La sezione Italiana EAGE-SEG intervista Massimo Fervari sulle applicazioni correnti e le future prospettive delle tecniche di Seismic Inversion, una branca scientifica che ha un enorme impatto sulle attività E&P delle compagnie energetiche. La disciplina di Seismic Inversion ha molte applicazioni in ambito Oil & Gas e non solo… Certamente Massimo è uno degli esperti più interessanti da intervistare in questo settore.
La sezione Italiana EAGE-SEG intervista Massimo Fervari sulle applicazioni correnti e le future prospettive delle tecniche di Seismic Inversion, una branca scientifica che ha un enorme impatto sulle attività E&P delle compagnie energetiche. La disciplina di Seismic Inversion ha molte applicazioni in ambito Oil & Gas e non solo… Certamente Massimo è uno degli esperti più interessanti da intervistare in questo settore.
Quali sono le principali metodologie e tecniche di Seismic Inversion che vengono implementate nei processi industriali di Eni?
In Eni il Processo di Inversione e di descrizione quantitativa delle proprietà di reservoir è radicato alla fine degli anni ’80, con le sperimentazioni su dati 2d e sui primi volumi 3d, e rappresenta ancora oggi il core delle attività di Seismic Reservoir Characterization, siano esse indirizzate a supporto di team esplorativi (coprendo attività di litho-fluid derisking, prospect assessment e ranking nelle attività di ricerca, e di reservoir delineation nelle fasi di appraisal) e di team di sviluppo (attività finalizzata a supportare la costruzione del modello di reservoir, al suo continuo updating, al monitoring delle attività di produzione, e nelle fasi operative di execution, di derisking e ottimizzazione delle traiettorie dei pozzi di sviluppo e di infilling.
At Eni, the process of inversion and quantitative description of the reservoir properties is rooted in the late 1980s, with experiments on 2D data and the first 3D volumes. It still represents the core of Seismic Reservoir Characterization activities.
Le metodologie utilizzate si basano su un’ampia gamma di workflow ed algoritmi diversi, che utilizzano i dati sismici (pre-stack, partial stack o full stack) in modo sequenziale o simultaneo, e possono essere organizzate in tre grandi gruppi:
approcci deterministici … quelli più convenzionali, che includono soluzioni acustiche o elastiche e ad esempio approcci Model Based o Sparse Spike Inversion (parte algoritmica);
approcci probabilistici, che utilizzano l’inferenza bayesiana per misurare l’incertezza associata al modello più probabile;
approcci geostatistici, che uniscono alle tecniche precedenti un utilizzo più spinto dell’informazione di pozzo (attraverso la sua variografia) per aumentare il potere risolvente del dato modellizzato, avvalendosi allo stesso tempo di approcci di campionamento della distribuzione di probabilità più avanzati, quali ad es. algoritmi di Monte Carlo Markov Chain (MCMC) funzionali per la ricerca di funzioni obiettivo complesse in problemi inversi non lineari.
Classicamente l’approccio deterministico viene organizzato in due step:
- Transformatione dei dati sismici in parametri elastici;
- Calibratione e classificatione dei parametri elastici del reservoir (incluse le facies) o indicatori litologici/fluidi, usando tecnologie differenti (statistiche, probabilistiche, neuronali, etc.).
Relativamente agli approcci probabilistici, per la derivazione delle proprietà lito-petrofisiche e del modello di facies, sono disponibili flussi di lavoro sia multi-steps, che “single loop”, approccio che assimila le incertezze misurate ad ogni step e fornisce un modello elastico ed un modello petrofisico medio (o di facies) a posteriori, condizionato, con relativa incertezza associata per ogni variabile.
Sono poi disponibili approcci geostatistci, che generano realizzazioni equiprobabili di parametri elastici e di facies, ottenuti jointly, utilizzabili singolarmente o globalmente per definire scenari desiderati, attraverso il ranking di variabili specifiche (ad es. N/G, porosità, ecc..), condizionando la modellizzazione di reservoir ed indirizzando l’analisi dell’incertezza del modello.
In alcuni casi (sempre per quanto riguarda l’approccio geostatistico), lo stack delle realizzazioni equiprobabili può permettere di tornare ad un framework pseudo-probabilistico di facies, che preserva comunque una maggiore risoluzione verticale, utilizzabile come trend sismico nel modello.
