基于深度学习的干热岩绕射波属性融合裂缝分析

干热岩地热资源是指埋藏深度在地下3~10 km,内部不含或仅含少量流体,温度为180℃~650℃,热能可供人类利用的新兴清洁能源。干热岩开发利用时,裂隙扩展预测和热传导通道等与地下干热岩断裂和裂缝分布、尺度等有关。因此,探明地下构造对干热岩开发利用的安全性和开采效率具重要意义。地震数据所采用属性数据大多由反射波数据成像获得,强反射面对小尺度不连续的地质体产生的绕射波信号有屏蔽作用。岩性主要为花岗岩的干热岩顶面反射较强,导致干热岩中断裂与裂缝识别精度不高,单一绕射属性方法受多解性影响较大。为提高干热岩中裂缝探测精度,利用平面波破坏滤波。从地震数据中提取高分辨率地震绕射波数据,与地震属性分析技术相结合,利用深度学习法,在经典U-Net模型基础上,提出以四通道绕射属性为输入、27层卷积,以裂缝分布为输出的绕射属性融合模型(DAF-Unet)。新网络增加了空间注意和通道注意机制,提高了u-net模型对绕射波属性特征的定位和提取能力。在对青海共和盆地干热岩切片绕射属性进行优选后输入网络,训练模型。将新的切片数据输入求解模型,输出裂缝预测分布图,与传统反射属性分析方法进行对比。结果表明:(1)绕射属性融合模型(DAF-Unet)对干热岩地下裂缝预测结果与研究区构造背景一致,断裂主要呈NW向和NNW向,发育较好;(2)绕射波属性对干热岩储层中小尺度裂缝尺度、走向等描述与地震反射波属性相对比精度更高;(3)属性融合结果相较单一绕射属性分析多解性减少,更加精确。研究成果有助于分辨地下裂缝等小尺度不连续地质体,提升了干热岩开发与利用的效率和资源探测精度。