ЗАСТОСУВАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ В ОБРОБЦІ 3D СЕЙСМІЧНИХ ЗОБРАЖЕНЬ

І.С. Дмитрієва; А.М.  Дмитренко

doi:10.34185/1562-9945-5-162-2026-25

Автор(и)

І.С. Дмитрієва https://orcid.org/0009-0008-3298-7563
А.М. Дмитренко https://orcid.org/0009-0009-4939-987X

DOI:

https://doi.org/10.34185/1562-9945-5-162-2026-25

Ключові слова:

машинне навчання, глибоке навчання, 3D сейсмічні дані, згорткові нейронні мережі, геофізична інтерпретація, виявлення розломів, Python, SEGY

Анотація

У статті представлено комплексний технічний огляд застосування методів машинного навчання (МН) та глибокого навчання (ГН) для аналізу 3D сейсмічних зоб-ражень у геофізичній розвідці. Розглядається проблема обробки терабайтних обсягів сейсмічних даних, які традиційно вимагають місяців ручної інтерпретації, та обґрун-товується необхідність переходу до автоматизованих методів аналізу.
Детально описуються основні архітектури нейронних мереж (CNN, U-Net, TransUnet) та їх застосування для ключових завдань: виявлення розломів, делімітації соляних тіл та класифікації літофацій. Особлива увага приділяється практичним аспектам впро-вадження МН, включаючи роботу з форматом SEGY через Python-бібліотеки, методи подолання дефіциту розмічених даних через синтетичну генерацію та аугментацію, а також використання публічних наборів даних (F3, FORCE) для навчання моделей.
Висвітлюються сучасні напрямки досліджень, зокрема самоконтрольоване навчання (SSL) для роботи з нерозміченими даними, фізико-інформовані нейронні мережі (PINNs) для інтеграції геофізичних законів, та методи квантифікації невизначеності результатів.

Посилання

3-D Seismic Interpretation. M. Bacon, R. Simm, T. Redshaw, Cambridge University Press, 2003

Fault detection seismic data using graph convolutional network. Patitapaban Palo, Auro-binda Routray, Rahul Mahadik, Sanjai Kumar Singh, The Journal of Supercomputing, 03.2023, DOI:10.1007/s11227-023-05173-8

Introduction to Seismic Imaging. Prof. Gerald Gardner, Society of Exploration Geophysi-cists

Discovering hidden hydrocarbons: using seismic-imaging technology to map formations far below the earth’s surface. ExxonMobil, 09.2018

Introduction to seismic data and processing. Cambridge University Press, Hua-Wei Zhou

Solving the challenge of seismic data management. SLB, Victor Aarre

Sebai, D., Zouaoui, M. & Ghorbel, F. Seismic data compression: an overview. Multimedia Systems 30, 38 (2024). https://doi.org/10.1007/s00530-023-01233-4

Pitfalls and limitations in seismic attribute interpretation of tectonic features. SEG Library, Kurt J. Marfurt, Tiago M. Alves, doi.org/10.1190/INT-2014-0122.1

Lappin, M. (2004). 3D Seismic Technology: Are We Realising Its Full Potential?. Geo-logical Society, London, Memoirs. Geological Society of London. doi: 10.1144/GSL.MEM.2004.029.01.01.

Machine learning for seismic exploration: Where are we and how far are we from the ho-ly grail? Farbod Khosro Anjom, Francesco Vaccarino, Laura Valentina Socco, GEOPHYSICS - SEG Library, https://doi.org/10.1190/geo2023-0129.1

Seismic facies analysis using machine learning. Thilo Wrona, Indranil Pan, Robert L. Gawthorpe, and Haakon Fossen, GEOPHYSICS - SEG Library, https://doi.org/10.1190/geo2017-0595.1

Unravel Complex Strike-Slip System in Frontier Collision Margin of Banggai-Sula Ba-sin, Eastern Indonesia: A Machine-Learning Augmentation for 3D Seismic Interpretation. Atha Khawarizmy, Fakhriar Naufaldi, Krishna Pratama Laya, Wahyudin Suwarlan, Iswani Waryono, Ghufron Fauzi, OB Pertamina Medco Tomori Ltd, 2 Pi Energy, Badley Geoscience

Machine learning for seismic exploration: Where are we and how far are we from the ho-ly grail? Farbod Khosro Anjom, Francesco Vaccarino, Laura Valentina Socco, GeoScience-World, Geophysics, vol. 89, no. 1 (january-february 2024); p. wa157–wa178, 17 figs., 2 ta-bles.10.1190/geo2023-0129.1

Seismic Fault Detection using Neural Networks. GeoConvention, Ayda Azad Khorasani, J.Kim Welford, Alison Malcolm, Department of Earth Sciences, Memorial University of Newfoundland, 05.2023

Comparing Modern Deep Learning with Traditional Methods for Seismic Fault Interpre-tation. N. Ngcobo, M. Manzi, G. Nwaila, J. Bourdeau, S. Zhang, European Association of Geoscientists & Engineers, NSG 2024 5th Conference on Geophysics for Mineral Exploration and Mining, Sep 2024, Volume 2024, p.1 – 5, https://doi.org/10.3997/2214-4609.202420194

Artificial intelligence methods for predicting hydrocarbon deposits from three-dimensional seismic images. I. Dmytriieva, A. Dmytrenko, System technologies, 2025, https://doi.org/10.34185/1562-9945-4-159-2025-16