地震勘探正向着智能化方向发展。各个企业、科研院在地震勘探研究和应用中，都加大了对人工智能技术（AI）地使用，通过智能化手段提高了勘探的效率和精度，取得了地球物理资源开发利用更大的成就。

01 什么是地震勘探

为了更好的研究和开发我们生存的家园——地球，产生了一门用物理测量和数学研究的学科，这就是地球物理学。地球物理学中通过地质样本进行直接研究的方法，称为地探。另外一种通过仪器进行地球观测的方法，称为物探。在物探方法中，包括了重力、磁法、电法、地震、放射性等多种方法。其中勘探石油天然气资源最有效的方法就是地震勘探。

地震勘探是用地下岩石弹性差异来进行地球物理勘测的方法，通过激发人工地震，研究地震波在地下传播的规律，以查明地下地质的构造。

02 人工智能在地震勘探中的应用新进展

在国际国内地震勘探领域，随着AI技术飞速发展，大量AI+地震勘探的研究成果不断涌现。根据SEG最近几年对AI技术研究成果地统计，深度学习方法已经成为主流。其中

2.构造解释

地震相预测是储层预测的一个热门方向，其中主要方法是波形分类法。波形分类法是近年来机器学习在地球物理应用中的成熟方法，使用的模型包括了卷积神经网络（ CNN）、循环神经网络（ RNN）、概率神经网络（ PNN）、深度神经网络（ DNN）、 自编码器网络（ AE）、生成对抗网络（ GAN）、 K 近邻聚类（ KNN）等。

波形分类法的主要原理是抽取地震剖面数据学习地震属性特征，再对地震属性进行聚类实现波形分类，最后对目标工区进行地震相的预测。现在也有使用深度神经网络模型（DNN、CNN、RNN、GAN等）直接进行波形特征学习，并应用于地震相分类的。

比如有学者使用卷积神经网络学习了波形特征，进行了河道、河滩等地震相分类。

在构造解释领域的典型应用包括了断层识别、地层识别、边界圈定等方向。

在断层识别方向，伍新明等教授的团队取得了较好的成果。主要成果包括了：一是通过机器算法生成大量人工合成的地震断层训练标签。二是通过机器学习算法检测断层概率、断层倾角等属性信息。三是改进了神经网络算法，实现了精细化的断层识别。

卷积神经网络模型（CNN）的研究最多，占比60%以上，生成对抗网络模型（GAN）占比10%左右，循环神经网络模型（RNN）占比10%左右。其余的研究方法还包括机器学习的算法，如随机森林、字典学习等等。很多论文还会结合多种方法联合使用，达到更好的应用效果。

3.储层预测

在地层解释方向，有学者采用无监督学习地震特征和有监督学习标注地层相结合方式，训练了神经网络模型，在实际资料处理中取得了较好的效果。

从应用领域来看，热门的研究领域包括了数据预处理、构造解释、储层识别等领域。

1.数据预处理

数据预处理主要是实现地震道集的优化，包括了噪声压制、分辨率提高、缺失道恢复等。

有学者提出了深度残差网络、自编码卷积神经网络、深度卷积神经网络等进行了随机噪声压制。

地震反演是储层预测中的一项重要工作，在这个领域涵盖了反射系统反演、弹性参数反演、物性参数反演、工程参数反演、岩石参数反演、全波形反演、地震初至旅行反演等众多研究方向，采用的方法包括了机器学习和深度学习各类流行的算法模型。

比如有学者采用级联和卷积神经网络在时间域角度反演了岩石物理参数，包括纵横波速度、密度、孔隙度、含水饱和度等。

岩石物理分析是储层预测中比较直接研究地质构造的一类方法，研究方向包括了对测井曲线预测和进行数字岩心的预测。

有学者运用三维卷积神经网络，通过扫描岩石标本图像预计孔隙度和弹性参数，应用于砂岩切片预测。

03 人工智能技术在实际应用中存在的问题

虽然人工智能技术带来了很多革命性的变化，但是在应用过程中仍然存在一些局限性：

1.数据缺乏统一性

目前地震勘探得到的数据类型众多，数据量也很大。但是没有建立一套标准的数据接口，缺乏数据统一管理的模式，造成人工智能模型的数据输入存在限制，无法自动化、规模化的训练模型，无法对网络模型进行持续的改进。

2.模型处理过程可视化问题

网络模型存在黑箱问题，处理过程中的结果无法供研究人员掌握。还需要考虑将智能模型计算结果与地震勘探软件进行叠加使用，满足复杂图层、多次分析要求。

3.高维度复杂数据处理问题

目前的人工智能模型对一维数字、二维图片等数据处理比较成熟。但是对三维以上的数据处理能力尚不成熟。在地震勘探工程中，存在大量的多维数据，比如地震数据体、油气存储属性数据等。一方面高维度数据造成模型构造复杂度上升，另一方面大规模数据量也会造成数据处理时间成指数倍上升。人工智能的数据处理难题，影响了地震勘探的精细化应用分析。

4.面对不同场景的适用性问题

人工智能模型种类众多，在解决不同地震勘探场景时具有多解性。当使用不同的训练集数据，应用于不同的实际场景，可能会出现不同的实际效果。确立一套科学的场景应用模型设计，实现在特定训练场景和应用场景中得到稳定的效果输出，这是未来研究者需要努力的方向。