image
Home Journals Progress in Geophysics
Progress in Geophysics

Abbreviation (ISO4): Prog Geophy      Editor in chief:

About  /  Aim & scope  /  Editorial board  /  Indexed  /  Contact  / 
Online first  /  Current issue  /  All issues  /  Top access  /  RSS

Progress in Geophysics >

2025 , Vol. 40 >Issue 1: 208 - 219

DOI: https://doi.org/10.6038/pg2025HH0563

Research progress of fault identification technology based on seismic data

  • Lin ZHANG , 1 ,
  • Yuan MENG , 2, * ,
  • LiSha QI 1 ,
  • Abudusalamu ALIMUJIANG 1 ,
  • Jun DAI 1 ,
  • Ang LI 2 ,
  • LiYan ZHANG 2
Expand
  • 1 Exploration and Development Research Institute, Xinjiang Oilfield Company, PetroChina, Karamay 834000, China
  • 2 China University of Petroleum-Beijing at Karamay, Karamay 834000, China

Received date: 2024-04-15

  Online published: 2025-03-13

Copyright

Copyright ©2025 Progress in Geophysics. All rights reserved.
Fold

Abstract

With the further evolution of oil and gas exploration and development technology, the traditional artificial fault interpretation has some defects such as strong subjectivity, heavy workload and low efficiency, which cannot meet the needs of efficient identification of faults on seismic data and the exact realization of structural characteristics in the study area interpretation needs. This article explores the process, advantages, application scope, and limitations of various representative fault identification technologies found on a large number of domestic and foreign literature. Based on this, it can be roughly divided into three categories of fault identification technologies represented by single seismic attribute, multi attribute fusion, and artificial intelligence. Single attribute fault interpretation techniques mainly include spectral decomposition, coherence volume, variance volume, etc. These techniques and methods are mainly applied in the early stage of seismic exploration, and are relatively effective for the identification of large faults. In terms of small fault recognition, the seismic multi-attribute fusion technology based on RBG attribute fusion has unique advantages. By changing the weight of different attributes, the structural information of the fault is highlighted, so as to reduce the interference and reduce interference and ambiguity. With the advent of the big data era, fault identification technology based on artificial intelligence has been widely used. Ant body tracking belongs to the early artificial intelligence fault identification technology, which partly improves the accuracy of fault identification, but there are still some problems such as strong multi-solution and low anti-noise ability. Since then, neural networks have been introduced into seismic data processing and interpretation, mainly including image classification and semantic segmentation. In particular, residual neural networks, convolutional neural networks, fully convolutional neural networks and U-Net have been widely used in the research of fault recognition, which promote further development of automation and intelligence in fault recognition. This paper summarizes and compares various fault identification techniques, proposes future development directions, techniques, proposes future development directions, which provides new solutions for the use of seismic data for fault interpretation and identification in oil and gas exploration for further.

Key words： Fault identification; Seismic attribute analysis; Fusion; Artificial intelligence; Neural network

Cite this article

Lin ZHANG , Yuan MENG , LiSha QI , Abudusalamu ALIMUJIANG , Jun DAI , Ang LI , LiYan ZHANG . Research progress of fault identification technology based on seismic data[J]. Progress in Geophysics, 2025 , 40(1) : 208 -219 . DOI: 10.6038/pg2025HH0563

0 引言

断层作为重要地质构造，对其快速、准确的识别，能够提高研究区构造认识，有利于寻找脉矿、油气圈闭等勘探开发.最初的断层识别主要依据地震剖面通过地震反射波同相轴的异常特征或特殊波的存在情况等进行解释，但这种方法仅适用于规模较大、位移显著的断层识别研究(冯锐和McEvilly，1984；董树政等，2003；Robein，2009).随后，学者们提出了利用井断点引导，结合钻井资料和地震数据实现对微小尺度断层的识别(苏燕等，2008；李操等，2017；蔡志东等，2018).李操等(2017)通过井震结合解释空间断层定位与井震解释垂向断距对比，识别断层假象，提高小断层的解释精度；蔡志东等(2018)利用VSP数据综合研究井旁断层特征.尽管井震结合的断层识别技术能够解决小断层识别问题，当井网布置受限时所获取的测井资料通常无法满足需求.此外，无论是利用地震剖面还是井震结合的断层识别技术都依赖于传统人工解释，工作量大、效率低且精度无法满足勘探所需.
国内外学者迫切寻找更精确的手段开展研究，基于地震属性的断层识别技术突破传统断层识别局限性，广泛应用于断层解释领域.地震属性包括相干体(席桂梅等，2019)、曲率属性(Chopra et al., 2011；等，2012; Chopra and Marfurt et al., 2020)与方差体(司丽等，2013；常益行，2015；李婷婷等，2018)等.除利用单一地震属性进行解释外，学者们还提出利用多属性融合技术深入挖掘地震数据，实现对地震资料更精细的解释.尽管基于地震属性的断层识别方法相对有效，但是针对大断层屏蔽下的低序级小断层而言，此类方法的效果并不理想.
面对目前勘探的海量地震数据而言，降低地震解释周期，提高效率和准确性至关重要.近年来，随着大数据时代的飞速发展，人工智能被广泛应用于地震资料处理解释中(Carter and Wilkin, 1999)，通过提取不同尺度断层的差异特征，实现对地震数据快速、精准的处理与解释.Wang和AlRegib(2014)率先提出了自动识别断层技术，随后，蚂蚁跟踪技术、霍夫变换、利用多层感知器和支持向量机的机器学习等均得到较好的应用.随着神经网络引入地球物理领域中，以深度卷积网络为主体的图像分类和语义分割模型成为目前的主流技术(张政等，2020；常德宽等，2021).此外，还发展了基于边缘检测的神经网络(Xie and Tu, 2017；Yun et al., 2019).本文详细论述基于单一地震属性、多属性融合及人工智能的断层识别的技术优势、应用范围等，针对技术存在的局限性提出未来的发展前景，为断层识别技发展提供依据.

