Удаление шума в 4D fast-track изображениях с использованием условной GAN: пример докембрийского (pre-salt) бассейна Бразилии

Обработка временных (4D) данных может занимать многие месяцы, поскольку изменения в резервуаре имеют малую амплитуду и достижение наилучшей воспроизводимости является критическим фактором успеха. Быстрая (fast-track) обработка иногда выполняется для получения ценных промежуточных результатов для интерпретации и принятия решений, хотя такие результаты могут быть не оптимальны по сравнению с итоговой обработкой. В настоящем исследовании мы предлагаем новый метод удаления шума в 4D fast-track изображениях с использованием условной генеративно-состязательной сети (cGAN) pix2pix. Мы рассматриваем подавление 4D шума как задачу преобразования изображение-в-изображение между базовым (baseline) и мониторинговым (monitor) съемками, где мониторинговое изображение преобразуется в изображение baseline с целью минимизации 4D различий, вызванных эффектами неповторяемости. Модель обучается с использованием мониторингового fast-track изображения в качестве входа и baseline fast-track в качестве цели, с применением L1 расстояния в качестве фактора кондиционирования для подавления 4D шума при сохранении изменений, связанных с резервуаром. Мы валидируем наш подход на 4D OBN наборе данных из бразильского pre-salt бассейна. Результаты показывают, что наш метод обеспечивает существенное повышение качества 4D fast-track данных, позволяя получить улучшенную 4D сейсмическую картину всего после нескольких часов обучения.