知識圖譜引導的縫洞體智能識別技術

中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000?7210. 20240133

Abstract：Karst caves exhibit distinctive“string ? of ? beads”reflection configurations on seismic profiles，with their spatial distribution governed by intricate fracture networks and thus forming complex fracture ? cave sys? tems. Conventional methods，constrained by ambiguities in reservoir architecture and limited sample availability， face challenges in achieving accurate delineation. This study proposes a knowledge graph ? guided intelligent identification technique based on coupled fracture ?cave modeling，which innovatively integrates geological prior knowledge with deep learning through encoding geological topological relationships into adjacency matrix con? straints. The methodology establishes a multi ? task learning framework by synergistically combining forward modeling ? derived label data volumes with expert ? annotated data volumes. The approach employs knowledge graphs to characterize connectivity relationships between fractures and karst caves and designs geologically inter? pretable loss functions to dynamically adjust model optimization trajectories. Application in the Ordovician Lianglitage Formation of the Tarim Basin demonstrates substantial reduction in manual interpretation workload and significant enhancement in boundary delineation precision for fracture?cave systems. This methodology presents an innovative solution integrating knowledge?driven and data?driven approaches for prediction of strongly heterogeneous carbonate reservoirs.

Keywords：karst cave，fracture?cave systems，geological prior knowledge，knowledge graph，deep learning，multi task learning

楊存，伍新明，黃理力，等 . 知識圖譜引導的縫洞體智能識別技術［J］. 石油地球物理勘探，2025，60（3）：545?554.YANG Cun，WU Xinming，HUANG Lili，et al. Knowledge graph ? guided intelligent identification of fracture ?cave systems［J］. Oil Geophysical Prospecting，2025，60（3）：545?554.

0 引言

溶洞作為碳酸鹽巖縫洞型油氣藏中最重要的儲集空間，在地震剖面上通常為多組強振幅反射的縱向疊合。它與圍巖相比，振幅變化大，速度低，波阻抗低且相干程度弱。目前，主要利用地震反射特征、地震屬性、地震相分析和地震反演等識別溶洞。

曲壽利等[1]對碳酸鹽巖溶洞型儲集體的地震反射特征進行了研究，詳細解析了小尺度孤立溶洞體的數值模擬技術，為溶洞的識別提供了可靠依據。張軍華等[2]利用子波分解與重構技術和多地震屬性融合技術對溶洞進行了刻畫。馬靈偉等[3]基于非均勻介質條件下波動方程正演模擬的方法，研究了不同成像方法對縫洞型儲層產生的“串珠”狀反射特征的影響，對溶洞型儲集空間進行了細致描述。胡華鋒等[4]構建了不同尺度和不同充填特征的溶洞儲集模型，并且利用高頻衰減梯度屬性詳細刻畫了溶洞儲集體的規模。朱博華等[5]應用地震道集的分頻成像技術，利用高頻帶數據檢測小尺度溶洞，進一步提高了識別精度，這有利于溶洞輪廓的精細描述。但是，上述傳統方法受到地震數據分辨能力的影響，提取的地震屬性也需要專家人工解釋，工作量大且存在多解性。

近年來，隨著人工智能技術的發展，以強監督和弱監督深度學習（Deep Learning，DL）技術為主的智能地震識別方法取得了重大進展。Wu 等[6?8]利用有監督的卷積神經網絡，在訓練圖像中模擬斷裂系統和塌陷古巖溶特征，并將其作為標簽數據分別用于斷裂和溶蝕孔洞的識別。隨后，Yan 等[9]提出了相對地質年代體引導的構造建模方法，能夠在小樣本標簽的基礎上，利用低頻模型構建初始標簽數據體，為鹽丘、溶洞等多種地質目標體的智能識別提供了理論基礎。Hussein 等[10]利用三維地震數據，基于無監督網絡結構對巖石物性參數進行了預測，為儲層的定量評價提供了可靠依據。Geng 等[11]基于小樣本學習的策略，訓練了兩個共享特征的網絡模型任務分支，分別對鹽丘頂、底構造進行了智能識別。Bi等[12]提出了一種基于深度學習的隱式構造建模方法，從層位和斷層數據中估算一個構造標量場，然后利用具有可學習參數的遞歸空間卷積核實現從數據輸入到模型生成的過程，使正演的標簽數據能夠描述更加復雜的地質構造。閆星宇等[13]利用波動方程正演模擬的方法制作溶洞的地震標簽數據，然后基于 U?Net 對溶洞進行了智能識別。張傲等[14]基于Yolox 算法的網絡模型對溶洞進行了識別，進一步加強了網絡提取特征的能力，不僅能夠估算溶洞的形態和大小，還能夠得到溶洞的三維空間位置。