1 基于单一地震属性的断层识别

20世纪60年代，地球物理学家们提出“地震属性”概念，用于表征地震波形态、运动与动力学特征.尽管对地震属性尚未产生公认的分类，但每一种属性均包含反应地下构造特征的信息，如振幅反映地下介质反射系数和倾角、相位揭示地下介质的相对密度和速度变化等.地震属性特征分析对于探明地下构造、划分地层、寻找油气藏等均具有重要意义.

1.1 频谱分解技术

频谱分解技术借助数学变换实现信号时间域与频率域之间的变换，突显信号的振幅及相位特征，实现断裂带识别、断层活动评价与隐伏断层判断等.传统傅里叶变换主要应用于周期信号的全局变换，不利于非平稳信号特征的提取与分析.为弥补傅里叶变换存在的局限性，先后涌现出如短时傅里叶变换(Gabor，1946)、连续小波变换(Chakraborty and Okaya, 1995)、S变换等变换(如表 1所示)，三者依次提高了解释精度.随后，继续发展了改进Morlet小波、广义S变换与三参数小波等(刘喜武等，2006；高静怀等，2006；万欢等，2012)，基于改善局部化特性，运用多分辨率分析实现断层高效识别.然而，尽管频谱分解技术较于传统技术实现对断层细节的高分辨，但其对噪声敏感、数据量大且参数依赖性，亟待从多角度出发改善技术或结合其他方法综合使用，如：将频谱分解技术结合共频体，提高断层在垂向的可解释性.
表1 频谱分解技术方法及对比

Table 1 Spectrum decomposition techniques and methods and comparison

方法 应用范围 关键参数 特点分析
短时傅里叶变换 非平稳信号 固定时窗类型与窗长 短时窗内傅里叶变换提高信号分析精度；
窗口固定不变，无法随信号自适应变换
连续小波变换 突变与非平稳信号 尺度因子和平稳因子调节时窗 信号多分辨率分析；
计算量大，多尺度数据冗余
S变换 非平稳信号 频率调节时窗 时频局部化特性、变换可逆性；
计算复杂，缺乏稳定性和可靠性验证

1.2 相干体技术

相干体技术利用三维地震数据比较局部区域地震波形，通过同相轴的连续性间接反应地质体在空间上的连续性.Bahorich和Farmer(1995)首次提出了相干体算法(C1算法)，随后提出基于多道相似性算法(C2算法)和基于本征结构的算法(C3算法)(Marfurt et al., 1998; Trendelenburg et al., 1999).三代相干体算法均突出地震信号的不连续性，以此表征地质体断层、不整合面等异常构造现象.除应用于大断层识别外，利用地震相干体做强化处理，在保留原始地层信息的基础上弱化大断层的边缘以此突显派生小断层，相干体技术同样适用于低序级断层识别.
相干体算法基于波形相似原理，相干值为0到1，存在断裂带时，反射波信号的走时、相位和频率等均发生较大差异，相干值近似或等于0，用参数ε表示误差能量Q和M道地震记录的总能量比值：
$\begin{array}{l}Q = \sum\limits_{j = 1}^M {\sum\limits_{n = 1}^N {{{\left[ {{X_j}(n)-\bar X(n)} \right]}^2}} } \\\;\;\; = \sum\limits_{j = 1}^M {\sum\limits_{n = 1}^N {X_j^2} } (n)-M\sum\limits_{n = 1}^N {{{\bar X}^2}} (n)\;, \end{array}$
$\varepsilon = \frac{Q}{{\sum\limits_{j = 1}^M {\sum\limits_{n = 1}^N {X_j^2} } (n)}} = 1-\frac{{M\sum\limits_{n = 1}^N {{{\bar X}^2}} (n)}}{{\sum\limits_{j = 1}^M {\sum\limits_{n = 1}^N {X_j^2} } (n)}}, $
其中Xj(n)地震记录；X (n)为标准道，即M道地震记录的算术平均值. C1算法基于经典的归一化互相关，计算主测线和联络侧线的相关系数，计算量小、容易实现.其对高品质的地震数据具有良好的响应，但抗噪能力弱，针对倾角较小、结构相对简单的地层响应较好.相对于C1算法，C2算法利用任意多道的地震数据计算相干性，考虑地层倾角和方位，抗噪能力高且时窗可变，尤其在大倾角地层和复杂构造地带的断层识别中具有显著优势，但针对相邻道波形变化较大情况效果欠缺.C3算法基于C2算法计算协方差矩阵的特征值与特征向量，不要求层位约束分辨率，适用于地质结构复杂和频段变化的区域性断层识别.但C3算法针对地层倾角变化较大的地层效果有待改进.
为解决相干体算法存在的问题，国内外学者基于上述三种算法提出了许多改进方法.Randen等(2000)将梯度结构张量引入相干体技术，提出“chaos”相干算法；孙夕平和杜世通(2000)将乘幂法应用于C3算法，有效地提高了相干算法的运算速度；熊晓军等(2004)结合高阶统计量改进C1算法，提高信噪比和分辨率；Al-Dossary和Marfurt(2006)利用层间方位相干属性，提高推测微小断层裂缝的精度；邱慧(2011)引入超道技术和Rayleigh商加速法，大大减少了计算量.

1.3 方差体技术

方差体技术利用选取地震道数据与平均地震道数据的方差判断相邻地震道之间的相似性，推断地质体的非均质性，实质上是C2算法的衍生算法，其数学表达式为：
$\delta _t^2 = \frac{{\sum\limits_{j = t-L/2}^{j = t + L/2} {\sum\limits_{i = 1}^I {{{\left({{x_{i, j}}-{{\bar x}_{i, j}}} \right)}^2}} } }}{{\sum\limits_{j = t-L/2}^{j = t + L/2} {\sum\limits_{i = 1}^I {x_{i, j}^2} } }}$
$\left\{\begin{array}{l}\delta_\omega^2=\delta_t^2 \sum\limits_{j=t-L / 2}^{j=t+L / 2} \omega_{j-t} \\\omega=\sin \theta,\left(0 \leqslant \theta \leqslant 90^{\circ}, 0 \leqslant \sin \theta \leqslant 1\right)\end{array},\right.$
其中，δt2为采样点方差值；δω2为采样点加权方差值；xi.j和xj为j时刻i道的地震振幅和平均振幅值；L为时窗长度；I为相邻道；ωj－t为时窗内采样点的三脚加权函数.方差体综合反映地震道信息，当地质结构复杂或信噪比低时，处理效果并不理想，因此通常采用优化处理或与其他技术联合的使用.蔡涵鹏(2008)基于传统的方差体算法采用递推算法对其进行改进，从而提升了地震资料的解释精度；李楠等(2019)利用方差体数据结合高清蚂蚁体识别技术，改善方差体对小断层的模糊识别，完整、清晰地刻画断层形态.

