随着油气勘探目标日益复杂，地震勘探面临着地震资料信噪比低、分辨率低、速度建模和成像困难等难题，常规地震资料处理与解释方法应用于海量地震数据时，其精度或效率存在一定的局限性。基于人工智能的地震资料处理与解释方法可以有效提高精度和效率。为此，概述了监督、半监督和无监督深度学习技术，总结了深度学习在初至拾取、提高信噪比、数据重建、速度谱解释、偏移和提高分辨率等资料处理方面的应用，在断层、地震相、河道和盐丘等地质体识别方面的应用，以及在波阻抗反演、AVO反演、全波形反演、岩性识别、储层参数预测和流体识别等方面的应用；讨论了训练集的制作、神经网络的优选、训练策略和大模型等；最后展望了地震资料智能处理与解释方法的发展趋势，指出需要继续提高网络的泛化性，需要研究适合地震勘探的大模型。

复杂区“贴邮票”式的采集方式使得一个区带的三维地震资料呈现碎片化，且资料之间存在能量、频率、相位、时间等方面的差异，给区带地震资料连片解释和整体研究带来困难。常规叠前连片处理有利于解决三维区块边界拼接问题，但不同区块间原始资料品质差异大，会相互干涉，品质高的资料的潜力无法充分发挥，从而降低了成像精度。针对复杂区迥异的地震资料，在传统叠前连片方法的基础上，提出了基于区带关键参数统一的分块与连片处理技术，它既保留了单块资料原生面元处理的优势，又具有连片资料利于整体研究的长处，解决了现存大量三维资料常规连片处理时存在的“单块处理难连片、连片处理欠精细”的难题。塔里木盆地库车复杂山地构造带和塔北富满东区的连片处理实例，均验证了这一技术的有效性。积木式构建出的连片数据体支撑了井位部署和基础地质研究，也为工业界提供了有益的参考。

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。

时频电磁（TFEM）法是一种新兴的电磁勘探方法，二十一世纪初从油气勘探领域发展和兴起，融合了时域和频域电磁方法的优点，能够在复杂地质条件下提供更高分辨率和更精确的地下结构成像和多电磁参数约束，在油气勘探中发挥了重要作用，已推广到地热和金属矿勘探领域。文中系统回顾了TFEM技术的发展历程：从早期CSAMT方法的局限性，到通过仪器创新（如宽频带发射系统、节点式接收装备）和智能化升级（5G云采集、OpenHarmony系统）实现高精度探测；针对复杂目标，提出了多方位同步激发、井地联合观测等采集技术，并发展了时—频数据融合处理与激电效应反演方法，有效提升了油气检测成功率（达75%以上）。实际应用方面，TFEM已在全球150余个勘探目标中累计完成超过4.7万公里剖面，成功应用于碎屑岩、岩性圈闭等多类型储层目标的探测。TFEM技术未来的突破方向是智能化装备、AI解释、多场耦合反演等，其应用将拓展至半航空电磁、海洋勘探及地热/环境监测等领域，为深地资源开发提供更高效、更精准的技术支撑。

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。

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。

针对野外地震采集因环境干扰导致非规则性缺失问题，文中提出了一种融合粒子群灰狼混合优化(HPSOGWO)算法的XGBoost局部学习重建方法。该方法将HPSOGWO算法与XGBoost机器学习模型相结合，通过构建地震道空间位置(道号、采样点)与振幅值的非线性映射关系，利用HPSOGWO算法自适应优化特征窗口，实现了相邻道数据的智能选择与缺失值的高精度预测。与传统凸集投影-Curvelet变换(Curvelet-POCS)方法相比，该方法在复杂构造区域显著提高了重建精度；相较于U-Net深度学习方法，有效降低了对大量训练样本的依赖和计算成本。在20%随机缺失条件下的三层水平层状模型实验中，该方法的峰值信噪比(PSNR)较Curvelet-POCS法提高了11 dB，较U-Net法提高了7 dB；F-K谱分析进一步表明，该方法能更有效地保持地震波场的频域特征。实际陆上二维地震数据测试表明，20%缺失道的重建剖面振幅相对误差为5.72%，具有良好的振幅保真度和相位一致性，为复杂地质条件下的地震数据重建提供了有效且实用的解决方案。