上述地質體目標識別技術都是采用數據挖掘的思路，基于深度學習的方法對于標簽數據的要求較高，地質專家的先驗知識很難在標簽數據中進行表征。 w_u 等[15]在地球物理問題的深度學習解決方案中，對如何引入先驗知識進行了探索，擴展了深度學習方法在勘探領域的應用范圍。Yang 等[16]利用多任務學習策略，在先驗知識和相對地質年代體的約束下，對層位和斷層進行了智能識別。Yang 等[17]、楊存等[18?19]提出了一種基于小樣本學習的訓練策略，將低頻模型約束引入到網絡訓練中，并且引入地質先驗知識構建了知識圖譜（Knowledge Graph，KG），實現了地下復雜沉積模式的數字化，精細刻畫了三維沉積相的空間分布。

知識圖譜可以將地質先驗知識數字化，精確表征斷裂系統與溶洞之間的拓撲關系。據此，本文將地質拓撲關系編碼為鄰接矩陣，并將其作為多任務學習中斷裂系統分支的正則化約束，實現了先驗知識與數據驅動的深度融合。其理論優勢在于通過結構化知識修正模型優化方向，顯著提升斷裂—溶洞空間耦合關系的建模精度。該方法在塔里木盆地奧陶系良里塔格組的低信噪比地震數據應用中展現了強大的泛化能力，也驗證了地質先驗知識與深度學習算法融合的有效性。

1 溶洞小樣本數據集構建

對于卷積神經網絡訓練來說，利用專家人工標定的標簽數據集最具有代表性，標簽數據本身帶有大量的地質先驗知識和目標地質體的地震反射特征。網絡在訓練過程中，期望能夠將上述先驗知識和反射特征學習到模型之中，以系數矩陣和網絡構建的形式表征出來。

能夠參與訓練的標簽數據集需求量大，但是人工標定效率低，很難在短時間內獲得大量且優質的標簽數據。另外，通過數值正演模擬的標簽數據集與真實數據存在差異。因此，本文利用專家人工標定一部分實際溶洞數據作為小樣本數據集，并利用數據增廣進一步擴充標簽庫。

以塔里木盆地塔中地區奧陶系良里塔格組縫洞儲集體為例，溶洞的地震反射特征與背景特征高度相似，儲層發育區的反射特征雜亂，對于溶洞的識別干擾較大（圖 1）。溶洞的地震響應特征復雜，且受到地震數據分辨率等的影響，人工識別溶洞時容易造成遺漏和誤判。但進行標定時，一般寧可遺漏，不可誤判。

因此，本文在專家進行溶洞的人工標定后，將地震剖面上所有的“串珠”狀反射標注出來，其中溶洞特征值設定為 1，背景為 0。按上述標定方式，以2701 條聯絡線中的 4 條（占比 0.15% ）作為訓練數據集。由于實際地震剖面尺寸較大，網絡訓練之前需要按照網絡模型的特征圖輸入尺寸，對上述人工標定的 4 條地震剖面進行切割，從而生成標簽數據體（圖 2）。

圖1 塔里木盆地塔中地區奧陶系良里塔格組溶洞識別黑圈內為溶洞反射。

圖2 實際數據中人工標定的溶洞標簽上為地震剖面，下為標注結果。

2 溶洞和斷裂的標簽數據集增廣

2. 1 溶洞的標簽數據增廣

標簽數據增廣一般采用物理模型正演和數值模擬正演兩種方式。其中，物理模型能夠在很大程度上還原地下真實情況，但是成本較高，難以一次性獲得大量正演標簽。

數值正演模擬可以分為波動方程和褶積子波兩種方式。對于斷裂或溶洞的地震反射特征來說，波動方程正演模擬可表征地震波的傳播情況，用于描述繞射波場特征。不同介質對應的波動方程不同，算法較復雜，且生成疊前炮集，疊后記錄必須經過地震資料處理得到。由于本文中參與訓練的數據集為疊后地震數據，故不采用此方式進行數據增廣。

