通过Rayleigh面波频散曲线反演能获取近地表地层的横波速度和厚度，但传统的非线性反演算法往往存在收敛效果差、易陷入局部极值等缺点。文中提出了一种新的改进白鲸优化（DWBWO）算法，并用于Rayleigh面波频散曲线反演。该算法是在白鲸优化（BWO）算法的基础上，引入了Cubic混沌初始化策略，提高了初始种群的均匀性；应用逐维反向学习策略，提高了算法收敛效率；应用旋风觅食策略，提高了算法的局部寻优能力。应用多极值函数、模拟数据和实测数据对DWBWO算法进行测试，并与灰狼优化（GWO）算法、麻雀优化（SSA）算法、鲸鱼优化（WOA）算法和BWO算法对比，证明文中改进算法具有更高的稳定性和精度。

准确分割扫描电镜图像中的孔隙可以为油气勘探开发等提供科学依据。目前孔隙分割方法主要依赖数据驱动，需要大量人工标注数据，耗时长且成本高。为此，提出了一种基于半监督的SEM图像孔隙分割网络PoreSeg。首先，基于一致性正则化与伪标签技术构建半监督框架；其次，引入高强度组合扰动策略，增强数据的多样性；最后，结合孔隙感知融合（Pore-CutMix）方法，充分利用稀疏的孔隙信息，提高模型对孔隙的分割能力。实验结果表明，在等量标注样本条件下，PoreSeg相较于全监督网络，孔隙交并比提升了15.10%；同时，与现有半监督方法相比，PoreSeg对孔隙更敏感，分割准确度更高。PoreSeg在保持高精度的同时，显著降低了对标注数据的依赖，具有巨大的应用潜力。

注水开发过程中，评估井间连通性对于油藏管理、生产策略优化和采收率提高至关重要。目前基于图神经网络的方法忽略了图结构对井网时间和空间关系的表达，限制了井网延迟动态响应关系的准确描述。为了解决这一问题，提出了一种基于多层级图结构的时序网络模型，捕捉时间序列中井网信息的动态变化关系，实现更加准确的井间连通性评估。首先，考虑井网注采响应延迟，提出多层级图结构时空依赖表征方法，实现生产时序响应与井网空间结构信息的融合；其次，搭建多层级时序图神经网络模型，设计基于注意力机制的层级间信息交互更新方法，实现注水井与生产井之间的动态交互关系挖掘，以及井网连通性的精准反演。实验结果表明，该模型相较传统时序模型具有更高的准确率，与示踪剂测试结果符合率达93.8%，且在物理规律上符合连通性演变的渐变性。该方法具有较好的工程适用性。

致密砂岩储层评价技术是非常规油气勘探的关键科学问题与技术挑战，其中对致密砂岩储层参数的精确预测尤为关键。传统基于线性或非线性回归的预测方法在表征测井曲线与储层参数之间复杂非线性关系方面存在局限，导致预测精度不足。文中以延长油田甘谷驿采油厂唐157井区长6储层为例，基于测井数据和岩心分析孔隙度数据，开展多源数据融合预处理，创新性地提出了一种融合CNN和Transformer核心优势的新型神经网络架构（CNN-Transformer Network）。通过综合对比RMSE、MAE与R²指标分析CNN-Transformer模型与传统线性回归模型（LR）、TCN-LSTM、GRU与ResNet三种主流模型的预测性能。实验结果表明：CNN-Transformer模型的预测精度达到96.7%，显著优于其他对比模型。该模型能够有效捕捉致密砂岩储层中测井曲线与孔隙度之间特有的复杂非线性映射关系，显著提升储层参数预测的准确性，为致密砂岩储层的高效勘探与开发决策提供了可靠的技术支撑。

地震相识别是地震数据解释的重要环节之一，深度学习技术可有效提高地震相自动识别的效率和准确性。然而，深度学习方法依赖大量的地震标注数据，在实际应用中标注成本高、难度大，且基础的测井数据无法直接使用。为此，提出了一种基于超稀疏测井标注的半监督地震相自动识别方法。首先，在HRNet网络的基础上，构建一种使用一维测井标签进行监督的地震相识别网络模型。其次，针对地震数据的纵向特征，构建稀疏标签采样模块（SLSM）并围绕测井标签采样，不在纵向上对地震数据进行切割，保留其纵向深度特征，为后续的半监督学习任务奠定坚实的基础；最后，针对地震数据的横向相关性，提出区域生长训练策略（RGTS），通过迭代生长的方式将测井标签信息扩展到整个地震体。真实数据实验结果表明，所提出的网络模型仅使用占总数据量不足0.5%的32条一维测井标签，即可实现MIoU（Mean Intersection over Union）为79.64%的地震相识别结果。该方法可为测井资料少且局部分布的工区开展地震相识别研究提供参考，具有良好的应用前景。

