近几年来，国际油气价格持续波动，并在2017年达到近5年来油气市场交易总额最低点。全球范围内全年交易总额仅为3435亿美元。虽然，全球范围内常规油气资源储量仍然丰富，但各大公司都在防患于未然，开始持续加注油气勘探领域，希望通过增加探明储量，以增加资产，从而应对全球油气价格的不确定性。
自2017年起，各大地球物理学勘探学术会议上机器学习相关研究开始出头，并在2018年成爆发状态。以国际勘探地球物理行业技术会议（SEG）为例，2018年人工智能相关研究论文投递数是2017年的近7倍左右，所涉及技术包括机器学习，深度学习等多个领域。更有多家国际油气巨头公司如英国石油，道尔达，艾默生在去年都明确表示以机器学习为核心的人工智能技术将成为地球物理学勘探的中坚力量。本文将对近年来人工智能在地球物理勘探方面领域的技术、方向与案例做简单介绍。
全球范围内全年交易总额
计算机视觉：是指机器代替人眼对目标进行识别、跟踪和测量，并进一步进行图像处理的技术。在地球物理勘探中计算机视觉被广泛应用于地震勘探，重力勘探，磁力勘探数据分析。而在地震勘探另有尤为重要，它可以帮助作业者快速识别断层及褶皱，发现油气资源，实现收益最大化。
机器学习：是指利用规律对未知数据进行预测的算法。目前，在地球物理学勘探机器学习被广泛应用于油气勘探中电磁，地震数据分析、微地震信号检测，断层拾取，初至拾取，近地表建模，盐丘顶底等场景。
深度学习：是指让多层神经网络可以进行训练与学习的方法。而其中最为常见的方法就是卷积神经网络。目前，卷积神经网络已在地球物理学领域逐步落地，近期，其在利用三维地震数据预测盐丘顶面的结果精确度已与人工解释结果相接近，并大幅度降低盐丘顶底面拾取处理的周期。
大数据技术：大数据技术的体系庞大，基础技术包括数据采集，数据预处理，数据仓库等。正式如此，大数据正在成为各大行业的用来加速数字化进程的必不可缺手段，在地球物理学勘探领域也不例外，以数字数据为基础的智能化分析正在逐渐取代人工分析走上舞台。
自监督学习：是在没有明确提供标签的情况下进行目标标签的自由获取，并通过挖掘数据的性质，从中学习并生成所需的标签信息。目前，自监督学习在自动拾取与地表建模领域正在进行尝试。
生成对抗网络：是非监督学习的一种方法，可通过两个神经网络之间的互相博弈进行学习，该网络经常用于生成以假乱真的图像数据和改善已有图像数据的质量。这让该技术在智能去除地震道数据噪点以及生成模拟地震道图片数据方面有至关重要的作用。
图像增强：是指利用不同算法针对空域内相关图像数据的灰度变换，对比度，曝光度，高反差进行调整，以让图像变得清晰可见，并去除不必要的噪点。在地球物理学勘探领域被广泛应用对图像数据的清晰度增强。
WesternGeco：Schlumberger 公司旗下的WesternGeo 可利用深度学习，机器学习等技术多维度分析地震勘探数据，其中包括盐丘顶底自动化解析，海底地质结构解析，3D地震数据结构层成像。
沙特阿美公司：沙特阿美公司已开始尝试使用多层卷积神经网络模型进行断层数据分析，通过使用超过10万的断层与非断层的样本进行训练，该模型利用地震数据对断层的识别准确率可接近74%。
艾默生：艾默生Paradigm子公司使用深度学习以及卷积神经网络将地震道分成一系列重叠的时间窗口数据段进行初至有效数据筛选，该模型可有效排除干扰数据，并使用能量比法精确初至的对应时间。
雪佛龙：雪佛龙公司已开始尝试使用生成对抗网络以提高二维以及三位地震剖面数据的分辨率，该技术可广泛应于针对地震图片数据的超分辨率处理领域。
美国Los Alamos国家实验室：实验室在尝试基于卷积神经网络概念建立全波形反演网络模型“InversionNet”，并加入Atrous卷积模块以提升对地震道数据记录的速度。
地球物理学勘探数据集不统一：由于在人工智能方面算法和技术的研究往往需要海量的专业性数据，而在地球物理勘探领域，合成地震与实际地震的数据集标准并不统一，而且公开数据集有限，所以人工智能的相关研究有一定局限性。
电磁，重力，深水正在成为新的地球物理学勘探新领域：地震勘探一直是地球物理学勘探领域的核心，但近几年，随着未知油气田的物理环境正在变得更为复杂，后续针对电磁，重力，以及深水勘探的人工智能技术将可能越发重要。
关注官方微信