褶積子波正演模擬是通過設定包含溶洞的波阻抗模型，計算相應的反射系數模型，并與子波褶積得到正演模擬結果。與波動方程相比，褶積子波正演模擬效率高。鑒于后續參與訓練的數據集為疊后地震數據，不需要疊前道集的參與，因此本文采用褶積子波的方式進行溶洞的正演模擬。正演模擬過程包括構建層速度模型、加入溶洞特征、時深轉換、計算反射系數、疊后子波褶積以及加入背景噪聲等步驟。

以塔里木盆地塔中地區奧陶系良里塔格組為例，構建碳酸鹽巖溶洞儲層速度模型（圖 3）。由圖可見，奧陶系頂面（藍色虛線）是碎屑巖和碳酸鹽巖的分界面，可作為一個明顯的標志層，其上是速度約為 4000m/s 的低速層；其下方為速度突變層，速度由4000m/s 變化至 6300m/s ，是溶洞主要發育層段；溶洞內部速度明顯低于圍巖的速度。

圖3 層速度模型

首先，構建一個面元大小為 15m² 、縱向采樣間隔為 10m 的深度域三維速度模型（圖 4a）。在溶洞儲層發育區域，即層速度為 5100～6300m/s 的區域，在一定范圍內隨機設置地層的厚度，并加入速度的橫向變化，使其更加接近于真實地震數據。

其次，在溶洞儲層發育段加入低速的溶洞體。依據研究區的地質特征設定溶洞的形態、大小及充填速度。為了模擬溶洞的真實情況，溶洞形狀設定為橢球形，可在一定角度范圍內旋轉。

定義 R_p 為旋轉矩陣，即

式中 α 和 β 分別為橢球形繞 x 和 y 兩個方向上的旋轉角度，取值范圍為 [-10^°，10^°] 。

橢球形的空間形態由下式定義，即

F（X，Y）=（X-X₀，Y-Y₀）^TR_p^TAR_p×

（X-X₀，Y-Y₀）

式中： （X，Y） 為當前位置坐標， （X₀，Y₀） 為橢球形中心點坐標，二者取值范圍均為 [10m，50m] ； A 為對

角矩陣，即

如果 F（X，Y）gt;1 ，則說明當前點在橢球形外部，則定義速度不變；如果 F（X，Y）lt;1 ，則說明當前點在橢球形內部，將速度減小 1000m/s ，則可使溶洞內部層速度依據背景地層而變化，且比圍巖速度低 1000m/s ，即可得到層速度模型（圖 4b）。

鑒于目標工區能夠參與訓練的地震數據為時間域地震數據，將深度域層速度模型進行深時轉換得到時間域層速度模型（圖 4c）。獲得時間域層速度模型之后，可根據反射系數計算公式

得到反射系數模型。式中： ρ 為密度； v 為層速度；下標 i 為層數。

然后，向反射系數模型中隨機加入褶皺，使地層變得有起伏形態（圖 4d），滿足標簽數據增廣的要求，且標簽數據的構造具有多樣性。由于研究區中反射波主頻頻帶范圍為 14～20Hz ，因而利用相同頻帶范圍且主頻為 18Hz 的雷克子波與反射系數模型進行褶積，采樣點為 256，采樣間隔為 2ms ，可得到碳酸鹽巖溶洞儲層類型的合成地震數據（圖 4e）。

圖4 塔里木盆地奧陶系良里塔格組溶洞正演模擬流程

最后，為了使合成數據更加接近于實際數據，避免正演標簽數據集與人工標定的地震標簽數據差異性過大，提取溶洞儲層發育段的疊后地震數據中的背景噪聲，時窗為 512ms ，并加到合成數據中，得到仿真的合成標簽數據（圖 4f）。其中，藍色橢球體為合成數據中對應的溶洞空間位置。

