Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2023028368 - CONCEPTION DE PROSPECTION PAR RECONSTRUCTION DE DONNÉES RÉPÉTITIVES ET ACQUISITION DE DONNÉES RÉPÉTITIVES POUR LA SURVEILLANCE DES ÉMISSIONS DE CO2

Numéro de publication WO/2023/028368
Date de publication 02.03.2023
N° de la demande internationale PCT/US2022/041893
Date du dépôt international 29.08.2022
CIB
G06V 10/774 2022.1
G06V 10/82 2022.1
G01V 1/30 2006.1
GPHYSIQUE
01MÉTROLOGIE; TESTS
VGÉOPHYSIQUE; MESURE DE LA GRAVITATION; DÉTECTION DES MASSES OU OBJETS; MARQUES D'IDENTIFICATION
1Séismologie; Prospection ou détection sismique ou acoustique
28Traitement des données sismiques, p.ex. pour analyse, pour interprétation, pour correction
30Analyse
G01V 1/48 2006.1
GPHYSIQUE
01MÉTROLOGIE; TESTS
VGÉOPHYSIQUE; MESURE DE LA GRAVITATION; DÉTECTION DES MASSES OU OBJETS; MARQUES D'IDENTIFICATION
1Séismologie; Prospection ou détection sismique ou acoustique
40spécialement adaptées au carottage
44en utilisant des générateurs et des récepteurs situés dans le même puits
48Traitement des données
Déposants
  • SCHLUMBERGER TECHNOLOGY CORPORATION [US]/[US] (US)
  • SCHLUMBERGER CANADA LIMITED [CA]/[CA] (CA)
  • SERVICES PETROLIERS SCHLUMBERGER [FR]/[FR] (FR)
  • GEOQUEST SYSTEMS B.V. [NL]/[NL] (AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BE, BF, BG, BH, BJ, BN, BR, BW, BY, BZ, CF, CG, CH, CI, CL, CM, CN, CO, CR, CU, CV, CY, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GA, GB, GD, GE, GH, GM, GN, GQ, GR, GT, GW, HN, HR, HU, ID, IE, IL, IN, IQ, IR, IS, IT, JM, JO, JP, KE, KG, KH, KM, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LT, LU, LV, LY, MA, MC, MD, ME, MG, MK, ML, MN, MR, MT, MW, MX, MY, MZ, NA, NE, NG, NI, NL, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SI, SK, SL, SM, SN, ST, SV, SY, SZ, TD, TG, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, UZ, VC, VN, WS, ZA, ZM, ZW)
Inventeurs
  • HU, Wenyi
  • ABUBAKAR, Aria
  • DI, Haibin
  • LI, Zhun
  • LI, Cen
Mandataires
  • PATEL, Julie D.
  • GEX, Gary
Données relatives à la priorité
63/260,62927.08.2021US
Langue de publication Anglais (en)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) TIME LAPSE DATA RECONSTRUCTION AND TIME LAPSE DATA ACQUISITION SURVEY DESIGN FOR CO2 MONITORING
(FR) CONCEPTION DE PROSPECTION PAR RECONSTRUCTION DE DONNÉES RÉPÉTITIVES ET ACQUISITION DE DONNÉES RÉPÉTITIVES POUR LA SURVEILLANCE DES ÉMISSIONS DE CO2
Abrégé
(EN) A method for seismic surveying includes receiving a baseline dataset and a plurality of sparse monitoring datasets, generating a decimated baseline dataset by removing one or more sources, receivers, or both from the baseline dataset, generating a reconstructed baseline dataset by inputting the decimated baseline dataset into a machine learning model, generating reconstructed monitoring datasets by inputting the plurality of sparse monitoring datasets to the machine learning model, the machine learning model having been trained based on a comparison of the reconstructed baseline dataset to the baseline seismic dataset, determining accuracies for the plurality of sparse monitoring datasets by comparing the reconstructed monitoring datasets to the baseline dataset, and selecting one or more survey geometries for arranging physical sources and physical receivers in a seismic survey based at least in part on the accuracies of the plurality of sparse monitoring datasets.
(FR) Un procédé de prospection sismique consiste à recevoir un ensemble de données de référence et une pluralité d'ensembles de données de surveillance éparses, à générer un ensemble de données de référence décimé par élimination d'une ou plusieurs sources et/ou récepteurs de l'ensemble de données de référence, à générer un ensemble de données de référence reconstruit par entrée de l'ensemble de données de référence décimé dans un modèle d'apprentissage automatique, à générer des ensembles de données de surveillance reconstruits par entrée de la pluralité d'ensembles de données de surveillance éparses dans le modèle d'apprentissage automatique, le modèle d'apprentissage automatique ayant été formé sur la base d'une comparaison de l'ensemble de données de référence reconstruit à l'ensemble de données sismiques de référence, à déterminer des exactitudes pour la pluralité d'ensembles de données de surveillance éparses par comparaison des ensembles de données de surveillance reconstruits à l'ensemble de données de référence, et à sélectionner une ou plusieurs géométries de prospection pour organiser des sources physiques et des récepteurs physiques dans une prospection sismique au moins en partie sur la base des exactitudes de la pluralité d'ensembles de données de surveillance éparses.
Dernières données bibliographiques dont dispose le Bureau international