基于时频联合深度学习的地震数据重建

地质条件和采集环境等因素的影响往往导致在地质勘探过程中无法获取完备的地震数据,对后续地质解释工作造成影响。随着计算机硬件的发展及基于卷积神经网络的地震数据处理方法的应用,越来越多的深度学习方法应用于地震数据规则化,当前此类方法通常局限在时域范围内处理数据,导致重建数据过于平滑,纹理细节信息缺失。本文提出一种联合时频域特征的卷积神经网络模型,通过在地震数据的时域和傅里叶域上进行联合约束,学习地震数据在时域和傅里叶域的多维度分布特征,重建欠采样地震数据,修正联合损失函数的权重,调整卷积神经网络学习的注意力;采用多级可调节的残差块构建卷积神经网络中间层,提高特征提取能力,根据任务的需要调节残差块数量,平衡网络的精度与效率。实验结果表明,本文提出的方法与双三次插值、基于块匹配的3D协同滤波、深超分辨率网络、增强深度学习超分辨率重建网络等方法对比,具有更好的细节保持效果和鲁棒性。     

深度学习在地质学上的应用

自Hinton等使用基于卷积神经网络的深度学习模型赢得Image Net分类比赛以来,深度学习的研究席卷了各个行业。通过介绍深度学习的历史,探索国内地质行业中深度学习模型的使用情况,并介绍深度学习的基础概念(如神经元、神经网络、监督学习和无监督学习等)以及深度学习基础模型中的2个重要网络:深度信念网络(DBN)和卷积神经网络(CNN)。在此基础上,类比深度学习在医学等相关领域的应用,提出了深度学习在地质上的几点应用:利用深度学习在计算机视觉上表现出的强大能力,可以对遥感图像进行聚类、对岩石样品图像进行分类、对岩石薄片数据进行描述;利用深度学习对原始数据表现出的强大识别能力,处理地质异常数据,从而确定成矿靶区的可能位置;利用深度学习的特点,对地震前的声信号数据进行处理,从而判断出地震发生前的剩余时间。     

倾角曲率属性在煤层巷道识别中的应用

煤炭智能精准开采需要构建高精度三维地质透明化模型,巷道资料动态融入地震资料解释为模型提供数据支撑。通过建立巷道地质模型进行正演模拟,分析巷道引起的地震特征差异。基于曲率属性原理,并将多种地震曲率属性分析技术应用于地震资料解释,指导实际数据中巷道识别。选取CJT煤田2号煤层作为研究对象,三维地震勘探得到高品质的地震数据体和多种属性体作为基础数据。分析发现倾角曲率属性沿层切片可以完整刻画巷道异常特征,所示巷道位置准确、边界清晰,具有较高的精度。研究表明,利用地震倾角曲率属性技术识别巷道的可行性和有效性,为检测和识别一些未知巷道提供参考依据,为煤炭精准开采提供地质保障。      

广义S变换多频解释技术及其在薄层评价中的应用

为了利用时频转换后地震资料完成高速围岩屏蔽薄层定量评价,应用广义S变换对目标地震开展解释性处理,落实薄层时频域地震可识别程度。结合实钻砂体发育数据、频谱分析、薄层时频特征等,开展时频转换数据优选,提取频率梯度属性定性分析目标区沉积储层平面展布特征。构建实钻数据与频率梯度数学关系,完成薄层定量评价。对中东地区实际资料处理解释表明,基于广义S变换的多频解释技术对于高速围岩屏蔽的薄层评价具有较好的应用效果,提高了储层预测精度,为利用地震资料开展储层定量评价提供了一套技术思路,具有广阔的应用前景。     

深度学习及其在深层天然气储层预测中的应用实验

介绍深度学习的基本理论方法及基于地震数据深度学习的深层天然气储层预测。指出了深层油气储层的"三弱"特点和预测所涉及的问题与面临的困难;提出了深度学习的深网络构建与训练方法,基于地震数据深度学习的深层天然气储层预测进行实验。认为深度学习(Deep learning)揭示对象内秉特征的能力,有助于发现使用现有方法难以发现的油气储层地震响应的内禀特征。同时探讨了基于地震数据深度学习的油气储层预测所涉及的关键性科学技术问题。     