構建不同速度模型參數、形態、大小以及排列方式的溶洞系統，可通過正演模擬其對溶洞地震響應的影響。

2. 2 斷裂的標簽數據構建

參照溶洞正演標簽數據集的方式進行斷裂系統的標簽數據增廣。定義旋轉矩陣

式 中 ： ? 為 斷 層 面 走 向 角 度 ，取 值 范 圍 為[0^°，360^°] ； θ 為斷層面傾角，取值范圍為 [0^°，180^°] 當 θ 取 [0^°，90^°] 時， n=2 ；當 θ 取 [90^°，180^°] 時， .n=1 。

斷層面各點的位移坐標可定義為

式中 （X₀，Y₀，Z₀） 為該點的原斷層面坐標。

在反射率模型（圖 5a）中添加斷層構造（圖 5b），并且計算斷層曲面的位置坐標和位移，即可得到相應的斷層反射系數標簽。同樣采用主頻為 18Hz 的雷克子波與反射系數模型進行褶積，即可得到自激自收的斷裂標簽模型（圖 5c）。提取研究區的背景噪聲并加入上述模型，可得到參與訓練的斷裂系統模型和標簽數據體（圖 5d）。

圖5 塔里木盆地奧陶系良里塔格組斷裂正演模擬流程

3 溶洞和斷裂系統映射關系的構建

研究區的儲集空間由斷裂系統和相互連通的多個溶洞組成，構造復雜、形態多樣且分布規律不明。三維空間中的構造形態可分為四個層級進行描述，即點、線、面和體（表 1）。其中，點是指不同層位線之間的交點，如不整合面之上的尖滅點，也可以是不同的層位與斷層相交的斷層斷點；線是指二維地震剖面中的反射層位或斷層線，由空間曲面的邊界線或空間曲面間的交線構成；面是指由各個目標層位面和工區的外邊界線構成的三維空間層位面或斷層面；體是指三維空間中的具有不同形狀的地質目標體，如溶洞和斷裂等，由多個實體面封閉構成。這些關鍵構造特征可抽象為面實體之間的幾何空間關系。對于計算機來說，基于面實體進行三維構造建模具有可閱讀性，層次遞進且完備，可快速提取所需要的特殊構造信息。

知識圖譜將實體及其相互關系以圖形的形式結構化表征，為計算機提供了理解邏輯類地質先驗知識的方式，也豐富了人類通過深度學習引入先驗信息的可能性。

人類認知方式帶有明確目的性，通常優先關注能夠快速認知事物的關鍵信息，而忽略一些次要信息。對于三維構造地質模型的認知，體實體和面實體的數量、彼此間的鄰接關系以及映射關系是知識圖譜關注的重點，斷裂構造、不整合面、溶蝕垮塌等需要從面實體、體實體間的鄰接關系以及關聯關系中分析讀出。知識圖譜能夠表征上述地質構造信息，實現對地下地質模型的計算機高層邏輯認知，按照上述表征形式構建模式層和數據層。

表1 實體間的映射關系

模式層針對斷裂、不整合面、地層尖滅和溶蝕垮塌等之間拓撲關系進行建模，以網絡結構的形式組織信息并完成對地質先驗知識的搜索。以某目標為例，采用 Neo4j 圖數據庫存儲三元組規則實體，并轉化為 Neo4j 的節點；實體之間的關系定義為邊，通過Python 模塊完成知識圖譜的轉換，通過這個模塊將所有的實體類和關系類轉換為知識圖譜的節點和邊，并保存在 Neo4j 圖數據庫中，就可形成知識圖譜實例（圖 6）。

圖6 模式層中地質先驗知識的計算機表征

塔里木盆地塔中地區奧陶系良里塔格組1 段、2 段和5 段為溶洞儲層發育段，分別簡稱良1 段、良2 段和良5 段。后同。

數據層是指從目標地震數據中提取的拓撲關系，可分為四層。每層的節點分別指溶洞、斷裂系統或不整合面、層序格架和沉積模式。邊是指地質對象之間的拓撲關系（圖 7）。

知識圖譜只關注實體與實體之間關系，因此為了模型的簡單化、更加便于計算機實現，本文用鄰接矩陣表征。根據矩陣元素 V_ij=1 或 0，就可判定兩個頂點之間是否有邊相連（圖 8）。

