楊午陽(yáng)，魏新建，李海山

（中國(guó)石油勘探開(kāi)發(fā)研究院西北分院，蘭州 730020）

0 引言

人工智能（Artificial Intelligence，AI）這一概念首次被提出并被進(jìn)行系統(tǒng)科學(xué)的思考，當(dāng)屬英國(guó)數(shù)學(xué)家阿蘭·圖靈在1950 年發(fā)表的《Computing Machinery and Intelligence》一書(shū)中提到：“我提議大家考慮一下‘機(jī)器能思考’的問(wèn)題”。隨后，在1956 年的達(dá)特茅斯學(xué)院召開(kāi)的學(xué)術(shù)會(huì)議上，人工智能被正式定義為一個(gè)研究領(lǐng)域［1］。在工業(yè)化、信息化、科技化的今天，人類(lèi)需要用智能機(jī)器去擴(kuò)展和延伸自身的能力，解放體力和腦力勞動(dòng)，實(shí)現(xiàn)人類(lèi)社會(huì)的全面自動(dòng)化和智能化。人工智能技術(shù)正以試圖解開(kāi)人類(lèi)智能的本質(zhì)為目標(biāo)，已研發(fā)出了一種新的能以人類(lèi)智能相似的方式做出反應(yīng)的智能機(jī)器，該領(lǐng)域的研究包括機(jī)器人［2-6］、自然語(yǔ)言處理［7-10］、計(jì)算機(jī)視覺(jué)［11-13］、圖像處理［14-15］、語(yǔ)音識(shí)別［16-17］等。

人工智能已經(jīng)成為新一輪科技革命和產(chǎn)業(yè)變革的核心驅(qū)動(dòng)力，世界各國(guó)紛紛搶灘布局，成為彰顯創(chuàng)新實(shí)力的必爭(zhēng)之地。2018 年5月28日，習(xí)近平總書(shū)記在兩院院士大會(huì)上指出，“要推進(jìn)互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實(shí)體經(jīng)濟(jì)深度融合，要以智能制造為主攻方向推動(dòng)產(chǎn)業(yè)技術(shù)變革和優(yōu)化升級(jí)”。在物探領(lǐng)域，人工智能的研究與應(yīng)用是物探技術(shù)升級(jí)轉(zhuǎn)型的標(biāo)志，也是未來(lái)物探技術(shù)發(fā)展的標(biāo)志性技術(shù)。全球各大油公司、油服公司為贏得市場(chǎng)競(jìng)爭(zhēng)，搶占技術(shù)先機(jī)，紛紛開(kāi)展智能化物探技術(shù)研發(fā)。近日殼牌宣布和微軟擴(kuò)大合作，在石油行業(yè)大規(guī)模推廣人工智能，與此同時(shí)，人工智能在油氣領(lǐng)域內(nèi)的應(yīng)用日益廣泛，智慧油田、智慧煉廠(chǎng)、智慧管道、智能物探、智能測(cè)井和智能鉆完井等新事物層出不窮。

通過(guò)對(duì)人工智能技術(shù)及其在地球物理勘探領(lǐng)域的發(fā)展歷程、發(fā)展現(xiàn)狀以及發(fā)展方向的綜述，指出當(dāng)前智能化物探技術(shù)發(fā)展需要解決的一些關(guān)鍵問(wèn)題，并給出推動(dòng)智能化物探技術(shù)健康發(fā)展的建議，以期為推動(dòng)智能化物探技術(shù)的健康發(fā)展提供參考。

1 智能物探的發(fā)展

人工智能已經(jīng)成為一個(gè)當(dāng)前最活躍的具有眾多實(shí)際應(yīng)用場(chǎng)景的研究領(lǐng)域，并且還在蓬勃發(fā)展。深度學(xué)習(xí)（deep learning，簡(jiǎn)稱(chēng)DL）作為一種特定類(lèi)型的機(jī)器學(xué)習(xí)，具有強(qiáng)大的能力和靈活性，可以將大千世界表示為嵌套的層次概念體系，由比較簡(jiǎn)單概念間的聯(lián)系定義復(fù)雜概念，從一般抽象概括到高級(jí)抽象表示，是通向人工智能的有效途徑之一。早期的人工智能，通常依靠對(duì)規(guī)則硬編碼方式來(lái)實(shí)現(xiàn)，這其實(shí)是一個(gè)笨拙的過(guò)程，僅僅適合于解決明確的邏輯性問(wèn)題。依靠硬編碼的知識(shí)體系面臨的諸多難題表明，人工智能系統(tǒng)必須具備自己獲取知識(shí)的能力，這就是目前機(jī)器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用的核心思想——“用數(shù)據(jù)編程”。

近幾年來(lái)，依靠大數(shù)據(jù)集、強(qiáng)大的硬件算力以及卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、深度神經(jīng)網(wǎng)絡(luò)（DNN）等架構(gòu)思想，深度學(xué)習(xí)已逐漸成為圖像處理、語(yǔ)音識(shí)別、文本語(yǔ)料、地震數(shù)據(jù)等復(fù)雜高維度數(shù)據(jù)的主要分析方法。與日俱增的數(shù)據(jù)量、網(wǎng)絡(luò)模型規(guī)模以及日漸提升的模型精度和復(fù)雜度對(duì)現(xiàn)實(shí)世界的沖擊，優(yōu)秀的容量控制方法、注意力機(jī)制、記憶網(wǎng)絡(luò)和神經(jīng)編碼器、生成對(duì)抗網(wǎng)絡(luò)（GAN）、具有強(qiáng)大計(jì)算能力的GPU 和并行計(jì)算能力以及深度學(xué)習(xí)框架等，是近十年來(lái)深度學(xué)習(xí)長(zhǎng)足發(fā)展的主要原因。深度學(xué)習(xí)的另一個(gè)最大的進(jìn)展就是其在強(qiáng)化學(xué)習(xí)（reinforcement learning）領(lǐng)域的擴(kuò)展。

將人工智能領(lǐng)域的優(yōu)秀研究成果與地球物理勘探（物探）領(lǐng)域知識(shí)相結(jié)合，促生了一門(mén)新型的研究領(lǐng)域——智能物探。楊午陽(yáng)等［1］將以物探海量數(shù)據(jù)為基礎(chǔ)，以強(qiáng)大的地震資料處理、解釋能力提升為手段，以人工智能算法為突破關(guān)鍵，全面融合各類(lèi)油氣信息資源，進(jìn)行數(shù)據(jù)挖掘、知識(shí)發(fā)現(xiàn)與共享，最終實(shí)現(xiàn)地震資料處理、解釋等環(huán)節(jié)啟發(fā)式自動(dòng)化的科學(xué)決策過(guò)程稱(chēng)之為智能物探。下面從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)、典型的深度學(xué)習(xí)框架、深度學(xué)習(xí)解決問(wèn)題的基本思路、基于神經(jīng)網(wǎng)絡(luò)的早期應(yīng)用和基于深度學(xué)習(xí)的應(yīng)用等5 個(gè)方面分析智能物探的發(fā)展。

1.1 從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)

智能物探的發(fā)展與人工智能技術(shù)的發(fā)展密切相關(guān)，人工智能技術(shù)經(jīng)歷了3 次較大的浪潮（圖1），在第二次浪潮中開(kāi)始與物探領(lǐng)域結(jié)合。

圖1 人工智能技術(shù)發(fā)展歷程（據(jù)文獻(xiàn)［5］修改）Fig.1 Development history of artificial intelligence technology

1956 年的達(dá)特茅斯會(huì)議上，計(jì)算機(jī)科學(xué)家約翰·麥卡錫說(shuō)服與會(huì)者接受“人工智能”一詞作為本領(lǐng)域的名稱(chēng)，后來(lái)這次會(huì)議被看作是人工智能正式誕生的標(biāo)志。這次會(huì)議后的十幾年內(nèi)，計(jì)算機(jī)被用來(lái)解決代數(shù)應(yīng)用問(wèn)題、證明幾何定理、學(xué)習(xí)和使用英語(yǔ)等。然而，此時(shí)的人工智能技術(shù)只是具備了邏輯推理能力，還遠(yuǎn)遠(yuǎn)達(dá)不到智能化的水平，同時(shí)由于固定算法的人工智能功能局限，一旦處理事務(wù)太復(fù)雜，計(jì)算量龐大，將成為不可完成的任務(wù)，人工智能的研究遭遇到了種種質(zhì)疑，發(fā)展也進(jìn)入了第一個(gè)冬天。

20 世紀(jì)70 年代，隨著“專(zhuān)家系統(tǒng)”的流行，人工智能迎來(lái)第二輪蓬勃發(fā)展?！皩?zhuān)家系統(tǒng)”是一種針對(duì)某個(gè)特定專(zhuān)業(yè)領(lǐng)域的問(wèn)題進(jìn)行回答或解決的計(jì)算機(jī)程序，運(yùn)用專(zhuān)家掌握的行業(yè)專(zhuān)業(yè)知識(shí)建立的邏輯規(guī)則來(lái)解決問(wèn)題。用于計(jì)算機(jī)深度學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)在20 世紀(jì)80 年代就已經(jīng)被提出，但由于其缺乏理論支撐，且計(jì)算力有限，并沒(méi)有得到相應(yīng)的重視。然而，得益于機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的發(fā)展，在石油領(lǐng)域卻迎來(lái)了智能化探索的第一個(gè)高潮。專(zhuān)家們?cè)诘卣鹳Y料處理、解釋等方面進(jìn)行了各種嘗試，但是隨著20 世紀(jì)80 年代PC 的出現(xiàn)，人工智能的寒冬再次降臨。

20 世紀(jì)90 年代末，隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，摩爾定律為人工智能的發(fā)展帶來(lái)了新的可能性。當(dāng)飛速提升的計(jì)算能力被應(yīng)用到了人工智能的研究后，顯著提升了人工智能的研究效果。隨后，人工智能迎來(lái)了第三個(gè)春天。

