高精度智能斷層預測技術及應用

摘要：利用斷層敏感屬性識別斷層的精度和適用性有限，主要可識別主干大尺度斷層。對于中、小尺度斷層，由于欠缺足夠的分辨率、連續性，預測的斷層數量不準，如果僅依靠單一屬性預測斷層的可信度較低。此外，長期以來斷層解釋以人工為主，嚴重影響工作效率。為此，為了突破單一方法的極限，從而識別更多的斷層，改善斷層預測的分辨率和連續性，消除“雙邊界”效應，創建了高精度人工智能斷層預測流程，以逐級提升斷層解釋精度和效率。首先，開展疊后地震資料預處理，提高原始地震數據的品質，為生成高精度斷層屬性建立基礎；其次，進行人工智能斷層預測，為了進一步提升預測精度，對人工智能預測結果進行“斷層增強—骨架化—螞蟻體”處理；再次，利用多屬性融合豐富多尺度斷層信息；最后，依托高精度斷層預測結果，結合智能化技術提高斷層解釋效率。將高精度人工智能斷層預測流程用于渤海灣盆地X區實際資料，預測結果表明，剖面正斷層以階梯狀、“Y”式組合為主，大部分為SE傾向，與斷陷同期形成。平面上斷層優勢方位為NE向，與近SN向次級斷層構成“梳狀”組合，表明該區發生伸展變形的同時，可能遭受左旋走滑作用。

關鍵詞：斷層預測，人工智能，斷層增強處理，多屬性融合

中圖分類號：P631文獻標識碼：A DOI：10.13810/j.cnki.issn.1000-7210.2024.04.021

High?precision fault prediction technologies and applications

ZHANG Xichen1，2，HAN Ruidong1，2，DU Changjiang1，2，LI Lei1，2，CHEN Maoshan1，2，FENG Jiameng1，2

（1.BGP Inc.，China National Petroleum Corporation，Zhuozhou，Hebei 072751，China；2.National Engineering ResearchCenter of Oilamp;Gas Exploration Computer Software，Zhuozhou，Hebei 072751，China）

Abstract：Using fault?sensitive attributes to identify faults is limited in accuracy and applicability，mainly ableto identify major large?scale faults.As medium and small?scale faults lack sufficient resolution and continuity，thepredicted number of faults is inaccurate.The credibility of predicting faults solely relying on a single attribute isrelatively lower.In addition，for a long time，fault interpretation has been mainly done manually，seriously affect?ing working efficiency.To overcome the limitations of a single method，thus identifying more fault layers，im?proving the resolution and continuity of fault prediction，and eliminating the“double boundary”effect，this pa?per creates a high?precision artificial intelligence fault prediction process to gradually improve the accuracy andefficiency of fault interpretation.Firstly，post?stack seismic data preprocessing is carried out to improve thequality of original seismic data and establish a foundation for generating high?precision fault attributes.Sec?ondly，artificial intelligence fault prediction is carried out to further improve the prediction accuracy and processthe artificial intelligence prediction results in the“fault enhancement?skeletonization?ant body”way.Again，multi?attribute fusion is utilized to enrich multi?scale fault information.Finally，with high?precision fault predic?tion results and intelligent technology，the efficiency of fault interpretation is improved.The high?precision arti?ficial intelligence fault prediction process was applied to the actual data of Zone X in the Bohai Bay Basin，andthe results showed that the profile normal faults are mainly composed of stepped and Y?shaped combinations.Most of them are SE orientation and form simultaneously with the fault depression.The dominant orientationof the fault on the plane is NE，and forms a comb?like combination with secondary faults in the near SN direc?tion，indicating that the area may have undergone sinistral strike slip while deforming extensionally.

Keywords：fault prediction，artificial intelligence，fault enhancement processing，multi?attribute fusion

張希晨，韓瑞冬，杜長江，等.高精度智能斷層預測技術及應用［J］.石油地球物理勘探，2024，59（4）：837-847.