圖7 數據層中分不同層次表征地質體及其拓撲關系

鄰接矩陣利用二維矩陣表征圖中各個頂點之間的關系，對于有 Ω_m 個節點的圖則用 ?_m 階方陣來表示。其中，矩陣元素 V_ij 表示溶洞與斷裂之間的關系， V_i 和 ∣V_j 分別表示不同的地質體。如果 V_i 到 之間無連通性，則可將 V_ij 設置為 0；如果存在連通性，則將其設置為 1。

在上述 ?_m 個節點的圖中，如果從節點 ?V_i 到 存在一條通路，則 V_i 到 V_j 存在一條長度不大于m-1 的通路；如果存在經過節點 V_i 的回路，則存在一條經過 ?V_i 的長度不大于 ?_m 的回路。溶洞與斷裂系統的連通性則可以表征為

V_ij={V₁，V₂，…，V_m}

由式（7）可見，當 V_i≠V_j 時， ，那么 ?V_i 到 V_j 存在連通性，且可以用鄰接矩陣的布爾積判定

圖8 數據層中地質先驗知識的圖形存儲方式

其最短連通路徑。

關系圖的鄰接矩陣（表 2）表征較直觀且容易被計算機理解。多任務學習的輸出端數據流通過鄰接矩陣后，可以得到溶洞與斷裂系統相互連通的三維預測結果。溶洞與具有連通性的裂縫就被標記為 1，網絡模型可以直接預測縫洞體系統。

表2 表征溶洞與斷裂系統之間關系的鄰接矩陣

4 網絡模型訓練和預測

4. 1 多任務學習網絡結構

多 任 務 學 習 （Multi?Task Learning，MTL）能 夠利用不同任務的共同特征或相關信息提高主要目標任務的學習效果，可共享參數，使學習到的特征在多個任務之間遷移，從而提升泛化能力。本文在 U?Net 結構的基礎上，構建了MTL 網絡模型（圖9）。該模型包括共享層和獨立層。

模型的編碼器部分為共享層，它利用斷裂與溶洞之間的拓撲關系同時進行斷裂與溶洞的語義分割，以提取通用的高維數據特征。它由 2 個串聯卷積層、1 個最大池化層提取特征并進行優化，其中卷積層的核尺寸為 3×3 ，池化層的核尺寸為 2×2 。無論是卷積層或池化層，還是之后銜接的 ReLU 激活函數，均是用于提高數據流的非線性映射能力。輸入數據流在經過最大池化層后，通道數翻倍，圖像尺寸減半。當通道數翻倍后，循環進行上述卷積、池化和 ReLU 激活函數，直到通道數升至 128，圖像尺寸縮減至 16×16 ，即提取到了高維度的數據特征，該特征對解碼器部分的兩個分支任務共享。

圖9 多任務學習網絡架構

16×1×128×128 表示輸入特征圖批量大小（batchsize）為16、通道數為1 和特征圖尺寸為 128×128× 。

模型的解碼器部分為獨立層，它由兩個任務分支組成，包括斷裂輸出端和溶洞輸出端。每個任務分支首先進行通道拼接操作，能夠引導各個分支網絡在迭代過程中針對自身的任務進行特征優化，將通道數翻倍后，擴充至 256。與編碼器相對應，通道拼接之后，由 2 個串聯的卷積層和 1 個上采樣進行特征優化并恢復圖像。其中，卷積層的核尺寸為3×3 ，上采樣尺寸為 2×2 。上述操作與編碼器部分互為鏡像，數據流通過后通道數減半，圖像尺寸翻倍。循環進行上述操作后，兩個任務的輸出端的數據與輸入端的數據維度、尺寸相同，保證了訓練數據集與標簽數據集的一一對應。

