PATTERN‐BASED GEOLOGICAL MODELING OF DEEP‐WATER 

CHANNEL DEPOSITS IN THE MOLASSE BASIN, UPPER AUSTRIA 

Lisa Stright  

Graduate Program in Earth, Energy and Environmental Sciences, Stanford University, 

 Stanford, CA 94305, USA 

 

ABSTRACT Recent advances  in  reservoir modeling have made  it possible  to  include 

interpretative  geologic  information  into  reservoir  models,  thereby  generating 

more geologically  realistic models  conditional  to hard  (well  log  and  core)  and 

soft  (seismic)  data.    In  particular,  pattern‐based modeling  algorithms  borrow 

patterns  from a  training  image and place  them  in  the model space at  locations 

determined by  local data. Not only does the training  image provide the avenue 

to include more interpretative geologic information into geologic models, it also 

allows added control in areas of sparse and low quality data.   

A  workflow  of  a  pattern‐based  modeling  study  is  presented  for  the 

Puchkirchen  field  in  the  Molasses  Basin  in  Austria.    Multiple  alternative 

numerical models  are  generated  for  this  channelized  deep‐water  depositional 

setting, utilizing exploration‐scale  seismic.   Results  show  successful  integration 

of local data (well and seismic) with patterns from a training image reflecting an 

extensive sedimentological study in the basin 

INTRODUCTION The goal of the geological modeling process is to build numerical models 

that will reliably predict reservoir properties for well planning and/or fluid flow 

performance prediction.  A typical modeling workflow will attempt to convert a 

geologist’s conceptual  image of  the reservoir  to a numerical representation  that 

honors both hard (well and core) and soft (seismic and production) data collected 

from  the  reservoir.   However,  historically  available  tools  such  as  covariance‐

based  (2‐point), Gaussian‐based,  geostatistical methods  and  Boolean methods, 

limit  the modeler’s ability  to  include  realistic  interpretive geologic  information 

into  reservoir models while  honoring  hard  and  soft  data.    Traditional  2‐point 

geostatistical simulation approaches are excellent at integrating multiple types of 

diverse  data,  such  as well  and  seismic  data. However,  given  that  the  spatial 

distribution  is controlled only by a variogram model and  local probabilities are 

derived from low resolution seismic, these methods are unable to reproduce the 

geometry of complex geologic structures and their spatial relationship, much less 

the  sub‐seismic  scale geologic patterns.     The  results  from  these methods often 

lack  realistic  geologic  spatial  relationships  and  appearance.    Object‐based 

methods generate models  that  contain  complex geologic  structures, but  cannot 

integrate diverse data and  the parameterization and programming of  the object 

relationships are often difficult.   

Advances  in  pattern‐based modeling  algorithms  (Strebelle,  2000; Arpat, 

2005; Zhang, 2006) have made it possible to reproduce the geometry of complex 

geologic structures while conditioning  to  the diverse suite of soft  (seismic) and 

hard  (well  log  and  core)  data  typically  encountered  in  petroleum  reservoirs. 

Pattern‐based modeling  techniques  provide  the  avenue  to  include  qualitative 

interpretative  information  into  reservoir models  through  training  images,  thus 

allowing  the  geologist  more  control  to  include  important  descriptive 

information.   The  training  image  is  the basis of a  shifting modeling paradigm; 

from  covariance‐based  statistical  methods  toward  integration  of  descriptive 

geological interpretations with numeric field data.   

A demonstration of a pattern‐based modeling workflow  is presented  for 

the Puchkirchen  field  in  the Molasse Basin  in Austria.   This paper proposes  a 

workflow  that  combines  coarse‐scale  seismic  attributes  defining  interpretive 

regions  and  local  probabilities, with  pattern‐based  interpretation  of well  data 

defining  the  sub‐seismic  scale  facies.    The  algorithms  produce  multiple 

alternative  numerical  models  of  channel  fills,  all  drawing  spatial  facies 

distributions from the training image and all locally constrained to well, core and 

seismic data.   

The  long term goal of this research project  is to  leverage data from areas 

sampled  by well  and  core  data  to  predict,  away  from well  control,  the  facies 

distribution using  the  seismic data  as  a  local  anchor.   The  components  of  this 

research  project  are  patterned  facies  interpretation  in  wells,  quantitative  and 

qualitative  seismic  interpretation defining  regions and  facies probabilities  from 

rock physics analysis, and the building of a training image depicting 3D pattern 

shapes  and  relationship.    This  paper  presents  a  workflow  to  tie  these  three 

components together into a comprehensive numerical model that honors locally 

the available data while incorporating expert geologic interpretation.  

