人工智能和视速度约束的地震波初至拾取方法

初至拾取是近地表静校正处理的重要步骤之一。随着采集密度的不断提高,地震数据量不断增加,迫切需要发展新的方法解决大数据量的初至自动拾取问题。传统方法通过人工交互拾取和质量控制,在面对庞大数据量的高密度数据时效率很低,而基于深度学习的初至自动拾取方法效率较高。在用于初至自动拾取的各种深度学习算法中,全卷积神经网络(FCN)在语义分割方面有突出优势,它可以处理不同大小的地震道集的数据,并且可以进行高分辨率的像素分类,但是这种方法存在定位精度不足的缺点。U-Net结构是FCN的一种变体,凭借较高精度和易于实现的特点,可以较好解决初至拾取问题,但在数据信噪比较低的情况下准确度会下降。为了解决以上问题,提出四个关键技术点:采用处理流程对振幅进行平衡以提高预测精度;比较U-Net与三种不同复杂度的U-Net变体(UNet++、Wide U-Net和Attention U-Net),从不同角度解决分割问题;选取合适的超参数优化网络;通过视速度约束提高分割图像精度。结果表明U-Net获得了更高的精度和效率,并在陆地地震数据应用中取得了较好的效果。

低频配套处理技术在岩性油气藏识别中的应用

研究区地震资料频带窄、信噪比低,无法进行基底碳酸盐岩潜山等岩性油气藏研究,利用GeoEast系统对低频采集地震资料进行低频配套处理技术研究,形成了GeoEast系统以微测井约束下的层析静校正、高保真叠前去噪技术和低频补偿技术为特色的低频配套处理技术系列,获得了高保真、低频信息丰富的结果。利用新的数据进行了地层及流体的分析,很好地预测出基底碳酸盐岩地层岩性及储层较发育的区域。

井间地震正演模拟

井间地震以其高精度和高分辨率的显著特点在石油和天然气的勘探和开发中发挥着越来越重要的作用。本文根据各向同性介质中的一阶速度—应力弹性波方程,构造出了此方程在交错网格中的高阶有限差分格式以及它的稳定性条件,研究了该方程的完全匹配层(PML)吸收边界条件,在此基础上实现井间地震正演模拟,得到了高精度的地震合成记录。结果表明:井间地震可以观测到地震勘探中可能遇到的多种波场,利用数值模拟可以获得令人满意的合成地震记录。