多任務學習的損失函數為每個任務分支損失函數的加權求和。鑒于每個樣本中斷裂或溶洞特征值與背景數據特征值分布極不規律，即兩個任務分支中的損失函數只針對自身解碼器部分的特征差異而計算，增加了不確定性，因此本文設計一個能夠考慮溶洞和斷裂的損失函數，即

l=al_f+bl_p

式中： l_f 為斷裂輸出端的損失函數； l_p 為溶洞輸出端的損失函數； a 和 b 均為權重系數。

溶洞損失函數為

l_p=（1-μ）G_σl_mae+μl_ms.st

式中： G_σ 為高斯分布參數； μ 為權重因子； l_mae 為平均誤差損失函數，可表示為

其中， 為溶洞的預測值， X_p 為溶洞的標簽值， N 為單批次的訓練數據量； 為結構相似性損失函數，可表示為

其中 表示 X_p 與 之間的多尺度結構相似性。

斷裂損失函數為

l_f=ωl_dice+νl_cross

式中： ω 為指數 Dice 損失函數的權重； u 為指數交叉熵損失函數的權重； l_dice 為指數 Dice 損失函數，可表示為

其中， X_ps 表示溶洞樣本集， X_i 表示斷層樣本集，|X_f?X_ps| 為樣本 X_f 與 X_ps 之間的交集， 和 ∣X_ps∣ 分別表示各自樣本集中的元素個數； l_cross 為交叉熵損失函數，可評價斷層預測概率與標簽之間的差異，可表示為

其中 表示預測概率值。

多任務學習的目標是尋找模型的最優權系數解，可通過制定優先任務的方式犧牲某個任務來換取另一個任務的性能提升。斷裂標簽數據是利用數據增廣的方式獲取，可視為已知先驗信息，可根據其統計值構建損失函數的先驗狀態并將其作為權系數，另一個任務分支則可以獲得性能的提升。當網絡模型的目標為溶洞時，不進行斷裂預測。

4. 2 參數設計與網絡訓練

為了充分利用已知的標簽模型信息進行網絡訓練，從上述三維正演模型中聯絡線按等間隔提取 32組 128×256 的樣本數據。為了增強斷裂和溶洞信息的多樣性，避免網絡訓練過擬合，將其中 8 組正演標簽分別按照順時針和逆時針旋轉 10^° ，共計得到16 組 128×256 樣本集。另外，從研究區提取 16 組128×256 的人工標定的小樣本數據。上述數據集匯總后得到 64 組 128×256 的樣本集，再將特征圖尺寸切割為 128×128 ，即可得到 128 組訓練樣本數據，每組數據尺寸為 128×128 。

從正演模型中提取 8 組聯絡線 128×256 的樣本，將其與研究區 8 組 128×256 的人工標定的小樣本數據組合并切割，可得到 32 組大小為 128×128 的驗證集。

利用 128 組樣本進行訓練，分 8 個批次進入網絡，單批次樣本尺寸為 16×1×128×128 。采用式（8）中帶有權重的交叉熵損失函數，每一個批次的數據都會通過標簽計算新的權重比例。另外 32 組驗證集不參與訓練，驗證精度和損失用于評估網絡訓練狀態（圖 10a）。

將迭代次數（Epoch）設置為 150，采用自適應步長的 Adam 優化器加速訓練，動態學習率初始值設置為 0. 01。訓練過程中，如果驗證損失連續 4 個Epoch 沒有下降，則學習率值乘以 0. 50，學習率最小衰減值為 7.00×10^-5 。訓練完成后，網絡的損失與驗證精度趨于穩定（圖 10b）。

圖10 網絡模型的損失函數和學習率變化特征

4. 3 預測結果分析

上述網絡模型對“串珠”狀反射的識別性能優異（圖 11），且不依賴同相軸振幅能量變化，這使模型在不同地質條件下均能保持穩定的性能。研究區域主要發育裂縫—孔隙型儲層，斷裂系統在目標層段將多個獨立的溶洞（紅色箭頭處）串聯，極大增加了裂縫—孔隙型儲層的儲集空間，縫洞體空間分布和聚集與該區域斷裂系統發育程度強相關，這一結論為建立“斷控巖溶”儲層發育模式提供了關鍵證據。

