楊繼東 孫加星 黃建平 李振春 秦善源 于由財(cái)

收稿日期：2023-04-30

基金項(xiàng)目：中石油重大科技合作項(xiàng)目（ZD2019-183-003）；國家自然科學(xué)基金項(xiàng)目（41774133，42074133）；國家重點(diǎn)研發(fā)計(jì)劃（2019YFC0605503C）；“十四五”重大項(xiàng)目（2021QNLM020001）；優(yōu)秀青年科學(xué)基金項(xiàng)目（41922028）；國家創(chuàng)新群體項(xiàng)目（41821002）

第一作者：楊繼東（1990-），男，教授，博士，博士生導(dǎo)師，研究方向?yàn)橛蜌饪碧郊暗貧?地幔不同尺度地震成像與反演理論方法。E-mail：Jidong.yang@upc.edu.cn。

通信作者：孫加星（1994-），女，博士研究生，研究方向?yàn)槿斯ぶ悄茉诘卣痤I(lǐng)域應(yīng)用。E-mail：B20010035@s.upc.edu.cn。

文章編號：1673-5005（2024）02-0067-07??? doi：10.3969/j.issn.1673-5005.2024.02.007

摘要：為促進(jìn)斷溶體縫洞型儲層的高效勘探開發(fā)，在強(qiáng)反射背景下利用繞射波信號實(shí)現(xiàn)小尺度地質(zhì)體的高精度成像，提出一種反射波和繞射波智能化分離及聯(lián)合成像方法。根據(jù)反射波和繞射波在傾角域成像道集中的幾何特征差異，首先搭建生成對抗神經(jīng)網(wǎng)絡(luò)（GANs），實(shí)現(xiàn)反射波和繞射波的運(yùn)動學(xué)識別和分離；其次，根據(jù)波形振幅特征，利用自適應(yīng)相減實(shí)現(xiàn)反射和繞射動力學(xué)分離；最后，將分離的道集進(jìn)行疊加成像，獲得能夠反映連續(xù)阻抗界面的反射波成像結(jié)果和可以反映小尺度地質(zhì)體的繞射波成像結(jié)果。結(jié)果表明，所提出的方法可以有效提高斷溶體儲層的成像精度，實(shí)現(xiàn)小尺度溶洞地質(zhì)目標(biāo)體高精度地震成像。

關(guān)鍵詞：斷溶體； 繞射波分離； 深度學(xué)習(xí)； 傾角域共成像點(diǎn)道集； 地震成像

中圖分類號：P 631.4??? 文獻(xiàn)標(biāo)志碼：A

引用格式：楊繼東，孫加星，黃建平，等.面向斷溶體縫洞儲層的智能化散射波地震成像方法［J］.中國石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，48（2）：67-73.

YANG Jidong， SUN Jiaxing， HUANG Jianping， et al. Intelligent diffractions imaging method for fault-karst reservoir［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2024， 48（2）：67-73.

Intelligent diffractions imaging method for fault-karst reservoir

YANG Jidong， SUN Jiaxing， HUANG Jianping， LI Zhenchun， QIN Shanyuan， YU Youcai

（School of Geosciences in China University of Petroleum （East China）， Qingdao 266580， China）

Abstract：To exhance the efficient exploration and development of fractured reservoirs and achieve high-precision imaging of small-scale geological bodies amidst strong reflections， we propose an intelligent method for separating and imaging reflections and diffractions. Leveraging the geometric differences between reflections and diffractions in dip-angle domain gathers， we initially utilize generative adversarial neural networks （GANs） to kinematically identify and separate reflections and diffractions. Then， based on waveform amplitude characteristics， we adopt an adaptive subtraction method for dynamically separating reflections and diffractions. Ultimately， the separated gathers are stacked to produce reflector images， depicting the subsurface continuous impedance interfaces， and diffractor images， revealing small-scale geological bodies. Numerical experiments conducted on synthetic and field data validate the efficacy of the proposed method in enhancing imaging accuracy of fault karsts and achieving high-resolution seismic imaging of small-scale geological targets.

