Aanpasbare zijwaartse-constraint-gestuurde POCS-interpolatiemethode

Scherpere ondergrondbeelden uit onvolledige gegevens

Oliewinning en gasexploratie, geothermische projecten en aardbevingsonderzoek vertrouwen allemaal op seismische onderzoeken: gecontroleerde trillingen die de grond ingaan en aan het oppervlak weer worden geregistreerd. In de praktijk bevatten die registraties echter vaak hiaten door kosten, terrein of milieubeperkingen. Dit artikel presenteert een nieuwe manier om dergelijke seismische gegevens "in te vullen", zodat geowetenschappers dieper en helderder in de aarde kunnen kijken zonder dat de rekenkosten onpraktisch worden.

Waarom ontbrekende traces ertoe doen

Seismische beelden worden opgebouwd uit vele dicht opeengeplaatste registraties, of traces, naast elkaar. Wanneer te veel traces ontbreken, raakt het beeld van de ondergrond gefragmenteerd en ruisachtig, waardoor belangrijke stappen zoals het in kaart brengen van breuken, het herkennen van gesteentelagen of het schatten van reservoireigenschappen veel minder betrouwbaar worden. Bestaande wiskundige methoden kunnen de ontbrekende informatie raden aan de hand van patronen in tijd en frequentie, en nieuwere machine-learningbenaderingen proberen die patronen te leren uit grote trainingssets. Machine learning is echter duur en hongerig naar data, terwijl traditionele methoden vaak over het hoofd zien hoe sterk aangrenzende traces zich lateraal tot elkaar verhouden, wat leidt tot vervaagde structuren en extra ruis.

Een slimmere manier om bureninformatie te gebruiken

De auteurs bouwen voort op een bekend wiskundig kader genaamd projectie op convexe verzamelingen (POCS), dat de data herhaaldelijk in de richting van verschillende "toegestane" condities duwt totdat ze overeenkomen. De klassieke versie handhaaft twee hoofdvoorwaarden: dat de bekende metingen ongewijzigd blijven en dat de data compact en goed gedrag vertonen in een sparsotransformatie zoals het frequentie–wavenumber-domein. De nieuwe methode voegt een derde ingrediënt toe: een expliciete laterale constraint die aangrenzende traces aanmoedigt soepel te variëren waar de geologie continu is, terwijl scherpe veranderingen zijn toegestaan waar de ondergrond daadwerkelijk breekt, bijvoorbeeld bij breuken of abrupte gesteentgrenzen.

Aanpassen aan complexe geologie

Om te voorkomen dat alles blindelings wordt gladgestreken, verdeelt de methode eerst elke trace in korte tijdsvensters en vergelijkt elk venster met zijn dichtstbijzijnde bekende buren. Uit deze vergelijkingen bouwt het een gelijkeniskaart die aangeeft waar traces op elkaar lijken en waar ze verschillen. In vensters met hoge gelijkenis—typisch voor zacht gelaagde gesteenten—laat het algoritme nabijgelegen traces sterk de reconstructie sturen, waardoor willekeurige ruis effectief wordt onderdrukt en ontbrekende traces worden ingevuld op een manier die laterale continuïteit respecteert. In vensters met lage gelijkenis—kenmerkend voor complexe breuken of abrupte veranderingen—verslapt het de laterale aantrekking, zodat echte geologische breuken niet worden uitgevlakt door overmatige smoothing. Dit adaptieve gedrag wordt geregeld door een instelbare sterkteparameter waarvan het praktische bereik is vastgesteld door systematisch testen.

Een balans tussen nauwkeurigheid en efficiëntie

De onderzoekers bewijzen wiskundig dat hun procedure met drie constraints, onder standaardveronderstellingen, naar een stabiele oplossing convergeert. Ze analyseren ook hoeveel extra rekenwerk de nieuwe laterale stap toevoegt vergeleken met een gerespecteerde eerdere versie van de methode. Beide benaderingen worden gedomineerd door dezelfde kernfrequentietransformatie, dus het extra werk verhoogt alleen het lineaire deel van de kosten eerder dan de algemene groeisnelheid te veranderen. In de praktijk betekent dit dat de verbeterde methode iets langzamer draait maar binnen redelijke grenzen blijft voor grote seismische datasets, waardoor hij geschikt is voor echte exploratieprojecten.

Heldere tests op synthetische en echte surveys

Het team test hun aanpak op twee soorten data. Ten eerste gebruiken ze synthetische seismische records die zijn gegenereerd uit het complexe Marmousi-geologisch model, met willekeurig verwijderde traces die 30%, 50% en zelfs 70% dataverlies vertegenwoordigen. In alle gevallen reconstrueert de nieuwe methode gebeurtenissen die lateraal consistenter zijn, met minder zichtbare ruis en een frequentiespectrum dat dichter bij de oorspronkelijke volledige data ligt dan bij het oudere algoritme. Ten tweede passen ze de methode toe op echte post-stack data uit een olie- en gasbekken in Oost-China. Ook hier levert de nieuwe aanpak schonere secties op, betere continuïteit in zacht variërende zones en verbeterde behoud van belangrijke geologische details, bevestigd door kwantitatieve maatstaven voor fout, signaal‑tegen‑ruisverhouding en structurele gelijkenis.

Wat dit betekent voor het zien van de ondergrond

Voor niet-specialisten is de kernboodschap dat dit werk een betrouwbaardere manier biedt om onvolledige, ruisachtige seismische registraties om te zetten in samenhangende beelden van de ondergrond zonder te vertrouwen op zware machine-learningmethoden. Door op een zorgvuldige en adaptieve manier de gelijkenis tussen aangrenzende traces te gebruiken, vult de methode ontbrekende informatie in terwijl echte geologische kenmerken—zoals breuken en abrupte gesteentveranderingen—intact blijven. Het resultaat is een gegevensfundament met hogere fidelity voor latere verwerking en interpretatie, wat uiteindelijk betere beslissingen kan ondersteunen bij resource-exploratie en monitoring van de ondergrond, zelfs wanneer veldomstandigheden het verzamelen van perfect dichte data verhinderen.

Bronvermelding: Qin, Z., Pan, S., Chen, J. et al. Adaptive lateral constraint-driven POCS interpolation method. Sci Rep 16, 11518 (2026). https://doi.org/10.1038/s41598-026-39281-1

Trefwoorden: seismische interpolatie, ondergrondse beeldvorming, geofysische gegevensverwerking, ruisonderdrukking, continuïteit van breuken en lagen