层理缝在致密砂岩储层和页岩储层中普遍存在，其作为油气的储集空间及渗流通道，对油气富集和开采效率等影响显著。传统层理缝预测方法受限于地震、测井资料质量以及实钻井数量，且在准确率及效率上存在一定局限性。近年来，深度学习技术在裂缝识别和预测中得到广泛应用，但随着模型复杂度的增加，梯度异常及性能退化等问题也愈加明显，且常用模型不能充分适应序列型地震和测井数据。为此，提出了一种基于卷积残差双向长短期记忆神经网络（BiLSTM）的层理缝预测新方法。首先，在研究区内均匀部署伪井以解决实钻井数量不足、难以全面覆盖研究区域的问题，并结合岩心观察数据，提取多种具有层理缝统计信息的实钻井及伪井的井旁地震属性，建立训练样本和实际预测数据集；其次，通过样本扩充和预处理相关技术手段解决样本质量问题；最终，利用卷积神经网络进行样本特征提取，并建立卷积残差连接将数据传输至具“门控”机制的BiLSTM网络内进行信息的选择遗忘，有效缓解了深层网络中出现的梯度异常、性能退化等问题，显著提高了模型预测精度，决定系数可达91.3%。苏北盆地M地区层理缝预测结果表明，该方法可以较为高效、精准地预测层理缝发育情况，且预测结果与地质认识相符。该方法为现场油气勘探提供了有效支撑与指导。

随着中国东部常规油气资源枯竭和油田含水率增加，地热能开发成为了老油田绿色低碳转型的关键，而热储层识别是地热田研究的核心工作。针对现有热储层识别算法未能将测井数据之间隐藏的样本关系作为输入进行训练测试，以及单一视图对其中蕴含的深度序列信息和空间特征提取不充分的问题，提出了一种基于双视图GraphSAGE（dv-GraphSAGE）的热储层测井识别方法。首先，通过深度序列和特征相似性构建深度距离图和特征相似图；然后，利用GraphSAGE和特征自注意力机制（FSAtt）提取特征，保留视图的信息丰富性和复杂关联；最后，通过自适应特征融合模块将视图特征融合，并输入多层感知机（MLP）网络实现热储层识别。30口地热井测井资料的实验结果表明，dv-GraphSAGE模型对泥岩层、致密层、干层、油层和水层的整体识别准确率达到了95.4%，其中水层识别率为96.9%。实验对比结果也表明，dv-GraphSAGE具有更优的热储层识别效果，为油田地热开发提供了新思路。

智能地震速度反演是当前地震勘探中的热点、难点，然而复杂的深度学习网络结构对硬件设备的算力要求较高，限制了模型在数据量大和时效性要求高的场景中的应用。为了解决上述问题，根据特征工程和模型轻量化的思想改进了U-Net，提出适用于GPU的反演网络U-Net vG和适用于CPU的反演网络U-Net vC。首先分析速度反演网络的特点，得出卷积神经网络的轻量化原则；然后通过对多尺度模块、注意力门模块及特征提取模块进行轻量化处理得到轻量级速度建模卷积神经网络，在保持预测准确性的同时减小网络体积。数据测试结果表明，该网络训练过程对高性能硬件资源的需求更低，可以实现高效速度反演，具有更高的地震速度反演精度，具有较高的抗噪性。该方法可为解决地震数据反演中的算力瓶颈问题提供新思路。

页岩气已成为中国油气资源的重要战略接替领域，页岩具有低孔、低渗特征，只有经过大规模体积压裂才能获得工业产能，页岩压裂后的裂缝参数精细刻画及定量表征是压裂效果评价和开发参数优化的关键。为此，以页岩岩心压裂后三维CT图像为研究对象，开展基于深度学习语义分割模型的裂缝智能提取。首先，构建融合金字塔卷积与注意力机制的U-Net深度学习模型，减轻图像类别失衡的影响，提升裂缝提取的精确度；其次，基于语义分割结果建立数字岩心模型，结合孔隙度、倾斜指数等参数实现裂缝空间分布的定量表征；最后，通过多重分形谱中的谱峰及谱宽表征缝网复杂度。研究结果表明：相较于传统图像分割模型，改进后模型的灵敏度提升了6.69%，交并比提升了0.48%。通过图像分割算法优化、数字岩心建模及多重分形分析，系统刻画了三维裂缝特征，适用于页岩等非常规储层缝网表征方法可为水力压裂后储层改造效果评估提供参照。

求解程函方程能够获得震源定位、层析成像等地球物理反演所需的地震波旅行时，常用算法包括快速推进法（FMM）和快速扫描法（FSM）等。物理信息神经网络（PINN）是一种新颖的无网格方法，可将偏微分方程中的微分形式约束条件融入到神经网络的损失函数中，从而获得带物理信息约束的神经网络。文中聚焦训练过程中的节点优化配置，采用基于残差分布的自适应采样方法改善PINN的训练效果，提出了基于自适应节点生成的物理信息网络旅行时计算方法。Marmousi模型和起伏地表模型的测试结果均表明，该方法相较于固定节点生成方法具有更稳定的训练过程并且旅行时计算结果能保持较高的精度。

