人工智能在地震勘探中的應(yīng)用新進(jìn)展

人工智能在地震勘探中的應(yīng)用新進(jìn)展隨著信息化時(shí)代到來，地震勘探正向著智能化方向發(fā)展。各個(gè)企業(yè)、科研院在地震勘探研究和應(yīng)用中，都加大了對(duì)人工智能技術(shù)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(cè)量和數(shù)學(xué)研究的學(xué)科，這就是地球物理學(xué)。地球物理學(xué)中通過地質(zhì)樣本進(jìn)行直接研究的方法，稱為地探。另外一種通過儀器進(jìn)行地球觀測(cè)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(jìn)行地球物理勘測(cè)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(zhì)的構(gòu)造。02人工智能在地震勘探中的應(yīng)用新進(jìn)展在國(guó)際國(guó)內(nèi)地震勘探領(lǐng)域，隨著AI技術(shù)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(duì)AI技術(shù)研究成果地統(tǒng)計(jì)，深度學(xué)習(xí)方法已經(jīng)成為主流。其中卷積神經(jīng)網(wǎng)絡(luò)模型（CNN）的研究最多，占比60%以上，生成對(duì)抗網(wǎng)絡(luò)模型（GAN）占比10%左右，循環(huán)神經(jīng)網(wǎng)絡(luò)模型（RNN）占比10%左右。其余的研究方法還包括機(jī)器學(xué)習(xí)的算法，如隨機(jī)森林、字典學(xué)習(xí)等等。很多論文還會(huì)結(jié)合多種方法聯(lián)合使用，達(dá)到更好的應(yīng)用效果。從應(yīng)用領(lǐng)域來看，熱門的研究領(lǐng)域包括了數(shù)據(jù)預(yù)處理、構(gòu)造解釋、儲(chǔ)層識(shí)別等領(lǐng)域。1.數(shù)據(jù)預(yù)處理數(shù)據(jù)預(yù)處理主要是實(shí)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(fù)等。有學(xué)者提出了深度殘差網(wǎng)絡(luò)、自編碼卷積神經(jīng)網(wǎng)絡(luò)、深度卷積神經(jīng)網(wǎng)絡(luò)等進(jìn)行了隨機(jī)噪聲壓制。深度殘差網(wǎng)絡(luò)（地質(zhì)體導(dǎo)向結(jié)構(gòu)學(xué)習(xí)）Sang.Yuan,如日哽，＜?[al.iEEi\GeosmJ?田wSegLett.2[）20,還有學(xué)者通過建立多尺度信息相互彌補(bǔ)的網(wǎng)絡(luò)模型，實(shí)現(xiàn)了地震信號(hào)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(luò)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(gòu)造解釋在構(gòu)造解釋領(lǐng)域的典型應(yīng)用包括了斷層識(shí)別、地層識(shí)別、邊界圈定等方向。在斷層識(shí)別方向，伍新明等教授的團(tuán)隊(duì)取得了較好的成果。主要成果包括了：一是通過機(jī)器算法生成大量人工合成的地震斷層訓(xùn)練標(biāo)簽。二是通過機(jī)器學(xué)習(xí)算法檢測(cè)斷層概率、斷層傾角等屬性信息。三是改進(jìn)了神經(jīng)網(wǎng)絡(luò)算法，實(shí)現(xiàn)了精細(xì)化的斷層識(shí)別。