2 基于多属性融合技术

单一地震属性技术改善传统断层识别效果，但当地震数据分辨率较差、数据体过量(不足)时，无法仅依靠单一属性开展有效解释，多属性融合技术综合判断成为研究的热点.利用地震多属性融合技术，首先，降低干扰(冗余)信息，提高抗噪性；其次，减小识别盲区，实现地下断层信息的充分挖掘；此外，多属性融合技术较灵活，适用范围更广.目前，三基色(RGB)颜色空间是多属性融合技术的常用显色原理，其改善传统地震资料依赖单一黑白色的识别缺陷，广泛应用于储层预测、构造和岩性的识别等(刘致宁等，2016；张理慧等，2019；冯琦等，2021；陈国飞等，2023).冯琦等(2021)分别将蚂蚁体、相干体与原始地震数据融合(如图 1所示)，融合后数据体剖面既具有断层信息，也可以反映地层特征，有利于平、剖对比识别刻画小断层.
图1 属性融合体剖面(据冯琦等，2021)

(a) 蚂蚁体与地震数据融合; (b) 相干体与地震数据融合.

Fig 1 Seismic section of attribute fusion body(after Feng et al., 2021)

(a) The fusion of ant body and origin data volume; (b) The fusion of coherent cube and origin data volume.

尽管RGB属性融合在提高图像质量、增强细节表现、促进地质异常体识别精度等方面响应效果优于传统技术，但仍存在一定的缺陷，如：属性增多导致技术对噪声敏感；属性权重的分配直接影响着识别精度；且当属性数量超过阈值(4种)时，RGB多属性融合将无法满足属性分析的要求.目前，存在其他或改进技术能够弥补技术的不足，更好地应用于实际生产与研究领域.其中，聚类分析基于相关性特征适用于更多属性的融合(de Matos et al., 2011；Akuhara and Mochizuki, 2014；娄敏等，2023).此外，考虑多地震属性结合深度学习，利用神经网络的泛化能力提高数据信噪比，实现非线性融合的同时进一步提高运算能力，提高对不同层序断层的识别效果.

3 基于人工智能的断层识别

工作量大、依托解释人员经验、地震信噪比低影响识别精度等局限性是上述断层识别技术面临的共性问题.随着智能时代的到来，算力的发展与算法的完善，提高对问题分析、处理和解释能力.基于自动识别与神经网络的断层识别方法使得问题得以改善，成为近些年来研究的热点，在此背景下，国内外学者开展了大量研究并取得了显著成果.Jeong等(2006)采用基于GPU(Graphics Processing Unit)的交互操作；孙振宇等(2017)提出基于支持向量机算法的断层自动识别方法；An等(2021)探索并分析UNet、Deep Lab V3+、HED与RCF四种卷积神经网络在图像识别方面的性能，处理效果与实际情况吻合度均较高(如图 2所示)，能够较好的应用于断层识别.
图2 四种模型预测的概率图像(据An et al., 2021)

像素范围为[0, 1]，1代表红色.颜色越接近红色说明故障通过像素的概率越高.

Fig 2 Probability graphs of four model predictions(after An et al., 2021)

Pixel range is [0, 1], where 1 represents red. A color closer to red indicates a higher probability of a fault passing through the pixel.

3.1 自动识别

自动识别主要利用计算机或相关算法实现对数据、图像特征的自动拾取与归类，该技术广泛应用于图像识别分析、语音处理与医学生物识别等领域.蚂蚁体算法是最常见的智能识别技术，最早由意大利学者Colorni(1991)通过观察蚂蚁挑选从巢穴到食物源的最短循环路径这一自然现象衍生而来.蚂蚁追踪技术能够降低人为主观性，实现对断层较高精度和较快速度的解释，有效识别断层的位置、走向和规模；此外，也能够表征小尺度断裂信息，预测断层的发育机制.
蚁群优化算法是最早的蚂蚁追踪技术之一，解决组合优化问题(Dorigo et al., 1996).Stutzle和Hoos(1997)提出了最大最小蚁群系统，该算法稳定、高效，并能够实现对全局的搜索；Cordón等(2000)提出BWAS(Best-Worst Ant System)算法，采用局部搜索机制，在搜索区域中通过检测每一个待决策的解并选择出最优解.蚂蚁体追踪技术参数，如蚂蚁密度、蚂蚁追踪偏差、蚂蚁步长等的合理选择影响模型的建立与断层的识别效果，实际需结合地质条件和断层特征，通过反复试验和修改参数实现性能优化，不断提高断层识别的精度和效率.尽管国内针对蚂蚁体算法的研究起步较晚，学者们基于此进行了大量研究(张薇等，2017；田涛等，2017；朱宝衡，2019).朱宝衡(2019)通过相干值域边缘检测的线性加权作为启发因子，结合信息素与启发因子共同诱导蚂蚁体的识别，改进的蚂蚁体算法相较于传统蚂蚁体识别技术提高了对断层的识别精度.然而，尽管蚂蚁体追踪技术作为实现断层识别的有效仿生学优化技术，全局搜索时计算效率较低、算法对噪声敏感等问题制约技术的识别精度，因此，引入其他地震属性如倾角信息对算法约束，增加断层的细致特征，从而提高对不同尺度断层的识别精度.

