楊 平 宋強功 詹仕凡 陶春峰 郭 銳 朱冬臨

(東方地球物理公司,河北涿州 072750)

0 引言

人工智能(Artificial Intelligence，AI)是第四次工業(yè)革命的核心驅(qū)動力[1]，為傳統(tǒng)技術(shù)的變革與轉(zhuǎn)型提供了良好的契機。深度學(xué)習(xí)(Deep Learning，DL)是目前AI浪潮的核心技術(shù)之一，已在醫(yī)療、交通、金融等諸多領(lǐng)域取得了很好的應(yīng)用效果，為相關(guān)行業(yè)實現(xiàn)提質(zhì)、增效、降本發(fā)揮了重要支撐作用[2]。在地震勘探領(lǐng)域，人們認(rèn)為DL是推動地震勘探技術(shù)實現(xiàn)變革性突破與跨越式發(fā)展的重要技術(shù)基礎(chǔ)[3-5]。從2016年起，基于DL的智能化處理解釋技術(shù)論文就陸續(xù)在SEG、EAGE等國際會議上發(fā)表，且論文數(shù)量逐年上升[6]。2021年，SEG年會上與AI相關(guān)的論文達150篇，約占論文總數(shù)的22%。研究內(nèi)容涉及應(yīng)用于地震資料處理、解釋的大多數(shù)環(huán)節(jié)。其中，DL在地震資料處理中的應(yīng)用主要包括表層建模、速度建模、噪聲壓制、數(shù)據(jù)重構(gòu)、偏移成像等[7-8]；DL在地震資料解釋中的應(yīng)用包括巖石物理建模、構(gòu)造解釋、地質(zhì)體識別、儲層預(yù)測、波阻抗反演等[9-10]。此外，DL在非地震勘探、VSP處理、微地震監(jiān)測等領(lǐng)域的應(yīng)用也明顯增加[11]。

然而，在地震資料處理、解釋領(lǐng)域，通過公開文獻調(diào)研、論文方法復(fù)現(xiàn)以及油田服務(wù)公司軟件測試等發(fā)現(xiàn)，目前真正能夠落地并滿足工業(yè)化應(yīng)用要求的成果并不多見?，F(xiàn)有的問題主要表現(xiàn)在泛化能力差，無法適應(yīng)于具中、低信噪比特征的實際資料，完成任務(wù)所需的配套過程繁瑣等，導(dǎo)致相關(guān)技術(shù)的實用性與推廣性差。多數(shù)資料處理、解釋人員仍然只能以傳統(tǒng)軟件、方法開展研究，而不能享受AI技術(shù)進步帶來的優(yōu)勢。

AI與地球物理技術(shù)的結(jié)合經(jīng)過多年的發(fā)展，目前不但已經(jīng)過了“能不能做”的實驗階段，而且到了“如何做好”的應(yīng)用階段[12]。充分發(fā)揮AI的技術(shù)優(yōu)勢，開發(fā)出切實能夠幫助處理、解釋人員減輕勞動強度，提高研究精度的智能化軟件模塊，以使地震勘探盡快邁進智能化發(fā)展的新階段，是一個亟待解決的問題。鑒于此，在確立“面向中、低信噪比地震資料”和“強調(diào)技術(shù)產(chǎn)業(yè)化落地”兩個基本準(zhǔn)則的基礎(chǔ)上，兼顧效率、精度與便捷性，開展了基于DL的實用構(gòu)造解釋技術(shù)研發(fā)，取得了較好的效果。所開發(fā)的智能化解釋模塊直接與原有解釋系統(tǒng)無縫銜接，層位解釋效率在原有的基礎(chǔ)上提高了8～20倍，斷層識別精度較傳統(tǒng)的相干、曲率、構(gòu)造張量、螞蟻體等屬性顯著提高。目前已能完全取代原有的自動解釋功能，基本實現(xiàn)了構(gòu)造解釋的智能化轉(zhuǎn)型。

