深度學(xué)習(xí)與邊緣增強(qiáng)相結(jié)合的斷裂綜合檢測技術(shù)
——順北地區(qū)超深走滑斷裂檢測應(yīng)用實(shí)例

陳俊安 陳海東 龔 偉 廖茂輝

(①中國石化西北油田分公司，新疆烏魯木齊 830011；②中國地質(zhì)大學(xué)(北京)能源學(xué)院，北京 100083)

0 引言

目前斷裂識別的主流技術(shù)包括相干類、曲率類、邊緣增強(qiáng)類、圖像邊緣檢測類等[1]。早期“斷控儲集體”研究采用的方法有傳統(tǒng)的相干類及邊緣增強(qiáng)類(如AFE)、螞蟻體、最大似然法等。這些方法都曾取得過一定效果，但對于精細(xì)研究尚存一定不足，尤其是對不同規(guī)模斷裂的分尺度檢測。

相干屬性是最早用于檢測斷裂的屬性[2]，從第一代相干算法的提出，到目前已發(fā)展為以梯度結(jié)構(gòu)張量(GST)為代表的第四代，其間眾多學(xué)者提出了不同改進(jìn)方案[3-7]。相干類屬性識別斷裂的不足在于其明顯的低精度且不連續(xù)性特征。

曲率屬性于1994年最早提出[8]，后來的各種二維曲率屬性的計(jì)算公式與分類[9]、三維體曲率及其對應(yīng)的地質(zhì)含義[10]，以及振幅曲率、歐拉曲率、曲率梯度[11-14]等相繼出現(xiàn)，主要用于解決與裂縫相關(guān)的問題，但是未經(jīng)過增強(qiáng)處理的曲率屬性也存在低精度的弊端。

邊緣增強(qiáng)類以螞蟻?zhàn)粉櫯c最大似然屬性為代表。蟻群算法由Colorni等[15]率先提出，并由Randen等[16]最早應(yīng)用于斷層識別領(lǐng)域。最大似然屬性最早由Hale[17]于2012年提出，是在相干計(jì)算基礎(chǔ)上，通過尋找局部最大值的方式達(dá)到相干增強(qiáng)的目的，最大似然體沿最可能的斷面方向進(jìn)行擴(kuò)散加強(qiáng)。在同一方向得到的點(diǎn)越多，斷裂越發(fā)育。邊緣增強(qiáng)類屬性用于斷裂檢測的不足之處是應(yīng)用過程中常會出現(xiàn)大量“階梯狀”假象及過多雜亂的裂縫信息。

邊緣檢測技術(shù)起源于圖像處理領(lǐng)域，用于檢測圖像中的灰度突變區(qū)域，地震勘探領(lǐng)域主要用其對地震數(shù)據(jù)中的不連續(xù)區(qū)域進(jìn)行檢測[18]。目前主流的深度學(xué)習(xí)斷裂檢測以基于U-Net的卷積神經(jīng)網(wǎng)絡(luò)算法為主，U-Net網(wǎng)絡(luò)最早是應(yīng)用于醫(yī)學(xué)圖像識別領(lǐng)域[19]。作為一種編碼器—解碼器架構(gòu)的網(wǎng)絡(luò)，因形似英文字母“U”而得名。Badrinarayanan等[20]和Li等[21]提出編碼器—解碼器神經(jīng)網(wǎng)絡(luò)并應(yīng)用于斷層檢測，以較小的訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)，然后逐像素預(yù)測地震數(shù)據(jù)中的斷層；Wu等[22]和Qi等[23]基于U-Net卷積神經(jīng)網(wǎng)絡(luò)，通過建立人工合成地震數(shù)據(jù)模型方式進(jìn)行訓(xùn)練，快速實(shí)現(xiàn)斷層數(shù)據(jù)提取，具有很強(qiáng)泛化能力。其他如張政等[24]通過殘差網(wǎng)絡(luò)與遷移學(xué)習(xí)提高其泛化能力，常德寬等[25]提出應(yīng)用ResNet與U-Net架構(gòu)聯(lián)合的方式形成斷層識別網(wǎng)絡(luò)架構(gòu)SeisFault-Net用于識別斷層。隨著以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)技術(shù)的普及應(yīng)用，它在斷層精確檢測方面的優(yōu)勢相較于傳統(tǒng)的相干、曲率或邊緣增強(qiáng)屬性愈加明顯，尤其是對斷層預(yù)測的準(zhǔn)確性及連續(xù)性方面，具有明顯優(yōu)勢。