地球物理测井是探测地下油气储层流体类型和评价储层参数的重要手段，传统测井解释方法面临挑战。人工智能（AI）算法先进，精度高，在测井解释方面具有独特的优势，“测井+AI”是当前测井解释研究的新领域。然而，智能测井解释中，样本规模小、训练模型泛化能力弱导致单纯机器学习的测井解释方法难以推广应用。物理模型包含从测井数据到地质目标的内在机理，将数据驱动与机理驱动相结合是提高测井解释精度的有效途径。现有的数据—机理联合驱动缺乏范式遵循，为此，聚焦智能测井解释参数预测，提出了数据—机理联合驱动的概念、思路，并总结出两个范式：一是数据引导的物理建模，以物理建模为主导，其中关键步骤或参数采用数据驱动获得，数据驱动为辅；二是物理引导的机器学习，以机器学习为主导，知识模型或物理机理为辅助，对输入数据、损失函数、训练过程进行监督和约束。因此，提出了物理模型增广数据集、知识驱动样本加权和岩石物理知识迁移三种数模双驱模式。将上述数模双驱的范式或模式应用于致密砂岩、有机页岩储层参数预测和矿物含量预测。与单纯数据驱动的机器学习相比，数据—机理联合的双轮驱动范式能够显著提高测井解释模型对小样本、差样本的学习能力，模型的稳健性更好，泛化能力更强，解释精度更高。

重力异常反演通过地表重力数据推测地下异常体的密度分布，是地球物理勘探中的重要工具，广泛应用于油田、矿床、地质结构和地下工事探测等领域。传统的重力反演方法面临计算复杂、分辨率低以及反演结果依赖于先验信息等问题。深度学习重力异常反演技术能够不依赖于初始模型或先验信息，在提高反演精度和减少计算时间等方面表现出明显优势。文中回顾了传统重力异常正、反演方法的发展及其局限性，总结了深度学习重力反演方法的研究现状，重点从数据准备、网络模型、网络优化和网络验证等四个方面介绍了不同重力反演问题的改进和创新，并比较了不同重力反演方法在美国路易斯安那州Vinton盐丘和墨西哥圣尼古拉斯矿床实测数据上的应用效果，其中多任务框架CDUNet在Vinton盐丘数据上取得了最准确的反演深度值，3D U-Net++网络在圣尼古拉斯矿床数据上获得了比U-Net网络更清晰且准确的反演结果。

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。

深度学习以其强大的非线性映射问题处理能力而在地震波阻抗反演中得到了广泛的关注。常规深度学习地震波阻抗反演方法存在对标记数据过于依赖，尤其当训练测井数据不足时存在反演模型局部特征的提取能力下降、精度不足的问题。为此，提出了一种基于空洞空间金字塔池化的U-Net网络（ASPP-UNet）地震波阻抗反演方法，利用金字塔池化方法增强U-Net网络的多尺度特征提取能力，据此利用地震记录数据和少数测井数据构建训练集。为了验证所提方法的有效性，将其应用在Marmousi2和SEAM两种公开测试数据的地震波阻抗反演中，每组测试试验均与CNN、U-Net、Attention-UNet三种深度学习地震波阻抗反演结果进行对比。实验结果均表明，在同等实验条件下，该方法得到的单道波阻抗反演结果高频细节成分更丰富，反演波阻抗剖面在层间及断层处纵向连接平滑；反演结果对标记数据的依赖性低，在远离训练测井位置处信息丢失最少，表现为反演结果剖面的道间横向连续性好，各项统计指标均优于其他三种对比方法。为进一步验证所提方法的可行性，将其应用于四川省东部实际勘探数据地震波阻抗反演，其准确度均优于上述三种对比方法，所得波阻抗剖面与实际地质特征更吻合，波阻抗误差最小。