ZHANG Xichen，HAN Ruidong，DU Changjiang，et al.High-precision fault prediction technologies and appli?cations［J］.Oil Geophysical Prospecting，2024，59（4）：837-847.

0引言

斷層解釋是含油氣儲層描述、油氣藏評價及開發工程的基礎，并且工作量巨大，因此必須提高解釋精度和效率。然而，在地下深層和復雜構造帶，地震資料品質較差，斷層解釋方案往往存在多解性和不確定性[1-3]。

目前，斷層解釋依靠多種輔助手段，巖心分析和成像測井解釋是斷層預測的有效方法[4]，但獲得的斷層特征局限于井點，難以反映全區的斷層分布。根據區域構造變形機理、演化史等宏觀認識可以推測斷層分布規律[5-6]，但以定性描述為主，難以獲得定量特征。結合以上地質手段，利用疊后地震資料解釋斷層是當前的主流方法。對地震數據進行數學分析，得到有關地震波幾何學、運動學、動力學和統計學特征的測量值，可獲得指示斷層的地震屬性[7-8]。長期以來，人們研究了地震屬性，陸續形成了基于波形差異、圖像分析和深度學習的不同方法，指導基于地震資料的斷層解釋。常見的對斷層敏感的屬性主要包括相干、方差、曲率、螞蟻體、似然等屬性[9-12]，用以強化斷層顯示。

然而，利用上述斷層敏感屬性識別斷層的精度和適用性有限，主要可識別主干大尺度斷層[13-16]。對于中、小尺度斷層，由于欠缺足夠的分辨率、連續性，預測的斷層數量不準，如果僅依靠單一屬性預測斷層的可信度較低。此外，長期以來斷層解釋以人工為主，嚴重影響工作效率[17]。

渤海灣盆地X區在新生代遭受強烈的伸展、斷陷活動，斷層復雜多樣，并控制著油氣運移和聚集，迫切需要提升斷層預測精度和效率。本文采用“級聯遞進”的斷層屬性處理方式，創建了基于疊后地震資料的高精度人工智能斷層預測流程。該流程綜合運用主分量構造導向濾波、人工智能斷層預測、“斷層增強—骨架化—螞蟻體”等技術改善斷層預測結果的分辨率和連續性，從而提高預測精度、確定斷層數量；進而在高精度斷層屬性約束下，通過剖面斷層兩點法半自動拾取、平面斷層多邊形自動追蹤等技術提高斷層解釋效率。

1方法和流程

1.1疊后地震資料預處理

地層多窗口傾角掃描利用垂直窗口估算傾角和方位角，并求取相似程度最大的窗口對應的傾角和方位角作為當前分析點的值，可提高傾角和方位角的計算精度。此外，由于地震數據的最大特征值對應的特征向量較好地表示分析窗內地震道的橫向振幅變化[8]，若采用主分量構造導向濾波提取地震數據的最大特征值代替分析點的振幅值，能夠在增強同相軸連續性的同時，加強有用的不連續信息（如斷層），并且較好地保持原始地震數據體的有效頻率和縱向分辨率。因此，結合傾角體和方位角體對疊后地震資料進行主分量構造導向濾波可使地震同相軸更連續及斷點更清晰、干脆，為生成高精度斷層屬性奠定基礎。

1.2人工智能斷層預測及質控

人工智能斷層屬性采用三維高精度卷積網絡技術預測斷層，創建改進的高分辨率網絡（HRNet），包含卷積層、上采樣層、下采樣層等部分（圖1），相比于其他卷積神經網絡（CNNs），HRNet將高級功能與低級功能并行排列，實現了不同層之間的信息傳遞，從而保持更高的預測分辨率，并利用相同深度和等級相似的低級特征改進高級特征，實現多尺度融合。在數據分析過程中，數據集內不同類別的樣本數量差異很大，容易產生模型的性能問題。為了優化模型參數，提高模型精度，采用平衡交叉熵損失函數L[18]