Keywords：fault-karst; diffraction separation; deep learning; dip-angle domain common-image gather; seismic imaging

斷溶體為塔里木盆地奧陶系一種重要的碳酸鹽巖儲集體，常表現(xiàn)為單個(gè)“串珠”狀反射或強(qiáng)、弱“串珠”反射群等特征，是當(dāng)前油氣勘探開發(fā)的重要目標(biāo)之一［1］。該類地質(zhì)目標(biāo)體的地震響應(yīng)表現(xiàn)為復(fù)雜的繞射波信號，其攜帶地震高分辨率信息，并具有不受瑞利準(zhǔn)則限制、寬方位、多角度照明等優(yōu)勢［2-4］。隨著油氣田勘探開發(fā)的需求，將反射波作為主要研究對象的常規(guī)勘探方法已經(jīng)無法滿足精度要求。早在20世紀(jì)50年代，Krey和Hagedoorn［5-6］闡述了繞射波在地震學(xué)研究中的重要作用，隨后Trorey等［7-8］對繞射波場特征進(jìn)行了一系列基礎(chǔ)性研究。Landa等［9］利用平面波解構(gòu)濾波器在成像道集上壓制反射波并提取繞射波信號。張劍峰等［10］通過切除疊前時(shí)間偏移道集中的菲涅耳帶，來壓制反射波和提取繞射波。李曉峰等［11］在傳統(tǒng)的Kirchhoff偏移算子中引入反穩(wěn)相濾波器，使?jié)M足Snell定律的鏡面反射得到有效壓制，從而凸顯繞射能量。Silvestrov等［12］使用逆時(shí)偏移計(jì)算成像道集，并利用高分辨率Radon變換實(shí)現(xiàn)繞射波分離和繞射波疊加成像。劉培軍等［13］在常規(guī)深度域高斯束偏移積分中引入反穩(wěn)相濾波器，將繞射波分離與成像方法推廣到深度域。楊城增［14］提出一種疊前繞射波分離方法，得到共炮點(diǎn)道集繞射波場。近些年來，智能方法在地球物理領(lǐng)域得到廣泛關(guān)注。Zhao［15］基于神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了地震巖相分類。Pham等［16］應(yīng)用人工智能方法成功預(yù)測地震油氣儲層分布情況。Wu等［17］訓(xùn)練端對端卷積神經(jīng)網(wǎng)絡(luò)從地震剖面中識別和提取出斷層。Sun等［18］利用卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征識別能力，在傾角域?qū)崿F(xiàn)繞射波高精度地震成像。王棕俊等［19］基于深度學(xué)習(xí)實(shí)現(xiàn)了復(fù)雜斷裂系統(tǒng)約束下的自相控疊前反演方法。除此之外，人工智能已成功應(yīng)用到初至波拾取及噪音壓制等地震資料處理領(lǐng)域［20-24］。在傾角域共成像點(diǎn)道集（DACIG）中，繞射波和反射波具有明顯的幾何形態(tài)差異。為充分利用地震傾角域共成像點(diǎn)道集中反射波和繞射波的幾何形態(tài)差異，筆者提出一種基于反射波和繞射波波形運(yùn)動學(xué)幾何特征的智能識別和分離方法，實(shí)現(xiàn)斷溶型油氣高精度地震勘探。

