《煤田地质与勘探》“智能地球物理” 专题

来源：煤田地质与勘探

近年来，人工智能与地球物理学科的深度融合已成为推动地球科学领域创新发展的重要驱动力。这一跨学科的结合不仅极大地提升了数据处理的智能化水平，实现了成像精度的显著提升和反演过程的优化，还使得实时监测与灾害预警成为可能，极大地拓展了地球科学研究的视野。在复杂多变的地质环境中，人工智能技术的应用有效辅助了勘探方案的设计，显著提高了勘探效率与准确性。此外，在资源开发与利用领域，智能优化算法的应用促进了资源的高效、绿色开采，为实现可持续发展目标提供了强有力的科技支撑。为了进一步总结与展示人工智能在地球物理领域取得的最新研究成果，推动该领域的持续发展，并为相关学科研究提供新的思路与方法，《煤田地质与勘探》特别邀请北京大学马坚伟教授、西安交通大学陈文超教授担任专题主编，中国矿业大学(北京)赵惊涛教授、哈尔滨工业大学于四伟教授、西安交通大学王晓凯教授、西安研究院王保利研究员和王云宏副研究员担任专题副主编，共同策划了“智能地球物理”专题。本专题紧密围绕人工智能在地球物理数据处理、地质建模、资源预测等核心领域的创新应用与实用成果展开。本期优选了5篇代表性的论文，以期为读者呈现该领域的最新进展。期待更多的创新性研究成果能够投寄本刊，共同推动智能地球物理学科的发展。

行业视野: 煤田地质与勘探
类别; 23个
关键词; 18位
专家; 5篇
论文; 526IP
点击量; 0次
下载量

人工智能测井：基础、原理、技术及应用

作者(Author)：程希, 任战利

摘要：背景油气勘探开发的智能化已成为油气工业发展趋势与研究热点。人工智能测井(Artificial intelligence logging，AIL)具有解决非常规油气资源及深地深海等复杂环境勘探开发难题的巨大潜力。然而，AIL技术发展的驱动模式，以及技术发展的基础、实现原理、技术组成以及应用场景还没有开展研究。目的和方法为构建完善的AIL测井体系生态，充分挖掘并展现AIL技术的潜力与价值，采用文献分析、理论研究、技术分析以及实例验证的方法。首先从多个维度出发，深入剖析了测井技术与人工智能(Artificial intelligence，AI)融合发展的关键因素，并据此定义了AIL。随后，系统探讨了AIL的基础理论框架、硬件算力需求以及数据物理模型，并通过知识发现的视角，详细阐述了测井方法、仪器、岩石物理及解释等环节在AIL体系中的功能实现机制。在技术层面，深入分析了包括测井大数据技术、智能与快速算法、测井知识图谱、数字孪生、智能仪器及测井物联网在内的多项关键技术，并指出物理模型与智能算法是推动AIL技术发展的核心驱动力。根据AI算法的原理与特性，系统梳理了AIL在测井方法、仪器、采集作业及解释等方面的关键技术，并构建了测井知识图谱树状图及其求解流程。结果和结论通过实证研究，验证了AIL在致密砂岩岩性识别及测井模拟中的优势，其精度达到93.8%，明显优于传统方法。在测井评价方面，AIL可同时实现储层和流体的识别，这充分说明了AIL技术的巨大发展潜力与应用优势。基于AIL技术的关键节点，展望了测井技术发展的第五个发展阶段，即智能测井。研究成果为AI在测井领域的深度融合与广泛应用提供坚实的理论基础与实践指导，对促进人工智能测井技术的推广及发展具有重要意义。

免费下载

煤田地质与勘探

2024年第08期

192

0
基于Curvelet域的注意力机制卷积网络地震数据去噪

作者(Author)：包乾宗, 周梅, 邱怡

摘要：【目的】地震资料中的噪声严重影响着对地下地层信息的准确解释。基于地震资料中横向相关性较强的有效信号在Curvelet域分布在特定系数上，而随机噪声在Curvelet域通常会均匀分布于所有系数，可对信号进行更有效的分离。【方法】基于注意力机制卷积神经网络能够聚焦图像的重要特征，自适应提取关键信息的特点，提出一种基于Curvelet变换和注意力机制卷积神经网络(Curvelet-AU-Net)的地震数据噪声衰减方法。首先，将含噪声的地震数据通过Curvelet变换得到Curvelet变换系数，分析有效信号和噪声在Curvelet域的分布情况。其次，使用加入CBAM注意力机制的 U-Net 网络，以含噪地震数据的 Curvelet 变换系数制作训练集作为输入数据，用无噪地震数据的 Curvelet 变换系数作为标签，通过比较实际输出与标签的损失函数值，并逐层反向传播梯度来更新网络参数，当损失函数值达到最小时，网络训练完成。最后，将测试数据输入训练好的网络模型中，再对网络输出数据进行 Curvelet 反变换即可得到地震数据去噪结果。【结果和结论】模拟数据与实际数据处理结果表明，与传统方法和普通卷积网络相比，该方法在不同噪声水平和尺度条件下对常见噪声(如随机噪声等)的衰减效果更优，获得的地震信号信噪比和保真度更高。由于该方法融合了Curvelet变换的稀疏表示优势和深度学习模型的自适应性，将为地震数据噪声衰减提供一种新的解决途径。