常规叠后地震数据通常受吸收衰减影响导致主频较低、频带较窄，分辨率低，反演预测效果不佳。因此，为得到保真、保幅的地震数据，提高分辨率，提出一种改进的Q值提取和反Q滤波方法。首先，在Q值提取方面，针对因薄层调谐效应导致提取的子波振幅谱偏离实际情况影响Q值提取精度的问题，引入了完备集成经验模态分解（CEEMDAN）方法，通过对对数振幅谱分解和重构，消除反射系数的干扰，以获得去除调谐效应的子波振幅谱，并结合能量谱质心频移法，获得更高精度的Q值；然后，在反Q滤波方面，优化了时变增益稳定因子法的振幅补偿函数，克服了对密度的依赖性，获得了更稳定的反Q滤波结果。实际资料的处理结果表明，文中方法能够获得保真、保幅的高分辨率叠后地震数据，为研究区的后续勘探开发提供了可靠的资料基础。

在海底节点（OBN）地震勘探中，由于洋流、潮汐、地形变化和渔船拖拽等原因，节点的实际点位和一次定位点位会存在较大误差，需要进行二次定位。为此，提出了一种基于四象限叠加的高精度二次定位方法。首先，在相对坐标系内按方位角将炮点划分为四个象限，并对各象限炮点分别进行线性动校正及共检波点叠加处理；然后，将节点从测量点位到实际点位的位移分解为两个互相垂直的分量，通过分析各象限内炮点共检波点叠加的初至时差求取这两个分量，进而精确定位节点的实际坐标。实际资料应用结果表明，该方法不仅能够实现节点的高精度二次定位，而且四象限叠加策略显著提高了初至波拾取的可靠性，相比传统方法定位精度和效率均更高，具有良好的工程实用价值和推广前景。

全波形反演（Full Wave Inversion，FWI）是目前精度最高的速度场反演技术。FWI采用梯度类局部最优化算法使正演数据和原始数据之间的误差达到最小，从而获得精确的地下速度场。实际资料FWI的成功依赖于原始数据的精细处理和反演策略的慎重选择。文中根据海洋资料的特点，对FWI处理过程中的参数把控和实施策略进行了讨论和实验，提出了海洋资料全波形反演实用技术。具体包括：①使用针对回转波的分频噪声压制技术，重点提高低频回转波的信噪比，同时避免了伤害有效信号；②使用子波调整技术，提高初始子波的准确性，使正演数据和真实数据的误差求取更准确，进而使速度更新梯度的求取也更准确；③利用初至层析反演速度模型进行近海底速度建模，提高初始速度场的准确性，更好地避免了跳周现象，使目标函数的收敛方向更准确，收敛速度更快；④使用炮检距递增策略进行FWI迭代，从浅到深逐步更新速度场，降低FWI的多解性，使FWI速度场收敛更准确。该技术在海洋资料实际项目运作中取得了较好的效果，获得了更准确的速度场和更好的深度偏移成像效果。

三维典型数值模型和模拟对地震处理和解释方法研究具有重要意义，可以检验和测试各种新技术、新方法的有效性。中国西部双复杂探区长期存在地震偏移成像困难、构造难以落实的问题，急需建立代表中国前陆盆地双复杂特征的三维典型模型与正演模拟数据。文中以西部双复杂典型代表的克拉苏地区克深区块为例，综合西部前陆盆地山前带地表、地下典型地质和地球物理特点，充分利用地震深度偏移速度、声波测井、VSP测井、微测井等资料建立了中国西部双复杂典型数值模型（BGP-DC²GModels），包括声波速度模型、各向同性弹性介质模型、TTI/TORT模型、黏滞介质模型，具备复杂近地表、复杂地下构造、高速砾岩扇体、膏盐体、滑脱层（煤层）、Q异常体、各向异性等典型特征。基于该模型，利用谱元法模拟生成了各向同性声波、各向同性弹性波、各向同性黏弹性波、TTI黏弹性波、TORT黏弹性波等5套高质量地面与井中立体观测的正演模拟数据，并对比分析了不同数据的声波逆时偏移、各向异性偏移结果，进一步说明了典型模型和数值模拟数据能够测试和验证采集、处理、解释新方法的有效性。

