智能物探技术的过去、现在与未来.pdf

第 36 卷 第 2 期2024 年 3 月岩性油气藏LITHOLOGIC RESERVOIRSVol.36 No.2Mar.2024杨午阳等：智能物探技术的过去、现在与未来收稿日期：2023-07-10；修回日期：2023-08-03；网络发表日期：2023-10-27基金项目：中国石油天然气集团公司前瞻性基础性项目“物探采集处理解释关键技术研究”（编号：2021DJ37）资助。第一作者：杨午阳（1969），男，博士，教授级高级工程师，主要从事物探方法研究与地学软件开发工作。地址：（730020）甘肃省兰州市城关区雁儿湾路 535 号。Email：。通信作者：魏新建（1976），男，硕士，高级工程师，主要从地学软件开发工作。Email：wei_。文章编号：1673-8926（2024）02-0170-19DOI：10.12108/yxyqc.20240216引用：杨午阳，魏新建，李海山.智能物探技术的过去、现在与未来 J.岩性油气藏，2024，36（2）：170-188.Cite：YANG Wuyang，WEI Xinjian，LI Haishan.The past，present and future of intelligent geophysical technology J.LithologicReservoirs，2024，36（2）：170-188.智能物探技术的过去、现在与未来杨午阳，魏新建，李海山（中国石油勘探开发研究院 西北分院，兰州 730020）摘要：通过梳理国内外人工智能技术在地球物理勘探（物探）领域中的发展历程、主要研究进展以及发展方向，总结了智能物探的优势和面临的难题，并提出了解决方案。研究结果表明：物探技术在人工智能发展的第2次浪潮中开始与人工智能技术相结合，得益于物探领域数据量的指数级增长、硬件算力的高速发展以及不断出现的新深度学习框架，智能物探技术从早期的机器学习发展为目前的深度学习，在地震资料处理、解释等方面的应用中取得了大量研究成果。目前智能物探技术被广泛应用于标签集的构建、去噪、断裂检测、层位与层序解释、地震相分类和异常体检测、岩性识别与油气藏开发、地震反演成像等方面，大幅提高了工作效率，降低了工作成本，克服了人工交互操作和人工经验的主观性和不可靠性，助力打破传统物探技术瓶颈。智能物探技术的发展面临着缺少公开的标签数据集、缺少解决地球物理领域问题的智能化框架及尚未形成适用于地球物理领域共享的智能化开发平台等难题，可以从解决数据基础、构建智能平台、开展网络架构基础性研究及与应用场景结合等方面着手解决；此外，智能物探技术的发展方向还包含智能地震成像方法研究，储层成像方法研究，油气大数据挖掘、智能风险评估与智能决策以及超算软件装备研发等方面。关键词：智能物探；大数据；人工智能；机器学习；深度学习；标签数据集；深度学习框架；智能处理与解释；地震资料中图分类号：TP18；P618.13文献标志码：AThe past，present and future of intelligent geophysical technologyYANG Wuyang，WEI Xinjian，LI Haishan（PetroChina Research Institute of Petroleum Exploration&Development-Northwest，Lanzhou 730020，China）Abstract：By reviewing the development history，main research progress，and development direction of artificial intelligence technology in the field of geophysical exploration（geophysical exploration）both domesticallyand internationally，the advantages and challenges of intelligent geophysical exploration were summarized，andsolutions were proposed.The results show that：（1）Geophysical technology was integrated with artificial