1 技術(shù)思路

隨著開源AI框架的普及，開發(fā)智能模塊并不難。以層位解釋為例，只需簡單的三步即可實現(xiàn)智能層位解釋(圖1)：①設(shè)計標(biāo)簽和網(wǎng)絡(luò)；②用標(biāo)簽數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)；③將訓(xùn)練好的網(wǎng)絡(luò)用于層位預(yù)測。如圖1所示，標(biāo)簽剖面是有解釋成果的地震剖面，標(biāo)簽層位即相應(yīng)的解釋成果，均易于獲取。簡單的DL網(wǎng)絡(luò)可以直接從開源框架中調(diào)用，即使是復(fù)雜網(wǎng)絡(luò)，其核心算法多數(shù)也是開源的。網(wǎng)絡(luò)經(jīng)訓(xùn)練后，即可用于層位預(yù)測。因此，如果僅僅是要實現(xiàn)一個智能化的功能，過程并不復(fù)雜。

圖1 智能層位解釋流程示意圖

但若所研發(fā)的AI模塊用于工業(yè)化生產(chǎn)，除了需通過各種途徑提高AI模塊本身的泛化能力，還需為模塊的便捷運行提供配套的功能、考慮不同的硬件配置等。為此，首先確定了智能物探技術(shù)研發(fā)的兩項基本準(zhǔn)則：

一是必須面向中、低信噪比地震資料，解決傳統(tǒng)方法所不能解決的處理和解釋問題，以適應(yīng)更普遍的生產(chǎn)需求；

二是必須強調(diào)技術(shù)產(chǎn)業(yè)化落地，要以形成能夠幫助解釋人員減輕勞動強度、提高研究精度的實用軟件產(chǎn)品為根本目標(biāo)。

圍繞這兩項準(zhǔn)則，針對構(gòu)造解釋的具體特點，兼顧效率、精度與便捷性，確立了智能構(gòu)造解釋技術(shù)研發(fā)的具體思路：首先，要在現(xiàn)有的商業(yè)化解釋軟件的基礎(chǔ)上，搭建可集成和運行AI程序的軟件開發(fā)環(huán)境，以提高開發(fā)效率并確保技術(shù)落地；其次，要充分考慮資料的復(fù)雜性，在用好合成數(shù)據(jù)的同時，更要從中、低信噪比資料入手設(shè)計網(wǎng)絡(luò)，確保智能方法的泛化能力；最后，充分利用現(xiàn)有軟件功能，采用地球物理技術(shù)與AI技術(shù)交叉迭代的思路完成最終解釋，兩者相互結(jié)合、優(yōu)勢互補，不追求用AI技術(shù)解決全部問題。

關(guān)于最后一點，徐宗本等[13]提出并證明了機器學(xué)習(xí)與數(shù)學(xué)模型相結(jié)合可實現(xiàn)優(yōu)勢互補并能更好地解決實際問題。早期探索也表明智能算法本身是純數(shù)據(jù)驅(qū)動的，這并不是求解地球物理問題的最佳途徑。在地球物理領(lǐng)域，有完善的理論體系、成熟的技術(shù)體系以及豐富的實踐經(jīng)驗，這些都可作為模型加入到智能算法研發(fā)的各個環(huán)節(jié)中(包括數(shù)據(jù)準(zhǔn)備、網(wǎng)絡(luò)設(shè)計和質(zhì)控分析等，圖2)，從而提高網(wǎng)絡(luò)的收斂速度、預(yù)測精度及泛化能力。這種在機器學(xué)習(xí)過程中融入了先驗數(shù)學(xué)模型的方式稱為“數(shù)據(jù)模型雙驅(qū)動”，它是開展智能物探模塊研發(fā)的重要認(rèn)識基礎(chǔ)。