1? 基本原理

1.1? 基于卷積神經(jīng)網(wǎng)絡(luò)的地震波形智能識別框架

針對反射波和繞射波相互干涉導(dǎo)致繞射波特征提取困難的問題，本文中搭建一種基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的generative adversarial networks （GANs）框架，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動的高泛化智能波形識別。Goodfellow 等［25］提出的GANs網(wǎng)絡(luò)框架是一種基于“零和博弈”思想的生成神經(jīng)網(wǎng)絡(luò)，通過在兩個(gè)神經(jīng)網(wǎng)絡(luò)的對抗訓(xùn)練過程中反向傳播梯度來優(yōu)化更新網(wǎng)絡(luò)內(nèi)部參數(shù)，最終實(shí)現(xiàn)對目標(biāo)域中整體數(shù)據(jù)分布進(jìn)行建模和預(yù)測。GAN主體框架由一個(gè)生成網(wǎng)絡(luò)G和一個(gè)判別網(wǎng)絡(luò)D組成（圖1）。本文中生成器網(wǎng)絡(luò)G用來從全波場道集中識別和提取呈現(xiàn)“凹”型形狀的反射波響應(yīng)，判別網(wǎng)絡(luò)D來判斷所接收的反射波傾角域道集是生成網(wǎng)絡(luò)從全波場道集中識別和提取的反射波道集還是訓(xùn)練數(shù)據(jù)集中的標(biāo)定反射波道集，并將判別的概率結(jié)果反向傳播給生成器和判別器自身來對兩個(gè)網(wǎng)絡(luò)的內(nèi)部參數(shù)進(jìn)行迭代優(yōu)化。在GANs網(wǎng)絡(luò)訓(xùn)練過程中，生成網(wǎng)絡(luò)G的目標(biāo)就是盡量從全波場道集中識別、提取和標(biāo)定反射波道集相同的反射波響應(yīng)去欺騙判別網(wǎng)絡(luò)D。而判別網(wǎng)絡(luò)D的目標(biāo)就是盡量辨別出生成網(wǎng)絡(luò)G從全波場道集提取和分離出來的反射波道集。在這個(gè)過程中，生成網(wǎng)絡(luò)G和判別網(wǎng)絡(luò)D就構(gòu)成了一個(gè)動態(tài)的“博弈過程”，當(dāng)生成網(wǎng)絡(luò)G從全波場道集中識別和提取出的反射波道集與標(biāo)定反射波道集十分相似，判別網(wǎng)絡(luò)D再無法判定生成器輸出的反射波道集是來自網(wǎng)絡(luò)預(yù)測還是標(biāo)定數(shù)據(jù)集時(shí)，整個(gè)網(wǎng)絡(luò)就達(dá)到了平衡。此時(shí)，兩種網(wǎng)絡(luò)模型的內(nèi)部參數(shù)達(dá)到最佳優(yōu)化，生成模型G已經(jīng)從全波場道集中學(xué)習(xí)到了反射波的波形特征。

kinematic characteristics

1.2? 曲波域自適應(yīng)相減技術(shù)

人工智能算法可以準(zhǔn)確預(yù)測運(yùn)動學(xué)信息，但動力學(xué)信息可能不準(zhǔn)確，因此在本文中需要使用匹配濾波器來校正預(yù)測反射波道集中的振幅屬性，以匹配全波場道集中的反射波響應(yīng)，實(shí)現(xiàn)準(zhǔn)確的動力學(xué)分離［26］。

利用曲波域自適應(yīng)相減方法從全波場道集中移除反射波響應(yīng)。神經(jīng)網(wǎng)絡(luò)預(yù)測的反射響應(yīng)Epreref匹配全波場道集中的反射能量

Eobsref表達(dá)式如下：

Eobsref≈C-1diag {w}CEpreref.（1）

式中，w為在曲波域?qū)preref映射成Eobsref的尺度因子；C為離散曲波變換。通過在方程（1）中添加正則化項(xiàng)，可以有效避免由曲波變換和過度擬合引起的不確定性問題，方程（1）可表示為

Eobstotal0=C-1diag {CEpreref}γSw.（2）

式中，Eobstotal為由反射波和繞射波組成的全波場傾角域道集；S為作用在尺度因子w上的平滑算子；γ控制平滑程度。尺度因子w可通過最小化以下目標(biāo)函數(shù)求解：

J（w）=12E-Fw22.（3）

上述問題可以使用Broyden-Fletcher-Goldfarb-Shanno（BFGS）算法求解，梯度計(jì)算公式為

grad J（w）=diag {w}［FT（Fw-E）］.（4）

其中

F=C-1diag {CEpreref}

γS， E=Eobstotal0.