在黄土塬等复杂地表地震勘探中，相干噪声极大地降低了地震数据信噪比，严重影响后续地震成像及物性反演的精度。为此，提出了一种新的相干噪声压制策略。该方法主要包括以下几个核心步骤：首先，采用各向异性扩散滤波技术，有效抑制数据中的非相干噪声成分，初步提升低信噪比数据的整体质量；其次，运用字典学习方法对地震数据进行稀疏表征，并运用统计学指标，精准定位并剔除那些梯度方差较大的字典原子，这些原子往往是线性相干噪声和随机噪声的主要载体；然后，利用筛选并保留能够对有效信号进行有效表征的字典原子及其对应的稀疏系数，重构地震数据；最后，通过信噪局部正交化原理进一步从移除的噪声中提取有效信号。模拟数据和实际数据测试均表明，该方法在确保有效信号得以完整保留的同时，较好地压制了相干噪声和随机噪声，进一步提升了数据信噪比。该方法可为线性相干噪声的处理提供借鉴意义。

孔隙度是评价储层和计算储量的一个重要指标。然而，传统取芯方法获取孔隙度成本较高，基于回归分析和统计学模型预测的孔隙度误差较大。为此，构建一种结合卷积神经网络（CNN）、双向长短期记忆网络（Bi-LSTM）和注意力机制的储层孔隙度预测模型，并利用实际的测井数据验证其性能。首先通过CNN和BiLSTM捕获测井数据的复杂非线性时空关系；然后嵌入卷积自注意力机制，通过因果卷积产生查询和键，使局部信息更好地融入注意力机制中，相比传统自注意力机制，避免了异常数据对预测结果的影响；最后采用蒙特卡洛dropout的方法量化模型的不确定性，提供储层孔隙度预测的置信区间，进一步评估预测的可信度。多个模型对比实验表明，所提方法预测储层孔隙度的准确度较高；通过两口不同特性井的实验揭示，该方法泛化能力较强。

井震标定是地震资料解释中的一个重要步骤，传统的井震标定方法是用测井数据与提取的地震子波合成地震记录，通过拖拽的方式与井旁地震道匹配，这种方法有较大的人为因素，非常耗时且容易造成过度拉伸。为此，提出了一种基于卷积神经网络（Convolutional Neural Network，CNN）和门控循环单元（Gate Recurrent Unit，GRU）网络的深度学习方法，实现井震自动标定。首先，用典型模型合成地震记录，引入时间校正量对井旁地震道记录进行校正；然后，通过训练搭建的CNN-GRU网络建立两条地震道与时间校正量之间的联系，以两条地震道的相关系数作为约束条件，用合成地震记录和井旁地震道直接预测时间校正量；最后，采用30口井的实际数据测试神经网络，与手动标定结果对比，分别计算标定后合成地震记录和井旁地震道的相关系数。研究结果表明：①25口井网络自动标定的相关系数大于或等于手动标定，其余5口井两者基本一致；②手动标定30口井大概需要30 min，网络标定只需要5 s。因此，与传统方法相比，所提方法在井震标定中精度和效率方面都更好，验证了该方法的可行性和优点。

盐体是具有良好气密性的地质构造，有利于油气储存，实现精细化盐体的解释极为必要。然而，不同于断层，盐体的特征较为复杂且形态差异大，常规方法易导致混淆和误判。此外，基于数据驱动的盐体识别模型在实际数据集上的泛化能力较差，因此目前在地震勘探中进行盐体的解释及可视化仍存在挑战。文中将盐体解释视为地震图像的语义分割问题，提出了基于迁移学习的上下文融合及混合注意力网络（Multi-path Structure Mixed Attention and Transfer Optimized Net，MMTONet）的智能盐体分割方法。同时设计了一种基于盐体上下文特征融合模块，进而建立了改进注意力卷积混合的跳跃连接机制，以更好地弥补由下采样造成的信息损失，从而提高模型对盐体边界与高振幅噪声的像素级辨别能力。在此基础上，还设计了迁移学习的适配器微调策略，提升了模型在实际数据上的泛化能力。在地震数据集上的实验结果表明，MMTONet在提高分割精度和减少计算量、参数量方面均优于主流的语义分割方法。

地震相图中同类样本之间的强相关性和地震相类别的数目的确定是无监督叠前地震相分析的核心。为此，提出了一种相关阈值约束类别确定的无监督叠前地震相分析算法。首先，将叠前地震道集数据转化为二维图像，并采用无监督深度学习网络提取图像的高层次非线性、判别和不变特征，可突出具有强隐蔽性的信息；然后，根据研究工区内不同类地震相对应叠前地震图像深度特征之间的互相关值确定地震相类别数目的阈值，保证获得的叠前地震相图中相同类中的样本具有极强的相关性和基于判别阈值确定地震相类别的数目；最后，利用已有钻井信息标定获得的叠前地震相图，为地质专家推断沉积环境、储层平面展布等提供依据。理论模型测试表明，该方法可以通过判别阈值确定叠前地震相的数量，确保了地震相图中类内样本的高度相关性，具有更强的鲁棒性。实际数据应用表明，该方法提高了二叠系茅口组缝洞储层地震相预测的精度，为井位部署和未钻遇缝洞储层发现提供了可靠的科学依据。