基于CNN神经网络的煤层底板突水预测

为了提高煤层底板突水预测的准确性,建立了基于卷积神经网络的煤层底板突水预测模型。通过综合分析,确定了15个影响煤层底板突水的因素,将这些影响因素进行拼接组合,运用建立的深度计算结构模型对影响因素及其相互联系进行特征提取。用已知的115组数据对模型进行学习训练,并进行了预测。为验证模型的准确性,利用相同的数据对BP神经网络模型和LeNet-5模型进行训练,将建立的模型与BP神经网络模型和LeNet-5模型进行对比。结果表明:该模型通过加深模型的计算深度,综合考虑了影响底板突水因素间的相互联系,提高了突水预测准确性。基于卷积神经网络构建的模型可以对煤层底板突水进行预测,并且准确率相对较高。     

基于时间卷积网络的地震波阻抗反演

近些年来,深度学习网络的兴起极大地推动了人工智能技术在地震数据处理、反演以及解译等领域的应用.地震波阻抗反演是石油地震勘探领域的一项关键技术,其反演精度在圈定油气储层构造中起到非常重要的作用.提出了一种基于数据驱动时间卷积网络（temporal convolution network,TCN）模型的地震波阻抗反演方法,旨在无需建立初始反演模型,直接利用工区的少量测井标签数据,以地震振幅数据为输入,将波阻抗反演转化为时间序列建模任务,最终输出地下模型的阻抗信息.采用Marmousi2数据集对基于TCN的波阻抗反演模型进行训练、验证和测试,结果显示,在测试集上该模型预测结果的皮尔逊系数和决定系数分别达到97.92%和95.95%,并对远离训练区域的波阻抗信息预测有着良好的泛化性,且在预测时间和预测精度等方面都要明显优于前人的相关研究工作.上述结果表明,TCN时间序列深度学习模型在复杂地层波阻抗反演中具有一定优越性和应用前景,为地震波阻抗反演提供了新思路.      

基于褶积理论的深度域地震记录制作方法研究

目前深度域地震资料日益增多,为充分利用这些资料精确地描述地下地质结构,实现高精度构造解释、储层预层及流体识别,开展深度域地震数据的分析成为目前研究的重点方向之一。在前人研究成果的基础上,分析和讨论了基于不同均匀介质模型情况下的深度域子波和深度域合成地震记录,给出了基于褶积理论的深度域子波和深度域合成记录表达式。模型试算和对Marmous数据运算表明,时间域地震数据和深度域地震数据存在一定的差异,前者并不能完全准确反映地下地质情况,而后者更加接近真实地下构造;深度域地震数据更利于含油气储层构造和岩性解释,提高复杂地质构造区的勘探精度。     

高密度三维地震数据驱动的煤层岩浆岩侵入区综合解释方法与应用

淮北矿区主采煤层多存在岩浆岩侵入现象,且具有侵入煤层多、分布面积广、侵入方式复杂等特点,常规地震勘探无法保证其解释精度。针对该问题,以全数字高密度三维地震勘探数据体为基础,对比分析不同岩浆岩侵入状态的地震响应特征;综合利用基于地层物性差异的地震多属性分析技术、基于波形差异的地震相分析技术和基于阻抗差异的测井约束波阻抗反演技术,进行煤层岩浆岩侵入区的识别与解释,精细雕刻其空间分布规律。研究表明:薄层岩浆岩侵入区以测井约束的波阻抗反演解释精度高,厚层岩浆岩侵入区预测则综合地震属性分析与地震相分析结果。因此,根据矿区的煤层分布和岩浆岩侵入特征,综合运用地震属性技术、地震相技术与波阻抗反演技术,能有效刻画出岩浆岩侵入煤层的分布范围。      

基于深度学习的地质找矿大数据挖掘与集成的挑战

基于深度学习的地质找矿信息挖掘与集成已经成为数学地球科学的前沿领域.深度学习作为一种具有多级非线性变换的层级机器学习算法,在地质找矿大数据挖掘与集成中仍处于探索阶段,还有一系列问题亟需解决.以卷积神经网络为例,探讨了基于深度学习的地质找矿大数据挖掘与集成过程中两大挑战:训练样本不足和深度学习网络模型构建困难,重点分析了基于复制和添加噪声的地质找矿数据增强技术并开展了多组对比实验,构建了适用于地质找矿大数据挖掘与集成的训练样本和卷积神经网络模型.该模型对闽西南铁多金属成矿区的地质、地球物理和地球化学等多源数据进行了特征提取与集成融合,圈定了找矿远景区,为该区进一步找矿提供了科学依据.      

