Використання технологій ШІ для підвищення якості сейсмічних даних

Юрчишин Олег, Начальник управління інноваційних технологій АТ «Укрнафта».
Василь Гудак, Сергій Тивончук, Дмитро Кекух

Штучний інтелект для підвищення якості сейсмічних даних: досвід «Укрнафти»

Компанія «Укрнафта» з 2023 року активно застосовує методи машинного навчання у геології, геофізиці та розробці родовищ. Одним із напрямів стала розробка нейромережевого алгоритму для підвищення якості сейсмічних даних — насамперед старіших матеріалів, які зберігають значний геологічний потенціал, але через обмежену роздільну здатність та рівень шуму є складнішими для інтерпретації.

Серед інших розробок компанії з використанням технологій штучного інтелекту — автоматична інтерпретація літологічних і петрофізичних характеристик, автоматизоване оцифрування геофізичних каротажів та структурних карт, обробка геолого-промислової документації, прогнозування показників роботи свердловин, а також рекомендаційна система для вибору свердловин-кандидатів на проведення заходів з інтенсифікації.

Від виробничої потреби до нейромережевої моделі

Мотивацією для створення окремого рішення для роботи із сейсмічними даними стала практична виробнича потреба. «Укрнафта» володіє значними масивами сейсмічних матеріалів попередніх років, які залишаються перспективними з погляду подальшого геологічного вивчення, однак потребують підвищення деталізації та інформативності.

Нижча роздільна здатність старіших сейсмічних кубів ускладнює інтерпретацію: тонкі пласти та невеликі структурні елементи стають менш помітними, а простеження відбивних горизонтів — складнішим.

Одним зі способів вирішення цієї проблеми є застосування нейронних мереж. Їх можна навчити виявляти та підсилювати корисні ознаки, які вже присутні у вихідному матеріалі, але частково приховані шумом або недостатньою роздільною здатністю.

Подібні технології вже застосовуються у світовій практиці. Для нафтогазової галузі якість сейсмічних матеріалів має принципове значення, адже саме сейсморозвідка дає змогу отримувати інформацію про будову надр, простежувати відбивні горизонти, визначати розломи та виявляти зони, потенційно пов'язані з флюїдонасиченням.

Як нейромережа реконструює сейсмічні дані

В основі підходу лежить припущення, що навіть у матеріалах нижчої якості корисний сейсмічний сигнал не обов'язково втрачений безповоротно. Сейсмічне хвильове поле має закономірну структурну організацію — латеральну безперервність відбиттів, характерні форми хвиль та взаємозв'язки між сусідніми трасами.

Нейронна мережа може навчитися розпізнавати ці закономірності. Під час тренування модель отримує велику кількість пар даних: штучно погіршений фрагмент сейсмічного зображення та відповідний йому якісний еталон. На основі цих прикладів алгоритм вчиться реконструювати сигнал.

За своєю логікою задача певною мірою нагадує нейромережеву реставрацію фотографій. Однак для сейсмічних даних вимоги значно жорсткіші. Результат має бути не просто візуально чіткішим, а фізично та геологічно обґрунтованим.

Критично важливо зберігати форму сигналу, його полярність та амплітудно-частотні характеристики, не згладжувати ознаки тектонічних порушень і, найголовніше, не допускати появи у реконструйованому матеріалі геологічних об'єктів, яких немає у вихідних даних.

Підготовка даних для навчання

Для навчання нейронної мережі було відібрано п'ять сейсмічних кубів у межах Дніпровсько-Донецької западини. На їх основі формувалася спеціалізована регіональна модель, орієнтована на роботу з даними конкретного нафтогазоносного басейну.

Для створення навчальної вибірки з якісних еталонних кубів були сформовані синтетично погіршені копії. Під час моделювання погіршення даних враховувався польовий шум, штучно знижувалася роздільна здатність та звужувався частотний спектр. Таким чином характеристики отриманих матеріалів максимально наближали до старіших сейсмічних даних, які потребують відновлення.

Сейсмічний куб обробляється нейронною мережею не як єдиний масив, а окремими фрагментами. Експериментальним шляхом було визначено оптимальний розмір такого фрагмента — 512 семплів у часовому напрямку × 128 трас по горизонталі.

Використання 512 семплів дає змогу охопити достатній вертикальний інтервал хвильового поля, тоді як 128 трас забезпечують моделі необхідний контекст для простеження латеральних сейсмічних подій. Фрагменти формувалися як для inline-, так і для crossline-зрізів.

Окрім цього, на вхід моделі подається так званий 2.5D-контекст. Алгоритм аналізує не лише центральний фрагмент, але й по два сусідні зрізи з кожного боку. Таким чином формуються п'ятиканальні вхідні дані, що дозволяють враховувати просторову інформацію сейсмічного куба, не переходячи до значно ресурсоємнішої повноцінної 3D-моделі.

Загалом було сформовано вибірку з понад 50 тис. фрагментів. Із них 80% використовувалися для навчання моделі, а 20% — для її валідації та тестування. Фрагменти відбиралися випадковим чином у різних частинах сейсмічних кубів, що знижувало ризик перенавчання алгоритму на окремих локальних ділянках.