綜上所述，本文的方法借助于斷裂系統與溶洞映射關系構建的鄰接矩陣，預測結果能夠描述溶洞與裂縫系統的連通性。這種多維度特征融合策略實現了地質先驗知識與數據驅動方法的有機統一，系統地揭示了研究區儲層特征的空間分布規律，為復雜地質條件下地震資料解釋的智能化轉型提供了新的技術路徑。

圖11 塔里木盆地塔中地區奧陶系良里塔格組縫洞體地震剖面及其識別結果疊合顯示黃色虛線為奧陶系頂面，暗紅色塊狀地質體為本文方法識別的良里塔格組縫洞儲集體，紅色箭頭所指的縫洞體在斷裂系統發育區聚集。

5 結束語

研究區的地震反射特征復雜，對于溶洞的檢測干擾較大。傳統識別方法依據“串珠”狀異常反射特征，采用人工方式刻畫溶洞的空間形態。當溶洞位于強能量同相軸下方時，由于強振幅的屏蔽和背景噪聲等的影響，溶洞識別效果一般不是很好。

本文引入地質先驗知識構建了知識圖譜體系，將鄰接矩陣作為一個約束項來修正多任務學習的斷裂系統任務分支，更新初始模型后，即可以在深度學習模型中引入地質先驗知識。以先驗知識引導與數據驅動相結合的方式，可實現縫洞體的智能識別。識別結果也進一步驗證了本文網絡模型能夠有效地分離縫洞體與背景雜亂反射。

參 考 文 獻

［1］ 曲壽利， 朱生旺， 趙群， 等. 碳酸鹽巖空洞型儲集體地震反射特征分析[J]. 地球物理學報， 2012， 55（6）：2053?2061.QU Shouli， ZHU Shengwang， ZHAO Qun， et al.Analysis of seismic reflection characters for carbonate

554 karst reservoir[J]. Chinese Journal of Geophysics， 2012， 55（6）： 2053?2061.

［2］ 張軍華， 劉振， 劉炳楊， 等. 強屏蔽層下弱反射儲層 特征分析及識別方法[J]. 特種油氣藏， 2012， 19（1）： 23?26. ZHANG Junhua， LIU Zhen， LIU Bingyang， et al. Analysis and identification of reservoir characteristics of weak reflectors under strong shielding layer[J]. Spe? cial Oil amp; Gas Reservoirs， 2012， 19（1）： 23?26.

［3］ 馬靈偉， 顧漢明， 李宗杰， 等. 正演模擬碳酸鹽巖縫 洞型儲層反射特征[J]. 石油地球物理勘探， 2015， 50（2）： 290?297. MA Lingwei， GU Hanming， LI Zongjie， et al. Simu? lation of carbonate fracture ? cavern reservoir reflection characteristics with forward modeling[J]. Oil Geo? physical Prospecting， 2015， 50（2）： 290?297.

［4］ 胡華鋒， 鮑典， 馬靈偉， 等. 基于高頻衰減梯度的碳 酸鹽巖溶洞儲集體規模識別方法— —以塔河油田巖 溶古河道溶洞儲集體為例[J]. 石油物探， 2018， 57（6）： 892?901. HU Huafeng， BAO Dian， MA Lingwei， et al. Scale characterization of carbonate karst cave reservoirs based on high ? requency attenuation gradient： A case study from karst paleochannels reservoirs in Tahe oil field， China[J]. Geophysical Prospecting for Petro? leum， 2018， 57（6）： 892?901.

［5］ 朱博華， 楊江峰， 呂秋玲， 等. 基于分頻成像的小尺 度 溶 洞 檢 測 [J]. 石 油 地 球 物 理 勘 探 ， 2018， 53（3）： 538?544. ZHU Bohua， YANG Jiangfeng， LYU Qiuling， et al. Small ? scale cave detection based on frequency seg? mented imaging[J]. Oil Geophysical Prospecting， 2018， 53（3）： 538?544.

［ 6 ］ WU X， LIANG L， SHI Y， et al. Multitask learning for local seismic image processing： fault detection， structure ? oriented smoothing with edge ? preserving， and seismic normal estimation by using a single convo? lutional neural network[J]. Geophysical Journal Inter? national， 2019， 219： 2097?2109.