圖2 數(shù)據(jù)模型雙驅(qū)動的智能物探模塊研發(fā)思路

2 智能模塊集成開發(fā)環(huán)境搭建

目前絕大多數(shù)智能化模塊均是利用Python語言開發(fā)，在開發(fā)過程中不可避免地要使用Tensorflow、Pytorch、PaddlePaddle等開源框架，以及NumPy、matplotlib等第三方庫函數(shù)，運行過程中往往還要利用GPU資源，這就導(dǎo)致智能模塊很難像一般的C語言模塊一樣可非常便捷地在用戶的計算機上順利部署和運行。此外，獨立的智能化軟件模塊往往只包含核心運算部件，因為輸入、輸出不夠靈活、界面交互不夠友好等因素，不僅不便于解釋人員直接應(yīng)用，開發(fā)調(diào)試過程本身也比較繁瑣。上述原因?qū)е聠为毜闹悄芑K落地和推廣困難，難以實現(xiàn)模塊的工業(yè)級應(yīng)用。

在國產(chǎn)商業(yè)化解釋系統(tǒng)GeoEast上搭建Python程序的集成開發(fā)環(huán)境，主要解決了四個方面問題：一是搭建開放的智能模塊開發(fā)框架及訪問接口，以便其他用戶可以充分應(yīng)用系統(tǒng)資源，開發(fā)自己的智能模塊；二是為所研發(fā)智能模塊提供高效便捷的集成、測試與運行環(huán)境，使Python模塊能夠在解釋系統(tǒng)上直接運行，而無需單獨配置系統(tǒng)環(huán)境；三是為所研發(fā)智能模塊提供完成全部解釋任務(wù)所需的配套模塊，如數(shù)據(jù)加載、顯示、編輯、應(yīng)用等功能，讓智能模塊專注于其本身的優(yōu)勢發(fā)揮；四是促進地球物理方法與智能化算法的充分、便捷、無障礙結(jié)合，利用解釋系統(tǒng)現(xiàn)有的強大功能，使智能模塊在實現(xiàn)特征工程、標(biāo)簽構(gòu)建、成果應(yīng)用等環(huán)節(jié)時更加高效、可靠。這樣，集成開發(fā)環(huán)境就可大幅提高技術(shù)研發(fā)、轉(zhuǎn)化及推廣效率。

GeoEast解釋系統(tǒng)是基于C++語言開發(fā)的，智能模塊是基于Python語言開發(fā)的，前者是編譯型語言，后者是解釋型語言。編譯型語言編譯后可直接形成機器能夠執(zhí)行的二進制代碼，而解釋型語言則必須通過解釋器對代碼進行解釋執(zhí)行。為了保證兩者的無縫銜接，主要采取了三方面措施：

(1)開發(fā)Python語言程序訪問GeoEast軟件數(shù)據(jù)的接口程序包。開發(fā)人員無需關(guān)注物探領(lǐng)域的專業(yè)數(shù)據(jù)讀寫與質(zhì)控顯示，因此非物探專業(yè)的計算機人員也能很容易地實現(xiàn)對物探數(shù)據(jù)的處理，從而大大降低智能物探模塊的開發(fā)門檻；

(2)在GeoEast系統(tǒng)上完成常用DL開源框架及第三方庫函數(shù)的封裝，使集成后的智能模塊可直接在GeoEast環(huán)境下運行，無需單獨安裝和配置智能模塊的運行環(huán)境，方便了后期推廣應(yīng)用；

(3)采用基于D-Bus和Socket通訊的智能化模塊集成技術(shù)，打通智能模塊與GeoEast系統(tǒng)之間的數(shù)據(jù)傳輸通道，使GeoEast系統(tǒng)可快速、便捷地調(diào)用基于Python語言的智能模塊。