衡量預測結果和真實結果之間差異、度量模型的性能，通過加權每個類別的損失，使數量較少的類別在損失函數中占更大的權重。式中：β=為非斷層像素與總像素的比值，yi為真二進制標簽，N為輸入數據中的像素個數；pi為預測概率。

利用國內1000多個斷層體模型和對應的地震正演標簽訓練改進的HRNet，在多分辨率子網絡上反復交換信息，獲得斷層預測模型。影響預測精度的關鍵因子為單位塊體的計算尺寸和拉伸速度。計算尺寸細分為線數（主測線）、道數（聯絡線）和深度；拉伸速度代表地震資料縱向拉伸的比例，可放大地震同相軸的“斷距”，以盡可能多地識別有效斷層。

當關鍵因子與地震資料、常規斷層屬性（相干體、曲率體等）及井資料匹配時，可識別的斷層數量最多，分辨率和連續性也相對較高，則預測精度較高。否則，重新調整因子，以保證預測精度。

1.3斷層增強處理

斷層增強屬性通過斷層邊緣保護濾波壓制背景噪聲、凸顯斷層信息，并生成斷層概率體，可以突出斷層、不整合面及其他與傾斜反射層平行的不連續特征[20]，提高斷層屬性的對比度。同時，斷層增強處理有助于避免“雙邊界”效應（圖2），即在真實斷層附近產生平行的非真實線狀信息，并非反映兩條斷層。這是由于初始斷層屬性在斷層處的值具有一定范圍，經過螞蟻體等屬性處理易在斷層邊緣兩側各產生一條“斷層”信息。若經過斷層增強處理生成斷層概率體，在概率最大位置只有一個值，避免了“雙邊界”效應，可保證結果的真實性。若未能及時消除“雙邊界”效應，容易干擾和誤判斷層解釋，影響解釋方案的準確性。

斷層骨架化屬性利用斷層傾角和方位角追蹤斷層位置，并通過斷層增強結果生成骨架化的斷層段，能夠識別不連續的線狀構造。通過去除分析窗口中斷層發育概率較低的異常點提升斷層屬性的分辨能力，并生成斷層骨架化屬性體[21]。

連續螞蟻體技術通過蟻群算法進一步提高斷層屬性的精度[22]。蟻群算法是受螞蟻覓食過程中路徑選擇行為的啟發而提出的一種仿生進化算法，在斷層處的局部屬性表現為極大值或極小值。

為了進一步提升斷層預測精度，改善對比度、分辨率和連續性，并消除局部的“雙邊界”假象，以人工智能斷層屬性作為輸入，通過級聯、遞進的方式進行“斷層增強—骨架化—螞蟻體”處理，獲得改進螞蟻體屬性，從而提高斷層預測精度。

1.4多屬性融合分析

多屬性融合技術將兩個數據體A和B（地震或地震屬性數據體）按一定比例關系融合在一起，生成新的數據體C[23-24]，C的信息量更豐富和全面，同時包含了A和B的關鍵信息，可減少單一數據體解釋的不確定性。

將改進螞蟻體屬性與相干、曲率等常規斷層屬性融合可獲得更豐富的斷層信息，可刻畫不同尺度斷層，結合三維可視化技術可全面、直觀地展現斷層空間分布及組合特征。

1.5智能化斷層解釋

斷層處的屬性表現為能量最大值，采用剖面斷層兩點法半自動拾取技術在屬性體中搜索能量最大值位置，并自動生成斷層線，進而采用平面斷層組合線自動追蹤技術，根據相鄰投影點之間的匹配關系將相同斷層的投影點連接，從而自動生成平面斷層組合線。

為了充分發揮高精度人工智能斷層預測技術的組合優勢，突破單一方法的極限，本文根據以上方法的特點和自身優勢，創建了高精度人工智能斷層預測流程（圖3），逐級提升斷層解釋精度和效率。

