Angewandte Seismik

Eine wichtige Aufgabe der Geophysik ist die Erkundung des tieferen Untergrunds mit physikalischen Methoden, um zum einen ein Abbild der Strukturen im Erdinneren zu erhalten und andererseits die physikalischen Eigenschaften dieser Strukturen zu ermitteln. Diese Informationen sind für verschiedenste Fragestellungen von zentraler Bedeutung. Die Grundlagenforschung zur Erdgeschichte ist auf detailierte Informationen über die Strukturen im Untergrund angewiesen, ebenso wie z.B. die Rohstofferkundung, CO₂-Sequestrierung oder die Exploration auf geothermische Energie.

Während die genannten Eigenschaften punktuell durch Bohrungen bis in Tiefen von einigen Kilometern bestimmt werden können, ist es mit den Methoden der angewandten Seismik möglich, ausgedehnte Gebiete auch bis hin zu größeren Tiefen abzubilden und auf ihre elastischen Eigenschaften, wie beispielsweise Dichten und Ausbreitungsgeschwindigkeiten elastischer Wellen, zu untersuchen.

Hierzu werden an der Erdoberfläche durch 'künstliche Erdbeben' sogenannte seismische Wellen angeregt, die sich mit einer durch das Material vorgegebenen Geschwindigkeit in den Untergrund ausbreiten. Treffen sie dort auf eine Struktur, an der sich beispielsweise die Dichte oder die Gesteinsgeschwindigkeit ändert, wird ein Teil der Energie der Wellen reflektiert oder gestreut. Die Reflexionsechos werden als Seismogramme an der Erdoberfläche aufgezeichnet. Durch die anschließende Bearbeitung dieser Seismogramme ist es Geophysikern und Geophysikerinnen möglich, Untergrundabbilder daraus zu rekonstruieren. Ein weiteres Feld ist die Beobachtung akustischer Emissionen (Erdbeben kleiner Magnitude) mit dichten Netzwerken von Seismographen, wobei die akustischen Emissionen antropogen oder natürlich versusacht sein können. Die Beobachtung dieser Aktivitäten im Untergrund ist für das Monitoring potentieller Gefahrenquellen wie Erdfälle, Hangrutschungen und anderer tektonischer Bewegungen von großer Bedeutung.

Da die Beschaffenheit des Untergrundes sehr komplex sein kann, ist auch die Rekonstruktion eines Abbilds oder die Lokalisierung akustischer Emissionen in diesem Fall entsprechend aufwendig. Die Arbeitsgruppe für angewandte Seismik des Instituts für Geophysik der Universität Hamburg arbeitet daher international federführend an der Entwicklung innovativer Verfahren zur Untergrundabbildung mit seismischen Daten und zur Lokalisierung und Charakterisierung akustischer Emissionen.

Auf dieser Seite werden wir im Folgenden unsere Arbeitsgruppe und eine Auswahl unserer gegenwärtigen Forschungsarbeiten vorstellen:

Aus unserer aktuellen Forschung:

(An weiteren Übersetzungen ins Deutsche wird zur Zeit gearbeitet.)

Denoising migrated seismic images

M. Glöckner (2019)

In recent years, deep learning algorithms have become more and more popular in interpretation of seismic data. In seismic processing however, these algorithms are only starting to be considered. The potential of artificial intelligence and machine learning is currently not fully exploited. One important aspect seismic of processing is data denoising. Autoencoders are deep neuronal networks that inherently denoise and are widely used in many different fields. They aim to find a function that maps data A to data B. We apply the autoencoder as migration deconvolution operator to approximate the inverse Hessian of a least-square approach to obtain an improved migrated image. We use time-migrated and remigrated images, where the remigrated image is obtained from migrating of demigrated data, to train an autoencoder. The remigrated data serves as input (data A) and the migrated data is the target output (data B). The autoencoder contains several layers of convolutional filters and data reductions. The trained network can be used for improving the migrated image (left image in figure). Furthermore, the inherent behaviour of the autoencoder leads to a decreased signal-to-noise ratio, since unimportant aspects of the data are neglected in the data reduction process (right image in figure). The autoencoder is able to denoise the image and remove imaging artifacts without compromising seismic events.

Identification and focusing of edge diffractions

P. Znak (2020)

Imaging of the Earth's interior can be seen as a process of reverse time seismic wave propagation and focusing. By forcing scattered waves to focus, geophysicists simultaneously localize heterogeneities and improve their understanding of the subsurface model.

A point diffractor acts pretty much as a buried point source and thus the point diffractions can be focused directly. However, more often in practice, we deal with waves diffracted by extended edgy structures (faults, highly curved folds, cracks, etc.). In our recent studies, we figured out how to utilize local properties of the edge diffraction wavefronts (wavefront curvatures) to pick the focusing rays without any assumptions on the subsurface model.

Determination of common reflection point trajectories

O. Bölt (2020)

The gathering of reflections originating from a common reflection point (CRP) is an important step in seismic data processing. In the case of a horizontally stratified medium, this can be achieved by using common midpoint (CMP) gathers. If a CMP-gather is used for inclined or curved reflectors, the reflection points are dispersed over the reflector due to Snell’s law. This introduces an error to further processing of the data.

