基于 ResU-Net 的三维断层识别方法及应用

断层刻画了地层的边界位置,地震成像数据中反射层的不连续性可作为断层解释的主要依据。深度神经网络的强非线性性质可作为地震数据中断层不连续特征表达的有力工具,断层识别问题可视作一个像素级别的二分类问题,并使用深度学习方法对此问题进行建模求解。据此可给出一种端到端的基于深度学习网络的三维断层自动识别方法。首先利用地震子波与反射系数卷积合成多组三维地震数据,建立用于深度网络学习断层特征的样本数据,随后搭建网络进行训练,网络训练完成后应用于实际地震数据。鉴于残差模块可很好地提升网络泛化性能,所提出的将残差网络中的残差块结构引入U-Net中的方法,可用于提升通过合成数据样本训练得到的网络模型在训练数据之外,即实际地震数据上的断层识别性能。所建立网络用于断层解释时,输入为叠后三维地震数据,输出为相同维度的三维数据体,其中每一输出值代表输入三维地震数据相同位置处断层的概率。实际算例对比测试表明,此方法可对三维地震数据中的断层进行有效识别,在合成数据集上训练精度相差不大的前提下,引入残差模块的ResU-Net在实际地震数据上的断层识别泛化性能得到提升。     

改进的整体嵌套边缘检测地震断层识别技术

断层解释的精度和效率对油气藏的勘探与开发非常重要。传统的断层解释方法多以人工为主,其依赖解释人员的经验且耗时较长;常规自动断层解释方法主要是分析地震数据的不连续性,往往涉及多个参数,因而断层解释精度多依赖选取的参数。近年来,随着深度学习技术的发展,非线性卷积神经网络能够描述地震数据中的不连续特征。为此,引入深度学习中的边缘检测技术,即整体嵌套边缘检测（Holistically-Nested Edge Detection,HED）网络,并根据地震数据和断层特点对网络结构进行改进和优化,提出适用于地震断层智能解释的改进HED （Improved HED,IHED）网络。主要步骤包括：①将原始二维HED网络推广至三维,搭建三维HED网络; ②根据HED网络的多尺度特点,调整三维HED网络构架; ③利用三维合成地震数据及其标签数据训练得到三维IHED模型,将该模型用于实际地震数据进行断层智能解释。与相干体算法和U-Net模型相比,三维IHED模型对断层预测的准确性更高,连续性更好。该方法为地震断层智能识别提供了一条可靠途径。     

薄互层型油气储层同步挤压变换域分析方法

薄互层型油气储层是陆相沉积盆地主要储层类型之一。研究如何利用地震资料刻画和预测薄互层油气储层,对中国油气勘探与开发具有重要意义。介绍了由三参数小波变换而得到的同步挤压三参数小波变换及其在薄互层型储层分析和地震资料谱分解中的应用。与三参数小波变换相比,同步挤压三参数小波变换在时间尺度域增加了对三参数小波变换的小波系数的重排操作,以提高时频分辨率。利用同步挤压三参数小波变换进行薄互层储层分析的方法既可以研究薄互层组的整体特性,也可以表征其组内的结构。与Morlet小波变换等常用的时频分析方法相比,该方法有更高的时频分辨率,能更好地刻画薄互层的整体特性及其组内的结构。合成地震记录和实际算例表明,同步挤压三参数小波变换对于地下地质体及不同厚度的河道和叠置的河道的刻画比其它相关变换的结果更为清晰和可靠。     

数据仓库技术的应用

随着科学技术应用的不断广泛和经济快速的发展，移动通信事业不断进行应用技术的更新。2009年中国移动通讯计入了3G时代，新时代的到来必然会引起应用技术的更新。3G时代的到来使得通信模式更多转变为以客户和市场为中心，以客户的价值取向和心理需求为导向。在传统的数据处理中，数据管理和组织是分散在各个部门的。新形势下原来的模式已经无法适应，因此数据仓库技术就开始应用。本文就对这一问题进行探讨。