2006 年Hinton 等提出的深度置信網(wǎng)絡(luò)開(kāi)啟了人工智能的深度學(xué)習(xí)時(shí)代［18］。此后，人工智能技術(shù)在各行業(yè)不斷取得突破。如在自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)、自動(dòng)駕駛、圖像識(shí)別、自動(dòng)機(jī)器人、醫(yī)學(xué)等領(lǐng)域取得了顯著進(jìn)展。2016 年Google 的AlphaGo［19］戰(zhàn)勝人類(lèi)棋標(biāo)志著人工智能概念得到普及，美國(guó)和中國(guó)先后宣布以人工智能技術(shù)為基礎(chǔ)的國(guó)家科技發(fā)展規(guī)劃，將人工智能研究提升到國(guó)家戰(zhàn)略層面。2016 年之后，基于深度學(xué)習(xí)的智能化物探技術(shù)逐漸發(fā)展起來(lái)，發(fā)表文章的數(shù)量呈現(xiàn)出爆發(fā)式的增長(zhǎng)。當(dāng)前，人工智能正處于第三次發(fā)展浪潮中，是一門(mén)重點(diǎn)研究開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的新技術(shù)科學(xué)。作為對(duì)人的意識(shí)、思維、推理等信息過(guò)程的模擬，人工智能通?？煞譃? 類(lèi)：一是弱人工智能，包含基礎(chǔ)的、特定場(chǎng)景下角色型的任務(wù)；二是通用人工智能，涉及機(jī)器的持續(xù)學(xué)習(xí)能力；三是強(qiáng)人工智能，主要指超越人類(lèi)智慧的機(jī)器智能。人工智能在模擬形式上主要有行為學(xué)派的機(jī)器人、聯(lián)結(jié)學(xué)派的神經(jīng)網(wǎng)絡(luò)和符號(hào)學(xué)派的知識(shí)表示等，而推進(jìn)人工智能浪潮的是基于聯(lián)結(jié)學(xué)派的神經(jīng)網(wǎng)絡(luò)算法［20-26］，其以智能行為的生理模型為依據(jù)，通過(guò)模擬大腦的生理結(jié)構(gòu)，采用數(shù)值計(jì)算的方法，模擬腦神經(jīng)網(wǎng)絡(luò)的工作過(guò)程，實(shí)現(xiàn)學(xué)習(xí)、記憶、聯(lián)想、感知、識(shí)別、判斷等能力。

人工智能的核心技術(shù)是機(jī)器學(xué)習(xí)。傳統(tǒng)機(jī)器學(xué)習(xí)從有限的觀測(cè)樣本出發(fā)，試圖發(fā)現(xiàn)原理分析不能獲得的規(guī)律，實(shí)現(xiàn)對(duì)未來(lái)數(shù)據(jù)行為或趨勢(shì)等的準(zhǔn)確預(yù)測(cè)。根據(jù)學(xué)習(xí)方法可將機(jī)器學(xué)習(xí)分為傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)［26］，主要算法有神經(jīng)網(wǎng)絡(luò)［20-26］、邏輯回歸［27-30］、隱馬爾科夫鏈［31-32］、支持向量機(jī)［33-37］、K近鄰方法［38］、AdaBoost［39-40］、貝葉斯方法［41-42］、決策樹(shù)［43］、隨機(jī)森林［44-45］等。傳統(tǒng)機(jī)器學(xué)習(xí)平衡了學(xué)習(xí)結(jié)果的有效性與學(xué)習(xí)模型的可解釋性，為解決有限樣本的學(xué)習(xí)問(wèn)題提供了一種框架，主要用于有限樣本情況下的模式分類(lèi)、回歸分析、概率密度估計(jì)等。深度學(xué)習(xí)是基于多層神經(jīng)網(wǎng)絡(luò)，將特征學(xué)習(xí)和表示融合，經(jīng)過(guò)多種層的組合，實(shí)現(xiàn)對(duì)任意復(fù)雜數(shù)學(xué)函數(shù)的高度逼近擬合，可以有效學(xué)習(xí)客觀樣本中所蘊(yùn)含的空間分布和時(shí)間分布特征等內(nèi)在特征。典型的深度學(xué)習(xí)算法有深度置信網(wǎng)絡(luò)［26］、CNN［46-47］、RNN［48-49］和生成對(duì)抗網(wǎng)絡(luò)［50］等。人工智能研究是物探技術(shù)升級(jí)轉(zhuǎn)型的關(guān)鍵，目前全球各大油氣公司、油服公司為贏得市場(chǎng)競(jìng)爭(zhēng)，搶占先機(jī)，紛紛布局智能化技術(shù)研發(fā)，學(xué)術(shù)界也廣泛關(guān)注智能物探技術(shù)，從近幾年人工智能專(zhuān)題論文在物探行業(yè)SEG、EAGE 等國(guó)際會(huì)議論文中的占比就可見(jiàn)一斑。2017年人工智能專(zhuān)題在SEG 會(huì)議論文中占比2.7%，2018年上升至10.0%，2019 年達(dá)13.0%。

各種機(jī)器學(xué)習(xí)算法預(yù)測(cè)能力強(qiáng)，但存在描述能力不足的缺點(diǎn)。2012 年Google 正式提出了知識(shí)圖譜的概念，其最大的優(yōu)勢(shì)就是對(duì)數(shù)據(jù)的描述能力非常強(qiáng)大，正好彌補(bǔ)了機(jī)器學(xué)習(xí)的不足。隨著人工智能的技術(shù)發(fā)展和應(yīng)用，知識(shí)圖譜作為關(guān)鍵技術(shù)之一，已被廣泛應(yīng)用于智能搜索、智能問(wèn)答、個(gè)性化推薦、內(nèi)容分發(fā)等領(lǐng)域。未來(lái)，借助知識(shí)圖譜的表示形式，利用圖神經(jīng)網(wǎng)絡(luò)進(jìn)行知識(shí)的推斷或推理，實(shí)現(xiàn)人工智能技術(shù)從感知到認(rèn)知的跨越，將是一個(gè)很有前景的研究方向。在油氣領(lǐng)域，如能夠?qū)⒅R(shí)圖譜和專(zhuān)家領(lǐng)域知識(shí)相結(jié)合，必將為勘探?jīng)Q策、風(fēng)險(xiǎn)評(píng)估提供有效的解決方案。

1.2 典型的深度學(xué)習(xí)框架

深度學(xué)習(xí)框架是為深度學(xué)習(xí)而準(zhǔn)備的，在傳播深度學(xué)習(xí)思想過(guò)程中扮演著十分重要的角色，與大數(shù)據(jù)和算力并稱(chēng)為深度學(xué)習(xí)技術(shù)發(fā)展的三駕馬車(chē)。深度學(xué)習(xí)技術(shù)的發(fā)展很大程度上依賴(lài)于深度學(xué)習(xí)框架的發(fā)展。從目前來(lái)看，深度學(xué)習(xí)框架至少已經(jīng)發(fā)展了三代。

在早期，人們需要具備C++和CUDA 等專(zhuān)業(yè)知識(shí)來(lái)實(shí)現(xiàn)深度學(xué)習(xí)算法，而深度學(xué)習(xí)框架通過(guò)利用GPU 加速過(guò)的運(yùn)算替代與NumPy 類(lèi)似的運(yùn)算以及構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，抽象出了許多底層的復(fù)雜度，也屏蔽了底層的細(xì)節(jié)，極大地降低了深度學(xué)習(xí)建模的難度和入門(mén)門(mén)檻，使得那些具有腳本語(yǔ)言知識(shí)（如Python 等）的人也可以構(gòu)建和使用深度學(xué)習(xí)算法。如今，隨著諸多公司將深度學(xué)習(xí)框架開(kāi)源，也讓更多的行業(yè)應(yīng)用者可以將精力集中于模型結(jié)構(gòu)、應(yīng)用場(chǎng)景的設(shè)計(jì)以及應(yīng)用算法的開(kāi)發(fā)方面。

TensorFlow 和PyTorch 是目前最流行的2 種開(kāi)源框架，TensorFlow主要提供靜態(tài)圖構(gòu)建的功能，通常具有較高的運(yùn)算性能，常應(yīng)用于人工智能企業(yè)的模型部署，但是模型的調(diào)試分析成本較高；PyTorch主要提供動(dòng)態(tài)圖計(jì)算功能，API 接近于Python 原生語(yǔ)法，易用性較好，構(gòu)架復(fù)雜架構(gòu)模型時(shí)具有更高的靈活性，因此在學(xué)術(shù)界被大量使用，目前這2 種框架正在吸收各自的優(yōu)點(diǎn)。此外，主流深度學(xué)習(xí)開(kāi)源框架還有Caffe，MXNet，Theano，CNTK，Deeplearning4j 和PaddlePadle 等，都支持多種開(kāi)發(fā)語(yǔ)言和操作系統(tǒng)（表1）。近期針對(duì)大模型，也產(chǎn)生了一些框架，不再贅述。

表1 主流深度學(xué)習(xí)開(kāi)源框架Table 1 Mainstream deep learning open source framework

1.3 深度學(xué)習(xí)解決問(wèn)題的基本思路

深度學(xué)習(xí)可以完成多種類(lèi)型的任務(wù)，常見(jiàn)的有分類(lèi)、輸入缺失分類(lèi)、回歸、去噪、機(jī)器翻譯和異常檢測(cè)等。從現(xiàn)有文獻(xiàn)來(lái)看，深度學(xué)習(xí)的應(yīng)用最早見(jiàn)于圖像識(shí)別，這可以追溯到2012 年，據(jù)ImageNet 評(píng)測(cè)結(jié)果DNN 技術(shù)在圖像識(shí)別中將錯(cuò)誤率從26%降低到了15%。除了圖像識(shí)別，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別、自然語(yǔ)言處理、音頻處理、搜索引擎、地球物理以及醫(yī)學(xué)等領(lǐng)域都取得了很出色的表現(xiàn)。