3.2 图像分类

区别于蚂蚁体的仿生算法，图像分类基于图像特征的提取与学习.自20世纪60年代至70年代以来，图像分类基于人工智能识别的研究取得广泛进展，形成包括支持向量机、决策树(随机森林)、神经网络等多种方法(Cortes and Vapnik, 1995；Breiman，2001；Kortström et al., 2016).利用神经网络对断层进行识别，通常利用人工标签的断层作为训练集，输入与期望输出数据用于构建神经网络；验证集用于调整神经网络超参数的设置，实现网络结构的优化；未经网络泛化的数据作为测试集，用于判断神经网络是否具有泛化新数据的能力.循环神经网络(RNN)、人工神经网络(ANN)与图像神经网络(GNN)等均为常见的基于图像分类的神经网络，卷积神经网络与残差神经网络广泛应用于断层的识别.

3.2.1 基于经典卷积神经网络的断层识别

Lecun等(1989)提出LeNet-5结构(如图 3所示)，促进现代卷积神经网络结构的形成，具有里程碑式的意义.2006年，“深度学习”一词问世，卷积神经网路凭借强大的特征提取能力和对图像结构的敏感性成为解决各种图像分类和图像分割问题的核心手段，AlexNet、VGG(Simonyan and Zisserman, 2014)等经典卷积神经网络同样适用于断层识别(李婷婷等，2018；陈桂和刘洋，2021)，其中，AlexNet模型奠定了现代深度卷积网络，VGG基于AlexNet进一步加深网络；三种经典神经网络广泛应用于地震数据处理与分析，地震数据分类与智能识别，地震勘探目标检测等领域.
图3 LeNet-5体系结构

Fig 3 Architecture of LeNet-5

LeNet、AlexNet和VGG在网络结构、激活函数、池化方式、并行处理和归一化技术等方面存在明显的区别(如表 2所示)，这些差异使得它们在不同的任务和场景下具有不同的优势和适用性.其中，LeNet结构相对简单，适用于处理较小规模的数据集与简单的任务；Sigmoid函数捕捉非线性特征但存在梯度消失的问题.AlexNet采用ReLU函数，使得模型收敛更快；同时，局部归一技术提高模型泛化能力，最大池化层利于最显著特征提取.VGG模型延续并发展AlexNet模型，两者均适用于大规模数据体与更复杂问题的处理；但均存在一定风险.模型深度的增加导致计算资源消耗大、训练时间延长等；同时，无论何种神经网路，参数设置与优化处理均影响模型的各项性能，因此，对模型的优化改进有利于同步提高对断层的识别精度和网络本身可解性.
表2 LeNet、AlexNet和VGG三者的结构与区别

Table 2 Structure and differences of LeNet, AlexNet and VGG

类别 网络结构 池化方式 激活函数 并行处理 归一化技术
LeNet 卷积层、池化层、全连接层 平均池化 Sigmoid函数 无，依靠前向与反向传播迭代权重减低损失
AlexNet 8个卷积层、3个全连接层 最大池化 ReLU函数 双GPU 局部响应归一，抑制过拟合
VGG 多个3×3卷积层与2×2池化层 最大池化 ReLU函数 加深网络深度，采用更小卷积层

3.2.2 基于残差神经网络的断层识别

理论上，通过增加神经网络的层数可以提取更多的断层特征，实现更精准的断层识别.然而随着卷积层与池化层的增加，出现梯度消失(爆炸)、优化困难等问题(He et al., 2016；李彦冬等，2016)，反而导致预测效果越来越差.基于此，He等(2016)提出深度残差神经网络(Residual Neural Network，简称ResNet)，该网络形式上包括底层映射H(x)与残差函数F(x)，输入为x，H(x)为期望输出，实际输出为F(x)，学习目标为残差(如图 4所示).残差函数确保梯度可直接通过连接反向传播，避免梯度异常；同时，ResNet引入跳跃连接机制，在向前传播时更好地处理深度网络，同时实现更快速地收敛.尽管ResNet适用于复杂数据与特征的提取，但其模型较为简单，需要优化改进与不断调参处理.张政等(2020)采用ReLU激活函数的深度残差神经网络，通过引入迁移学习对实际二维地震剖面进行测试，改善了原始残差神经网络存在的漏识别与不准确识别问题.常德宽等(2021)将ResNet与U-Net结合，构建SeismiFault-Net网络，实现对断层识别效率的改进.
图4 残差函数

Fig 4 Residual function

3.3 语义分割

语义分割模型基于深度卷积神经网络，其核心为将图像分割成多个像素，再进行标签和分类，并生成与原始图像大小相同的分割结果，主要应用于地质结构更复杂的断层识别领域.Shelhamer等(2017)首次提出语义分割模型，通过引入特定的结构和操作，能够提取图像更细节的信息.U-Net模型与全卷积神经网络模型(Fully Convolutional Network，简称FCN)在处理较大空间的细节任务方面得到广泛应用.其中，FCN使用卷积层替代全连接层，接受任意大小图像的输入，通过反卷积层与跳跃连接等结构实现对输出结果像素级别的分类，这使得FCN更好地运用于断层识别与预测(吴吉忠等，2020；杨晶等，2022).
除FCN外，U-Net(Ronneberger et al., 2015)结构上延续VGG，采用ReLU激活函数，同时引入对称扩展路径，形似“U”形.前半部分应用编码器负责特征提取获得多层次特征；后半部采用解码器融合全部的特征.“U”形结构提高了网络分割结果的准确性和细节保留能力，同时能够更好地处理图像的局域信息.随后，Wu等(2019)将U-Net引入地球物理解释领域，国内学者基于此做了大量研究，并涌现出3D U-Net、V-Net+ +等网络结构的断层识别技术(刘宗杰等，2021；路鹏飞等，2022；何易龙等，2022；Yang et al., 2024).路鹏飞等(2022)提出了基于V-Net深度学习架构的方法，通过与基于相干体、边缘检测、蚂蚁体及V-Net模型的断层识别对比，V-Net模型对断层的识别更清晰、连续，并且能更有效地刻画低序级断层，获得的叠加结果与地层实际情况之间具有高吻合度(如图 5所示).总结前人工作发现，对于形态复杂、分布不规则的断层结构，U-Net识别效果不佳，推测网络无法充分考虑到断层的复杂性和多变性.未来，可将U-Net引入更复杂的特征提取模块，或融合优化地震属性，以更好地捕捉和处理复杂断层结构.
图5 实际地震数据与不同方法识别断层结果对比(据路鹏飞等，2022)

(a)地震剖面；(b)相干体；(c)边缘检测；(d)蚂蚁体；(e)UNet；(f)VNet；(g)地震剖面与VNet结果叠加.

