AI辅助地震解释工具包在荷兰Maassluis组顶面完成示范,支撑隐式地质建模
核心概要
该研究在Horizon Europe GO-Forward与MOOI WarmingUP GOO项目框架下,测试并实现了一套机器学习工具包,用于约300至3500米深度域陆上地震数据的解释:先用自监督与半监督对比学习CNN进行去噪与插值以改善信号,再以(半)自监督方法在极少人工训练数据下解释层位与断层,并以荷兰Maassluis组顶面在Leeuwarden与Waalwijk三维地震数据体中的解释作为首次示范。
深度剖析
研究构建了一套面向隐式建模的AI辅助地震解释工具包,覆盖从信号改善到层位与断层解释的流程。 相对于依赖大量人工解释训练数据的常规流程,该工具包把自监督与半监督学习引入解释环节,目标是在最少人工训练数据条件下完成解释。 证据来自作者对已测试并实现的算法与工具包的描述,以及一次针对荷兰Maassluis组顶面的示范性解释;原文为摘要级概述,未给出定量精度指标。
信号改善环节采用自监督与半监督对比学习CNN进行噪声压制与插值。 将对比学习类CNN用于地震信号去噪与插值,是相对传统信号处理流程的方法学变化。 原文以方法描述形式给出,未报告具体网络结构、训练规模或去噪前后的定量对比。
层位与断层解释环节采用(半)自监督方法,以最小化人工生成训练数据的使用。 把解释任务对人工标注的依赖降低,是该方法在效率与可重复性上的关键取向。 原文陈述了该策略及其在工具包中的实现,示范范围限于两个三维地震数据体中的一个地层顶面。
示范应用在Leeuwarden与Waalwijk三维地震数据体中解释了荷兰Maassluis组顶面。 这是该工具包在真实陆上地震数据上的首次示范,覆盖约300至3500米的浅至深深度域。 示范为单地层、双数据体的案例,原文未提供与人工解释的对比统计或误差量。
启示与展望
该工作面向陆上地震数据约300至3500米深度域的层位与断层解释,服务于隐式建模与相对地质时间方法所需的输入数据准备;其预期使用者是从事地质建模与地震解释的团队,适用场景为需要快速刻画浅至深深度域的应用型项目。示范范围限于荷兰Maassluis组顶面在Leeuwarden与Waalwijk两个三维地震数据体中的解释,因此当前结论适用于这一示范设定,向其他地层、其他盆地或海上数据的推广需要另行验证。
读者仍会关注:自监督与半监督对比学习CNN在去噪与插值上的具体配置与训练数据规模;在极少人工训练数据条件下解释层位与断层的准确度,以及与人工解释或其他方法的对比;工具包在Maassluis组顶面之外的地层与数据体上的表现;以及该流程对隐式建模结果不确定性的实际影响。由于当前文本为摘要级概述,未包含图表与定量结果,上述问题无法从现有材料判断,属于需要进一步阅读原文的开放问题。
