Автоматизированное прослеживание сейсмических отражающих горизонтов по разреженной экспертной разметке методами глубокого обучения: апробация на клиноформных ачимовских отложениях севера Западной Сибири

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.

1. Наумов А.Л. (1977). К методике реконструкции рельефа дна Западно-Сибирского раннемелового бассейна. Геология и геофизика, 18(10), с. 38–47.

2. Нежданов 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.

3. 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/tle43040235.1

4. 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.

5. Mattos 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.2020.3010124

6. 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/nature14236

7. 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_28

8. Schulman 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.1707.06347

9. Sheng S. (2023). Automatic horizon picking using multiple seismic attributes and Markov decision process. Remote Sensing, 15(3), 552. https://doi.org/10.3390/rs15030552

10. 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/10.1190/1.1803499

11. Su 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/app13106155

12. Sutton R.S., Barto A.G. (2018). Reinforcement learning: an introduction. 2nd ed. Cambridge, MA: MIT Press, 552 p.

13. 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/geo2019-0569.1

14. Wu 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/geo2018-0672.1

15. Wu X., Hale D. (2015). Horizon volumes with interpreted constraints. Geophysics, 80(2), pp. IM21–IM33. https://doi.org/10.1190/geo2014-0212.1

16. Yang 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