Xlnmln-gWu,Lumln號(hào)Xlnmln-gWu,Lumln號(hào)Liang,Yunzhl5hi,.etal:fsultd^t&ctk>n.rstructure-crientedsmoothingwithedge-presernng^andestirwtlDnbyU5ingssingle^DnvnlutiDnailneuralnetuvDrkPredictedktbclPfttl.iwcdliotironsHaoWu,EoZhang:temi-automat?dseismichorizoninterpretaticnUEingencoder-d噌匚oderconvolutioralneuralnetwork4.儲(chǔ)層預(yù)測(cè)在地層解釋方向，有學(xué)者采用無監(jiān)督學(xué)習(xí)地震特征和有監(jiān)督學(xué)習(xí)標(biāo)注地層相結(jié)合方式，訓(xùn)練了神經(jīng)網(wǎng)絡(luò)模型，在實(shí)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(yù)測(cè)是儲(chǔ)層預(yù)測(cè)的一個(gè)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(jī)器學(xué)習(xí)在地球物理應(yīng)用中的成熟方法，使用的模型包括了卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、概率神經(jīng)網(wǎng)絡(luò)（PNN）、深度神經(jīng)網(wǎng)絡(luò)（DNN）、自編碼器網(wǎng)絡(luò)（AE）、生成對(duì)抗網(wǎng)絡(luò)（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(xué)習(xí)地震屬性特征，再對(duì)地震屬性進(jìn)行聚類實(shí)現(xiàn)波形分類，最后對(duì)目標(biāo)工區(qū)進(jìn)行地震相的預(yù)測(cè)?，F(xiàn)在也有使用深度神經(jīng)網(wǎng)絡(luò)模型（DNN、CNN、RNN、GAN等）直接進(jìn)行波形特征學(xué)習(xí)，并應(yīng)用于地震相分類的。比如有學(xué)者使用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)了波形特征,進(jìn)行了河道、河灘等地震相分類。

比如有學(xué)者使用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)了波形特征,進(jìn)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(chǔ)層預(yù)測(cè)中的一項(xiàng)重要工作，在這個(gè)領(lǐng)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(jī)器學(xué)習(xí)和深度學(xué)習(xí)各類流行的算法模型。比如有學(xué)者采用級(jí)聯(lián)和卷積神經(jīng)網(wǎng)絡(luò)在時(shí)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(chǔ)層預(yù)測(cè)中比較直接研究地質(zhì)構(gòu)造的一類方法，研究方向包括了對(duì)測(cè)井曲線預(yù)測(cè)和進(jìn)行數(shù)字巖心的預(yù)測(cè)。

有學(xué)者運(yùn)用三維卷積神經(jīng)網(wǎng)絡(luò)，通過掃描巖石標(biāo)本圖像預(yù)計(jì)孔隙度和彈性參數(shù)，應(yīng)用于砂巖切片預(yù)測(cè)。StiffmodelSoftStiffmodelSoftmodelGrainSi2eGrainSizeLeandroPassas.FernandoBordignon,RodrigoExterkoettereta\:Deep3DconvolutionalnturalnetworkappliedioCTsegmentedimagetorrockpropertiesprediction03人工智能技術(shù)在實(shí)際應(yīng)用中存在的問題雖然人工智能技術(shù)帶來了很多革命性的變化，但是在應(yīng)用過程中仍然存在一些局限性：03人工智能技術(shù)在實(shí)際應(yīng)用中存在的問題雖然人工智能技術(shù)帶來了很多革命性的變化，但是在應(yīng)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(biāo)準(zhǔn)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(dòng)化、規(guī)模化的訓(xùn)練模型，無法對(duì)網(wǎng)絡(luò)模型進(jìn)行持續(xù)的改進(jìn)。模型處理過程可視化問題網(wǎng)絡(luò)模型存在黑箱問題，處理過程中的結(jié)果無法供研究人員掌握。還需要考慮將智能模型計(jì)算結(jié)果與地震勘探軟件進(jìn)行疊加使用，滿足復(fù)雜圖層、多次分析要求。高維度復(fù)雜數(shù)據(jù)處理問題目前的人工智能模型對(duì)一維數(shù)字、二維圖片等數(shù)據(jù)處理比較成熟。但是對(duì)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(chǔ)屬性數(shù)據(jù)等。一方面高維度數(shù)據(jù)造成模型構(gòu)造復(fù)雜度上升，另一方面大規(guī)模數(shù)據(jù)量也會(huì)造成數(shù)據(jù)處理時(shí)間成指