intelligence technology in the second wave of artificial intelligence development.Thanks to the exponential growth ofdata volume in the field of geophysical exploration，the rapid development of hardware computing power，andthe emergence of new deep learning frameworks，intelligent geophysical technology has developed from early杨午阳等：智能物探技术的过去、现在与未来2024 年171machine learning to current deep learning，and has achieved a large number of research results in seismic dataprocessing and interpretation.（2）At present，intelligent geophysical technology is widely used in the construction of tag sets，denoising，fault detection，layer and sequence interpretation，seismic facies classification andanomaly detection，lithology identification and reservoir development，and seismic inversion imaging，greatlyimproving work efficiency，reducing work costs，overcoming the subjectivity and unreliability of manual interaction and experience，and helping to break the bottleneck of traditional geophysical technology.（3）The development of intelligent geophysical technology faces challenges such as a lack of publicly available label datasets，alack of intelligent frameworks to solve problems in the field of geophysics，and the lack of an intelligent developmentplatform suitable for sharing in the field of geophysics.These challenges can be addressed by addressing data infra-structure，building intelligent platforms，conducting basic research on network architecture，and combining itwith application scenarios.In addition，the development direction of intelligent geophysical technology also includesthe following aspects：research on intelligent seismic imaging methods，reservoir imaging methods，oil and gasbig data mining，intelligent risk assessment and intelligent decision-making，and research and development of super-computing software equipment.Key words：intelligent geophysical exploration；big