2應用效果

本文將高精度人工智能斷層預測流程用于渤海灣盆地實際資料。研究區為渤海灣盆地X區，面積約為300 km2，該區遭受新生代的伸展變形，斷層形態復雜、多樣，發育多尺度、多方位斷層，為油氣大規模成藏提供了儲集空間和運移通道。首先，開展疊后地震資料預處理，提高原始地震數據的品質，為生成高精度斷層屬性建立基礎；其次，進行人工智能斷層預測，為了進一步提升預測精度，對人工智能預測結果進行“斷層增強—骨架化—螞蟻體”處理；再次，利用多屬性融合豐富多尺度斷層信息；最后，依托高精度斷層預測結果，結合智能化技術提高斷層解釋效率。

2.1疊后地震資料預處理

研究區受復雜變形影響，原始地震剖面在斷層附近的波形特征較雜亂（圖4a），在淺層可見伸展斷陷結構，地震主頻約為35 Hz，地震同相軸錯斷，連續性較差。深層地震成像不清晰，反射特征雜亂，基底呈西北高、東南低的起伏特征。為了提高地震資料品質，增強斷層的地震響應特征，首先進行基于平面波分解技術的多窗口傾角掃描，估算地震反射層的傾角體和方位角體，然后開展主分量構造導向濾波（圖4b）。與圖4a相比，圖4b地震同相軸的連續性更好，斷點更干脆、清晰，構造邊界特征更清楚，易于識別不同級別的斷層和層位，提高了斷層解釋精度。

2.2人工智能斷層預測

圍繞圖4b測試人工智能斷層預測的關鍵因子（計算尺寸和速度），確定適用于X區的最優參數。測試結果表明，在固定拉伸速度為2500 m/s的前提下，計算尺寸越小，可識別的有效斷層數量越多，特別是小尺度斷層，但斷層的連續性整體變差（圖5a）。反之，斷層識別能力會降低。根據前期地質認識，該區斷層的連續性較好，因此設置計算尺寸為“4（線數）、4（道數）、8 ms”，可獲得理想的斷層識別效果（圖5b）。

在計算尺寸不變的基礎上，測試不同拉伸速度的預測結果。結果表明，當拉伸速度為3500 m/s時識別的有效斷層數量最多，分辨率和連續性也相對較高（圖5c），隨著拉伸速度繼續增大，卷入的無效信息開始增多，降低了斷層識別精度（圖5d）。

用優選參數生成全區的人工智能斷層屬性體，檢查其與相干、曲率等屬性、地震特征及井資料的吻合情況，若不一致則重新調整參數，保證斷層預測精度。通過對比、分析可知，所提方法識別的斷層數量多、分辨率高、連續性好、對比度強，表現為以下方面。

（1）識別的斷層數量更多、識別能力增強

相干屬性在測線位置識別出3條斷層（圖6a），未能有效識別地震剖面的部分（同相軸明顯錯斷）斷層。人工智能斷層屬性在平面上識別出6條斷層（圖6b），與地震剖面更吻合，特別識別了更多中、小尺度的斷層。

（2）分辨率更高、邊界更清晰

由該區深部地層切片可見，多期構造變形疊加導致斷層分布更密集，無論在切片還是剖面上，相干屬性識別了密集的斷層破碎帶（圖7a紅圈區域），背景噪聲干擾嚴重，難以清晰分辨斷層內幕特征。人工智能斷層屬性背景噪聲小，斷層破碎帶（圖7b紅圈區域）與周圍區域的對比度顯著提升，能夠更清晰地刻畫破碎帶內部斷層的邊界特征，顯著提升了分辨率。

（3）斷層延伸更長，連續性改善

相干屬性識別的斷層并未向南延伸（圖8a紅圈區域），然而地震剖面在南部存在同相軸錯斷——斷層響應。人工智能斷層屬性有效識別了區域斷層的延伸范圍（圖8b），斷層信息連續性更好，末端終止范圍清晰，并且與地震剖面吻合。