Fig 5 Comparison of actual seismic data and fault identification results using different methods(after Lu et al., 2022)

(a)Seismic profile; (b)Coherent body; (c)Edge detection; (d)Ant body; (e)UNet; (f)VNet; (g)Seismic profile and Vnet.

如表 3所示，作为三种较为主流的断层识别技术，尽管不同技术存在一定的局限性，但仍具较大的应用空间与发展潜能.
表3 三种技术的对比分析

Table 3 Comparative analysis of the three technologies

方法 适用条件 限制条件 优缺点分析
单一地震属性 地质构造简单，区域内的主要断层 对噪声敏感 简单、成本低；但识别精度有限
多属性融合 复杂地质环境，识别断层特征与周围地质体的关系 属性选择与融合策略 精度高、地质信息丰富；处理、解释过程复杂
人工智能断层识别 大规模地震数据自动化处理 标注数据的训练 减少人为干预、效率高；模型“黑箱效应”，解释性差

4 断层识别方法的发展展望

断层识别技术的发展经历了人工断层识别、基于地震属性的断层识别和智能断层识别三个主要阶段，从依靠主观经验到实现自动识别再到机器学习.在这一过程中，国内外学者不断寻找并提出更高效、更精确的断层识别方法，并持续推动断层识别技术的进步和发展.结合本文论述方法存在的问题及现状，笔者认为未来基于地震资料的断层识别技术发展主要存在以下几点展望：
(1) 单属性对噪声较为敏感，未来应探索具有明显断层响应特征的地震属性，同时寻找优化算法赋予多属性融合的权重数，减少选择不当导致的断层模糊结果.
(2) 目前基于神经网络的断层识别方法多为监督学习，发展无监督或半监督学习的神经网络，解决监督学习网络对标签的依赖性.
(3) 面对大规模的地震数据，对地震数据进行有效降维或压缩处理以提高计算速度.
(4) 无论何种技术均存在精度问题，同步提高多模态(重、磁、电)与多尺度(时间、空间、频率)融合，以实现断层的精细化勘探.

5 结论

传统人工断层识别历史发展悠久且应用广泛，尽管存在识别精度与效率低等不足，但针对目前复杂地质背景与精细勘探目标的需求，其灵活、直观的特点仍具有广阔应用前景，在自动化智能化不断发展的同时，应重视地质人员对实际工作区的地质判断.
单一地震属性针对勘探初步与质量要求不高的数据存在应用价值，目前，除利用多属性融合技术弥补单一地震属性解释的不确定性外；或将单一地震属性结合蚂蚁体追踪技术，利用提取的断层特征指导蚂蚁体追踪识别，注重断层信息的融合与互补，提高解释精度的同时有望为地震预测与断层分析提供思路.现阶段，多属性融合技术较好的应用于储层预测和断层识别，复杂地质环境下对于延伸长度小、垂直断距小的断层同样适用；未来，需要优化融合算法以减少噪声干扰；或引入机器学习等人工智能，改善地震属性数学运算过程中可能存在的数据变形等问题，实现自动化智能化发展.
人工智能与机器学习被视为当前地震资料解释的前沿技术.蚂蚁体追踪技术与神经网络在断层识别领域具有高精度、自动化的显著优势，然而，此类技术同时具有数据依赖性、计算资源庞大及模型缺乏可解释性等局限性，对于神经网络特别是半监督与无监督学习、模型优化与开发交互式模式，仍具有较大的前景与应用价值.
同时，应更加注重信号处理和滤波技术的研发，提高地震数据质量；加强多学科数据的整合，包括地质露头、岩石物理性质、钻井资料等，跨学科知识的引入，将提供有利的参考.随着勘探目标与资料解释的精细化需求，无论从技术的原理出发，或是考量数据的信噪比与分辨率等，还是交叉学科提供更多的断层特征，利用地震资料实现断层解释仍具有发展潜力与研究价值.

感谢审稿专家提出的修改意见和编辑部的大力支持！

References

Publishing order | Descend order by publishing year | Descend order by cited within
Akuhara T , Mochizuki K . Application of cluster analysis based on waveform cross-correlation coefficients to data recorded by ocean-bottom seismometers: results from off the Kii Peninsula. Earth, Planets and Space, 2014, 66 (1): 80

DOI

Al-Dossary S , Marfurt K J . 3D volumetric multispectral estimates of reflector curvature and rotation. Geophysics, 2006, 71 (5): P41- P51.

DOI

An Y , Guo J L , Ye Q , et al. Deep convolutional neural network for automatic fault recognition from 3D seismic datasets. Computers & Geosciences, 2021, 153: 104776

DOI

Bahorich M , Farmer S . 3-D seismic discontinuity for faults and stratigraphic features: The coherence cube. The Leading Edge, 1995, 14 (10): 1053- 1058.

DOI

Breiman L . Random forests. Machine Learning, 2001, 45 (1): 5- 32.

DOI

Cai H P . Improvement of variance cube technique and its application in seismic interpretation. Coal Geology & Exploration, 2008, 36 (1): 74- 76. 74-76, 80

DOI

Cai Z D , Peng G X , Li Q , et al. Fault characteristics identification at well sites on VSP data. Oil Geophysical Prospecting, 2018, 53 (S2): 90- 97.

Carter L , Wilkin J . Abyssal circulation around New Zealand—a comparison between observations and a global circulation model. Marine Geology, 1999, 159 (1-4): 221- 239.

DOI

Chakraborty A , Okaya D . Frequency-time decomposition of seismic data using wavelet-based methods. Geophysics, 1995, 60 (6): 1906- 1916.

DOI

Chang D K , Yong X S , Wang Y H , et al. Seismic fault interpretation based on deep convolutional neural networks. Oil Geophysical Prospecting, 2021, 56 (1): 1- 8.