從理論上講，將深度學(xué)習(xí)相關(guān)技術(shù)應(yīng)用于解決實(shí)際問(wèn)題，通常包含問(wèn)題描述、模型和架構(gòu)選擇、問(wèn)題的定義和構(gòu)建數(shù)據(jù)管道、以模型評(píng)估為核心的模型建立、模型測(cè)試以及預(yù)測(cè)等關(guān)鍵環(huán)節(jié)。然而，在實(shí)際工作中，可以將問(wèn)題描述、評(píng)估、特征工程和避免過(guò)擬合等結(jié)合起來(lái)，形成一個(gè)可用于解決任何機(jī)器學(xué)習(xí)問(wèn)題的解決方案框架。這樣，一個(gè)完整的深度學(xué)習(xí)項(xiàng)目（任務(wù)）通常只需要包含構(gòu)建數(shù)據(jù)管道、構(gòu)建網(wǎng)絡(luò)架構(gòu)、使用損失函數(shù)評(píng)估模型、使用優(yōu)化算法優(yōu)化網(wǎng)絡(luò)架構(gòu)的權(quán)重等關(guān)鍵環(huán)節(jié)。

1.4 基于神經(jīng)網(wǎng)絡(luò)的早期應(yīng)用

將神經(jīng)網(wǎng)絡(luò)應(yīng)用于物探領(lǐng)域的研究可以追溯到20 世紀(jì)90 年代，根據(jù)Poulton［51］的研究，在1994年之前，神經(jīng)網(wǎng)絡(luò)的應(yīng)用主要是用模型數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，并將其用于實(shí)際數(shù)據(jù)測(cè)試和應(yīng)用，而1995 年以后，則集中在一些特定的應(yīng)用領(lǐng)域，例如儲(chǔ)層表征等。整體而言，神經(jīng)網(wǎng)絡(luò)在物探領(lǐng)域的應(yīng)用場(chǎng)景較多，如地震資料處理領(lǐng)域的初至拾取、靜校正，解釋領(lǐng)域的參數(shù)估計(jì)及油氣檢測(cè)等。

在地震資料處理方面，Murat 等［52］首次將神經(jīng)網(wǎng)絡(luò)用于地震初至拾取，利用地震道半周期的4 種振幅屬性，通過(guò)神經(jīng)網(wǎng)絡(luò)拾取地震初至；Mccormack等［53］提出將反向傳播神經(jīng)網(wǎng)絡(luò)用于地震初至拾取和地震道編輯，改進(jìn)了反向傳播神經(jīng)網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)訓(xùn)練的收斂速度，通過(guò)交互的人機(jī)訓(xùn)練方式，使得訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型具備“專(zhuān)家系統(tǒng)”的能力，可用于新數(shù)據(jù)的預(yù)測(cè)和處理；R?th 等［54］試驗(yàn)了神經(jīng)網(wǎng)絡(luò)在地震反演中的應(yīng)用，通過(guò)合成的單炮數(shù)據(jù)空間和速度空間的映射，實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)模型的訓(xùn)練，訓(xùn)練后的模型預(yù)測(cè)的速度模型精度有限，可用于反演的初始模型；Chu 等［55］將模糊邏輯系統(tǒng)用于地震波初至拾取，將初至拾取歸類(lèi)為模式識(shí)別問(wèn)題，將地震屬性和距離相關(guān)的橫向變化作為分段線(xiàn)性引導(dǎo)函數(shù)的輸入，實(shí)現(xiàn)對(duì)地震的初至拾取，在同樣的預(yù)測(cè)精度下，該方法的訓(xùn)練效率比神經(jīng)網(wǎng)絡(luò)高；Dai 等［56-57］將神經(jīng)網(wǎng)絡(luò)在地震初至拾取中的應(yīng)用擴(kuò)展到三分量地震記錄，將X分量、Y分量、Z分量地震數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型輸入，提高了網(wǎng)絡(luò)模型預(yù)測(cè)精度，有效識(shí)別地震初至；Wang 等［58］將Hopfield 神經(jīng)網(wǎng)絡(luò)用于誤差反褶積和震源子波估計(jì)預(yù)測(cè)，通過(guò)神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)實(shí)現(xiàn)自適應(yīng)最小化預(yù)測(cè)，將震源子波估計(jì)和誤差反褶積分別處理，實(shí)現(xiàn)全部的反褶積和子波估計(jì)；Calderón-Macas 等［59］提出沿著2D 測(cè)線(xiàn)將控制點(diǎn)處的CMP 道集用前饋神經(jīng)網(wǎng)絡(luò)映射到地震速度空間，在網(wǎng)絡(luò)訓(xùn)練過(guò)程中用快速模擬退火法實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)更新，從而實(shí)現(xiàn)每個(gè)控制點(diǎn)的CMP 道集的自動(dòng)NMO 校正。

在地震解釋方面，Huang 等［60］提出利用神經(jīng)網(wǎng)絡(luò)的Hopfield 模型進(jìn)行地震“甜點(diǎn)”識(shí)別；Poulton等［61］利用神經(jīng)網(wǎng)絡(luò)進(jìn)行地下目標(biāo)體的定位。陸文凱等［62-64］用神經(jīng)網(wǎng)絡(luò)自適應(yīng)地外推測(cè)井資料，將神經(jīng)網(wǎng)絡(luò)與地震反演有機(jī)地結(jié)合起來(lái)，從而實(shí)現(xiàn)地震反演；Calderon-Macias 等［65］將神經(jīng)網(wǎng)絡(luò)用于地球物理參數(shù)估計(jì)，將垂直電測(cè)深中獲得的地層電阻率和層厚度（VES）數(shù)據(jù)與從地震波形數(shù)據(jù)獲得一維速度模型的數(shù)據(jù)用于預(yù)先設(shè)定的參數(shù)范圍隨機(jī)初始化，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)模型的訓(xùn)練和地球物理參數(shù)的預(yù)測(cè)；朱廣生等［66］利用多層感知器進(jìn)行油氣儲(chǔ)層橫向預(yù)測(cè)以及地震道自動(dòng)編輯；Fitzgerald 等［67］研究了利用人工神經(jīng)網(wǎng)絡(luò)基于常規(guī)測(cè)井記錄進(jìn)行裂縫頻率預(yù)測(cè)技術(shù)，將中子孔隙度、體密度、縱波、橫波、電阻率等作為ANN 網(wǎng)絡(luò)的輸入?yún)?shù)，可用來(lái)評(píng)估測(cè)井中與裂縫有關(guān)的非均質(zhì)性的信號(hào)強(qiáng)度以及井孔內(nèi)的裂縫頻率，從而實(shí)現(xiàn)裂縫區(qū)域的橫向相關(guān)預(yù)測(cè)；Boadu［68］利用等效的不連續(xù)性裂縫模型生成的輸入與輸出進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，聯(lián)合縱、橫波速度進(jìn)行裂縫密度反演；Alimonti 等［69］將人工神經(jīng)網(wǎng)絡(luò)、統(tǒng)計(jì)學(xué)和模糊邏輯等技術(shù)相結(jié)合，對(duì)單井多相流展開(kāi)診斷分析和測(cè)量；William 等［70］運(yùn)用常規(guī)統(tǒng)計(jì)分析技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)，構(gòu)建了能對(duì)單井化學(xué)吸收率預(yù)測(cè)的模型，實(shí)現(xiàn)對(duì)二次采注比的預(yù)測(cè)。Maiti 等［71］提出一種基于超自適應(yīng)反向傳播概念的新方法用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，開(kāi)發(fā)了神經(jīng)網(wǎng)絡(luò)根據(jù)測(cè)井?dāng)?shù)據(jù)對(duì)巖相邊界進(jìn)行分類(lèi)的技術(shù)；Baronian 等［72］利用正演模擬技術(shù)合成模型數(shù)據(jù)集，制作了精確的輸入和輸出之間的準(zhǔn)確映射關(guān)系，用于ANN 網(wǎng)絡(luò)訓(xùn)練，這樣訓(xùn)練后的ANN 網(wǎng)絡(luò)模型泛化能力較強(qiáng)，可用于未知地區(qū)的地震速度信息分析和地層傾角預(yù)測(cè)；Maiti等［73］創(chuàng)新地將Bayesian 框架和神經(jīng)網(wǎng)絡(luò)結(jié)合，提出了一種基于貝葉斯神經(jīng)網(wǎng)絡(luò)（BNN）學(xué)習(xí)理論的新概率方法，用于從測(cè)井?dāng)?shù)據(jù)中解碼巖相邊界；Baddari 等［74］使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行地震數(shù)據(jù)反演，所得結(jié)果清楚地證明了其提出的反饋神經(jīng)網(wǎng)絡(luò)地震數(shù)據(jù)反演方法的可行性；楊午陽(yáng)等［75］提出了一種基于疊前AVA 同步反演的儲(chǔ)層物性參數(shù)預(yù)測(cè)方法，在綜合考慮巖石密度，縱、橫波速度等彈性參數(shù)與孔隙度等物性參數(shù)的空間關(guān)系基礎(chǔ)上，采用Kohenon自組織神經(jīng)網(wǎng)絡(luò)對(duì)儲(chǔ)層參數(shù)進(jìn)行分類(lèi)，采用MLP 多層感知器對(duì)儲(chǔ)層物性參數(shù)進(jìn)行定量預(yù)測(cè)。