data；artificial intelligence；machine learning；deep learning；labeled datasets；deep learning framework；intelligent processing and interpretation；seismic data0引言人工智能（Artificial Intelligence，AI）这一概念首次被提出并被进行系统科学的思考，当属英国数学家阿兰图灵在 1950 年发表的 Computing Machinery and Intelligence 一书中提到：“我提议大家考虑一下 机器能思考 的问题”。随后，在 1956 年的达特茅斯学院召开的学术会议上，人工智能被正式定义为一个研究领域1。在工业化、信息化、科技化的今天，人类需要用智能机器去扩展和延伸自身的能力，解放体力和脑力劳动，实现人类社会的全面自动化和智能化。人工智能技术正以试图解开人类智能的本质为目标，已研发出了一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人2-6、自然语言处理7-10、计算机视觉11-13、图像处理14-15、语音识别16-17等。人工智能已经成为新一轮科技革命和产业变革的核心驱动力，世界各国纷纷抢滩布局，成为彰显创新实力的必争之地。2018 年5月28日，习近平总书记在两院院士大会上指出，“要推进互联网、大数据、人工智能和实体经济深度融合，要以智能制造为主攻方向推动产业技术变革和优化升级”。在物探领域，人工智能的研究与应用是物探技术升级转型的标志，也是未来物探技术发展的标志性技术。全球各大油公司、油服公司为赢得市场竞争，抢占技术先机，纷纷开展智能化物探技术研发。近日壳牌宣布和微软扩大合作，在石油行业大规模推广人工智能，与此同时，人工智能在油气领域内的应用日益广泛，智慧油田、智慧炼厂、智慧管道、智能物探、智能测井和智能钻完井等新事物层出不穷。通过对人工智能技术及其在地球物理勘探领域的发展历程、发展现状以及发展方向的综述，指出当前智能化物探技术发展需要解决的一些关键问题，并给出推动智能化物探技术健康发展的建议，以期为推动智能化物探技术的健康发展提供参考。1智能物探的发展人工智能已经成为一个当前最活跃的具有众多实际应用场景的研究领域，并且还在蓬勃发展。深度学习（deep learning，简称 DL）作为一种特定类型的机器学习，具有强大的能力和灵活性，可以将大千世界表示为嵌套的层次概念体系，由比较简单概念间的联系定义复杂概念，从一般抽象概括到高级抽象表示，是通向人工智能的有效途径之一。早期的人工智能，通常依靠对规则硬编码方式来实现，这其实是一个笨拙的过程，仅仅适合于解决明确的逻辑性问题。依靠硬编码的知识体系面临的诸多难题表明，人工智能系统必须具备自己获取知识的能力，这就是目前机器学习和深度学习应用的核心思想“用数据编程”。近几年来，依靠大数据集、强大的硬件算力以及卷积神经网络（CNN）、循环神经网络（RNN）、深度神经网络（DNN）等架构思想，深度学习已逐渐成为图像处理、语音识别、文本语料、地震数据等复杂高维度数据的主要分析方法。与日俱增的数据量、网络模型规模以及日渐提升的模型精度和复杂度对现实世界的冲击，优秀的容量控制方法、注意力机172岩性油气藏第 36 卷第 2 期制、记忆网络和神经编码器、生成对抗网络（GAN）、具有强大计算能力的GPU和并行计算能力以及深度学习框架等，是近十年来深度学习长足发展的主要原因。深度学习的另一个最大的进展就是其在强化学习（reinforcement learning）领域的扩展。将人工智能领域的优秀研究成果与地球物理勘探（物探）领域知识相结合，促生了一门新型的研究领域智能物探。杨午阳等1将以物探海量数据为基础，以强大的地震资料处理、解释能力提升为手段，以人工智能算法为突破关键，全面融合各类油气信息资源，进行数据挖掘、知识发现与共享，最终实现地震资料处理、解释等环节启发式自动化的科学决策过程称之为智能物探。下面从机器学习到深度学习、典型的深度学习框架、深度学习解决问题的基本思路、基于神经网络的早期应用和基于深度学习的应用等 5 个方面分析智能物探的发展。1.1从机器学习到深度学习智能物探的发展与人工智能技术的发展密切相关，人工智能技术经历了 3 次较大的浪潮（图 1），在第二次浪潮中开始与物探领域结合。