《地震相分析》讲座(五)

五、利用速度资料进行岩性预测根据各地层单元中的岩性分布规律帮助开展沉积相解释是地下相分析中的一种十分有效的基本方法。尤其是当地震反射构造和外形等标志不发育、钻井又少,从而难以识别出沉积体的性质和分布特征时,这一方法就更显得重要。几十年来,地球物理学家对利用地震资料预测岩性方面开展了深入研究,现已形成“地震岩性学”这样一门分支学科。地震岩性预测的方法很多,从开展区域性的地震相研究而言,最有用的方法是利用速度谱资料通过求取地层速度而进行岩性或岩地比预测。速度谱资料与地震剖面一样分布广泛,易于     

基于半监督神经网络的铜矿预测方法

将人工智能技术引入成矿预测研究中,可以提高预测效率,挖掘探测数据与结果之间的隐藏信息.利用半监督学习方法对样本构建要求低的优点,结合其在异常识别方面的应用效果,设计了基于分割准则的孤立森林与深度自编码网络的神经网络结构;基于西藏冈底斯地区的化探元素数据,对研究区内的铜矿进行了成矿预测工作,预测结果与已知矿区数据叠加效果较好,说明本文的神经网络结构能够完成成矿远景区的预测工作.      

油藏地球物理技术在大庆长垣LS油田的应用

针对大庆长垣应用油藏地球物理技术开展精细油藏描述的难点问题,系统阐述了井震联合小尺度构造解释的方法和储层预测的研究。(1)开展分级分层次构造解释,建立了小尺度地质体精细构造解释;(2)在低级序小断层识别和组合方面,采用井指导和验证地震断层解释,同时结合相干体、倾角定位、三维可视化等技术进行综合研究;(3)微幅度构造研究采用井点分层数据小网格成图为主,辅以手动识别、趋势面法、相干体等手段进行逐一落实。储层应用实践证明,地震属性技术预测储层普适性较差,对“泥包砂”型的砂体预测是有效的。地震重构反演技术预测储层精度较高,不仅较好地反映砂体接触关系,而且预测了砂体横向边界。采用“井点定相、切片组形”方法,利用测井曲线形态差异和高程差等特征,辅助以反演切片来研究河道垂向演化,最终实现多期河道的划分。     

基于深度学习的山东大尹格庄金矿床深部三维预测模型

在隐伏矿体三维预测中,预测模型的准确性在很大程度上取决于找矿指标对矿化富集部位的指示性。然而,找矿指标容易受到找矿概念模型可靠性和成矿信息提取有效性限制,从而影响预测的准确性。论文以山东大尹格庄金矿隐伏矿体三维预测为例,基于深度学习方法,构建矿床深部隐伏矿体三维预测模型,旨在利用深度网络模型,学习获得对矿化具有显著指示性的找矿指标,提升三维预测的准确性。该方法将三维地质模型及其形态特征转换为适合卷积网络二维图像,采用卷积神经网络实现找矿指标的自动提取,并构建三维地质模型到矿化富集地段的定量关联。利用该方法建立了大尹格庄金矿的三维预测模型,经与几种人工建立找矿指标预测模型的对比分析,表明基于深度学习的预测模型较大地提升了预测准确性。     

川东北长兴～飞仙关组礁滩储层的三维地震识别

为改善川东北长兴-飞仙关组深层礁滩相储层地震识别及预测的可靠性,提出了几种储层识别的有效方法和步骤。①通过实际地震资料分析,并结合数值模拟技术,得到生物礁、鲕粒滩和礁滩复合体的地震响应特征,利用这些特征在地震记录上对储层进行识别;②利用礁滩复合体沉积物形成与演化的全局变化规律,来约束和控制礁滩地层地震反射的局部追踪和成图（即所谓的GRCTM方法）,从而完成礁滩储层形态的三维精确成像;③利用地质、测井和地震资料的综合分析和基于波形分类的地震相分析,来实现礁滩储层的预测。     