针对四川盆地龙马溪组页岩储层总有机碳含量（TOC）测井预测中传统模型泛化能力不足的问题，文中系统评估了多种深度学习模型在单井与跨井预测任务中的性能，并优选出适用于不同场景的实用模型。基于龙马溪组三口井（well1、well2、well3）的声波时差、密度和自然伽马测井数据，分别构建了多元线性回归（MLR）、支持向量回归（SVR）、卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）、CNN-BiLSTM、CNN-BiLSTM-Attention混合模型。在单井预测实验中，采用随机划分策略对well1井进行建模与验证，结果显示CNN模型表现最优，其预测集的决定系数R²高达0.9519，表现出优异的局部特征提取能力及抗过拟合性能。为进一步评估模型泛化能力，设计了基于留一井出（LOWO）策略的跨井交叉验证实验。实验结果表明，在跨井预测任务中，CNN-BiLSTM-Attention模型具有最强的泛化性能，其预测集的R²最高达0.9653，平均绝对误差（MAE）和均方根误差（RMSE）分别低至0.131%和0.170%，显著优于其他模型。注意力机制有效融合了CNN提取的局部特征与BiLSTM捕获的序列长期依赖关系，增强了模型对关键信息的聚焦能力及对井间差异的适应能力。文中验证了融合注意力机制的深度学习模型在复杂地质条件下TOC预测中的有效性与鲁棒性，强调了跨井验证在实际应用中的重要性，为页岩气甜点区预测提供了可靠的方法支撑。

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。

济阳坳陷下古生界碳酸盐岩储集空间以裂缝和溶蚀孔为主，储层在纵向和横向上非均质性均很强，导致潜山储层预测难度较大。为此，根据储集空间发育特征及地震反射相关性研究，提出了基于双孔介质模型的潜山内幕地震正演方法，表征了下古生界潜山内幕地震响应特征；同时，研发了基于构造导向滤波的潜山储层预测方法，实现了下古生界潜山有利储层发育区的有效预测。研究结果表明，济阳坳陷下古生界碳酸盐岩储层的发育是引起地震反射异常的主要因素，有效储层段表现出了明显的地震响应异常。构造导向滤波前后的数据残差可以指示主要内幕储层的发育位置。该方法在东营凹陷平南潜山和大王庄潜山的实际应用中取得了良好的效果。

煤层气含量的准确估算在煤层气资源的评价与高效开发中起着至关重要的作用。深部煤层气受多种控制因素和复杂成因机制的影响，目前，基于机器学习的煤层气含量预测方法通常依赖于地震数据或测井数据，未充分考虑深部煤层复杂的地质条件。文中提出了一种煤层含气量智能预测方法，通过多尺度建模与深度融合策略实现多源数据的综合利用。该方法首先从地质、测井和地震数据中提取与煤层气含量相关的多尺度敏感属性或特征；在此基础上，针对相同尺度的数据集，采用贝叶斯超参数优化随机森林算法进行自适应建模，提升模型鲁棒性并避免过拟合；随后通过最小二乘法对各尺度模型的预测结果进行集成，以此构建多尺度随机森林复合模型。利用实际数据对所提出的方法进行验证，并与常规的单尺度随机森林和线性回归方法进行对比，发现所提方法在测试井煤层气含量预测中的平均相对误差分别降低了3.01%和4.94%，表明该方法具有更高的预测精度和更强的泛化能力，可实现煤层气含量空间分布的精确刻画。

地质条件的透明化探测与精确化勘探是制约煤炭安全、高效开采的核心技术瓶颈。煤田地震勘探技术作为解决开采过程中隐蔽致灾地质问题的重要手段，能够提供高精度区域地质构造和成煤结构形态，为煤田开发提供可靠的地质依据。中国煤田地震勘探技术的发展历程可划分为三个阶段：20世纪50年代至70年代初为技术起步阶段；20世纪70年代末至80年代进入数字化发展阶段；20世纪90年代至今则处于推广与应用阶段。经过70余年的积淀与革新，煤田地震勘探技术在煤田地质勘查和采区隐蔽致灾因素的高精度探测等领域取得显著进展，已成为保障煤炭安全、高效开发不可或缺的地质支撑技术。文中结合煤田勘探技术的深入研究和典型工程实践，系统阐述了其在数据采集、处理与解释三个阶段的技术特点和发展现状。面向煤矿地质透明化和智能建设的迫切需求，未来煤田勘探技术的发展将朝着高密度分布式数据采集、智能化数据处理与解释，以及多属性融合技术的运用与创新方向持续发展。

