**论文解读：基于迁移学习的四川盆地中部深层小尺度走滑断层地震识别**

**研究背景与问题**
在含油气盆地中，断层带通常发育复杂的裂缝网络，对油气运移和聚集起关键作用。然而，深层（>4500米）小尺度走滑断层因垂直位移小（通常<30米）且断层面陡立，在地震剖面上表现为弱地震响应和模糊反射特征，传统地震属性方法（如相干体、最大似然属性）难以清晰成像。此外，低信噪比、强噪音及喀斯特化作用进一步增加了识别难度。近年来，人工智能尤其是深度学习技术在地震断层成像方面展现出潜力，但传统深度学习方法需大量标注训练样本，且基于合成数据训练的模型难以直接适应真实地震数据的复杂性。为此，研究人员在四川盆地中部安岳气田开展基于迁移学习（Transfer Learning）的深层走滑断层识别研究，旨在克服上述局限，并通过水平井生产数据验证识别结果的可靠性。该研究发表在《Frontiers in Earth Science》。

**关键技术方法**
研究人员采用迁移学习框架，结合U-Net网络结构，通过三个主要阶段实现走滑断层识别：首先利用合成数据预训练基础模型，生成初始断层概率；其次利用测井数据（特别是地层微电阻率成像FMI）约束建模，选择适当断层标签；最后通过迁移学习微调基础模型，优化并复用U-Net模型进行断层检测。研究区覆盖8000 km2的三维地震数据，道间距25 m，主频约20 Hz。样本队列来源于安岳气田200余口穿透埃迪卡拉系-二叠系白云岩储层的井，其中21口水平井部署于不同走滑断层带，12口用于验证。

**研究结果**
**3.1 走滑断层识别**
通过对比分析，传统最大似然属性（图3a）显示模糊断层模式和地震假象，而迁移学习结果（图3b）显著降低干扰，清晰呈现断层几何形态。在平面属性对比中，相干体（图4a）和最大似然属性（图4b）仅能识别主要断层，而U-Net模型（图4c）提高了断层平面分辨率，但仍有残留异常。迁移学习属性（图4d）进一步抑制了喀斯特化和强反射引起的异常，增强了断层连续性和分辨率。经钻孔标定，迁移学习可自动识别大多数III级（垂直位移10-20米）和IV级（5-10米）走滑断层。14口水平井中，12口井的裂缝带与地震预测一致，裂缝带宽度比在82%-130%之间，且这些井获得高产气。一口失败井（GS018-3-H1）未穿透断层网络，其地震属性与相干体显示断层响应，但迁移学习属性未识别，表明识别结果可靠。

**3.2 应用**
在MX8和GS18先导开发区，研究人员基于走滑断层控制储层的地震表征，首次实施新钻井策略。此前19口井靶向微相控制的丘滩储层未获经济产量，调整后选择断层控制的“甜点”储层。水平井中裂缝储层钻遇率差异显著，裂缝带宽度387-1174米，裂缝段187-598米，垂向厚度7.8-56.1米，渗透率变化两个数量级，平均孔隙度3.1%-4.4%，较基质储层提高50%以上，裂缝-孔洞储层孔隙度提高两倍以上，渗透率提高一个数量级。随后部署14口水平井，除一口失败外，其余13口平均测试产量>822,000 m3/d，平均持续产量约171,000 m3/d，日产量较之前提高10倍以上，表明深层致密气藏的经济开发成功。

**讨论与结论**
讨论部分指出，传统地震方法难以识别垂直位移<30米的深层小断层，小走滑断层常表现为微弱地震弯曲，易被误判为低幅度褶皱。低分辨率、高噪音及喀斯特化进一步阻碍识别。研究人员采用迁移学习方法，利用少量实际断层标签优化U-Net模型，成功抑制噪声，突出深层走滑断层，自动提取断层轨迹，减少人工解释时间90%以上，并识别出大量III-IV级小断层，经钻孔数据验证。该方法在缺乏大量标注样本时尤为适用，但仍面临有效断层标签获取和解释偏差的挑战。此外，部分层段仍存在解释模糊性，更小尺度的裂缝储层识别需进一步研究。结论部分总结：本研究案例表明，基于迁移学习的深层地震数据处理可显著增强地震分辨率，改善深层小尺度走滑断层成像，识别出更多小尺度断层。该方法优于传统深度学习方法，后者需大量断层标签和涵盖所有断层类型的合成数据。结果被横穿断层带的水平井所证实。迁移学习走滑断层识别方法适用于类似地质-地球物理条件，但需进一步结合测井多模态数据和三维断层网络建模。