THE PUCHKIRCHEN FIELD, MOLASSE BASIN The Molasse Basin  is one of the  largest hydrocarbon producing basins  in 

Austria.   The basin  contains  a  large deep‐water  channel belt  (3‐6 km wide by 

more  than 100 km  long) which  is  confined within an elongate  foreland  trough 

(DeRuig  and  Hubbard,  2006).    Multiple  gas  fields  have  been  discovered  in 

association with  the channel belt.   The Puchkirchen  field  is one such discovery 

(Figure  1),  owned  and  operated  by  Rohöl‐Aufsuchungs  A.G.  (RAG).    It  has 

produced 30 Billion m3 (~1 TCF) of gas since the late 1960’s.   

    

 Figure 1 Molasse Basin showing the Puchkirchen and Atzbach gas fields (modified from Hubbard, 2006).  Red outline shows location of the seismic map shown in Figure 3.   

The channel belt in the Puchkirchen field area (in the Upper Puchkirchen 

formation) is approximately 1000 meters thick and contains four zones; A1 to A4 

of  the Late Oligocene and early Miocene  (Figure 2).   The A1  is unconformably 

overlaid by  the basal Hall  formation and  the A4  lies unconformably above  the 

lower  Puchkirchen  formation.    The  channel  belt  extends  into  the  lower 

Puchkirchen  formation.      The  channel  belt  is  composed  of  turbiditic 

conglomerate and sandstone deposits, as well as slump and debris‐flow deposits.   

Extensive  drilling  over  the  last  30+  years  has  focused  on  the  structural 

highs  along  the  channel  belt.    Exploration  focuses  now  on  more  subtle 

stratigraphically  trapped  reservoir  sands along  the  channel belt and associated 

overbank  deposits.    Sedimentological  studies  aid  in  this  exploration.    For 

example,  Hubbard  (2006)  found  that  the  thin  gas  sands  reservoirs  are  most 

commonly encountered at the top of thick, fining‐upward conglomeratic channel 

fill sequences structurally trapped within the channel belt.   

 

 Figure 2 Stratigraphy of the Upper Austrian Molasse basin.   Focus of this study is on the A1 and A2 reservoir zones. (modified by Hubbard 2006 after Zweigel at al. 1998)  

The  Puchkirchen  field,  one  of  the  largest  gas  reservoirs  in  the Molasse 

basin,  is a  structurally  trapped  sandstone  reservoir bounded by a  stratigraphic 

“shale‐out”  to  the north and an  aquifer  to  the  south  (Figure 3).   The  reservoir 

sands  in  the Puchkirchen  field are  located  in  the A1 and A2 zones and are on 

average 1‐20 meters  thick  in  the A1 zone and 1‐5 meters  thick  in  the A2 zone.  

The A2 zone wells watered out after a short period of gas production.   In 1982, 

the Puchkirchen field in the Upper Puchkirchen Formation was converted to gas 

storage.   

 

 Figure  3  Outline  of  the  Puchkirchen  field  (area  shown  in  Figure  1)  on  a  coherency map showing the Puchkirchen Channel Belt, after DeRuig and Hubbard, 2006.  Vertical line shows cross section of modeling area. 

 

Hubbard  and  DeRuig  (2006)  characterized  the  facies  associations 

throughout  the Molasse  basin  to  better  understand  the  sedimentological  and 

stratigraphical  distribution  of  deposits  associated  the  seismically  mapped 

channel belt.  They utilized extensive seismic, well log and core data to interpret 

four main depositional  facies; channel belt  thalweg, overbank wedge, overbank 

lobe and tributary channel (Figure 4).  Hubbard (2006) further defined facies and 

facies associations.   

 Figure 4  Schematic depositional model of the Molasse Basin during deposition of the Upper Puchkirchen Formation showing the distribution of depositional elements defined by De Ruig and Hubbard (2006). The axial channel belt is 3‐5 km wide. 

