中國石油智能地震處理解釋技術進展與發展方向思考

趙邦六 雍學善 高建虎 常德寬 楊 存 李海山

(1 中國石油勘探與生產分公司；2 中國石油勘探開發研究院西北分院；3 中國石油杭州地質研究院)

0 引言

物探領域人工智能的研究是物探技術轉型升級的關鍵，目前全球各大油公司、油服公司為贏得市場競爭主動權，搶占技術先機，紛紛開展智能化技術研發。埃森哲公司2017 年對石油行業高管進行的一項調查發現，70%的受訪者將加大對數字技術的投資，“數據就是新石油”的說法已成為大家的共識。Geophysical Insights 公司在2017 年的國際勘探地球物理學家學會（SEG）年會上就推出了“機器學習”的宣傳主題，主要產品是Paradise多屬性分析軟件包，將地震多屬性分析與機器學習技術應用于薄層解釋、直接烴類指示（DHI）等方面;2018 年2 月油服巨頭BHGE 公司攜手NVIDIA 公司進軍石油人工智能;2018 年4 月，道達爾公司宣布和谷歌云簽署協議，二者將聯合發展人工智能技術，為石油勘探開發提供全新智能解決方案。殼牌公司宣布與微軟公司擴大合作，在石油行業大規模推廣人工智能。

人工智能在油氣領域的應用日益廣泛，智慧油田、智慧煉廠、智慧管道、智能物探、智能測井和智能鉆完井等新技術層出不窮。中國石化集團物探技術研究院與中興通訊公司簽署5G 合作協議，共同推進人工智能在油氣勘探領域的市場拓展;中國海油與阿里云牽手，為南海氣田復雜地質環境下的生產系統裝上智能“大腦”。中國石油大學（北京）順應時代潮流，成立人工智能學院，成為國內首所成立該類學院的石油高校，未來將為我國油氣行業輸送人工智能人才，為行業轉型提供人才保障。“十三五”期間，中國石油大力投入智能物探科研攻關研究，取得初步成果。從2017 年起中國石油勘探與生產分公司連續組織召開4 屆“智能物探”技術研討會，旨在推動國內新一代智能化地震資料處理解釋技術發展。

物探包含重力、磁法、電法、地震4 類地球物理探測方法，目前在油氣探測中應用最多、發揮作用最大的是地震勘探。地震勘探又分為地震采集、處理、解釋三大環節，服務公司的技術競爭力和研發重點主要體現在地震采集上，而油公司的研發重點主要在地震處理解釋環節。所以，本文站在油公司的角度，重點論述中國石油智能地震處理解釋技術進展、思路及發展方向，部分涉及智能物探的其他相關領域或環節。文中智能物探也泛指智能地震處理解釋，這是智能物探的重中之重。

1 國內外發展現狀

自20 世紀90 年代末，隨著計算機技術的飛速發展，摩爾定律為人工智能的發展帶來了新的可能性。當飛速提升的計算能力被應用到人工智能的研究后，顯著提升了人工智能的研究效果，使傳統的基于神經網絡和機器學習技術在石油物探領域引起廣泛的關注和深入的研究。

自2016 年AlphaGo（阿爾法圍棋）戰勝人類棋手以后，深度學習迅速成為各行業科技創新的制高點，隨著數據科學和工程的進步、GPU 等高性能計算機的發展，智能物探技術也迎來了新的歷史機遇。國內外智能物探經過5 年的長足發展，深度學習在地震勘探各個領域均取得一定的突破和效果，顯示出智能物探未來的巨大潛力和應用價值。通過對美國SEG 年會近5 年文章的初步統計顯示，人工智能技術在物探領域中的應用呈爆發式增長，如圖1 所示。智能化文章占比由2016 年的0.89%迅速增長到2020 年的18%，這表明石油物探行業迎來智能化創新研究熱潮。2019 年和2020 年的智能文章數量基本持平，這意味著相關研究領域和參與研究人員達到一個巔峰，深度學習等技術應用于物探領域的創新研究進入一個平穩期，后續智能物探技術研究必將向針對具體應用場景的工業化應用方向發展。

圖1 近5 年SEG 會議智能物探領域文章統計Fig.1 Statistics of SEG conference papers in recent 5 years