神經(jīng)網(wǎng)絡(luò)技術(shù)可以將數(shù)據(jù)轉(zhuǎn)化為信息，找到地球物理數(shù)據(jù)和巖石物理特性之間的重要相關(guān)性，如將小波形態(tài)的細(xì)微變化與巖性的小尺度變化聯(lián)系起來(lái)，并找到小波中的特征，進(jìn)行斷點(diǎn)識(shí)別、層位追蹤、識(shí)別氣體煙囪或識(shí)別斷層，但神經(jīng)網(wǎng)絡(luò)還無(wú)法在更低成本、更高效率和更少人員投入情況下從大數(shù)據(jù)流中發(fā)現(xiàn)相關(guān)信息方面發(fā)揮越來(lái)越重要的作用。

1.5 基于深度學(xué)習(xí)的應(yīng)用

自2016 年以來(lái)，人工智能技術(shù)與物探技術(shù)的結(jié)合日益緊密，全球大型石油公司都在加快推進(jìn)數(shù)字化轉(zhuǎn)型。2017 年7 月到2020 年12 月，中國(guó)石油勘探與生產(chǎn)分公司已組織召開(kāi)了四屆“智能化”專(zhuān)題技術(shù)研討會(huì)，以推動(dòng)發(fā)展新一代智能化地震信息處理技術(shù)；埃森哲于2017 年對(duì)石油行業(yè)高管進(jìn)行的一項(xiàng)調(diào)查發(fā)現(xiàn)，70%的受訪(fǎng)者將加大對(duì)數(shù)字技術(shù)的投資，“數(shù)據(jù)就是新石油”的說(shuō)法已成為老生常談；Geophysical Insights 公司在2017 年SEG 年會(huì)上打出了“機(jī)器學(xué)習(xí)”的宣傳主題，其主要產(chǎn)品是Paradise 多屬性分析軟件包，將地震多屬性分析機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于薄層解釋、直接烴類(lèi)指示（DHI）等方面；2018 年2 月油服巨頭BHGE 攜手NVIDIA 進(jìn)軍石油人工智能；2018 年4 月，道達(dá)爾宣布和谷歌云簽署協(xié)議，將聯(lián)合發(fā)展人工智能技術(shù)，為石油勘探開(kāi)發(fā)提供全新智能解決方案；2020 年4 月15 日，中國(guó)石油集團(tuán)公司會(huì)議報(bào)告強(qiáng)調(diào)“數(shù)字化技術(shù)催生了企業(yè)發(fā)展的新業(yè)態(tài)、新模式，已成為全球經(jīng)濟(jì)發(fā)展的重要驅(qū)動(dòng)力和經(jīng)濟(jì)高質(zhì)量發(fā)展的重要引擎”。

目前，智能物探技術(shù)主要應(yīng)用于地震數(shù)據(jù)處理（如地震波初至拾取、微地震事件識(shí)別、去噪、地震速度分析、地震初始速度模型建立甚至反演成像等）與綜合解釋?zhuān)ㄈ绲卣饘傩苑治觥鄬幼R(shí)別、巖相識(shí)別、沉積相劃分、鹽丘邊界拾取等）、測(cè)井資料處理與解釋、重磁電非地震資料處理與解釋、井孔與巖石物理數(shù)據(jù)分析、微地震資料處理與解釋、油藏表征與開(kāi)發(fā)數(shù)據(jù)分析等方面。其核心是“應(yīng)用地球物理+AI”，通過(guò)將傳統(tǒng)物探技術(shù)與AI 技術(shù)融合，發(fā)揮專(zhuān)家領(lǐng)域知識(shí)與AI 兩者優(yōu)勢(shì)，突破傳統(tǒng)物探技術(shù)的瓶頸，挖掘物探數(shù)據(jù)內(nèi)在的、深層的、傳統(tǒng)技術(shù)無(wú)法發(fā)現(xiàn)的聯(lián)系，提升處理、解釋結(jié)果的科學(xué)性。其優(yōu)勢(shì)體現(xiàn)在3 個(gè)方面：一是模糊邏輯技術(shù)能夠基于“不完備”和“不完美”的數(shù)據(jù)進(jìn)行有效預(yù)測(cè)；二是深度學(xué)習(xí)技術(shù)分析基礎(chǔ)是大數(shù)據(jù)，通過(guò)對(duì)海量地震數(shù)據(jù)的實(shí)時(shí)提取，實(shí)現(xiàn)數(shù)據(jù)挖掘和多元信息融合利用，盤(pán)活了大量不活躍的“黑暗”數(shù)據(jù)，可以更精細(xì)、全面地描述地下儲(chǔ)層展布規(guī)律；三是減少了人工參與度，降低了處理解釋過(guò)程中的時(shí)間成本和人力成本。

近期研究表明，“應(yīng)用地球物理+AI”的賦能策略［1］，在費(fèi)時(shí)費(fèi)力環(huán)節(jié)（如初至拾取、速度拾取、層位解釋等）以及助力打破傳統(tǒng)物探技術(shù)瓶頸、攻克應(yīng)用難題方面具有重要意義。

2 主要研究進(jìn)展

2.1 標(biāo)簽數(shù)據(jù)集建立

人工智能技術(shù)在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、語(yǔ)音識(shí)別等領(lǐng)域被廣泛應(yīng)用，得益于相關(guān)領(lǐng)域已構(gòu)建的完備數(shù)據(jù)集，這些數(shù)據(jù)集規(guī)模大、類(lèi)型全、檢索方便，正是由于ImageNet 等數(shù)據(jù)集（表2）的出現(xiàn)，才推動(dòng)了智能化技術(shù)的飛速發(fā)展。

表2 典型深度學(xué)習(xí)數(shù)據(jù)集Table 2 Typical deep learning dataset

構(gòu)建油氣領(lǐng)域標(biāo)簽數(shù)據(jù)集是突破智能物探應(yīng)用瓶頸的關(guān)鍵，然而，準(zhǔn)確、快速構(gòu)建標(biāo)簽數(shù)據(jù)集合難度很大。總的來(lái)說(shuō)，目前主要是通過(guò)數(shù)模合成數(shù)據(jù)方案、物理模擬合成數(shù)據(jù)方案以及實(shí)際數(shù)據(jù)專(zhuān)家標(biāo)注方案來(lái)構(gòu)建標(biāo)簽數(shù)據(jù)集。這3種方案各有優(yōu)缺點(diǎn)，還需要結(jié)合應(yīng)用場(chǎng)景來(lái)進(jìn)行選擇，當(dāng)樣本數(shù)量不足時(shí)，還可以通過(guò)對(duì)樣本進(jìn)行處理的數(shù)據(jù)增廣方案等，但利用合成方法制作的標(biāo)簽數(shù)據(jù)集僅適用于間斷性如斷層、連續(xù)性如層位解釋等方面。

為了解決油氣物探標(biāo)簽數(shù)據(jù)集建立難題，構(gòu)建物探標(biāo)簽數(shù)據(jù)集，中國(guó)石油勘探開(kāi)發(fā)研究院西北分院組織構(gòu)建了油氣領(lǐng)域首個(gè)標(biāo)簽數(shù)據(jù)集及管理軟件SeismicNet，形成了從高效標(biāo)簽數(shù)據(jù)集建立、模型訓(xùn)練、模型管理到遷移應(yīng)用的一體化解決方案，足以滿(mǎn)足一般科研機(jī)構(gòu)及油氣企業(yè)的使用場(chǎng)景。SeismicNet 數(shù)據(jù)集及軟件具有“跨探區(qū)、多用戶(hù)、實(shí)時(shí)遠(yuǎn)程”等優(yōu)點(diǎn)，可對(duì)物探行業(yè)積累的海量數(shù)據(jù)進(jìn)行有效地管理、加工，形成帶標(biāo)注的結(jié)構(gòu)化物探大數(shù)據(jù)。該工具為標(biāo)簽數(shù)據(jù)的快速傳輸、瀏覽、選取、檢索、標(biāo)注、編輯及訓(xùn)練集的生成提供了便捷的管理工具，為后續(xù)智能質(zhì)控、智能處理、智能解釋等不同應(yīng)用場(chǎng)景中智能技術(shù)的快速落地奠定了堅(jiān)實(shí)的大數(shù)據(jù)基礎(chǔ)，填補(bǔ)了國(guó)內(nèi)智能物探大數(shù)據(jù)構(gòu)建領(lǐng)域的軟件空白。基于此訓(xùn)練集得到的不同網(wǎng)絡(luò)模型具有優(yōu)異的表示能力和泛化性能，在當(dāng)前業(yè)內(nèi)同類(lèi)模型中精度最高，為包括智能處理、解釋等在內(nèi)的智能物探任務(wù)提供了強(qiáng)大支撐，也助力儲(chǔ)層分類(lèi)、流體識(shí)別等技術(shù)水平的提升。圖2 為SeismicNet中的一個(gè)典型地震初至拾取標(biāo)簽數(shù)據(jù)集實(shí)例。圖3為SeismicNet 中一個(gè)典型的數(shù)模合成數(shù)據(jù)標(biāo)簽數(shù)據(jù)集的實(shí)例，其基本思想是依據(jù)構(gòu)造沉積理論，生成高度逼近實(shí)際資料的合成數(shù)據(jù)體及準(zhǔn)確標(biāo)注的河道數(shù)據(jù)體。

圖2 SeismicNet 軟件中地震初至拾取標(biāo)簽數(shù)據(jù)集Fig.2 First break picking sample data and label data in SeismicNet

圖3 SeismicNet 軟件中地震數(shù)模合成數(shù)據(jù)生成標(biāo)簽數(shù)據(jù)Fig.3 Generating label data from digital-analog composite data in SeismicNet

2.2 去噪

將深度學(xué)習(xí)相關(guān)策略應(yīng)用于地震資料處理，有很多場(chǎng)景，如拓頻、去噪、異常道識(shí)別、混采分離、速度分析、成像等，其中去噪是智能物探最早取得進(jìn)展的典型應(yīng)用場(chǎng)景之一。2016 年以來(lái)，發(fā)展了針對(duì)隨機(jī)噪聲、面波、強(qiáng)能量、鄰炮干擾等噪聲的智能去噪方法，在實(shí)際應(yīng)用中已見(jiàn)到了良好效果，展示了人工智能框架與地球物理算法相結(jié)合在解決地震資料處理難題方面具有良好的發(fā)展前景。