 

Challenges in Reservoir Characterization The regional‐scale channel belt is seismically mappable due to the strong 

impedance contrast between the conglomerate channel fill and surrounding non‐

channel facies.    However, due to the overwhelming amplitude signature of the 

channel‐fill  conglomerates  and  the  thin‐bedded  nature  (<1.5m  thick)  of  the 

reservoir  sands,  the  internal  reservoir  sandstones  cannot  be  deterministically 

identified  from  the  seismic  volume.    The  sands  are  not  only  below  seismic 

resolution,  but  they  have  similar  impedances  to  shales  and  siltstones.    The 

delineation of gas sands is difficult because their impedance values are similar to 

soft shales. 

Traditional well  log  correlation  is  challenging  even with  abundant well 

data due to the chaotic nature of the intra‐channel deposits.  Interwell variability 

limits  the  reliability of  this deterministic approach  for understanding  reservoir 

distribution and connectivity.     Geostatistical modeling  is often used to address 

these  challenges;  however,  previous  studies  within  the  Molasse  Basin  have 

shown  that  there  is  little  statistical  correlation  between  reservoir  facies  and 

seismic data.    Sedimentologically‐based  studies have historically  yielded more 

predictive results than seismic‐based geostatistical methods (van Alebeek, 2000).   

Study Goals Extensive sedimentalogical studies by Hubbard  (2006) and Hubbard and 

DeRuig  (2006) characterized  regional‐scale seismic  facies calibrated  to core and 

well logs within the framework of a sedimentological analysis.  The focus of this 

study  is  on  reservoir‐scale,  sub‐seismic  facies  and  it  will  be  performed  in 

collaboration with Anne Bernhardt  (Bernhardt, 2006)  from  the Stanford Project 

on Deep‐water Depositional Systems (SPODDS) research consortium.  Bernhardt 

will  perform  a  detailed  sedimentologic  characterization  of  the  Puchkirchen 

(channel  belt  deposits)  and  Atzbach  (overbank  deposits)  fields  from  which 

predictable  and  systematic  stacking  patterns  will  be  determined.    Sediment 

distribution and lateral extension of reservoir facies will be investigated in detail 

with the help of numerous core, well logs and seismic data. 

Bernhardt’s  conceptual  architecture  of  stacking  patterns  and  lateral 

correlations  of  the  sub‐seismic  channel  deposits will  be  translated  into  spatial 

distributions  of  3d  patterns  in  the  form  of  numerical  training  images.    These 

patterns  collected  as  3d  templates will  be  used  in  pattern‐based  geostatistical 

simulation  where  they  will  be  patched  into  numerical  models  anchored  to 

available local data.  The resulting numerical models should match well (log and 

core),  seismic  and  production  data  to  the  extent  that  these  data  inform  the 

reservoir model.    The  final models  can  be  used  as  a  foundation  for  forward 

seismic modeling to predict channel belt deposits away from the well control and 

to aid in discovery of new exploration opportunities.   

The Puchkirchen  field offers a unique opportunity  to perform  this study 

due to the abundance of available data of diverse types.  Within the Puchkirchen 

field,  twenty‐six wells  have  been drilled,  all  of which  have  been  logged.    318 

meters of core  (in  the A1 – A3  intervals) have been collected  in  thirteen of  the 

wells  through  reservoir  and non‐reservoir  intervals.   A  full  3D  seismic  survey 

covers the Puchkirchen field.    

Prior  to  incorporating  Bernhardt’s  ongoing  research,  the  initial 

methodology  for  reservoir  modeling  will  be  based  upon  Hubbard’s  (2006) 

interpretation. 

MODELING THE PUCHKIRCHEN CHANNEL BELT DEPOSITS Due  to  the  sub‐seismic nature  of  the  channel  fill  facies,  training  images 

must  be  used  to  integrate  sub‐seismic  conceptual  interpretations  into  the 

reservoir models.   The  following  initial steps aim at developing  the  framework 

and methodologies  based  on  existing  data  and  interpretations.    These will  be 

updated as new  interpretations become available.   A 2‐dimensional section,  the 

location  of  which  is  shown  in  Figure  3,  is  used  to  illustrate  the  proposed 

workflow.    The  input  to  this  workflow  are  the  depositional  interpretation 

through the training image and the conditioning well (hard) and seismic data (as 

hard regions and soft probabilities).   

