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（下）

一、地震处理智能化

地震处理领域智能化的终极目标是：输入采集的单炮数据，然后直接输出成像结果，中间无需人工干预或仅做很少量的参数调整。但这只是我们的理想，目前还只能想想而已，实际情况面临的问题要比这复杂得多。

首先遇到的问题是采集的单炮和处理后成像之间的映射关系复杂。前面介绍的图像识别和语音识别过程，输入的单个图像或一段语音，都有确切的描述或语义，通过神经网络训练，需要识别的对象和目标之间有一个明确的对应关系，是一对一的关系（图1），关系较为简单（虽然实际处理过程较复杂，输入数据需要先预处理到频谱域后再模拟训练，但不改变这种对应关系）。而在地震勘探中，输入的单个单炮资料和成像目标之间很难用这种确切的对应关系来描述。换句话说，单炮和成像之间不是一个简单的映射关系，需要多个单炮资料抽道集和叠加，才能映射到一个三维的成像域中（图2）。并且无论输入和输出，地震勘探面临的数据量也比前两者要高出许多个数量级，计算成本无法想象。另外考虑到还有前期的校正、去噪和后期的偏移等环节，输入和输出之间关系更为复杂，找出他们之间联系或建立判别评价函数似乎是不可能的。因此，常规的深度学习技术在这里似乎是无用武之地了。

其次是缺乏训练用的样本库。这一点也很好理解，输入和输出的关系不明确，无法进行标定和判别，样本库的建立也无从谈起了。

图1 图像识别与语音识别输入与输出关系

图2 地震数据输入与输出之间如何标定

如此说来，目前还无法直接借鉴图像处理或语音识别等已有的成熟算法，来实现地震数据的智能处理这一终极目标。如何实现处理的智能化还有很长的路要走。但此路不通，还有其他道路可以选择，可以退而求其次，寻求处理过程中的部分环节智能化，只要能减少一部分工作量，或者提高一些处理精度还是有意义的。

常规处理过程中，地震初至拾取、去噪、速度分析等环节是人工资源消耗较大部分。目前拾取初至和速度分析都有一些自动化程序可以实现，部分商业软件的效果还不错。但目前来看，去噪的自动化实现难度还比较大，深度学习方法是否可以在这个环节有所突破？如果能从单炮记录中自动分离出各种噪声或特征波，将会大大减少工作量，提高工作效率。虽然不同工区面临的噪声和特征波各不相同，但如果能够标定足够多的样本，并采用深度学习的方法进行识别和分离，想必可以找到智能去噪的一条出路。虽然还会面临着如何构建算法、如何建立样本库等问题，工作量也不会小，但相比上述整个处理流程的智能化，实现起来要容易得多。

表1 单炮记录中常见的各种噪声、特种波及其特点

序号	类型	能量	频率	视速度	一致性	发育程度	对策	备注
1	异常道	强	无规律	无	无	普遍存在	压制、剔除衰减	各种噪声（与震源激发无关）
2	直流分量	强	0 HZ 超低频	无	个别	集中分布在个别炮道上	检查、去除
3	外源干扰	较强空间变化	中频段与其源相关	变化	点源线源	广泛发育	减弱、衰减
4	猝发脉冲	强	频带很宽	无	无	随机出现	分频压制
5	线性干扰	强弱变化	频带窄	360-750m/s ∞ 不等	较好	较发育	F-K滤波
6	背景噪声	强	频带宽	无	无	较广泛	降低、RNA
7	声波	强弱变化大	频带宽	340m/s	较强	大炮号发育	降低速度滤波	各种特征波（与震源激发有关）
8	初至波	强弱变化大	变化大	空间变化 3500-5500m/s	强		静校正
9	折射波	强弱变化大	频率较低	空间变化 1500-3000m/s	较强	较发育	减弱静校正
10	面波	较强	频率低频散	空间变化 400-1600m/s	强弱变化大	近炮点发育	健全采样区域滤波
11	次声波	强	频带宽	无规律	弱	较发育	压制识别
12	反射波	很弱	频率高	高速	较弱		增强

二、地震解释智能化

地震解释是从数据里提取所有与构造、地层、岩石属性、储层流体等地质信息在空间和时间上的分布，并进行油气预测。在现在的解释环境下，多中央处理系统、先进的可视化技术、大量的地震数据和属性信息，所有一切都说明地震解释已进入一个数据爆炸时代。

大数据时代，工作站产生的海量数据已超出了人们对数据的有效分析能力范围之外，地震解释领域也因此面临着如下问题：1）信息太多而无法有效解释；2）无法快速理解各种数据之间的关系或联系。如地震属性（振幅、倾角、相位、频率、极性等）与地质问题之间有何关系（沉积相、孔隙度、沉积环境、地层、裂缝等）？

因此，通过发展人工智能技术，帮助人们进行大数据分析，是地震解释技术未来的发展方向。目前，已有自动层位追踪、自动断层解释、智能地震相分析、自动古河道识别等技术应用在地震解释领域。随着深度学习技术的发展，新的解释方法也层出不穷。如2016年的SEG论文中有关最新的人工智能地震解释流程探讨：用主成分分析(PCA)和自组织映射(SOM)无监督机器学习方法进行地震解释，其方法如下：

从数据中迭代学习和独立自适应的计算机算法能够生产可靠、可重复的结果。PCA和SOM已成为无监督机器学习方法的内容，已可以帮助解释人员从大量数据中筛选信息，并获得理想的地质解释效果。使用这些方法和SOM可视化结果，利用2D彩图显示前期未识别的地质特征，或者使得地震解释更加容易（图3和图4）。

机器学习方法，PCA和SOM提供的多属性分析，已被证明是海量地震数据解释流程中优秀的技术。图5为机器学习解释流程：解释人员首先定义需要解决的地质问题，目的是确定沉积相、孔隙度、沉积环境、地层等信息；基于解释目标，运用PCA或经验选择合适的地震属性；然后结合地震属性和神经元数进行SOM评价，注意神经元数越多，分析越细化；SOM分析结束后，其结果用2D彩图进行显示，对神经元区分以便标定地质特征；最后，解释人员可以对不同属性和神经元进一步组合提炼，完善属性与地质特征之间关系。

图3 特征谱分析（PCA主成分分析及相关的地震属性）

图4 一条剖面的自组织映射（SOM）结果

图5 多属性机器学习解释步骤（主成分分析和自组织映射）

三、小结

AlphaGo使大家真正意识到人工智能时代已经来临。人工智能要在某些关键领域取得突破，创造更大的价值，算法是关键，数据也至关重要。人工智能时代说穿了就是驾驭数据洪流的时代。

对石油行业来说，如今的油气勘探已经走向深水、盐下及至非常规油气领域，已经从曾经的技术粗放型产业转变为技术精细型和技术密集型产业。随着大数据时代的到来，采用人工智能技术，改变传统的管理和作业模式，降低成本，已成为各个油公司的共识。同样对地震勘探行业来说，如何采用人工智能技术改变地震处理和解释方式、提高自动化水平和预测精度是未来勘探人员要考虑的问题。

人工智能技术的发展无论对社会，还是对企业来说，都影响深远，这既是一场机遇，也是一场冲击。大浪淘沙，方见真金，不紧随技术发展的步伐，就很有可能被淘汰。现在人工智能的发展才刚刚起步，对相对传统的油气行业来说，如何把握住这次机会，我们拭目以待。

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