近年來，塔里木盆地順北地區(qū)特深“斷控儲集體”油氣藏不斷有重大油氣發(fā)現(xiàn)，該油氣藏具有沿?cái)嗔褞дw含油、不均勻富集的特點(diǎn)。高角度走滑斷裂對“斷控儲集體”的發(fā)育起著決定性的作用[26]。受走滑斷裂帶多期活動與流體溶蝕改造，可形成良好的洞穴、裂縫及溶蝕孔洞型儲集體。斷裂作為重要的油氣儲集空間和滲流通道，控制著油氣藏的形成與分布[27-28]。前期研究表明，順北地區(qū)奧陶系碳酸鹽巖斷控縫洞儲層普遍埋深較大，非均質(zhì)性強(qiáng)、縫洞分布規(guī)律復(fù)雜。

針對研究區(qū)走滑斷裂埋藏深、斷距小、難閉合，以及地震資料信噪比低、斷面特征不清晰、空間解釋難度大的特點(diǎn)，常規(guī)方法如相干、AFE、螞蟻體等因其算法本身存在的問題，很難分別準(zhǔn)確地對走滑斷裂中的主干斷裂、內(nèi)部小斷裂及裂縫進(jìn)行綜合的表征。為此，本文提出一套針對不同斷裂的多尺度綜合檢測方法，即深度學(xué)習(xí)識別主干斷裂，凌亂性檢測與Aberrance增強(qiáng)相結(jié)合識別主干斷裂內(nèi)部小斷裂和裂縫，綜合三種技術(shù)的走滑斷裂檢測方法。

1 超深走滑斷裂帶地震模式識別

構(gòu)造地質(zhì)學(xué)中將斷裂按規(guī)模劃分為四個等級：一級控盆斷裂、二級控帶斷裂、三級控制局部構(gòu)造斷裂、四級伴生斷層或小斷層等。主干斷裂與次級斷裂也是按其發(fā)育規(guī)模劃分，通常認(rèn)為一～三級為主干斷裂，四級為次級斷裂。

順北地區(qū)深層奧陶系儲層主要受超深走滑斷裂及斷裂活動相伴生的次級斷裂控制，“斷控儲集體”作為其主要的油氣儲集空間，內(nèi)部結(jié)構(gòu)非常復(fù)雜，地震剖面顯示的反射特征多為幾種儲層類型的綜合響應(yīng)[29]。文中提到的主干斷裂檢測在“斷控儲集體”研究中的主要目標(biāo)是精確反映走滑斷裂帶的空間展布。

圖1展示了走滑斷裂正演模型，假設(shè)其地層速度為4000m/s，深度學(xué)習(xí)斷層檢測可準(zhǔn)確識別1/12波長(8m)以上斷距的斷裂。若以斷距為參照，將斷距大于1/8波長的斷裂定義為主干斷裂，1/16～1/8波長斷距的斷裂定義為次級斷裂，將小于1/16波長斷距的斷裂定義為裂縫。

圖1 正演斷層模型深度學(xué)習(xí)檢測試驗(yàn)

由于研究區(qū)走滑斷裂平移、擠壓、拉分等不同斷裂特征共存。裂縫研究主要針對裂縫帶的發(fā)育情況，斷層在橫向或垂向上的錯斷距離和張開度要遠(yuǎn)超裂縫。充分消化吸收前人研究成果[30-31]，針對順北地區(qū)超深走滑斷裂帶和“斷控儲集體”發(fā)育模式，開展有針對性的模型正演。通過與實(shí)際地震、鉆井、地質(zhì)資料結(jié)合，合理設(shè)計(jì)斷裂樣式，主干斷裂、次級斷裂、裂縫及洞穴等空間組合，對斷裂寬度、縫洞充填樣式、充填速度的選擇，最終保證構(gòu)建的正演模型與(實(shí)際)地震響應(yīng)的匹配度高，建立符合研究區(qū)地質(zhì)規(guī)律的地質(zhì)模型。在構(gòu)建地質(zhì)模型后，正演生成“斷控儲集體”在不同深度的地震識別模式。在正演地震數(shù)據(jù)體上進(jìn)行屬性模擬分析，選取對斷裂響應(yīng)敏感的參數(shù)。

