Une comparaison des techniques de classification pour la reconnaissance des faciès sismiques

Résumé Au cours de la dernière décennie, la taille des volumes de données sismiques 3D et le nombre d'attributs sismiques ont augmenté au point qu'il est difficile, voire impossible, pour les interprètes d'examiner chaque ligne sismique et chaque tranche temporelle. Pour résoudre ce problème, plusieurs algorithmes de classification des faciès sismiques, y compris les k-means, les cartes auto-organisatrices, la cartographie topographique générative, les machines à vecteurs de support, les modèles de mélange gaussien et les réseaux de neurones artificiels, ont été utilisés avec succès pour extraire des caractéristiques d'intérêt géologique à partir de plusieurs volumes. Bien que ces algorithmes soient bien documentés dans la littérature, leur terminologie et leur complexité peuvent dérouter l'interprète sismique moyen et peu de papiers ont appliqué ces méthodes concurrentes au même volume de données. Nous avons passé en revue six algorithmes couramment utilisés et les avons appliqués à un unique volume de données sismiques 3D acquis dans le bassin de Canterbury, au large de la Nouvelle-Zélande, où l'un des principaux objectifs était de différencier les éléments architecturaux d'un système turbiditique. Il n'est pas surprenant que le paramètre le plus important dans cette analyse était le choix des attributs d'entrée corrects, qui dépendait à son tour d'une reconnaissance de motifs soigneuse par l'interprète. Nous avons constaté que les méthodes d'apprentissage supervisé fournissaient des estimations précises des faciès sismiques désirés, tandis que les méthodes d'apprentissage non supervisé mettaient également en évidence des caractéristiques qui auraient pu autrement être négligées.