Построение реалистичных структурных моделей для обучения сверточных нейронных сетей структурной интерпретации сейсмических данных

Структурная интерпретация сейсмических данных включает выделение и извлечение разломов и горизонтов, проявляющихся на сейсмическом изображении в виде геометрических признаков. Хотя для автоматизации интерпретации разломов и горизонтов были предложены методы обработки сейсмических изображений, каждый из них по-прежнему требует значительных трудозатрат человека. Мы повышаем эффективность автоматической структурной интерпретации сейсмических изображений с помощью сверточных нейронных сетей (CNN), которые в последнее время продемонстрировали высокую эффективность при обнаружении и извлечении информативных признаков и объектов изображений. Основным ограничением применения CNN в сейсмической интерпретации является подготовка большого числа обучающих наборов данных, особенно соответствующих геологических разметок. Ручная разметка геологических элементов на сейсмическом изображении чрезвычайно трудоемка и субъективна, что часто приводит к неполной или неточной разметке обучающих изображений. Для решения этой проблемы мы разработали рабочий процесс автоматического построения разнообразных структурных моделей с реалистичными особенностями складчатости и разрывных нарушений. В рамках этого рабочего процесса, основываясь на некоторых предположениях о типичных закономерностях складкообразования и разломообразования, мы моделируем структурные особенности в трехмерной модели с использованием набора параметров. Случайно выбирая параметры из заданных диапазонов, мы можем автоматически генерировать многочисленные структурные модели с реалистичными и разнообразными структурными особенностями. На основе этих структурных моделей с известной структурной информацией мы далее автоматически создаем многочисленные синтетические сейсмические изображения и соответствующие эталонные структурные разметки для обучения CNN структурной интерпретации полевых сейсмических изображений. Точные результаты структурной интерпретации для нескольких полевых сейсмических изображений показывают, что разработанный рабочий процесс позволяет моделировать реалистичные и обобщаемые структурные модели, на которых CNN эффективно обучаются распознавать реальные структуры на полевых изображениях.