1.3? 智能化繞射波地震成像實(shí)現(xiàn)流程

（1）針對既包含小尺度繞射體又包含連續(xù)反射界面的速度模型和僅包含反射界面的速度模型，利用地震正演模擬計(jì)算全波場和僅包含反射波的地震記錄。

（2）利用全波場地震記錄和偏移速度模型作為高斯束偏移的輸入，計(jì)算全波場傾角域共成像點(diǎn)道集和全波場成像疊加剖面；利用僅包含反射波的地震記錄和相應(yīng)偏移速度模型，計(jì)算反射波傾角域共成像點(diǎn)道集。

（3）針對反射波和繞射波相互干涉導(dǎo)致的反射波特征提取困難問題，搭建一種GANs框架實(shí)現(xiàn)數(shù)據(jù)驅(qū)動的高泛化智能波形識別。

（4）將全波場和反射波傾角域共成像點(diǎn)道集分別作為智能框架的輸入和輸出，對智能波形識別神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)進(jìn)行優(yōu)化更新，確定最優(yōu)的網(wǎng)絡(luò)參數(shù)集，使其具備可以從全波場道集中提取反射波形特征的能力。

（5）使用自適應(yīng)相減策略，將神經(jīng)網(wǎng)絡(luò)提取的反射波與全波場道集的反射波進(jìn)行匹配相減，獲得高精度繞射波分離道集和成像疊加剖面，提高對地下小尺度目標(biāo)體的識別精度?？傮w實(shí)現(xiàn)流程如圖2所示。

2? 實(shí)驗(yàn)算例

本文中采用兩個(gè)斷溶體模型來驗(yàn)證所提出方法可以有效提高小尺度地質(zhì)體成像精度的可行性。第一個(gè)斷溶體模型及對應(yīng)的反射層模型如圖3和圖4所示，模型大小為500×2000，網(wǎng)格間距為10 m。主頻為20 Hz的Ricker子波作為震源函數(shù)，200炮均勻分布在地表上，每炮由500個(gè)檢波點(diǎn)記錄地震數(shù)據(jù)。

基于地震正演模擬和高斯束深度偏移方法，首先得到斷溶體模型的全波場偏移成像結(jié)果（圖5）和2000個(gè)既包含反射波又包含繞射波的全波場（圖6第1列）和僅包含反射波（圖6第2列）的傾角域共成像點(diǎn)道集數(shù)據(jù)對。從全波場成像結(jié)果中可以看出，能量較弱的繞射目標(biāo)在全波場成像剖面中由于被強(qiáng)反射淹沒而無法準(zhǔn)確識別。然后將全波場傾角域道集作為神經(jīng)網(wǎng)絡(luò)輸入，

反射波傾角域道集作為神經(jīng)網(wǎng)絡(luò)輸出對搭建的GANs神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)進(jìn)行優(yōu)化訓(xùn)練，最終實(shí)現(xiàn)利用GANs神經(jīng)網(wǎng)絡(luò)從全波場傾角道集中自動識別和提取呈現(xiàn)“笑臉”形狀的反射波響應(yīng)。圖6第3列為利用訓(xùn)練好的GANs神經(jīng)網(wǎng)絡(luò)從全波場道集中自動識別和提取的反射波響應(yīng)，對應(yīng)的反射波疊加成像剖面如圖7所示?？梢钥闯觯尸F(xiàn)“笑臉”形狀的具有穩(wěn)相頂點(diǎn)的反射波響應(yīng)被

