深度学习提升地震层位自动解释与迁移应用.pdfVIP

深度学层位解释中的应用JamesLowell*,GeoTeric

norPaton,GeoTeric

对数据上的关键层位进行解释是工作流程中至在本文中，我们使用多个三维部分叠加数据集来演示

关重要但耗时的一步。当需要在同一数据的不同版本该工作流程，其中深度学习被用来调整在近偏移距数

（如角度叠加、4D数据或重新处理的数据）上重新解据中的层位，以适应远偏移距数据。近偏移距叠

t

a

e释这些层位时，这一过程变得更加复杂。深度络加数据体中的示意图如图1所示。

s

U作为机器学习的一个子集，具有自动化这一重新解释过

f尽管近偏移距数据和远偏移距数据体基本对齐，但两者

o

s程的潜力，并可显著提高工作流程的效率。本研究

m探讨了深度络是否能够通过学习单个层位解释，之间仍存在细微差异。图2中突出显示了一个这样的例

r

e子，其中原始（近偏移距数据）的层位与远偏移距数

T

从而在相同数据的不同版本中识别出该层位。结果基本

e据体之间出现了明显的错位。图2中识别出的错位对传统

e

s是成功的，目标层位在另一种偏移距叠加数据中被正确

;

t方法来说特别难以识别，因为在远偏移距数据体中，

h识别，并且在网络训练数据与测试数据存在不匹配的区

g

i层位的大概位置上存在一个微弱的；要使层位位置发

r域也进行了正确的重新定位。

y

p生改变，需要对该的特征有更深入的理解。因此，深

o

c

r度学习工作流程的目标是正确识别位置的变化，并准

o

e确地重新定位层位。

s

n引言

e

c

i

l

G试图完全自动化解释的工作可以追溯到解释

E

S出现的最早期，但取得的成功有限。即使采用最先进的

o

t

t全自动和半自动方法，三维数据的层位解释仍

c

e然是一项具有性且耗时的任务。

j

b

u

s

n

o当数据被重新处理，或者有时间推移数据可用时，

i

t

u

b原始的层位需要重新解释，这项工作变得更加复杂。

i

r

t

s