本文主要基于频率域理论分析了激电效应与电磁感应的分离方法及相关施工方法技术，但相关理论及方法技术同样适用于时间域电磁相关问题。电磁法在识别深部目标是否含流体方面具有天然优势，研究高精度储层流体电磁检测技术对油气田勘探开发具有重要意义。基于毛管模型与电化学理论，认为极化电场与流体浓度以及微观电荷迁移和积累密切相关，且具有时间依赖性和频率依赖性。通过电扩散假说和薄膜极化理论，可以解释极化效应的本质。基于麦克斯韦方程组和等效复电阻率模型，导出电磁油气检测的基本公式，进一步分析了相关参数对准确表征油气储层的电性异常，特别是与储层含油气相关的激发极化效应在电磁场振幅和相位曲线的表现。实际工作中需要通过优化收发距、频率等施工参数，有效提取激发极化效应，从而识别油气储层的分布。通过数值模拟分析了激发极化效应在电磁场相位及微分曲线上的特征，与理论数学表征相呼应，提出了适用于储层激发极化效应的数据采集有效参数和临界频率的计算方法。最后，讨论了该方法在流体检测中的适用性，提出了基于特征曲线的施工方法和技术，为电磁法油气检测的实际应用提供了理论支持。

近年来，塔里木盆地柯坪断隆作为油气勘探的重要突破区，其优质烃源岩发育与复杂构造背景形成特殊勘探环境。该区地表地形剧烈起伏与浅层高速岩体形成显著速度差异，叠加多期叠覆断裂系统，导致常规地震成像方法面临静校正误差大、速度建模精度低及构造形态畸变等技术瓶颈。针对柯坪南三维工区地质特征，系统研究了适用于山前带的叠前深度偏移关键技术，主要创新有三项。①浅表层联合建模技术。针对复杂地表观测系统导致的近炮检距数据缺失，创新融合微测井数据与宽方位地震信息构建约束层析反演算法，有效改善浅层速度模型精度，突破传统方法在速度—厚度耦合问题上的局限性。②真地表偏移基准面构建技术。优化地表一致性静校正应用模式，通过高频静校正时差调整建立真实地表高程与偏移基准面的动态匹配机制，显著降低起伏地形对波场延拓的影响，提升陡倾角地层成像的构造保真度。③多尺度速度迭代反演技术。基于构造导向约束发展多方位网格层析方法，通过方位角分级反演策略实现速度场纵向与横向分辨率的协同提升，为深部推覆构造与隐伏断裂系统提供精确的速度模型支撑。实际应用表明，该技术显著改善柯坪南地区深度偏移地震资料成像质量，目标层信噪比与断裂成像清晰度大幅提升，构造形态刻画更加准确，为山前复杂构造带油气勘探提供了有效的技术解决方案，对推动该区勘探进程具有重要实践价值。

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。

传统人工岩屑录井存在无法定量识别岩屑成分、准确进行岩性定名的现场生产技术难题，难以实现岩屑信息的全面精准获取。为此，开发基于录井随钻过程中采集的岩屑图像的岩性智能识别系统。首先，通过建立统一的图像采集和标注标准，使用人工进行系统性样本标注，生成对应的标件；然后，采用深度卷积神经网络算法YOLOv5对样本进行训练、推理和后处理，并添加小目标识别的注意力机制，重点关注Fitness函数调整对目标识别准确性的影响；最后，采用ONNX（Open Neural Network Exchange）模型进行跨平台支持，开发出一套基于岩屑图像的岩性智能识别系统。实际应用表明，该系统能够识别泥岩、砂岩、石灰岩、白云岩、煤和碳质泥岩等6大岩性类别，整体识别正确率达到85%以上；同时该系统能够分析各岩性的成分含量以及砂岩岩屑的磨圆、粒度、分选等特征，实现了岩屑成分特征的准确描述，形成了一种新的岩性识别技术。