1.1 國外發展現狀

在地震處理方面，Serfaty 等[1]提出一種利用波場分離的算法，主要通過主成分分析和深度學習分類在局部角度域實現波場分離，算法實驗表明效果優于傳統方法。Wang 等[2]訓練了一個具有殘差學習的深度卷積神經網絡（CNN）。Dong 等[3]針對沙漠隨機噪聲和低頻噪聲進行了CNN 噪聲壓制嘗試。Chang等[4]將生成對抗網絡用于地震數據插值，在時間域和頻率域進行特征學習，使得插值后的地震數據在時間域和頻率域雙保真。Lewis 等[5]研究了用深度學習技術從地震圖像中學習生成用于地質建模的特征，用于FWI 反演建模。Mosser 等[6]提出利用深度生成神經網絡進行地震速度反演和建模的方法。Farris 等[7]定性和定量對比了深度學習速度建模和全波形反演速度建模。Yang 等[8]提出基于監督深度全卷積神經網絡直接從原始地震記錄建立速度模型的新方法。Picetti等[9]開發了一個用于地震成像應用的生成對抗神經網絡（GAN），可以將低質量的偏移成像結果轉換為高質量的偏移成像結果，還可以將偏移結果轉化為反射率圖像。Lu 等[10]利用深度學習提高傾角域彈性逆時偏移（ERTM）成像質量，再通過深 度卷積神經網絡開發了額外的約束，顯著提高了ERTM 圖像的質量。He 等[11]考慮了一種利用深度神經網絡(DNN)求解FWI 問題的通用反演方法，利用DNN 的權值重新參數化物理參數。Liu 等[12]開發的縱波速度模型建立方法可以在不耗費大量人力的情況下自動建立大量的密度層/斷層/鹽體模型，以構建一個真實的深度學習網絡結構模型，并使用深度學習進行全波形反演。

在地震解釋方面，Huang 等[13]構建了一個面向地震數據分析的大數據處理平臺，其利用多種疊后地震屬性，應用卷積神經網絡進行斷層解釋。Wu等[14]利用卷積神經網絡進行斷裂的檢測提取，在研究過程中采用大量三維地質模型合成地震記錄作為訓練數據集，不但檢測斷層存在的概率，還檢測斷層的傾角、估算局部斷層傾角，以及進行邊緣保護構造濾波處理。Geng 等[15]設計的深度卷積神經網絡可自動從二維地震數據中計算構造相對地質年代，該網絡是由一個編碼器、一個解碼器和一個細化模塊組成，更適合于處理交叉斷層和復雜折疊層等復雜結構。Duan 等[16]認為地震相分類分為屬性提取和地震相聚類分析兩種，并引入深度卷積嵌入式聚類（DCEC），通過使用深度神經網絡、學習特征表示和聚類分配，提高地震相邊緣分辨率。Liu 等[17]利用深度卷積神經網絡和生成對抗網絡（GAN）進行三維地震相分析。Biswas 等[18]利用物理引導的卷積神經網絡進行疊前反演和疊后反演。Wu 等[19]通過卷積神經網絡中的權值對初始速度模型進行重新參數化，以自動捕獲初始模型中的顯著特征，作為先驗信息，通過正則化迭代更新卷積神經網絡權值中的先驗信息來約束CNN 反演，通過減少數據不匹配來細化在CNN 預訓練中捕獲的特征。Cui 等[20]結合U 型網絡結構（U-Net）和卷積神經網絡，在訓練數據有限的情況下，根據數字巖石圖像進行縱波、橫波速度預測。

1.2 國內發展現狀

在深度學習方面，國內學者開展了大量研究工作，與國外智能物探技術發展基本同步。

在地震處理方面，韓衛雪等[21]將深度學習用于地震隨機噪聲壓制，對疊后陸地數據及復雜陸地疊后數據進行去噪，取得一定效果。王鈺清等[22]提出基于數據生成和增強的深度卷積神經網絡的隨機地震噪聲衰減。唐杰等[23]將K-SVD 去噪算法與深度學習網絡相結合，綜合考慮深度學習網絡與稀疏表示方法的優點，研究了基于深度學習的過完備字典信號稀疏表示（Deep-KSVD）的地震數據隨機噪聲壓制方法。李海山等根據地震線性噪聲特征，利用深度殘差網絡（DnCNN）對西部沙漠區地震資料進行試驗性應用，見到了較好的效果。張巖等[24]考慮到現有基于深度學習的地震數據去噪方法存在單一時間域或頻率域特征提取，且卷積核尺寸固定較小的問題，提出一種基于聯合深度學習的地震數據隨機噪聲壓制方法。陳德武等[25]將U-Net 與分割網絡（SegNet）深度學習網絡的優點相結合，構建新的混合網絡U-SegNet，并基于U-SegNet 自動拾取初至，解決了基于深度學習的初至拾取方法制作標簽耗時費力、數據預處理過程煩瑣、網絡結構過于復雜，導致訓練和測試效率較低的問題。周創等[26]提出一種基于深度卷積生成對抗網絡(DCGAN)的地震數據初至拾取方法。張昊等[27]提出一種基于深度學習的地震疊加速度自動拾取方法。

