本書在概述人工智能與地球物理勘探的基本原理及二者關系的基礎上，總結了以深度學習為代表的新一代人工智能技術在地球物理勘探領域中取得的研究進展與核心成果；主要介紹不同人工智能算法在地震資料處理、地震資料解釋、地震資料反演和儲層流體預測四大類場景中的實現(xiàn)原理及數(shù)值模擬數(shù)據(jù)、物理模擬數(shù)據(jù)和實際數(shù)據(jù)的效果分析，并對人工智能地球物理勘探的未來發(fā)展方向進行總結與展望。
更多科學出版社服務，請掃碼獲取。
全國政協(xié)委員，國家973首席科學家，油氣資源與探測國家重點實驗室副主任，中石油物探重點實驗室主任，中石化油藏地球物理研究中心主任，等
目錄
叢書序
前言
第1章 緒論 1
1.1 地球物理勘探概述 1
1.1.1 油氣勘探的基本方法 1
1.1.2 油氣勘探的數(shù)據(jù)特征 3
1.1.3 地震勘探的基本問題 8
1.1.4 地震勘探的發(fā)展瓶頸 9
1.2 人工智能地球物理勘探概述 10
1.2.1 人工智能的發(fā)展歷程 10
1.2.2 人工智能地球物理勘探的基本原理 13
1.2.3 神經(jīng)網(wǎng)絡的數(shù)學和物理理解 18
1.2.4 模型驅動與數(shù)據(jù)驅動的異同 25
參考文獻 28
第2章 人工智能地震資料處理 31
2.1 初至拾取 31
2.1.1 研究進展 31
2.1.2 基于滑動窗口的智能初至拾取 34
2.1.3 基于端到端神經(jīng)網(wǎng)絡的初至拾取 42
2.1.4 基于BiLSTM網(wǎng)絡回歸的初至拾取 51
2.1.5 小結與展望 60
2.2 速度分析 61
2.2.1 研究進展 62
2.2.2 基于無監(jiān)督聚類的速度分析 65
2.2.3 基于有監(jiān)督神經(jīng)網(wǎng)絡的速度分析 77
2.2.4 基于多模態(tài)神經(jīng)網(wǎng)絡的速度分析 83
2.2.5 小結與展望 102
2.3 高分辨率處理 103
2.3.1 研究進展 103
2.3.2 基于端到端神經(jīng)網(wǎng)絡的高分辨率處理 108
2.3.3 基于雙監(jiān)督神經(jīng)網(wǎng)絡的高分辨率處理 118
2.3.4 基于物理引導神經(jīng)網(wǎng)絡的高分辨率處理 124
2.3.5 小結與展望 131
2.4 提高信噪比處理 132
2.4.1 研究進展 132
2.4.2 基于全連接神經(jīng)網(wǎng)絡的提高信噪比處理 137
2.4.3 基于去噪自編碼器的提高信噪比處理 145
2.4.4 基于深度殘差網(wǎng)絡的提高信噪比處理 152
2.4.5 小結與展望 161
參考文獻 162
第3章 人工智能地震資料解釋 175
3.1 層位拾取 175
3.1.1 研究進展 175
3.1.2 基于U-Net的層位拾取 178
3.1.3 基于VQVAE的層位拾取 190
3.1.4 多屬性智能融合的層位拾取 196
3.1.5 小結與展望 208
3.2 斷裂識別 209
3.2.1 研究進展 210
3.2.2 基于主成分分析的斷裂識別 212
3.2.3 基于三維多尺度卷積神經(jīng)網(wǎng)絡的斷裂識別 219
3.2.4 基于深層聚合神經(jīng)網(wǎng)絡的多屬性融合斷裂識別 230
3.2.5 小結與展望 240
3.3 孔洞識別 241
3.3.1 研究進展 242
3.3.2 基于多屬性制作標簽的孔洞識別 243
3.3.3 基于VQVAE的孔洞識別 248
3.3.4 聯(lián)合U-Net與VQVAE的孔洞識別 250
3.3.5 小結與展望 256
3.4 地震相解釋 257
3.4.1 研究進展 257
3.4.2 基于XGBoost有監(jiān)督學習的地震相解釋 260
3.4.3 基于U-Net有監(jiān)督學習的地震相解釋 266
3.4.4 基于半監(jiān)督學習的地震相解釋 272
3.4.5 基于自監(jiān)督學習的地震相解釋 277
3.4.6 小結與展望 281
3.5 鹽丘識別 283
3.5.1 研究進展 283
3.5.2 基于隨機森林的鹽丘識別 285
3.5.3 基于U-Net++的鹽丘識別 291
3.5.4 聯(lián)合CAE與K均值的鹽丘識別 297
3.5.5 小結與展望 303
參考文獻 304
第4章 人工智能地震資料反演 313
4.1 波阻抗反演 313
4.1.1 研究進展 313
4.1.2 井震聯(lián)合有監(jiān)督波阻抗反演 316
4.1.3 井震聯(lián)合雙監(jiān)督波阻抗反演 325
4.1.4 數(shù)據(jù)與模型聯(lián)合驅動波阻抗反演 335
4.1.5 小結與展望 348
4.2 疊前彈性參數(shù)反演 349
4.2.1 研究進展 349
4.2.2 基于單監(jiān)督學習的疊前彈性參數(shù)反演 351
4.2.3 基于半監(jiān)督學習的疊前彈性參數(shù)反演 365
4.2.4 基于注意力機制的權重自適應彈性參數(shù)反演 373
4.2.5 小結與展望 387
參考文獻 389
第5章 人工智能儲層流體預測 393
5.1 儲層孔隙度預測 393
5.1.1 研究進展 393
5.1.2 井震聯(lián)合有監(jiān)督孔隙度預測 397
5.1.3 井震聯(lián)合半監(jiān)督孔隙度預測 404
5.1.4 小結與展望 417
5.2 儲層流體預測 420
5.2.1 研究進展 420
5.2.2 基于機器學習的有監(jiān)督含氣性預測 423
5.2.3 基于深度學習的有監(jiān)督含氣性預測 432
5.2.4 基于半監(jiān)督學習的含氣性預測 439
5.2.5 基于多任務學習的含氣飽和度和波阻抗同時預測 443
5.2.6 小結與展望 457
參考文獻 459
書單推薦