In aggiunta, esistono molti altri metodi di seismic inversion:
- Extended Elastic Impedance;
- Gradient Impedance;
- Rotational approaches delle proprietà elastiche, che ottimizzano la descrizione dei componenti lito/petrofisici e delle proprietà dei fluidi. Questi fattori supportano, insieme ad altre technologie AVO, il de-risking esplorativo e l’analisi sismico-quantitativa per la fluid predicion.
Un campo particolare è quello legato all’applicazione dei metodi di inversione sismica a studi 4D e Time Lapse, per progetti di reservoir monitoring durante la fase di produzione, in cui i parametri elastici invertiti sono utilizzati quantitativamente ad integrazione dell’analisi delle ampiezze e nei quali si sta tentando di passare via via da approcci sequenziali (valutando le differenze tra dati baseline e monitoring) a protocolli di inversione simultanea.
In generale i tools e il SW disponibili per progetti di linea sono sia commerciali che proprietari.
Al di là degli algoritmi e delle procedure tecniche di inversione in senso stretto, grande enfasi è stata data in Eni sia alla integrazione della componente di Rock Physics, per ottimizzare i dati di pozzo disponibili e campionare scenari non rappresentati da questi, utilizzabili in chiave di inversione e calibrazione dei parametri, sia al processo di integrazione di tutte le informazioni di progetto, innanzitutto quelle geologiche, allo scopo di ottenere un modello geofisico quantitativo veramente robusto anche dal punto di vista geologico-interpretativo.
Figure 1 – West Africa Deep Water: integrazione dei risultati di inversione all’interno di un Reservoir Modeling Workflow. (precedentemente pubblicato su First Break)
Va sempre ricordato che l’obiettivo finale, soprattutto in Eni, rimane comunque la migliore ricostruzione e descrizione del modello geologico di sotto-superficie, a scale diverse, a supporto di attività diversificate lungo il ciclo esplorativo e di sviluppo.
Dal tuo punto di vista, quali sono gli obiettivi che la ricerca industriale dovrebbe perseguire nel prossimo futuro?
Molte sono le linee di indirizzo, sia tecnologiche, che algoritmiche, che di flusso globale:
- Development and implementation of new algorithms: per citarne alcune, innanzitutto, lo sviluppo di nuovi algoritmi, con integrazione del modello di Rock Physics nella formulazione della funzione obiettivo; poi l’utilizzo sempre più avanzato di approcci bayeasiani che producano soluzioni inverse con incertezza associata; infine, ma non meno importante, la possibilità di utilizzare nel processo, quando richiesto, un crescente numero di vincoli (soprattutto geologici), che permettano di condizionare il modello con tutte le informazioni disponibili, nelle varie fasi di progetto, e di ridurre quindi lo spazio delle infinite soluzioni possibili, mitigando il noto problema della non-univocità della soluzione inversa.