To avoid this, a CRP-gather can be used, where each source-receiver pair is described by its own midpoint and half-offset. In our work, an analytical expression for calculating these midpoints is assessed using the NORSAR ray tracing software.

Identification and focusing of edge diffractions

P. Znak (2020)

Determination of common reflection point trajectories

O. Bölt (2020)

Unsupervised seismic interpretation

J. Walda (2019)

Machine learning, in particular deep learning, has become a vital factor in pattern recognition and repetitive tasks, often outperforming humans. Seismic interpretation is often associated with finding specific patterns of interest and can depend on the interpreters involved. We aim to provide consistent automatic interpretation of specific data, that assist interpreters. In order to do so, we combine deep learning with traditional machine learning techniques for automatic interpretation of seismic attributes using 3D data of the F3 block, offshore Netherlands and the Volve Field. A major difficulty of seismic interpretation is the way of dealing with the richness of seismic attributes, which results in a multidimensional problem in interpretation. Usually, the amount of seismic attributes is reduced, e.g. by principle component analysis, before interpretation. In order to analyze the most important spatial information from two sets of attributes containing six attributes each, we use a 3D convolutional autoencoder. The autoencoder aims to find a reduced representation of the data. To verify, whether the found representation is reasonable, we reconstruct the original data and evaluate the misfit of reconstructed and original data. Once the misfit is sufficiently small, we cluster the reduced representation (encoding) to obtain a feature cube that contains a label for each sample. This process reduces the multidimensional information of multiple seismic attributes and their spatial distribution to one label for each sample in the 3D spatial volume. The found labels can be interpreted instead of the numerous seismic attributes, which eases and accelerates interpretation and reduces cost. Furthermore, human interpreters might overlook features of interest in the seismic attributes, which can be revealed by our unsupervised deep learning approach.

Geschwindigkeitsbestimmung mit Diffraktionen

A. Bauer (2020)

Das diffraktierte Wellenfeld, welches an der Erdoberfläche gemessen wird, ist eine wichtige Informationsquelle, weil diffraktierte Wellen an Heterogenitäten im Untergrund, die kleiner als die seismische Wellenlänge sind, ausgelöst werden. Da diffraktierte Wellen nicht dem Snelliusschen Gesetz gehorchen, sondern unabhängig ihres Einfallswinkels in alle Richtungen gestreut werden, beleuchten sie große Teile des Untergrunds. In seismischen Daten ist das diffraktierte Wellenfeld oft durch höheramplitudige Events wie Reflexionen überdeckt. Es kann jedoch durch Modellierung und adaptive Subtraktion des reflektierten Wellenfelds oder anhand der speziellen Eigenschaften diffraktierter Wellen separiert werden.

Mittels Kohärenzanalyse können Wellenfrontattribute, die Informationen über die gemessenen diffraktierten oder reflektierten Wellen enthalten, automatisiert aus den Daten extrahiert werden. Wir benutzen diese Wellenfrontattribute für Tiefengeschwindigkeitsmodellbildung mit Wellenfront-Tomographie. Unsere Anwendungen konzentrieren sich insbesondere auf Daten mit keinen oder wenigen Quell-Empfänger-Offsets, auf die konventionelle tomographische Methoden nicht anwendbar sind, wie beispielsweise akademische Daten, passiv-seismische Daten oder Georadar-Daten. Für diese Arten von Daten ist Diffraktions-Wellenfront-Tomographie ein nützliches Tool, welches nicht nur ein Tiefengeschwindigkeitsmodell, sondern auch die Lokalisierungen der Streuer liefert.

$Diffraction processing using machine learning$

Diffraction processing using machine learning

S. Knispel (2020)

Machine learning, or deep learning, in applied seismics has recently been applied mainly in seismic interpretation. Whereas the utilization in processing would also be beneficial and could change the whole approach to seismic data processing in the future of applied seismics.

Diffracted acoustic or elastic waves are generated by geological structures in the subsurface smaller than the dominant wavelength, which allow the high resolution of seismic data. We intend to extract and amplify diffractions, before common known seismic processing steps, in the shotgather domain. For that, a 2D convolutional autoencoder is used to classify a shotgather pixel by pixel into diffractions, reflections and noise and exploit the found labels to extract diffractions. Furthermore, by using their kinematic properties, the cross-correlation and more deterministic steps help to amplify the already extracted events and to get rid of artifacts caused by high amplitude reflections. Besides, as a by-product, it is even possible to separate single events.

Seismic event characterization in sparse and limited-aperture network

Peng Yang (2019)

Time-reversal is a very common tool for estimating seismic event which is essential in monitoring as it can provide valuable information of the seismicity induced by anthropogenic activities, such as in hydraulic fracturing monitoring. However, this technique needs sufficient illumination of back-propagated wavefields for identifying seismic event, which is not often realized in practice because of sparsity and limited aperture of seismic stations. In our recent research, we figured out a new approach based on maximum-amplitude path which can estimate source excitation time and locate passive source simultaneously in sparse and limited-aperture network.

Seismic event characterization in sparse and limited-aperture network

Peng Yang (2019)