摘要:速度谱拾取是地震数据处理的重要环节,传统的速度谱拾取方法通常需要人工干预,耗时、耗力且容易出错。因此,提出了基于单次目标检测v8(You Only Look Once v8,简称YOLOv8)神经网络的智能速度谱拾取技术,通过将速度谱数据转换为图像识别问题,实现了速度谱拾取的自动化和智能化。此项技术的核心方法是将速度谱数据转换图像,然后输入到构建的YOLOv8神经网络模型中,通过模型中的特征提取网络学习速度谱图像中的能量团空间信息,再通过特征融合网络将提取的浅、中、深层不同尺度的能量团特征进行融合,更全面地捕捉该图像的能量团特征,进而通过检测头部分精细预测能量团目标,获得速度谱图像对应不同拾取位置的像素点,将像素点进行对应换算,最终得到“时间-速度”对数据。针对中国石化江苏油田GY探区火成岩发育、多次波干扰强等特点,构建了包含1 200张速度谱图像的数据集,通过优化训练参数,模型准确度和召回率均达到90%左右。YOLOv8神经网络的智能速度谱拾取技术在高覆盖区域与人工拾取的速度曲线吻合度超过94%;在覆盖区域3 500 ms以上吻合度超过90%;在火成岩和断裂发育区域吻合度约92%。与传统卷积神经网络(CNN)方法相比,YOLOv8神经网络的智能速度谱拾取技术拾取点更多、位置更准确,且单张速度谱处理时间仅需10 ms,效率提升显著。此项技术为地震资料处理提供了高效、准确的智能解决方案,具有重要的推广应用价值。
摘要:位于新疆准噶尔盆地西北部的玛湖油田,是全球最大的砾岩油田之一,其储量规模已达10亿吨级。然而,油田储层物性较差、非均质性强,给油气资源的高效开发带来了巨大挑战。高效开发油气资源的关键,在于精确识别有工业生产价值的储层,即那些油气产能较高且开发成本较低的区域。针对准噶尔盆地玛湖凹陷油气储层评价的复杂性,研究提出了一种基于集成算法的油气储层价值预测模型——OGRV(Oil and Gas Reservoir Value)。研究首先深入分析了玛湖凹陷的地质特征与油气勘探现状,随后构建了一个融合随机森林(RF)、长短期记忆网络(LSTM)和卷积神经网络(CNN)的集成算法,以此提升储层评价的准确性与泛化能力。在具体实施阶段,通过系统开展预处理与特征工程,提取了关键特征参数,并结合领域专家知识,构建了增维特征,例如烃湿度比、烃平衡比和烃特征比。此外,引入滑动窗口技术追踪特征随深度的变化趋势,利用相似井的类别信息作为先验知识来增强模型的预测能力。最终,通过集成不同模型的优势,构建了一个精确且鲁棒的储层评价算法,该算法能有效识别玛湖凹陷区域中具有工业生产价值的储层,在测试集上的F1分数(F1 Score)、准确率(Accuracy)和曲线下面积(AUC)值分别达到0.847 0、0.772 5和0.781 0。研究还深入探讨了模型的可解释性,旨在为地质学家阐明模型的决策机制,助力其在油气勘探和开发领域中做出更明智的决策。