- In seguito, implementando l’integrazione su singoli aspetti relativi al flusso di lavoro, come fatto recentemente da Eni, per incrementare il livello di interazione multi-dimensionale tra le diverse discipline, che concorrono ai dati del modello; in questo contesto, tra i diversi aspetti affrontati segnalo, ad esempio: l’integrazione tra modello Petrofisico e quello Rock Physics, volta a definire un frame petro-elastico funzionale a generare un modello di facies ottimizzato, sia per la predizione delle proprietà di reservoir a partire dal dato sismico (problema che spesso si presenta al geofisico), sia per il suo utilizzo nella modellistica del giacimento (problema che si presenta al geologo di reservoir), in grado cioè di catturare e descrivere le eterogeneità fisiche che effettivamente impattano sulla conoscenza dei processi statici e dinamici, alla base poi delle successive performance produttive del campo. La definizione di approcci avanzati per la costruzione del modello a bassa frequenza, spesso in Eni basato su flussi multi-loop, che integrano processi interpretativi (detection di feature geologiche), informazioni di pozzo e modelli di velocità sismica, generalmente da depth imaging, utilizzati come indicatori della storia di seppellimento per catturare i principali trend elastici associati ai fenomeni di compattazione, di impatto sulle informazioni a bassa frequenza. Queste diverse componenti vengono utilizzate in loop iterativi, come detto, in cui il modello viene perfezionato con diversi run di inversione preliminare, funzionali alla generazione del modello finale, ottimizzato. Un altro aspetto importante su cui abbiamo lavorato molto e quello dell’integrazione del modello stratigrafico-deposizionale nello spazio sismico del modello di inversione, non solo concettualmente, ma permettendo a scala diversa l’utilizzo quantitativo di informazioni prior (ad es. probabilità di facies attesa) per condizionare il risultato dell’inversione con informazioni già disponibili o interpretative. Ciò avviene ad esempio nella costruzione del modello a bassa frequenza, nel processo di Inversione Geostatistica e come condizionamento prior nella classificazione probabilistica di facies. Una considerazione particolare merita poi l’ottimizzazione del campo di velocità utilizzato per la conversione delle proprietà sismiche in dominio depth. Su questo aspetto, per ottenere il migliore depth matching delle proprietà derivate con tutte le informazioni geologiche disponibili, nel framework strutturale del modello, sono stati implementati flussi di lavoro che integrano il campo calibrato di velocità PSDM con il risultato dell’inversione, per migliorare il positioning depth di eventi intra-reservoir non direttamente interpretati. L’utilizzo crescente delle proprietà del modello di reservoir (ed esempio facies o grid petrofisici) per ottimizzare, attraverso approcci di inversione geostatistica condizionata, lo stesso modello, o procedere al suo updating a seguito della disponibilità di nuove informazioni, chiudendo il gap con l’informazione geofisica, modificandolo affinche’ risulti veramente compatibile alla sua immagine sismica e non accentando implicitamente una correlazione non provata tra i due domini. In quest’ambito, rimane da fare molto lavoro.
- Puntare sempre di più su approcci geostatistici, arricchiti di funzionalità, come già disponibili in tool di modellizzazione di reservoir, che permettano cioè di trattare spazialmente le variabili elastiche con le stesse modalità e flessibilità utilizzate nella modellistica di giacimento, aumentando nel contempo la risoluzione del modello di inversione (condizionato) e rendendolo più utilizzabile nel workflow di modellizzazione statica.
- Aprire nuovi fronti di integrazione tra approcci di inversione sismica, con incertezza associata, e modellizzazione statico-dinamica, assimilando sempre di più i risultati geofisici (3D e 4D) in flussi di lavoro completamente integrati, a supporto del processo di “ensemble-based ” history matching, in cui l’interpretazione ottimale dei dati di produzione e l’eventuale updating delle proprietà statico-dinamiche avvenga mantenendo l’efficienza di processo (con massima attenzione al time saving) e la consistenza delle informazioni G&G su cui si fonda la modellizzazione statica (in cui l’inversione sismica gioca un ruolo molto importante).
- Relativamente alle applicazioni meno convenzionali, una linea di sviluppo privilegiata avranno in futuro le implementazioni di approcci di inversione anisotropica, VTI e HTI, in integrazione con approcci multi-azimutali; di inversione su dati VSP 3D e 4D VSP (con tecnologie DAS), su cui anche in Eni sono state fatte recenti sperimentazioni di successo; l’utilizzo crescente dell’informazione di Frequenza nell’inversione AVO dei dati pre-stack, ad oggi non completamente integrata in workflow strutturati; così come l’applicazione di metodologie di inversione multi-componente (PP-PS), limitata spesso dalla scarsa disponibilità di un adeguato dato sismico di partenza.
- Continuare gli sviluppi metodologici su approcci di FWI, alternativi all’approccio convoluzionale, privilegiando soluzioni elastiche possibilmente condizionate dal modello di RP, puntando sull’alta risoluzione, affinché tali risultati possano effettivamente essere utilizzati non solo per l’imaging, ma anche in chiave di caratterizzazione di reservoir, soprattutto in contesti geologicamente e strutturalmente complessi.
Figure 2: Middle East/Carbonate Field: Volume di porosità dopo il processo di inversione sismica. (precedentemente pubblicato su First Break)
Quale impatto hanno avuto le nuove tecnologie sui processi operativi industriali di Seismic Inversion (Machine Learning, Big Data, Data Management, Artificial Intelligence, Coding, High Performance Compunting, Neural Network…)?