在地震解釋方面，魏伯陽等[28]提出利用條件生成對抗網絡（CGAN）識別圖像中的裂縫。王俊等[29]提出使用GRU 神經網絡進行測井曲線重構，該方法兼顧了測井數據之間的非線性映射關系、數據隨儲層深度變化的趨勢及歷史數據之間的關聯性。常德寬等[30]利用深度殘差網絡（ResNet）訓練深層卷積神經網絡，并結合U-Net 架構可表征多尺度、多層次特征信息的優勢，構建了SeisFault-Net，提高了訓練效率和斷層識別效果，避免人工設置參數的經驗誤差和不確定性。陳芊澍等[31]在裂縫發育帶預測中引入了極限學習機算法，通過極限學習機算法對地震屬性特征與裂縫帶發育程度之間對應關系進行學習，并應用到實際工區。丁燕等[32]則將測井、深度學習與裂縫預測聯系起來，為裂縫的綜合預測提供了新的思路。閆星宇等[33]在U-Net 模型末端加入金字塔池化模塊以提高模型獲取全局信息的能力，提出“預測信息熵”的概念用于評估地震相預測結果的不確定性。

總體來說，針對物探領域已開展初步的人工智能探索和實踐，并已經獲得階段性研究成果，可以概括為兩個方面:一是大數據、機器學習等技術在勘探開發數據分析處理上的應用，現階段大多是“點”上的應用，尚未形成“面”上的推廣。二是國家和大多數企業意識到數據共享的重要性，開始研發一體化分析平臺、集成軟件等。但人工智能在石油勘探開發領域的應用剛剛起步，尚未形成顛覆性成果，卻又顯現出巨大的潛力。人工智能涉及多學科交叉，包含的研究范圍較為廣泛，且大多數算法需要建立在大數據基礎上，對輸入和輸出之間的映射關系要求明確清晰。而油氣儲層地下條件復雜多變，石油勘探開發問題多具有多解性，勘探開發數據普遍面臨樣本小、特征缺失等問題，這在一定程度上加大了人工智能在石油勘探開發中的應用推廣難度。

2 智能物探技術研發進展

“十三五”期間，中國石油提出“數字化轉型、智能化發展”戰略，將智能技術作為發展重點，搶占物探科技競爭的主動權和制高點。中國石油主力地震處理解釋軟件GeoEast 面向未來研發的全新一代平臺——GeoEast-iEco 軟件平臺，其采用先進的軟件架構，秉持共享、協同、開放的設計理念，致力于為國產物探軟件發展、構建國產物探軟件生態系統提供堅實的平臺支撐，加速中國石油智能物探技術發展。中國石油勘探開發研究院攜手華為云打造“E8 認知計算平臺”賦能油田勘探，平臺通過讓知識參與到計算，把各種形態的知識，借助一系列人工智能技術進行抽取、表達、計算，進而產生更為精準的模型，再次賦能給機器和人。中國石油勘探開發研究院西北分院受中國石油勘探與生產分公司委托，為推動中國石油智能物探技術產學研協同發展，積極貫徹中國石油“共建、共享、共贏”的發展理念，與北京大學等6所大學簽署了中國石油智能物探產學研合作聯盟協議，充分利用高校在大數據和人工智能等技術領域的優勢，協同開展跨學科、跨領域的智能物探技術創新研發，堅定不移突出智能物探技術創新研發，整體協調推動智能物探技術發展，共同推動中國石油智能物探技術邁入世界一流行列。

中國石油自2017 年開始超前規劃智能物探技術研發，推動物探技術向“智能化”轉變，力爭在全球新一輪產業變革中搶占制高點。一是打造開放、共享的物探技術智能化研究平臺，促進物探技術智能化快速發展。二是采用“試點先行、逐步展開”的方式，開展物探技術多領域人工智能技術攻關，優先發展生產急需和重點突破的技術。三是構建并發布物探專業數據集與經驗樣本集，為智能物探技術發展提供成熟的先驗信息與便利條件。目前在智能物探方面形成兩大技術系列，即智能地震處理技術與智能地震解釋技術，并研發出一套智能地震標簽數據集構建軟件。

2.1 智能地震處理技術

2.1.1 智能地震初至拾取技術

初至拾取是地震處理中極為基礎且重要的一項工作，采用人工拾取方式，工作量大，拾取效率低，容易引入系統的人為誤差。而且初至拾取的精確與否，在很大程度上影響后續處理精度。通過將U-Net 與SegNet 深度學習網絡的優點相結合，構建新的混合網絡U-SegNet，并基于U-SegNet 自動拾取初至，形成了智能地震初至拾取技術。U-SegNet 以SegNet結構為基礎，通過在解碼器網絡的反卷積層之前融合跳躍連接信息，提供編碼器網絡的多尺度信息，以獲得更好的性能，并且其上采樣操作將U-Net 中的反卷積改為反池化，池化索引被傳遞到上采樣層，網絡模型收斂更快。因此，U-SegNet 網絡結構更有利于分割背景噪聲區域和含噪信號區域，從而提高初至拾取精度，如圖2 所示。基于U-SegNet 的初至自動拾取流程包括制作訓練數據集、設計網絡模型、訓練網絡模型、測試網絡模型和實際資料應用。測試和應用結果表明，該方法的初至拾取效率約為某商業軟件的2.2 倍，且易于工業化應用，具有良好的應用前景。