A Channel‐Fill Training Image The  training  image  can  come  from  a  prior  geologic  concept,  analog 

reservoirs,  and/or  analog  outcrop  information  (Strebelle,  2000).    This  geologic 

concept  is  qualitative  in  nature  and  can  be  obtained  from  interpreted 

sedimentological  and  stratigraphical  facies  relationships.    The  training  image 

attempts  to  incorporate  the  relative  shape,  dimensions  and  spatial  association 

between  facies  into  a  numerical  model  depicting  the  distributions  of  facies 

deemed prevalent in the actual reservoir.   

The basis for a training image for the Puchkirchen channel belt deposits is 

shown in Figure 5 where Hubbard suggest two orders of channels and overbank 

deposits within  the channel belt;  inner  ribbon channels and  inner  levees.     The 

ribbon  channels  are  characterized  by  upward  fining  sequences  with  a  basal 

conglomerate,  intermediate  sandstone  and  capping  shale.    The  inner  levee  is 

characterized by  thinly bedded  sand/shale  sequences.   Finally,  the background 

facies  are  a  product  of mass  transport  complexes  (debris  flows,  slumps  and 

slides)  and  are  non‐reservoir.    Generally,  the  reservoir  facies  are  the  sands 

contained in the upward fining sequences. 

 Figure 5  Vertically exaggerated schematic cross‐section through the Puchkirchen channel belt showing  the hierarchical organization of  channel  and  inner  levee  elements. Diagram not  to scale: channel belt width ~ 5 km and overbank wedge height ~ 250 m.  Interpretive model used as a basis for the Puchkirchen field training image. (Hubbard 2006)  

A  numerical  training  image  model  was  generated  based  on  this 

conceptual framework.   The channel‐levee training image model was generated 

using SBEDTM, a surface‐based modeling package.  The Training Image, Figure 6, 

was  generated  attempting  to  depict  the  inner  channel‐levee model  shown  in 

Figure  5.    This  channel‐levee  model  was  generated  using  the  following 

parameter ranges: 

 

Channel width:       1 – 2 km 

Channel thickness:     40 – 60 m 

Amplitude:      0.5 – 1.5 km 

Wavelength:      16 – 22 km 

NTG Ratio      30 – 40% 

 Figure 6  Example training image generated in SBEDTM  

Because  a  training  image  is  purely  conceptual,  the  facies  in  a  training 

image need not be locally accurate.  Matching of the data is obtained during the 

pattern‐based  simulation where  shapes  and  structures  are drawn  and patched 

onto the reservoir model such as to match local data.  The training image allows 

added  control  in  environments  of  sparse  and  low‐quality  data.   Additionally, 

due  to  interpretation uncertainty  associated with  limited  sampling,  alternative 

training  images  should  be  generated  to  account  for  multiple  geological 

interpretations. 

Conditioning Data 

Seismic Data Seismic attributes are often used to  locate facies within reservoir models, 

once a statistical correlation between hard data (wells and core) and the seismic 

data has been established.   This  correlation  is  converted  to  local probability of 

occurrence,  for  example,  the  probability  of  sand  as  derived  from  acoustic 

impedance.   Statistical rock physics analysis is used to discern the seismic scale 

and sub‐seismic scale relationships between facies and acoustic properties.  This 

work  is  currently  being  undertaken  and  is  further  discussed  in  the  future 

research section.   Until these attributes are available, seismic data was  included 

by  transferring Hubbard’s channel belt  interpretation  (Figure 7)  to a numerical 

region model.    Interpretive probabilities  for  ribbon  channels,  inner  levees  and 

background facies were also generated. 

 

 Figure 7  Channel migration and overbank lobe deposits in the Puchkirchen Formation. Line‐drawing interpretation overlain on seismic cross‐section, red box outlines the study area. The interpretation was made  by  overlying  the wireline  logs  on  top  of  seismic  line  and  using prominent seismic reflectors to guide correlations (after Hubbard, 2006).  

Figure  8  shows  the  interpretive  seismic  regions  with  dark  yellow 

signifying  the  active  region  and gray  the  inactive  region.   During  the pattern‐

based  simulation,  patterns  from  the  training  image  are  simulated  only  in  the 

active  region.   The  inactive  region  represents  a  hiatus  in deposition  of  ribbon 

channels and  inner  levees and  therefore no pattern  simulation  is performed  in 

this region. 

   

 Figure 8   Interpretive seismic regions for geostatistical simulation.   Dark yellow  is an active region for the ribbon channel fill.  Grey is an inactive region.  

