georesГеоресурсыGeoresources1608-50431608-5078Georesursy LLC10.18599/grs.2026.3.9geores-762Research ArticleСТАТЬИRESEARCH ARTICLESОбъёмное выделение палеорусловых тел в интервале интересов по сейсмическим данным на основе синтетического обучения нейронной сетиVolumetric Delineation of Paleochannel Bodies within an Interval of Interest from Seismic Data Based on Synthetic Training of a Neural NetworkСорокинА. Е.SorokinA. E

Андрей Евгеньевич Сорокин – специалист 1 категории отдела интерпретации данных СРР

Тюмень

Andrey E. Sorokin – Specialist (Category I), Department of the Seismic Data Interpretation

Tyumen

sorandr_01@mail.ruШакировР. Р.ShakirovR. R.

Равиль Рамильевич Шакиров – директор департамента ресурсной базы

Тюмень

Ravil R. Shakirov – Head of the Resource Base Department

Tyumen

ООО «НОВАТЭК НТЦ»РоссияNOVATEK NTC LLCRussian Federation2026081020262834653Copyright © Сорокин А.Е., Шакиров Р.Р., 20262026Сорокин А.Е., Шакиров Р.Р.Sorokin A.E., Shakirov R.R.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.geors.ru/jour/article/view/762

Выделение палеорусловых тел по сейсмическим данным остаётся одной из практических задач прогноза литолого-фациальной неоднородности терригенных коллекторов. В работе рассмотрена методика послойного выделения палеорусловых объектов в интервале исследований, ограниченном двумя отражающими горизонтами, с применением нейронной сети, обученной на синтетических примерах, и последующим построением объёмной модели вероятности наличия палеорусел. Целевой интервал разбивается между опорными горизонтами на пропорциональные срезы; для каждого уровня формируется композит, где цветовые каналы R, G и B заполняются амплитудами соседних уровней. Важно отметить, что такой подход лучшим образом отражает вертикальную изменчивость волнового поля, в отличие от частотно-цветовых композитов, получаемых методом спектральной декомпозиции. После чего рассчитывается вероятностная карта объектов руслового типа. Обучающая выборка создаётся путём наложения шаблонов современной речной морфологии, подготовленных на основе открытых источников, на реальные сейсмические фоны с вариациями масштаба, контраста, яркости, инверсии и шума. На этапе применения сопоставляются глобальный и локальный прогнозы, используются тестовая аугментация, несколько вариантов локального контрастирования, скользящее окно с весовой функцией Ханна и морфологическая постобработка. Итогом является серия карт вероятности наличия русловых тел, которую можно использовать для предварительного прослеживания внутри пласта. Методика рассматривается как инструмент поддержки интерпретатора сейсмических данных и седиментолога, а не как самостоятельная замена геолого-геофизического анализа.

Delineation of paleochannel bodies from seismic data remains one of the practical tasks in predicting the lithofacies heterogeneity of terrigenous reservoirs. The paper presents a method for layer-by-layer delineation of paleochannel objects within a study interval bounded by two reflecting horizons using a neural network trained on synthetic examples, followed by construction of a volumetric probability model of paleochannel occurrence. The target interval is divided between the reference horizons into proportional slices; for each level, a composite is generated in which the R, G, and B color channels are filled with amplitudes from adjacent levels. Importantly, this approach better reflects the vertical variability of the seismic wavefield than frequencycolor composites obtained by spectral decomposition. A probability map of channel-type objects is then calculated. The training dataset is created by superimposing templates of modern river morphology prepared from open sources onto real seismic backgrounds, with variations in scale, contrast, brightness, inversion, and noise. At the application stage, global and local predictions are compared; test-time augmentation, several variants of local contrast enhancement, a sliding window with a Hann weighting function, and morphological post-processing are used. The result is a series of probability maps of channel bodies that can be used for preliminary tracking within the reservoir interval. The method is considered a support tool for seismic interpreters and sedimentologists rather than a standalone replacement for geological and geophysical analysis.