GANs神經(jīng)網(wǎng)絡(luò)清晰識別，并且對應(yīng)的疊加成像剖面可以很好地反映較大尺度連續(xù)地層界面。圖6第4列為從全波場道集中自適應(yīng)減去網(wǎng)絡(luò)預(yù)測反射波道集得到的繞射波道集，對應(yīng)的疊加成像剖面如圖8所示。可以看出，在自適應(yīng)相減得到的繞射波道集中反射波能量得到極大程度的壓制，繞射波能量被完好地保留下來，同時(shí)在對應(yīng)的繞射波成像剖面中斷溶體小尺度地質(zhì)體成像精度高，連續(xù)反射層成像能量弱。

本文中利用另外一個(gè)斷溶體模型來驗(yàn)證所提出的智能化斷溶體儲層高精度成像方法的遷移學(xué)習(xí)能力。真實(shí)速度和偏移速度模型分別如圖9和10所示，全波場偏移成像結(jié)果如圖11所示，模型大小為500×700，網(wǎng)格間距為10 m。主頻為20? Hz的Ricker子波作為震源函數(shù)。80炮均勻分布在地表上，每放一炮由500個(gè)接收器接收地震數(shù)據(jù)。時(shí)間采樣為1 ms，地震記錄接收時(shí)間為4 s。

圖12為兩個(gè)不同CDP位置處的傾角域道集。第1列和第2列分別為全波場道集和GANs網(wǎng)絡(luò)預(yù)測的反射波道集?？梢钥闯?，來自地下連續(xù)反射界面的反射波被訓(xùn)練好的智能網(wǎng)絡(luò)很好地識別提取。通過沿傾角疊加GANs提取的反射波道集，獲得了反射波成像剖面（圖13），其中連續(xù)波阻抗界面清晰可見。全波場道集直接減去網(wǎng)絡(luò)預(yù)測反射波道集得到的殘余繞射波道集如圖12第3列所示，繞射波道集中仍然殘余大量反射能量，因此斷溶體儲層成像精度及分辨率較低（圖14）。

相反，曲波域自適應(yīng)相減方法可以有效壓制殘余在繞射波道集中的反射波能量，原先在全波場道集中被反射能量覆蓋的弱繞射波同相軸相對增強(qiáng)，得到信噪比較高的繞射波道集（圖12第4列），從而證明了智能化散射波分離方法的可行性和有效性。對應(yīng)的繞射波疊加成像剖面（圖15）可以準(zhǔn)確指示斷溶體儲層位置，之前在全波場成像結(jié)果中被掩蓋的溶洞目標(biāo)體得到突顯，這對地下小尺度繞射目標(biāo)的準(zhǔn)確識別具有重大意義。

3? 結(jié)束語

提出一種基于反射波和繞射波波形運(yùn)動學(xué)幾何特征的智能識別和分離方法。首先，基于僅包含反射體的速度模型和既包含反射體又包含散射體的速度模型利用Born正演模擬和高斯束偏移方法計(jì)算反射波和全波場傾角域共成像點(diǎn)道集。然后，構(gòu)建GANs網(wǎng)絡(luò)框架，將全波場和僅含反射波的傾角域道集分別作為智能波形識別網(wǎng)絡(luò)的輸入和輸出，對系統(tǒng)內(nèi)部參數(shù)進(jìn)行訓(xùn)練和優(yōu)化，得到波形識別和提取效果最佳的網(wǎng)絡(luò)參數(shù)集。隨后，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)應(yīng)用于未參與神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練過程的預(yù)測集，實(shí)現(xiàn)高精度傾角域繞射波和反射波的運(yùn)動學(xué)分離。最后，引入自適應(yīng)相減方法實(shí)現(xiàn)反射波和繞射波的完全動力學(xué)分離。數(shù)值算例表明，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確地將能量較強(qiáng)的反射波從全波場道集中識別并提取出來，且采用的自適應(yīng)相減方法可以將神經(jīng)網(wǎng)絡(luò)預(yù)測的反射波和全波場道集的反射波進(jìn)行振幅匹配相減，獲得高信噪比繞射波道集，提高地下斷溶體的地震成像精度。除此之外，傳統(tǒng)繞射波分離方法用于波場分離的數(shù)據(jù)量大，分離效率相對低。本文中提出的繞射波分離技術(shù)只需要在訓(xùn)練網(wǎng)絡(luò)參數(shù)過程中耗費(fèi)3～4 h，一旦訓(xùn)練結(jié)束，后續(xù)預(yù)測過程只需要幾秒鐘時(shí)間，大大提升傳統(tǒng)傳射波分離方法的計(jì)算效率。

參考文獻(xiàn)：

［1］? 馬乃拜，金圣林，楊瑞召，等.塔里木盆地順北地區(qū)斷溶體地震反射特征與識別［J］.石油地球物理勘探，2019，54（2）：398-403.