圖2a為原始地震剖面，圖2b為設(shè)計(jì)地質(zhì)模型，其中的斷裂設(shè)置為花狀類型，在主干斷裂附近伴生一系列次級斷裂及裂縫。斷裂帶寬度為40～80m，斷距最大為70m，斷裂速度比圍巖低500m/s，裂縫速度比圍巖低600～700m/s。在建立了上述斷裂帶縫洞體和裂縫體兩種類型儲集體模型的基礎(chǔ)上，開展數(shù)值模擬正演研究。從波動方程正演結(jié)果(圖2c)及其與斷裂的疊合顯示(圖2d)可看出：高陡主斷面(巨縫)響應(yīng)主要為線性弱反射，標(biāo)志波有錯斷；次級斷裂和小斷裂發(fā)育區(qū)主要表現(xiàn)為雜亂弱反射；洞穴主要為串珠或雜亂強(qiáng)反射。實(shí)際地層中的裂縫與縫洞是伴生關(guān)系，地震剖面上呈現(xiàn)的反射異常是不同尺度斷裂及縫洞體的綜合響應(yīng)特征。

圖2 順北地區(qū)超深走滑斷裂帶地質(zhì)模型設(shè)計(jì)

在正演地震數(shù)據(jù)上進(jìn)行屬性模擬計(jì)算，分析地震屬性對洞穴、裂縫、斷裂的響應(yīng)特征，為后續(xù)的斷裂預(yù)測識別和空間解釋提供依據(jù)。本次研究選取多項(xiàng)屬性進(jìn)行測試，提出一套針對不同規(guī)模斷裂進(jìn)行分級檢測的綜合研究思路(圖3)：應(yīng)用基于U-Net卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)識別地震同相軸錯斷的主干斷裂，準(zhǔn)確地描述斷裂的空間展布特征；以基于振幅梯度矢量凌亂性分析的斷層檢測技術(shù)更好地識別深大斷裂周邊伴生的小尺度斷裂的分布；通過Aberrance增強(qiáng)屬性有效預(yù)測受構(gòu)造應(yīng)力作用產(chǎn)生的地層扭曲等伴生的裂縫信息。

圖3 順北地區(qū)超深走滑斷裂綜合檢測技術(shù)流程

圖4所示正演地震數(shù)據(jù)可看出：深度學(xué)習(xí)斷裂檢測算法對主干斷裂的識別效果最好，可真實(shí)地反映超深走滑斷裂的發(fā)育樣式；基于振幅梯度矢量的凌亂性檢測技術(shù)是對深度學(xué)習(xí)斷裂檢測的有效補(bǔ)充，可進(jìn)一步識別地震響應(yīng)相對不明顯的次級斷裂；Aberrance增強(qiáng)屬性對預(yù)測裂縫有顯著效果，能很好地反映斷裂附近裂縫的發(fā)育特征。

圖4 走滑斷裂正演模型屬性模擬實(shí)驗(yàn)

2 超深走滑斷裂地震識別技術(shù)

深度學(xué)習(xí)可識別三級及以上的斷裂，或部分四級斷裂，需建立幾米、幾十甚至幾百米級別斷距的斷裂模型作為學(xué)習(xí)樣本。從實(shí)際應(yīng)用角度，一方面受地震資料本身信噪比的影響，無噪正演模型可以識別大于1/12波長斷距的斷層，但斷距較小的單一斷層的預(yù)測會存在一定不確定性；另一方面三維斷層模型的建立也有一定的延伸性特點(diǎn)，比如建立-50～50m過渡斷距的走滑斷層模型，實(shí)現(xiàn)走滑斷裂帶斷層檢測中平移段斷裂的識別。深度學(xué)習(xí)以其強(qiáng)大的學(xué)習(xí)能力，其高分辨率特點(diǎn)可忠實(shí)、準(zhǔn)確地反映地震剖面上的斷裂特征，同時對于斷距較小的斷裂延伸部分，有較強(qiáng)的延伸性特點(diǎn)。