圖2 智能初至拾取結果Fig.2 Result of intelligent first arrival picking

2.1.2 智能地震數據去噪技術

針對海量疊前數據的噪聲壓制難題，開展了采用人工智能技術進行地震數據去噪的技術創新研究，并在塔里木盆地取得良好的應用效果。以疊前隨機噪聲去噪為例，利用曲波迭代閾值法獲取隨機噪聲標簽數據，并對構建的深度學習隨機噪聲去噪網絡進行訓練，使其具有智能識別隨機噪聲的能力，圖3 所示為深度學習隨機噪聲去噪結果。深度學習隨機噪聲去噪網絡與曲波迭代閾值法相比具有顯著優點，智能去噪效率高，其去噪效率與曲波迭代閾值法相比提高了近200倍;且智能去噪方法不再像曲波迭代閾值法那樣需要復雜的參數調試，可以自動識別并分離出噪聲;同時，智能去噪方法只學習隨機噪聲的特征，因此在去噪過程中不會損害有效信息，去噪后的數據保幅性好，可以滿足地震處理保幅性要求。

圖3 深度學習隨機噪聲去噪結果Fig.3 Deep learning denoising results of random noise

針對西部沙漠區線性噪聲特征，利用基于彈性波方程的散射面波模擬生成訓練數據集，其中直達波和面波由基于常速度模型的正演模擬生成。數值實驗結果顯示，DnCNN 方法可以實現自動化去除面波。圖4a展示了一個包含散射面波的實際測試數據;圖4b 展示了基于合成數據的遷移學習去噪結果和對應去除的面波、散射面波，可以看到去噪效果和有效信號保留效果均較好。相對于時間域—頻率域（F—K）方法，該方法在信噪比、面波和散射面波壓制信號保幅方面均具有優勢，可以顯著提高去噪品質，改善炮集數據質量，這對西部油氣勘探區的準確成像具有重要意義。

圖4 深度學習面波壓制結果對比Fig.4 Comparison of deep learning ground-roll noise attenuation

2.1.3 智能地震數據插值技術

地震數據插值在處理中應用較廣，特別是進行OVT 域的處理時需要通過插值重建技術來規則化地震數據。針對地震數據插值難題，開展了基于生成對抗網絡的地震數據插值技術研究，如圖5、圖6 所示。該技術利用待插值數據的同一工區的完備數據進行網絡訓練，在時間域、頻率域開展聯合學習，利用生成對抗網絡的無監督特性，生成缺失的地震道，從而實現對地震數據的插值重建，使插值后的地震數據在時間域、頻率域雙保真。該技術利用生成網絡進行數據插值，用判別網絡對生成的數據進行監督，使得生成的數據與真實的數據在時間域和頻率域均具有一致的特征，提高了生成地震道數據的保真性。

圖5 生成對抗網絡時間域地震數據插值結果Fig.5 Interpolation seismic data using generative adversarial networks in time domain

圖6 生成對抗網絡頻率域地震數據插值的F—K 譜數據Fig.6 F—K spectrum data of interpolation seismic data using generative adversarial networks in frequency domain

2.1.4 智能混采數據分離技術

近年來，多震源采集技術（簡稱混采技術）發展迅速。傳統地震采集鄰炮之間需要設置等待時間來避免交叉干擾，效率較低。混采技術同時激發多組震源，極大提高了采集效率，但也導致來自不同震源的地震波發生混疊，降低了地震數據信噪比和成像質量。因此，進行混采分離是混采數據處理的必要環節。在深度學習網絡的基礎上，采用地震數據和激發時間同時作為網絡輸入，研發了智能混采數據分離技術。該技術利用更多的有效信息，提高了混采分離的精度。圖7 為建立的智能混采分離網絡結 構，該網絡采用雙輸入和端到端的學習模式，根據激發時間確定多震源的波場初至，充分利用先驗信息及深度神經網絡來挖掘鄰炮干擾的特征，建立混采數據與主炮信號的映射關系，有效提升了混采分離的效率和精度。