MA Naibai， JIN Shenglin， YANG Ruizhao， et al. Seismic response characteristics and identification of fault-karst reservoir in Shunbei area， Tarim Basin［J］. Oil Geophysical Prospecting， 2019，54（2）：398-403.

［2］? SATO H. Energy propagation including scattering effects sengle isotropic scattering approximation［J］. Journal of Physics of the Earth， 1977，25（1）：27-41.

［3］? LANDA E， SHTIVELMAN V，? GELCHINSKY B. A method for detection of diffracted waves on common-offset sections［J］. Geophysical Prospecting， 1987，35（4）：359-373.

［4］? 鄭多明，汪家洪，肖又軍，等.基于地震數(shù)值模擬的溶洞型儲層地震特征分析［J］.西南石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，45（6）：57-68.

ZHENG Duoming， WANG Jiahong， XIAO Youjun， et al. Seismic characteristics analysis of karst cavity reservoirs based on seismic numerical simulation［J］.Journal of Southwest Petroleum University （Science & Technology Edition），2023，45（6）：57-68.

［5］? KREY T. The significance of diffraction in the investigation of faults［J］. Geophysics， 1952，17（4）：843-858.

［6］? HAGEDOORN J. A process of seismic reection interpretation［J］. Geophysical Prospecting， 1954，2（2）：85-127.

［7］? TROREY A. A simple theory for seismic diffraction［J］. Geophysics， 1970，35（5）：762-784.

［8］? KLEM M， KOVALEVSKY G， TOKMULINA L. On intensity of waves diffracted on the edge［J］. Geology and Geophysics， 1972，5：82-92.

［9］? LANDA E， FOMEL S， RESHEF M. Separation imaging and velocity analysis of seismic diffractions using migrated dip-angle gathers［C/OL］//SEG Annual Meeting， Las Vegas， Nevada， November 9-14，2008［2012-10-23］.https：//library.seg.org/doi/abs/10.1190/1.3059318.

［10］? ZHANG Jianfeng， ZHANG Jiangjie. Diffraction imaging using shot and opening-angle gathers： a prestack time migration approach［J］. Geophysics， 2014，79（2）：S23-S33.

［11］? 李曉峰，黃建平，李振春，等.基于反穩(wěn)相濾波的邊緣繞射成像方法研究［J］.地球物理學(xué)進(jìn)展，2015，30（3）：1205-1213.

LI Xiaofeng， HUANG Jianping， LI Zhenchun， et al. Edge diffraction imaging method based on anti-stationary phase filtering［J］. Progress in Geophysics， 2015，30（3）：1205-1213.

［12］? SILVESTROV I， BAINA R， LANDA E. Poststack diffraction imaging using reverse-time migration［J］. Geophysical Prospecting， 2016，64（1）：129-142.

［13］? 劉培君，黃建平，李振春，等.一種基于反穩(wěn)相的深度域繞射波分離成像方法［J］.石油地球物理勘探，2017，52（5）：967-973，879.

LIU Peijun， HUANG Jianping， LI Zhenchun， et al. A diffraction imaging method in the depth domain driven by anti-stationary phase strategy［J］. Oil Geophysical Prospecting， 2017，52（5）：967-973，879.

［14］? 楊城增，張宣堂，盛同杰，等.繞射波疊前共虛震源道集分離方法［J］.石油地球物理勘探，2022，57（4）：847-854，739.

