空间域加窗二维希尔伯特变换在三维地震资料体边缘检测中的应用

根据地震资料的不连续性能识别河道、断层、裂缝发育带等。为此提出并实现了基于二维希尔伯特变换的三维地震资料体边缘检测方法。通过在三维目的层段时间和深度方向加窗,并引入二维高斯函数,建立了改进后的二维希尔伯特体边缘检测算子,可以在三维空间调节计算孔径以提取不同尺度的不连续性地震异常,并压制噪声。模型试算和实际资料处理结果表明,基于二维希尔伯特变换的地震资料体边缘检测方法能够有效刻画地质异常体的空间分布,很好地突出裂缝发育带的边缘以及走向信息,提高了地震数据解释的准确性。     

基于多分辨率U-Net网络的地震数据断层检测方法

断层检测是地震资料解释的一项重要工作。基于相干体、曲率等属性的常规断层检测方法不够直观,人工手动拾取断层无法高效处理实际生产中的海量地震数据。深度学习网络由于具有强大的特征提取能力和高效的特征表达能力,近年来被广泛应用于地震数据处理和解释中。为此,提出了一种基于多分辨率U-Net网络（MultiResU-Net）的断层检测方法,即引入多分辨率模块增强网络模型的多尺度断层检测能力,使用残差路径代替普通跳跃连接,缩小用于拼接的特征图之间的语义差别。相比于普通U-Net网络,训练完备的多分辨率U-Net网络模型测试结果具有更高的准确度,Jacard指数和Dice系数分别提高了0.027和0.136,并且断层检测错误率降低了0.094。通过网络中间层可视化分析直观地展示了网络模型对地震数据的特征提取、表达过程。将网络扩展到三维并与迁移学习结合后,同样在三维实际地震数据应用中取得了较好的效果。该方法对于实际生产中实现高效、自动化断层检测具有重要意义。     

基于U-Net深度学习网络的地震数据断层检测

断层解释是地震资料解释的关键环节之一.随着人工智能技术的发展,断层的自动、快速识别成为机器学习方法在地球物理领域应用的一个研究热点.目前,断层智能识别还存在着模型训练难度大以及实际资料预测效果不理想等问题.为此,提出一种基于U-Net深度学习网络的地震数据断层检测方法,即在网络结构中结合U-Net和残差模块Res-50...     

构建三维深度监督网络的断层检测方法

地震资料人工解释断层往往具不确定性。随着计算机和人工智能的发展,深度学习技术越来越多地应用于地球物理领域,多种基于卷积神经网络的算法也广泛地应用于断层识别。为此,结合三维U-Net和深度残差网络,引入多层深度监督的机制,构建了一种基于三维深度监督网络的断层检测方法。残差模块的引入能够简化网络的学习目标,降低训练难度,而多层的深度监督能够为网络提供更多的反馈,减轻训练过程中潜在的梯度消失,使解码器子网络能够学习到不同尺度的断层语义信息,可进一步提高断层识别的准确性。理论模型测试和实际地震资料的应用表明,该方法可以有效识别断层位置;与常规U-Net网络相比,减少了小断层的漏识别和错误识别;识别的大断层连续性好,断层细节更丰富,明显提高了断层识别的准确性。     

复杂断层快速三维体解释方法

三维地震构造解释中最主要的难点是断层解释。尽管地震相干分析方法可以突出断层特征，但断层解释方法多数采用二维解释模式。这种模式不仅降低数据体的利用率，无法充分发挥相干数据体的优势，而且还影响断层解释精度，增加断层解释难度。尤其是对复杂地区而占，断层的空间组合、断点闭合这些常常困扰解释人员的难题，在二维解释模式下就更加复杂。针对这个问题，提出厂复杂断层快速三维体解释的新方法。该方法利用叠后处理及可视化等技术手段，对相干数据体作进一步的分析处理，用突出断层为特点的选择性滤波及断层数据体分离等方法，把断层数据从相干体中剥离出来，最后把分离得到的断层数据与原始数据合成新的三维数据体。这种新数据体用常规的层位自动追踪方法可实现复杂断层的快速自动解释，也可沿解释层面自动生成断层多边形。     