Relativamente alle applicazioni di intelligenza artificiale, anche se non è sempre facile definire relazioni ed interazioni precise tra processi supportati da principi fisici fondanti (Theory-based models o Physics-based modeling, generlalmente basati su leggi definite su un numero piuttosto limitato di informazioni) ed approcci matematico-statistici (data-driven models) basati su algoritmi di self learning su grandi quantità di dati.
Credo che lo sviluppo futuro ci porterà sempre più a valutare e sviluppare soluzioni ibride (Theory-guided data science models), per sfruttare i vantaggi della nuova tecnologia, senza ignorare il valore delle conoscenze accumulate nei principi scientifici acquisiti. È questa la direzione su cui anche Eni sta muovendosi.
Nel caso specifico delle applicazioni di Machine Learning ai processi di inversione-calibrazione sismica, si possono delineare alcune direzioni preferenziali, o almeno due end members:
- Individuare nel processo fisico di inversione-calibrazione degli step in cui l’applicazione di approcci di intelligenza artificiale possa permettere di rendere più efficiente, oggettivo e meno “costoso” il processo o parte di esso: ad esempio attraverso la generazione di pseudo-wells supportati dalla RP, per analizzare le relazioni sismica-pozzo e supportare così la stima dell’ondina e della sua incertezza; valutare il valore dell’informazione a priori utilizzata per costruire il modello ed eventualmente misurarne le incertezze associate; applicare tecniche di aggregazione/classificazione unsupervised e supervised sui dati invertiti, finalizzata alla classificazione delle proprietà di reservoir e all’organizzazione dei dati in clusters/facies, ecc..
- Dall’altro lato, individuare nel processo di Machine Learning, alcuni step che potrebbero “assistere fisicamente” la generazione o l’arricchimento del training dataset, per facilitare e rendere più robusto il dato su cui si fonda l’analisi di Deep Learning: numerose a questo proposito sono le iniziative sperimentali o di ricerca in cui attraverso i modelli di rock physics e di sismica quantitativa (forward e inverse modeling) si generano traning dataset basati su coppie Input-Output utilizzate nell’analisi e nella definizione di relazioni non lineari, attraverso processi di Deep Learning, applicabili poi per la generazione di parametri elastici o direttamente di proprietà litologico-petrofisiche ad essi correlati, in sostituzione all’inversione tradizionale.
Le nuove tecnologia in chiave digital hanno poi dato un grosso impulso ad includere sempre di più il fattore di incertezza, visto che il processo di inversione fornisce solo immagini approssimate della sotto-superficie, non immagini esatte: è quindi corretto che la soluzione deterministica sia sostituita da un set di soluzioni compatibili, con diversa probabilità o da famiglie di realizzazioni equiprobabili. Da questo punto di vista il processo di digitalizzazione e la possibilità di gestire ed analizzare con tempi sempre più ridotti grandi quantità di informazioni (riferimento ai Big Data) dovrebbe fortemente incentivare questa direzione di sviluppo futuro.
Un attenzione particolare, a cui anche gli sviluppi nel campo dell’inversione sismica non si sottrarranno, va poi assegnata al Dato, con la “d” maiuscola, alla sua importanza per derivare e supportare processi di modellizzazione, gestiti attraverso applicazioni di intelligenza artificiale, e soprattutto allo sviluppo di una nuova cultura del dato, visto come driver su cui costruire nuove tecnologie interpretative e sul cui utilizzo si giocheranno probabilmente i vantaggi competitivi tra peers, al di là degli stessi vantaggi tecnologici.
Quali pensi possano essere i futuri sviluppi e opportunità della Seismic Inversion nel contesto di transizione energetica che stiamo vivendo?
Nel contesto di transizione energetica grande importanza assumeranno tutte le tecnologie, che, pur radicate ed sviluppate nel mondo dell’ Oil and Gas, saranno in grado di assicurare il supporto necessario alla ricostruzione fedele del modello di sotto-superficie, conoscenza imprescindibile per qualunque tipologia di applicazione: in questo contesto si collocano ovviamente le metodologie sismiche quantitative, inclusi i flussi di inversione sismica e di caratterizzazione elastica, litologica, petrofisica e relativa ai fluidi contenuti nelle rocce.
