目錄
叢書序
前言
第1章 緒論 1
1.1 地球物理勘探概述 1
1.1.1 油氣勘探的基本方法 1
1.1.2 油氣勘探的數(shù)據(jù)特征 3
1.1.3 地震勘探的基本問(wèn)題 8
1.1.4 地震勘探的發(fā)展瓶頸 9
1.2 人工智能地球物理勘探概述 10
1.2.1 人工智能的發(fā)展歷程 10
1.2.2 人工智能地球物理勘探的基本原理 13
1.2.3 神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)和物理理解 18
1.2.4 模型驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)的異同 25
參考文獻(xiàn) 28
第2章 人工智能地震資料處理 31
2.1 初至拾取 31
2.1.1 研究進(jìn)展 31
2.1.2 基于滑動(dòng)窗口的智能初至拾取 34
2.1.3 基于端到端神經(jīng)網(wǎng)絡(luò)的初至拾取 42
2.1.4 基于BiLSTM網(wǎng)絡(luò)回歸的初至拾取 51
2.1.5 小結(jié)與展望 60
2.2 速度分析 61
2.2.1 研究進(jìn)展 62
2.2.2 基于無(wú)監(jiān)督聚類的速度分析 65
2.2.3 基于有監(jiān)督神經(jīng)網(wǎng)絡(luò)的速度分析 77
2.2.4 基于多模態(tài)神經(jīng)網(wǎng)絡(luò)的速度分析 83
2.2.5 小結(jié)與展望 102
2.3 高分辨率處理 103
2.3.1 研究進(jìn)展 103
2.3.2 基于端到端神經(jīng)網(wǎng)絡(luò)的高分辨率處理 108
2.3.3 基于雙監(jiān)督神經(jīng)網(wǎng)絡(luò)的高分辨率處理 118
2.3.4 基于物理引導(dǎo)神經(jīng)網(wǎng)絡(luò)的高分辨率處理 124
2.3.5 小結(jié)與展望 131
2.4 提高信噪比處理 132
2.4.1 研究進(jìn)展 132
2.4.2 基于全連接神經(jīng)網(wǎng)絡(luò)的提高信噪比處理 137
2.4.3 基于去噪自編碼器的提高信噪比處理 145
2.4.4 基于深度殘差網(wǎng)絡(luò)的提高信噪比處理 152
2.4.5 小結(jié)與展望 161
參考文獻(xiàn) 162
第3章 人工智能地震資料解釋 175
3.1 層位拾取 175
3.1.1 研究進(jìn)展 175
3.1.2 基于U-Net的層位拾取 178
3.1.3 基于VQVAE的層位拾取 190
3.1.4 多屬性智能融合的層位拾取 196
3.1.5 小結(jié)與展望 208
3.2 斷裂識(shí)別 209
3.2.1 研究進(jìn)展 210
3.2.2 基于主成分分析的斷裂識(shí)別 212
3.2.3 基于三維多尺度卷積神經(jīng)網(wǎng)絡(luò)的斷裂識(shí)別 219
3.2.4 基于深層聚合神經(jīng)網(wǎng)絡(luò)的多屬性融合斷裂識(shí)別 230
3.2.5 小結(jié)與展望 240
3.3 孔洞識(shí)別 241
3.3.1 研究進(jìn)展 242
3.3.2 基于多屬性制作標(biāo)簽的孔洞識(shí)別 243
3.3.3 基于VQVAE的孔洞識(shí)別 248
3.3.4 聯(lián)合U-Net與VQVAE的孔洞識(shí)別 250
3.3.5 小結(jié)與展望 256
3.4 地震相解釋 257
3.4.1 研究進(jìn)展 257
3.4.2 基于XGBoost有監(jiān)督學(xué)習(xí)的地震相解釋 260
3.4.3 基于U-Net有監(jiān)督學(xué)習(xí)的地震相解釋 266
3.4.4 基于半監(jiān)督學(xué)習(xí)的地震相解釋 272
3.4.5 基于自監(jiān)督學(xué)習(xí)的地震相解釋 277
3.4.6 小結(jié)與展望 281
3.5 鹽丘識(shí)別 283
3.5.1 研究進(jìn)展 283
3.5.2 基于隨機(jī)森林的鹽丘識(shí)別 285
3.5.3 基于U-Net++的鹽丘識(shí)別 291
3.5.4 聯(lián)合CAE與K均值的鹽丘識(shí)別 297
3.5.5 小結(jié)與展望 303
參考文獻(xiàn) 304
第4章 人工智能地震資料反演 313
4.1 波阻抗反演 313
4.1.1 研究進(jìn)展 313
4.1.2 井震聯(lián)合有監(jiān)督波阻抗反演 316
4.1.3 井震聯(lián)合雙監(jiān)督波阻抗反演 325
4.1.4 數(shù)據(jù)與模型聯(lián)合驅(qū)動(dòng)波阻抗反演 335
4.1.5 小結(jié)與展望 348
4.2 疊前彈性參數(shù)反演 349
4.2.1 研究進(jìn)展 349
4.2.2 基于單監(jiān)督學(xué)習(xí)的疊前彈性參數(shù)反演 351
4.2.3 基于半監(jiān)督學(xué)習(xí)的疊前彈性參數(shù)反演 365
4.2.4 基于注意力機(jī)制的權(quán)重自適應(yīng)彈性參數(shù)反演 373
4.2.5 小結(jié)與展望 387
參考文獻(xiàn) 389
第5章 人工智能儲(chǔ)層流體預(yù)測(cè) 393
5.1 儲(chǔ)層孔隙度預(yù)測(cè) 393
5.1.1 研究進(jìn)展 393
5.1.2 井震聯(lián)合有監(jiān)督孔隙度預(yù)測(cè) 397
5.1.3 井震聯(lián)合半監(jiān)督孔隙度預(yù)測(cè) 404
5.1.4 小結(jié)與展望 417
5.2 儲(chǔ)層流體預(yù)測(cè) 420
5.2.1 研究進(jìn)展 420
5.2.2 基于機(jī)器學(xué)習(xí)的有監(jiān)督含氣性預(yù)測(cè) 423
5.2.3 基于深度學(xué)習(xí)的有監(jiān)督含氣性預(yù)測(cè) 432
5.2.4 基于半監(jiān)督學(xué)習(xí)的含氣性預(yù)測(cè) 439
5.2.5 基于多任務(wù)學(xué)習(xí)的含氣飽和度和波阻抗同時(shí)預(yù)測(cè) 443
5.2.6 小結(jié)與展望 457
參考文獻(xiàn) 459