基于3D U-Net++L3卷积神经网络的断层识别

断层解释在构造圈闭中起着十分重要的作用,是地震构造解释的基础和关键.使用传统的相干体、曲率等属性解释断层效率较低,并且受人为因数影响较大,致使断层识别能力有限,而传统的卷积神经网络虽然可以在一定程度上摆脱人为因素的干扰,但在断层识别精度上并没有明显的提高.为了解决断层识别困难的问题,本文提出了一种基于3D U-Net++L³卷积神经网络的断层智能识别方法,该方法是采用计算机视觉领域的图像语义分割技术,对输入数据体的每一个像素点进行判断是否为断层,随后输出断层概率体.测试结果表明,本文所选用的模型的测试精度可以提高至95%左右,损失函数值可以收敛至2%左右.实际应用表明,模型可以在实际地震数据中准确地估算断层位置,在断层连续性上面有所提高,解决了断层与背景在细节上难分问题.从而验证了图像语义分割技术在断层识别上具有一定的研究价值.     

基于地震属性的煤层火成岩侵入预测

煤层火成岩侵入给煤矿生产以及经济效益带来了极大的影响,属于亟待解决的问题.本文充分发挥测井信息的作用,基于测井数据建立正演模型,获得不同侵入模型叠加记录,并提取多种地震属性;利用灰色关联和模糊聚类方法对提取的地震属性进行分类和优化,得到与地质目标相关性较好,且相互独立的4种地震属性;利用井旁道地震记录和井信息作为BP神经网络的学习样本进行训练,在训练好的BP神经网络中输入从地震数据中提取的优化后的地震属性,预测煤层火成岩侵入区的分布情况.从实际测区的预测情况看,该方法准确性和可靠性较高,可对实际生产进行理论指导.     

基于像素差分神经网络的断层识别方法

断层识别是地震解释的一项重要任务.相对传统的基于人工或半人工的断层检测方法,基于深度学习的断层检测方法具有自动化程度高等特点,近年来已经吸引了业界广泛兴趣.目前,大多数利用深度学习的断层识别方法都是基于语义分割或图像分类,但基于语义分割或图像分类的方法预测出的断层噪声较多.而边缘检测网络可以通过学习断层在地震剖面中不连续的特征,从而提高网络的抗噪能力.为了利用边缘检测网络的抗噪优点并提升其性能,本文采用基于像素差分的卷积运算构建出像素差分网络模型(Pixel Difference Networks, Pidinet).相较于传统的边缘检测网络,Pidinet将传统的边缘检测算子与深度学习网络结合,有效地提升了边缘检测的效果.为了使Pidinet网络更好地预测断层,本文对原始Pidinet网络进行了优化,去掉了相对断层识别任务而言多余的分支结构和卷积层.相对于传统的卷积运算,基于像素差分的卷积运算可以让神经网络更好地学习断层信息.为了让网络充分学习数据中的断层特征,本文将真实地震样本与合成地震样本混合得到训练所用数据集.实验证明Pidinet在交并比(Intersection over ...     

地震油气储层的小样本卷积神经网络学习与预测

地震储层预测是油气勘探的重要组成部分,但完成该项工作往往需要经历多个环节,而多工序或长周期的研究分析降低了勘探效率.基于油气藏分布规律及其在地震响应上所具有的特点,本文引入卷积神经网络深度学习方法,用于智能提取、分类并识别地震油气特征.卷积神经网络所具有的强适用性、强泛化能力,使之可以在小样本条件下,对未解释地震数据体进行全局优化提取特征并加以分类,即利用有限的已知含油气井段信息构建卷积核,以地震数据为驱动,借助卷积神经网络提取、识别蕴藏其中的地震油气特征.将本方案应用于模型数据及实际数据的验算,取得了预期效果.通过与实际钻井信息及基于多波地震数据机器学习所预测结果对比,本方案利用实际数据所演算结果与实际情况有较高的吻合度.表明本方案具有一定的可行性,为缩短相关环节的周期提供了一种新的途径.     