图 1人工智能技术发展历程（据文献 5 修改）Fig.1Development history of artificial intelligence technology1956 年的达特茅斯会议上，计算机科学家约翰 麦卡锡说服与会者接受“人工智能”一词作为本领域的名称，后来这次会议被看作是人工智能正式诞生的标志。这次会议后的十几年内，计算机被用来解决代数应用问题、证明几何定理、学习和使用英语等。然而，此时的人工智能技术只是具备了逻辑推理能力，还远远达不到智能化的水平，同时由于固定算法的人工智能功能局限，一旦处理事务太复杂，计算量庞大，将成为不可完成的任务，人工智能的研究遭遇到了种种质疑，发展也进入了第一个冬天。20 世纪 70 年代，随着“专家系统”的流行，人工智能迎来第二轮蓬勃发展。“专家系统”是一种针对某个特定专业领域的问题进行回答或解决的计算机程序，运用专家掌握的行业专业知识建立的逻辑规则来解决问题。用于计算机深度学习的人工神经网络在 20 世纪 80 年代就已经被提出，但由于其缺乏理论支撑，且计算力有限，并没有得到相应的重视。然而，得益于机器学习和神经网络的发展，在石油领域却迎来了智能化探索的第一个高潮。专家们在地震资料处理、解释等方面进行了各种尝试，但是随着 20 世纪 80 年代 PC 的出现，人工智能的寒冬再次降临。20 世纪 90 年代末，随着计算机技术的飞速发展，摩尔定律为人工智能的发展带来了新的可能性。当飞速提升的计算能力被应用到了人工智能的研究后，显著提升了人工智能的研究效果。随后，人工智能迎来了第三个春天。2006 年 Hinton 等提出的深度置信网络开启了人工智能的深度学习时代18。此后，人工智能技术在各行业不断取得突破。如在自然语言处理、计算机视觉、自动驾驶、图像识别、自动机器人、医学等领电脑感知机194319401950195719601960197019691986199519801990200020102006可调节重量未学习权重可学习权重和阈值异或问题非线性可分离问题的解计算量大、局部最优与过拟合分层特征学习学习先验知识的局限性核心功能：人类干预S.McCulloch-W.PittsF.RosenblattB.Widrow-M.HoffM.Minsky-S.PapertD.Rumelhart-G.Hinton-R.WillamsV.Vapnik-C.CortesG.Hinton-S.Ruslan异或问题黄金时代黑暗时代（人工智能冬天）自适应线性神经元多层感知器（反向传播）支持向量计深度学习网络（预训练）杨午阳等：智能物探技术的过去、现在与未来2024 年173域取得了显著进展。2016 年 Google 的 AlphaGo19战胜人类棋标志着人工智能概念得到普及，美国和中国先后宣布以人工智能技术为基础的国家科技发展规划，将人工智能研究提升到国家战略层面。2016 年之后，基于深度学习的智能化物探技术逐渐发展起来，发表文章的数量呈现出爆发式的增长。当前，人工智能正处于第三次发展浪潮中，是一门重点研究开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的新技术科学。作为对人的意识、思维、推理等信息过程的模拟，人工智能通常可分为 3 类：一是弱人工智能，包含基础的、特定场景下角色型的任务；二是通用人工智能，涉及机器的持续学习能力；三是强人工智能，主要指超越人类智慧的机器智能。人工智能在模拟形式上主要有行为学派的机器人、联结学派的神经网络和符号学派的知识表示等，而推进人工智能浪潮的是基于联结学派的神经网络算法20-26，其以智能行为的生理模型为依据，通过模拟大脑的生理结构，采用数值计算的方法，模拟脑神经网络的工作过程，实现学习、记忆、联想、感知、识别、判断等能力。人工智能的核心技术是机器学习。传统机器学习从有限的观测样本出发，试图发现原理分析不能获得的规律，实现对未来数据行为或趋势等的准确预测。根据学习方法可将机器学习分为传统机器学习和深度学习26，主要算法有神经网络20-26、逻辑回归27-30、隐马尔科夫链31-32、支持向量机33-37、K近邻方法38、AdaBoost39-40、贝叶斯方法41-42、决策树43、随机森林44-45等。传统机器学习平衡了学习结果的有效性与学习模型的可解释性，为解决有限样本的学习问题提供了一种框架，主要用于有限样本情况下的模式分类、回归分析、概率密度估计等。