Картирование тектонических нарушений на основе машинного обучения и нейронных сетей
Автор: Мифтахов Р.Ф., Авдеев П.А., Гогоненков Г.Н., Базанов А.К., Ефремов И.И.
Журнал: Геология нефти и газа.
Рубрика: Методические и технологические вопросы
Статья в выпуске: 3, 2021 года.
Бесплатный доступ
Этап построения тектонических нарушений в цикле работ сейсмической интерпретации является одним из самых важных. Кроме того, процесс прослеживания нарушений - весьма трудоемкий, требующий большого объема времени и человеческих ресурсов. На сегодняшний день существует большое число технологических аналитических решений, направленных на автоматизацию процесса трассирования поверхностей разломов, однако большинство из них обладает серией ограничений, обусловленных невозможностью полноценной автоматизации процедур при работах в условиях сложной геологической обстановки района исследований, а также с сейсмическим материалом низкого качества. Таким образом, вопрос оптимизации данного процесса по-прежнему актуален для производственного цикла нефтегазовых и сервисных компаний. В статье рассмотрены результаты нового подхода к реализации процесса автоматизированного картирования тектонических нарушений, основанного на применении искусственного интеллекта через машинное обучение и глубокие нейронные сети. Новые алгоритмы, реализованные в составе программной системы Geoplat Seismic Interpretation, позволяют максимально исключить субъективизм и существенно сократить затраты времени на структурную интерпретацию нарушений в различных геологических условиях.
Сейсмическая интерпретация, тектонические нарушения, автоматизация, искусственный интеллект, машинное обучение, глубокие нейронные сети, методика, программный комплекс (система)
Короткий адрес: https://sciup.org/14128833
IDR: 14128833 | DOI: 10.31087/0016-7894-2021-3-123-136
Список литературы Картирование тектонических нарушений на основе машинного обучения и нейронных сетей
- Barnes A.E. A filter to improve seismic discontinuity data for fault interpretation // Geophysics. - 2006. - T. 71. - №3.- C. P1-P4. D0l:10.1190/1.2195988.
- Hale D. Methods to compute fault images, extract fault surfaces, and estimate fault throws from 3d seismic images// Geophysics.-2013.- T. 78. - №2.- C. O33-O43. D0l:10.1190/geo2012-0331.1.
- Hall B. Facies classification using machine learning// The Leading Edge. - 2016. - T. 35. - № 10. - C. 906-909. D0l:10.1190/tle35100906.1.
- Priezzhev I.I., Veeken P.C.H., Egorov S.V., Strecker U. Direct prediction of petrophysical and petroelastic reservoir properties from seismic and well-log data using nonlinear machine learning algorithms // The Leading Edge - 2019. - T. 38. - № 12. - C. 949-960. D0I:10.1190/ tle38120949.1.
- Naeini E.Z., Green S., Russell-Hughes I., Rauch-Davies M. An integrated deep learning solution for petrophysics, pore pressure, and geomechanics property prediction // The Leading Edge.- 2019.- T. 38. - № 1.- C 53-60. D0I:10.15530/urtec-2019-111.
- Zhao X., Lu P., Zhang Ya., Chen J., Li X. Swell-noise attenuation: A deep learning approach // The Leading Edge. - 2019. - T. 38. - № 12. -C. 934-942. D0I:10.1190/tle38120934.1.
- Xiong W., JiX., Ma Y., Wang Y., AlBenHassan N.M., Ali M.N., Luo Y. Seismic fault detection with convolutional neural network// Geophysics. - 2018. - T. 83. - №5.- C. 097-0103. D0I:10.1190/geo2017-0666.1.
- Wu X., Shi Y, FomelS., Liang L., Zhang Q., YusifovA. FaultNet3D: Predicting fault probabilities, strikes and dips with a common CNN // IEEE Transactions on Geoscience and Remote Sensing. - 2019. - Т. 57. - №11. - С. 9138-9155. D0l:10.1109/TGRS.2019.2925003.
- Zheng Y., Zhang Q., YusifovA., Shi Y. Applications of supervised deep learning for seismic interpretation and inversion // The Leading Edge. - 2019. - Т. 38. - №7.- С. 526-533. D0l:10.1190/tle38070526.1.
- Гогоненков Г.Н., Тимурзиев А.И. Сдвиговые деформации в чехле Западно-Сибирской плиты и их роль при разведке и разработке месторождений нефти и газа // Геология и геофизика. - 2010. - Т. 51. - №3.- С. 384-400.
