Aplicación de Time Lag FWI para la construcción de modelos de velocidad en Perdido: un estudio de caso de aguas profundas del sur del Golfo de México.
En la última década hemos visto muchos ejemplos exitosos de Inversión de Forma de Onda Completa (FWI) en una amplia gama de conjuntos de datos.
Todos los ejemplos anteriores en los que se utilizó la FWI se centraron en las mejoras de las secciones de sedimentos de sobrecarga y; por lo general, se adoptó un enfoque interpretativo para identificar los cuerpos de sal.
Dentro de un entorno geológico complejo en el que no existe una interfaz sedimento-sal clara, este enfoque interpretativo es propenso a errores y; a menudo, se interpretan y evalúan múltiples escenarios de formas de sal utilizando la Migración en Tiempo Inverso (RTM).
La FWI para la forma de la sal sufre debido a la inconsistencia de la amplitud y la falta de frecuencias bajas en los datos necesarios para superar los errores de velocidad a gran escala.
Hasta hace poco, la actualización de la forma de la sal utilizando FWI se ha limitado sólo a estudios sintéticos 2D; cuando hay una frecuencia extremadamente baja (0.5 Hz).
Recientemente, los resultados de FWI de Shen utilizando OBN con desplazamientos ultra largos con baja frecuencia; demostraron que FWI podría actualizar efectivamente la forma de la sal con datos apropiados, un buen modelo de partida y un buen algoritmo FWI.
Te puede interesar: Desarrollo de estrategias para reducir el riesgo en instalaciones
En este estudio se mostró un enfoque impulsado por los datos para la construcción de modelos utilizando el algoritmo FWI con desfase temporal (TLFWI); que actualizó la forma de la sal basándose en el algoritmo presentado por Zhang et al 2017.
Esta novedosa técnica de FWI minimizó dos problemas conocidos de FWI: la omisión de ciclos y la fuga de amplitud cuando se utilizan datos de reflexión para la inversión.
Utilizamos dos sondeos WAZ ortogonales que proporcionaron una mejor compensación de la iluminación en un entorno geológico complejo; y mostraron cómo TLFWI puede utilizarse para actualizar la forma de la sal y otros grandes errores de velocidad, mejorando así la imagen del subsal.
Para la profundidad más allá de la penetración de las ondas de buceo, utilizamos la FWI de reflexión (RFWI); para ampliar aún más el alcance de la FWI y resolver los errores cinemáticos para eventos más profundos.
Nuestros ejemplos utilizaron un flujo de actualización de velocidad impulsado por datos del estudio Perdido de las aguas mexicanas del Golfo de México (GoM).
Las prospecciones NS y EW proporcioron una buena cobertura azimutal que ayuda a resolver el problema de la iluminación en un entorno geológico complejo y; por tanto, a mejorar el modelo y la imagen del subsal.
La prospección NS de 2017 con la adquisición de la embarcación líder amplió el alcance de la energía de inmersión con desplazamientos disponibles de hasta 14 km, algo crucial para la actualización de la FWI.
Te puede interesar: Control geológico en perforación del eoceno medio en pozos offShore
Como mencionamos, en este estudio, presentamos un flujo de actualización de la velocidad iterativa que es principalmente impulsado por los datos de WAZ.
Mostramos cómo TLFWI puede minimizar el impacto de la fuga de amplitud y la omisión de ciclos y puede ser utilizado iterativamente para la actualización de la sal.
TLFWI puede utilizar información tanto de la energía de inmersión como de la energía de reflexión; para guiar la interpretación de la sal proporcionando pistas cruciales cuando hay grandes errores de velocidad.
En la sección subsalina con falta de energía de inmersión y gran error de velocidad, la FWI basada en la reflexión puede proporcionar un mejor modelo. Ayuda a proporcionar una resolución lateral en el modelo.
La RFWI se utilizó junto con la forma de la sal y la actualización de los carbonatos de forma iterativa también; lo que ayudó a mejorar la imagen del subsal.
Si los datos adquiridos consisten en una buena energía de bajas frecuencias, un desplazamiento más largo y un azimut completo; la dependencia de un enfoque iterativo puede reducirse.
Time Lag FWI podría potencialmente invertir el modelo de velocidad directamente cuando el modelo de partida es lo suficientemente cercano.
Los ingenieros Ravi Kumar, Vivek Vandrasi, Don Dobesh, Huifeng Zhu, Alfredo Vázquez y Karla Rosas presentaron el trabajo en la reciente edición del Congreso Mexicano del Petróleo (CMP).