深度学习是基于多层神经网络，将特征学习和表示融合，经过多种层的组合，实现对任意复杂数学函数的高度逼近拟合，可以有效学习客观样本中所蕴含的空间分布和时间分布特征等内在特征。典型的深度学习算法有深度置信网络26、CNN46-47、RNN48-49和生成对抗网络50等。人工智能研究是物探技术升级转型的关键，目前全球各大油气公司、油服公司为赢得市场竞争，抢占先机，纷纷布局智能化技术研发，学术界也广泛关注智能物探技术，从近几年人工智能专题论文在物探行业 SEG、EAGE 等国际会议论文中的占比就可见一斑。2017年人工智能专题在 SEG 会议论文中占比 2.7%，2018年上升至 10.0%，2019 年达 13.0%。各种机器学习算法预测能力强，但存在描述能力不足的缺点。2012 年 Google 正式提出了知识图谱的概念，其最大的优势就是对数据的描述能力非常强大，正好弥补了机器学习的不足。随着人工智能的技术发展和应用，知识图谱作为关键技术之一，已被广泛应用于智能搜索、智能问答、个性化推荐、内容分发等领域。未来，借助知识图谱的表示形式，利用图神经网络进行知识的推断或推理，实现人工智能技术从感知到认知的跨越，将是一个很有前景的研究方向。在油气领域，如能够将知识图谱和专家领域知识相结合，必将为勘探决策、风险评估提供有效的解决方案。1.2典型的深度学习框架深度学习框架是为深度学习而准备的，在传播深度学习思想过程中扮演着十分重要的角色，与大数据和算力并称为深度学习技术发展的三驾马车。深度学习技术的发展很大程度上依赖于深度学习框架的发展。从目前来看，深度学习框架至少已经发展了三代。在早期，人们需要具备 C+和 CUDA 等专业知识来实现深度学习算法，而深度学习框架通过利用GPU 加速过的运算替代与 NumPy 类似的运算以及构建深度神经网络，抽象出了许多底层的复杂度，也屏蔽了底层的细节，极大地降低了深度学习建模的难度和入门门槛，使得那些具有脚本语言知识（如 Python 等）的人也可以构建和使用深度学习算法。如今，随着诸多公司将深度学习框架开源，也让更多的行业应用者可以将精力集中于模型结构、应用场景的设计以及应用算法的开发方面。TensorFlow 和 PyTorch 是目前最流行的 2 种开源框架，TensorFlow主要提供静态图构建的功能，通常具有较高的运算性能，常应用于人工智能企业的模型部署，但是模型的调试分析成本较高；PyTorch主要提供动态图计算功能，API 接近于 Python 原生语法，易用性较好，构架复杂架构模型时具有更高的灵活性，因此在学术界被大量使用，目前这 2 种框架正在吸收各自的优点。此外，主流深度学习开源框架还有 Caffe，MXNet，Theano，CNTK，Deeplear-ning4j 和 PaddlePadle 等，都支持多种开发语言和操作系统（表 1）。近期针对大模型，也产生了一些框架，不再赘述。1.3深度学习解决问题的基本思路深度学习可以完成多种类型的任务，常见的有分类、输入缺失分类、回归、去噪、机器翻译和异常174岩性油气藏第 36 卷第 2 期表 1主流深度学习开源框架Table 1Mainstream deep learning open source framework检测等。从现有文献来看，深度学习的应用最早见于图像识别，这可以追溯到 2012 年，据 ImageNet 评测结果 DNN 技术在图像识别中将错误率从 26%降低到了15%。除了图像识别，深度学习在计算机视觉、语音识别、自然语言处理、音频处理、搜索引擎、地球物理以及医学等领域都取得了很出色的表现。从理论上讲，将深度学习相关技术应用于解决实际问题，通常包含问题描述、模型和架构选择、问题的定义和构建数据管道、以模型评估为核心的模型建立、模型测试以及预测等关键环节。然而，在实际工作中，可以将问题描述、评估、特征工程和避免过拟合等结合起来，形成一个可用于解决任何机器学习问题的解决方案框架。这样，一个完整的深度学习项目（任务）通常只需要包含构建数据管道、构建网络架构、使用损失函数评估模型、使用优化算法优化网络架构的权重等关键环节。1.4基于神经网络的早期应用将神经网络应用于物探领域的研究可以追溯到 20世纪 90 年代，根据Poulton51的研究，在1994年之前，神经网络的应用主要是用模型数据训练神经网络模型，并将其用于实际数据测试和应用，而1995 年以后，则集中在一些特定的应用领域，例如储层表征等。整体而言，神经网络在物探领域的应用场景较多，如地震资料处理领域的初至拾取、静校正，解释领域的参数估计及油气检测等。