至此，為實現(xiàn)智能化模塊的便捷開發(fā)、集成、運行與推廣奠定了堅實的平臺基礎(chǔ)。

以智能層位追蹤模塊運行為例(圖3)：從C++語言主進程啟動智能追蹤任務(wù)后，主進程創(chuàng)建并鎖定Socket端口，并啟動Python子進程；子進程完成環(huán)境初始化后，利用該端口與主進程握手成功，兩者保持通訊狀態(tài)；然后主進程發(fā)出指令，子進程根據(jù)指令啟動智能層位追蹤模塊、加載標(biāo)簽數(shù)據(jù)并訓(xùn)練網(wǎng)絡(luò)；當(dāng)完成預(yù)定訓(xùn)練次數(shù)或接收到主進程發(fā)出的終止訓(xùn)練指令后，子進程將保存網(wǎng)絡(luò)參數(shù)，并用于預(yù)測全區(qū)層位；完成預(yù)測后，子進程將保存預(yù)測結(jié)果，主進程就能調(diào)用該結(jié)果，并用于后續(xù)研究。可見整個過程中C++主進程與Python子進程實現(xiàn)了無縫鏈接，GeoEast解釋系統(tǒng)與智能層位追蹤模塊各司其職，共同完成智能追蹤任務(wù)，做到了數(shù)據(jù)共享。

圖3 智能層位追蹤模塊運行過程示意圖

3 智能構(gòu)造解釋模塊研發(fā)

構(gòu)造解釋主要包括層位和斷層解釋，這是所有地質(zhì)分析與儲層預(yù)測工作的基礎(chǔ)，也是傳統(tǒng)地震資料解釋流程中最為耗時、耗力的環(huán)節(jié)，有時能占整個解釋周期一半以上時間，加之構(gòu)造解釋的精度和效率均是可評價和量化的，因此構(gòu)造解釋的智能化是智能解釋最迫切、最現(xiàn)實的需求[14]。

針對層位與斷層解釋的具體特點與不同需求，本文采取了不同的研發(fā)思路。

3.1 高效層位追蹤模塊

層位解釋的特點是：解釋人員能夠明確層位拾取的位置，但手工解釋耗時、耗力，傳統(tǒng)自動追蹤方法無法完全滿足精度需求[15]，在地震資料信噪比低、連續(xù)性差時往往獲得錯誤的追蹤結(jié)果。因此，智能層位解釋技術(shù)落地的關(guān)鍵在于用智能模塊實現(xiàn)準(zhǔn)確的層位自動追蹤，提高解釋效率，減輕勞動負(fù)擔(dān)。Liao等[16]利用Unet以及不確定標(biāo)簽在荷蘭北海F3公開三維數(shù)據(jù)體上進行智能層位追蹤，誤差小于4ms的準(zhǔn)確率為73%～81%；Wang等[17]采用了基于虛擬對抗訓(xùn)練的半監(jiān)督學(xué)習(xí)(SSL)機制，實現(xiàn)了基于較少種子點的層位追蹤；Lowell等[18]利用有向非循環(huán)圖神經(jīng)網(wǎng)絡(luò)(DAGNN)實現(xiàn)了同一工區(qū)不同數(shù)據(jù)體之間的層位校準(zhǔn)?？傮w而言，多數(shù)針對層位追蹤的研究都側(cè)重于網(wǎng)絡(luò)性能的提升。

考慮到不同工區(qū)、不同層位的反射特征與解釋的復(fù)雜性不同，本文采用有監(jiān)督學(xué)習(xí)的方式設(shè)計網(wǎng)絡(luò)。對每一新層位的追蹤，均需先解釋一定量的剖面作為訓(xùn)練集。同時采用了迭代解釋的思路，在訓(xùn)練過程中對未能正確追蹤的區(qū)域進行一定量的手工拾取，補充訓(xùn)練樣本并重新訓(xùn)練網(wǎng)絡(luò)，從而逐步完成全區(qū)追蹤。按照前述技術(shù)研發(fā)思路，設(shè)計圖4所示的解釋流程。

圖4 智能層位追蹤流程

智能模塊只需專注于層位追蹤本身，而無需關(guān)注其他環(huán)節(jié)，從而大幅提高了開發(fā)效率，也充分利用了原解釋系統(tǒng)的各項功能。