針對(duì)疊前地震數(shù)據(jù)的噪聲壓制難題，李海山等［76］采用ResNet網(wǎng)絡(luò)架構(gòu)進(jìn)行地震數(shù)據(jù)去噪攻關(guān)，在實(shí)際應(yīng)用中取得了良好的效果，計(jì)算效率、去噪性能均得到了顯著的提升。圖4 為一沙漠區(qū)智能復(fù)雜三維面波去噪技術(shù)實(shí)例，該工區(qū)由于地表沙丘起伏導(dǎo)致面波特征極為復(fù)雜，傳統(tǒng)的單一技術(shù)很難將其有效壓制，且傳統(tǒng)工業(yè)去噪需要分頻面波壓制、異常振幅壓制等多個(gè)模塊組合和復(fù)雜處理流程及大量參數(shù)測(cè)試，而智能去噪方法與傳統(tǒng)方法相比極大簡(jiǎn)化了處理流程，顯著提升了處理效率。提高效率應(yīng)該是當(dāng)前智能化方法發(fā)展的最主要的推動(dòng)力之一。

圖4 智能去噪與常規(guī)方法去噪結(jié)果對(duì)比Fig.4 Comparison of denoising results between intelligent denoising and conventional methods

Pham 等［77］等提出了一種將有監(jiān)督方法和無(wú)監(jiān)督方法結(jié)合的面波衰減方法，該方法由3 個(gè)具有物理意義和動(dòng)機(jī)的步驟組成，第一步是卷積神經(jīng)網(wǎng)絡(luò)，將地震記錄分解為面波和反射信號(hào)，其準(zhǔn)則是最小化2 個(gè)子網(wǎng)絡(luò)生成的信號(hào)和地?fù)u之和與輸入地震記錄之間的殘差；第二步是通過(guò)訓(xùn)練監(jiān)督分類(lèi)器，在FK 域建立反射和面波信號(hào)的最大分離；第三步是基于反射事件的卷積神經(jīng)網(wǎng)絡(luò)對(duì)面波進(jìn)行模擬，克服了傳統(tǒng)方法難以找到合適掩模的問(wèn)題。該方法中的每一個(gè)分量都與面波的震動(dòng)特性密切相關(guān)，并受其驅(qū)動(dòng)。野外地震記錄試驗(yàn)結(jié)果證明了各分量疊加在地震資料中防止信號(hào)泄漏和消除面波的效果。

低頻信號(hào)的恢復(fù)和補(bǔ)償以及拓展對(duì)地震資料處理、解釋意義重大。如地震信號(hào)中低頻能量可有效地緩解全波形反演中的周波跳躍問(wèn)題；低頻信號(hào)的拓展可有效提高分辨率，進(jìn)而提高諸如地震反演的精度，并有效降低反演的多解性等。然而，低頻信號(hào)的采集和記錄在地震勘探中仍然是一項(xiàng)艱巨的任務(wù)?；跀?shù)據(jù)驅(qū)動(dòng)的思想，GAN 框架為低頻信號(hào)的拓展提供了一條全新的思路，其基本思想是先利用包含低頻信息的模型數(shù)據(jù)進(jìn)行模型訓(xùn)練，然后利用基于模型數(shù)據(jù)訓(xùn)練的深度學(xué)習(xí)模型對(duì)實(shí)際數(shù)據(jù)進(jìn)行外推。Ovcharenko 等［78］提出了雙頻段生成學(xué)習(xí)的陸上地震數(shù)據(jù)低頻拓展方法，該方法需要2 個(gè)頻段的數(shù)據(jù)作為輸入，而且需要對(duì)GAN 進(jìn)行2個(gè)階段的訓(xùn)練，第一階段在合成數(shù)據(jù)上訓(xùn)練生成器，第二階段是聯(lián)合使用合成數(shù)據(jù)和實(shí)際數(shù)據(jù)訓(xùn)練GAN。

從現(xiàn)有的研究來(lái)看，智能去噪的方法很多，且技術(shù)發(fā)展很快。然而如何將人工智能技術(shù)應(yīng)用于地震數(shù)據(jù)去噪面臨諸多的難題，其一是由于噪聲類(lèi)型多樣、波場(chǎng)特征復(fù)雜，同傳統(tǒng)方法一樣，很難構(gòu)建普適性的去噪網(wǎng)絡(luò)，需針對(duì)不同的波場(chǎng)類(lèi)型及噪聲特點(diǎn)構(gòu)建針對(duì)性的智能去噪網(wǎng)絡(luò)，并在網(wǎng)絡(luò)架構(gòu)選擇、超參數(shù)調(diào)整、專(zhuān)家經(jīng)驗(yàn)的引入等方面進(jìn)行深入研究；其二，不同探區(qū)，甚至同一探區(qū)的不同工區(qū)，由于地表地下地質(zhì)特征的差異，模型的泛化能力通常比較差，需要根據(jù)資料的不同特點(diǎn)，重新引入本地化的標(biāo)簽數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)，以提高模型的泛化性能。因此，有關(guān)遷移學(xué)習(xí)、構(gòu)建高精度樣本數(shù)據(jù)集是未來(lái)研究的重點(diǎn)，也是難點(diǎn)，只有構(gòu)建更多具有代表性的標(biāo)簽數(shù)據(jù)集，才能真正推動(dòng)智能化方法在去噪領(lǐng)域的深入應(yīng)用。在去噪以及涉及相關(guān)考慮振幅變化如反演成像、流體識(shí)別等方面的應(yīng)用中，標(biāo)簽數(shù)據(jù)集的構(gòu)建應(yīng)盡可能采用實(shí)際地震數(shù)據(jù)，避免采用數(shù)模或物模數(shù)據(jù)，以免帶來(lái)潛在風(fēng)險(xiǎn)。此外，還需要注意傳統(tǒng)方法和智能化方法的結(jié)合，開(kāi)發(fā)傳統(tǒng)方法+AI方法結(jié)合的處理流程和算法。

2.3 斷裂檢測(cè)

斷裂檢測(cè)是深度學(xué)習(xí)技術(shù)在油氣領(lǐng)域應(yīng)用研究最為深入的典型場(chǎng)景，也是最早取得進(jìn)展的應(yīng)用場(chǎng)景之一。由于斷裂檢測(cè)僅僅檢測(cè)間斷性，可以采用合成數(shù)據(jù)和物理模擬數(shù)據(jù)等作為標(biāo)注數(shù)據(jù)進(jìn)行學(xué)習(xí)、構(gòu)建模型，且所獲得的模型具有很好的泛化性。在最近的斷裂檢測(cè)智能化研究中主要有2 種方法，一種是利用合成地震記錄數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練，然后將訓(xùn)練好的網(wǎng)絡(luò)模型應(yīng)用于實(shí)際地震數(shù)據(jù)，該方法解決了訓(xùn)練數(shù)據(jù)集的標(biāo)注問(wèn)題；另一種方法是直接用實(shí)際地震數(shù)據(jù)進(jìn)行訓(xùn)練，然后將訓(xùn)練好的網(wǎng)絡(luò)模型應(yīng)用于其他實(shí)際地震數(shù)據(jù)，該方法通常要對(duì)部分?jǐn)?shù)據(jù)集進(jìn)行人工解釋標(biāo)注，或利用其他傳統(tǒng)方法進(jìn)行標(biāo)注，如計(jì)算相干體作為斷層概率等。Chang 等［79］利用Unet 和Resnet 網(wǎng)絡(luò)聯(lián)合架構(gòu)，整合2 種網(wǎng)絡(luò)模型優(yōu)勢(shì)進(jìn)行地震斷裂檢測(cè)，該模型經(jīng)過(guò)訓(xùn)練以后，具備較強(qiáng)的泛化能力，斷裂識(shí)別的準(zhǔn)確率和檢測(cè)效率顯著提升；Guitton［80］使用3D 卷積神經(jīng)網(wǎng)絡(luò)在3D 地震體中有效地識(shí)別出了斷裂特征，使用3D 濾波器的設(shè)計(jì)中包含盡可能多的信息，提高了地震斷裂檢測(cè)精度；Zhao 等［81］將深度學(xué)習(xí)技術(shù)和圖像處理技術(shù)結(jié)合，實(shí)現(xiàn)了對(duì)斷裂特征的刻畫(huà)，提高了斷裂檢測(cè)的精度，但該方法容易出現(xiàn)斷裂檢測(cè)不全面的問(wèn)題；Xing 等［82］利用轉(zhuǎn)換學(xué)習(xí)方法對(duì)合成數(shù)據(jù)進(jìn)行斷裂檢測(cè)；Di 等［83］用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)疊后地震數(shù)據(jù)的斷裂檢測(cè)；Wu等［84］提出了一種使用CNN 網(wǎng)絡(luò)的自動(dòng)斷層解釋方法，首先用CNN 網(wǎng)絡(luò)從小圖像塊中估計(jì)提取斷層的方向，然后利用估計(jì)的斷層方向構(gòu)造各向異性高斯函數(shù)，最后堆疊所有局部斷裂導(dǎo)向的高斯函數(shù)生成一個(gè)斷層概率圖像，從估計(jì)的斷層方向計(jì)算的斷層概率圖像比傳統(tǒng)斷層屬性圖像的斷層特征更清晰、準(zhǔn)確，連續(xù)性更好。

目前在斷裂檢測(cè)領(lǐng)域已經(jīng)取得了很好的進(jìn)展，但從實(shí)際應(yīng)用角度來(lái)看，還存在諸多難題：①精度還須提升；②真正的斷層、巖性和物性等引起的間斷性斷層、由于噪聲影響產(chǎn)生的間斷性斷層等不易區(qū)分；③斷面組合難度大，在剖面上難以判斷不同的檢測(cè)結(jié)果是否屬于同一個(gè)斷層，這也是當(dāng)前智能斷層檢測(cè)攻關(guān)的主要方向。