在地震资料处理方面，Murat 等52首次将神经网络用于地震初至拾取，利用地震道半周期的 4 种振幅属性，通过神经网络拾取地震初至；Mccormack等53提出将反向传播神经网络用于地震初至拾取和地震道编辑，改进了反向传播神经网络，提高了网络训练的收敛速度，通过交互的人机训练方式，使得训练后的神经网络模型具备“专家系统”的能力，可用于新数据的预测和处理；Rth 等54试验了神经网络在地震反演中的应用，通过合成的单炮数据空间和速度空间的映射，实现了对网络模型的训练，训练后的模型预测的速度模型精度有限，可用于反演的初始模型；Chu 等55将模糊逻辑系统用于地震波初至拾取，将初至拾取归类为模式识别问题，将地震属性和距离相关的横向变化作为分段线性引导函数的输入，实现对地震的初至拾取，在同样的预测精度下，该方法的训练效率比神经网络高；Dai 等56-57将神经网络在地震初至拾取中的应用扩展到三分量地震记录，将 X 分量、Y 分量、Z 分量地震数据作为神经网络模型输入，提高了网络模型预测精度，有效识别地震初至；Wang 等58将 Hopfield神经网络用于误差反褶积和震源子波估计预测，通过神经网络的目标函数实现自适应最小化预测，将震源子波估计和误差反褶积分别处理，实现全部的反褶积和子波估计；Caldern-Macas 等59提出沿着 2D 测线将控制点处的 CMP 道集用前馈神经网络映射到地震速度空间，在网络训练过程中用快速模拟退火法实现网络参数更新，从而实现每个控制点的 CMP 道集的自动 NMO 校正。在地震解释方面，Huang 等60提出利用神经网络的 Hopfield 模型进行地震“甜点”识别；Poulton等61利用神经网络进行地下目标体的定位。陆文凯等62-64用神经网络自适应地外推测井资料，将神经网络与地震反演有机地结合起来，从而实现地震反演；Calderon-Macias 等65将神经网络用于地球物理参数估计，将垂直电测深中获得的地层电阻率和层厚度（VES）数据与从地震波形数据获得一维速度模型的数据用于预先设定的参数范围随机初始化，实现对网络模型的训练和地球物理参数的预测；朱框架名称TensorFlowCaffeMXNetTheanoPyTorchCNTKDeeplearning4jPaddlePadle主要维护方Google加州大学伯克利分校视觉与学习中心分布式机器学习社区（DMLC）蒙特利尔大学Facebook微软Skymind百度公司支持的主要开发语言C，C+，PythonC+，Python，MatlabC+，Python，Julia，Matlab，Go，R，ScalaPythonPythonC+，Python，BrainScriptJava，Scala，ClojureC+，Python支持的主要操作系统Linux，Windows，MacOS，AndroidLinux，Windows，MacOSLinux，Windows，MacOS，AndroidLinux，Windows，MacOSLinux，Windows，MacOSLinux，WindowsLinux，WindowsLinux，MacOS杨午阳等：智能物探技术的过去、现在与未来2024 年175广生等66利用多层感知器进行油气储层横向预测以及地震道自动编辑；Fitzgerald 等67研究了利用人工神经网络基于常规测井记录进行裂缝频率预测技术，将中子孔隙度、体密度、纵波、横波、电阻率等作为 ANN 网络的输入参数，可用来评估测井中与裂缝有关的非均质性的信号强度以及井孔内的裂缝频率，从而实现裂缝区域的横向相关预测；Boadu68利用等效的不连续性裂缝模型生成的输入与输出进行神经网络训练，联合纵、横波速度进行裂缝密度反演；Alimonti 等69将人工神经网络、统计学和模糊逻辑等技术相结合，对单井多相流展开诊断分析和测量；William 等70运用常规统计分析技术和神经网络技术，构建了能对单井化学吸收率预测的模型，实现对二次采注比的预测。