Новые подходы к постобработке суммированных данных с применением нейросетевых алгоритмов

Построение достоверной структурной модели является одним из важнейших этапов интерпретации и напрямую влияет на дальнейшее планирование бурения и подсчет запасов. Для проведения данного этапа важно иметь качественные данные, позволяющие отследить положения опорных горизонтов и тектонических нарушений. На сегодняшний день представлено много аналитических алгоритмов постобработки, позволяющих повысить качество сейсмических данных. Все они представляют собой комбинацию различных фильтров для подавления помех. Однако, подбор оптимальных фильтров зачастую требует значительных временных затрат и не всегда дает желаемый результат. В данной работе рассматриваются новые подходы к повышению качества сейсмических данных на этапе структурной интерпретации, основанные на алгоритме машинного обучения. В основе предлагаемых технологий лежит использование свёрточной нейронной сети, предварительно обученной на синтетических данных. В работе представлено три алгоритма улучшения сейсмических данных, основное отличие которых заключается в моделировании синтетических данных. При их создании учитывается большое количество характерных проявлений волн-помех различного типа. В результате обучения формируется база накопленных «знаний», которая потом применяется на реальных данных для улучшения качества сейсмических изображений. Использование нейронных сетей позволяет повысить разрешающую способность отраженных волн за счет увеличения соотношения сигнал-помеха, устранить нерегулярные помехи и улучшить качество прослеживания осей синфазности и тектонических нарушений. В работе представлены теоретические основы предлагаемых алгоритмов и продемонстрированы результаты применения на примере площади Каху на шельфе Новой Зеландии.