Chang Y X . Application of seismic attribute technology in coalfield fault identification. Coal Geology of China, 2015, 27 (2): 57- 61.

DOI

Chen G , Liu Y . Research progress of automatic fault recognition based on artificial intelligence. Progress in Geophysics, 2021, 36 (1): 119- 131.

DOI

Chen G F , Shi Y , Yang H D , et al. Fault identification method of attribute fusion based on seismic optimized frequency of seismic data. Chinese Journal of Geophysics, 2023, 66 (3): 1232- 1243.

DOI

Chopra S , Misra S , Marfurt K J . Coherence and curvature attributes on preconditioned seismic data. The Leading Edge, 2011, 30 (4): 386- 393.

DOI

Chopra S , Marfurt K J . Adopting multispectral dip components for coherence and curvature attribute computations. The Leading Edge, 2020, 39 (8): 593- 596.

DOI

Colorni A. 1991. Distributed optimization by ant colonies. //Proceedings of European Conference on Artificial Life. Paris: The MIT Press, 134-142.

Cordón O, Herrera F, Fernández de Viana I, et al. 2000. A new ACO model integrating evolutionary computation concepts: the best-worst ant system. //Proceedings of ANTS'2000. From Ant Colonies to Artificial Ants: Second International Workshop on Ant Algorithms. Brussels, 22-29.

Cortes C , Vapnik V . Support-vector networks. Machine Learning, 1995, 20 (3): 273- 297.

DOI

de Matos M C D , Yenugu M , Angelo S M , et al. Integrated seismic texture segmentation and cluster analysis applied to channel delineation and chert reservoir characterization. Geophysics, 2011, 76 (5): P11- P21.

DOI

Dong S Z , Lu G C , Ma J , et al. Knowledge of several special representative features of normal fault on seismic section. Oil Geophysical Prospecting, 2003, 38 (1): 72- 76.

DOI

Dorigo M , Maniezzo V , Colorni A . Ant system: optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 1996, 26 (1): 29- 41.

DOI

Feng Q , Liu C Y , Liu X Y , et al. Minor faults identification in the Ertuokeqianqi area. Progress in Geophysics, 2021, 36 (4): 1512- 1520.

DOI

Feng R , McEvilly T V . Interpretation of seismic reflection profiling data for the structure of the San Andreas fault zone. Acta Seismologica Sinica, 1984, 6 (3): 249- 263.

Gabor D . Theory of communication. Part 1: the analysis of information. Journal of the Institution of Electrical Engineers-Part III: Radio and Communication Engineering, 1946, 93 (26): 429- 441.

DOI

Gao J H , Wan T , Chen W C , et al. Three parameter wavelet and its applications to seismic data processing. Chinese Journal of Geophysics, 2006, 49 (6): 1802- 1812.

DOI

He K M, Zhang X Y, Ren S Q, et al. 2016. Deep residual learning for image recognition. //2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 770-778, doi: 10.1109/CVPR.2016.90.

He Y L , Wen X T , Wang J T , et al. Fault recognition based on 3D U-Net+ +L3 convolutional neural network. Progress in Geophysics, 2022, 37 (2): 607- 616.

DOI

Jeong W K , Whitaker R , Dobin M . Interactive 3D seismic fault detection on the graphics hardware. Volume Graphics, 2006, 10 (6): 111- 118.

Kortström J , Uski M , Tiira T . Automatic classification of seismic events within a regional seismograph network. Computers & Geosciences, 2016, 87: 22- 30.

DOI

Lecun Y , Boser B , Denker J S , et al. Backpropagation applied to handwritten zip code recognition. Neural Computation, 1989, 1 (4): 541- 551.

DOI

Li C , Zhou L L , Jiang Y , et al. Fault interpretation based on integration of well and seismic data in Changyuan Oilfield, Daqing. Oil Geophysical Prospecting, 2017, 52 (3): 548- 552.

DOI

Li N , Wang L Y , Huang S B , et al. 3D seismic fine structural interpretation in complex fault zones based on the high-definition ant-tracking attribute volume. Oil Geophysical Prospecting, 2019, 54 (1): 182- 190.

DOI

Li T T , Hou S Y , Ma S Z , et al. Overview and research progress of fault identification method. Progress in Geophysics, 2018, 33 (4): 1507- 1514.

DOI

Li Y D , Hao Z B , Lei H . Survey of convolutional neural network. Journal of Computer Applications, 2016, 36 (9): 2508- 2515. 2508-2515, 2565

DOI

Liu X W , Liu H , Li Y M , et al. Study on characteristics of seismic stratigraphy by generalized S-transform. Progress in Geophysics, 2006, 21 (2): 440- 451.

DOI

Liu Z J , He X L , Zhang Z H , et al. Low-order fault identification technique based on 3D U-Net full convolutional neural network (CNN). Progress in Geophysics, 2021, 36 (6): 2519- 2530.

DOI

Liu Z N , Song C Y , Li Z Y , et al. 3D modeling of geological anomalies based on segmentation of multiattribute fusion. Applied Geophysics, 2016, 13 (3): 519- 528. 519-528, 581

DOI

Lou M , Cai H , He X K , et al. Geological-geophysical integrated lithologic boundary characterization technology and its application in C oilfield. Journal of Jilin University (Earth Science Edition), 2023, 53 (2): 622- 634.

Lu P F , Du W L , Li L , et al. Intelligent recognition method of low-grade faults based on VNet deep learning architecture. Oil Geophysical Prospecting, 2022, 57 (6): 1276- 1286.

Marfurt K J , Kirlin R L , Farmer S L , et al. 3-D seismic attributes using a semblance-based coherency algorithm. Geophysics, 1998, 63 (4): 1150- 1165.

DOI

Qiu H. 2011. Improvement of C3 coherence algorithm and application in fault interpretation [Master's thesis] (in Chinese). Xi'an: Xi'an University of Science and Technology, doi: 10.7666/d.d155759.

