人工智能在地震勘探中的應用新進展

人工智能在地震勘探中的應用新進展隨著信息化時代到來，地震勘探正向著智能化方向發(fā)展。各個企業(yè)、科研院在地震勘探研究和應用中，都加大了對人工智能技術AI）地使用，通過智能化手段提高了勘探的效率和精度，取得了地球物理資源開發(fā)利用更大的成就。01什么是地震勘探為了更好的研究和開發(fā)我們生存的家園一一地球，產(chǎn)生了一門用物理測量和數(shù)學研究的學科，這就是地球物理學。地球物理學中通過地質樣本進行直接研究的方法，稱為地探。另外一種通過儀器進行地球觀測的方法，稱為物探。在物探方法中，包括了重力、磁法、電法、地震、放射性等多種方法。其中勘探石油天然氣資源最有效的方法就是地震勘探。地震勘探是用地下巖石彈性差異來進行地球物理勘測的方法，通過激發(fā)人工地震，研究地震波在地下傳播的規(guī)律，以查明地下地質的構造。02人工智能在地震勘探中的應用新進展在國際國內地震勘探領域，隨著AI技術飛速發(fā)展，大量AI+地震勘探的研究成果不斷涌現(xiàn)。根據(jù)SEG最近幾年對AI技術研究成果地統(tǒng)計，深度學習方法已經(jīng)成為主流。其中卷積神經(jīng)網(wǎng)絡模型（CNN）的研究最多，占比60%以上，生成對抗網(wǎng)絡模型（GAN）占比10%左右，循環(huán)神經(jīng)網(wǎng)絡模型（RNN）占比10%左右。其余的研究方法還包括機器學習的算法，如隨機森林、字典學習等等。很多論文還會結合多種方法聯(lián)合使用，達到更好的應用效果。從應用領域來看，熱門的研究領域包括了數(shù)據(jù)預處理、構造解釋、儲層識別等領域。1.數(shù)據(jù)預處理數(shù)據(jù)預處理主要是實現(xiàn)地震道集的優(yōu)化，包括了噪聲壓制、分辨率提高、缺失道恢復等。有學者提出了深度殘差網(wǎng)絡、自編碼卷積神經(jīng)網(wǎng)絡、深度卷積神經(jīng)網(wǎng)絡等進行了隨機噪聲壓制。深度殘差網(wǎng)絡（地質體導向結構學習）Sang.Yuan,如日哽，＜?[al.iEEi\GeosmJ?田wSegLett.2[）20,還有學者通過建立多尺度信息相互彌補的網(wǎng)絡模型，實現(xiàn)了地震信號的分辨率提高Supervisor!SupervisoriD（Fi、ed）Observed?ci^niicdataHigh「『喝MinionrencctivityGcncrakdstismitduta反算子正算子多尺度數(shù)據(jù)監(jiān)督混合網(wǎng)絡L（。）=￡二此D（E（（"）;0）||；+沓一E（d次）口Yuan,Jluo,Wan冬，elS.EAGE.2020;、-uhil^anc,st;il.IEEETnt^s.Gcosci,Rw眼您脆成、2017,2.構造解釋在構造解釋領域的典型應用包括了斷層識別、地層識別、邊界圈定等方向。在斷層識別方向，伍新明等教授的團隊取得了較好的成果。主要成果包括了：一是通過機器算法生成大量人工合成的地震斷層訓練標簽。二是通過機器學習算法檢測斷層概率、斷層傾角等屬性信息。三是改進了神經(jīng)網(wǎng)絡算法，實現(xiàn)了精細化的斷層識別。