2.4 層位與層序解釋

層位與層序解釋是地震資料解釋中最耗時(shí)的環(huán)節(jié)之一，獲取高精度的層位、層序解釋結(jié)果，對(duì)提高構(gòu)造解釋精度、油藏建模以及降低勘探風(fēng)險(xiǎn)具有重要意義。利用深度學(xué)習(xí)網(wǎng)絡(luò)如CNN 網(wǎng)絡(luò)實(shí)現(xiàn)地層解釋至少需要地震特征自學(xué)習(xí)（SFSL）和地層模型構(gòu)建（SMB）2 個(gè)步驟，每一步都在深層CNN 中實(shí)現(xiàn)，地層模型構(gòu)建是監(jiān)督的，而地震特征自學(xué)習(xí)則可設(shè)計(jì)為不受監(jiān)督，且不需要領(lǐng)域?qū)＜抑R(shí)。從近期的研究進(jìn)展來(lái)看，對(duì)層位解釋方面的研究主要集中在3 個(gè)方向：①采用多任務(wù)網(wǎng)絡(luò)，引入專(zhuān)家領(lǐng)域知識(shí)，同時(shí)獲得高精度的層位、斷層、層序解釋結(jié)果；②利用構(gòu)造分析技術(shù)逐步細(xì)化、逐級(jí)提高層位、斷層解釋精度的工作流程；③基于圖像分割思想，采用編碼-解碼器格式的卷積神經(jīng)網(wǎng)絡(luò)模型，將層位拾取問(wèn)題轉(zhuǎn)化為一個(gè)一維圖像分割問(wèn)題，用稀疏網(wǎng)格上的人工層位解釋結(jié)果進(jìn)行訓(xùn)練，然后用訓(xùn)練好的模型對(duì)整個(gè)數(shù)據(jù)體進(jìn)行自動(dòng)層位拾取處理。圖5為Geng 等［85］利用U-Net 卷積神經(jīng)網(wǎng)絡(luò)直接由三維地震數(shù)據(jù)自動(dòng)生成相對(duì)地質(zhì)時(shí)間體，用于快速層位和斷層解釋的實(shí)例，盡管采用合成訓(xùn)練集，其網(wǎng)絡(luò)仍具有較好的泛化能力。

圖5 采用U-Net 卷積神經(jīng)網(wǎng)絡(luò)生成的相對(duì)地質(zhì)時(shí)間體進(jìn)行智能層位、斷層解釋Fig.5 Intelligent layer and fault interpretation based on relative geological time agent generated by U-Net convolutional neural network

如何通過(guò)多源異構(gòu)且不均勻分布的稀疏數(shù)據(jù)獲得在地質(zhì)上合理的構(gòu)造模型，使建模自由度和靈活性更高，且能用于表達(dá)數(shù)學(xué)方程難以準(zhǔn)確描述的復(fù)雜三維幾何特征和空間組合關(guān)系是將深度學(xué)習(xí)應(yīng)用于地震解釋領(lǐng)域又一個(gè)主要的發(fā)展方向。

2.5 地震相分類(lèi)和異常體檢測(cè)

地震相可用于推斷沉積環(huán)境、沉積搬運(yùn)方向及地質(zhì)演變等情況。Hadiloo 等［86］采用模糊聚類(lèi)方法進(jìn)行地震相分析，通過(guò)考慮不同聚類(lèi)方法的測(cè)井?dāng)?shù)據(jù)和評(píng)價(jià)指數(shù)來(lái)提取聚類(lèi)數(shù)，采用KPCA 屬性和GK 方法的樣本基聚類(lèi)結(jié)果可以清楚地顯示地震相單元和通道模式；Zhao 等［87］引入了地震相分析的屬性加權(quán)，將屬性權(quán)重定義為自組織映射（SOM）響應(yīng)和解釋器首選項(xiàng)的函數(shù)，通過(guò)使用這樣的權(quán)重，輸入屬性中的信息在SOM 相圖中充分地表現(xiàn)出來(lái)，而在具有高對(duì)比度的屬性中則更少，實(shí)現(xiàn)了無(wú)監(jiān)督的地震相分析；Duan 等［88］提出了一種同時(shí)學(xué)習(xí)特征的聚類(lèi)方法，通過(guò)使用深度自動(dòng)編碼器網(wǎng)絡(luò)進(jìn)行表示和集群分配，可改善聚類(lèi)結(jié)果，提高地震相的精度預(yù)測(cè)；Zhao 等［89］利用編碼器-解碼器卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)地震相進(jìn)行分類(lèi)，對(duì)整條地震測(cè)線(xiàn)中的所有樣本進(jìn)行分類(lèi)的同時(shí)，還提供了優(yōu)越的地震相質(zhì)量，該方法基本實(shí)現(xiàn)了對(duì)全區(qū)地震相的自動(dòng)劃分，且保證了準(zhǔn)確率，是深度學(xué)習(xí)在地震相劃分應(yīng)用中較為成功的案例。

在復(fù)雜異常體檢測(cè)中，鹽丘追蹤解釋是一項(xiàng)耗時(shí)的任務(wù)?；谏疃染矸e網(wǎng)絡(luò)的新型自動(dòng)化工作流程，可以顯著減少鹽丘邊界的手動(dòng)解釋量，還可能將鹽丘解釋的周期從大約一個(gè)月或更長(zhǎng)時(shí)間減少到幾個(gè)小時(shí)。Veillard 等［90］基于深度學(xué)習(xí)對(duì)鹽丘進(jìn)行解釋?zhuān)恍枰獦?gòu)建特定訓(xùn)練集，僅根據(jù)地震數(shù)據(jù)訓(xùn)練強(qiáng)大的解釋模型就獲得了精細(xì)的鹽丘解釋結(jié)果，巖體的連通性和邊緣都得到清晰的顯示（圖6）。

圖6 基于深度學(xué)習(xí)的鹽丘解釋?zhuān)〒?jù)文獻(xiàn)［90］修改）Fig.6 Salt dome interpretation based on deep learning

2.6 智能巖性識(shí)別與油氣藏開(kāi)發(fā)

巖性識(shí)別是了解油氣藏特性的關(guān)鍵，Zhang等［91］利用深度學(xué)習(xí)方法對(duì)成像測(cè)井圖像進(jìn)行巖性識(shí)別，初步實(shí)現(xiàn)了對(duì)巖性的預(yù)測(cè)。Emelyanova 等［92］研究了一種基于測(cè)井記錄綜合聚類(lèi)自動(dòng)識(shí)別電相的方法，這種集成聚類(lèi)法展示了如何應(yīng)用集成學(xué)習(xí)的優(yōu)勢(shì)來(lái)克服各種聚類(lèi)算法中的不穩(wěn)定性，并評(píng)估預(yù)測(cè)地層學(xué)中的不確定性。Bestagini 等［93］在隨機(jī)森林分類(lèi)器上提供一組增強(qiáng)特征來(lái)進(jìn)行相分類(lèi)。為了克服傳統(tǒng)測(cè)井記錄處理和解釋工作流程中的主觀性、不確定性和低效性，Wu 等［94］嘗試?yán)脵C(jī)器學(xué)習(xí)使測(cè)井記錄處理和解釋工作流程自動(dòng)化，其技術(shù)框架如圖7所示，目前還處于探索研究階段。

圖7 自動(dòng)化機(jī)器學(xué)習(xí)解釋流程技術(shù)框架（據(jù)文獻(xiàn)［94］修改）Fig.7 Technical framework for automated machine learning interpretation process

目前已有學(xué)者將智能化技術(shù)應(yīng)用于巖石物理參數(shù)預(yù)測(cè)、流體識(shí)別等方面，但總體進(jìn)展不大。Das等［95］用級(jí)聯(lián)法和一步法卷積神經(jīng)網(wǎng)絡(luò)模型由時(shí)間域角度道集反演深度域巖石物理參數(shù)（縱、橫波速度，密度和孔隙度，泥質(zhì)含量以及含水飽和度）。Du等［96］用殘差網(wǎng)絡(luò)由疊前地震數(shù)據(jù)反演方位各向異性介質(zhì)的速度和裂縫參數(shù)。

從現(xiàn)有的研究結(jié)果分析，將智能化方法應(yīng)用于巖性檢測(cè)，其難點(diǎn)主要在標(biāo)簽數(shù)據(jù)集的構(gòu)建，由于不同探區(qū)、甚至同一工區(qū)地層的巖性組合都存在差異，因此模型的泛化性能難以保證。分析認(rèn)為有3個(gè)方向可以開(kāi)展深入的研究：①構(gòu)建考慮專(zhuān)家知識(shí)的針對(duì)性檢測(cè)網(wǎng)絡(luò)，提高預(yù)測(cè)的準(zhǔn)確性；②構(gòu)建基于多數(shù)據(jù)源的多尺度網(wǎng)絡(luò)，提高模型學(xué)習(xí)的能力；③構(gòu)建基于知識(shí)圖譜或者深度學(xué)習(xí)的風(fēng)險(xiǎn)評(píng)估方法，對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估分析，給出定量化的可靠性評(píng)價(jià)標(biāo)準(zhǔn)。

2.7 智能地震反演成像

將人工智能相關(guān)思想應(yīng)用到反演領(lǐng)域有助于不同類(lèi)型數(shù)據(jù)尺度融合，從理論上講，可以較好地通過(guò)構(gòu)建測(cè)井、地震、地震、巖心等不同尺度和不同類(lèi)型的標(biāo)簽數(shù)據(jù)，結(jié)合多標(biāo)簽學(xué)習(xí)框架，達(dá)到融合多尺度信息的目的。此外，通過(guò)不同深度學(xué)習(xí)框架的應(yīng)用，引入專(zhuān)家知識(shí)等先驗(yàn)信息，也有助于降低反演多解性、提高反演精度。2019 年之后人工智能技術(shù)在反演成像方面的論文劇增，涵蓋了從反射系數(shù)到波阻抗反演、疊前彈性參數(shù)和巖性參數(shù)反演、全波形反演、地震初至旅行時(shí)層析成像反演等多方面，所用方法包括CNN、RNN、Boltzmann 機(jī)和GAN等。

