Объёмное выделение палеорусловых тел в интервале интересов по сейсмическим данным на основе синтетического обучения нейронной сети

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.

1. Алексеева 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.2022.44.85.001

2. Конторович А.Э. и др. (2013). Палеогеография Западно-Сибирского осадочного бассейна в юрском периоде. Геология и геофизика, 54(8), с. 972–1012.

3. Конторович 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/GiG20140504

4. Куприянова 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: 10.20403/2078-0575-2020-3-23-29

5. Мирошниченко 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.

6. Ольнева Т.В., Жуковская Е.А. (2016). Сейсмовидение геологических процессов и явлений: русловые отложения континентальных обстановок осадконакопления. Геофизика, (2), с. 2–9.

7. Ольнева 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.

8. Ольнева 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.2024.3.15

9. Сахнюк 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.2022.2.21

10. 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.aau0323

11. Boyd 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.06.84.0171

12. Catuneanu 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: 10.1127/0078-0421/2011/0011

13. 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/10.1190/1.9781560801900

14. 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.15376394

15. 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.2020.08.002

16. Hart B.S. (2008). Channel detection in 3-D seismic data using sweetness. AAPG Bulletin, 92(6), pp. 733–742. https://doi.org/10.1306/02050807127

17. Lin 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.2017.324

18. Pekel 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/nature20584

19. Posamentier H.W. (2001). Lowstand Alluvial Bypass Systems: Incised vs. Unincised. AAPG Bulletin, 85(10), pp. 1771–1793. https://doi.org/10.1306/8626d06d-173b-11d7-8645000102c1865d

20. Posamentier 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.2007.277.01.01

21. Ronneberger 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_28

22. Wu 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