微地震监测技术在非常规油气藏开发、矿井灾害监控等领域具有重要应用价值，但其信号易受噪声干扰，导致信噪比低，严重影响后续震源定位及机制反演准确性。针对传统去噪方法，比如互补集合经验模态分解（Complete Ensemble Empirical Mode Decomposition，CEEMD）法和小波模极大值（Wavelet Modulus Maxima，WMM）法，在处理非平稳微震信号时存在的局限性，文中提出融合麻雀优化变分模态分解（Variational Mode Decomposition，VMD）与自适应小波阈值的微震去噪方法，简称SSA-VMD-CC-WT法。首先，利用麻雀优化算法（Sparrow Search Algorithm，SSA）确定VMD算法的关键参数；其次，通过互相关系数（Cross-Correlation Coefficient，CC）筛选有效模态分量，抑制噪声；最后，采用自适应小波阈值（Wavelet Thresholding，WT）法对有效分量二次去噪，降低信号失真。仿真测试表明，SSA-VMD-CC-WT法在强噪声背景下较CEEMD法及WMM法能更精准地分离噪声与有效信号；实际微震资料处理结果显示，该方法在显著压制低频和高频噪声的同时，有效保护了微弱震源信息，提升了数据的可解释性和信噪比。与此同时，相较传统遗传优化算法（Genetic Algorithm，GA），SSA的优化效率更高。

砂体作为一种常见的储集单元，其精确识别与追踪是发现油气田、支撑油气增储上产的关键。现有属性分析和深度学习等方法仍面临边界识别精度低、参数选择复杂、抗噪性差等问题。为此，提出一种基于视觉图像分割基础模型Segment Anything Model(SAM)的提示预测方法，无需模型训练，仅根据目标砂体的边界提示点，即可得到目标砂体边界的精确识别和追踪结果。针对视觉图像分割SAM中的提示编码器在地震剖面上的预测误差，提出一种K维树搜索方法，通过求取提示点到潜在砂体分割块的最短距离确定最优的砂体预测结果。经过实际靶区数据的验证，并与基于U-Net模型在靶区数据的定制化训练的对比，结果显示基于视觉图像分割SAM的砂体追踪方法对于砂体边界的刻画横向变化更丰富，边界与地震振幅变化吻合度更高。

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。

横波速度是地震资料叠前反演与储层评价的重要参数，但由于直接、间接测量方法的技术和成本限制，横波速度获取较困难。因此，提出基于宽度学习的横波速度预测方法。首先，选取合适的测井数据，完成去除噪声、相关性分析等预处理工作；其次，建立包含映射节点和强化节点的宽度学习神经网络结构，完成宽度学习算法流程；最后，选取准噶尔盆地Y工区内Y301、Y302两口典型井的测井数据构建机器学习数据集，设计2组对比实验，并与曲线拟合和深度学习方法对比，验证宽度学习的稳定性及泛化性。实际数据的测试结果表明，基于宽度学习的横波速度预测方法能够在保证预测精度的同时，显著降低训练时间，为横波速度、油气预测和相关储层参数预测提供新的神经网络选择。

四川盆地下寒武统筇竹寺组的地震资料反射能量弱，层间波组特征不明显，断裂刻画不清晰，难以满足优质页岩储层精细预测和水平井轨迹精确设计需求。为此，以Z201井区页岩气三维地震项目为例，提出了四川盆地筇竹寺组深层页岩气高精度地震采集技术。首先，通过采用面向储层叠前反演的观测系统参数优选技术设计观测系统；其次，采用基于贡献度的障碍区物理点智能布设技术提高目的层的覆盖次数均匀性；然后，通过表层速度与岩性约束建模技术，精细刻画工区近地表结构和岩性展布。在筇竹寺组页岩气地震采集中的应用效果表明，该技术能够获得高精度、宽频地震资料，为后续资料高分辨率处理与储层精细描述提供了数据基础。

