Қазақстанның мұнай-газ саласының хабаршысыҚазақстанның мұнай-газ саласының хабаршысы2707-42262957-806XKMG Engineering10462610.54859/kjogi104626Научная статьяПереход к использованию цифровых помощников в кинематической интерпретации данных сейсморазведочных работ на примере задачи повышения качества сейсмических данных после суммирования и достоверности прогноза тектонической моделиАвдеевПавел Алексеевич<p>ведущий геофизик</p>p.avdeev@geoplat.comБазановАндрей Константинович<p>директор департамента развития бизнеса</p>a.bazanov@geoplat.comЕфремовИгорь Иванович<p>генеральный директор</p>i.efremov@geoplat.comМифтаховРуслан Фанисович<p>технический директор</p>r.miftakhov@geoplat.comООО «ГридПоинт Дайнамикс»160520224150570903202210032022Copyright © 2022, Авдеев П.А., Базанов А.К., Ефремов И.И., Мифтахов Р.Ф.2022<p>Перед современной сейсморазведкой по-прежнему стоят задачи автоматизации процессов и повышения достоверности результатов работ, особенно в регионах со сложной геологической обстановкой. Важное место в цикле сейсморазведочных работ занимает этап кинематической интерпретации, главной целью которого является детальное понимание структурных особенностей геологического разреза и получение обоснованной геологической модели конкретного региона исследований.</p> <p>Цена ошибки на данном этапе работ достаточно велика, однако процессы интерпретации требуют значительных трудозатрат, а результаты часто содержат ошибки. Стандартные алгоритмы и методические подходы в полной мере не обеспечивают решения полного спектра поставленных задач, что обуславливает необходимость поиска новых подходов к интерпретации данных сейсморазведки.</p> <p>В последние годы всё больший интерес вызывают вопросы привлечения возможностей искусственного интеллекта для решения производственных задач. Предлагаются новые подходы к решению задач этапа кинематической интерпретации данных сейсморазведки, основанные на применении искусственного интеллекта через машинное обучение и глубокие нейронные сети:</p> <p>– технология устранения нерегулярных помех суммарных сейсмических данных для улучшения качества исходного сейсмического материала и упрощения этапа структурной интерпретации;</p> <p>– технология вероятностного прогноза систем нарушений и получения детализированной тектонической модели.</p> <p>Представлены теоретические основы и продемонстрированы результаты применения технологий на серии реальных производственных проектов, которые подтверждают преимущества использования нейронных сетей при интерпретации для исключения субъективизма и существенного сокращения временных затрат на этапе структурных построений в различных геологических условиях.</p>seismic interpretationtectonic faultsnoise effects of seismic recordingtectonic modelautomationartificial intelligencemachine learningdeep neural networksmethodologyсейсмикалық интерпретациятектоникалық бұзылуларсейсмикалық жазудың шу әсерлерітектоникалық модельавтоматикажасанды интеллектмашиналық оқытутерең нейрондық желілерәдістемесейсмическая интерпретациятектонические нарушенияшумовые эффекты сейсмической записитектоническая модельавтоматизацияискусственный интеллектмашинное обучениеглубокие нейронные сетиметодика1.Xing Zhao, Ping Lu, Yanyan Zhang, Jianxiong Chen, and Xiaoyang Li. Swell-noise attenuation: A deep learning approach. – The Leading Edge, 2019, v. 38, № 12, р. 934-943.2.Xiong W., Ji X., Ma Y., Wang Y., AlBenHassan N.M., Ali M.N., and Luo Y. Seismic fault detection with convolutional neural network. – Geophysics, 2018, v. 83, №. 5, р. O97–O103.3.Wu X., Shi Y., Fomel S., Liang L., Zhang Q., and Yusifov A. FaultNet3D: Predicting fault probabilities, strikes and dips with a common CNN. – IEEE Transactions on Geoscience and Remote Sensing, 2019.