Particolare importanza avrà poi lo sviluppo di approcci di inversione sempre più finalizzati a supportare la definizione del modello geomeccanico, come già Eni sta facendo, in integrazione con quello strutturale, sempre più protagonisti di progetti ad elevata sostenibilità ambientale, traghettando le tecniche quantitative, prima orientate al solo reservoir, verso la caratterizzazione dell’intera sequenza di overburden, in integrazione con un appropriato sviluppo di modelli di Rock Physics per non-reservoir, supportati sempre più da dati sperimentali acquisiti in laboratorio.
Così come lo sviluppo di nuove parametrizzazioni di inversione sismica (ad esempio dei parametri di compressibilità della roccia, rispetto all’utilizzo di impedenze e parametri derivati, di uso più corrente), potranno meglio supportare l’assessment quantitativo di gas iniettato attraverso l’analisi dei parametri invertiti, elemento di fondamentale importanza per il monitoring dell’iniezione di CO2 in progetti di Carbon Storage.
Quale consiglio daresti ad un giovane studente di geofisica che ha il desiderio di lavorare nell’ambito della Seismic Inversion?
L’inversione sismica e le sue applicazione per la caratterizzazione delle proprietà delle rocce, data l’elevata integrazione tra dati e informazioni che coinvolgono discipline diverse, rimane per me un argomento molto affascinante anche dopo una lunga esperienza personale di durata trentennale spesa sul campo; il continuo sviluppo richiede, come in altri ambiti tecnico-scientifici, un continuo aggiornamento e soprattutto permette l’adozione di metodologie diverse, sempre più integrate alle conoscenze geologiche, che rimangono un faro imprescindibile, al di là del robusto background fisico-matematico necessario per approcciare questi argomenti.
Quindi suggerirei al nostro giovane collega di continuare gli studi bilanciando la conoscenza fisico-matematico-statistica con una approfondita e non superficiale conoscenza dei fenomeni geologici e del record sedimentario, alla base di ogni successiva applicazione.
Se per un attimo ritornassi studente, cosa avresti voluto sapere all’epoca per affrontare al meglio l’inizio del tuo percorso professionale?
Sicuramente organizzare il percorso di studi supportato da conoscenze tecniche adeguate ed advising specifici avrebbe facilitato molto lo sviluppo personale, cosa che alcuni decenni fa, salvo eccezioni, non rappresentava il nostro background medio. Oggi fortunatamente, nell’era della iper-comunicazione le informazioni non mancano e soprattutto, se cercate, le opportunità di approfondire le materie di studio con master specifici e stage presso realtà produttive ed industriali.
Un buon background iniziale è sicuramente un ottimo biglietto da visita per intraprendere la nostra attività sia nelle Oil o Energy Company, sia nelle società di servizio. Anche in campo accademico, nonostante in generale la realtà italiana rimanga piuttosto chiusa e complessa, le opportunità su un piano internazionale sono decisamente aumentate, come dimostrano le nostre eccellenze distribuite nel mondo, anche nel nostro campo tecnico.
Figure 3: West Africa, Deep Water: Volume di probabilità di Facies. (precedentemente pubblicato su First Break)
Cosa direbbe il professionista di oggi allo studente di allora a valle della tua esperienza professionale?
Dopo aver lungamente discusso dell’importanza di conoscere approfonditamente gli aspetti tecnici legati ai processi di inversione sismica, chiuderei questo interessante dialogo suggerendo agli studenti e ai giovani colleghi che comunque non basta conoscere e saper fare. A parte l’importanza che ormai rivestono nelle dinamiche di squadra i soft skills, soprattutto quelli di comunicazione e di cooperazione per il raggiungimento di obiettivi comuni, credo che la chiave del successo personale sia nell’avere passione! Potremo dire di aver avuto successo nella nostra carriera professionale se dopo una lunga campagna di impegno lavorativo e di ricerca saremo mossi dallo stesso entusiasmo iniziale…E’ questo forse il miglior augurio per ogni giovane che oggi inizia il suo nuovo percorso!
.
Recent Comments