微地震定位是微地震监测任务中的主要挑战，有助于分析水力压裂的效果。物理信息神经网络（PINN）可实现微地震定位，但PINN中多损失项的权衡对网络的训练起着重要作用。为此，文中提出了一种基于自适应损失均衡梯度增强的物理信息神经网络的微地震定位方法。首先结合相对到时与程函方程的残差来形成组合损失函数；其次通过自适应项自动更新损失权重，同时加入梯度信息来增强网络；最后利用网络训练获得整个计算域的旅行时分布，并通过最小旅行时预测震源位置。测试结果表明，该方法能够提高网络的训练稳定性和预测精度并获得较好的微地震定位效果。

地震几何属性中，地层倾角是曲率、相干等属性计算的基础，广泛应用于地震数据解释。但是传统的多窗口扫描算法效率较低，现有基于端到端监督训练的智能算法在泛化性和迁移性上受到地震数据多样性的制约。为此，提出一种无监督训练的深度神经网络倾角智能计算方法。该方法基于三维卷积神经网络，通过建立并求解结构张量目标损失，实现深度神经网络的无监督优化，不需要提前制作大量标签，结合迁移学习及实际工区微调处理，在高效率计算特征向量的基础上实现高效稳定的三维倾角计算。大量的模型及实际资料应用表明，该智能方法在倾角计算效率上大大提升，同时计算结果稳定。特别地，基于智能倾角计算结果获得的几何曲率，在断裂信息表达方面表现出更多优势。

在油气勘探开发中，孔隙度是评估储层物性的重要参数，特别是在水淹井评价中，精确的孔隙度预测对剩余油的评估和后续生产开发具有关键作用。常规的线性孔隙度模型在预测精度方面存在局限性，而随机森林回归模型在传统参数优化方法下，往往面临优化效率低、参数调整复杂、计算资源消耗大的问题。为此，提出了一种基于星鸦优化算法（NOA）优化随机森林回归模型的方法，以提高孔隙度预测的精度和效率。该方法受北美鸟类“星鸦”觅食、储藏和食物找回行为的启发，在研究中以声波时差、补偿密度和补偿中子曲线作为随机森林回归模型的输入特征，以岩心孔隙度作为目标值，通过NOA对随机森林回归模型进行超参数优化，避免了局部最优解，从而找到全局最优的参数组合。与传统网格搜索方法相比，NOA在超参寻优中效率更高。数据分析和模型预测结果均表明，该方法不仅加快了随机森林模型的训练速度，还有效提升了孔隙度模型的拟合效果和预测精度。

溶洞在地震剖面上呈现“串珠”状反射特征，其空间分布受裂缝网络控制形成复杂缝洞系统，传统方法受限于储层结构模糊性和样本稀缺性而难以精准识别。为此，提出了知识图谱引导的裂缝和溶洞耦合建模智能识别技术，通过将地质拓扑关系编码为邻接矩阵约束项，实现了地质先验知识与深度学习的融合。该方法将正演模拟标签数据体与专家标注数据体相结合，构建多任务学习框架，利用知识图谱表征断裂与溶洞的连通关系，并设计地质可解释性损失函数动态修正模型优化路径。在塔里木盆地奥陶系良里塔格组的应用中，大幅减少了人工解释工作量，显著提升了缝洞体边界识别的精度，为强非均质性碳酸盐岩储层预测提供了知识驱动与数据驱动融合的新的解决方案。

流体识别对于碳酸盐岩储层的评估和油气开发至关重要，然而因碳酸盐岩储层具有强非均质性，传统方法难以实现其准确识别。基于机器学习的方法可以深入挖掘测井数据与油气水信息的内在联系，提升识别效果，但易受测井数据的噪声影响，且样本类别比例失衡。因此，以四川盆地碳酸盐岩储层为研究对象，提出一种基于代价敏感学习的储层流体识别方法。首先，采用小波变换对测井数据降噪，解决数据噪声问题；然后，融合方差分析、决策树和油气藏理论对测井曲线进行相关性检验，筛选出与储层流体类型高度相关的测井曲线；最后，设计神经网络模型，利用代价敏感学习策略解决样本类别不平衡问题，提高识别准确率。研究结果显示：小波变换降低了数据噪声，提高了流体识别的准确率；测井曲线AC、CNL、CAL、RT、GR和RXO与碳酸盐岩储层流体类型高度相关。代价敏感学习方法有效解决了不平衡数据带来的少数类识别准确率低的问题，模型识别准确率达97.61%，优于其他对比模型，为碳酸盐岩储层流体识别提供了一种可行方案。