2.3人工智能斷層屬性增強

為了進一步提升斷層預測精度，避免預測結果在斷層附近出現“雙邊界”效應，將得到的人工智能斷層屬性（圖9b）通過斷層增強、斷層骨架化處理后作為輸入（圖9c）計算螞蟻體屬性（圖9d），可顯著提高預測精度。經斷層增強處理，既保留了人工智能斷層屬性的獨特優勢，同時又提高了斷層對比度，進一步突出了斷層形態。在部分區域，地震同相軸錯斷處僅發育一條斷層，若直接計算螞蟻體屬性，預測結果會出現“雙邊界”效應。斷層增強屬性避免了“雙邊界”效應（圖9e），斷層骨架化處理使斷層線條變細，提高了分辨率。最終，螞蟻體屬性計算拓展了斷層延伸范圍，改善了連續性，從而精細地識別斷層。

將圖9d的斷層標在圖4a（圖10a）與水平切片（圖10b）上，可見斷層與地震同相軸錯斷位置吻合（圖10a），并且與確定的斷層解釋方案一致，特別是圖10b清晰地刻畫了斷層的“梳狀”組合樣式。圖11為錄井巖性剖面與改進螞蟻體屬性剖面疊合圖。由圖可見，玄武巖的分布與斷層預測位置一致（圖11），指示該區在新生代時期，巖漿沿斷層向上運移[25]，與地質認識一致，表明斷層預測結果準確、可靠，為構造解釋和斷層發育規律研究提供了有效支撐。

2.4多屬性融合分析

由于不同屬性反映的斷層信息存在差異，因此將改進螞蟻體屬性與常規斷層屬性融合，獲得的斷層信息更豐富、全面，可展現多尺度斷層特征。改進螞蟻體屬性利于識別大、中尺度斷層，而短波長構造曲率屬性更利于識別小尺度斷層。針對斷層以及地質異常體，構造曲率屬性在地震剖面上表現為同相軸變化、扭曲、振幅突變等特征——線性構造，可指示斷層位置[8]。利用該區地震資料計算構造曲率，如果將計算過程的分數導數指數調大，得到的短波長輸出結果反映了微弱的振幅變化，能夠提取更多細節信息，從而刻畫更多的微小尺度斷層，并與人工智能斷層預測結果相互驗證。

將改進螞蟻體與短波長構造曲率融合，先將構造曲率體整體作為背景數據，再將螞蟻體中代表大、中尺度斷層信息的大值部分融入構造曲率體，獲得斷層融合屬性。在眾多近SN向的斷層之間，斷層融合屬性可識別細小的裂縫，從而反映不同尺度、不同方位的斷層特征，使斷層信息更豐富，從而提升斷層識別數量和效率。不同深度的斷層融合屬性切片（圖12）表明，斷層數量和密度由淺至深逐漸增加（圖12a～圖12c），因此深層經歷的構造變形強度更大。最后，利用三維可視化技術展示改進螞蟻體、短波長構造曲率等斷層敏感屬性（圖13），突出了多方位、多尺度斷層的空間分布規律及組合特征，為斷層解釋提供了直觀、全面的依據?？梢?，在三維空間內，大多數斷層呈NE向，部分斷層分叉為多條斷層、或者多條小斷層聚斂為一條大斷層，大尺度斷層與周緣小尺度斷層相交，在該區北部和南部分別發育斷層帶，中部則斷層相對稀疏。

2.5斷層高效解釋

高精度斷層預測結果可直接解釋斷層，將斷層融合屬性與地震資料疊合顯示，在剖面上既能顯示地震波組特征，又能顯示斷層預測結果。在斷層融合屬性約束下，采用剖面斷層兩點法半自動拾取技術（圖14a），圍繞某一處斷層，先點擊斷層屬性最大值的一端，再雙擊另一端，自動生成斷層線，并沿著該斷層屬性的最大值自動歸位。由此反復，在等間隔的地震剖面上半自動解釋斷層。然后，以等間隔的骨架斷層線和斷層融合屬性為約束，自動插值間隔內由剖面屬性約束的斷層線（圖14b），并解釋全部主測線方向地震剖面的斷層。