在模塊設(shè)計方面，因為要重點考慮中、低信噪比資料的問題，采取了以下三項關(guān)鍵措施。

(1)不采用直接分類法(圖5a左)，而是采用概率化輸出(圖5b左)，以減少對標(biāo)簽精度的依賴，更好地適應(yīng)中、低信噪比資料的自動追蹤。

(2)根據(jù)AI技術(shù)的發(fā)展不斷優(yōu)化核心網(wǎng)絡(luò)，采用“注意力機制[19]+多尺度特征提取”等新技術(shù)，以提高網(wǎng)絡(luò)的精度與泛化能力。

由兩種智能追蹤網(wǎng)絡(luò)模型的預(yù)測輸出(圖5a右、圖5b右)可見，新方法很好地適應(yīng)了斷層的分割，層位在斷點處自動斷開，且追蹤結(jié)果總體上較平滑，圖5b中未見圖5a中那種脈沖狀異常。

圖5 不同智能層位追蹤網(wǎng)絡(luò)模型(左)及輸出結(jié)果(右)對比

(3)在此基礎(chǔ)上，模仿人工解釋的工作思路，通過條件隨機場(CRF)[20]建模以及整體路徑規(guī)劃策略，將地震道間的關(guān)系模型融入智能層位追蹤過程，通過“數(shù)據(jù)模型雙驅(qū)動”策略進一步減少異常點，實現(xiàn)更加穩(wěn)定的智能層位拾取。

圖6是采用CRF建模前、后AI追蹤的效果對比。由圖可見，采用CRF建模之后，由于未知原因出現(xiàn)的DL網(wǎng)絡(luò)預(yù)測異常(紅色箭頭所指，這種異常在許多DL預(yù)測網(wǎng)絡(luò)中都有所發(fā)生，但目前還不能正確解釋其發(fā)生的原因)得到了合理的修正。

圖6 條件隨機場(CRF)建模前(a)、后(b)AI追蹤效果對比

基于上述流程和措施，最終形成了精度與效率均優(yōu)于傳統(tǒng)方法的高效層位自動追蹤模塊。圖7是本文智能層位追蹤與其他方法追蹤結(jié)果的對比圖，全部方法均采用相同的種子點。圖中A、B、C、D是具有不同連續(xù)性、能夠代表高(D)、中(A、B)、低(C)不同信噪比條件的四個同相軸。圖7b中，A、B、C三層是用傳統(tǒng)自動追蹤方法所得，D層是用其他深度學(xué)習(xí)網(wǎng)絡(luò)追蹤所得。圖中矩形框所指是追蹤質(zhì)量差的位置。由圖可見：①傳統(tǒng)方法忠實于同相軸，在有種子點控制的區(qū)域追蹤質(zhì)量最高，但是容易發(fā)生串軸現(xiàn)象(紅框所示)；②其他智能追蹤方法所得的結(jié)果在D層不串軸，但是抖動現(xiàn)象嚴(yán)重，需要平滑后才能使用(綠框所示)；③本文方法整體質(zhì)量最高，但也出現(xiàn)了少數(shù)不忠于種子點的情況(藍框所示)，估計與訓(xùn)練次數(shù)不足有關(guān)(為測試網(wǎng)絡(luò)的泛化能力，所有智能追蹤只進行了50次迭代)。

圖7 不同方法對不同信噪比條件的層位追蹤效果對比

3.2 高精度斷層識別模塊

對于微小或隱蔽斷層而言，解釋人員往往并不明確斷層是否存在，或者不明確斷層的準(zhǔn)確位置，因此需通過屬性來指導(dǎo)斷層解釋。目前效果最好的地震屬性是基于本征向量的相干及體曲率屬性技術(shù)[21]，但它們的效果受人為參數(shù)選擇的影響較大，且抗噪能力較差。因此，智能解釋斷層識別的關(guān)鍵在于更加清楚地揭示各級斷層所在的位置。Zhou等[22]采用交互迭代的方法，通過多個CNN網(wǎng)絡(luò)逐步引進專家知識，實現(xiàn)去噪、細化和增加連續(xù)性；Lyu等[23]采用了在模型訓(xùn)練基礎(chǔ)上利用實際數(shù)據(jù)進行遷移學(xué)習(xí)的方法，提高了網(wǎng)絡(luò)的泛化能力；Alohali等[24]則僅利用實際資料進行網(wǎng)絡(luò)訓(xùn)練，并通過后續(xù)處理提高斷層的連續(xù)性。從文獻展示的圖片看，這些方法的效果均優(yōu)于傳統(tǒng)的相干技術(shù)。