圖7 智能混采分離網絡結構Fig.7 Architecture of intelligent seismic deblending network

2.2 智能地震解釋技術

2.2.1 智能地震斷裂檢測技術

傳統的斷裂解釋主要是一種人機交互方式，這導致斷層解釋效率低、人為不確定性大，增加了油氣勘探開發的成本和風險。而常規的斷層識別方法通常需要專業人員設置多個參數來控制斷層識別效果，這導致識別的斷層結果嚴重依賴參數設置的準確性。通過將Resnet 和U-net 進行聯合，利用這兩種網絡架構的優勢，構建了地震斷層識別網絡架構（SeisFault-Net），形成了智能地震斷裂檢測技術。U-net 架構由兩個子網絡組成，包括編碼子網絡和解碼子網絡，這兩個子網絡使SeisFault-Net 以端到端的方式進行模型訓練。Resnet 則克服了深層網絡梯度彌散的問題，有效提高SeisFault-Net 的訓練效率。訓練后的SeisFault-Net 無須設置任何參數即可對地震數據進行斷層識別，這避免了常規方法中人為設置方法參數的經驗誤差和不確定性。通過一系列數值實驗，表明深度殘差網絡和U-net 方法可有效、準確地識別斷層位置，且識別的斷層垂向連續性好、分辨率高。圖8 是吉林油田某工區地震數據斷裂檢測結果，相比于圖8b 的相干算法識別的斷裂結果，圖8c SeisFault-Net 網絡識別的斷裂更加清晰、細節信息更為豐富，這為斷裂構造解釋提供了更準確的參考數據，且該方法效率高，有助于壓縮地震斷裂解釋周期。

圖8 斷裂檢測結果對比Fig.8 Comparison of faults detection results

2.2.2 智能地震層位解釋技術

地震層位解釋是油氣勘探中的關鍵環節，也是地震解釋中最耗時的一項工作。目前層位解釋和標定更多的是依靠人工或機器輔助的方式進行，如同相軸追蹤、基于神經網絡和圖像邊緣提取技術的層位解釋。目前，地震層位追蹤方法偏重于三維層位追蹤和剖面自動追蹤算法，存在效率低、需要人為指定種子點、訓練追蹤時間長等缺陷。因此，創新提出了基于卷積的長短時記憶網絡（ConvLSTM）的地震層位解釋方法，將地震層位解釋問題表述為一個時空序列預測問題，利用ConvLSTM 代替CNN 卷積層，構建了ConvLSTM 的U-net 網絡架構，從三維地震數據中學習具有時空相關性的地震層位信息，實現準確的地震層位解釋。實際資料的應用結果表明了ConvLSTM_U-net 網絡層位解釋的有效性，如圖9所示。利用遷移學習方法訓練ConvLSTM_U-net 網絡，可有效應用于不同工區層位解釋任務，大幅提高層位解釋的精度和效率。

圖9 層位解釋結果對比Fig.9 Comparison of horizon interpretation results

2.2.3 智能沉積相解釋技術

層序地層解釋和沉積相解釋一直是地質構造解釋中的重要工作，傳統的地震解釋、沉積相預測技術效率低、工作量大且多解性強，容易受到人為因素影響，已經無法滿足日益增長的生產需求。據此提出了地震層序和沉積相的智能化解釋技術，綜合利用地質、地震、測井數據構建層序地層與沉積相解釋種子點標簽，構建面向地震數據的卷積神經網絡深度學習模型，智能化建立三維層序地層格架與沉積相解釋模型，模擬地質學家和地震解釋專家的先驗知識，智能預測沉積相平面和空間分布，具備快速高效、準確可靠的解釋功能。大慶松遼盆地古龍頁巖油重點區塊的塔拉哈三維地震工區白堊系主要目的層同相軸連續性強，斷層發育復雜，智能層序地層解釋處理斷層斷點更加準確（圖10）。圖11 所示為四川盆地磨溪地區燈影組燈三段—燈四段鹽下碳酸鹽巖生物礁體及前積體空間分布智能識別結果，底部層位為燈三段底，生物礁主要分布在測試工區的臺地邊緣上，與地質認識吻合。智能層序地層解釋和沉積相解釋將大幅提高地震解釋、沉積相預測技術效率，降低多解性，確保構造解釋準確高效。

圖10 智能層序地層解釋結果Fig.10 Intelligent sequence stratigraphic interpretation results

圖11 智能沉積相解釋結果Fig.11 Intelligent sedimentary facies interpretation results

2.2.4 智能地質體檢測技術

地質體檢測一直是油氣勘探中的重點，特別是河道、鹽丘、溶洞等可能是重要的油氣儲集體。傳統方法是通過幾何、物理和地質原理計算導出的各種地震屬性來解釋地質體數據，主要包括邊緣檢測方法、紋理屬性方法、地震屬性計算方法，這些識別檢測方法的困難之處在于對地震反射波中受到的噪聲、反射、折射等非常敏感。基于此，研發了智能地質體檢測技術，依據構造沉積理論，生成高度逼近實際資料的合成數據體及準確標注的河道數據體，用于深度學習網絡模型訓練。搭建智能河道識別網絡架構并進行訓練，使智能河道識別網絡具備復雜河道體系檢測能力。在網絡模型中，將特征金字塔注意力模塊在高級輸出特征上執行空間金字塔注意力，并結合全局池化學習一個更完善的特征表示;全局注意力上采樣模塊在每個解碼器層提供全局上下文信息，并指導底層特征選擇類別的定位細節。如圖12 所示為智能河道檢測技術在塔里木盆地哈7 工區應用實例，該技術識別的地質體能準確反映地下暗河的真實情況，將隱藏在地震反射振幅中的河道清晰準確地識別出來（藍色圓圈處），為定量描述儲集體的大小、幾何形態及其三維空間分布特征提供了準確依據。