免费下载

煤田地质与勘探

2024年第08期

75

0
基于扩散概率模型的非均一地震数据插值方法

作者(Author)：陈尧, 于四伟, 林荣智

摘要：目的能源勘探领域长期面临非均一地震数据插值的难题。由于检波器无法精确放置在理论网格点,现有均一插值技术常导致结果存在偏差和细节失真。方法为解决此问题,提出一种基于扩散概率模型的非均一插值新方法。扩散概率模型是一种新兴的生成式深度学习模型，分为扩散和生成两个过程。在扩散过程中，对完整地震数据迭代施加噪声，训练神经网络的去噪能力。在生成过程中，使用神经网络对噪声数据迭代去噪，得到重构数据。本文利用插值算子计算迭代数据与采集数据的偏差，作为神经网络的额外输入，提高扩散概率模型的非均一插值能力。在数值实验部分，使用二维合成数据集与实际数据集对非均一采样进行了测试，并使用均一插值模型与本文所提模型进行比较。结果与结论结果表明该方法显著提升了扩散概率模型对非均一采样的处理能力，在合成数据与实际数据测试中，信噪比大约提高了7 dB，有效提高了深度学习方法对非均一插值的精度，为非均一地震数据插值算法提供了新的思路。

免费下载

煤田地质与勘探

2024年第08期

78

0
岩石物理建模引导的低渗储层参数预测方法

作者(Author)：汪锐, 李芳, 刘仕友, 孙万元, 李松龄, 黄晟

摘要：背景准确预测储层参数对地下储层表征、气藏模式构建、产能释放及流体运移理解具有关键意义。传统基于岩心测量或数学-岩石物理建模的方法受限于弹性参数反演结果的多解性和低精度，难以满足现代勘探需求。目的和方法为提升低渗储层参数预测的准确性，提出了一种岩石物理建模引导的低渗储层参数预测方法。其利用卷积神经网络（Convolutional Neural Network，CNN）作为深度学习框架，从实际地震数据中直接预测含水饱和度、泥质含量及孔隙度；为解决标签数据稀缺问题，结合岩石物理建模与弹性参数随机扰动技术，生成高质量训练样本，有效扩充了数据集。结果和结论理论模型测试表明：在储层参数对岩石物理敏感性较低的情况下，也能实现低渗储层参数的空间分布预测；相比纯数据驱动的深度学习，仅需少量测井数据即可获得高精度的储层参数预测结果。在莺歌海盆地东方区的应用实践表明，该方法优化了钻井部署，助力了低渗领域的重大勘探突破和储量发现。

免费下载

煤田地质与勘探

2024年第08期

83

0
基于双向循环插补的大地电磁脉冲类噪声处理

作者(Author)：杨凯, 刘诚, 李含, 贺景龙

摘要：目的大地电磁测深是一种通过观测天然电磁场获取地下电性结构的勘探方法，较易受到噪声干扰。脉冲类噪声是大地电磁工作中的常见噪声，其幅值高、频带宽，会对数据质量产生较大影响。方法为了压制脉冲类噪声，以插补思想为基础，提出了基于时间序列双向循环插补模型(Bidirectional Recurrent Imputation for Time Series，BRITS)的大地电磁脉冲类噪声处理方法。首先，将噪声干扰段删除，此时大地电磁时间序列可视为待插补的缺失序列，而后利用该缺失序列构建训练集，对BRITS模型进行插补训练，训练完成后对缺失序列进行插补，即可得到去噪结果。通过仿真及实测含噪声数据处理，并与经验模态分解(Empirical mode decomposition，EMD)阈值方法进行了对比。结果和结论结果表明：BRITS方法对仿真噪声数据处理后与原始数据的归一化互相关系数可达0.999以上，信噪比可达29 dB以上，EMD阈值方法处理前后相关系数为0.778，信噪比为3.09 dB；在实测数据处理中，BRITS方法有效恢复了噪声干扰数据，相比EMD阈值方法，其阻抗奈奎斯特图更接近天然大地电磁信号特征。通过不同训练样本试验得出：对4分量大地电磁数据而言，数据中至少需包含两道正常分量，单个含噪分量中噪声占比不大于20%，且噪声连续干扰长度不超过10个采样点，此时，BRITS方法去噪后数据的相关系数在0.96以上，可以保证一定的去噪精度。

免费下载

煤田地质与勘探

2024年第08期

98

0