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。     

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...     

基于相似性传播聚类与主成分分析的断层识别方法

针对现有自动地震断层识别方法所存在的精度低、耗时较长及不能获得量化的断层识别结果等问题,提出了一种基于相似性传播聚类与主成分分析(Principal Component Analysis,PCA)的地震断层识别方法。首先,采用连通区域标注方法确定地震层位的不连续点。然后,利用相似性传播聚类算法对层位不连续点进行聚类,每一类不连续点可以确定一条断层,以此可获得断层的数量和每个类别的聚类中心。最后,基于PCA方法计算出每一类层位不连续点的主方向,将沿着主方向且经过相应聚类中心的线段作为断层。基于模型数据和实际地震数据将文中方法与现有方法进行了对比,在峰值信噪比、均方误差、时间消耗和断层条数符合率等方面彰显了文中方法的合理性,并可对断层进行"量化"解释,在地震勘探等领域具有较高的实际意义。     

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。     

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。     

地震相干技术的应用及效果分析

随着地震处理解释技术的发展及地学一体化解释系统的完善,地震反射层位的空间追踪解释效率得到明显提高,但是断层识别、解释和储层预测仍然是困扰解释研究人员的主要问题.地震相干技术及地震相干数据的应用使得对断层特别是小断层进行识别、解释成为可能,并大大降低了断层解释的随意性和对解释人员解释经验要求的苛刻程度,但沿层相干切片在层间断层解释、储层预测、烃类检测等方面的地质意义及地球物理内涵还有待更深入的研究.本文阐述其应用价值及效果,旨在引起广大地震地质解释人员的共鸣,推动这一技术的深入研究和应用.     

断层自动拾取技术在大布苏地区地震资料解释中的应用

传统三维地震资料断层解释是从三维地震资料中抽取数条二维测线进行单线解释,同时参考时间切片,利用测线与切片相互闭合这一关系,进行人工断层解释。断层自动拾取技术立足于三维相干数据体,根据相干数据体中断层倾角和方位角的变化,采用线性处理和断层矢量加强处理方法消除噪声,突出断层特征。通过水平和垂直断层矢量的自动组合,在三维可视化环境下实现断层自动拾取。应用断层自动拾取技术对松辽盆地南部大布苏地区的三维地震数据进行了断层解释,确定了断层的展布形态和断层之间的接触关系。     

基于混合神经网络的地震断层自动识别方法

本文提出的断层自动识别方法HCA能够有效改善这一现状。HCA利用混合卷积进行非连续特征提取,然后使用通道注意力机制捕捉断层证据,最后通过ASPP模块进一步提取地震图像的多尺度特征用于断层结果输出。在设计实验中本模型的准确率为0.9502,高于其他模型,能够用于实际地震解释节省时间和人力成本。     

Geophysics1989年,Vol.54 No.4论文文摘

在正生长断层遮掩部位的地震数据中会出现假构造,断层上盘时间构造呈滚动状地至断层,再往深部不存在这样的滚动.这种现象在德克萨斯湾海岸Frio 组地层的勘探中遇到过,该处一个大的生长断层扩张了 Frio 之上的一厚层低速页岩.分别位于地震控制两端的两个激发速度测量,显示了跨越勘探区目的层位的相当大的平均速度梯度.假设第一次及其后一的另一次速度测量在整个地区是有效的,它可以将井中的数据转化为时间,则在地震数据的构造解释中产生迥然不同的结果.更加明显的解释要求是有一个倾向西北向,且在目的层位中具有一个向下滚动的背斜的断层.该解释是先已由时间构造峰值上的一口干井验证过,它还否定了在这     

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。     

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...     

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。     

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。     

基于深度学习的鲁棒地震数据去噪

地震勘探数据中包含的噪声比较复杂,基于先验的传统建模方式无法准确地刻画噪声分布.深度学习 通过多层卷积神经网络自动提取数据的深层次特征,利用非线性逼近能力 自适应地学习而得到一个复杂的去噪模型,为地震数据去噪带来了新思路.但是,目前基于深度学习的去噪方法在样本覆盖不充分的情况下,学习得到的模型泛化能力不强,极大地降低了...     

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。     

数据增广的编解码卷积网络地震层间多次波压制方法

层间多次波压制是地震资料去噪领域的一项前沿技术挑战，对获取高质量数据、了解地下真实构造具有十分重要的意义。现有的层间多次波压制方法耗时长，对人工参数调整要求高，处理低信噪比数据时可能导致层间多次波泄露。为此，提出一种基于数据增广的编解码卷积神经网络层间多次波压制方法。首先，利用基于虚同相轴的层间多次波压制方法从原始数据中估计出一次波和层间多次波，生成一次波标签数据。然后，构建两种增广训练集：一方面，通过改变训练样本中层间多次波的振幅、极性及旅行时，进行层间多次波波场数据的增广，提高层间多次波压制网络的泛化能力；另一方面，通过对原始数据添加不同信噪比的高斯噪声进行噪声注入的数据增广，提高网络的抗噪性能。最后，结合去噪卷积神经网络(DnCNN)和U形全卷积神经网络(U-Net)的优势搭建了适合层间多次波压制的深层编、解码网络，进行神经网络训练和预测。合成数据和实际数据的处理结果表明，该方法能够有效压制地震层间多次波并保护一次波，具有较强的泛化能力和抗噪性能，可显著提高计算效率。     

面向地震波初至智能拾取的超分辨率深度残差方法研究

针对常规语义分割网络在初至拾取中存在的精度低、泛化能力差等问题，基于U-Net网络，结合残差学习模块和亚像素卷积方法，构建了一种超分辨率深度残差网络的初至智能拾取方法(SD-Net)。该方法使用具有跳跃连接的U型网络融合地震数据的多尺度信息，通过端到端的训练方式简化工作。首先，在SD-Net的下采样阶段引入残差学习模块，克服深层网络退化问题，有效提高对地震数据的学习能力；其次，上采样阶段采用亚像素卷积方法，通过卷积和多通道间的像素重组实现特征图超分辨率重建，以更高精度定位初至；另外，利用迁移学习将模型应用于中、低信噪比模拟数据，仅需少量标注数据即可训练得到最优初至拾取模型。实际算例表明：与U-Net方法相比，SD-Net训练效率明显提高；网络模型具有更高准确率和鲁棒性；迁移学习模型预测的结果验证了SD-Net具有较强的泛化能力；该方法在实际生产应用中对实现高效、准确的初至智能拾取具有重要意义。     

基于深度学习的多属性盐丘自动识别方法

三维地震数据的盐丘解释存在难度大且效率低的问题。为此,以深度学习技术为基础,以少量的二维地震数据为样本训练和测试模型,利用不同地震属性实现盐丘自动识别。流程主要包括三部分：首先,基于盐丘的地震反射特征提取了杂乱、均方根振幅以及方差等3种敏感属性,每一种属性分别选取少量主测线数据及时间切片作为训练样本进行预处理,并利用数据增强方法自动生成大量数据作为网络的训练样本;然后,搭建基于编码—解码器结构的卷积神经网络,分别输入不同属性的两类样本进行模型训练和测试以得到多个独立的模型;最后,为了综合考虑各属性特征,减少预测误差并得到更全面、准确的预测结果,利用集成学习方法融合多个模型并得到优化后的分类结果。结果表明,所提方法能高效、准确地在三维数据体实现盐丘自动分割,盐丘边界清晰,分类错误点明显减少,进一步提高了模型预测能力。