常規構造解釋需要在主測線和聯絡線兩個垂直方向解釋斷層。主測線方向剖面的斷層線在聯絡線融合屬性聯合約束下，在聯絡線方向剖面繼續采用斷層兩點法半自動拾取技術，快速閉合兩個方向剖面斷層面。最后，將剖面斷層線在平面層位的投影點作為約束，應用平面斷層組合線自動追蹤技術（圖14c），根據相鄰投影點的位置關系自動勾繪閉合的斷層組合線，根據斷層兩側的層位高低關系自動分配斷層組合線的上盤、下盤，最終完成剖面和平面斷層解釋。

預測結果表明，剖面正斷層以階梯狀、“Y”式組合為主，大部分為SE傾向（圖10a），與斷陷同期形成。平面上斷層優勢方位為NE向，與近SN向次級斷層構成“梳狀”組合（圖10b），表明該地區發生伸展變形的同時，可能遭受左旋走滑作用。

將斷層融合屬性與地震數據疊合進行解釋，總耗時由63.0 h縮短為36.3 h，減少了42%。

尚需指出，由于人工智能斷層標簽庫不豐富，后續將探索用戶自定義的訓練集進行機器學習，力求獲得更適合X區的斷層預測結果。

3結論

（1）斷層預測新技術顯著改善了常規方法的識別精度。以渤海灣盆地X區為例，綜合運用主分量構造導向濾波、人工智能斷層預測、“斷層增強—骨架化—螞蟻體”等技術，提高斷層識別數量、改善斷層預測的分辨率和連續性，進而提高斷層預測精度；在高精度斷層屬性約束下，運用斷層兩點法半自動拾取、斷層多邊形自動追蹤等技術提高斷層解釋效率。

（2）創建了高精度人工智能斷層預測技術流程，首先獲得高精度的斷層融合屬性，以此為約束，準確、高效地智能化追蹤斷層。主要包括疊后地震資料預處理、人工智能斷層預測及質控、斷層增強處理、多屬性融合分析、智能化斷層解釋等關鍵步驟。應用成效體現在：①識別了更多的斷層；②改善了斷層預測的分辨率和連續性；③避免了“雙邊界”效應，從而提升了可信度。預測結果與地震資料、常規斷層屬性以及井資料吻合較好。

（3）運用級聯遞進的“斷層增強—骨架化—螞蟻體”處理流程，能夠克服單一方法的局限性，逐級提升斷層預測精度。多屬性融合分析有助于展現更全面的斷層信息，從而刻畫多尺度、多方位的斷層特征。高精度斷層屬性為提升解釋效率奠定了基礎，以此為約束的智能化斷層追蹤更準確、高效。在地震資料品質較差的地下深層和強烈變形地區，斷層形態復雜、多樣，所提技術流程應具有一定的應用前景。

參考文獻

［1］賈承造，龐雄奇.深層油氣地質理論研究進展與主要發展方向[J].石油學報，2015，36（12）：1457?1469.

JIA Chengzao，PANG Xiongqi.Research processes and main development directions of deep hydrocarbon geological theories[J].Acta Petrolei Sinica，2015，36（12）：1457?1469.

［2］WANG Y，JIA D，PAN J，et al.Multiple?phase tec?tonic superposition and reworking in the Junggar Basinof northwestern China—Implications for deep?seated petroleum exploration[J].AAPG Bulletin，2018，102（8）：1489?1521.

［3］張希晨，馬德龍，魏凌云，等.準噶爾盆地南緣呼圖壁背斜變形機理物理模擬實驗[J].新疆石油地質，2020，41（1）：120?126.

ZHANG Xichen，MA Delong，WEI Lingyun，et al.Deformation mechanism of Hutubi anticline in the Southern margin of Junggar Basin：Insights from physi?cal simulation experiment[J].Xinjiang Petroleum Geo?logy，2020，41（1）：120?126.