［ 7］ WU X， LIANG L， SHI Y， et al. FaultSeg3D： Using synthetic data sets to train an end ?to?end convolutional neural network for 3D seismic fault segmentation[J]. Geophysics， 2019， 84（3）： IM35?IM45.

［ 8 ］ WU X， YAN S， QI J， et al. Deep learning for charac? terizing paleokarst collapse features in 3 ?D seismic im ? ages[J]. Journal of Geophysical Research： Solid Earth， 2020， 125（9）： 1?23.

［ 9 ］ YAN S， SUN X， WU X， et al. Building subsurface models with horizon?guided interpolation and deep learning： Applied to the Volve field[J]. Geophysics， 2021， 87（4）： B233?B245.

［10］ HUSSEIN M， STEWART R R， SACREY D， et al. Unsupervised machine learning using 3D seismic data applied to reservoir evaluation and rock type iden? tification[J]. Interpretation， 2021， 9（2）： T549?T568.

［11］ GENG Z， HU X， WU X， et al. Semi?supervised salt segmentation using mean teacher[J]. Interpretation， 2022， 10（3）： SE21?SE29.

［12］ BI Z， WU X， LI Z， et al. DeepISMNET： 3D im ? plicit structural modeling with convolutional neural net? work[J]. Geoscientific Model Development， 2022， 15（17）： 6841?6861.

［13］ 閆星宇， 李宗杰， 顧漢明， 等. 基于深度卷積神經網 絡的地震數據溶洞識別[J]. 石油地球物理勘探， 2022， 57（1）： 1?11. YAN Xingyu， LI Zongjie， GU Hanming， et al. Iden? tification of Karst caves in seismic data based on deep convolutional neural network[J]. Oil Geophysical Pros? pecting， 2022， 57（1）： 1?11.

［14］ 張傲， 李宗杰， 劉軍， 等 . 基于 Yolox 算法的碳酸鹽 巖儲層溶洞“串珠狀”異常反射智能檢測[J]. 石油地 球物理勘探， 2023， 58（3）： 540?549. ZHANG Ao， LI Zongjie， LIU Jun， et al. Intelligent detection of“bead?shaped”abnormal reflections in car bonate reservoir caves based on Yolox algorithm[J]. Oil Geophysical Prospecting， 2023， 58（3）： 540?549.

［15］ WU X， MA J， SI X， et al. Sensing prior constraints in deep neural networks for solving geophysical prob? lems[J]. PNAS， 2023， 120（23）： e2219573120.

［16］ YANG J， WU X， BI Z， et al. A multi ? task learning method for relative geologic time， horizons， and faults with prior information and transformer[J]. IEEE TGRS， 2023， 61（1）： 1?20.

［17］ YANG C， ZHANG X Y， MENG H， et al. A precise and refined identification method for carbonate bioreefs and prograding bodies guided by a knowledge graph [J]. Interpretation， 2024， 12（3）： T243?T251.

［18］ 楊存， 孟賀， 葉月明， 等. 沉積相智能地震識別技術 研 究 及 應 用 [J]. 石 油 地 球 物 理 勘 探 ， 2023， 58（3）： 528?539. YANG Cun， MENG He， YE Yueming， et al. Re? search and application of intelligent seismic identifica? tion technology of sedimentary facies[J]. Oil Geophysi? cal Prospecting， 2023， 58（3）： 528?539.

［19］ 楊存， 孟賀， 葉月明， 等. 知識圖譜引導的沉積相智 能地震識別技術[J]. 石油地球物理勘探， 2024， 59（1）： 38?50. YANG Cun， MENG He， YE Yueming， et al. Intelli? gent seismic identification technology of sedimentary facies guided by knowledge graph[J]. Oil Geophysical Prospecting， 2024， 59（1）： 38?50.

（本文編輯：謝結來）

作 者 簡 介

楊存 博士研究生，高級工程師，SEG 會員，1983 年生；2007 年獲中國石油大學（華東）信息與計算科學專業學士學位，2010 年獲中國石油大學（華東）地球探測與信息技術專業碩士學位，2024年開始攻讀中國科學技術大學資源與環境專業博士學位；現就職于中國石油天然氣股份有限公司杭州地質研究院，主要從事智能物探技術研發工作。