Seismic attributes are then used at a smaller scale to control where, within 

the  active  regions,  individual  facies  are  to  be  simulated.    Figure  9  shows 

probabilities  for  ribbon  channel,  inner  levee  and  background  facies.    These 

probabilities  were  generated  by  digitizing  a  centerline  of  ribbon  channel 

deposition  and  migration  within  the  active  regions  and  consistent  with  the 

interpreted  well  data  (next  section).    The  digitized  centerlines  were  then 

smoothed, manually edited and scaled until the mean probabilities were roughly 

equal  to  the desired proportion of  facies  (e.g. mean  ribbon  channel probability 

was  20%,  inner  levee  probability  30%  and  background was  50%;  equal  to  the 

desired proportions). 

Currently, as described, these probabilities are interpretive and synthetic, 

and  were  generated  to  demonstrate  the  modeling  process.    However,  these 

probabilities will be generated in the future directly from the actual seismic data. 

 

 

 

  Figure 9  Synthetic Facies Probabilities used to demonstrate the workflow. Probabilities of A) 

ribbon channel, B) background shale, and C) thin‐bedded levee facies.  

 

A

B

C

Well Data Two  wells,  shown  in  Figure  10,  were  used  for  this  modeling 

demonstration.   These wells are actual wells  (Reichering 1,  left, and Wegsheid 

002,  right)  that were  selected due  to  their proximity  to Hubbard’s  interpreted 

section.    Ribbon  channel  (upward  fining  sequences),  levee  (thin‐bedded 

sand/shale  sequences)  and background  (shale)  facies were  interpreted  in  these 

two wells from Gamma Ray wireline logs and the interpreted values are shown 

in  the  log on  the right  in Figure 10 while  the  log on  the  left  is  the Gamma Ray 

log. 

 

 Figure 10  Hard Data from two wells for pattern‐based modeling with Gamma Ray log shown on the left and interpreted ribbon channel (upward fining sequences), levee (thin‐bedded sand/shale sequences) and background (shale) on the right.  

 Workflow The interpretative seismic information as active/inactive regions (Figure 8) 

and ribbon channel, inner levee and background probabilities (Figure 9) are used 

as a framework for the pattern‐based simulation.   The pattern‐based simulation 

process anchors patterns lifted from the training image to locations indicated by 

the well data with guidance given by the seismic regions and local probabilities.  

The  results herein  show  alternative  (stochastic) models obtained  from  a  single 

REICH1 W002

training image (Figure 6).  The Filtersim algorithm (Zhang, 2006) was used to this 

purpose. 

The  Filtersim  workflow  (Figure  11)  for  generating  a  pattern‐based 

simulation is to first break the training image into many smaller pieces based on 

a given  input  template size.   For example, given a  training  image with 150x150 

cells, an  input template 15x15 could be used to pre‐scan that training  image for 

all unique 15x15 patterns.   Pre‐set or user defined custom filters (Figure 12) are 

applied to these template‐sized patterns and patterns are grouped into categories 

based on their filter scores.  All of the patterns within a category are combined to 

create a single prototype that is representative of that category.   

Once  the  training  prototypes  are  obtained,  a  random  path  is  generated 

which  visits  all  of  the nodes  of  the numerical model.   The  center node  of  the 

template  is placed at  the  first node  in  the  random path.   Any data within  that 

template  (previous  simulated nodes, hard data, and/or  soft data) define a data 

event.  This data event is then compared to each prototype to find the prototype 

that is most similar to the data event.   A pattern from the prototype category is 

then  randomly  chosen  and  pasted  onto  the  simulation  grid.    The  process  is 

repeated by stepping to the next node in the random path.  

  Figure 11  Filtersim workflow (after Zhang 2006)  

 Figure 12  Six 2D directional filters (after Zhang, 2006).   

Ten  simulations  were  generated  using  Filtersim  and  the  previously 

described workflow.    Figure  13  show  ten  alternative models  all matching  the 

hard  conditioning data.   Target proportions were  20%  for  the  ribbon‐channel, 

30% for the inner levee, and 50% for the background facies.  In general, the inner 

levee facies proportion was under simulated and the ribbon channel facies over 

simulated.  Referring back to Figure 10, the proportions in the original well data 

(55% for the ribbon‐channel, 30% for the inner levee, and 15% for the background 

facies) may be skewing the simulation results.   In this particular case, honoring 

target  proportions  exactly  is  not  imperative,  as  the  global  proportion  of  each 

facies  is a significant unknown  in  the  reservoir due  to preferential sampling of 

ribbon channels. 