Randen T, Monsen E, Signer C, et al. 2000. Three-dimensional texture attributes for seismic data analysis. //70th Ann. Internat Mtg., Soc. Expi. Geophys. . Expanded Abstracts, 668-671, doi: 10.1190/1.1816155.

Robein M E . EAGE education tour IV: modern seismic imaging-a review of the techniques, their principles, merits andlimitations. First Break, 2009, 27 (12): 16- 18.

Ronneberger O, Fischer P, Brox T. 2015. U-Net: convolutional networks for biomedical image segmentation. //18th International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich: Springer, 2015, 234-241.

Shelhamer E , Long J , Darrell T . Fully convolutional networks for semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39 (4): 640- 651.

DOI

Si L , Wang Y H , Tong H H , et al. 3D visualization well-seismic match fault interpretation based on seismic attribute. Reservoir Evaluation and Development, 2013, 3 (3): 1- 4.

Simonyan K, Zisserman A. 2014. Very deep convolutional networks for large-scale image recognition. //3rd International Conference on Learning Representations. San Diego: ICLR, doi: 10.48550/arXiv.1409.1556.

Stutzle T, Hoos H. 1997. "MAX-MIN Ant System and local search for the traveling salesman problem, " Proceedings of 1997 IEEE International Conference on Evolutionary Computation (ICEC '97), Indianapolis, IN, USA, 309-314, doi: 10.1109/ICEC.1997.592327.

Su Y , Yang Y , Bai Z H , et al. A study of depositional microfacies and method of reservoir prediction by integrating well log and seismic information in dense well pattern-taking Xing 56 block, Xingshugang oil field, Daqing as an example. Earth Science Frontiers, 2008, 15 (1): 110- 116.

DOI

Sun X P , Du S T . An application of power algorithm in the seismic attribute analysis. Computing Techniques for Geophysical and Geochemical Exploration, 2000, 22 (4): 316- 321.

DOI

Sun Z Y , Peng S P , Zou G G . Automatic identification of small faults based on SVM and seismic data. Journal of China Coal Society, 2017, 42 (11): 2945- 2952.

DOI

Tian T , Xia T X , Yan T , et al. Application of formation dip in the fine description of fault——take A oilfield in Bohai Bay Basin as an example. Progress in Geophysics, 2017, 32 (5): 2236- 2240.

DOI

Trendelenburg M , Marfurt J , Gerber I , et al. Lack of occurrence of severe lupus nephritis among anti-C1 q autoantibody-negative patients. Arthritis & Rheumatism, 1999, 42 (1): 187- 188.

DOI

Wan H , Fan X Y , Liu T , et al. Methods and applications for improving pre-stack seismic data. Progress in Geophysics, 2012, 27 (1): 304- 311.

DOI

Wang Z, AlRegib G. 2014. Automatic fault surface detection by using 3D Hough transform. //84th Ann. Internat Mtg., Soc. Expi. Geophys. . Expanded Abstracts, 1439-1444, doi: 10.1190/segam2014-1590.1.

Wu J Z, He S M, Yang Q Q, et al. 2020. Low-sequence faults identification based on fully convolutional neural network (FCN). //SPG/SEG Nanjing 2020 International Geophysical Conference (in Chinese). Nanjing: SPG, 1010-1012.

Wu X M , Liang L M , Shi Y Z , et al. FaultSeg3D: using synthetic datasets to train an end-to-end convolutional neural network for 3D seismic fault segmentation. Geophysics, 2019, 84 (3): IM35- IM45.

DOI

Xie S N , Tu Z W . Holistically-nested edge detection. International Journal of Computer Vision, 2017, 125 (1-3): 3- 18.

DOI

Xiong X J , Yin C , Zhang B L , et al. A new coherency algorithm based on higher-order statistics. Chinese Journal of Engineering Geophysics, 2004, 1 (3): 278- 281.

Yang J , Ding R W , Lin N T , et al. Research progress of intelligent identification of seismic faults based on deep learning. Progress in Geophysics, 2022, 37 (1): 298- 311.

DOI

Yang J , Lu R Q , Tao W , et al. MultiURNet for 3D seismic fault attributes fusion detection combined with PCA. Journal of Applied Geophysics, 2024, 221: 105296

Yun L , Cheng M M , Hu X W , et al. Richer convolutional features for edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019, 41 (8): 1939- 1946.

DOI

Zhang L H , Wang H J , Zhao L , et al. Technologies in three-dimensional visualization for real-time fusion of multiple seismic attribute volumes. Computing Techniques for Geophysical and Geochemical Exploration, 2019, 41 (3): 426- 432.

Zhang W , Zhu B H , Zhao Z . Application of ant tracking technology based on dip guided coherence strengthening attribute in automatic fault interpretation. China Science & Technology Overview, 2017, (17): 140- 142. 140-142, 145

Zhang Z , Yan Z , Gu H M . Automatic fault recognition with residual network and transfer learning. Oil Geophysical Prospecting, 2020, 55 (5): 950- 956.

DOI

Zhou S , Wang Y L , Han T B , et al. Minor fault joint-interpretation. Oil Geophysical Prospecting, 2012, 47 (S1): 50- 54.

Zhu B H . Improved ant tracking crack detection algorithm and its application. Offshore Oil, 2019, 39 (3): 27- 32.

蔡 涵鹏 . 方差体的改进算法及在地震解释中的应用. 煤田地质与勘探, 2008, 36 (1): 74- 76. 74-76, 80

DOI

蔡 志东 , 彭 更新 , 李 青 , 等. 利用VSP数据研究井旁断层特征. 石油地球物理勘探, 2018, 53 (S2): 90- 97.

常 德宽 , 雍 学善 , 王 一惠 , 等. 基于深度卷积神经网络的地震数据断层识别方法. 石油地球物理勘探, 2021, 56 (1): 1- 8.

常 益行 . 地震属性技术在煤田断层识别中的应用. 中国煤炭地质, 2015, 27 (2): 57- 61.

陈 桂 , 刘 洋 . 基于人工智能的断层自动识别研究进展. 地球物理学进展, 2021, 36 (1): 119- 131.