计算地震构造解释与建模的实现讨论

三维地震构造解释与建模是油气勘探开发的关键步骤之一,随着三维地震数据体的规模不断增大,大量依赖于人工的传统方法在效率、精度和分辨率方面均难以满足生产需求;同时,随着计算机软硬件技术的发展,基于计算机辅助的自动化三维地震构造解释与建模是必然趋势,并且近10年来该领域取得了较大进展。介绍并讨论了一整套全自动三维地震构造解释与建模的计算机实现技术流程及其在多个实际数据中的成功应用案例。该流程主要包括：(1)三维地震断层检测、断层面构建、断距场估计和断层恢复等一系列断层解释功能的实现;(2)盐丘、火成岩和溶洞等各类地质体的识别与三维建模;(3)不整合面、层序界面检测与提取;(4)基于断层、地质体和不整合面等边界信息约束的层位体解释和Wheeler体构建;(5)融合所有构造和层位解释结果的构造建模和井震联合物性参数建模。对相关方法技术进行了综述,并将其与相应的实际地震数据应用情况相结合展开讨论,以呈现整个自动化地震构造解释与建模过程中所面临的计算机技术问题及其实现情况。其中,断层检测、地质体识别和层位提取等问题得到了较好的自动化实现,而断层面组合、构造恢复、精细层序解释和构造建模等方面依然高度依...     

基于深度学习的地震断层检测与断面组合

断层解释是油气勘探和开发中的关键步骤,由于采集的三维地震数据体数量增多,人工以及传统方法很难精细化解释数据体中的断层.为了更好地满足目前油气勘探开发对高效、高精度、高分辨率断层解释的迫切需求,研究基于深度学习算法实现地震数据的自动化和智能化断层检测.通过正演模拟的方法生成大量的、多样化的、符合实际情况的训练数据,同时结...     

利用不连续性的各向异性扩散滤波方法识别断层

在提高地震数据信噪比的同时保护断层等不连续的边界信息,对于地震精细解释具有非常重要的意义。为此,在前人的研究基础上,提出了基于不连续性的三维各向异性扩散滤波方法,分析了结构张量特征值与三维地震图像的局部结构特征之间的关系,并利用断层置信度参数重新设计扩散张量的特征值,可以更合理地控制地震数据沿不同方向的扩散滤波强度：在地震同相轴连续性较好之处,断层置信度参数趋于0,滤波强度大;在断层等地质体的边缘处,断层置信度参数趋于1,扩散滤波强度弱,可以有效保护断层等不连续边界的信息。模型测试和实际资料的应用证明,所提方法在提高地震资料信噪比的同时,可有效保护断层等不连续的边界信息,并在连续地层区域增强同相轴的连续性,为断层解释提供良好的基础数据。     

基于循环一致性对抗网络的地震断层训练样本合成方法研究

为了获得真实的地震断层训练样本,提出了基于循环一致性对抗网络的断层训练样本合成方法。使用随机生成的断层标签与实际断层数据作为输入,利用无监督的对抗网络学习断层标签与断层数据之间的联系,生成与断层标签特征相匹配的地震断层样本,由此得到带有标签的断层训练样本集。该方法是一种获取断层训练样本集的方法,一定程度上解决了深度学习地震断层解释缺少训练数据集的问题。对合成断层样本与真实断层进行平均主频与纹理差异的定量分析,结果表明两者具有较高的相似性。使用合成的断层样本训练神经网络,并将结果应用于实际数据测试并进行对比,结果表明合成的断层训练样本具有真实可靠的特点,所提方法可以针对不同工区生成具有目标导向性的断层,能够灵活有效地应用于不同工区的地震断层智能识别。     

复杂断块区低品质地震资料解释方法

解释复杂断块区低品质地震资料的合理思路是,先解释大断层控制的构造格局和整个形态,再解释大断块内的构造细节及油层。在此思路指导下,在解释区域构造形态时,采用了形成相干数据体了解断层展布规律;用二维剖面建立构造模式指导低品质三维地震资料的解释;断裂展布法解释区域构造形态;解释主断层时充分利用深度切片;多个专家进行平行解释寻找解释共同点。在解释局部构造时,注意解释油层顶面构造;利用工作站的功能进行反射层的精细对比;利用叠前深度偏移数据体解释构造;地震资料的处理和解释一并进行。通过上述方法,地震解释效果有了很大的提高,使钻井成功率由原来的38%提高到现在的80%。     

基于深度卷积神经网络的地震数据断层识别方法

对地震数据进行断层解释一直是油气勘探开发过程中的一项重点工作.传统的断层解释主要是以人机交互方式进行的,效率低,并且人为因素可能增大断层解释结果的不确定性;而常规的断层识别方法则通常需要设置多个控制参数,导致断层识别的结果严重依赖参数设置的准确性.为此,提出一种基于卷积深度神经网络的地震数据断层识别方法,该方法利用Re...     

