Понимание региональной деформации структур и горизонтов с помощью машинного обучения: пример бассейна Кванза, Ангола

В настоящем исследовании показана успешная применимость машинного обучения (ML) с использованием сверточных нейронных сетей (CNN) для предсказания обширных разломов и согласованных высокоразрешающихся соляных и стратиграфических горизонтов на крупном (~40 000 км2) сложном офшорном наборе данных бассейна Кванза. ML способствовало предсказанию поверхностей разломов от мелкомасштабных до крупномасштабных, что помогло в идентификации различных структурных элементов, улучшило классификацию различных стилей деформации, усилило дифференциацию структурных провинций и лучше выделило преобладающие поля напряжений и деформаций в пределах регионального масштаба бассейна Кванза. Дополнительно отдельная CNN ускорила предсказание региональных горизонтов, которые последовательно отслеживали соответствующие кровли водоема (water bottom, WB), вершину соли (top of salt, TOS), подошву соли (base of salt, BOS) и стратиграфические горизонты. Эти горизонты были необходимы для характеристики деформации горизонтов, отложения осадков и распределения толщин соли и осадков. Интеграция выводов, полученных из ML-поддерживаемых разломов и горизонтов, продвигает более глубокое понимание структурной эволюции бассейна Кванза и формирует основу для целостной оценки перспектив нефтегазовых объектов и поисковой активности по всему бассейну.