次級斷裂主要指四級斷裂，凌亂性檢測可識別三級、四級斷裂及裂縫。凌亂性檢測與深度學(xué)習(xí)的適用范圍有部分重疊，但因深度學(xué)習(xí)的準(zhǔn)確性及延伸性更好，因此三級斷裂主要參考深度學(xué)習(xí)的結(jié)果。

2.1 基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)斷層檢測技術(shù)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種監(jiān)督學(xué)習(xí)技術(shù)，可用于解決勘探地球物理中許多具有挑戰(zhàn)性的問題。與所有監(jiān)督學(xué)習(xí)技術(shù)一樣，CNN斷裂檢測的性能高度依賴于訓(xùn)練數(shù)據(jù)，并且通過分類正則化可大大提高檢測結(jié)果的穩(wěn)定性[32]。

從計(jì)算機(jī)視覺角度來看，在地震數(shù)據(jù)中，斷裂是一組特殊的邊緣，在地震數(shù)據(jù)上會表現(xiàn)出不連續(xù)的特性，經(jīng)過邊緣檢測技術(shù)處理后，這些不連續(xù)的邊緣特性會得到凸顯。因此邊緣檢測技術(shù)可識別地震數(shù)據(jù)體中的斷裂并能較準(zhǔn)確地刻畫斷層形態(tài)。地震數(shù)據(jù)中的斷裂與計(jì)算機(jī)視覺圖像中的邊緣有著本質(zhì)上的區(qū)別。在傳統(tǒng)的計(jì)算機(jī)視覺圖像中，由邊緣分割的區(qū)域是相對均勻的；而在地震數(shù)據(jù)中，這些區(qū)域是由反射層的模式定義的。此外，并非地震數(shù)據(jù)中所有邊緣都是斷層，某些地層邊緣(如不整合面、河道岸和喀斯特坍塌等)也可呈現(xiàn)很好的邊緣圖像。傳統(tǒng)邊緣檢測算法，如Kirsch、Prewitt、Sobel、Robert、Canny、Laplacian等在邊緣檢測領(lǐng)域都取得了較好應(yīng)用效果[33]。

深度學(xué)習(xí)斷層檢測主要由模型選擇與訓(xùn)練學(xué)習(xí)兩部分組成。其中模型既可以是人工合成地震數(shù)據(jù)，也可以是實(shí)際地震數(shù)據(jù)，都需對其進(jìn)行標(biāo)簽化以用于訓(xùn)練學(xué)習(xí)。對比兩種方法：實(shí)際地震數(shù)據(jù)需人工解釋斷層，標(biāo)注實(shí)際數(shù)據(jù)中斷層位置，制作標(biāo)簽數(shù)據(jù)，該解釋結(jié)果存在極大不確定性，且非常耗時；人工合成地震數(shù)據(jù)對斷層的定義較明確，可通過調(diào)整斷距、旋轉(zhuǎn)傾角等方式實(shí)現(xiàn)不同類型、不同尺度斷層的準(zhǔn)確模擬，且可不斷更新模型庫用于訓(xùn)練學(xué)習(xí)，極大地提高了斷層檢測的效率[34-35]。