與層位不同，斷層表示的是地層的不連續(xù)性，與地層本身的物性、厚度、組合等并不相關(guān)。因此，不同地區(qū)的斷層在地震剖面上的特征是基本相似的，與地層本身的振幅、頻率等反射特征關(guān)系不大。同時，考慮到模型訓(xùn)練巨大的運算量，本文采用“預(yù)訓(xùn)練網(wǎng)絡(luò)+專家知識約束”的方式進行斷層識別(圖8)。首先通過合成地震記錄，形成大量類型豐富的斷層模型作為標(biāo)簽集，并由開發(fā)人員完成網(wǎng)絡(luò)訓(xùn)練。用戶直接使用訓(xùn)練好的模型，即可快速得到全區(qū)預(yù)測結(jié)果。預(yù)訓(xùn)練模型能夠滿足絕大多數(shù)情況下斷層識別的需求，但對于一些斷層發(fā)育模式極為特殊、在原訓(xùn)練集中未出現(xiàn)過的斷層樣式，則需要通過經(jīng)驗進行一定量的人工解釋，并把解釋結(jié)果反饋給軟件開發(fā)人員。開發(fā)人員將解釋結(jié)果轉(zhuǎn)換為基于實際資料的訓(xùn)練集，并與原訓(xùn)練集合并，重新訓(xùn)練網(wǎng)絡(luò)后提交用戶使用。通過這種方式，可逐步豐富訓(xùn)練集中的斷層樣式，不斷提高網(wǎng)絡(luò)對資料的適應(yīng)能力。

圖8 智能斷層識別流程

在網(wǎng)絡(luò)設(shè)計方面，重點采取了以下措施。

(1)在海量模型標(biāo)簽的基礎(chǔ)上，融合實際工區(qū)資料制作大量實際數(shù)據(jù)標(biāo)簽，擴充樣本庫，實現(xiàn)理論模型與實際數(shù)據(jù)相結(jié)合的標(biāo)簽構(gòu)建(圖9a)；采用帶注意力機制的語義分割(圖9b)技術(shù)[25]，一方面使網(wǎng)絡(luò)訓(xùn)練更具有目標(biāo)針對性而提高速度與精度，同時也有利于借鑒圖像處理領(lǐng)域的成功經(jīng)驗。

圖9 智能斷層識別標(biāo)簽構(gòu)建(a)與網(wǎng)絡(luò)結(jié)構(gòu)(b)示意圖

(2)采用3D(而不是2D)端到端網(wǎng)絡(luò)，直接從地震數(shù)據(jù)體得到斷層概率體(而不是剖面)，更加適應(yīng)斷層的空間展布特征，從而得到空間上更連續(xù)的斷層(圖10)。

圖10 采用2D(a)和3D(b)卷積網(wǎng)絡(luò)斷層預(yù)測平面圖對比

(3)提供精度控制參數(shù)，以適應(yīng)不同信噪比的地震資料。低信噪比資料可以通過降低識別精度、過濾小斷層的方式得到更可靠的結(jié)果。

通過上述流程與措施，智能斷層識別的精度明顯高于傳統(tǒng)方法，也略優(yōu)于目前公開的其他算法(圖11)，具備了進行工業(yè)化應(yīng)用的條件。

圖11 不同方法斷層識別效果對比

4 應(yīng)用效果

本文技術(shù)從2018年開始研發(fā)，于2019年形成第一個實用版本，并且隨著IT行業(yè)DL技術(shù)的發(fā)展，每年都對核心DL算法進行優(yōu)化升級，精度和效率不斷提升，用戶反饋持續(xù)保持良好。具體體現(xiàn)在以下幾個方面。

