基于自监督学习的地震数据断层解释与储层预测研究综述.docVIP

基于自监督学习的地震数据断层解释与储层预测研究综述

一、自监督学习在地震勘探领域的应用背景

地震勘探是油气资源勘查、地质构造解析的核心技术手段，通过人工激发地震波在地下介质中的传播规律，反演地下岩层的空间分布与物性特征。传统地震数据解释高度依赖地质专家的人工标注，解释人员需要在三维地震数据体中逐剖面识别断层轨迹、划分储层边界，单工区解释周期通常长达数周至数月，且解释结果受人员经验影响较大，不同专家对同一数据体的断层解释吻合度仅为60%~75%。随着高精度三维地震采集技术的普及，单工区地震数据体量已从GB级跃升至TB级，传统人工解释效率已无法满足勘探开发的快节奏需求。

监督学习方法曾被尝试应用于地震解释任务，通过标注的断层、储层样本训练神经网络模型，实现自动化解释。但监督学习的性能高度依赖大规模标注数据集，而地震数据标注需要专业地质知识，单断层标注成本超过100元/条，大规模标注的经济成本与时间成本极高，且不同工区的地质构造特征、地震数据采集参数存在显著差异，跨工区模型泛化能力不足，监督学习的应用陷入标注不足-性能受限-落地困难的恶性循环。

自监督学习的出现为解决上述问题提供了新路径。该方法无需人工标注，通过设计预训练任务从海量无标注地震数据中挖掘内在特征，学习到的通用表征可迁移到下游断层解释、储层预测任务中，仅需少量标注数据微调即可获得优异性能。近年来自监督学习在计算机视觉、自然语