Xlnmln-gWu,Lumln號Xlnmln-gWu,Lumln號Liang,Yunzhl5hi,.etal:fsultd^t&ctk>n.rstructure-crientedsmoothingwithedge-presernng^andestirwtlDnbyU5ingssingle^DnvnlutiDnailneuralnetuvDrkPredictedktbclPfttl.iwcdliotironsHaoWu,EoZhang:temi-automat?dseismichorizoninterpretaticnUEingencoder-d噌匚oderconvolutioralneuralnetwork4.儲層預測在地層解釋方向，有學者采用無監(jiān)督學習地震特征和有監(jiān)督學習標注地層相結合方式，訓練了神經(jīng)網(wǎng)絡模型，在實際資料處理中取得了較好的效果。Haib-inDi.ZhunLi,Hirer.ManiaretHaib-inDi.ZhunLi,Hirer.Maniaretal:stratigraphyinterpretationviadeepconvcluticnalneuralnetworksL-.Stepssi&nic倍初u悟*Biril-3strstigraphs'地震相預測是儲層預測的一個熱門方向，其中主要方法是波形分類法。波形分類法是近年來機器學習在地球物理應用中的成熟方法，使用的模型包括了卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）、概率神經(jīng)網(wǎng)絡（PNN）、深度神經(jīng)網(wǎng)絡（DNN）、自編碼器網(wǎng)絡（AE）、生成對抗網(wǎng)絡（GAN）、K近鄰聚類（KNN）等。波形分類法的主要原理是抽取地震剖面數(shù)據(jù)學習地震屬性特征，再對地震屬性進行聚類實現(xiàn)波形分類，最后對目標工區(qū)進行地震相的預測?，F(xiàn)在也有使用深度神經(jīng)網(wǎng)絡模型（DNN、CNN、RNN、GAN等）直接進行波形特征學習，并應用于地震相分類的。比如有學者使用卷積神經(jīng)網(wǎng)絡學習了波形特征,進行了河道、河灘等地震相分類。

比如有學者使用卷積神經(jīng)網(wǎng)絡學習了波形特征,進行了河道、河灘等地震相分類。MichaelJervis.MingliangLiu,Weich-3ngLiet曲:DeepLearningNetworkOptinnizationandHyper-parameterTuning地震反演是儲層預測中的一項重要工作，在這個領域涵蓋了反射系統(tǒng)反演、彈性參數(shù)反演、物性參數(shù)反演、工程參數(shù)反演、巖石參數(shù)反演、全波形反演、地震初至旅行反演等眾多研究方向，采用的方法包括了機器學習和深度學習各類流行的算法模型。比如有學者采用級聯(lián)和卷積神經(jīng)網(wǎng)絡在時間域角度反演了巖石物理參數(shù)，包括縱橫波速度密度、孔隙度、含水飽和度等。TrusPr^dj￡te：dViEhalDw%TapsriMukeiji:Petraphyticalpr&p-erti?predirtionfrompre-stack&eiimicdatausingConvolutionalNeuralNetworks巖石物理分析是儲層預測中比較直接研究地質構造的一類方法，研究方向包括了對測井曲線預測和進行數(shù)字巖心的預測。

有學者運用三維卷積神經(jīng)網(wǎng)絡，通過掃描巖石標本圖像預計孔隙度和彈性參數(shù)，應用于砂巖切片預測。StiffmodelSoftStiffmodelSoftmodelGrainSi2eGrainSizeLeandroPassas.FernandoBordignon,RodrigoExterkoettereta\:Deep3DconvolutionalnturalnetworkappliedioCTsegmentedimagetorrockpropertiesprediction03人工智能技術在實際應用中存在的問題雖然人工智能技術帶來了很多革命性的變化，但是在應用過程中仍然存在一些局限性：03人工智能技術在實際應用中存在的問題雖然人工智能技術帶來了很多革命性的變化，但是在應用過程中仍然存在一些局限性：數(shù)據(jù)缺乏統(tǒng)一性目前地震勘探得到的數(shù)據(jù)類型眾多，數(shù)據(jù)量也很大。但是沒有建立一套標準的數(shù)據(jù)接口，缺乏數(shù)據(jù)統(tǒng)一管理的模式，造成人工智能模型的數(shù)據(jù)輸入存在限制，無法自動化、規(guī)?；挠柧毮Ｐ停瑹o法對網(wǎng)絡模型進行持續(xù)的改進。模型處理過程可視化問題網(wǎng)絡模型存在黑箱問題，處理過程中的結果無法供研究人員掌握。還需要考慮將智能模型計算結果與地震勘探軟件進行疊加使用，滿足復雜圖層、多次分析要求。高維度復雜數(shù)據(jù)處理問題目前的人工智能模型對一維數(shù)字、二維圖片等數(shù)據(jù)處理比較成熟。但是對三維以上的數(shù)據(jù)處理能力尚不成熟。在地震勘探工程中，存在大量的多維數(shù)據(jù)，比如地震數(shù)據(jù)體、油氣存儲屬性數(shù)據(jù)等。一方面高維度數(shù)據(jù)造成模型構造復雜度上升，另一方面大規(guī)模數(shù)據(jù)量也會造成數(shù)據(jù)處理時間成指