento das referidas amostras da referida classe ao referido tipo de objeto geológico em função das referidas probabilidades a priori das referidas amostras a referida imagem pertencente à referida classe, da referida classe, e de um parâmetro α descrevendo uma confiança nas referidas probabilidades a priori; D. Para cada amostra da referida imagem, a partir da referida classe da referida amostra, atribuir à referida amostra a referida probabilidade a posteriori de pertencimento ao referido tipo de objeto geológico determinado pelas referidas amostras da referida classe; e onde o referido objeto geológico pertencente ao referido tipo de objeto geológico é detectado a partir das referidas probabilidades a posteriori de pertencimento ao referido tipo de objeto geológico determinado para cada uma das referidas amostras da referida imagem.

2. Processo de acordo com a reivindicação 1, caracterizado pelo fato de que a referida probabilidade a posteriori probabilidade a posteriori de pertencimento das referidas amostras da referida classe /' ao referido tipo de objeto geológico é determinado da seguinte maneira: determina-se - x é um vetor contendo um valor da referida probabilidade de pertencimento a priori para cada amostra da referida imagem sísmica; - l é um vetor contendo para cada uma das referidas amostras da referida imagem sísmica um identificador da referida classe à qual a referida amostra pertence; - £ = (5^52....5,3=(5^,^6 1:71} com 0 = Sj_ < 52 <... < £„ = 1, O conjunto de valores assumidos pelos elementos do referido vetor ,v; - c.,i e l a referida classe do identificador;; - Pk.i = p(skΙΟ- θ proporção dos pontos de ct tendo para valor de probabilidade a priori sfc;

3. Processo de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que os referidos atributos sísmicos são atributos texturais.

4. Processo de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que uma redução de dimensão é aplicada aos referidos atributos determinados pela referida transformação.

5. Processo de acordo com a reivindicação 4, caracterizado pelo fato de que a referida redução de dimensão é realizada por meio de uma análise dos componentes principais.

6. Processo de acordo com a reivindicação 4, caracterizado pelo fato de que a referida redução de dimensão é realizada por meio de uma análise de um método de seleção de atributos.

7. Processo de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que o referido método de classificação não supervisionado é um método de cartas topográficas geratrizes.

8. Processo de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que pelo menos uma das referidas etapas A) a D) é aplicada a uma primeira imagem sísmica, e onde pelo menos as referidas etapas subsequentes são aplicadas a uma segunda imagem sísmica: I. aplicar a referida transformação em atributos sísmicos à referida segunda imagem para determinar uma pluralidade de atributos sísmicos da referida segunda imagem; II. aplicar a referida classificação não supervisionada aos referidos atributos da referida segunda imagem e determinar uma classe para cada uma das referidas amostras da referida segunda imagem; III. para cada uma das referidas classes da referida segunda imagem e para cada uma das referidas amostras da referida segunda imagem pertencente à referida classe, atribuir a referida probabilidade de pertencimento ao referido tipo de objeto geológico determinado para a referida classe na referida primeira imagem.

9. Processo de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que os referidos objetos geológicos pertencentes ao referido tipo de objeto geológico na referida pelo menos uma imagem são detectados por meio de um método de limiarização aplicado aos valores das referidas probabilidades a posteriori de pertencimento ao referido tipo de objeto geológico determinados para cada uma das referidas amostras da referida pelo menos uma imagem.

10. Processo de exploração de uma formação subterrânea compreendendo hidrocarbonetos, por meio de pelo menos uma imagem sísmica relativa à referida formação, caracterizado pelo fato de que: - na referida imagem sísmica objetos geológicos pertencentes a pelo menos um tipo de objeto geológico são detectados na referida imagem sísmica por meio do processo como definido em qualquer uma das reivindicações 1 a 9, - um modelo geológico representativo da referida formação é definido a partir de pelo menos um dos referidos objetos geológicos detectados e um esquema de exploração dos referidos hidrocarbonetos da referida formação é definida a partir de pelo menos o referido modelo geológico; - os referidos hidrocarbonetos da referida formação são explorados de acordo com o referido esquema de exploração.

11. Produto programa de computador telecarregável desde uma rede de comunicação e/ou registrado em um suporte legível por computador e/ou executável por um processador, caracterizado pelo fato de que compreende instruções de código de programa para colocar em operação o processo como definido em qualquer uma das reivindicações precedentes, quando o referido programa for executado em um computador.