基于AlexNet网络的二维找矿预测——以松桃—花垣地区沉积型锰矿为例

在大数据的时代背景下,地质大数据逐渐趋于复杂化的模式与其间的空间关联性为基于机器学习算法的矿产资源定量预测带来了更大的挑战。利用深度卷积网络算法优异的分析性能来提取不同成矿条件下多种二维要素图层的空间分布特征与关联性是一项非常有意义的探索性实验。以松桃—花垣地区沉积型锰矿为例,利用深度卷积神经网络模型AlexNet挖掘Mn元素、沉积相、大塘坡组出露、断裂及水系的空间分布与锰矿矿床的就位空间的耦合相关性,以及不同的控矿要素之间的相关性,以此训练出二维矿产预测分类模型。经过训练后,可以得到验证准确率88.89%,召回率为66.67%,损失值0.08的深度卷积神经网络分类模型。应用该模型对未知区进行二维成矿预测,共圈定出91、96、154、184号4个成矿远景区,其中91号和154号的区域含矿概率为1,96号含矿概率为0.5。由此可见,预测区具有很大概率存在尚未发现的矿床。     

煤矿采空区四维地震特征分析及识别方法:以淮南煤田张集矿区为例

煤矿采空区塌陷是一个重要的地质问题,由于采空塌陷区地震、地质条件的复杂性,传统三维地震勘探探测方法难以准确查明采空区边界。本研究提出一种基于四维地震特征的煤矿采空区识别方法,并以淮南煤田张集煤矿为靶区开展采空区探测。该方法从模型驱动入手,通过建立煤层开采前、后地质模型及进行正演模拟,利用模型地震叠前时间偏移剖面回溯分析采空区引起的地震特征差异。根据模型数据采空区的地震反射特征,指导识别实际地震数据中的采空区,并通过地震解释圈定采空区范围。张集煤矿的实际四维地震数据分析结果显示,采空区域反射波连续性变差,采空区边界出现同相轴错断现象;因此,利用采空区四维地震特征差异能够有效识别煤矿采空区,并能准确圈定采空区的范围。     

基于深度学习的流域洪水预报模型研究

随着水文信息系统的普及,水文数据的采集越来越方便。传统上依靠各类水文模型及参数率定以刻画水文数据和预报成果间的复杂关联,如何实现水文数据驱动的水文自动预报是当前面临的问题。近年来,人工智能技术蓬勃发展,深度学习技术开始应用于水文学领域,试图解决这一问题。本文以沮漳河西支峡口至远安区间流域为研究对象,结合分布式水文模型的原理及深度学习理论方法,基于流域多维度数据对流域产汇流特性进行提取,利用特征网络进行流域径流预报,构建基于卷积神经网络（CNN,Convolutional Neural Networks）的流域降雨径流预报模型。研究将模型模拟结果与前期影响雨量模型（API, Antecedent Precipitation Index）结果进行对比分析,结果表明,基于卷积神经网络的流域降雨径流预报模型模拟精度为90%,模型可靠,能满足大部分的降雨洪水预报,为流域降雨径流预报提供一种新的方法。     

基于地质图像大数据的岩性识别研究

近些年来,随着大数据、深度学习等技术的飞速发展,大数据的开发与利用为众多行业带来了显著经济与社会效益。借助大数据手段,开展地质文本、图像和序列数据挖掘与应用研究,具有极其重要的理论与社会意义。本文在归纳总结前人工作的基础上,重点针对地质大数据中的图像数据,基于深度学习理论,构建网络学习模型,通过基于网络搜索的数据采集、数据预处理、网络搭建、网络训练及结果/评价等步骤,实现基于地质图像的大数据岩性识别。结果表明,图像识别岩性的测试准确率约为90%;有限的图像数据数,可能是产生识别误差的一个原因;机器对岩石图片所呈现的某些特征相似性,如宏观的形状、颜色等,也会给出正相关评分,从而产生误判。理论上,采用BCNN(Bilinear Convolutional Neural Network)等能够捕捉更精细细节的网络模型,解决计算机视觉中的细粒度识别问题,从而从根本上提升图像识别效率,应该是今后一个研究方向。     

塔中地区卡塔克1区块东河砂岩地震储层预测研究

采用基于地震波形分类的地震相分析与沉积相解释、波阻抗约束稀疏脉冲反演、地震多属性储层预测及油气检测等针对岩性油气藏的储层地震预测技术，从塔中地区卡塔克1区块泥盆系东河砂岩储层的生储盖组合条件及相关的地震地质特点出发，利用卡1三维地震资料开展目的层系的目标精细解释，结合已有的钻探、测井和测试等资料，揭示了东河砂岩储层砂体的空间展布特征，圈定出砂岩发育带，并对有利储层段的潜在含油气性进行了综合预测和评价。