基于深度学习的波阻抗反演往往需要大量标签数据驱动模型进行网络训练，但实际情况中标签数据（测井数据）获取难度较大、成本较高，通常只有少量的标签数据可用于训练。为此，提出一种基于数据增广和伪标签生成的半监督波阻抗反演方法。首先，利用三次样条插值法对标签波阻抗数据进行插值后随机重采样；然后，用正演方法计算增广波阻抗相对应的地震记录；最后，将增广后的地震记录和波阻抗作为网络训练集，训练网络并预测波阻抗。将筛选出的高质量预测数据作为伪标签，并对伪标签进行数据增广，大量扩充训练数据集。由于时间卷积网络（Temporal Convolutional Network，TCN）在时序数据建模上具有优势，可以捕获数据的长期依赖关系，很好地完成波阻抗反演任务。Marmousi模型的测试结果显示，所提方法适用于少量标签数据的波阻抗反演问题，具有良好的抗噪性能，且对于不同的标签分布情况依旧有较好的反演精度。实际勘探数据的反演结果表明，该方法能有效地解决地震波阻抗反演问题。

多次波压制是石油勘探领域提升地震数据偏移成像质量的重要手段，特别是对于受自由表面多次波干扰较强的海洋拖缆数据。为了更好地提升多次波压制效果和数据处理效率，文中提出了一种利用深度学习图像转译技术压制自由表面多次波的方法。首先，将地震数据处理任务视为深度学习中的图像转译任务，采用Pix2Pix网络处理转换为图像形式的地震数据；其次，将常规单一形式的目标数据集改进为组合形式，进行多任务训练提升Pix2Pix网络的输出效果，并根据数据处理前、后的关联性，设计额外的损失函数进一步约束和提升网络的输出效果；最后，建立层状模型和复杂模型进行数值测试，并在输入数据中添加了额外的干扰项进行定量测试。数值测试结果表明，文中方法能够通过发掘数据的共同特征达到识别和压制多次波的目的，提升偏移图像的清晰度，在处理数据时具有较高的计算效率，能够更准确地识别地下层位信息。

总有机碳含量（TOC）是页岩气勘探开发的一项重要评价指标。测井资料可高效评估TOC，但无法预测井间区域；而从地震资料提取的TOC敏感因子，可实现三维空间预测，但由于页岩储层的厚度薄且非均质性较强，仅依靠地震数据难以达到其精度要求。因此需要综合使用多种数据以提升TOC评估准确性。为此，提出一种基于卷积神经网络的高精度页岩TOC定量预测方法。首先，针对页岩特性，对钻井实测岩心TOC数据与多种测井特征曲线进行相关性分析，优选出最具代表性和敏感性的特征；其次，基于识别出的敏感参数，构建相应的卷积神经网络预测模型，将实测TOC样本与敏感测井参数构建的训练样本按7∶3划分数据集，用于模型的训练和验证；最后，利用波形指示模拟技术获得的高分辨率敏感参数反演结果作为三维TOC含量预测的特征输入，将各敏感参数排列重组后输入卷积神经网络模型中，实现TOC含量的三维定量预测。研究结果表明，CNN在拟合TOC含量与敏感参数之间的非线性关系方面较多元回归法和BP神经网络等更具有优势，该方法预测的TOC数据与钻井实测值的平均绝对误差和均方根误差均小于0.6%，预测结果与实际情况一致。该方法在页岩薄储层三维TOC含量预测方面具有较高准确性和明显的优势。

在油气勘探领域，通过岩石微观结构可知油气资源的赋存状态，其精度和效率的提高依赖于有效的岩性识别方法。为此，提出了一种改进ConvNeXt V2的岩石薄片岩性识别方法。首先，以ConvNeXt V2-T为核心特征提取网络，嵌入全局注意力机制，提升对全局特征的感知能力；然后，设计多尺度特征融合模块，可以在不同尺度上对特征图进行有效融合；最后，使用Lion优化器代替原本的AdamW优化器以改进模型优化器，从而使速度更快、能够取得更好的泛化性能且更省内存。实验结果表明，该方法准确率、精确率、召回率、特异度及F₁值平均值分别为96.1%、95.5%、96.2%、99.1%、95.8%；改进后的算法收敛速度更快，准确性更高，可以实现岩石薄片图像的精准分类和识别。

现今，深度学习地震波阻抗反演方法通常是通过低维度的时序建模，忽略了空间构造拓扑结构信息，导致反演精度较低。针对此问题，提出了一种基于STGCN（时空图卷积神经网络）时空建模的地震波阻抗反演方法。该方法考虑到地震数据的空间构造拓扑结构及互相关性，使用马氏距离对地震数据进行空间邻近度的加权处理建立邻接矩阵；进一步通过切比雪夫多项式扩大空间感受野的同时减少参数量，高效地提取地震数据的空间构造特征，同时利用门控循环单元捕获其时序相关性；最后构建时空图卷积单元实现基于STGCN的地震数据与波阻抗在时间和空间两个维度的映射。模型测试及实际资料反演结果表明，该方法在提高反演精度的同时对噪声具有一定的适应性，并可以很好的体现地层的横向变化。