YANG Chengzeng， ZHANG Xuantang， SHENG Tongjie， et al. Diffraction separation method in the prestack common virtual source gather［J］. Oil Geophysical Prospecting， 2022，57（4）：847-854，739.

［15］? ZHAO T. Seismic facies classification using different deep convolutional neural networks［C/OL］// SEG Annual meeting， Anaheim， California， USA， October 14-19，2018 ［2019-01-24］.https：//onepetro.org/SEGAM/proceedings/SEG18/All-SEG18/SEG-2018-2997085/103561.

［16］? PHAM H， SANDUNIL K. Development of a deep learning model to estimate porosity of a fractured granite basement reservoir［C/OL］//80th EAGE Conference and Exhibition， Copenhagen， Denmark， June 11-14， 2018 ［2022-07-18］. https：//www.earthdoc.org/content/papers/10.3997/2214-4609.201800787.

［17］? WU X， LIU M， SHI Y， et al. FaultSeg3D： using synthetic datasets to train an end-to-end convolutional neural network for 3D seismic fault segmentation［J］. Geophysics， 2019，84（3）：IM35-IM45.

［18］? 孫加星，楊繼東，李振春，等.基于深度學(xué)習(xí)的高精度地震成像方法［C/CD］//中國地球物理學(xué)會油氣地球物理專業(yè)委員會.第五屆油氣地球物理學(xué)術(shù)年會論文集.青島：中國知網(wǎng)，2023.

［19］? 王宗俊，田楠，范廷恩，等.復(fù)雜斷裂系統(tǒng)濁積儲層自相控反演技術(shù)研究［J］.西南石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，45（2）：43-57.

WANG Zongjun， TIAN Nan，F(xiàn)AN Tingen， et al. Self-facies-control pre-stack inversion technology for turbidite sandstone reservoir with complex fault system［J］.Journal of Southwest Petroleum University（Science & Technology Edition），2023，45（2）：43-57.

［20］? LUO F， WANG H， WU C， et al. Automatic first-breaks picking algorithm under the constraint of image segmentation［C/OL］// SEG Annual meeting， Anaheim， California， USA， October 14-19，2018 ［2021-06-27］.https：//onepetro.org/SEGAM/proceedings/SEG18/All-SEG18/SEG-2018-2998274/103922.

［21］? HOLLANDER Y， MEROUANE A， YILMAZ O. Using a deep convolutional neural network to enhance the accuracy of first-break picking［C/OL］//SEG Annual meeting， Anaheim， California， USA， October 14-19，2018 ［2021-06-30］.https：//onepetro.org/SEGAM/proceedings/SEG18/All-SEG18/SEG-2018-2982650/103852.

［22］? JIN Y， WU X， CHEN J， et al. Seismic data denoising by deep-residual networks［C/OL］// SEG Annual meeting， Anaheim， California， USA， October 14-19，2018 ［2021-06-25］.https：//library.seg.org/doi/abs/10.1190/segam2018-2998619.1.

［23］? ZHANG Y， LIN H， LI Y. Noise attenuation for seismic image using a deep residual learning［C/OL］// SEG Annual meeting， Anaheim， California， USA， October 14-19，2018 ［2021-08-29］.https：//library.seg.org/doi/abs/10.1190/ segam2018- 2997974.1.

［24］? LI H， YANG W， YING X. Deep learning for ground-roll noise attenuation［C/OL］// SEG Annual meeting， Anaheim， California， USA， October 14-19，2018 ［2021-07-28］.https：//library.seg.org/doi/abs/10.1190/segam2018-2981295.1.

［25］? GOODFELLOW I， POUGET A， MIRZA M， et al. Generative adversarial networks［J］. Communications of the ACM， 2020，63（11）：139-144.

［26］? HERRMANN F， WANG D， VERSCHUUR D. Adaptive curvelet-domain primary-multiple separation［J］. Geophysics， 2008，73（3）：A17-A21.

（編輯? 修榮榮）