палеоруслопалеорусловые системысейсмическая интерпретацияобъёмный прогнознейронные сетиискусственный интеллектсинтетическое обучениеpaleochannelpaleochannel systemsseismic interpretationvolumetric predictionneural networksartificial intelligencesynthetic trainingReferencesАлексеева П.А., Калугин А.А., Кирьянова Т.Н. (2022). Выделение палеорусел в отложениях тюменской свиты с использованием нейронной сети по данным 3D-сейсморазведки. Геофизика, (3), с. 9–15. DOI: 10.34926/geo.2022.44.85.001Alekseeva P.A., Kalugin A.A., Kiryanova T.N. (2022). Delineation of Paleochannels in the Tyumen Formation Deposits Using a Neural Network Based on 3D Seismic Data. Geofizika, (3), pp. 9–15. (In Russ.) DOI: 10.34926/geo.2022.44.85.001Конторович А.Э. и др. (2013). Палеогеография Западно-Сибирского осадочного бассейна в юрском периоде. Геология и геофизика, 54(8), с. 972–1012.Bergen K.J., Johnson P.A., de Hoop M.V., Beroza G.C. (2019). Machine learning for data-driven discovery in solid Earth geoscience. Science, 363(6433), DOI: 10.1126/science.aau0323Конторович А.Э. и др. (2014). Палеогеография Западно-Сибирского осадочного бассейна в меловом периоде. Геология и геофизика, 55(5–6), с. 745–776. DOI: 10.15372/GiG20140504Boyd R., Dalrymple R.W., Zaitlin B.A. (2006). Estuarine and incisedvalley facies models. In: Posamentier H.W., Walker R.G. (eds.), Facies Models Revisited. SEPM Special Publication, 84, pp. 171–235. https://doi.org/10.2110/pec.06.84.0171Куприянова Е.К. и др. (2020). Новый методический подход к оценке характеристик палеорусловых тел по результатам атрибутного анализа в различных геологических условиях. Геология и минерально-сырьевые ресурсы Сибири, (3(43)), с. 23–29. DOI: 10.20403/2078-0575-2020-3-23-29Catuneanu O., Galloway W.E., Kendall C.G.St.C., Miall A.D., Posamentier H.W., Strasser A., Tucker M.E. (2011). Sequence stratigraphy: methodology and nomenclature. Newsletters on Stratigraphy, 44(3), pp. 173–245. DOI: 10.1127/0078-0421/2011/0011Мирошниченко Д.Е., Алексеева П.А., Кирьянова Т.Н., Керусов И.Н., Баранцев А.А. (2024). Опыт исследования строения русловых систем с использованием сверточных нейронных сетей. В сборнике: EAGE Conference & Exhibition «Санкт-Петербург 2024». Санкт-Петербург, 8–11 апреля 2024 г.Chopra S., Marfurt K.J. (2007). Seismic Attributes for Prospect Identification and Reservoir Characterization. Tulsa: Society of Exploration Geophysicists, 456 p. (SEG Geophysical Developments Series No. 11). https://doi.org/10.1190/1.9781560801900Ольнева Т.В., Жуковская Е.А. (2016). Сейсмовидение геологических процессов и явлений: русловые отложения континентальных обстановок осадконакопления. Геофизика, (2), с. 2–9.Daroya R., Rowley T., Flores J., Friedmann E., Bennitt F., An H., Simmons T., Hughes M.J., Kluetmeier C.L., Kica S., Vélez J.D., Esenther S.E., Howard T.E., Ye Y., Turcotte A., Gleason C., Maji S. (2025). RiverScope: High-Resolution River Masking Dataset. DOI: 10.5281/zenodo.15376394Ольнева Т.В., Жуковская Е.А., Муртазин Д.Г. (2018). Влияние типа меандрирования палеорусел на потенциальный объем литологической ловушки и эффективность геологоразведочных работ. Геофизика, (4), с. 75–81.Dramsch J.S. (2020). 70 years of machine learning in geoscience in review. Advances in Geophysics, pp. 1–55. https://doi.org/10.1016/bs.agph.2020.08.002Ольнева Т.В., Орешкова М.Ю., Буторин А.В., Егоров А.