Artificial intelligence methods for predicting hydrocarbon deposits  from three-dimensional seismic images

I.S. Dmytriieva; A.M. Dmytrenko

doi:10.34185/1562-9945-4-159-2025-16

Автор(и)

I.S. Dmytriieva
A.M. Dmytrenko

DOI:

https://doi.org/10.34185/1562-9945-4-159-2025-16

Ключові слова:

штучний інтелект, тривимірні сейсмічні зображення, вуглеводні, прогнозування покладів, згорткові нейронні мережі, рекурентні нейронні мережі, мережі трансформерів, графові нейронні мережі, фізично-інформовані нейронні мережі, сей-смічні атрибути, спектральне розкладання, трансферне навчання, генеративні змага-льні мережі.

Анотація

Ця стаття висвітлює застосування методів штучного інтелекту для прогнозування покладів вуглеводнів з тривимірних сейсмічних зображень. У дослідженні розглядаються сучасні досягнення в галузі ШІ для інтерпретації сейсмічних даних, включаючи згорткові, рекурентні, графові нейронні мережі та трансформери. Автори аналізують існуючі обмеження, зокрема проблеми з якістю та кількістю навчальних даних, складнощі узагальнення та інтерпретації результатів. Стаття розглядає ме-тоди попередньої обробки та інженерії ознак сейсмічних зображень, стратегії робо-ти з обмеженими даними та окреслює перспективні напрямки для майбутніх дослі-джень у цій сфері.

Посилання

“Machine Learning in Oil and Gas Exploration - A Review”, Ahmad Lawal, Yingjie Yang, Hongmei He, Nathaniel L. Baisa, January 2024, IEEE Access PP(99):1-1, DOI:10.1109/ACCESS.2023.3349216.

“Enhancing Oil And Gas Exploration Efficiency Through Ai-Driven Seismic Imaging And Data Analysis”, Gideon Oluseyi Daramola, Boma Sonimiteim Jacks, Olakunle Abayomi Ajala, Abiodun Emmanuel Akinoso, Engineering Science & Technology Journal, P-ISSN: 2708-8944, E-ISSN: 2708-8952, Volume 5, Issue 4, P.No. 1473-1486, April 2024, DOI: 10.51594/estj/v5i4.1077.

“Artificial Intelligence Transforms Seismic Interpretation”, Fatma Ahmed, Egypt Oil and Gas Group.

“Machine learning for seismic exploration: Where are we and how far are we from the holy grail?”, Farbod Khosro Anjom, Francesco Vaccarino, Laura Valentina Socco. Geophysics (2024) 89 (1): WA157–WA178, doi.org/10.1190/geo2023-0129.1.

“A Review of AI Applications in Unconventional Oil and Gas Exploration and Develop-ment”, Feiyu Chen, Linghui Sun, Boyu Jiang, Xu Huo, Xiuxiu Pan, Chun Feng, Zhirong Zhang. Energies 2025, 18(2), 391. doi.org/10.3390/en18020391.

“A novel seismic inversion method based on multiple attributes and machine learning for hydrocarbon reservoir prediction”, Zongbin Liu, Jianmin Zhu, Bo Tian, Rui Zhang, Yong-heng Fu, Yuan Liu, Front. Earth Sci., December 2024, Sec. Economic Geology, Volume 12 - 2024, doi.org/10.3389/feart.2024.1498164

“Transformer and CNN Hybrid Neural Network for Seismic Impedance Inversion”, Chun-yu Ning, Bangyu Wu, Zhaolin Zhu, DOI:10.1109/IGARSS52108.2023.10281611, IGARSS 2023 - 2023 IEEE International Geoscience and Remote Sensing Symposium.

“The Impact of Artificial Intelligence and Machine Learning on Reservoir Characteriza-tion”, Chibuzo Valeria Ahaneku, Chibuike Dominic Muogbo, Humphrey Chukwuma Anozie, July 2024, International Journal of Research and Innovation in Applied Science IX(VII/July 2024):612, DOI:10.51584/IJRIAS.2024.907052.

“Fault Detection via 2.5D Transformer U-Net with Seismic Data Pre-Processing”, Zhanxin Tang, Bangyu Wu, Weihua Wu, Debo Ma, Remote Sens. 2023, 15(4), 1039; doi.org/10.3390/rs15041039.

Dmytriieva I.S., Dmytrenko A.M. Using The Method Of Support Vectors On The Example Of Predicting The Properties Of Hydrocarbon Deposits / Proceedings of the International Scientific and Technical Conference Information Technologies in Metallurgy and Machine Building-ITMM 2024. April 2024. Dnipro. р. 227-231; DOI: 10.34185/1991-7848.itmm.2024.01.040