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。     

改进的U-Net网络小断层识别技术在玛湖凹陷玛中地区三叠系白碱滩组的应用

利用改进的U-Net网络小断层识别技术,对准噶尔盆地玛湖凹陷玛中地区三叠系白碱滩组的小断层进行了识别。研究结果表明：(1)构造导向滤波预处理能有效改善地震资料的品质,提高断层识别的准确率。加入了跳跃连接和中继监督、正态标准化和聚焦均方损失函数的U-Net网络方法,对小断层的精细识别能力有所提升。(2)使用200组训练样本集和20组验证样本集,模型地震数据由反射系数与雷克子波褶积生成,断层由人工标注而成。选取最优的网络模型参数,并在合成的含噪地震数据上分别利用相干属性、常规U-Net网络方法及改进的U-Net网络方法进行测试,构造导向滤波有效突出了断层的边界,且增强了同相轴的横向连续性,改进后的U-Net网络方法对于7 m以上断距的断层可进行有效识别。(3)对于玛湖凹陷玛中地区三叠系白碱滩组高角度走滑断裂和伴生小断距次级断裂的识别,改进后的U-Net网络方法的识别精度明显高于相干属性和常规U-Net网络方法,研究区大侏罗沟断裂北翼的(3)号与(4)号砂体,是拓展MZ4井区三叠系白碱滩组高效勘探的有利区。     

面块切片解释方法应用实例探讨

面块切片是一种新的三维数据显示、解释方法，将它应用于安棚油田地震资料解释中和BBT油田识别小断层中。与常规解释方法相比，不仅大大提高了地震资料的解释效率，而且在识别小断层和小构造方面效果明显。     

基于改进AlexNet模型的断层识别方法

从地震数据中识别断层在地震资料解释中至关重要,但随着勘探规模的扩大,传统的人工解释断层已满足不了实际生产需要.如何研究出一种能满足断层识别高精度需求并能提升运算速度的方法是急需解决的问题.为此,基于改进的AlexNet模型,把自动识别断层的方法看作图像识别二分类问题.首先将批量归一化代替局部响应归一化,加快模型收敛;其...     

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。     

油藏动态资料在小断层地震识别及评价中的应用

小断层的识别与评价一直是地震资料精细构造解释的难点之一。在油田开发的中后期,小断层的识别和封堵性能研究成果是油田开发调整的重要依据。本文将油田开发动态资料与地震资料结合,即应用油田开发动态资料弥补地震资料纵向分辨率的不足,应用地震资料克服油藏开发动态数据解释难以准确定位、描述空间特征的技术局限,开展小断层识别及封堵性能评价研究。研究结果表明,将油藏开发动态资料与地震资料相结合,不仅可以提高应用地震资料识别小断层的能力,评价小断层侧向封堵性能,而且能够提高地震资料在油田开发中应用的深度,为油田开发调整决策提供可靠依据。     

大港油田风化店断块地震断层解释技术研究

针对大港油田以开发单元为基础的复杂断块油藏精细描述工作中存在的地震断层解释精度差的问题,将地球物理技术应用到油藏精细描述中,以地质建模为基础,采用相干体资料处理技术对地震数据进行精细解释,在识别出主断层的基础上,进一步识别出细小断层,最终提高了地震断层解释精准度。     

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。     

长垣油田地震层位准确拾取与小断层识别

在油田剩余油挖潜研究中,准确解释反射层位及识别断距约为5 m的小断层是地震技术应用于油田开发的难题.在喇南北区块,采用以数据分频、层位拉平为主导的高精度层位拾取技术解决了开发小层对比尺度下的地震层位解释问题,依据反射振幅和波形变化可确定小断层,利用地震相干属性可确定井间断层的空间展布.实践证实,利用地震资料可以识别断距超过3 m的断层,所解释的断层能够指导剩余油挖潜研究和开发井位部署.     

构造导向滤波技术在断裂识别中的应用

断层解释是地震资料解释的基础与关键,准确合理的断裂解释对已发现油藏认识与下一步勘探开发部署方案起着至关重要的作用。随着油田对断层解释精度需求的日益提高,单纯通过人工解释无论是从工作量上还是从识别准确度上都无法满足要求,因此多种用于断层识别的计算方法和属性应运而生。本文对研究区原始地震资料进行多窗口倾角检测和构造导向滤波处理,在保证资料频率、相位、能量特性基本不变的情况下,使其更适用于断裂识别,提升断层识别的精度,进一步达到落实构造圈闭的目的。     

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。     

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...     

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。     

基于深度卷积神经网络的地震数据溶洞识别

溶洞识别对于缝洞型油气藏的勘探与开发具有重要意义。传统溶洞识别方法多解性强且效率低,因此将具有强特征学习能力、高泛化性的深度学习方法引入溶洞识别中,但溶洞的地震波场响应特征复杂、异常体尺寸较小、训练样本难以获取等导致深度学习在识别溶洞时仍具挑战性。为此,提出一套识别地震数据溶洞的"两步法"深度学习方法:首先通过U-Net模型识别地震剖面上的"串珠状"异常反射;再根据"串珠状"异常识别结果对地震数据进行小范围截取,输入深度残差网络中,实现对实际溶洞轮廓的预测。对于实际溶洞预测训练数据难以获取这一问题,采用波动方程正演模拟的方法制作具有准确标签的溶洞地震数据。实际地震数据的应用表明,该方法对于溶洞识别准确性高,抗噪能力强,可以极大地节约人工解释成本。     

基于深度卷积神经网络的地震数据溶洞识别

溶洞识别对于缝洞型油气藏的勘探与开发具有重要意义。传统溶洞识别方法多解性强且效率低,因此将具有强特征学习能力、高泛化性的深度学习方法引入溶洞识别中,但溶洞的地震波场响应特征复杂、异常体尺寸较小、训练样本难以获取等导致深度学习在识别溶洞时仍具挑战性。为此,提出一套识别地震数据溶洞的"两步法"深度学习方法:首先通过U-Net模型识别地震剖面上的"串珠状"异常反射;再根据"串珠状"异常识别结果对地震数据进行小范围截取,输入深度残差网络中,实现对实际溶洞轮廓的预测。对于实际溶洞预测训练数据难以获取这一问题,采用波动方程正演模拟的方法制作具有准确标签的溶洞地震数据。实际地震数据的应用表明,该方法对于溶洞识别准确性高,抗噪能力强,可以极大地节约人工解释成本。     

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。     

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。