Maiti 等71提出一种基于超自适应反向传播概念的新方法用于训练神经网络模型，开发了神经网络根据测井数据对岩相边界进行分类的技术；Baronian 等72利用正演模拟技术合成模型数据集，制作了精确的输入和输出之间的准确映射关系，用于ANN 网络训练，这样训练后的ANN 网络模型泛化能力较强，可用于未知地区的地震速度信息分析和地层倾角预测；Maiti等73创新地将 Bayesian 框架和神经网络结合，提出了一种基于贝叶斯神经网络（BNN）学习理论的新概率方法，用于从测井数据中解码岩相边界；Baddari等74使用人工神经网络进行地震数据反演，所得结果清楚地证明了其提出的反馈神经网络地震数据反演方法的可行性；杨午阳等75提出了一种基于叠前AVA 同步反演的储层物性参数预测方法，在综合考虑岩石密度，纵、横波速度等弹性参数与孔隙度等物性参数的空间关系基础上，采用 Kohenon自组织神经网络对储层参数进行分类，采用 MLP 多层感知器对储层物性参数进行定量预测。神经网络技术可以将数据转化为信息，找到地球物理数据和岩石物理特性之间的重要相关性，如将小波形态的细微变化与岩性的小尺度变化联系起来，并找到小波中的特征，进行断点识别、层位追踪、识别气体烟囱或识别断层，但神经网络还无法在更低成本、更高效率和更少人员投入情况下从大数据流中发现相关信息方面发挥越来越重要的作用。1.5基于深度学习的应用自 2016 年以来，人工智能技术与物探技术的结合日益紧密，全球大型石油公司都在加快推进数字化转型。2017 年7月到2020年12月，中国石油勘探与生产分公司已组织召开了四届“智能化”专题技术研讨会，以推动发展新一代智能化地震信息处理技术；埃森哲于 2017 年对石油行业高管进行的一项调查发现，70%的受访者将加大对数字技术的投资，“数据就是新石油”的说法已成为老生常谈；Geophysical Insights 公司在 2017 年 SEG 年会上打出了“机器学习”的宣传主题，其主要产品是 Paradise 多属性分析软件包，将地震多属性分析机器学习技术应用于薄层解释、直接烃类指示（DHI）等方面；2018年2月油服巨头BHGE 携手 NVIDIA进军石油人工智能；2018 年 4 月，道达尔宣布和谷歌云签署协议，将联合发展人工智能技术，为石油勘探开发提供全新智能解决方案；2020 年4月15日，中国石油集团公司会议报告强调“数字化技术催生了企业发展的新业态、新模式，已成为全球经济发展的重要驱动力和经济高质量发展的重要引擎”。目前，智能物探技术主要应用于地震数据处理（如地震波初至拾取、微地震事件识别、去噪、地震速度分析、地震初始速度模型建立甚至反演成像等）与综合解释（如地震属性分析、断层识别、岩相识别、沉积相划分、盐丘边界拾取等）、测井资料处理与解释、重磁电非地震资料处理与解释、井孔与岩石物理数据分析、微地震资料处理与解释、油藏表征与开发数据分析等方面。其核心是“应用地球物理+AI”，通过将传统物探技术与 AI 技术融合，发挥专家领域知识与 AI 两者优势，突破传统物探技术的瓶颈，挖掘物探数据内在的、深层的、传统技术无法发现的联系，提升处理、解释结果的科学性。其优势体现在 3 个方面：一是模糊逻辑技术能够基于“不完备”和“不完美”的数据进行有效预测；二是深度学习技术分析基础是大数据，通过对海量地震数据的实时提取，实现数据挖掘和多元信息融合利用，盘活了大量不活跃的“黑暗”数据，可以更精细、全面地描述地下储层展布规律；三是减少了人工参与度，降低了处理解释过程中的时间成本和人力成本。近期研究表明，“应用地球物理+AI”的赋能策略1，在费时费力环节（如初至拾取、速度拾取、层位解释等）以及助力打破传统物探技术瓶颈、攻克应用难题方面具有重要意义。2主要研究进展2.1标签数据集建立人工智能技术在计算机视觉、自然语言处理、176岩性油气藏第 36 卷第 2 期语音识别等领域被广泛应用，得益于相关领域已构建的完备数据集，这些数据集规模大、类型全、检索方便，正是由于 ImageNet 等数据集（表 2）的出现，才推动了智能化技术的飞速发展。表 2典型深度学习数据集Table 2Typical deep learning dataset构建油气领域标签数据集是突破智能物探应用瓶颈的关键，然而，准确、快速构建标签数据集合难度很大。总的来说，目前主要是通过数模合成数据方案、物理模拟合成数据方案以及实际数据专家标注方案来构建标签数据集。这3种方案各有优缺点，还需要结合应用场景来进行选择，当样本数量不足时，还可以通过对样本进行处理的数据增广方案等，但利用合成方法制作的标签数据集仅适用于间断性如断层、连续性如层位解释等方面。为了解决油气物探标签数据集建立难题，构建物探标签数据集，中国石油勘探开发研究院西北分院组织构建了油气领域首个标签数据集及管理软件 SeismicNet，形成了从高效标签数据集建立、模型训练、模型管理到迁移应用的一体化解决方案，足以满足一般科研机构及油气企业的使用场景。