本次無噪模型設(shè)定樣本庫數(shù)近4000個，訓(xùn)練學(xué)習(xí)采用U-Net架構(gòu)，主要由下采樣特征提取、上采樣特征恢復(fù)與分類器三部分組成(圖5)。具體實(shí)現(xiàn)過程：首先給定地震數(shù)據(jù)并將其圖像化，下采樣部分由卷積層與池化層組成，每輪卷積層過濾完成后緊接著進(jìn)行池化層運(yùn)算(采用2×2×2重采樣因子)。每一輪卷積與池化處理便是對圖像特征的一次抽象，逐層完成高級像素特征的提取。上采樣部分由反卷積與池化層組成，它是下采樣操作的反運(yùn)算。上采樣過程是對提取特征逐層恢復(fù)過程，逐層累積直至完成初始圖像的最終恢復(fù)。上采樣與下采樣之間由全連接層連接，基于ReLU(Rectified Linear Units)激活函數(shù)不斷調(diào)整參數(shù)，進(jìn)行多輪加權(quán)—疊加，最終還原原始維度的圖像。上采樣完成后，通過Sigmoid激活函數(shù)評判斷層與非斷層即標(biāo)簽化。

圖5 基于U-Net 卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)斷裂檢測方法

深度學(xué)習(xí)過程需測試的參數(shù)達(dá)上百萬個，運(yùn)算量巨大，需采用GPU運(yùn)算以提高效率。

基于有監(jiān)督的深度學(xué)習(xí)斷裂檢測的一個特點(diǎn)是它的暴力性，其檢測過程完全依賴于訓(xùn)練數(shù)據(jù)，而不是遵循地質(zhì)/地球物理原理。在現(xiàn)實(shí)中，不可能得到能覆蓋地震數(shù)據(jù)中所有可能出現(xiàn)的斷裂的訓(xùn)練數(shù)據(jù)，且數(shù)據(jù)也不是無噪聲的。因此，雖然CNN分類器的原始輸出可很好地代表結(jié)構(gòu)簡單、低噪的合成數(shù)據(jù)中的斷層，但要使結(jié)果對實(shí)際數(shù)據(jù)有用，還需一些后續(xù)處理。采用基于U-Net的CNN網(wǎng)絡(luò)實(shí)現(xiàn)斷裂的高精度識別，有下列主要特點(diǎn)和優(yōu)勢：

(1)訓(xùn)練數(shù)據(jù)以建立大量不同類型斷裂模式并合成地震模型的方式獲得，并賦予“斷層”標(biāo)簽，實(shí)現(xiàn)基于大數(shù)據(jù)的有監(jiān)督的深度學(xué)習(xí)；

(2)采用基于U-Net的卷積神經(jīng)網(wǎng)絡(luò)以實(shí)現(xiàn)“斷層”與“非斷層”的分類問題，具很強(qiáng)泛化能力；

(3)采用GPU，大幅提高深度學(xué)習(xí)斷層檢測效率。

2.2 基于振幅梯度矢量的凌亂性斷裂檢測技術(shù)

基于振幅梯度矢量凌亂性斷層檢測技術(shù)，是在最新一代相干計(jì)算的基礎(chǔ)上實(shí)施邊緣增強(qiáng)的斷裂檢測思路。該方法核心思想是：假設(shè)斷層面在局部區(qū)域是一個面，通過在三維空間里各個方位角和傾角搜索地震振幅梯度向量的凌亂度，據(jù)此開展斷層體優(yōu)化處理，最終得到的反映斷面特征的凌亂體，并對它做邊緣增強(qiáng)處理。具體實(shí)現(xiàn)過程如下：

以地震樣點(diǎn)s為中心，在任意方向υ(傾角θ、方位α由第一步傾角計(jì)算提供)創(chuàng)建矩陣Tθα，該矩陣的協(xié)方差矩陣Rθα表達(dá)為[36]

(1)

對Rθα沿x、y、t方向分別求偏導(dǎo)數(shù)Dx、Dy、Dt，得到相應(yīng)的梯度矢量

(2)

將該梯度矢量的協(xié)方差矩陣定義為結(jié)構(gòu)張量

(3)

結(jié)構(gòu)張量T(s,υ)的特征向量為X1、X2、X3，對應(yīng)特征值為λ1、λ2、λ3。將特征向量沿方向υ旋轉(zhuǎn)(即通過與方向υ表示的矢量矩陣R進(jìn)行矩陣相乘)，分別表示如下

(4)

(5)