 

 

 

 

 

 

 

 Figure 13  Results from ten alternative Filtersim Pattern‐based simulations.  Note the consistency with the hard data and the final model proportions.  Target proportions were:  Ribbon‐channel 20%, Inner Levee 30%, and Background 50%. 

SUMMARY   This paper outlines a process for adding interpretative sedimentology into 

pattern‐based  reservoir  modeling.    A  preliminary  conceptual  training  image 

model is proposed and an outline for the modeling process explained.  Multiple 

equally  probable  simulated  realizations  were  generated  from  Filtersim  to 

demonstrate the modeling process. 

FUTURE WORK The modeling framework presented in this paper lays the groundwork for 

future work.  A simple training image was presented and used in a pattern‐based 

simulation anchored to local seismic attributes and well data.   Future work will 

include  training  image  expansion  to  allow  for  the  inclusion  of  multiple 

interpretations,  a more  detailed  statistical  rock  physics  analysis  to  determine 

depositional processes at  the  seismic‐scale.   The aim  is  to quantitatively  frame 

seismic‐scale  facies modeling down  to sub‐seismic,  reservoir‐scale,  facies based 

on stacking patterns from core and outcrop observations. 

Training Image Expansion Due  to  the  uncertain  nature  of  our  interpretation  of  reservoir  deposits 

based on  incomplete  sets of  information, multiple  interpretations with varying 

levels of complexity should be generated.   These alternative  interpretations are 

then  included  in  the pattern‐based modeling process  through multiple  training 

images with varying levels of complexity.  The example training image presented 

in Figure 6 is preliminary and very simple, and additional depositional elements 

might  exist  within  the  channel  belt.    When  attempting  to  predict  reservoir 

characteristics  (sand  distribution  and  associated  reservoir  trap)  within  the 

channel  belt,  it  is  important  to  include  depositional  elements  that  control 

potential  reservoir  deposits.    These  deposits  are  a  result  of  the  deepwater 

depositional processes associated with the channel belt.  In this case, controlling 

processes are turbidity currents and mass transport events (debris flows, slumps 

and slides).   This section outlines some of these processes. 

Inner Lobes:  Terminal, Transient and Overbank As  turbidity  currents  transport  sediment  they may  spill  over  the  inner 

levee of the ribbon channel creating an overbank lobe, a terminal lobe as the flow 

wanes,  or,  if  there  are  topographic  lows  along  the  floor  of  the  channel  belt,  a 

transient  lobe  might  be  generated  as  sediment  drops  out  of  suspension 

(Adeogba, 2005).   To account  for  such processes,  three  types of potential  inner 

lobes  training  images  could  be  included;  Terminal,  Overbank  and  Transient 

lobes as shown in Figure 14A, B, and C, respectively, where the ribbon channel is 

shown in yellow and the lobe position and geometry shown in green. 

 

 Figure 14  Types of Inner lobes to add to training image.  A) Terminal Lobe, B) Overbank Lobe, and C) Transient Lobe 

To  include  these  types  of  facies  in  a  geostatistical  simulation,  ribbon 

channels  could  be  simulated  first  and  their  locations  frozen.   Next,  lobes  are 

simulated  attached  to  these  channel  locations.    This  concept  of  hierarchical 

simulation was introduced by Maharaja (2004) and allows large flexibility in the 

simulation of multi‐scale objects. 

Debris Flows, Slumps and Slides Other training image elements controlling where the ribbon‐channels and 

therefore  reservoir  facies  are  deposited,  are  debris  flows,  slumps  and  slides  

(DeRuig  and  Hubbard,  2006).    Each  of  these  events  could  interrupt  and 

potentially  even  divert  the  ribbon  channel  deposition.    Debris  flows  could 

potentially span the entire width of the channel belt and blanket existing ribbon‐

channel  incision.   A new ribbon‐channel would  then re‐establish  itself over  the 

debrite (deposit from a debris flow).  Slumps and slides could be of varying size 

and shape, but they are subject to rules in relation to the inner channel and inner 

overbank deposits.  That is, the slumps and slides would 1) erode into previously 

deposited channel belt  facies, 2) control  the  location of  the deposition of  future 

channel  belt  facies  deposition,  and  3)  be  eroded  by  future  channel  belt 

deposition.   Uncertainties associated with  slumps and  slides are,  size,  location, 

amount they erode when deposited and how much they are eroded after they are 

deposited.    These  uncertainties  can  be  investigated  by  stochastic  modeling 

process. 