4.1 高效層位解釋

傳統(tǒng)層位自動追蹤方法主要是依據(jù)波形相似性原理，能夠利用的信息量較少。當(dāng)相鄰層位的波形相似度較高時，容易出現(xiàn)“串層“現(xiàn)象，即使對于高信噪比資料，在缺乏種子點引導(dǎo)的情況下也會產(chǎn)生追蹤錯誤(圖12a)。DL將整個地震道用于訓(xùn)練，從理論上講，它可同時考慮波形、振幅、相位、頻率以及沉積特征，且能兼顧考慮目的層上、下地層的特征，更具全局性，因此拾取效果要優(yōu)于傳統(tǒng)自動追蹤方法(圖12b)。

圖12 不同層位自動追蹤方法效果對比

由于大幅減少了人工解釋的工作量，整體效率得到顯著提升。目前的智能層位追蹤模塊，對于高信噪比資料，只需解釋1～2條剖面用于網(wǎng)絡(luò)訓(xùn)練，30min內(nèi)即可得到正確率大于99%的解釋成果；對于中、低信噪比資料，第一輪解釋4～9條骨干剖面，一般經(jīng)過2～3輪次迭代，即可獲得滿足精度要求的解釋成果。

以四川某連片三維工區(qū)為例，工區(qū)面積為4780km2，測網(wǎng)為4000Line×1500Trace。要求40天以內(nèi)完成14個層位4×4網(wǎng)格密度的解釋。經(jīng)測試，即使骨架剖面密度達到64×64，多數(shù)層位的自動追蹤結(jié)果(傳統(tǒng)方法)仍需大量手工修改才可被接受，預(yù)算解釋工作量將超過60人·天。改用本文提供的智能模塊后，多數(shù)層位在經(jīng)過2輪迭代后(第一輪均為3Line+2Trace共5條骨架線)即可達到精度要求。幾個復(fù)雜的層位也僅迭代了3次，人工解釋密度未超過120×120。圖13是一個復(fù)波同相軸的種子點(藍色圓點)和智能追蹤結(jié)果，可見雖然種子點并不完全準(zhǔn)確，但追蹤結(jié)果卻十分穩(wěn)健，而這是傳統(tǒng)自動追蹤方法不可能實現(xiàn)的。最終用戶僅投入7人天就高質(zhì)量地完成了解釋任務(wù)，整體解釋效率提高了8倍以上，部分高連續(xù)性層位的解釋效率提升20倍以上。

圖13 復(fù)雜層位追蹤效果

研究成果快速得到推廣應(yīng)用。僅2021年下半年，東方地球物理公司內(nèi)部就有16個研究區(qū)應(yīng)用了本文研發(fā)的智能層位解釋模塊，完成海量層位解釋任務(wù)，其中面積超過2000km2的工區(qū)有5塊(其中2塊面積超過4500km2)，均取得了令人滿意的結(jié)果。智能模塊已可完全替代原有的層位自動追蹤模塊，大范圍推廣的唯一障礙就是適合AI程序運行的硬件條件。

4.2 高精度斷層識別

智能斷層識別的優(yōu)勢主要體現(xiàn)在精度提高上。在2021年測試和應(yīng)用的國內(nèi)外34個工區(qū)中，斷層識別精度得到明顯提高的有33個，僅有1個復(fù)雜工區(qū)與傳統(tǒng)方法相當(dāng)。同時由于采用了預(yù)訓(xùn)練網(wǎng)絡(luò)，智能斷層識別的效率也很高，如500km2的工區(qū)，通常10min以內(nèi)就能得到預(yù)測結(jié)果。

