重庆泛嘉控股有限公司

【泛嘉·行内知识】人工智能技术的发展及其在地震勘探领域应用前景（中）

一、地震勘探领域的智能化发展

早在上世纪80年代中期，人工智能技术与计算机硬件体系结构的密切结合，出现了一批适应勘探开发需要的实用技术。这些技术发展到今天，以人工神经网络技术、模糊逻辑、专家系统作为人工智能的典型代表技术应用较为活跃，已渗透到石油勘探开发的各个环节，对石油工业产生了重要的影响。

如统计学、人工神经网络技术、模糊逻辑在单井多相流综合测量和诊断分析中的运用；神经模拟方法用于对实验室测得的石油工程参数和现场测井参数等复杂数据进行综合的并行计算和分析，并建立预测模型；神经网络和模糊逻辑相结合被成功应用到了裂隙性油藏的分析中，并在二维空间中绘制出裂隙强度分布图和裂隙网络；模糊逻辑和神经网络技术被成功用于选择最佳的测井数据对油藏特征进行研究的案例中。此外，人工智能技术还在剩余油分布研究、NMR测井数据反演、储层对比分析、钻井成功率预测以及石油开采量预测等诸多方面都有应用。

在地球物理勘探领域，研究人员早在十多年前就开始利用神经网络方法训练地下含油气储层与地震数据的映射模型，利用映射模型进行油气检测的技术已经相当完备成熟。时至今日，众多地球物理勘探软件里均包含了此算法的实际模块。

不仅如此，如今的人工智能技术也在推动地球物理勘探的发展。其中，在计算机视觉领域以及图形图像处理领域有着广泛应用的边缘检测算法，在自动追踪地震层位辅助地震解释方面已具备相当能力；基于人工群体智能的蚂蚁追踪方法，可将上千个计算“智能体”散布在三维地震数据中，拾取不连续性小片段，自动完成地震断层的解释。这两项技术已使得地震解释自动化的概念成为可能。

此外，人工智能领域发展的大量非线性优化技术，如基因算法、模拟退化算法、粒子群算法、马尔科夫链蒙特卡洛方法等，已纳入到地球物理反演技术的研究领域中。随着物联网和通讯技术的发展，数据爆炸性的增长和计算能力呈几何级速度的提高，人工智能技术将步入一个全面繁荣期。基于聚类分析算法的地震相分析技术、基于贝叶斯层级网络的地震子波提取技术……这些人工智能技术，也正以前所未有的速度渗透进石油地球物理专业的方方面面，悄然改变着人们对石油地球物理工作的传统思想与观念。

当然，以上技术中，有些是早期的人工智能技术，主要应用在同相轴追踪、地质层位对比、地震剖面纹理分割等方面。但还不能认为是真正的“人工智能”，只是通过一些专家系统、模式识别、或简单的智能化算法来实现，还算不上真正的“智能”。另外部分算法只作为标定、反演方法在局部应用，没有形成标准规范的应用流程，没有形成学习和知识积累的过程，没有形成不断进化和（跨项目、跨工区）应用的智能模型。未来能否实现地震处理的自动化和解释的智能化，这是地震勘探的发展方向及追求，也是“人工智能”在地震勘探领域是否实现的标志，具有里程碑的意义。

二、深度学习等技术在地震勘探领域发挥作用

深度学习技术代表了人工智能的发展方向，并推动人工智能技术达到一个新的高度，已在图像识别和语音识别领域获得巨大成功。那么对于同样拥有巨量数据的地震勘探，是否可以借鉴深度学习技术呢？能否获得智能化的地震处理或解释结果，并具有相当的可靠性？

这需要从深度学习技术的几个关键因素说起：高性能计算、大数据和算法，某些情况下还要考虑应用场景因素。

从现有的地震勘探技术条件来说，高性能计算应该不成为问题，追求更快速更大规模的计算能力一直伴随着地震勘探行业，地震勘探行业也从来不吝于在计算资源上的投入；深度学习算法方面，技术已比较成熟，网上有许多开源的神经网络算法可以拿来使用，但如何选用合适算法搭建适合地震处理或解释的架构还未见过报道，深度学习的各种算法是否能适应地震勘探的应用还有待商榷；另外一个关键的地方是如何建立适合地震处理和解释的训练样本库？如何发挥地震勘探得到的海量数据作用？这是影响深度学习技术在地震处理和解释中应用的一个主要障碍。

众所周知，深度学习需要大量的训练素材。AlphaGo之所以强悍，能够取得傲人的成绩是用了 RL network 自我对弈的3000万棋局作为训练数据；ImageNet挑战赛所提供训练用的图片库数量也已经达到 1300 万之多（图1、图2）；谷歌的 OpenImage 数据集也囊括了 900 万张图片，分为6000 多种类别；这些天文级别的训练样本数据正是深度学习技术能够独步天下，自我完善的奥妙所在。

图1 基于 WorldNet 的 ImageNet 层级结构来源：ImageNet

图2 ImageNet 数据集有关地质构造描述的网络截图来源：ImageNet

中国石化物探院/索重辉

文章分类：行内知识

联系我们

电话/传真：023-88307715 地址：重庆市南岸区江溪路11号运达工业园10栋

网址：https://pancasia.cn