Ribbon‐Channel Orientation The  ribbon‐channel  orientation  changes within  the  channel  belt  as  the 

channel migrates  and  fills  the  basin with  time.    To  capture  such  orientation 

change, a ribbon‐channel orientation cube can be used to control the orientation 

of the training image and therefore the pattern placement during simulation.  An 

example of such a cube is shown in Figure 15.  The main axis of the channel belt 

is  shown  transitioning  from  N35E  degrees  up  to  N15E.    This  volume  was 

generated from an interpretation of the channel belt location across the volume at 

reservoir levels A1 and A2 (top to bottom).  

  

Figure 15  Main channel belt rotation cube (left) based on an interpretation of the channel belt migration from the A2 to the A1 channel level from the seismic data (right).  

Rock Physics Modeling Characterization  of  reservoir  facies  in  the  Puchkirchen  channel  belt  is 

challenging due  to  the overwhelming amplitude signature of  the non‐reservoir 

channel‐fill  conglomerates  and  the  thin‐bedded  nature  (<1.5m  thick)  of  the 

reservoir  sands.   The  internal  reservoir  sandstones  cannot  be deterministically 

interpreted from the seismic volume because they are below seismic resolution.  

Additionally, as shown in Figure 16, the reservoir sands (gas sands in pink and 

water sands in yellow) have similar impedance contrasts as shales and siltstones 

from the conglomerates.  The delineation of reservoir sand is further complicated 

because their impedance signature do not discriminate gas sand from soft shale 

(shown in red).  

 

-35

-15

 Figure 16  Vp/Vs vs. P‐wave Acoustic Impedance with representative cores of a) muddy matrix conglomerate, b) sandstone, c) basal conglomerate transitioning upward into a muddy matrix conglomerate (potential slurry flow), and d) clast supported conglomerate.  

However, all  conglomerates are not  the  same and  it may be possible  to 

differentiate  reservoir  versus  non‐reservoir  associated  conglomerates  in  the 

seismic  data.    P‐Impedance  histograms  in  Figure  16  show  that  there may  be 

multiple  populations  of  conglomerates  lumped  into  the  single  category 

“conglomerate”  (green)  as  evidenced  by  a  potential  tri‐modal  histogram 

character.   Additionally,  the shale histogram  (blue) shows a potential bi‐modal 

distribution.   The current hypothesis  is that three populations of conglomerates 

are  expressed  in  the  statistical  distributions;  clast  supported  sandy  matrix 

conglomerates  (deposits  from  high  density  turbidity  currents), muddy matrix 

conglomerates  (debris  flow  conglomerates),  and  transitional  conglomerates 

(slurry  flow  deposits)  (Lowe,  1982).    Clast  supported,  sandy  matrix 

conglomerates  could have  spatially  linked  clean  sands due  to  the depositional 

process  of  high  density  turbidity  currents.    For  example,  as  described  by 

Hubbard, the ribbon channels are delineated by a basal conglomerate, sandstone 

and shale upward fining sequence.   This basal conglomerate would most  likely 

be a clast supported, sandy matrix conglomerate. 

 Figure 17 Ip and Is Histograms for the A1 reservoir Interval with overburden and underlying conglomeratic units  

Finally,  Figure  16  and  Figure  18  both  show  a  potential  transition  of 

conglomerates  type  from  sandy  to  shaley with decreasing porosity.   Figure  16 

shows a decrease in acoustic impedance from conglomerates to shale, potentially 

signaling  a  transition  from  clast‐supported  to  muddy‐matrix  conglomerate.  

Figure  18  reveals  that  indeed  there  is  a  separation  between  shales,  sands  and 

conglomerates  and  that  the  conglomerate  population  overlaps  both  sand  and 

shale populations. 

 

  

Figure 18 P‐wave velocity (Vp) versus total porosity for the Puchkirchen color coded by Facies (left) and theoretical cementing and sorting trends for comparison (Mavko, 2006) (right).    