若三個特征值滿足λ1≥λ2≥λ3，會有一個平面相干異常，其中第一和第二特征向量的方向υ1和υ2表示平行于平面異常即斷面的方向，第三特征向量的方向υ3表示球面分析窗口垂直于平面異常的方向。通過特征值求得相干異常

(6)

斷層體優(yōu)化的目的是使上述相干異常變細(xì)且提高其連續(xù)性，能夠更準(zhǔn)確反映斷層信息，本文主要采用了圖像增強(qiáng)處理中的高斯—拉普拉斯(LoG)濾波與骨架化處理相結(jié)合的研究思路。該思路也同樣適用于Aberrance屬性的邊緣增強(qiáng)處理。LoG濾波是針對圖像進(jìn)行邊緣濾波的一種算法，主要起到平滑與銳化的作用。其中：高斯濾波器通過低通濾波起到平滑圖像、抑制噪聲的作用；拉普拉斯算子是一種高通濾波器，通過對圖像灰度函數(shù)在兩個方向二階偏導(dǎo)數(shù)求和(一階導(dǎo)數(shù)梯度算子求極值，二階導(dǎo)數(shù)過零點(diǎn))以提取圖像邊緣，實(shí)現(xiàn)邊緣檢測與斷層增強(qiáng)的目的[37-38]。

LoG算子在平行于斷面方向做平滑處理，垂直于斷面方向做銳化處理。為了保證沿?cái)鄬佣皇谴怪睌鄬臃较蚋笃交咚购瘮?shù)G的表達(dá)式為

(7)

(8)

該式為高斯算子與拉普拉斯算子結(jié)合的結(jié)果，表示沿?cái)嗝娣较颉袄L”的高斯算子。通過該算子以卷積核方式對數(shù)據(jù)做濾波與邊緣增強(qiáng)，每次運(yùn)算所得結(jié)果作為輸入，多次迭代得到最終結(jié)果。通常該斷層增強(qiáng)過程需三次以上迭代才能得到理想結(jié)果。

2.3 基于Aberrance增強(qiáng)屬性裂縫識別技術(shù)

深度學(xué)習(xí)與凌亂性檢測可識別主體斷層及構(gòu)造裂縫的發(fā)育范圍，而曲率增強(qiáng)技術(shù)是對凌亂性裂縫檢測的有效補(bǔ)充。曲率類算法已被證明為可靠的斷裂檢測手段。構(gòu)造曲率通過計(jì)算地層彎曲程度，以反映裂縫發(fā)育強(qiáng)度。常用的最大正曲率和最大負(fù)曲率所預(yù)測的斷裂位置均有一定誤差。Aberrance屬性是對曲率的求導(dǎo)，其預(yù)測結(jié)果相對更準(zhǔn)確。從其原理圖(圖6)可看出，斷面位置深度落差最大，對應(yīng)構(gòu)造曲率0值。而構(gòu)造曲率的最大值位于斷層扭曲的轉(zhuǎn)換位置(包括最大正曲率和最大負(fù)曲率)，處于斷面的兩翼，這就造成構(gòu)造曲率對斷面的識別存在一定誤差。對于中小尺度斷層，這種誤差會難以接受。而Aberrance屬性最大值正好位于斷面位置，明顯提高了斷面的識別精度。

圖6 Aberrance屬性原理圖

地震同相軸明顯褶曲的地層，由于地震同相軸沒有明顯錯斷，但受構(gòu)造應(yīng)力作用，會伴生大量小尺度裂縫。由于這種褶曲地層振幅橫向連續(xù)性強(qiáng)，用深度學(xué)習(xí)及凌亂性檢測無法有效識別，而利用A berrance屬性則可對其進(jìn)行有效識別。由于原始Aberrance屬性計(jì)算結(jié)果信噪比稍低，需對此屬性做邊緣增強(qiáng)處理，得到的結(jié)果信噪比明顯改善，裂縫可清晰識別，更易于精細(xì)解釋。