圖12 智能河道檢測結果Fig.12 Intelligent river channel detection results

2.3 智能地震標簽數據集構建軟件

地震標簽數據集構建研究采用分層框架（圖13），從底層到頂層依次是硬件/數據庫、技術系列、構建過程、支撐研究和標準規范。實現了“點—線—面—體”不同維度地震數據標簽的制作，其中“點”標簽包括壞道識別標簽、彈性參數反演或物性參數預測標簽等，“線”標簽包括初至拾取標簽、二維斷層和層位解釋標簽等，“面”標簽包括混采分離標簽、疊前去噪標簽、二維地質異常體解釋標簽等，“體”標簽包括三維斷層/層位/地質異常體解釋標簽、疊后去噪標簽等。

圖13 智能地震標簽數據集構建研究框架Fig.13 Study framework by intelligent seismic label dataset

智能地震處理標簽數據分為分類模型的標簽數據和回歸模型的標簽數據。分類模型的標簽數據包括智能初至拾取標簽數據、智能壞道識別標簽數據等，分類模型的標簽數據樣點值需要根據所劃分的不同類型寫為不同的整數值。回歸模型的標簽數據主要用于去噪和速度建模等，具體包括智能混采分離標簽數據、智能面波壓制標簽數據、智能隨機噪聲壓制標簽數據、智能沙丘鳴震壓制標簽數據、智能疊加速度建模標簽數據等，回歸模型的標簽數據為從單炮或炮集數據中分離的噪聲數據或建立的速度模型等。

智能地震解釋標簽數據也分為分類模型的標簽數據和回歸模型的標簽數據。分類模型的標簽數據包括智能層位解釋標簽數據、智能斷層解釋標簽數據、智能地質異常體解釋標簽數據、智能地震相劃分標簽數據等，分類模型的標簽數據樣點值需要根據解釋的不同類型寫為不同的整數值。回歸模型的標簽數據主要用于智能彈性參數反演和智能物性參數預測，回歸模型的標簽數據為測井曲線中的彈性參數、物性參數或解釋結果等。

通過研發智能地震標簽數據集構建軟件（圖14），搭建跨區域、跨專業、跨學科的智能物探技術共享平臺，將地震勘探領域多年積累的海量數據打上標簽，轉換為“大數據”，為智能地震勘探具體研究領域科研人員提供訓練神經網絡所需要的訓練數據集。利用數據挖掘、知識共享等理念與技術構建不同業務、不同需求層次的數據庫，進行各類預測、評估等決策，提升科研人員獲取、創造、傳遞、共享、使用物探信息的能力，達到物探信息和資源共享的目的。

圖14 智能地震標簽數據集構建軟件SeismicNet 功能圖Fig.14 SeismicNet function diagram by intelligent seismic label dataset

3 智能物探發展趨勢、思路與方向

為貫徹落實中國石油天然氣集團有限公司“數字化轉型、智能化發展”的總體部署，按照中國石油“深化東部、加快西部、油氣并重、常非并舉”的戰略布局，在物探等工程技術領域打造技術利劍，保障油氣突破發現和規模增儲，著力加快“卡脖子”等關鍵勘探技術攻關突破，重點發展完善剩余資源空間分布預測、復雜山地高精度三維地震等核心技術，加快數字化轉型和智能化發展，為勘探突破和可持續發展提供有力的技術支撐[34-38]，全面推動智能物探技術向縱深發展。“十四五”期間需要有計劃、分階段地推進中國石油智能物探技術研究工作，確保智能物探技術在未來10 年內達到國內領先、國際一流水平，實現以科技創新支撐公司當前發展、引領公司未來發展。