精确识别埋藏在地表下的盐体对于石油和天然气勘探有重大意义。传统的语义分割算法依然存在对盐体的识别精度较低、边缘识别效果较差、识别效率低等问题。文中提出一种基于MC-Res2UNet网络的盐体识别方法，该网络整体架构由U-Net网络改进。首先，使用Res2Net网络作为编码器提取盐体特征信息；然后，在解码层中的卷积之后引入CBAM注意力模块重新分配盐体空间信息和通道信息，抑制不重要的信息；最后，利用多尺度特征融合模块融合空间信息和语义信息，提高盐体识别精度。将文中提出的MC-Res2UNet模型用于TGS盐体数据集进行验证，像素准确率可达到96.6%，交并比可达到86.8%，优于传统的DeepLabV3+、DANet等语义分割方法，对地下盐体有更好的识别效果。

高质量的野外高密度三维地震勘探资料是后续资料处理和解释的基础，然而传统的手动或半自动评估地震记录质量的方式已不能满足高密度三维地震勘探的效率要求，也无法确定地震记录的噪声来源。文中利用深度学习技术，辅以余弦相似度算法，实现自动对地震记录的质量进行单道分类评估，分别为正常道、强震源干扰道、工业电干扰道、仪器相关问题道（检波器与大地耦合不良、空道）、弱干扰道以及并道反道共6类。训练好的卷积神经网络在3秒以内完成单炮地震记录（超过8000道）的质量评估，与人工筛选的分类相比精度达到了86%，评价结果客观，适用于海量地震采集现场的质量监控。文中方法不仅可以快速确定不同噪声类型或仪器问题的地震记录位置，提高地震施工效率和质量，还为地震资料品质的分级分区综合评估提供了重要的研判依据。

针对传统岩性识别方法在处理测井曲线缺失、准确性以及模型可解释性等方面的不足，提出了一种基于MSCNN-GRU神经网络补全测井曲线和Optuna超参数优化的XGBoost模型的可解释性的岩性识别方法。首先，针对测井曲线在特定层段丢失或失真的问题，引入了基于多尺度卷积神经网络（MSCNN）与门控循环单元（GRU）神经网络相结合的曲线重构方法，为后续的岩性识别提供了准确的数据基础；其次，利用小波包自适应阈值方法对数据进行去噪和归一化处理，以减少噪声对岩性识别的影响；然后，采用Optuna框架确定XGBoost算法的超参数，建立了高效的岩性识别模型；最后，利用SHAP可解释性方法对XGBoost模型进行归因分析，揭示了不同特征对于岩性识别的贡献度，提升了模型的可解释性。结果表明，Optuna-XGBoost模型综合岩性识别准确率为79.91%，分别高于支持向量机（SVM）、朴素贝叶斯、随机森林三种神经网络模型24.89%、12.45%、6.33%。基于Optuna-XGBoost模型的SHAP可解释性的岩性识别方法具有更高的准确性和可解释性，能够更好地满足实际生产需要。

地震数据中的断层结构可以揭示地下构造和岩层变化，为资源勘探和地质灾害防治提供重要依据。然而实际采集的三维地震数据中包含大量噪声且断层体所占比例极小，利用蚂蚁体识别方法得到的结果误差较大，连续性和准确性不够。为此，提出一种基于深度学习的三维残差注意力RAtte-UNet断层识别方法，即融合残差跳跃连接与注意力机制并进行模型训练，采用混合损失函数减少断层与非断层的极度不平衡对网络训练的影响，使网络对于小断层具有更好的识别能力。通过对模拟数据和真实数据进行断层识别，准确率、召回率和精确率等评价指标均有所提升。相比于蚂蚁体等断层识别方法，该方法的识别结果中断层连续性更好，并能识别小断层，模型泛化能力更强。该方法可推广应用到实际地震勘探中。

河流相储层横向变化快、非均质性强，传统建模方法已不能满足目前储层表征的需求。为此，首先利用导航金字塔技术，将地震数据进行分解与重构，重构后的数据更加凸显地质规律，有利于沉积相的刻画；然后采用贝叶斯—序贯高斯地震约束建模方法进行储层建模，建立测井数据与地震属性的约束关系，提高模型垂向分辨率。胜利油田沙二段河流相储层建模实践表明，经导航金字塔技术处理后的地震数据横向表征能力增强，砂体边界识别效果较好；与传统序贯高斯方法相比，贝叶斯—序贯高斯方法模拟模型垂向分辨率更高，砂体预测厚度与实际厚度吻合率达86%，更有利于砂体识别。该方法可为剩余油开采提供指导。