一种基于振幅谱的地震相干属性计算方法（英文）

相干属性是检测地下介质不连续性特征的主要参数之一,但倾斜地层会对相干属性产生干扰,故在计算相干属性时需要消除地层倾角的影响。传统的相干属性计算一般使用时域倾角扫描法来消除地层倾角的影响,但这种方法的精度受到采样间隔等因素的限制,并不能很好地消除地层倾角的影响。根据振幅谱具有不受地层倾角影响的特点,本文提出将预先定义的子数据体内的地震数据变换为振幅谱,再利用振幅谱构造协方差矩阵,协方差矩阵最大特征根与矩阵迹的比值作为子数据体中心点的相干值。利用振幅谱计算相干属性的方法能够较好地消除地层倾角的影响,而且可以使用不同频段的振幅谱计算相干体,具备多尺度相干体算法的特性。模型数据和实际地震数据的应用结果表明,振幅谱相干属性可以更好地消除地层倾角对相干属性的影响。     

基于深度神经网络的地震强反射剥离方法

在储层预测工作中,储层弱反射信号淹没在强反射信号之中的情况非常常见,这不利于精确识别和描述储层结构.本文提出了一种基于深度神经网络的强反射剥离方法,用于辅助储层弱反射信号的检测工作.该方法在卷积模型的框架下将强反射预测问题分解为地震子波预测与强反射预测两个子优化问题,并采用AIDNN与U-Net两个深度神经网络分别求解.通过训练直接得到地震数据与强反射之间的映射关系,避免了经验性调参过程,计算速度快,适用于海量地震数据处理.模型数据和实际资料试算结果表明,本文方法能够预测并剥离地震数据中的强反射且保真保幅性好;在该方法的基础上进行的储层砂体展布预测工作取得了良好效果.     

基于3D半密度卷积神经网络的断裂检测

基于传统相干属性的断层检测方法易受地层倾角的影响,为了提高断层检测的精度,本文提出了一种基于改进的半密度卷积网络的断裂检测方法.在密度卷积网络模型基础上,去除了池化层,并将之前所有的卷积层与第一个全连接层连接,然后传给下一个全连接层,改进后的网络结构模型既兼顾了不同尺度的信息,又保持了空间分辨率.实际地震数据测试表明,改进的方法可以在弱监督标签条件下实现高精度的断层检测,且断裂检测模型具有一定的迁移能力.     

高分辨率相干体分析技术及其应用

应用相干分析技术可研究复杂地质构造、断裂发育区、预测裂缝发育带,但传统的相干分析技术有许多局限性.本文给出了一种基于本征值结构的高分辨率相干体分析技术基本原理和关键参数选择方法,通过基于本征值结构的高分辨率相干体属性计算,可获得许多有关断层、微裂缝、岩性扣岩相变化等储层重要特征参数,能够更加清晰地描述地质体产状的细微变化,从而为地质学家研究构造的变形及岩性变化等提供强有力的技术手段.传统的相干分析技术与高分辨率相干体分析技术在准噶尔盆地西北缘车排子地区实际地震资料的处理结果对比表明,高分辨率相干体分析技术用于检测断层、裂缝等,效果显著.     

基于数据增广训练的深度神经网络方法压制地震多次波

地震数据中存在的多次波影响偏移成像,误导地震资料的解释,因此通常视为相干噪声而被去除.为了对多次波进行智能化衰减,本文提出了一种基于数据增广训练的使用深度神经网络的多次波压制方法.设计的深度神经网络包括卷积编码和卷积解码过程,其中卷积编码过程学习全波场数据中的一次波特征,卷积解码过程利用这些特征来重构一次波并压制多次波和随机噪声.在训练阶段,旋转训练集并在输入数据中加入随机噪声构成增广训练数据集来提升神经网络的抗噪稳定性和泛化性,通过迁移学习让深度神经网络具备跨工区压制多次波的能力.简单模型与Sigsbee2B模型三套模拟数据的实例验证了本文方法在一次波重构和多次波压制中的有效性、稳定性和良好泛化性;一套崎岖海底模型地震物理模拟数据的应用实例表明本文方法具有应用于复杂条件下压制地震多次波的能力.     