DOI

陈 国飞 , 石 颖 , 杨 会东 , 等. 基于优势低频带地震数据的属性融合断层识别方法. 地球物理学报, 2023, 66 (3): 1232- 1243.

DOI

董 树政 , 卢 刚臣 , 马 军 , 等. 对地震剖面中正断层几种特殊表现形式的认识. 石油地球物理勘探, 2003, 38 (1): 72- 76.

DOI

冯 琦 , 刘 池洋 , 刘 显阳 , 等. 小断层识别技术在鄂托克前旗地区的应用. 地球物理学进展, 2021, 36 (4): 1512- 1520.

DOI

冯 锐 , McEvilly T V . 由地震反射波剖面研究圣安德烈斯断层带的结构. 地震学报, 1984, 6 (3): 249- 263.

高 静怀 , 万 涛 , 陈 文超 , 等. 三参数小波及其在地震资料分析中的应用. 地球物理学报, 2006, 49 (6): 1802- 1812.

何 易龙 , 文 晓涛 , 王 锦涛 , 等. 基于3D U-Net+ +L3卷积神经网络的断层识别. 地球物理学进展, 2022, 37 (2): 607- 616.

DOI

李 操 , 周 莉莉 , 姜 岩 , 等. 大庆长垣油田井震结合断层解释技术及效果. 石油地球物理勘探, 2017, 52 (3): 548- 552.

DOI

李 楠 , 王 龙颖 , 黄 胜兵 , 等. 利用高清蚂蚁体精细解释复杂断裂带. 石油地球物理勘探, 2019, 54 (1): 182- 190.

DOI

李 婷婷 , 侯 思宇 , 马 世忠 , 等. 断层识别方法综述及研究进展. 地球物理学进展, 2018, 33 (4): 1507- 1514.

DOI

李 彦冬 , 郝 宗波 , 雷 航 . 卷积神经网络研究综述. 计算机应用, 2016, 36 (9): 2508- 2515. 2508-2515, 2565

DOI

刘 喜武 , 刘 洪 , 李 幼铭 , 等. 基于广义S变换研究地震地层特征. 地球物理学进展, 2006, 21 (2): 440- 451.

DOI

刘 致宁 , 宋 承云 , 李 志勇 , 等. 基于多地震属性融合分割的地质异常体三维模型构建(英文). 应用地球物理: 英文版, 2016, 13 (3): 519- 528. 519-528, 581

刘 宗杰 , 贺 锡雷 , 张 祖豪 , 等. 基于3D U-Net全卷积神经网络的低序级断层识别技术. 地球物理学进展, 2021, 36 (6): 2519- 2530.

DOI

娄 敏 , 蔡 华 , 何 贤科 , 等. 地质-地球物理综合岩性边界刻画技术及其在C油田中的应用. 吉林大学学报(地球科学版), 2023, 53 (2): 622- 634.

路 鹏飞 , 杜 文龙 , 李 丽 , 等. 基于VNet深度学习架构的低序级断层智能识别方法. 石油地球物理勘探, 2022, 57 (6): 1276- 1286.

邱慧. 2011. C3相干体算法的改进及在断层解释中的应用[硕士论文]. 西安: 西安科技大学, doi: 10.7666/d.d155759.

司 丽 , 王 彦辉 , 佟 洪海 , 等. 基于地震属性体的三维可视化井震匹配断层解释. 油气藏评价与开发, 2013, 3 (3): 1- 4.

苏 燕 , 杨 愈 , 白 振华 , 等. 密井网区井震结合进行沉积微相研究及储层预测方法探讨——以大庆杏树岗油田杏56区为例. 地学前缘, 2008, 15 (1): 110- 116.

DOI

孙 夕平 , 杜 世通 . 乘幂法在地震属性分析中的应用. 物探化探计算技术, 2000, 22 (4): 316- 321.

DOI

孙 振宇 , 彭 苏萍 , 邹 冠贵 . 基于SVM算法的地震小断层自动识别. 煤炭学报, 2017, 42 (11): 2945- 2952.

DOI

田 涛 , 夏 同星 , 闫 涛 , 等. 地层倾角信息在断层精细刻画中的应用——以渤海湾盆地A油田为例. 地球物理学进展, 2017, 32 (5): 2236- 2240.

DOI

万 欢 , 樊 小意 , 刘 涛 , 等. 叠前地震资料提高分辨率处理方法及应用. 地球物理学进展, 2012, 27 (1): 304- 311.

DOI

吴吉忠, 何书梅, 杨倩倩, 等. 2020. 基于全卷积神经网络(FCN)的低序级断层识别方法研究. //SPG/SEG南京2020年国际地球物理会议论文集(中文). 南京: 中国石油学会石油物探专业委员会, 1010-1012.

席 桂梅 , 何 书耕 , 闵 也 , 等. 用相干体属性开展断层识别. 西北地质, 2019, 52 (1): 244- 249.

熊 晓军 , 尹 成 , 张 白林 , 等. 一种新的基于高阶统计量的相干体算法. 工程地球物理学报, 2004, 1 (3): 278- 281.

杨 晶 , 丁 仁伟 , 林 年添 , 等. 基于深度学习的地震断层智能识别研究进展. 地球物理学进展, 2022, 37 (1): 298- 311.

DOI

张 理慧 , 王 汉钧 , 赵 亮 , 等. 多地震属性体实时融合三维可视化技术. 物探化探计算技术, 2019, 41 (3): 426- 432.

张 薇 , 朱 博华 , 赵 洲 . 基于倾角导向相干加强属性的蚂蚁追踪技术在断层自动解释中的应用. 中国科技纵横, (17): 140-142, 2017, 145

张 政 , 严 哲 , 顾 汉明 . 基于残差网络与迁移学习的断层自动识别. 石油地球物理勘探, 2020, 55 (5): 950- 956.

DOI

周 赏 , 王 永莉 , 韩 天宝 , 等. 小断层综合解释技术及其应用. 石油地球物理勘探, 2012, 47 (S1): 50- 54.

朱 宝衡 . 改进的蚂蚁追踪裂缝检测算法及其应用研究. 海洋石油, 2019, 39 (3): 27- 32.

Options
Outlines

/

〈 〉