前面課程給大家講了:在油氣藏勘測領域,斷層和裂縫網絡的幾何形態對油氣成藏和運移起着重要作用,因此,對其進行識別是必要的,也是值得的。斷層識別這麼重要,具體是怎樣做的呢?
01 人工檢測斷層
斷層識別最初是由經驗豐富的解釋員根據斷層局部特徵,結合整體工區的地質結構和應力走向等情況,人工在剖面圖上繪製斷層線,再進一步構造斷層面。
這種人工的方式缺點比較明顯:一是效率低。受限於解釋員的工作效率,對於大規模工區處理時間較長。二是精度不可靠。解釋質量總是會受到人為偏差的影響。檢測結果在很大程度上依賴於解釋員的知識和經驗。而且對於地質特徵不太明顯的區域,人工解釋難度較大。
隨着地震勘探學的發展,地質專家們一直孜孜不倦探索和研究算法來自動識別地震斷層,幫助專家更精準地刻畫地質結構。
02傳統斷層識別方法
進入到計算機算法時代,傳統的斷層識別方法是基於地震屬性的算法驅動,使用單一的方法或模型來處理地震數據。主要的原理是利用地震屬性來計算斷層,利用非線性方式整合相鄰地震道和樣本的信息,通過測量波形變化來直接描繪地震信號的不連續性。
1.早期檢測斷層的方法
第一類是計算地震信號反射的連續性屬性來識別斷層。比較經典的方法包括了一致性、相關性、相似性、相干性、發射幾何結構、特徵向量、構造張量、平面波分解等方法。
第二類是計算地震信號反射的不連續性屬性來識別斷層。這類方法自動跟蹤效果較好,但對噪聲和地層特徵很敏感,容易產生誤報。主要方法包括了方差、梯度幅值、混沌、邊緣檢測等方法。
第三類是檢測地層幾何結構,利用解釋層位的信息來尋找斷層位置。主要方法包括地層傾角、方位圖等等。
上面方法有以下一些缺點,地震屬性通常需要大量的計算,而且單憑局部地震屬性不適合有效的從整體上構建斷層,特別容易出現誤報,需要人工較大的介入修改。
2.增強的斷層識別方法
在傳統的基於地震屬性的算法發展過程中,特別是相干體算法出現之後,相繼湧現出很多斷層增強屬性與自動追蹤的斷層識別方法,通過計算機輔助進行斷層檢測。
效果比較好的方法包括了:斷層屬性增強、面向斷層掃描、螞蟻跟蹤、最優曲面投票、斷層骨骼化、RGB融合等。
斷層增強的方法容易出現兩種極端:有些方法提取出的斷層很好,但保留了許多偽影;或者結果是乾淨的,但並不是所有的斷層都被檢測到。
這類方法有兩種限制。首先,這種方法很難適應不同地震圖像中的各種不連續性。例如,相干技術對逐漸變化的斷層(即不尖銳的斷層)不太敏感。第二,確定性方法本身不能根據解釋員的經驗系統地學習或發展。
03 現代斷層識別方法
機器學習(尤其是深度學習)技術對於從數據中挖掘特徵或關係非常強大,這使得它們非常適合從人類經驗中學習,因此現代斷層檢測方法主要基於數據驅動的機器學習。
第一類是機器學習的方法。機器學習在數據挖掘和尋找關係這兩方面非常強大,是以數據為驅動的方法,非常適合從人類經驗中學習。
機器學習算法的優勢在於尋找隱藏在數據內部間的規律,並且能夠高效率地找到輸入數據與目標輸出之間的映射關係,這使得機器學習算法非常適合在多種地震屬性組合的條件下提取關鍵信息。因此,利用機器學習方法進行斷層識別能夠打破傳統識別方法的局限性,是智能化地震解釋的研究熱點和重點之一。
經典的機器學習方法包括:感知器(MLP)算法、貝葉斯匹配、互相關法、支持向量機(SVM),主成分分析(PCA)等。
第二類是深度學習的方法。
深度學習的主要原理是有監督的方法從一組輸入(特徵)和觀測(這裡是斷層定位)中提取有意義的信息,然後應用獲得的知識預測新的樣本。這種算法通過在網絡隱層中的組合,自動從原始振幅中提取有意義的信息,在訓練過程中動態生成新的特徵。儘管訓練這些網絡通常需要大量時間,但一旦訓練完成,就可以非常有效地獲得進一步的輸出。將這些方法應用於地震資料中的斷層探測問題有不同的方法。
現在深度學習的方法屬於人工智能在地球物理方向的應用,是當今的熱門研究領域。深度網絡可以在訓練過程中動態地學習新的特徵,從而解釋了它們在解決複雜任務方面的成功。
主要方法包括BP人工神經網絡,CNN卷積神經網絡,RNN循環神經網絡、GAN對抗神經網絡等方法。其中CNN應用最廣泛,包括了DnCNN殘差神經網絡,UNet神經網絡以及各類變體,處理效果都比較好。
深度學習的效果可以達到比較好的水平,但這類方法仍然存在一些問題:一是作為有監督學習方法,需要大量有標記的地震數據作為輸入;二是泛化性問題仍然存在,可能某些地形處理效果好,換個區別就比較差;三是有一些特殊的地形效果仍然不好,比如相交斷層、小斷裂等。
04未來的研究方向
未來人工智能研究是熱點,但是怎樣提高處理的效率、提高識別的精度和泛化性,都是需要長期研究的課題。特別是在三維數據的處理上,神經網絡佔用資源比較大,提高處理效率的問題更加突出。
以上就是今天的課程,主要講解了傳統和現代的識別斷層的技術路線和各自的優缺點,希望對大家研究思路有所啟迪。後續將選擇一些優秀的方法講解實戰案例。今天的課程就到這裡,再見。
擴展閱讀: