georesГеоресурсыGeoresources1608-50431608-5078Georesursy LLC10.18599/grs.2026.3.15geores-768Research ArticleСТАТЬИRESEARCH ARTICLESАвтоматизированное прослеживание сейсмических отражающих горизонтов по разреженной экспертной разметке методами глубокого обучения: апробация на клиноформных ачимовских отложениях севера Западной СибириReinforcement-Learning Tracking of Seismic Horizons From Sparse Expert Interpretation: A Case Study on the Achimov Clinoform Deposits of Northern West Siberiahttps://orcid.org/0000-0003-3276-7508БогоедовД. А.BogoedovD. A.

Даниил Александрович Богоедов – руководитель отдела R&D; специалист

Москва

Daniil Bogoedov – Head of R&D

Moscow

d.bogoedov@geoplat.comБезуховН. С.BezukhovN. S.

Никита Сергеевич Безухов – ведущий специалист по Data Science

Москва

Nikita Bezukhov – Lead Data Scientist

Moscow

ПавлюкА. И.PavliukA. I.

Анастасия Игоревна Павлюк – руководитель проектов

Москва

Anastasia Pavliuk – Head of Projects

Moscow

АвдеевП. А.AvdeevP. A.

Павел Александрович Авдеев – старший менеджер отдела продаж

Москва

Pavel Avdeev – Senior Sales Manager

Moscow

БазановА. К.BazanovA. K.

Андрей Константинович Базанов – директор по развитию бизнеса

Москва

Andrey Bazanov – Chief Business Development Officer (CBDO)

Moscow

ЕфремовИ. И.EfremovI. I.

Иван Игоревич Ефремов – генеральный директор

Москва

Igor Efremov – Chief Executive Officer (CEO)

Moscow

ШакировР. Р.ShakirovR. R.

Равиль Рамильевич Шакиров – директор департаментаподготовки ресурсной базы

Тюмень

Ravil R. Shakirov – Head of the Resource Base Department

Tyumen

ШаповаловМ. Ю.ShapovaloM. Yu.

Михаил Юрьевич Шаповалов – кандидат геол.-минерал. наук, старший эксперт

Тюмень

Mikhail Yu. Shapovalov – Cand Sci. (Geology and Mineralogy), Senior Expert

Tyumen

ООО «ГРИДПОИНТ ДАЙНАМИКС»; Сколковский институт науки и технологийРоссияGridPoint Dynamics LLC; Skolkovo Institute of Science and Technology (Skoltech)Russian FederationООО «ГРИДПОИНТ ДАЙНАМИКС»РоссияGridPoint Dynamics LLCRussian FederationООО «НОВАТЭК НТЦ»РоссияNOVATEK NTC LLCRussian Federation202608102026283107116Copyright © Богоедов Д.А., Безухов Н.С., Павлюк А.И., Авдеев П.А., Базанов А.К., Ефремов И.И., Шакиров Р.Р., Шаповалов М.Ю., 20262026Богоедов Д.А., Безухов Н.С., Павлюк А.И., Авдеев П.А., Базанов А.К., Ефремов И.И., Шакиров Р.Р., Шаповалов М.Ю.Bogoedov D.A., Bezukhov N.S., Pavliuk A.I., Avdeev P.A., Bazanov A.K., Efremov I.I., Shakirov R.R., Shapovalo M.Y.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/768

Структурная корреляция отражающих горизонтов остаётся одной из наиболее трудоёмких операций интерпретации сейсморазведки 3D, особенно в клиноформных неокомских разрезах Западной Сибири, где целевые отражения характеризуются изменчивой динамикой, выклиниванием и осложнены разрывными нарушениями. Прослеживание сейсмического горизонта является последовательной задачей, поэтому в работе оно формализовано как марковский процесс принятия решений и решено методом обучения с подкреплением. Агент, наблюдая локальный сейсмический контекст и историю уже проставленных пиков, на каждом шаге выбирает смещение горизонта на соседней трассе, а функция награды кодирует геофизические критерии: сходство волновой формы с опорным отражением по нормированной взаимной корреляции, фазовую согласованность, гладкость и ослабление штрафа за негладкость в зонах разрывных нарушений. Метод реализован в виде двухэтапной схемы: на первом этапе агент выполняет корреляцию по системе опорных сечений с задаваемым шагом, формируя сеть опорных точек горизонта, на втором – уплотняет результат до сплошной поверхности по всему объёму. Агент обучен в синтетической среде: сначала имитацией известных эталонных траекторий, затем дообучением с подкреплением; на вход подаётся разметка на одном или двух пересекающихся сечениях, а в сложных зонах вводится доразметка. Апробация на ачимовских отложениях одного из месторождений севера Западной Сибири показала согласованность с ручной корреляцией в пределах 10 мс на выдержанных интервалах. Обсуждаются ограничения и направления развития.

Structural correlation of reflection horizons remains one of the most labour-intensive operations in 3D seismic interpretation, particularly within the clinoform Neocomian sections of West Siberia, where target reflections show variable dynamics, pinch-outs and are complicated by faulting. Because horizon tracking is inherently sequential, we formulate it as a Markov decision process and solve it with reinforcement learning. Observing a local seismic context and the history of previously picked samples, an agent chooses, at each step, the vertical shift of the horizon on the adjacent trace; the reward function encodes geophysical criteria – waveform similarity to the reference reflection, phase consistency, lateral smoothness and fault tolerance. The method is implemented as a two-stage scheme: a policy first correlates the horizon over a grid of reference sections with a user-defined spacing, building a reliable network of anchors, and then densifies the result into a continuous surface across the whole volume. The agent is trained in a synthetic environment produced by forward full-wavefield modelling, with imitation pretraining on reference horizon trajectories; one or two intersecting reference sections suffice as input, and additional interpretation is introduced in complex zones. Tested on Achimov deposits of a field in Northern West Siberia, the approach agrees with manual correlation within 10 ms over conformable intervals. Limitations and directions for development are discussed.

отражающий горизонтсейсмическая корреляцияобучение с подкреплениеммарковский процесс принятия решенийсинтетические данныеклиноформаачимовская толщаЗападная Сибирьreflection horizonseismic correlationreinforcement learningMarkov decision processsynthetic dataclinoformAchimov formationWest SiberiaReferencesНаумов А.Л. (1977). К методике реконструкции рельефа дна Западно-Сибирского раннемелового бассейна. Геология и геофизика, 18(10), с. 38–47.Abubakar A., Di H., Li Z., Maniar H., Zhao T. (2024). An artificial intelligence workflow for horizon volume generation from 3D seismic data. The Leading Edge, 43(4), pp. 235–243. https://doi.org/10.1190/tle43040235.1Нежданов А.А., Пономарёв В.А., Туренков Н.А., Горбунов С.А. (2000). Геология и нефтегазоносность ачимовской толщи Западной Сибири. М.: Изд-во Академии горных наук, 247 с.Luo Y., Zhang G., Zhang J., Li Y., Lin Y., Li B., Liang C., Li L. (2023). Sequence-constrained multitask horizon tracking. Geophysics, 88(2), pp. IM15–IM27.Abubakar A., Di H., Li Z., Maniar H., Zhao T. (2024). An artificial intelligence workflow for horizon volume generation from 3D seismic data. The Leading Edge, 43(4), pp. 235–243. https://doi.org/10.1190/tle43040235.1Mattos A.B., Civitarese D., Szwarcman D., Oliveira M., Zaytsev S., Semin D.G., Oliveira D.A.B. (2021). Enabling robust horizon picking from small training sets. IEEE Transactions on Geoscience and Remote Sensing, 59(6), pp. 5317–5324. https://doi.org/10.1109/TGRS.2020.3010124Luo Y., Zhang G., Zhang J., Li Y., Lin Y., Li B., Liang C., Li L. (2023). Sequence-constrained multitask horizon tracking. Geophysics, 88(2), pp. IM15–IM27.Mnih V., Kavukcuoglu K., Silver D., Rusu A.A., Veness J., Bellemare M.G., Graves A., Riedmiller M., Fidjeland A.K., Ostrovski G., Petersen S., Beattie C., Sadik A., Antonoglou I., King H., Kumaran D., Wierstra D., Legg S., Hassabis D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), pp. 529–533. https://doi.org/10.1038/nature14236Mattos A.B., Civitarese D., Szwarcman D., Oliveira M., Zaytsev S., Semin D.G., Oliveira D.A.B. (2021). Enabling robust horizon picking from small training sets. IEEE Transactions on Geoscience and Remote Sensing, 59(6), pp. 5317–5324. https://doi.org/10.1109/TGRS.2020.3010124Naumov A.L. (1977). On the methodology for reconstructing the bottom relief of the West Siberian Early Cretaceous basin. Russian Geology and Geophysics, 18(10), pp. 38–47. (In Russ.)Mnih V., Kavukcuoglu K., Silver D., Rusu A.A., Veness J., Bellemare M.G., Graves A., Riedmiller M., Fidjeland A.K., Ostrovski G., Petersen S., Beattie C., Sadik A., Antonoglou I., King H., Kumaran D., Wierstra D., Legg S., Hassabis D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), pp. 529–533. https://doi.org/10.1038/nature14236Nezhdanov A.A., Ponomarev V.A., Turenkov N.A., Gorbunov S.A. (2000). Geology and petroleum potential of the Achimov strata of West Siberia. Moscow: Academy of Mining Sciences Publ., 247 p. (In Russ.)Ronneberger O., Fischer P., Brox T. (2015). U-Net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, Lecture Notes in Computer Science, 9351, 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. