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.

缝洞型油气藏;溶洞识别;深度学习;U-Net模型;深度残差网络

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

[1]闫星宇;李宗杰;顾汉明;陈本池;邓光校;刘军-.基于深度卷积神经网络的地震数据溶洞识别)[J].石油地球物理勘探,2022(01):1-11

溶洞识别

深度卷积神经网络,地震数据,缝洞型油气藏,勘探与开发,多解性,特征学习能力,泛化性,深度学习方法,地震波场,响应特征,异常体,体尺,训练样本,两步法,Net,模型识别,地震剖面,串珠,异常反射,异常识别,小范,截取,深度残差网络,训练数据,波动方程,正演模拟,约人

0.268627