С. (2024). Морфометрический подход к количественной оценке мощностей отложений меандрирующих палеорусел тюменской свиты Западно-Сибирской нефтегазоносной провинции. Георесурсы, 26(3), с. 143–150. https://doi.org/10.18599/grs.2024.3.15Hart B.S. (2008). Channel detection in 3-D seismic data using sweetness. AAPG Bulletin, 92(6), pp. 733–742. https://doi.org/10.1306/02050807127Сахнюк В.И. и др. (2022). Применение методов машинного обучения при интерпретации данных ГИС викуловской свиты. Георесурсы, 24(2), с. 230–238. https://doi.org/10.18599/grs.2022.2.21Kontorovich A.E., Kontorovich V.A., Ryzhkova S.V., Shurygin B.N., Vakulenko L.G., Gaideburova E.A., Danilova V.P., Kazanenkov V.A., Kim N.S., Kostyreva E.A., Moskvin V.I., Yan P.A. (2013). Jurassic paleogeography of the West Siberian sedimentary basin. Russian Geology and Geophysics, 54(8). pp. 972–1012. (In Russ.)Bergen K.J., Johnson P.A., de Hoop M.V., Beroza G.C. (2019). Machine learning for data-driven discovery in solid Earth geoscience. Science, 363(6433), DOI: 10.1126/science.aau0323Kontorovich A.E., Ershov S.V., Kazanenkov V.A., Karogodin Yu.N., Kontorovich V.A., Lebedeva N.K., Nikitenko B.L., Popova N.I., Shurygin B.N. (2014). Cretaceous paleogeography of the West Siberian sedimentary basin. Russian Geology and Geophysics, 55(5–6), pp. 745–776. (In Russ.) DOI: 10.15372/GiG20140504Boyd R., Dalrymple R.W., Zaitlin B.A. (2006). Estuarine and incisedvalley facies models. In: Posamentier H.W., Walker R.G. (eds.), Facies Models Revisited. SEPM Special Publication, 84, pp. 171–235. https://doi.org/10.2110/pec.06.84.0171Kupriyanova E.K., Saifutdinov R.Sh., Moiseev S.V., Kerusov I.N., Alekseeva P.A., Vorobyova L.F. (2020). A New Methodological Approach to the Assessment of Paleochannel Body Characteristics Based on Attribute Analysis in Various Geological Conditions. Geology and Mineral Resources of Siberia, 3(43), pp. 23–29. (In Russ.) DOI: 10.20403/2078-0575-2020-3-23-29Catuneanu O., Galloway W.E., Kendall C.G.St.C., Miall A.D., Posamentier H.W., Strasser A., Tucker M.E. (2011). Sequence stratigraphy: methodology and nomenclature. Newsletters on Stratigraphy, 44(3), pp. 173–245. DOI: 10.1127/0078-0421/2011/0011Lin T., Goyal P., Girshick R., He K. & Dollar P. (2017). Focal Loss for Dense Object Detection. 2017 IEEE International Conference on Computer Vision (ICCV), pp. 2999–3007. https://doi.org/10.1109/ICCV.2017.324Chopra S., Marfurt K.J. (2007). Seismic Attributes for Prospect Identification and Reservoir Characterization. Tulsa: Society of Exploration Geophysicists, 456 p. (SEG Geophysical Developments Series No. 11). https://doi.org/10.1190/1.9781560801900Miroshnichenko D.E., Alekseeva P.A., Kiryanova T.N., Kerusov I.N., Barantsev A.A. (2024). Experience in studying the structure of channel systems using convolutional neural networks. EAGE Conference & Exhibition “Saint Petersburg 2024”, Saint Petersburg, April 8–11, 2024.Daroya R., Rowley T., Flores J., Friedmann E., Bennitt F., An H., Simmons T., Hughes M.J., Kluetmeier C.L., Kica S., Vélez J.D., Esenther S.E., Howard T.E., Ye Y., Turcotte A., Gleason C., Maji S. (2025). RiverScope: High-Resolution River Masking Dataset. DOI: 10.5281/zenodo.15376394Olneva T.V., Zhukovskaya E.A. (2016). Seismic Vision of Geological Processes and Phenomena: Channel Deposits of Continental Sedimentary Environments. Geofizika, (2), pp. 2–9. (In Russ.)Dramsch J.S. (2020). 