3 實(shí)際資料應(yīng)用效果分析

研究區(qū)位于順托果勒低隆與沙雅隆起南斜坡的結(jié)合部位，該區(qū)長期處于順托果勒構(gòu)造脊部，深層發(fā)育玉爾吐斯組烴源巖，存在多期活動深大斷裂(圖7)，這些深大走滑斷裂不僅為油氣運(yùn)移提供了良好通道，且可作為優(yōu)質(zhì)儲集空間。中下奧陶統(tǒng)主要發(fā)育裂縫—洞穴型、裂縫—孔洞型和裂縫型三種類型儲集體，儲層發(fā)育規(guī)模受控于多期活動的走滑斷及斷裂溶蝕作用，在深層形成不同程度的壓扭性走滑斷裂。在喜山晚期，深層玉爾吐斯組生成的高成熟度輕質(zhì)油氣沿深大斷裂以垂向運(yùn)移為主、側(cè)向運(yùn)移為輔，在有利儲層發(fā)育區(qū)聚集成藏。斷裂帶中上奧陶統(tǒng)發(fā)育齊全，巨厚桑塔木組泥質(zhì)巖作為區(qū)域蓋層，有利于晚期輕質(zhì)油氣運(yùn)聚與保存[40]。

圖7 順北地區(qū)超深走滑斷裂模式圖

3.1 深度學(xué)習(xí)主干斷裂識別

圖8為研究區(qū)地震相干與深度學(xué)習(xí)兩種方法得到的斷層預(yù)測結(jié)果剖面，可見基于U-Net卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)斷裂檢測結(jié)果精度高，可解釋性強(qiáng)。

圖9為沿超深走滑斷裂帶擠壓段、拉分段、平移段深度學(xué)習(xí)斷裂檢測結(jié)果，該方法對主干斷裂具有很強(qiáng)識別能力，可準(zhǔn)確反映斷裂空間展布特征。圖10為預(yù)測結(jié)果的平面分布?？梢娫谥饕獦?biāo)志層主干斷裂展布特征一致性好，該深大走滑斷裂具有很好的繼承性。圖11為順北地區(qū)走滑斷裂帶深度學(xué)習(xí)斷裂檢測三維空間展示效果，從側(cè)面觀察斷裂清晰連片，空間延展性好，可很好地展示與深層烴源巖的溝通特征。

圖9 不同走滑斷裂段深度學(xué)習(xí)斷裂檢測剖面

圖10 深度學(xué)習(xí)斷裂檢測沿T74(a)和T80(b)頂面的切片

圖11 深度學(xué)習(xí)走滑斷裂檢測三維展示

3.2 凌亂性檢測識別伴生次級斷裂

圖12展示凌亂性檢測剖面，該檢測結(jié)果沿?cái)嗔衙孢B續(xù)性強(qiáng)，斷裂帶內(nèi)部細(xì)節(jié)豐富，對走滑斷裂及伴生的小尺度斷裂的刻畫較清晰。

圖12 凌亂性檢測小斷裂識別剖面

從其沿層切片(圖13)可看出，凌亂性檢測結(jié)果在清晰度和細(xì)節(jié)方面比傳統(tǒng)相干方法有明顯提升，對斷裂帶的精細(xì)刻畫更有利，不同層位的凌亂性檢測屬性切片，清晰地呈現(xiàn)了不同時期斷裂的發(fā)育特征，斷裂具有明顯的繼承性。

圖13 凌亂性屬性斷裂檢測結(jié)果沿T74(a)和T80(b)頂面的切片

3.3 Aberrance增強(qiáng)屬性識別裂縫

該區(qū)走滑斷裂尺度不一，縱向斷距小的斷裂往往在地震剖面上表現(xiàn)出撓曲或能量微弱變化。圖14為解釋性處理剖面與深度學(xué)習(xí)、小尺度曲率增強(qiáng)屬性裂縫檢測疊合剖面，圖15為Aberrance增強(qiáng)屬性裂縫檢測沿層切片，可見裂縫的發(fā)育與斷層的發(fā)育具有明顯的關(guān)聯(lián)性，越靠近斷裂帶，裂縫越發(fā)育，且能量與距離成反比。在得到深度學(xué)習(xí)斷裂檢測與曲率增強(qiáng)屬性檢測結(jié)果的基礎(chǔ)上，在剖面及平面上進(jìn)行疊合顯示。

