Тип публикации: статья из журнала
Год издания: 2025
Идентификатор DOI: 10.24887/0028-2448-2025-11-6-12
Ключевые слова: deep learning, neural networks, seismic exploration, tectonic faults, fault detection, Image Segmentation, глубокое обучение, нейронные сети, сейсморазведка, тектонические нарушения, разломы, сегментация
Аннотация: 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 обуПоказать полностьючающих 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. The article presents a method for the automatic detection of tectonic faults in 3D seismic data using a deep convolutional neural network based on the UNet architecture. A key challenge in applying artificial intelligence to seismic interpretation is the severe scarcity of high-quality labeled training data, as fault labeling in real seismic volumes is subjective, labor-intensive, and often incomplete. To address this issue, the authors propose the use of synthetically generated seismic models, in which fault geometry and parameters are precisely and unambiguously defined during the modeling stage. This approach enables the creation of a large-scale, representative training dataset encompassing a wide variety of fault types and geological settings. To adapt the model to real field data, a fine-tuning mechanism is implemented using a limited set of expert-interpreted seismic sections. The modified multi-level network architecture that ensures high sensitivity to thin and elongated tectonic features and produces a probabilistic fault cube that reflects the model's confidence in fault presence at each location. Practical testing on real data from Rosneft Oil Company confirmed the high effectiveness of the proposed approach: after fine-tuning, the model demonstrates significantly improved fault detection performance, thereby enhancing the efficiency, objectivity, and reproducibility of the interpretation process. The developed method enables geophysicists to focus on result analysis rather than on the routine task of structural delineation and was proven successful across diverse tectonic settings.
Журнал: Нефтяное хозяйство
Выпуск журнала: № 11
Номера страниц: 6-12
ISSN журнала: 00282448
Место издания: Москва
Издатель: Нефтяная компания "Роснефть", ОАО "Зарубежнефть", Российский межотраслевой научно-технический комплекс "Нефтеотдача", Научно-техническое общество нефтяников и газовиков им. акад. И.М. Губкина, АНК "Башнефть", ПАО "Татнефть" им. В.Д. Шашина