人工拾取速度谱是地震资料常规处理中速度分析的主要手段，此方法既耗时、耗力，又限制了大规模三维地震资料处理的效率和准确性。为此，提出了一种利用双路卷积神经网络的速度谱自动拾取方法。首先，采用卷积神经网络结合注意力机制作为主网络，从速度谱数据中提取能量团的特征并实现速度的自动拾取；其次，训练主网络在输出时间—速度序列之前，通过特征融合和特征转换将速度与另一个卷积神经网络（辅网络）输入的未校正CMP道集的隐藏表征进行信息融合，重构成校正后的CMP道集；最后，通过辅网络模拟CMP道集动校正的过程，利用动校正优化速度拾取的精度。模型和实际资料测试结果表明，在加入辅助神经网络引入动校正信息后，文中方法比单一的卷积神经网络在速度拾取方面具有更高的精度。

利用地震资料识别断层在油气勘探中有着重要的作用。目前，机器学习和深度学习技术提高了断层识别的精度和效率，但断裂预测结果仍难以满足生产需求。为此，提出基于Transformer的地震断层识别方法，即3D SwinTrans-U-Net。该网络由Swin Transformer模块、卷积模块组成。其中，Swin Transformer模块可以利用Transformer的注意力机制提取全局信息，并将计算全局注意力转变为计算窗口的注意力，从而比Transformer减少了计算复杂度；卷积模块具有归纳偏置的特性，避免了Swin Transformer存在弱归纳偏置的缺陷；最后，利用U-Net结构，结合Swin Transformer层与卷积层，融合深层与浅层的信息并提取相关特征，充分学习全局性和局部依赖性信息，在保证断层识别精度的基础上提高了计算效率，实现端到端的地震断层学习。模型数据和实际数据测试均表明，3D SwinTrans-U-Net网络能进一步提升断层识别精度。

断层识别是地震数据解释的重要环节之一。深度学习技术的发展有效提高了断层自动识别的效率和准确性。然而，目前在断层的自动识别任务中，如何准确捕捉断层细微结构并有效抵抗噪声干扰仍然是一个具有挑战性的问题。为此，在HRNet网络的基础上，构建了一种基于解耦自注意力机制的高分辨率断层识别网络模型AHRFaultSegNet。对于自注意力机制解耦，结合空间注意力和通道注意力，代替HRNet中并行传播的卷积层，在减少传统自注意力机制计算量的同时，模型可以在全局范围内计算输入特征的相关性，更准确地建模非局部特征；对解耦自注意力使用残差连接来保留原始特征，在加速模型训练的同时，使模型能够更好地保持细节信息。实验结果表明，所提出的网络模型在Dice、Fmeasure、IoU、Precision、Recall等性能评价指标上均优于其他常见的断层自动识别网络模型。通过对合成地震数据与实际地震数据等进行测试，证明了该方法对断层细微结构具有良好的识别效果并且具有良好的抗噪能力。

速度建模是叠前深度偏移的重要环节，通常需要在层位约束下对观测点的地层速度进行横向外推，然而在速度建模初期缺乏地震解释层位等格架信息。为此，文中提出了一种基于曲率谱横向相似性和改进循环结构Siamese网络的速度模型建立方法。Siamese网络是目前常用的基于深度学习的目标识别和追踪网络，可以快速进行目标图像的相似度对比，而且不需要人工制作标签。曲率谱可以看成反应地层特征和速度信息的二维图像，将速度建模作为横向特征相似性类比问题，通过类比曲率谱可以自动得到地层的格架和速度更新信息。首先，将叠前深度偏移后的道集转换为曲率谱；其次，确定待搜索曲率谱图像及其对应的目标追踪对象，并求取当前追踪对象与目标追踪对象的相似系数；然后，基于相似系数更新参考曲率谱图像和当前追踪对象；最后，在遍历完全部追踪对象时，基于各个追踪对象的层速度及深度建立速度模型。理论模型和实际数据试验结果表明，该方法能在没有解释资料的条件下快速生成符合地质构造和地层特征的速度模型。

层位追踪是地震资料解释中一项基础且重要的工作,常规智能层位追踪方法的精度难以满足实际生产需求。为此,提出了一种基于U²-Net的高精度多套层位追踪方法。首先,设计一种充填标签的制作方法,遍历地震数据每个像素点,判断当前像素点所在位置并为其划分一个层位区域； 对于穿过断层的层位,则自动搜寻相邻层位,实现非全区层位、断层等复杂条件下的地震反射层位及不整合面的充填标签的制作； 然后,利用充填标签,采用U²-Net网络模型对F3数据体和M工区地震资料进行训练。与U-Net+PPM网络模型相比,U²-Net网络模型的预测精度更高,稳定性更好,泛化性更强,训练时间更短,且预测复杂地区的地震反射层位的准确率和平均交并比都大于95%。该方法可以较好地适应低信噪比地震资料的层位追踪。