在中國東部老油區(qū)，借助新的斷裂識別結(jié)果，重新厘定斷裂展布特征并發(fā)現(xiàn)了新的斷塊圈閉。圖14是某工區(qū)的局部斷裂預(yù)測結(jié)果對比。圖14a、圖14b的背景分別是通過相干與智能算法得到的斷裂預(yù)測結(jié)果，上面疊合了前期基于相干屬性的手工解釋的斷點(不同顏色“T”形點)。由圖可見，兩者在整體相似的基礎(chǔ)上，細節(jié)上有明顯差異。智能模塊的結(jié)果(黑色線條)不僅清晰、干脆、無背景噪音，且與手工斷點完全吻合，充分說明其準(zhǔn)確性。同時，斷層之間的交切關(guān)系也更加清晰，準(zhǔn)確揭示了該區(qū)斷層的雁列展布特征(箭頭①)與羽狀展布特征(箭頭②)，這為調(diào)整解釋方案、發(fā)現(xiàn)新的斷塊圈閉提供了關(guān)鍵依據(jù)。該技術(shù)對于全面復(fù)查東部油田開發(fā)區(qū)斷塊圈閉具有廣闊的應(yīng)用前景。

圖14 東部某區(qū)斷裂預(yù)測結(jié)果對比

在西部某油田，解釋人員利用智能斷層預(yù)測結(jié)果研究走滑斷裂與巖溶儲層的關(guān)系。圖15清晰揭示了縫洞型碳酸鹽巖“構(gòu)造運動改造地層、風(fēng)化溶蝕沿斷層發(fā)育“的儲層發(fā)育基本規(guī)律，為塔里木盆地特有的斷溶體理論[26-27]的完善和發(fā)展提供了可靠論據(jù)。智能斷裂預(yù)測圖也因此被用戶列為井位部署的必備圖件之一，得到全面推廣應(yīng)用。

圖15 基于智能斷層識別的碳酸鹽巖斷溶體分析

生產(chǎn)應(yīng)用表明，智能斷層識別模塊完全能夠取代現(xiàn)有斷層屬性，成為斷層解釋的新方法。

4.3 快速圈閉搜索

數(shù)據(jù)體快速瀏覽是一種常用方法，智能解釋得到的清晰的層位與斷層信息，賦予這一方法以更強的圈閉搜索功能。在智能解釋成果的基礎(chǔ)上，利用三維可視化軟件，將地震數(shù)據(jù)、透視的層位概率體與斷層體進行融合顯示(圖16a)，并在三維空間進行動態(tài)瀏覽，可快速掃描并鎖定圈閉目標(biāo)，特別有利于小斷塊、低幅度構(gòu)造的發(fā)現(xiàn)和落實。圖16b中3個紅色箭頭指向3個斷塊，其溢出點高程各不相同。其中①、③號是較為隱蔽的小斷塊，直接進行等值線成圖(圖16b)往往容易被忽略，而在融合數(shù)據(jù)體的動態(tài)瀏覽模式下卻很明顯。

圖16 不同圈閉搜索方法對比

5 結(jié)論

智能物探技術(shù)產(chǎn)業(yè)化落地的關(guān)鍵在于：①便捷的Python語言開發(fā)環(huán)境；②相對成熟的配套功能支撐軟件平臺；③面向中、低信噪比地震資料的高泛化性算法；④AI技術(shù)與地球物理技術(shù)的充分結(jié)合。

智能算法與傳統(tǒng)算法分別從數(shù)據(jù)和模型的角度出發(fā)求解地球物理問題，實踐證明：兩者的結(jié)合能夠?qū)崿F(xiàn)優(yōu)勢互補，從而在效率和/或精度上得到巨大的提升；部分傳統(tǒng)技術(shù)必將被智能技術(shù)取代。

本文研發(fā)的智能層位追蹤模塊，相對于傳統(tǒng)技術(shù)效率提升8～20倍，智能斷層識別模塊的精度遠超相干與曲率屬性技術(shù)。構(gòu)造解釋技術(shù)具備了工業(yè)化生產(chǎn)能力，基本實現(xiàn)智能化轉(zhuǎn)型，可以大范圍推廣應(yīng)用。

由于智能化算法不依賴地球物理理論的特性，對于速度建模、波阻抗反演等不能直接判斷結(jié)果正確性的預(yù)測類問題，需要采用多種方法和理論模型慎重驗證后再推廣使用。