基于最大似然属性的断层识别方法及应用

断层识别是断块型油气田勘探开发的重要研究内容,尤其是在复杂断块油气田的勘探开发中,准确合理的断层识别是落实油气田构造和确定注采井网的关键因素.方差体、相干体、曲率属性等常规方法在断层识别中发挥着重要作用,但在复杂断裂发育区地震资料品质较差,常规方法分辨率较低从而无法准确识别断层组合关系.基于相似系数改进的似然属性在已知断层倾向和倾角时可以精确表征断层,但由于断层的倾向和倾角是未知的,因此可以采用断层倾向和倾角扫描的方法计算最大似然属性来表征断层.本文对比分析了相似系数和最大似然属性的原理;并将最大似然属性应用于模型正演数据和实际地震数据进行断层识别分析,结果表明,最大似然属性在剖面上更符合断层展布特征,在平面上断层组合关系更加清晰,在断层识别上具有较好的应用效果.     

粗集神经网络在建筑物震害预测中的应用

将粗糙粗集理论和神经网络原理结合起来,建立了基于粗集-神经网络的建筑物震害预测模型.首先运用粗糙集理论,根据原始样本建立决策表进行属性离散化、属性重要性排序、属性约简和分类规则的提取;然后将所提取的关键成分作为神经网络的输入练模型.实例研究表明,基于粗集-神经网络的多层砖房震害预测结果与实际震害基本吻合.该模型简化了神经网络结构,提高了训练速度和分类精度,还能对各因素对房屋震害的影响度进行分析.     

基于改进U-Net卷积神经网络的储层预测

传统的U-Net卷积神经网络大多存在深层网络梯度消失的问题。本文在U-Net卷积神经网络中加入残差模块,提出了一种改进U-Net卷积神经网络。残差模块保证了U-Net卷积神经网络在误差反向传播过程中梯度的存在,在一定程度上可以缓解梯度消失的问题。最后将改进U-Net卷积神经网络应用于实际储层预测中,实际数据测试结果表明基于改进U-Net卷积神经网络在岩性识别以及“甜点”预测上均能取得较好的效果。      

A comparison of seismic saltbody interpretation via neural networks at sample and pattern levels

Saltbodies are important subsurface structures that have significant implications for hydrocarbon accumulation and sealing in petroleum reservoirs, and accurate saltbody imaging and delineation is now greatly facilitated with the availability of three-dimensional seismic surveying. However, with the growing demand for larger survey coverage and higher imaging resolution, the size of seismic data is increasing dramatically. Correspondingly, manual saltbody interpretation fails to offer an efficient solution, particularly in exploration areas of complicated salt intrusion history. Recently, artificial intelligence is attracting great attention from geoscientists who desire to utilize the popular machine learning technologies for evolving the interpretational tools capable of mimicking an experienced interpreter's intelligence. This study first implements two popular machine learning tools, the multi-layer perceptron and the convolutional neural network, for delineating seismic saltbodies at sample and pattern levels, respectively, then compares their performance through applications to the synthetic SEAM seismic volume, and moreover tentatively investigates what contributes to the better convolutional neural network delineation. Specifically, the multi-layer perceptron scheme is capable of efficiently utilizing an interpreter's knowledge by selecting, pre-conditioning and integrating a set of seismic attributes that best highlight the target saltbodies, whereas the convolutional neural network scheme makes it possible for saltbody delineation directly from seismic amplitude and thus significantly reduces the dependency on attribute selection from interpreters. It is concluded that the better performance from the convolutional neural network scheme results from two factors. First, the convolutional neural network builds the mapping relationship between the seismic signals and the saltbodies using the original seismic amplitude instead of manually selected seismic attributes, so that the negative impact of using less representative attributes is virtually eliminated. Second and more importantly, the convolutional neural network defines, learns and identifies the saltbodies by utilizing local seismic reflection patterns, so that the seismic noises and processing artefacts of distinct patterns are effectively identified and excluded.     