近期，采用深度學(xué)習(xí)方法求解偏微分方程（PDE）取得了較大的進(jìn)展，不僅能快速正演、反演，很好地解決非線(xiàn)性問(wèn)題，對(duì)更復(fù)雜和高維的偏微分方程進(jìn)行求解，也為地震成像反演技術(shù)發(fā)展帶來(lái)新變革。Zhang 等［97］提出了基于RNN 網(wǎng)絡(luò)的各向異性黏彈全波形反演方法，采用基于高階TV 正則化的L1 范數(shù)作為目標(biāo)函數(shù)，其獨(dú)特之處在于采用不可微的目標(biāo)函數(shù)，并結(jié)合非伴隨的波算子，計(jì)算效率和精度均較高；Wang 等［98］利用Cycle-GAN 網(wǎng)絡(luò)解決了地震數(shù)據(jù)標(biāo)簽不足的問(wèn)題，其中包括2 個(gè)基于CNN 的生成子網(wǎng)絡(luò)模擬地震道的正演與反演過(guò)程，2 個(gè)判別子網(wǎng)絡(luò)用于約束合成地震道與實(shí)際地震道之間的分布一致性，試驗(yàn)對(duì)比顯示這種方法優(yōu)于一般的卷積神經(jīng)網(wǎng)絡(luò)方法；Yang 等［99］借助卷積網(wǎng)絡(luò)發(fā)展了幾種基于物理信息的數(shù)據(jù)增強(qiáng)技術(shù)，并使用反演網(wǎng)絡(luò)對(duì)生成的模型進(jìn)行了對(duì)比，發(fā)現(xiàn)基于物理模型約束的地震反演可以獲得更精確的反演結(jié)果；Phan 等［100］提出了一種將玻爾茲曼機(jī)作為機(jī)器學(xué)習(xí)算法的AVA 反演方法，流程如圖8 所示，其最大特點(diǎn)是將機(jī)器學(xué)習(xí)引入到反演流程中，并加入先驗(yàn)約束，該方法的潛在價(jià)值是將先驗(yàn)信息用于智能學(xué)習(xí)，其反演結(jié)果如圖9 所示。Oh 等［101］利用U-net網(wǎng)絡(luò)將可控電磁數(shù)據(jù)與地震數(shù)據(jù)結(jié)合的方法，實(shí)現(xiàn)了對(duì)鹽丘的準(zhǔn)確反演，為解決多尺度融合問(wèn)題提供了參考；Kaur 等［102］提出了一種利用生成對(duì)抗網(wǎng)絡(luò)進(jìn)行疊后反射系數(shù)反演的方法，用生成對(duì)抗網(wǎng)絡(luò)迭代近似表達(dá)逆海賽矩陣，實(shí)現(xiàn)偏移剖面到反射系數(shù)剖面的映射，不僅提高了計(jì)算效率，還降低了噪聲、消除了偏移假象、增強(qiáng)了反射振幅，并通過(guò)3 個(gè)數(shù)據(jù)集訓(xùn)練獲得的模型在另外2 個(gè)數(shù)據(jù)集上的應(yīng)用結(jié)果證明了模型的泛化能力和方法的實(shí)用性；Sun等［103］基于波動(dòng)方程構(gòu)建具有地震波場(chǎng)正演模擬功能的循環(huán)神經(jīng)網(wǎng)絡(luò)模型，通過(guò)訓(xùn)練得到網(wǎng)絡(luò)系數(shù)，并以此實(shí)現(xiàn)了全波形反演；Alfarraj 等［104］提出了一種基于半監(jiān)督深度學(xué)習(xí)的疊后波阻抗反演方法，通過(guò)構(gòu)建一個(gè)由卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)網(wǎng)絡(luò)組成的深度學(xué)習(xí)網(wǎng)絡(luò)，結(jié)合測(cè)井曲線(xiàn)及其合成地震記錄進(jìn)行訓(xùn)練，將訓(xùn)練得到的網(wǎng)絡(luò)模型用于波阻抗反演，應(yīng)用效果穩(wěn)定；Zhang 等［105］將卷積神經(jīng)網(wǎng)絡(luò)模型用于井間地震速度反演?？傮w來(lái)看，該領(lǐng)域發(fā)展很快，目前相關(guān)的研究主要集中在3 個(gè)方面：①引入了一種物理指引下的神經(jīng)網(wǎng)絡(luò)模型（PINN），顯式地表達(dá)描述地震波動(dòng)規(guī)律的偏微分方程，通過(guò)模型訓(xùn)練實(shí)現(xiàn)由地震數(shù)據(jù)反演地震速度模型。②采用卷積神經(jīng)網(wǎng)絡(luò)模型來(lái)拓展地震信號(hào)的頻率成分，達(dá)到提高全波形反演的效果，從反演成像角度來(lái)看，將成像結(jié)果與角度域點(diǎn)擴(kuò)散函數(shù)（Hessian 算子）的高維反褶積過(guò)程構(gòu)造為稀疏約束的超級(jí)分辨率反演成像問(wèn)題，融入深度學(xué)習(xí)算法，進(jìn)一步消除波場(chǎng)傳播效應(yīng)，拓寬成像子波的頻譜范圍，提高成像結(jié)果的分辨率及計(jì)算效率。③采用基于深度學(xué)習(xí)方法求解偏微分方程，以提高正演、反演效率，并解決非線(xiàn)性問(wèn)題，以適應(yīng)對(duì)更復(fù)雜、更高維的偏微分方程進(jìn)行求解。這些研究有望顛覆傳統(tǒng)偏微分方程數(shù)值求解技術(shù)，引發(fā)數(shù)值模擬技術(shù)的巨大變革，為地震成像反演技術(shù)發(fā)展帶來(lái)新變革。

圖8 基于物理意義輔助的深度學(xué)習(xí)算法架構(gòu)Fig.8 Deep learning algorithm assisted by physical meaning

圖9 物理意義輔助的深度學(xué)習(xí)算法反演結(jié)果Fig.9 Inversion results of deep learning algorithm assisted by physical meaning

3 面臨的難題與主要發(fā)展方向

3.1 面臨的難題和對(duì)策

盡管人工智能技術(shù)在地球物理勘探領(lǐng)域中的應(yīng)用已經(jīng)取得諸多進(jìn)展，但要將之直接用于生產(chǎn)，還有一些難題亟待解決。

其一，缺少開(kāi)放的智能化算法模型訓(xùn)練的標(biāo)簽數(shù)據(jù)集。數(shù)據(jù)驅(qū)動(dòng)方法要求使用大量數(shù)據(jù)，用于識(shí)別數(shù)據(jù)中的模式和趨勢(shì)從而建立預(yù)測(cè)模型，以及測(cè)試模型的魯棒性和泛化能力。智能化技術(shù)對(duì)數(shù)據(jù)要求較高，標(biāo)簽數(shù)據(jù)的質(zhì)量直接影響智能化算法的結(jié)果。在物探領(lǐng)域也缺乏類(lèi)似計(jì)算機(jī)視覺(jué)中開(kāi)放、共享的ImageNet 數(shù)據(jù)集，更缺乏具有統(tǒng)一性能的測(cè)試標(biāo)準(zhǔn)，在很大程度上制約了該領(lǐng)域技術(shù)的發(fā)展；缺乏豐富的帶標(biāo)注的物探數(shù)據(jù)，用于深度學(xué)習(xí)模型的訓(xùn)練和測(cè)試，也限制了更多的專(zhuān)家學(xué)者進(jìn)入該研究領(lǐng)域。

其二，缺少適用于解決物探領(lǐng)域問(wèn)題的智能化框架。當(dāng)前智能物探技術(shù)研究中，主要利用現(xiàn)有的開(kāi)源框架和相關(guān)算法（如循環(huán)神經(jīng)網(wǎng)絡(luò)、字典學(xué)習(xí)算法、生成對(duì)抗網(wǎng)絡(luò)、隨機(jī)森林算法和各類(lèi)聚類(lèi)分析算法等），然后嫁接一些專(zhuān)業(yè)場(chǎng)景，來(lái)解決某個(gè)具體的問(wèn)題（如初至拾取、斷裂檢測(cè)等）。然而，未來(lái)的發(fā)展存在很多變數(shù)，充滿(mǎn)不確定性，這種“AI+應(yīng)用場(chǎng)景”的模式可能被“應(yīng)用場(chǎng)景+AI”所取代。隨著GPT-4 以及大模型技術(shù)的發(fā)展，構(gòu)建油氣領(lǐng)域大模型應(yīng)該提上日程，普惠化的人工智能時(shí)代也許要成為過(guò)去。

其三，尚未形成適用于物探領(lǐng)域開(kāi)源的、共享的智能化開(kāi)發(fā)平臺(tái)。智能化技術(shù)的快速發(fā)展不僅得益于高性能計(jì)算的發(fā)展和大數(shù)據(jù)共享，開(kāi)源的智能化開(kāi)發(fā)平臺(tái)也是一個(gè)重要的推動(dòng)力。開(kāi)源平臺(tái)的存在，使得人工智能技術(shù)應(yīng)用門(mén)檻降低，大量從事應(yīng)用的科研人員也可以參與其中，形成了良性發(fā)展智能生態(tài)，促進(jìn)了人工智能技術(shù)在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、智能機(jī)器人等領(lǐng)域的發(fā)展突飛猛進(jìn)，不斷獲得突破。然而，在物探領(lǐng)域沒(méi)有統(tǒng)一的開(kāi)發(fā)平臺(tái)，研究者們主要使用互聯(lián)網(wǎng)公司開(kāi)源平臺(tái)，無(wú)法形成良好的社區(qū)生態(tài)，大幅降低了研究者開(kāi)源共享技術(shù)的積極性，造成了資源浪費(fèi)。