Sub‐Seismic Facies Modeling The modeling presented herein is at the limits of the seismic scale.  Active 

ribbon‐channel depositional regions were interpretively generated and potential 

use of  soft probabilities  for  ribbon‐channel placement discussed.   The  focus of 

this type of study  is on reservoir facies and not on the  larger scale depositional 

elements.  The depositional elements can, however, be a stepping stone to reach 

the  reservoir  scale  facies.    For  example,  Figure  19  shows  the  concept  of  core 

interpretation being superimposed on the pattern‐based simulation model within 

the  channel belt.   Statistics,  in  the  form of probability of  stacking patterns and 

histograms  of  bed  thickness  by  facies, might  be used  to  generate  a  finer  scale 

training  image  to be used  for sub‐seismic pattern simulation.   The Puchkirchen 

field offers a unique opportunity to perform this study due to the abundance of 

core data in reservoir and non‐reservoir facies.   

 

 Figure  19    Illustration  of modeling  sub‐seismic  facies  from  vertical  stacking  patterns  from core.   Superimposed core interpretations are purely illustrative and do not correspond to the two wells shown.   

ACKNOWLEDGEMENTS 

We  would  like  to  thank  Rohöl‐Aufsuchungs  A.G.  (RAG)  for  financial  and 

logistical  support  of  this  research,  specifically,  Richard  Derksen  for  his 

mentorship and valuable research  insights.   This work  is continually  improved 

by review and personal communication with Dr. Stephen Hubbard, Dr. Stephen 

Graham, Dr. Andre  Journel, Dr. Tapan Mukerji, Dr. Gary Mavko and Dr. Don 

Lowe. 

 

REFERENCES 

Adeogba, A. A. A.,  2005,  Transient  fan  architecture  and  depositional  controls 

from near‐surface 3‐D seismic data, Niger Delta continental slope: AAPG 

bulletin, v. 89, p. 627‐643. 

Arpat,  G.,  2005,  Sequential  Simulation  with  Patterns,  PhD  thesis,  Stanford 

University, 166p. 

Bernhardt, A., and Lowe, D. R., 2006, Facies architecture of deep‐water deposits 

in  the Upper Austrian Molasse Basin: Channel and overbank deposits  in 

the Puchkirchen and Atzbach gas  fields: A preview., Stanford Project on 

Deep‐Water Depositional Systems Report  

Caers, J., Strebelle, S., and Payrazyan, K., 2003, Stochastic  integration of seismic 

and geological  scenarios: A  submarine  channel  saga, The Leading Edge, 

pages 192–196. 

DeRuig,  M.  J.  and  Hubbard,  S.  M.,  2006,  Seismic  facies  and  reservoir 

characteristics  of  a  deep‐marine  channel  belt  in  the  Molasse  foreland 

basin, Puchkirchen Formation, Austria:  AAPG Bulletin, v. 90, no. 5 (May 

2006), pp. 735–752. 

Hubbard,  S.M.,  2006,  Deep‐Sea  foreland  basin  axial  channels  and  associated 

sediment gravity flow deposits, Oligocene Molasse Basin, Upper Austria, 

and Cretaceous Magellanes Basin, Chile, PhD Thesis, Stanford University, 

204p. 

Lowe,  D.,  1982,  Sediment  gravity  flows;  II,  Depositional models with  special 

reference  to  the  deposits  of  high‐density  turbidity  currents:  Journal  of 

Sedimentary Petrology, v. 52, p. 279‐297. 

Maharaja, A., 2004, Hierarchical Simulation Of Multiple‐Facies Reservoirs Using 

Multiple‐Point Geostatistics, MS Thesis, Stanford Univserity, 32p. 

Mavko,  G.,  2006,  Introduction  to  Rock  Physics,  Course  Notes,  Stanford 

Univerisity. 

Strebelle,  S..  Sequential  Simulation Drawing  Structures  from  Training  Images. 

PhD thesis, Stanford University, 2000. 

van Alebeek, H., 2000,  (Geo)statistics on  thin  turbidite sandstones  in  the Upper 

Austrian molasse basin: Sediment 2000, Mitteilungen der Gesellschaft der 

Geologie‐ und Bergbaustudenten in Oesterreich, vol. 23, p. 18‐19. 

Zhang, T., Switzer, P., and Journel, A., 2006, Filter‐based classification of training 

image patterns for spatial simulation, Mathematical Geology, vol. 38, no.1, 

pp. 63‐80.