A deep learning identification method for the core of fracture-cavity bodies based on Angle domain data-driven
Zhipeng Gui; Junhua Zhang; Yu Wang; Xingliang Deng; Yintao Zhang ...
Interpretation Early Publication May 2026. doi: 10.1190/INT-2025-0050
基于角度域数据驱动的缝洞体核心深度学习识别方法
摘要
深层碳酸盐岩缝洞型油藏油气储量丰富，是当前油气勘探重点领域。这类油藏埋藏深度大，地震反射构造常与沉积地层信号相互叠加，常规手段难以实现精准识别。同时缝洞型油藏区别于水平层状沉积储层，主要以竖向走滑断裂与溶蚀构造为发育特征。
地震勘探中，不同角度采集的信号蕴含差异化储层信息，可精细刻画缝洞体系。针对缝洞核心区识别难题，本文提出一种角度域数据驱动的深度学习识别方法。
该方法先剖析角度域地震数据响应规律：小角度数据（0-6°，区间非固定）对水平地层响应强烈；大角度数据（27-33°，区间非固定）受水平地层干扰较弱，可有效弱化地层信号影响。研究构建融合多尺度卷积、通道注意力与空间注意力机制的神经网络模型。
对比试验表明，该方法攻克了传统模型无法解决的正演标签与实际样本不匹配问题。实际工区数据验证显示，其识别精度显著优于二代相干体、四代相干体算法；相较小角度数据与常规偏移数据，算法抗噪性与预测稳定性也大幅提升。
该方法从数据源与预测模型双重优化，有效提高缝洞核心区预测精度，在同类油藏中具备广泛应用前景。
(AI翻译）
获取更多内容，请点击文章底部阅读原文