［4］賴錦，肖露，白天宇，等.成像測井解釋評價方法及其地質應用[J/OL].地質科技通報，（2023?05?16）[2023?06?13].https：∥kns.cnki.net/kcms/detail/42.1904.P.20230516.1414.003.html.

LAI Jin，XIAO Lu，BAI Tianyu，et al.Interpretation and evaluation methods of image logs and their geologi?cal applications[J/OL].Bulletin of Geological Science and Technology，（2023?05?16）[2023?06?13].https：∥kns.cnki.net/kcms/detail/42.1904.P.20230516.1414.003.html.

［5］LUO L，QI J，LI H，et al.Geometry and evolution of the Cangdong Sag in the Bohai Bay Basin，China：Im?plications for subduction of the pacific plate[J].Scien?tific Reports，2017，DOI：10.1038/s41598?017?15759?x.

［6］馬德龍，王宏斌，張希晨，等.川東北通南巴背斜中新生代構造變形的砂箱構造物理模擬[J].地球科學，2023，48（4）：1307?1320.

MA Delong，WANG Hongbin，ZHANG Xichen，et al.Analogue modeling of structural deformation of Tong?nanba anticline in Mesozoic and Cenozoic，NE Sichuan Basin[J].Earth Science，2023，48（4）：1307?1320.

［7］謝舟，李斌，徐紅霞，等.多屬性分析技術在桑塔木油田斷塊油氣藏中的應用[J].石油地球物理勘探，2017，52（增刊1）：181?188.

XIE Zhou，LI Bin，XU Hongxia，et al.Seismic multi?at?tribute analysis used in the development of Sangtamu Oilfield[J].Oil Geophysical Prospecting，2017，52（S1）：181?188.

［8］李飛躍，王濤，曾清波，等.基于構造導向的高清似然屬性在白云凹陷深層斷裂預測中的應用[J].石油物探，2023，62（1）：163?172.

LI Feiyue，WANG Tao，ZENG Qingbo，et al.Applica?tion of high?definition likelihood attributes based on structure orientation in the prediction of deep faults in Baiyun Sag[J].Geophysical Prospecting for Petroleum，2023，62（1）：163?172.

［9］印興耀，高京華，宗兆云.基于離心窗傾角掃描的曲率屬性提取[J].地球物理學報，2014，57（10）：3411?3421.

YIN Xingyao，GAO Jinghua，ZONG Zhaoyun.Curva?ture attribute based on dip scan with eccentric window[J].Chinese Journal of Geophysics，2014，57（10）：3411?3421.

［10］劉財，劉海燕，彭沖，等.基于加權一致性的蟻群算法在斷層檢測中的應用[J].地球物理學報，2016，59（10）：3859?3868.

LIU Cai，LIU Haiyan，PENG Chong，et al.Applica?tion of the ant colony algorithm based on weighted co?herence to fault detection[J].Chinese Journal of Geo?physics，2016，59（10）：3859?3868.

［11］汪杰，汪銳.基于方差相干體的斷層識別方法[J].工程地球物理學報，2016，13（1）：46?51.

WANG Jie，WANG Rui.Fault identification method based on variance?coherence cubes[J].Chinese Journal of Engineering Geophysics，2016，13（1）：46?51.

［12］馬德波，趙一民，張銀濤，等.最大似然屬性在斷裂識別中的應用——以塔里木盆地哈拉哈塘地區熱瓦普區塊奧陶系走滑斷裂的識別為例[J].天然氣地球科學，2018，29（6）：817?825.

MA Debo，ZHAO Yimin，ZHANG Yintao，et al.Ap?plication of maximum likelihood attribute to fault iden?tification：A case study of Rewapu block in Halahatangarea，Tarim Basin，NW China[J].Natural Gas Geo?science，2018，29（6）：817?825.