3.1 智能物探發展趨勢

石油物探領域長期以來一直是高性能計算、三維可視化、計算機網絡等信息技術的一個重要應用領域，是較早實現數字化采集、處理和分析的一個領域。國際上“物探+人工智能”研究發展迅速。國際主要石油公司及地球物理技術服務公司均在積極探索如何利用人工智能方法進行地震數據處理與解釋，尤其是在利用深度學習方法進行智能化數據處理與解釋方面，但總體處于起步階段，尚未大規模推廣應用。Geophysical Insight、Emerson、Schlumberger、CGG、PGS 等公司日前已經形成了相關的軟件產品，如CGG 公司的Hampson Russell 軟件具備基于深度學習的屬性體預測與反演、測井曲線復雜巖性解釋等功能。Geophysical Insight 公司的Paradise 系統是一款綜合的人工智能分析工具，能夠深入分析地震和測井數據，并可以提高效率，縮短地震資料解釋的周期。

目前，石油物探已全面進入高密度勘探階段，物探采集數據呈指數級增長，新采集的大面積三維地震數據，其規模已由TB 級進入PB 級時代，巨大的數據計算量依靠人工和計算機交互完成已很明顯影響到生產周期。如何提升物探計算效率甚至精度？智能化物探數據處理與信息應用將是未來必然的選擇。隨著人工智能新理念、新方法不斷涌現，智能物探技術必將由目前的數據驅動向數據和模型（經典物探）雙驅動發展，將地球物理先驗知識、知識圖譜等用于智能物探技術創新，在多模態學習、集成學習等重要技術加持下，真正突破落地應用難題。

3.2 中國石油智能物探發展思路

智能物探作為當前物探技術創新的主戰場，既順應世界科技發展潮流，也響應國家科技發展戰略，符合中國石油天然氣集團有限公司技術創新方向。加快部署智能物探技術科研攻關，完善推廣“十三五”期間研發的智能物探技術，全面推進智能地震采集處理解釋、井中地震和重磁電技術的發展，重點攻關智能化的基于壓縮感知地震采集觀測系統設計、近地表速度建模、速度建模、構造層位與斷層解釋、儲層預測、地震屬性分析技術。大力探索和發展智能重磁電處理解釋技術，利用深度學習和機器學習進行重磁電技術創新研究，形成智能化重磁電處理系列方法，為解決大尺度構造、巖性識別等的復雜山前構造帶和火成巖特殊巖體等領域勘探提供非地震的智能化手段。

從建立“智能物探聯盟”的研發思路出發，以實際生產需求為導向，以聯合科研攻關為手段，以規模化推廣應用為目標，系統高效推動智能物探發展，力爭“十四五”期間取得智能物探重大技術創新，以防“卡脖子”技術困境重現，力爭在智能物探領域國際領先，為保障國家能源安全夯實技術基礎。

3.3 中國石油智能物探發展方向

根據智能物探發展思路，智能物探技術總體發展方向概括為“123456”。

（1）實現一個目標。通過智能化，以提高油氣藏地震成像與儲層預測的及時性、符合率為目標，讓地震技術成為鉆井工程的導航儀。通過創新發展智能物探技術，實現地震處理、解釋、儲層預測效率與精度的全面提升，為石油鉆井提供實時、智能導航，做到又快又準，最終提高油氣勘探開發的效率、精度和效益。

（2）圍繞兩大技術領域。重點圍繞油氣勘探開發的核心需求，一是面向復雜構造和非常規油氣藏鉆探對地下地質結構精準化、精細化和實時化要求，研發應用智能化物探數據處理與地層結構精細分析技術，提高物探對地層結構的成像精度與效率，實現鉆井工程的無障礙鉆井與目標的導向鉆進;二是面向油氣儲層預測成功率提升要求，研發應用智能化物探解釋與儲層預測技術，實現微構造與微斷層研究、沉積微相分析、儲層預測與油氣檢測、裂縫預測，以及工程地質“雙甜點”刻畫、水平井隨鉆導航等研究精度的提升和油氣井全生命周期成本的降低。

（3）規劃三個發展階段。智能物探發展指從關鍵環節模塊級智能到業務流程再造智能，最終實現物探全流程智能三個階段。智能物探是石油物探與人工智能的跨領域結合，是一個全新的創新領域。智能物探技術發展是對傳統物探技術的創新與突破，是一個循序漸進、逐步滲透的過程，中國石油智能物探技術的發展規劃為三個階段:

第一階段（2020—2022 年）關鍵環節模塊替代。通過將地震處理、地震解釋局部關鍵環節智能化并集成軟件模塊，實現模塊級智能化。在此階段中，專業人員主要發揮質控監督作用，并利用經驗知識為智能物探技術提供樣本支持;傳統物探技術構成整體技術流程骨架，為智能物探模塊提供業務管理、架構支撐及環節對接等應用。專業人員、傳統技術與智能技術優勢互補，相互支撐。

第二階段（2023—2025 年）業務流程再造。針對構造研究、沉積儲層、裂縫預測、油氣檢測等地質要素研究與預測的需要，開展細分場景（用途）的地震處理，以及逐級剝離（控制）的地震解釋。將線狀處理解釋流程轉變為網狀流程，將串行流程轉變為并行流程，有效縮短地震處理解釋周期，提高處理解釋質量和可靠性。同時，打通和破解傳統物探技術發展的堵點、卡點、痛點，構建精準、高效、智能的地震處理解釋流程。

