基于深度卷积神经网络的地震数据溶洞识别

作     者：闫星宇 李宗杰 顾汉明 陈本池 邓光校 刘军 YAN Xingyu;LI Zongjie;GU Hanming;CHEN Benchi;DENG Guangxiao;LIU Jun

作者机构：中国地质大学(武汉)地球物理与空间信息学院湖北武汉430074 地球内部多尺度成像湖北省重点实验室湖北武汉430074 中国石化西北油田分公司勘探开发研究院新疆乌鲁木齐830011 中国石油化工股份有限公司科技部油田处北京100728 

基　　金：中国石油化工股份有限公司科技部项目“超深层碳酸盐岩规模储集体预测与井轨迹设计技术”(P21071-3) 中国地质大学(武汉)研究生联合培养实践基地建设项目联合资助 

出 版 物：《石油地球物理勘探》 (Oil Geophysical Prospecting)

年 卷 期：2022年第57卷第1期

页      码：1-11,I0001页

摘      要：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。

主 题 词：缝洞型油气藏 溶洞识别 深度学习 U-Net模型 深度残差网络 

学科分类：081801[081801] 081802[081802] 08[工学] 0818[工学-交通运输类] 

核心收录：

D　O　I：10.13810/j.cnki.issn.1000-7210.2022.01.001

馆 藏 号：203107241...