圖14 斷裂檢測與Aberrance增強(qiáng)屬性剖面

圖15 Aberrance增強(qiáng)屬性裂縫檢測結(jié)果沿T74(a)和T80(b)頂面的切片

3.4 井位論證與綜合評價

圖16為過該斷裂帶上一口高產(chǎn)油氣井X8的剖面，該井表現(xiàn)出典型的裂縫型油氣藏特征。深度學(xué)習(xí)很明確地指示了通源斷裂的展布，凌亂性檢測顯示在該走滑斷裂帶X8井周邊有部分小尺度斷層并伴有大量裂縫的發(fā)育，尤其在走滑斷裂帶內(nèi)部凌亂性檢測與Aberrance增強(qiáng)屬性展示了很好的裂縫發(fā)育特征，裂縫的存在極大地提升了油氣的儲存空間。鉆井過程中該井有兩處漏失，圖16d顯示兩處漏失點(diǎn)與深度學(xué)習(xí)斷裂檢測確定的斷面吻合，此處用到的振幅曲率屬性對于洞穴型儲層有較好指示作用。在目的層鷹山組與一間房組之上覆蓋著巨厚泥巖蓋層，有利于油氣保存、成藏。

圖16 過X8井?dāng)嗔丫C合檢測剖面

圖17為深度學(xué)習(xí)斷裂檢測、凌亂性檢測與小尺度曲率增強(qiáng)裂縫檢測平面疊合圖?？梢娚疃葘W(xué)習(xí)斷裂檢測對主要斷裂特征具有很好的表征，凌亂性檢測可反映層間的小斷裂信息，曲率增強(qiáng)屬性檢測結(jié)果可進(jìn)一步表征層間裂縫的發(fā)育規(guī)律，三者結(jié)合可全面地描述主干斷裂、次級斷裂及層間裂縫的整體發(fā)育規(guī)律。從深至淺，斷裂具有較強(qiáng)的繼承性，尤其在目的層奧陶系一間房組(T74)頂面，斷裂帶特征非常明顯，伴生大量的小斷裂及裂縫的發(fā)育。為該區(qū)域油氣的高產(chǎn)、穩(wěn)產(chǎn)提供了很好的運(yùn)移通道與儲集空間。

圖17 深度學(xué)習(xí)、凌亂性檢測、Aberrance增強(qiáng)屬性斷裂檢測平面疊合圖

4 結(jié)論

針對研究區(qū)超深走滑斷裂研究中面臨的各種問題，本文提出一套針對性的深度學(xué)習(xí)與邊緣增強(qiáng)相結(jié)合的多尺度斷裂綜合預(yù)測技術(shù)，并在順北地區(qū)超深走滑斷裂檢測中首次應(yīng)用，得到以下認(rèn)識：

(1)基于U-Net卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)可識別1/12波長以上斷距的斷層。該技術(shù)克服了邊緣增強(qiáng)技術(shù)在斷裂檢測中出現(xiàn)的“階梯狀”假象問題，能很好地反映斷裂的空間延伸，并在順北地區(qū)超深走滑斷裂檢測中精確地預(yù)測了主干走滑斷裂的空間展布。

(2)凌亂性屬性及Aberrance增強(qiáng)屬性適用于順北地區(qū)走滑斷裂帶內(nèi)部小斷層及裂縫的預(yù)測研究，兩者結(jié)合可更精細(xì)地描述走滑斷裂帶周邊小斷層及裂縫的發(fā)育。

(3)針對區(qū)內(nèi)斷裂帶上已有的一口鉆井，深度學(xué)習(xí)斷層檢測準(zhǔn)確地預(yù)測了該井旁的通源斷裂的存在，凌亂性檢測及Aberrance增強(qiáng)屬性預(yù)測了井周邊小斷層及大量裂縫的發(fā)育，表現(xiàn)為典型的斷控裂縫型儲集體特征。結(jié)合近期放空、漏失點(diǎn)的標(biāo)定，進(jìn)一步論證了該斷裂綜合檢測技術(shù)在順北地區(qū)超深走滑斷裂檢測中的應(yīng)用價值。