SeismicNet 数据集及软件具有“跨探区、多用户、实时远程”等优点，可对物探行业积累的海量数据进行有效地管理、加工，形成带标注的结构化物探大数据。该工具为标签数据的快速传输、浏览、选取、检索、标注、编辑及训练集的生成提供了便捷的管理工具，为后续智能质控、智能处理、智能解释等不同应用场景中智能技术的快速落地奠定了坚实的大数据基础，填补了国内智能物探大数据构建领域的软件空白。基于此训练集得到的不同网络模型具有优异的表示能力和泛化性能，在当前业内同类模型中精度最高，为包括智能处理、解释等在内的智能物探任务提供了强大支撑，也助力储层分类、流体识别等技术水平的提升。图 2 为 SeismicNet中的一个典型地震初至拾取标签数据集实例。图 3为SeismicNet 中一个典型的数模合成数据标签数据集的实例，其基本思想是依据构造沉积理论，生成高度逼近实际资料的合成数据体及准确标注的河道数据体。2.2去噪将深度学习相关策略应用于地震资料处理，有很多场景，如拓频、去噪、异常道识别、混采分离、速度分析、成像等，其中去噪是智能物探最早取得进展的典型应用场景之一。2016 年以来，发展了针对随机噪声、面波、强能量、邻炮干扰等噪声的智能去噪方法，在实际应用中已见到了良好效果，展示了人工智能框架与地球物理算法相结合在解决地震资料处理难题方面具有良好的发展前景。针对叠前地震数据的噪声压制难题，李海山等76采用ResNet网络架构进行地震数据去噪攻关，在实际应用中取得了良好的效果，计算效率、去噪性能均得到了显著的提升。图 4 为一沙漠区智能复杂三维面波去噪技术实例，该工区由于地表沙丘起伏导致面波特征极为复杂，传统的单一技术很难将其有效压制，且传统工业去噪需要分频面波压制、异常振幅压制等多个模块组合和复杂处理流程及大量参数测试，而智能去噪方法与传统方法相比极大简化了处理流程，显著提升了处理效率。提高效率应该是当前智能化方法发展的最主要的推动力之一。名称ImageNetMNISTWordNetFDDBMillion Song DatasetVoxCelebTencent ML-ImagesSeismicNet构建单位斯坦福大学、普林斯顿大学及哥伦比亚大学的科学家Google实验室的Corinna Cortes和纽约大学的Yann LeCun普林斯顿大学马萨诸塞大学哥伦比亚大学YouTube视频腾讯AI Lab中国石油勘探开发研究院西北分院用途计算机视觉图像识别手写数字数据库英文同义词组的大型数据库人脸识别MIR领域研究语音识别数据集计算机视觉图像识别为去噪、断层识别、层位解释、不正常道、初至拾取等物探场景提供数据集规模14 197 122 张图像，21 841个同义词索引训练库有 60 000张图像，测试库有 10 000 张图像117 000 个同义词集5 171 张人脸图像1 000 000 首歌曲1 251 位名人的 100 000 条话语超过 1 800万张图像和超过1 1000 种常见物体类别动态增加中杨午阳等：智能物探技术的过去、现在与未来2024 年177图 2SeismicNet 软件中地震初至拾取标签数据集Fig.2First break picking sample data and label data in SeismicNet图 3SeismicNet 软件中地震数模合成数据生成标签数据Fig.3Generating label data from digital-analog composite data in SeismicNet（b）标签数据（a）样本数据（b）加入河道模型（a）水平层状模型（c）构造变形模型（e）含噪数据模型（d）断裂变形模型（f）准确标注的河道体-3-2-10123振幅178岩性油气藏第 36 卷第 2 期图 4智能去噪与常规方法去噪结果对比Fig.4Comparison of denoising results between intelligent denoising and conventional methodsPham 等77等提出了一种将有监督方法和无监督方法结合的面波衰减方法，该方法由 3 个具有物理意义和动机的步骤组成，第一步是卷积神经网络，将地震记录分解为面波和反射信号，其准则是最小化 2 个子网络生成的信号和地摇之和与输入地震记录之间的残差；第二步是通过训练监督分类器，在