Задача корреляции отражающих горизонтов является одной из наиболее трудоемких при интерпретации данных сейсморазведки. Известные аналитические алгоритмы для решения данной задачи характеризуются крайне неустойчивым решением на участках с неоднозначным поведением волнового поля, интерференцией и др. В статье дано описание существующего опыта применения машинного обучения для корреляции отражающих горизонтов. Рассмотрен подход к автоматической корреляции горизонтов с применением нейронных сетей, который основан на решении задачи сегментации. Предложено использовать архитектуру Feature Pyramid Network и заменить в энкодере обычные свертки на расширенные с целью увеличения рецептивного поля нейронной сети. Кроме того, в декодере добавлены дополнительные слои с линейной интерполяцией и сверточные слои с целью получения масок с разрешением большим, чем у изображения, подаваемого на вход нейронной сети. Дано описание методики подготовки сейсмических данных для обучения нейронной сети и постпроцессинга получаемых прогнозов. Представлены результаты апробации предложенного подхода на ряде объектов, расположенных в пределах Волго-Уральской и Тимано-Печерской нефтегазоносных провинций, Западной и Восточной Сибири. Апробация выполнялась на сейсмических данных 2D и 3D различного качества. По результатам апробации получено приемлемое соотношение времени обучения и качества получаемой поверхности отражающего горизонта, соответствущее запросам производственных подразделений. Предложенный в статье метод дает возможность сократить количество времени, затрачиваемое специалистами для корреляции отражающих горизонтов.
Список литературы
1. Хайруллин Т.А. Автоматическая пикировка первых вступлений отраженных волн // Цифровые технологии в добыче углеводородов: от моделей к практике. Сборник тезисов науч.-техн. конф. – Уфа: РН-БашНИПИнефть, 2021. – C. 79–81.
2. Stark T.J. Relative geologic time (age) volumes – Relating every seismic sample to a geologically reasonable horizon // The Leading Edge. – 2004. – V. 23. – P. 928-932. - DOI:10.1190/1.1803505
3. Wu X., Hale D. Horizon volumes with interpreted constraints // Geophysics. – 2015. – V. 80(2) – P. IM21– IM33. - DOI: 10.1190/geo2014-0212.1
4. Stark T.J. Unwrapping instantaneous phase to generate a relative geologic time volume // 73rd Annual International Meeting, SEG – 2003. – P. 1707–1710. - DOI:10.1190/1.1844072
5. Luo S., Hale D. Unfaulting and unfolding 3D seismic images // Geophysics. – 2012. – V. 78(4) – P. O45– O56. - DOI:10.1190/segam2012-1356.1
6. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. – https://arxiv.org/pdf/1505.04597.pdf.
7. Seismic Horizon Detection With Neural Networks / A. Koryagin, D. Mylzenova, R. Khudorozhkov, S. Tsimfer. – https://arxiv.org/pdf/2001.03390.pdf.
8. Extracting horizon surfaces from 3D seismic data using deep learning / V. Tschannen, M. Delescluse, N. Ettrich, J. Keuper // Geophysics. – 2020. – V. 85(3) – P. 1MJ– Z13. - DOI: 10.1190/geo2019-0569.1
9. Feature Pyramid Networks for Object Detection / T. Lin, P. Dollár, R. Girshick [et al.]. – https://arxiv.org/pdf/1612.03144.pdf.
10. Deep Residual Learning for Image Recognition / K. He, X. Zhang, S. Ren, J. Sun. –https://arxiv.org/pdf/1512.03385.pdf.
11. Yu F., Koltun V. Multi-scale context aggregation by dilated convolutions. –https://arxiv.org/pdf/1511.07122v3.pdf.
12. Оконное преобразование Фурье. Окно_Блэкмана. – https://ru.wikipedia.org/wiki/Оконное_преобразование_Фурье#Окно_Блэкмана