基于残差网络与迁移学习的断层自动识别

机器学习算法在地球物理领域的应用越来越广泛、深入。在地震资料解释中,目前主要利用实际或人工合成的断层样本,训练浅层卷积神经网络识别断层。实际断层样本需要人工标记,消耗大量时间成本;人工合成的断层样本虽然容易获得,但训练出的网络在应用于实际地震数据时效果不佳。为此,将深度残差网络与迁移学习结合并应用于断层识别。首先构建性能更优秀的深度残差网络训练人工合成的断层样本,然后使用少量实际断层样本进行迁移学习,增强网络的泛化能力,优化网络的识别结果。迁移学习后的网络能够有效提高实际断层的识别准确率,实际地震数据验证了该方法的可行性和有效性。     

断棱刻画在沈家铺油田油藏描述中的应用

在黄骅坳陷孔南地区沈家铺油田油藏描述中,将钻井、地震、建模、动态分析多种技术相结合,对目的层断棱进行精细刻画。通过密井网的井震联合进行精细地层划分对比,确定井上断点位置;利用多种地震属性识别断裂系统,并加大地震测线解释密度,结合生产动态资料分析,进行断层精细刻画及层位追踪,确定断层面的形态;将地震解释成果直接输入到建模软件中,快速建立起高精度的三维断层模型,依据密井网单砂层划分结果绘制微构造图,并确定单砂层在断层面的交线位置,从而精细刻画断棱的形态。现场应用效果表明,运用该方法进行断棱刻画,解释精度高,能为断块开发调整提供可靠依据。     

基于VNet深度学习架构的低序级断层智能识别方法

低序级断层识别是油气勘探开发的重要环节，传统的相干体、谱分解、曲率、蚂蚁体、边缘检测等方法虽然能够提高断层识别的效果和精度，但是对断距较小的低序级断层识别效果不佳。基于人工智能技术的全卷积神经网络(FCN)深度学习方法，为识别低序级断层提供了新的途径。在UNet基础上提出的VNet模型深度学习架构，可以在上、下采样过程中增加信号的感受野，尽可能地在提取大尺度断层信息的同时保留和提取小尺度断层信息。选用正演模拟数据和实际地震数据分别对UNet模型、VNet模型进行测试，通过选择合适的损失函数、迭代次数，优选合适模型权重参数对两者进行模型训练和断层识别效果对比，结果表明，基于VNet模型方法提取的信息更丰富，在识别低序级断层方面更有效。     

基于深度学习的高效构造解释技术研发及工业化应用

深度学习为传统地震资料解释技术的发展带来了强劲动力,由此催生了大量的智能化解释技术。但目前的研究成果很少能实现规模化生产应用。为此,面向中、低信噪比地震资料,着力基于深度学习的智能化解释技术工业化落地。在开发智能化软件研发平台的基础上,形成了具有较强资料适应能力的智能化层位解释与断层检测技术,在大规模连片资料层位解释、复杂断块精细描述中发挥了重要作用。与传统的自动解释技术相比,该技术的层位解释效率提高8~20倍,断层识别精度相对于相干、曲率属性等得到显著提高。目前已能完全取代原有的自动解释功能,基本实现了构造解释的智能化转型。     

深度学习与边缘增强相结合的断裂综合检测技术——顺北地区超深走滑断裂检测应用实例

塔里木盆地顺北地区超深断控缝洞型储集体发育,近年来不断有高产井涌现; 同时,大量研究证实高角度走滑断裂对油气藏的运移和聚集起决定性作用。受“断控储集体”埋藏深,且走滑断裂断距小、难闭合等因素的影响,顺北地区地震资料信噪比低、断面特征不清晰,导致走滑断裂检测及空间解释难度较大。针对上述超深走滑断裂检测研究面临的难点,文中提出深度学习与边缘增强相结合的多尺度断裂综合检测技术：首先将走滑断裂按规模划分为主干断裂、伴生次级断裂、小尺度裂缝;通过正演主干断裂、次级断裂、裂缝等不同断裂模式的地震响应特征并进行方法实验,认为可应用U-Net卷积神经网络深度学习技术识别主干断裂、振幅梯度矢量凌乱性检测技术识别伴生次级断裂、Aberrance增强属性识别小尺度裂缝。将该套技术应用于顺北地区走滑断裂实际检测中,取得了显著效果。