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, Lecture Notes in Computer Science, 9351, pp. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28Schulman J., Wolski F., Dhariwal P., Radford A., Klimov O. (2017). Proximal policy optimization algorithms. arXiv preprint arXiv:1707.06347. https://doi.org/10.48550/arXiv.1707.06347Schulman J., Wolski F., Dhariwal P., Radford A., Klimov O. (2017). Proximal policy optimization algorithms. arXiv preprint arXiv:1707.06347. https://doi.org/10.48550/arXiv.1707.06347Sheng S. (2023). Automatic horizon picking using multiple seismic attributes and Markov decision process. Remote Sensing, 15(3), 552. https://doi.org/10.3390/rs15030552Sheng S. (2023). Automatic horizon picking using multiple seismic attributes and Markov decision process. Remote Sensing, 15(3), 552. https:// doi.org/10.3390/rs15030552 Stark T.J. (2004). Relative geologic time (age) volumes – relating every seismic sample to a geologically reasonable horizon. The Leading Edge, 23(9), pp. 928–932. https://doi.org/10.1190/1.1803499Stark T.J. (2004). Relative geologic time (age) volumes – relating every seismic sample to a geologically reasonable horizon. The Leading Edge, 23(9), pp. 928–932. https://doi.org/10.1190/1.1803499Su M., Qian F., Cui S., Yuan C., Cui X. (2023). Research on a 3D seismic horizon automatic-tracking method based on corrugated global diffusion. Applied Sciences, 13(10), 6155. https://doi.org/10.3390/app13106155Su M., Qian F., Cui S., Yuan C., Cui X. (2023). Research on a 3D seismic horizon automatic-tracking method based on corrugated global diffusion. Applied Sciences, 13(10), 6155. https://doi.org/10.3390/app13106155Sutton R.S., Barto A.G. (2018). Reinforcement learning: an introduction. 2nd ed. Cambridge, MA: MIT Press, 552 p.Sutton R.S., Barto A.G. (2018). Reinforcement learning: an introduction. 2nd ed. Cambridge, MA: MIT Press, 552 p.Tschannen V., Delescluse M., Ettrich N., Keuper J. (2020). Extracting horizon surfaces from 3D seismic data using deep learning. Geophysics, 85(3), pp. N17–N26. https://doi.org/10.1190/geo2019-0569.1Tschannen V., Delescluse M., Ettrich N., Keuper J. (2020). Extracting horizon surfaces from 3D seismic data using deep learning. Geophysics, 85(3), pp. N17–N26. https://doi.org/10.1190/geo2019-0569.1Wu H., Zhang B., Lin T., Cao D., Lou Y. (2019). Semiautomated seismic horizon interpretation using the encoder–decoder convolutional neural network. Geophysics, 84(5), pp. B403–B417. https://doi.org/10.1190/geo2018-0672.1Wu H., Zhang B., Lin T., Cao D., Lou Y. (2019). Semiautomated seismic horizon interpretation using the encoder–decoder convolutional neural network. Geophysics, 84(5), pp. B403–B417. https://doi.org/10.1190/geo2018-0672.1Wu X., Hale D. (2015). Horizon volumes with interpreted constraints. Geophysics, 80(2), pp. IM21–IM33. https://doi.org/10.1190/geo2014-0212.1Wu X., Hale D. (2015). Horizon volumes with interpreted constraints. Geophysics, 80(2), pp. IM21–IM33. https://doi.org/10.1190/geo2014-0212.1Yang L., Sun S.Z. (2020). Seismic horizon tracking using a deep convolutional neural network. Journal of Petroleum Science and Engineering, 187, 106709. https://doi.org/10.1016/j.petrol.2019.106709Yang L., Sun S.Z. (2020). Seismic horizon tracking using a deep convolutional neural network. Journal of Petroleum Science and Engineering, 187, 106709. https://doi.org/10.1016/j.petrol.2019.106709Yang L., Sun S.Z. (2020). Seismic horizon tracking using a deep convolutional neural network. Journal of Petroleum Science and Engineering, 187, 106709. https://doi.org/10.1016/j.petrol.2019.106709

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