針對(duì)上述難題，可以從以下4個(gè)方面進(jìn)行攻關(guān)：

一是構(gòu)建共享的、統(tǒng)一標(biāo)準(zhǔn)的、滿(mǎn)足工業(yè)化需求的大數(shù)據(jù)集。共享的大數(shù)據(jù)集有利于研究人員便捷獲取需要的研究數(shù)據(jù)，節(jié)約制作訓(xùn)練數(shù)據(jù)集時(shí)間，提高研究人員對(duì)理論算法的研究時(shí)間，也可以吸引其他行業(yè)感興趣的研究人員進(jìn)入物探領(lǐng)域，促進(jìn)該領(lǐng)域的進(jìn)一步發(fā)展。數(shù)據(jù)集的建立需要采取嚴(yán)格的數(shù)據(jù)預(yù)處理和質(zhì)量控制措施，強(qiáng)調(diào)數(shù)據(jù)清洗、數(shù)據(jù)標(biāo)準(zhǔn)化、數(shù)據(jù)歸一化和數(shù)據(jù)校正的重要性。數(shù)據(jù)調(diào)節(jié)和特征選擇會(huì)提高數(shù)據(jù)驅(qū)動(dòng)模型的魯棒性，實(shí)行標(biāo)準(zhǔn)化數(shù)據(jù)質(zhì)量控制措施可以提高計(jì)算效率和模型預(yù)測(cè)能力。此外，鑒于油氣問(wèn)題的特殊性和投資風(fēng)險(xiǎn)性，僅有通用的標(biāo)簽數(shù)據(jù)集和通用模型是不夠的，其智能化還必須構(gòu)建本地化的標(biāo)簽數(shù)據(jù)集來(lái)進(jìn)行遷移學(xué)習(xí)。

二是構(gòu)建適用于地震數(shù)據(jù)的智能化理論和開(kāi)發(fā)平臺(tái)。地震數(shù)據(jù)與視頻、圖像等數(shù)據(jù)特征差異非常大，不僅分辨率無(wú)法與圖像、視頻等數(shù)據(jù)相比，數(shù)值范圍和表示的特征差異也更大。此外，地震數(shù)據(jù)是非先驗(yàn)的，標(biāo)簽數(shù)據(jù)制作困難，而圖像、視頻等數(shù)據(jù)是先驗(yàn)的，可以準(zhǔn)確的制作標(biāo)簽數(shù)據(jù)。因此，現(xiàn)有的開(kāi)源平臺(tái)并不完全適用于物探領(lǐng)域，在解決了數(shù)據(jù)基礎(chǔ)后，應(yīng)該研究適用于地震數(shù)據(jù)的智能化理論和開(kāi)發(fā)平臺(tái)。

三是開(kāi)展基礎(chǔ)理論、架構(gòu)、網(wǎng)絡(luò)可解釋性等基礎(chǔ)研究。開(kāi)展適用于地震數(shù)據(jù)的深度學(xué)習(xí)理論和算法攻關(guān)，克服通過(guò)對(duì)地震數(shù)據(jù)進(jìn)行改造來(lái)適應(yīng)現(xiàn)有深度學(xué)習(xí)框架的缺陷，最大限度地保留地震數(shù)據(jù)的原始信息。此外，由于油氣勘探是高風(fēng)險(xiǎn)行業(yè)，也更需要對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)的可解釋性進(jìn)行研究，進(jìn)一步了解深度學(xué)習(xí)網(wǎng)絡(luò)。

四是開(kāi)展與應(yīng)用場(chǎng)景的結(jié)合。圍繞解決生產(chǎn)應(yīng)用難題開(kāi)展技術(shù)攻關(guān)，爭(zhēng)取在一些關(guān)鍵場(chǎng)景優(yōu)先取得突破，目前來(lái)看，最可能突破的場(chǎng)景是在諸如速度分析、初至拾取等一些費(fèi)時(shí)費(fèi)力的環(huán)節(jié)，而要實(shí)現(xiàn)流程再造則還需要漫長(zhǎng)的研究。

3.2 主要發(fā)展方向

結(jié)合智能物探發(fā)展中面臨的問(wèn)題和對(duì)近年來(lái)SEG、EAGE、CPS/SEG 等國(guó)際地球物理年會(huì)相關(guān)研究的跟蹤分析，其主要研究方向集中在6 個(gè)領(lǐng)域：①基礎(chǔ)理論研究。重點(diǎn)解決如何將特定人工智能技術(shù)和地球物理勘探相結(jié)合，探索人工智能數(shù)學(xué)機(jī)理、網(wǎng)絡(luò)可解釋性以及構(gòu)建適合物探領(lǐng)域的深度學(xué)習(xí)架構(gòu)模型，進(jìn)而為構(gòu)建智能地球物理勘探技術(shù)新體系提供理論支撐。②開(kāi)放訓(xùn)練數(shù)據(jù)集、智能物探數(shù)據(jù)國(guó)家標(biāo)準(zhǔn)的構(gòu)建。高質(zhì)量訓(xùn)練數(shù)據(jù)集是人工智能技術(shù)實(shí)現(xiàn)工業(yè)化應(yīng)用、構(gòu)建智能化產(chǎn)業(yè)生態(tài)以及國(guó)際技術(shù)引領(lǐng)基石，通過(guò)智能物探數(shù)據(jù)國(guó)家標(biāo)準(zhǔn)的建立，面向地球物理勘探資料采集、處理、解釋以及綜合決策全行業(yè)應(yīng)用標(biāo)簽數(shù)據(jù)庫(kù)建立等關(guān)鍵技術(shù)研究，構(gòu)建并發(fā)布物探領(lǐng)域?qū)I(yè)數(shù)據(jù)集與物探數(shù)據(jù)經(jīng)驗(yàn)樣本集，逐步解決業(yè)界數(shù)據(jù)封閉，打造具有分級(jí)數(shù)據(jù)開(kāi)放度的海量物探數(shù)據(jù)共享平臺(tái)。③智能地震成像方法。通過(guò)對(duì)現(xiàn)有地震成像理論進(jìn)行研究，探索如何將人工智能技術(shù)和地震成像基礎(chǔ)理論與方法相結(jié)合，實(shí)現(xiàn)智能地震成像，對(duì)以地震成像為核心的地震資料處理流程進(jìn)行再造，提高地震成像精度。④智能物探儲(chǔ)層成像方法。解決地球物理多尺度、多模態(tài)地質(zhì)-地球物理信息匹配與融合等核心科學(xué)難題，提高儲(chǔ)層成像、定量化解釋精度。⑤油氣大數(shù)據(jù)挖掘、智能風(fēng)險(xiǎn)評(píng)估與智能決策。以構(gòu)建以大數(shù)據(jù)科學(xué)分析為手段，探索基于地球物理勘探大數(shù)據(jù)的智能風(fēng)險(xiǎn)評(píng)估、多學(xué)科綜合決策等核心方法，實(shí)現(xiàn)油氣大數(shù)據(jù)信息挖掘與共享，為降低勘探?jīng)Q策風(fēng)險(xiǎn)，提高勘探?jīng)Q策能力提供技術(shù)支撐。⑥智能超算軟件裝備研發(fā)。軟件裝備與系統(tǒng)是實(shí)現(xiàn)智能化物探技術(shù)產(chǎn)業(yè)落地的關(guān)鍵，通過(guò)對(duì)智能物探裝備的研究，解決智能物探工業(yè)化應(yīng)用最后一公里問(wèn)題，實(shí)現(xiàn)產(chǎn)業(yè)落實(shí)、落地。

4 結(jié)論

（1）智能物探的概念是以地球物理勘探領(lǐng)域的海量數(shù)據(jù)為基礎(chǔ)，以強(qiáng)大的地震資料處理及解釋能力提升為手段，以人工智能算法為突破關(guān)鍵，全面融合各類(lèi)油氣信息資源，進(jìn)行數(shù)據(jù)挖掘、知識(shí)發(fā)現(xiàn)與共享，最終實(shí)現(xiàn)地震資料處理、解釋等環(huán)節(jié)啟發(fā)式自動(dòng)化的科學(xué)決策過(guò)程。

（2）目前智能物探的應(yīng)用分2 個(gè)方面，一是基于神經(jīng)網(wǎng)絡(luò)的應(yīng)用，主要用于地震資料處理領(lǐng)域的初至拾取和靜校正，解釋領(lǐng)域的參數(shù)估計(jì)及油氣檢測(cè)等方面；二是基于深度學(xué)習(xí)的應(yīng)用，主要包含數(shù)據(jù)集的構(gòu)建、去噪、斷裂檢測(cè)、層位與層序解釋、地震相分類(lèi)和異常體檢測(cè)、巖性識(shí)別與油氣藏開(kāi)發(fā)、地震反演成像等方面。

（3）智能物探面臨缺少開(kāi)放的智能化算法模型訓(xùn)練的標(biāo)簽數(shù)據(jù)集、智能化框架以及開(kāi)源共享的智能化開(kāi)發(fā)平臺(tái)，亟需構(gòu)建統(tǒng)一標(biāo)準(zhǔn)的大數(shù)據(jù)集及理論開(kāi)發(fā)平臺(tái)。除了構(gòu)建大數(shù)據(jù)集和智能化平臺(tái)，其發(fā)展方向還包含基礎(chǔ)理論研究，智能地震成像方法研究，儲(chǔ)層成像方法研究，油氣大數(shù)據(jù)挖掘、智能風(fēng)險(xiǎn)評(píng)估與智能決策等方面。