层位追踪是地震资料解释的关键步骤,通常由解释人员以人机交互方式进行,效率较低。卷积神经网络可以构建地震数据和训练标签的非线性映射关系从而完成层位追踪,由于人工解释结果获取困难,仅由少量标签训练的模型泛化能力较差。为此,提出一种基于卷积神经网络的半监督层位追踪方法,将层位追踪转化为层位断层间区域的图像分割。首先使用自编码器对无标签数据进行训练,之后将部分参数迁移至有监督学习网络后使用少量标签数据进行有监督学习,最后对整个工区的地震数据进行预测,提取分割结果边缘作为层位追踪结果。合成数据和实际数据的测试结果均表明,相较于有监督学习层位追踪方法,该方法具有较少的错误分割,由分割边界提取的层位与人工层位解释结果的误差较小,具有更好的泛化能力。

鄂尔多斯盆地碳酸盐岩地层蕴含着丰富的油气资源。在勘探实践中发现，大牛地气田马家沟组断层发育、断距小，类型多样且成因复杂，给勘探、开发带来了较多挑战。为了应对这些挑战，提高储层预测的精度变得至关重要。在分析大牛地气田敏感弹性参数的基础上，建立地震属性与储层纵横波速度比（v_P/v_S）的关系，提出一种基于XGBoost算法的地震多属性v_P/v_S预测方法。为了进一步提升XGBoost算法的预测精度和泛化能力，采用贝叶斯算法对XGBoost算法的超参数进行优化，从而找到最佳的超参数组合，以确保模型在训练集和测试集上的性能均能得到提升。将XGBoost算法应用于Marmousi 2模型进行横波速度预测，预测值与实际值相关系数超过0.88，而均方误差、平均绝对百分比误差分别低于6.55×10^-7和4%，验证了该方法的准确性和可靠性。在鄂尔多斯盆地大牛地气田，应用该方法获得的v_P/v_S成功识别出含气储层，结果与实际钻井数据一致。理论模型和实际数据应用结果表明，XGBoost作为一种强大的机器学习算法预测精度较高，为直接由叠后地震属性预测v_P/v_S提供了一种有效的途径。

有效压制地震多次波是地震资料处理过程中的重要环节，尽管已有多种多次波压制方法，但是传统的多次波压制方法依赖先验地质构造信息且需要大量的计算，导致多次波压制效率较低，对于复杂地质条件下的多次波压制更具挑战。为此，提出将改进pix2pix GAN运用于多次波压制问题中，利用神经网络的特征学习能力，提高多次压制波的精度。这种改进的pix2pix GAN结合ResNet与U-Net作为网络的生成器，以避免深层网络引起的梯度消失或梯度爆炸现象。并在生成器中引入SE注意力机制，改进的生成器能够更好的感知地震波中一次波与多次波的特征，提升生成器性能。此外，使用多尺度判别器对更精细的地震图像细节特征和纹理信息做出真假判别。网络的输入为全波场数据，标签为一次波数据，使用两个简单地层模型和一个公开的Sigbee2B模型合成的数据集训练网络。实验结果表明，改进的pix2pix GAN比pix2pix GAN的多次波压制效果更好；网络训练一旦完成，即可有效提升多次波压制速度。

随着油气勘探开发的不断深入，薄储层与岩性油气藏逐渐成为重要的勘探目标，这也对地震资料的分辨率提出了更高的要求。文中提出了一种基于自适应注意力机制的U-net地震数据高分辨处理方法。该方法首先利用U-net结构学习地震数据的特征表示，通过下采样过程的编码器提取地震数据的抽象特征，然后通过上采样的解码器进行特征重建和细化。在上采样的过程中引入了注意力机制，用于自适应地调整网络对不同地震特征的关注程度，网络能够更加有效地捕捉到地震数据更多的细节和特征。Marmousi模型合成地震记录和实际数据实验结果表明，新网络比原U-net误差更小、更稳定，可有效提高预测精度，实现对地震数据的高分辨率处理。

在老油田的勘探开发中，抽油机噪声形成强干扰，严重降低了地震资料的信噪比。为此，提出了一种基于多尺度窗口生成器网络进行抽油机噪声压制的方法。构建的网络主要由双层编码器—解码器组成，结合不同层的特征信息可获得准确的去噪结果； 在不同层采用不同尺寸的窗口进行特征提取，可以有效地扩大神经网络的感知范围，并从抽油机噪声中提取更多有用的特征。为了防止网络的退化，编码器和解码器的每个块中都分别使用了残差连接。编码器残差块部分采用了卷积核数量中间大、两端小的反瓶颈设计，可以提取地震数据更多的特征； 解码器使用了编码器五分之一的卷积层数，加快了模型训练以及地震数据重建的速度。通过这种方式构建的网络可以有效地利用多尺度语义信息压制地震数据中的抽油机噪声。模拟数据和实际数据实验结果均表明，与DnCNN、GAN和MLGNet相比，所提方法能够获得高质量的去噪结果，并最大程度地保留有效数据。