［13］LI F，LU W.Coherence attribute at different spectralscales[J].Interpretation，2014，2（1）：SA99?SA106.

［14］呂雙兵.井震聯合斷層識別技術及其應用——以杏北油田為例[J].地球物理學進展，2015，30（5）：2200?2205.

LYU Shuangbin.Identification of fault by integration of well and seismic data and its applications—taking Xingbei oilfield as the example[J].Progress in Geo?physics，2015，30（5）：2200?2205.

［15］仲偉軍，姚衛江，賈春明，等.地震多屬性斷裂識別技術在中拐凸起石炭系中的應用[J].石油地球物理勘探，2017，52（增刊2）：135?139.

ZHONG Weijun，YAO Weijiang，JIA Chunming，et al.Fault and fracture identification in Carboniferous，Zhongguai Uplift，Junggar Basin with seismic multiat?tributes[J].Oil Geophysical Prospecting，2017，52（S2）：135?139.

［16］張木辰，孟令彬，楊瑞召，等.細化斷層概率體及其在煤層氣勘探中的應用[J].中國海上油氣，2018，30（1）：67?73.

ZHANG Muchen，MENG Lingbin，YANG Ruizhao，et al.Thinned fault likelihood and its application in in?terpretation of seismic data in coal bed methane blocks[J].China Offshore Oil and Gas，2018，30（1）：67?73.

［17］邸希.基于深度學習的斷層自動識別方法研究[D].北京：中國石油大學（北京），2021.

［18］XIE S，TU Z.Holistically?Nested edge detection[C].Proceedings of the 2015 IEEE International Confe?rence on Computer Vision，2015，1395?1403.

［19］ZHU D，LI L，GUO R，et al.3D fault detection：Usinghuman reasoning to improve performance of convolu?tional neural networks[J].Geophysics，2022，87（4）：IM143?IM156.

［20］張霞.斷層屬性增強方法研究與實現[D].四川成都：電子科技大學，2022.

［21］崔正偉.基于構造導向濾波與GST算法的儲層裂縫預測方法研究及應用[D].四川成都：成都理工大學，2021.

［22］張介輝，謝清惠，張東濤，等.優化的螞蟻追蹤技術在四川盆地Y1井區的應用研究[J].石油物探，2020，59（6）：970?977.

ZHANG Jiehui，XlE Qinghui，ZHANG Dongtao，et al.Application of an optimized ant?tracking workflow in shale?gas Y1 area of Sichuan[J].Geophysical Prospec?ting for Petroleum，2020，59（6）：970?977.

［23］曾亞麗，龍盛芳，吳朦朦，等.基于GeoEast地震屬性分析的儲層預測技術及其在環縣地區頁巖油勘探開發中的應用[J].石油地球物理勘探，2022，57（增刊1）：196?201.

ZENG Yali，LONG Shengfang，WU Mengmeng，et al.Reservoir prediction technique based on GeoEast seis?mic attribute analysis and its application in shale oil ex?ploration and development in Huanxian[J].Oil Geo?physical Prospecting，2022，57（S1）：196?201.

［24］胡榮強，扈玖戰，李永義，等.地震多屬性融合與水平井導向技術在致密油勘探開發中的應用[J].石油地球物理勘探，2022，57（增刊2）：154?159.

HU Rongqiang，HU Jiuzhan，LI Yongyi，et al.Applica?tion of seismic multi?attribute fusion and horizontal well steering technology in tight oil exploration and de?velopment[J].Oil Geophysical Prospecting，2022，57（S2）：154?159.

［25］劉巖.濟陽坳陷走滑構造特征及油氣分布規律研究[D].山東青島：中國石油大學（華東），2016.

（本文編輯：劉勇）

作者簡介

張希晨工程師，1993年生；2015年獲中國石油大學（北京）勘查技術與工程專業學士學位，2018年獲該校地質學專業碩士學位；現就職于中國石油東方地球物理公司，從事地震資料解釋和地質構造方面的研究工作。