TransUNet: поєднання локального та глобального аналізу

В основу розробленого рішення покладено архітектуру TransUNet, представлену Chen et al. у 2021 році. Спочатку її було запропоновано для задач медичної візуалізації, зокрема сегментації зображень комп'ютерної та магнітно-резонансної томографії.

У випадку сейсмічних даних модель була адаптована до задачі реконструкції сигналу.

Перевагою TransUNet є поєднання двох підходів. Згорткові блоки архітектури U-Net добре виділяють дрібні локальні деталі сейсмічного сигналу, тоді як блоки Transformer аналізують ширший просторовий контекст і взаємозв'язки між елементами зображення.

Для сейсміки така комбінація є особливо важливою: алгоритм повинен одночасно виявляти тонкі локальні особливості та зберігати просторову неперервність відбивних горизонтів.

Процес підготовки та навчання моделі включає декілька послідовних етапів:

1. завантаження пар SEG-Y — погіршеного та еталонного сейсмічних кубів;
2. перевірку геометрії та розбиття даних на фрагменти розміром 512 × 128;
3. формування 2.5D-контексту;
4. нормалізацію даних, обмеження за перцентилями та фільтрацію порожніх фрагментів;
5. проходження даних через згортковий енкодер U-Net, блок Transformer та згортковий декодер U-Net;
6. розрахунок комбінованої функції втрат, яка включає L1, SSIM та частотну складову;
7. контроль якості за набором метрик — MAE, PSNR, SSIM, NCC та спектральною відстанню.

Фінальна версія моделі обиралася за найкращим значенням індексу структурної подібності SSIM.

Результати тестування

На тестовій вибірці модель продемонструвала високі кількісні показники реконструкції.

Значення PSNR (Peak Signal-to-Noise Ratio) становило 32,5 дБ, що свідчить про ефективне пригнічення перешкод та близькість реконструйованого сигналу до еталонного.

Індекс структурної подібності SSIM досяг 0,93, що вказує на високий ступінь збереження геометрії сейсмічних відбиттів.

Проте ключовим етапом стала не лише оцінка моделі на синтетично погіршених тестових даних, а її випробування на реальних сейсмічних матеріалах.

За допомогою розробленого алгоритму було оброблено три реальні сейсмічні куби.

Практичний ефект на реальних сейсмічних матеріалах

Одним із результатів стало краще розділення зон інтерференції. Після обробки вдалося чіткіше розділити інтерферуючі реперні відбиття, підвищити їхню узгодженість та контрастність.

Інший важливий результат — відновлення неперервності сейсмічних подій. На ділянках із фрагментованим та нечітким сигналом осі синфазності після реконструкції стали більш упорядкованими та когерентними. Це полегшує простеження горизонтів і зменшує ризик їх пропуску під час інтерпретації.

Алгоритм також продемонстрував здатність працювати у складних тектонічних умовах. Зокрема, позитивні результати отримано при відновленні хвильового поля в інтервалах кутових неузгодженостей.

Таким чином нейромережа не просто виконує візуальне «очищення» сейсмічного зображення, а допомагає відновлювати структурну організацію сигналу, необхідну для геологічної інтерпретації.

Від реконструкції даних — до автоматизованої інтерпретації

Розроблену технологію в «Укрнафті» розглядають як базовий елемент для подальшого створення комплексу автоматизованої інтерпретації сейсмічних матеріалів.

Наступними напрямами розвитку можуть стати автоматичне простеження сейсмічних горизонтів, детекція розломів, аналіз зміщень та визначення зон тектонічних порушень.

Проведені дослідження показують, що алгоритм може автоматизувати та масштабувати підхід, який зазвичай застосовує фахівець-інтерпретатор під час роботи із зашумленими або недостатньо якісними ділянками сейсмічного матеріалу.

Найбільш переконливі результати на цьому етапі отримані для кінематичної, або структурної, інтерпретації — простеження геометрії горизонтів, структурних елементів та порушень.

Водночас використання нейромережево реконструйованих даних для динамічної, або кількісної, інтерпретації потребує додаткового дослідження. Йдеться, зокрема, про AVO-аналіз та сейсмічну інверсію, для яких принципове значення має достовірне збереження первинних амплітудно-частотних співвідношень.

Саме тому наступним етапом розвитку технології має стати поглиблена перевірка того, наскільки точно алгоритм зберігає ці характеристики вихідного хвильового поля.

Результати проведеної роботи демонструють потенціал машинного навчання як інструменту повторного використання накопичених сейсмічних даних. Підвищення інформативності старіших матеріалів може дати змогу отримувати з уже наявних масивів нову геологічну інформацію та підвищувати ефективність подальшої інтерпретації — без необхідності розглядати нейромережу як заміну геофізику-інтерпретатору.

Відео доповіді: https://www.youtube.com/live/6VFLI6mZVNA?si=EaRIK7TIszBrFPFE&t=25395