Quantitative seismic interpretation in thin-bedded geology using full-wavefield elastic modelling

Abstract

Refleksjonsseismikk brukes til å lage seismiske «bilder» av den øverste delen av jordskorpen, blant annet med tanke på leting etter reservoarer for olje, gass, karbonlagring og geotermisk energi. I tillegg til å gi grunnlag for en strukturell tolkning, kan de seismiske dataene brukes til å kvantifisere egenskapene til det faste materialet og væskeinnholdet i bergartene. Et viktig verktøy i slik kvantitativ seismisk tolkning er analyse av såkalt AVO: amplitudenes variasjon med avstanden mellom kilde og mottaker (offset). Tynne geologiske lag gir utfordringer for AVO-modellering og tolkning, fordi lagtykkelsen vil kunne være mindre enn oppløsningen i de seismiske dataene. En problemstilling som tas opp i denne avhandlingen er nettopp hvordan man kan gjøre nøyaktig seismisk (forover) modellering i medier med tynne lag. En konvensjonell tilnærming innen AVO- modellering og inversjon er å bruke såkalt konvolusjonsmodellering. Denne metoden tar imidlertid bare hensyn til de primære seismiske refleksjonene og er derfor unøyaktig når modellene har tynne lag. To bedre alternativer er endelig-differanse-modellering og reflektivitetsmetoden. Reflektivitetsmetoden er en delvis analytisk modelleringsmetode for horisontalt lagdelte medier og er beregningsmessig billigere enn endelig-differansemodellering, der beregningene er basert på et tett samplet rutenett (grid). Jeg viser i avhandlingen at reflektivitetsmetoden er godt egnet for AVO-modellering i lagdelte medier. Seismiske data har en båndbegrenset karakter. En konsekvens er at beregning av reservoaregenskaper fra seismiske data generelt ikke er entydig, noe som særlig kommer til uttrykk for lagdelt geologi med tynne lag. Probabilistiske inversjonsmetoder, som for eksempel bayesianske metoder, tar hensyn til denne flertydigheten ved å forutsi sannsynligheter, noe som gjør det mulig a kvantisere usikkerheten. I avhandlingen kombinerer jeg seismisk modellering med bayesiansk klassifisering og inversjon. Modelleringen er utført med reflektivitetsmetoden og er basert på det komplette elastiske bølgefeltet. Formålet er å adressere to konkrete kvantitative seismiske tolkningsproblemer: 1) kvantifisering av usikkerhet i bayesiansk porevæske-klassifisering i nærvær av tynne lag med høy impedans, forårsaket av kalsittsementering i sandstein, og 2) estimering av reservoaregenskapene til turbiditt-reservoarer karakterisert ved alternerende lag av sandstein og skifer. I den første anvendelsen viser jeg i en modelleringsstudie at kalsitt-sementerte lag kan gi en detekterbar refleksjonsrespons, noe som kan påvirke amplituden målt ved reservoartoppen og dermed forstyrre AVO-målingen. Den observerte effekten øker usikkerheten ved porevæske-klassifisering basert på AVO-attributter, som jeg har demonstrert i en case-studie. Følgelig øker sannsynligheten for en falsk hydrokarbon-indikasjon betydelig i nærvær av kalsittsementerte lag. I den andre anvendelsen presenterer jeg en bayesiansk inversjon som tar AVO-skjæringspunktet og gradienten målt på toppen av et reservoar som inngangsdata og estimerer sannsynlighetstetthetsfunksjonen til forholdstallene «net-to-gross» og «net-pay-to-net». Metoden ble anvendt på syntetiske data og AVO-attributtkart fra Jotunfeltet på norsk kontinentalsokkel. Det ble funnet at AVO-gradienten korrelerer med reservoarets net-togross forhold, mens AVO-skjæringspunktet er mest følsomt for typen porevæske. Etter inversjon genererte jeg kart over de mest sannsynlige verdiene av forholdene net-to-gross og net-pay-to-net, samt kart over net pay og usikkerhetene. Disse kartene kan bidra til å identifisere potensielle soner med høy reservoarkvalitet og hydrokarbonmetning.

Reflection seismics is used to image the subsurface for the exploration of oil and gas, geothermal or carbon storage reservoirs, among others. In addition to the structural interpretation of the resulting seismic images, the seismic data can be interpreted quantitatively with the goal to obtain rock and fluid properties. An essential tool in quantitative seismic interpretation is the analysis of the amplitude variation with offset (AVO). Thin-bedded geology below the seismic resolution poses challenges for AVO modelling and interpretation. One problem addressed in this thesis is accurate seismic forward modelling in thin-bedded media. Primaries-only convolutional modelling, commonly used in conventional AVO modelling and inversion, is prone to failure in the presence of thin beds. Better alternatives are finite-difference modelling or the reflectivity method. The reflectivity method is a semi-analytic modelling method for horizontally layered media and is computationally cheaper than finite-difference modelling on densely sampled grids. I show in this thesis that the reflectivity method is well-suited for the AVO modelling of layered media. The band-limited nature of seismic data is one reason for the non-unique estimation of reservoir properties from seismic data, especially in thin-bedded geology. Probabilistic inversion methods, such as Bayesian methods, honour this non-uniqueness by predicting probabilities that allow the uncertainty to be quantified. In this thesis, I integrate full-wavefield elastic seismic modelling by the reflectivity method with Bayesian classification and inversion. The objective is to address two concrete quantitative seismic interpretation problems: 1) the uncertainty quantification of Bayesian pore-fluid classification in the presence of thin high-impedance layers caused by calcite cementation in sandstone, and 2) the estimation of reservoir properties of turbidite reservoirs characterised by sand-shale interbedding. In the first application, I show through a modelling study that calcite-cemented beds lead to detectable reflection responses that can interfere with the target reflection at the reservoir top and thereby perturb the AVO behaviour. The observed effect increases the uncertainty of pore-fluid classification based on AVO attributes, as demonstrated by a case study. Consequently, the probability of a false hydrocarbon indication is significantly increased in the presence of calcite-cemented beds. In the second application, I present a Bayesian inversion that takes the AVO intercept and gradient measured at the top of a reservoir as input and estimates the probability density function of the net-to-gross ratio and the net-pay-to-net ratio. The method was applied to synthetic data and AVO attribute maps from the Jotun field on the Norwegian Continental Shelf. It was found that the AVO gradient correlates with the net-to-gross ratio of the reservoir, while the AVO intercept is most sensitive to the type of pore fluid. After inversion, maps of the most-likely values of the net-to-gross ratio, net-pay-to-net ratio, net pay and the uncertainty could be generated. These maps help to identify potential zones of high reservoir quality and hydrocarbon saturation.