《Scientific Reports》：Automated seismic fault mapping using convolutional neural networks for the Berenice Field, Western Desert, Egypt
编辑推荐：
准确的地震断层解释仍是对油气勘探的基石，直接影响构造建模、储层分隔和井位决策。然而，传统人工断层拾取耗时且易受解释人员主观偏差影响，尤其是在构造复杂、噪声较大的地震数据集中，如埃及西部沙漠的数据。本研究展示了斯伦贝谢公司（Schlumberger）在Petre
准确的地震断层解释仍是对油气勘探的基石，直接影响构造建模、储层分隔和井位决策。然而，传统人工断层拾取耗时且易受解释人员主观偏差影响，尤其是在构造复杂、噪声较大的地震数据集中，如埃及西部沙漠的数据。本研究展示了斯伦贝谢公司（Schlumberger）在Petrel E&P平台中基于用户训练卷积神经网络（CNN）的断层预测模块在Faghur盆地Berenice油田自动断层检测中的实施与性能。所采用的工作流程整合了基于机器学习的去噪、稀疏解释人员引导的断层标注、三维（3D）概率体生成以及使用阈值化平面性和方位角属性的断层提取。仅三条人工标注的地震测线（小于总体积的1%）即可用于模型训练。CNN模型实现了超过0.85的Dice系数，并成功勾画出65%的人工绘制断层，同时还检测到其他先前未绘制的微弱不连续体。该机器学习辅助工作流相比传统方法减少了超过80%的解释时间，同时保持了较高的地质一致性和连贯性。这些结果证实了机器学习驱动的断层检测在构造复杂区域有效提高了解释精度和效率。在Berenice油田的成功应用凸显了基于CNN的断层预测作为埃及西部沙漠及全球类似克拉通内构造环境中构造解释变革性工具的潜力。
论文解读：基于CNN的地震断层自动识别在Berenice油田的应用
研究背景与问题
地震数据解释是油气勘探与开发的基石，准确识别断层对于构造建模、储层分隔和井位部署至关重要。然而，传统人工断层拾取依赖解释人员逐线追踪，耗时费力且容易引入主观偏差，尤其在构造复杂、信噪比低的地震数据中表现更为突出。埃及西部沙漠Faghur盆地的Berenice油田经历了多期裂陷、反转和走滑改造，形成了多方位、低断距的复杂断层网络，常规相干属性难以清晰刻画微弱不连续体，传统解释工作往往需要数周时间，且漏检率较高。因此，研究者尝试引入机器学习（ML）方法，利用卷积神经网络（CNN）自动预测断层概率体，以提高解释效率和客观性。
研究人员依托斯伦贝谢（Schlumberger）Petrel E&P平台的ML Fault Prediction模块，在Berenice油田三维地震数据上开展了用户训练CNN断层预测模型的应用研究。模型仅需解释人员标注约三条地震测线（占总体积不到1%）作为训练标签，即可生成覆盖整个9×8km工区的断层概率体。研究结果证实，该方法在复杂构造区能够准确恢复主要断层格架，同时识别出传统人工解释遗漏的微弱断层，解释效率提升超过80%。这项研究发表在《Scientific Reports》，为西部沙漠及类似克拉通内盆地的自动化构造解释提供了可扩展的解决方案。
关键技术与方法
研究使用了Berenice油田的全叠加时间域陆上地震数据（约9×8km）。主要技术流程包括：基于机器学习的去噪模块对地震数据进行信号增强；在代表性地震剖面上人工拾取稀疏断层标签以供CNN训练；Petrel平台内嵌的用户训练U-Net型编码器-解码器网络对每个体元输出断层概率（0-1）；利用评估工具计算平面性（planarity）和方位角（azimuth）属性，并设定最小概率阈值0.3、半径4个体元、平面性阈值0.55及0°-359°方位角范围进行断层提取；最终通过Python插件将断层点云转为断层棒并构建断层框架。定量评价指标为Dice相似系数（DSC）和断层勾画率（Delineation Rate）。
研究结果
模型验证与量化指标：通过将机器学习预测结果与人工解释基准对比，模型在验证数据上DSC超过0.85，成功勾画了65%的人工标注断层，同时识别出断距小于15ms的微弱不连续体。可视化检查（混频器剖面）显示预测断层与地震反射终止特征吻合良好。
训练标签数量的影响：比较三条训练线与更多标签的预测效果后发现，增加标签数量能改善断层连续性，但该工区的地震分辨率和构造复杂程度下，三条线已足以获得可靠结果。
预测连续性与地质保真度：机器学习预测结果表现出良好的横向和垂向连续性，能够区分人工解释中常被简化的次级断层和分叉段。在部分强反射或振幅散射区，断层预测出现局部间断，但后处理可有效连接。
断层提取与后处理：基于平面性和方位角一致性过滤，点云被合并、分裂并延伸，最终生成连续断层平面。相比人工解释，自动化工作流在断层展布和连通性上提供了更精细的细节，尤其在深部信噪比较低的区域仅需少量人工编辑。
先前未绘图微断层的意义：在上部南段和北段检测到两条未被标注的微弱断层，这些断距小于15ms的隐伏构造可能进一步分割Alam El Bueib组AEB-3E储层内的地垒-地堑块体，对注采模式和剩余油分布具有潜在影响。
解释效率提升：人工标注三条训练线约4小时，自动推断和提取约2小时，总耗时约6小时，而传统全工区人工解释需约120人时。该方法实现了超过80%的时间缩减，同时降低了解释人员的主观性。
讨论与结论
讨论部分强调，机器学习辅助断层解释的关键在于训练标签质量与去噪参数平衡。过度滤波会损伤低断距断层，而滤波不足则残留噪声干扰；混合体可视化可用于指导标签迭代修正。尽管模型在深部低信噪比区域存在局部遗漏，但整体断层框架与人工解释高度一致，并额外识别出工程上不可忽略的隐伏断层。研究认为，CNN断层预测能够将解释人员从重复性拾取工作中解放，转向质量控制与地质决策，进而提高构造模型和储层分隔模型的可靠性。
研究结论指出，斯伦贝谢CNN驱动的断层预测工作流在埃及西部沙漠的Berenice油田展示了稳健性和实用性。仅用少量训练数据且无需先验机器学习专业知识，该方法成功勾画了复杂多方位断层系统，包括传统人工工作流常忽略的低断距和亚地震尺度特征。定量评价显示，超过65%的人工断层被准确再现，并额外识别出有效构造；解释时间缩减超过80%，同时提高了结果一致性和客观性。整体而言，将机器学习整合入地震解释流程代表了从人工勾画向数据驱动自动化转变的范式迁移，为构造建模、储层分隔和地质复杂盆地的风险降低提供了可靠且可扩展的方案，预期在西部沙漠及类似构造环境中得到更广泛应用。