70 years of machine learning in geoscience in review. Advances in Geophysics, pp. 1–55. https://doi.org/10.1016/bs.agph.2020.08.002Olneva T.V., Zhukovskaya E.A., Murtazin D.G. (2018). Influence of Paleochannel Meandering Type on the Potential Volume of Lithological Trap and the Efficiency of Geological Exploration. Geofizika, (4), pp. 75–81. (In Russ.)Hart B.S. (2008). Channel detection in 3-D seismic data using sweetness. AAPG Bulletin, 92(6), pp. 733–742. https://doi.org/10.1306/02050807127Olneva T.V., Oreshkova M.Yu., Butorin A.V., Egorov A.S. (2024). Morphometric Approach to Quantitative Assessment of Thickness of Sediments Meandering Paleochannels of the Tyumen Formation of the West Siberian Oil and Gas Basin. Georesursy = Georesources, 26(3), pp. 143–150. (In Russ.) https://doi.org/10.18599/grs.2024.3.15Lin T., Goyal P., Girshick R., He K. & Dollar P. (2017). Focal Loss for Dense Object Detection. 2017 IEEE International Conference on Computer Vision (ICCV), pp. 2999–3007. https://doi.org/10.1109/ICCV.2017.324Pekel J., Cottam A., Gorelick N. & Belward A.S. (2016). High-resolution mapping of global surface water and its long-term changes. Nature, 540(7633), pp. 418–422. https://doi.org/10.1038/nature20584Pekel J., Cottam A., Gorelick N. & Belward A.S. (2016). High-resolution mapping of global surface water and its long-term changes. Nature, 540(7633), pp. 418–422. https://doi.org/10.1038/nature20584Posamentier H.W. (2001). Lowstand Alluvial Bypass Systems: Incised vs. Unincised. AAPG Bulletin, 85(10), pp. 1771–1793. https://doi.org/10.1306/8626d06d-173b-11d7-8645000102c1865dPosamentier H.W. (2001). Lowstand Alluvial Bypass Systems: Incised vs. Unincised. AAPG Bulletin, 85(10), pp. 1771–1793. https://doi.org/10.1306/8626d06d-173b-11d7-8645000102c1865dPosamentier H.W., Davies R.J., Cartwright J.A. & Wood L. (2007). Seismic geomorphology - an overview. Geological Society, London, Special Publications, 277(1), pp. 1–14. https://doi.org/10.1144/GSL.SP.2007.277.01.01Posamentier H.W., Davies R.J., Cartwright J.A. & Wood L. (2007). Seismic geomorphology - an overview. Geological Society, London, Special Publications, 277(1), pp. 1–14. https://doi.org/10.1144/GSL. SP.2007.277.01.01Ronneberger O., Fischer P. & Brox T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Lecture Notes in Computer Science, pp. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28Ronneberger O., Fischer P. & Brox T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Lecture Notes in Computer Science, pp. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28Sakhnyuk V.I., Novikov E.V., Sharifullin A.M., Belokhin V.S., Antonov A.P., Karpushin M.U., Bolshakova M.A., Afonin S.A., Sautkin R.S., Suslova A.A. (2022). Machine learning applications for well-logging interpretation of the Vikulov Formation. Georesursy = Georesources, 24(2), pp. 230–238. (In Russ.) https://doi.org/10.18599/grs.2022.2.21Wu X., Liang L., Shi Y. & Fomel S. (2019). FaultSeg3D: Using synthetic data sets to train an end-to-end convolutional neural network for 3D seismic fault segmentation. Geophysics, 84(3), IM35–IM45. https://doi.org/10.1190/geo2018-0646.1Wu X., Liang L., Shi Y. & Fomel S. (2019). FaultSeg3D: Using synthetic data sets to train an end-to-end convolutional neural network for 3D seismic fault segmentation. Geophysics, 84(3), IM35–IM45. https://doi.org/10.1190/geo2018-0646.1

The authors declare that there are no conflicts of interest present.