基于BP神经网络模型的多层砖房震害预测方法

针对传统的基于地震烈度的建筑物震害预测方法的不足,本文以地震动峰值加速度作为建筑物震害预测的地震动指标,结合几次大地震中多层砖房的震害实例,提出了一种基于BP神经网络模型的建筑物震害预测方法,模型的输入为反映结构抗震性能的各类物理参数,输出为给定地震动峰值加速度下建筑物破坏状态的概率。研究表明:基于BP网络模型的多层砖房的震害预测结果与震害实例的实际情况比较吻合,本文的思路和方法可推广于其他不同类型的建筑结构的震害预测。     

基于深度卷积神经网络的剪切波分裂质量检测

剪切波分裂是分析地震各向异性的一种重要手段,常规方法是利用网格搜索获取分裂参数,再通过不同方法的测量结果对比测量结果进行质量检测,这一过程会耗费大量计算时间。本文针对这一问题提出了一种利用深度卷积神经网络对剪切波分裂进行质量检测的新方法,对使用了Resnet残差结构的深度神经网络进行训练,直接对二分量剪切波波形数据的质量进行分类。整个过程为:神经网络通过卷积层提取波形特征,计算损失函数后反向传播训练模型参数,完成迭代训练后的模型对输入波形数据正向计算自动输出类型。本文利用川西台站接收到的实际数据以及随机生成的合成数据分别对该网络进行训练,均可以获得准确的分类结果。相比于通过多种剪切波分裂方法对比测量结果的质量检测方法,基于神经网络的方法可以省略网格搜索的计算过程直接判断质量类型,在运算速度上的优势明显,并可继续通过训练提高模型的精度,为提升剪切波分裂方法在数据处理过程中的操作效率提供帮助。     

基于地震属性约简的深度学习储层物性参数预测:以莺歌海盆地乐东区为例

储层物性参数作为描述储层特性、储层建模和流体模式的重要指标,其准确估算可以为储层预测提供有力参考依据,但传统储层物性参数反演方法无法兼顾反演精度及空间连续性。针对上述问题,本文引入地震属性作为深度学习算法输入,针对地震属性之间存在的信息冗余特征,利用随机森林-递归消除法对地震属性进行约简预处理,最终建立一种基于地震属性约简的储层物性参数预测方法。实际数据测试结果表明,地震属性约简的深度学习储层物性参数预测结果具有良好的精度及横向分辨率,证实本文方法的有效性。     

Semi-automatic detection of faults in 3D seismic data

The semi‐automated detection of objects has been quite successful in detecting various types of seismic object, such as chimneys. The same technique can be applied successfully to detect faults in 3D seismic data. We show that several different attributes – among others, similarity, frequency and curvature, all of which potentially enhance the visibility of faults – can be combined successfully by an artificial neural network. This results in a fault ‘probability’ cube in which faults are more continuous and noise is suppressed compared with single‐attribute cubes. It is believed that the fault‐cube can be improved further by applying image‐processing techniques to enhance the fault prediction.     

A new fluid factor and its application using a deep learning approach

Amplitude interpretation for hydrocarbon prediction is an important task in the oil and gas industry. Seismic amplitude is dominated by porosity, the volume of clay, pore-filled fluid type and lithology. A few seismic attributes are proposed to predict the existence of hydrocarbon. This paper proposes a new fluid factor by adding a correct item based on the J attribute. The algorithm is verified through stochastic Monte Carlo modelling that contains various rock physical properties of sand and shale. Both gas and oil responses are separated by the new fluid factor. Furthermore, an approach based on the neural network model is trained using the deep learning method to predict the new fluid factor. The confusion matrix shows that this model performs well. This model allows the application of the new fluid factor in the seismic data. In this study, the Marmousi II data set is used to examine the performance of the new fluid factor, and the result is good. Most hydrocarbon reservoirs are identified in the shale–sandstone sequences. The combination of deep learning and the new fluid factor provides a more accurate way for hydrocarbon prediction.     

基于模糊粗糙集的机器学习储层参数预测

因为地震数据的三维空间分布优势,地震属性已经被广泛应用于含油气性预测、储层厚度预测、孔隙度预测等。但也存在地震属性之间信息冗余、属性与储层物性参数关系模糊的问题。针对这两个问题,将模糊粗糙理论和机器学习引入到储层参数预测中来。通过模糊粗糙集理论对地震属性进行约简,去除冗余信息,得到最优化的地震属性组合;将约简后的属性作为机器学习的输入,实现从地震属性到储层物性参数的非线性映射。该方法既保留了地震属性中有效信息,又避免了因输入变量过多而导致的网络模型训练困难。实际数据应用表明,属性约简的机器学习预测结果分辨率更高,并与数据吻合更好。