利用机器学习技术分析地震断层特征，降低二氧化碳储存过程中的风险及潜在障碍

《International Journal of Greenhouse Gas Control》：De-risking overburden and caprocks for CO 2 storage using machine-learning seismic fault attributes

本研究开发并训练了一个轻量级深度学习模型用于三维地震数据中的断层检测，应用于挪威Smeaheia地区的CO?存储潜力评估。模型基于合成数据训练，输出断层评分（FS）生成密度属性（FSD），结果显示与人工解释吻合度高，并揭示了断层网络在储层、盖层及上覆地层中的分布特征，验证了机器学习在降低CO?存储风险中的应用价值。

　　在地质勘探和碳捕集与封存（CCS）领域，断层和裂缝的几何形态、密度及分布对于评估和降低潜在封存地点的风险具有重要意义。特别是针对沉积盆地中的盐水层，这些结构特征不仅影响封存容量，还可能成为二氧化碳泄漏的通道。因此，精确识别和量化这些断层结构，对于确保封存项目的长期安全性和可行性至关重要。传统上，人工解释方法被广泛用于断层映射，这种方法虽然有效，但往往耗时且劳动强度大。近年来，随着机器学习技术的快速发展，越来越多的研究开始探索如何利用深度学习算法来自动化断层识别过程，提高效率并减少人为误差。

本研究提出了一种轻量级的机器学习分割算法，用于提升三维地震数据中断层的识别能力。该模型基于已有的FaultSeg3D框架进行开发、训练和部署，其核心在于利用合成地震数据进行训练，生成像素级别的断层评分（Fault Scores, FS），该评分范围从0到1，数值越高，表示断层结构存在的可能性越大。通过将这些断层评分用于计算断层密度属性（Fault Score Density, FSD），可以有效总结地震剖面上断层网络的分布特征。这种方法不仅在计算上高效，还为解释者提供了关于断层在横向和纵向分布的重要信息。

本研究应用该方法于挪威北部北海地区的Smeaheia区域的三维地震数据，重点关注北南走向的Vette断层以及?ygarden断层复合体（?FC）的部分区域。Smeaheia区域位于Horda平台，其地质构造特征包括多个向西倾斜的半地堑，这些半地堑由基底相关的断层系统所界定，断层的落差范围在4至5公里之间，间距则在15至20公里之间。该区域的断层系统在构造演化过程中经历了多次活动，其中?ygarden断层复合体在更新世时期在更北的位置发生了再活动。这些断层不仅影响了储层的结构，还对封存区域的盖层和上覆地层的完整性构成了挑战。

研究团队特别关注了盖层和上覆地层的断层分布，因为这些区域的地质特性对于评估二氧化碳封存的安全性具有决定性作用。盖层通常由低渗透性或不渗透性岩石构成，能够有效阻止二氧化碳的扩散。然而，传统的断层识别方法往往忽略了这些区域的详细分析，而是集中于储层本身。本研究的创新之处在于，通过开发一种轻量级的机器学习模型，能够在不依赖昂贵预训练模型的前提下，高效地完成断层识别任务，并且能够在普通个人计算机上运行，大大降低了计算成本。此外，该模型不仅用于储层的断层识别，还延伸至盖层和上覆地层，为封存项目的综合评估提供了新的视角。

模型的训练基于合成地震数据集，这些数据集包含多种断层结构和不同噪声水平的地震事件。通过使用平滑Dice损失函数，研究团队优化了模型的训练过程，以提高对断层的识别能力。训练过程中，模型在多个断层结构上表现良好，特别是在深度较大的区域，能够有效捕捉到主要的断层系统。然而，在浅层部分，如Intra Rogaland Formation和Sele Formation中，模型对一些小断层的识别能力有限，这可能是由于浅层地层的复杂性和噪声干扰导致的。为了进一步验证模型的有效性，研究团队将其应用于实际的GN1101地震数据集，并通过对比传统方法如3D方差和3D相似性属性，确认了其在断层识别上的可靠性。

在实际应用中，模型的输出结果与人工解释的断层特征高度一致，尤其是在Draupne Formation顶部和Top Cromer Knoll Group区域。这些结果表明，机器学习方法在断层识别方面具有较高的精度和实用性。此外，研究团队还发现，在?ygarden断层复合体的下盘区域，一些断层延伸至海底，这表明盖层中可能存在非忽视的断层密度。这种发现对于评估封存项目的潜在风险具有重要意义，因为这些断层可能成为二氧化碳泄漏的通道。

为了进一步分析断层密度的分布特征，研究团队引入了FSD属性，该属性通过二维移动窗口操作来计算。FSD能够有效突出断层评分较高的区域，为解释者提供关于断层分布和密度的直观信息。通过分析FSD的分布，研究团队发现，在某些区域，如Top Shetland Group层位，断层密度较高，而其他区域则相对较低。这些结果不仅有助于识别断层网络的结构特征，还能为封存项目的选址和风险评估提供科学依据。

此外，研究团队还对比了机器学习生成的断层评分与传统的3D相似性属性，发现虽然相似性属性在识别断层方面具有较高的密度，但其精度较低，容易受到噪声和信号干扰的影响。相比之下，机器学习方法生成的断层评分更为稀疏且清晰，能够更准确地反映断层的实际分布情况。这种差异表明，机器学习方法在断层识别方面具有更高的鲁棒性和适用性，尤其是在噪声水平较高的区域。

研究还指出，FSD属性在不同尺度的地震剖面上具有不同的表现。例如，在较窄的窗口范围内，FSD能够有效识别地表附近的断层活动，而在较宽的窗口范围内，FSD则能够更全面地反映断层和裂缝在特定地层中的分布特征。这种多尺度分析方法为解释者提供了更丰富的信息，有助于全面评估封存区域的地质风险。

总的来说，本研究提出了一种基于机器学习的断层识别方法，能够在较低的计算成本下实现对三维地震数据中断层结构的高效分析。该方法不仅适用于储层的断层识别，还能够有效捕捉盖层和上覆地层中的断层活动，为二氧化碳封存项目的地质评估提供了新的工具。研究团队通过实际案例验证了该方法的可行性，并发现其在识别深层断层和浅层裂缝方面均表现出良好的性能。这些结果表明，机器学习技术在地质勘探和碳封存领域具有广阔的应用前景，未来可以进一步优化模型，提高其在不同地质条件下的适应性和准确性。