第三階段（2026—2030 年）業務全流程智能。通過模塊級智能、流程再造智能及后期的不斷完善發展，結合石油物探特點，將多模態學習、集成學習、強化學習等學習模式與之有效結合，實現石油物探與人工智能深度融合，最終實現物探業務智能處理、智能解釋、智能質控、智能預測及智能決策評估等所有環節一體化、系統化的整體智能。

（4）實現業務四化發展。智能物探發展要以打造平臺生態化和技術自動化、互動化、智能化發展為總要求，以智能物探技術平臺化為抓手，打造前端應用智能展示、后端平臺實時支撐的智能物探生態體系;實現物探數據處理全程自動化+智能化和地震解釋及儲層預測智能化+互動化，使物探技術整體實現智能化發展，將物探技術打造為油氣勘探開發的“智能眼”，特別是成為水平井鉆井、壓裂所需的地下導航儀、監測儀。

（5）用好五位向導。智能物探技術發展和其他工業界技術一樣，離不開相關技術支持，離不開相關信息的指導，作為以數據驅動為主的智能化技術，必須用好向導才能實現精準度和效率的提升。智能物探要以數值模擬、物理模擬為導向，以測井信息為校驗，以精準技術為原則和以成功案例為示范，推動智能物探技術的發展和應用，五位向導缺一不可。智能物探作為全新領域，無成功方案可照搬照抄，應汲取不同領域的成功經驗，進行不斷的學習借鑒。利用數值模擬解決智能物探標簽樣本數量不足的問題，利用物理模擬快速驗證智能預測結果，借鑒測井處理解釋一體化理念，利用精準技術提升標簽樣本質量和預測精度，吸收傳統與智能物探技術及相關領域的成功案例經驗，形成知識庫、知識圖譜等，發揮示范引領作用。

（6）做好六大要素保駕。智能物探發展依托于數據源、GPU 算力、智能算法、模型驅動、認知推理和應用場景六大要素。物探領域多年來的大力勘探積累了海量數據體，且隨著高密度寬方位地震采集的普及，單體數據面臨以TB 級、PB 級甚至EB 級的規模快速增長。面對如此巨量地震數據、可靠的標簽數據稀缺，出現“大數據小標簽”現象，如何將這些大數據轉變為能用于機器學習訓練的標簽數據，是人工智能應用于物探領域所面臨的關鍵挑戰。不同于傳統的物探技術研發注重數理公式推導，智能算法以數據驅動為主，與物探應用場景緊密結合，目標明確，利用深度學習自動學習特定目標場景下的特征映射關系，實現準確高效的物探技術創新。智能算法在模型訓練階段、推理階段依托于GPU、人工智能專用芯片等高性能算力，云邊協同的計算平臺構建是智能物探技術發展和應用的關鍵之一。六大關鍵要素相輔相成，互相作用，共同推動智能物探技術快速發展。如何做好六大要素的保駕，是中國石油發展智能物探技術面臨的關鍵挑戰。

總之，未來將以復雜常規和非常規油氣探測的地質需求為導向，以現有物探技術為基礎，以精準化為目標，以智能化為動力，充分發揮產學研合作優勢，研發高質量智能化的地震處理解釋技術，進一步提升油氣地震預測的符合率。

4 結論與展望

中國石油在“十三五”期間已開展智能物探整體布局，并在地震處理、解釋環節積極作為，有力推動了物探技術向智能化發展，出現了多點開花的良好局面，發展形成了兩大智能物探技術系列，包括智能初至拾取、智能去噪等智能地震處理技術，以及智能斷裂檢測、智能沉積相解釋等智能地震解釋技術，并創新研發了智能地震標簽數據集構建軟件。同時，創新研發模式，牽頭組建了由北京大學等單位組成的“6+1”智能物探產學研聯盟，連續4 年組織召開了“智能物探”研討會，有效推動了中國石油智能物探技術創新工作，實現了與國際智能物探技術同步發展。

在“十四五”期間，中國石油將進一步加大對智能物探技術發展的支持力度，按照“123456”智能物探技術發展總體思路與方向，積極組織科研力量開展探索和攻關，并將成熟技術及時落地見效。圍繞智能物探特色技術研發、智能物探軟件平臺建設及企業標準編制等方面開展技術創新與集成，實現中國石油智能物探技術快速發展，打造“平臺生態化、處理自動化、解釋互動化及整體智能化”的智能處理解釋生態系統;力爭在部分領域引領智能物探技術發展，為推動中國石油天然氣集團有限公司科技自立自強、創建世界一流示范企業提供強有力的科技支撐。