Технология и опыт выделения тектонических нарушений по данным сейсморазведки с применением искусственного интеллекта

UDK: 550.834.05

DOI: 10.24887/0028-2448-2025-11-6-12

Ключевые слова: глубокое обучение, нейронные сети, сейсморазведка, тектонические нарушения, разломы, сегментация

Авт.: В.Д. Гришко (ООО «РН-КрасноярскНИПИнефть», ОГ ПАО «НК «Роснефть»; Сибирский федеральный университет); А.А. Козяев, к.г.-м.н. (ООО «РН-КрасноярскНИПИнефть», ОГ ПАО «НК «Роснефть»); Р.С. Мельников (ПАО «НК «Роснефть»); Д.А. Петров (ООО «РН-КрасноярскНИПИнефть», ОГ ПАО «НК «Роснефть»); Т.Э. Хохрякова (ООО «РН-КрасноярскНИПИнефть», ОГ ПАО «НК «Роснефть»); А.C. Вострецов (ООО «РН-КрасноярскНИПИнефть», ОГ ПАО «НК «Роснефть»; Сибирский федеральный университет)

В статье представлен метод автоматического выявления тектонических нарушений по данным сейсморазведки 3D с использованием глубокой сверточной нейронной сети на основе архитектуры UNet. Ключевой проблемой при применении методов искусственного интеллекта в сейсмической интерпретации является острый дефицит качественно размеченных обучающих данных, поскольку разметка разломов в сейсмических кубах субъективна, трудоемка и часто бывает неполной. Для решения этой задачи предложено использовать синтетически сгенерированные сейсмические модели, в которых геометрия и параметры разломов задаются точно и однозначно на этапе моделирования. Это позволяет создать масштабную и репрезентативную обучающую выборку, охватывающую разнообразные типы разломов и геологические условия. Для адаптации модели к полевым данным реализован механизм дообучения на ограниченном наборе сейсмических сечений, проинтерпретированных экспертами. Модифицированная многоуровневая архитектура сети обеспечивает высокую чувствительность к тонким и протяженным тектоническим нарушениям и формирует вероятностный куб разломов, отражающий степень уверенности модели. Практическое тестирование на данных ПАО «НК «Роснефть» подтвердило высокую эффективность подхода: после дообучения модели метрики качества выделения разломов увеличиваются, что повышает эффективность, объективность и воспроизводимость процесса интерпретации. Разработанный метод дает возможность специалистам-геофизикам сосредоточиться на анализе результатов, а не на рутинном выделении структур, и успешно применяется в различных тектонических условиях.

Список литературы

1. FaultSeg3D: Using synthetic data sets to train an end-to-end convolutional neural network for 3D seismic fault segmentation / X. Wu, L. Liang, Y. Shi, S. Fomel // Geophysics. – 2019. – Vol. 84. – No. 3. – P. IM35–IM45. – https://doi.org/10.1190/geo2018-0646.1

2. Fossen H. Structural geology. – Cambridge: Cambridge University Press, 2012. – 940 p.

3. Building realistic structure models to train convolutional neural networks for seismic structural interpretation / X. Wu, Z. Geng, Y. Shi [et al.] // Geophysics. – 2019. – V.  85. – No. 4. – P. 1–48. – https://doi.org/10.1190/geo2019-0375.1. – EDN: SAEGTE

4. Seismic Foundation Model (SFM): a new generation deep learning model in geophysics / H. Sheng, X. Wu, X. Si [et al.]. – 2023. – https://doi.org/10.48550/arXiv.2309.02791

5. A Survey on Masked Autoencoder for Self-supervised Learning in Vision and Beyond / Zhang C.N., Zhang C.S., Song J. [et al.]. – 2022. – https://doi.org/10.48550/arXiv.2208.00173