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。

现有数据传输技术面临编码复杂度高、加密效率不足以及数据压缩受限等挑战，制约了高效安全通信的发展。为解决这些问题，文中提出了一种创新的超低流量数据传输方案——时进制数据脉冲式传输方法。该方法的核心在于结合高精度时间同步和细分技术，并构建了“时进制”理论框架，即利用精确的时间基准作为数据编码基础，通过超大进制表达将信息映射到特定的脉冲时序或相位上，实现数据的脉冲式传递。这种机制显著简化了传统编码过程，并天然增强了数据的保密性（源于时间脉冲的精确同步要求）和压缩潜力（源于信息在时间维度上的高效脉冲编码）。通过实例分析，验证了所提时进制数据脉冲式传输方法在显著提升传输速率、大幅节省通信带宽以及强化信息保密性等方面的优势，充分证明了其在未来高效安全数据传输场景中有广阔的应用前景与巨大的价值。

地震勘探中的多次波压制是一个严重的问题，特别是在海洋勘探中更加突出。研究针对层间多次波的压制发展了一种基于曲波域逆散射级数方法。曲波变换（Curvelet Transform，CT）作为一种多尺度、多方向的变换方法，能够将地震数据稀疏表示，有利于捕捉地震数据的主要特征。将CT与逆散射级数法相结合，首先利用CT将地震数据转换到曲波域，然后通过逆散射级数法在曲波域中预测层间多次波。该方法无需对地下介质建立模型，具有较高的适用性和实用性，而且CT可以将地震数据稀疏表示，从而减少了逆散射级数法的计算量。通过对预测的多次波进行逆CT，将其重建到时空域中，并从原始地震数据中减去，最终得到压制多次波后的有效信号。数值实验结果表明，该方法在保证精度的前提下，不仅显著提高了计算效率，还减少了内存消耗。这项研究为地震数据处理中多次波的压制提供了一种创新的方法，有望在实际地震勘探中发挥重要作用。

在气—水两相流动中，由于气相与水相在井筒内常出现分层或非均匀分布，传统测量仪器在应对不同流型和相分离现象时容易产生较大的测量误差。为克服上述局限性，可采用模块化的多相流传感器组合，如阵列式电容持率仪（CAT）、阵列式电阻率持率仪（RAT）、阵列式涡轮流量仪（SAT）以及阵列式持气率计（GAT），实现灵活配置，从而提升测井系统的适应性与测量效率。尤其是GAT，利用光学传感器在多种工况下进行多次测量，有效提高了测量结果的鲁棒性和分辨率。文中评估了GAT和RAT在不同流量和含水率条件下的持气率测量表现，并采用反距离加权（IDW）算法对测得的持气率分布数据进行插值成像。实验结果表明，GAT在成像效果、测量精度以及低到中等含水率和高流量工况下的适应性方面均优于RAT，为水平井气—水两相流的产出剖面解释提供了重要参考。

地质甜点的精准预测是页岩油气高效勘探开发的核心环节，基于测井数据的页岩油气甜点智能预测对油气开发具有重要意义。在甜点预测领域，传统基于模型的预测方法存在泛化性弱、特征表征不足及误差传递累积等局限性。本文结合新型深度学习框架，旨在通过测井数据实现地质甜点的准确预测。孔隙度（POR）和总有机碳含量（TOC）是地质甜点预测的关键参数，文中建立了测井曲线与两种参数之间的深度学习模型，实现了地质甜点参数的智能预测。首先，构建了卷积神经网络（CNN）模型，通过分析对比不同测井曲线输入组合和不同卷积神经网络层次结构，在测试集上实现了地质甜点（POR+TOC）的高精度预测（相关系数 > 0.96）。其次，创新性地融合卷积神经网络与注意力机制，提出一种复合Transformer架构——CTNet模型，该模型兼具捕捉局部岩性特征与全局层间关联依赖关系的能力。经过数据集验证与测试，CTNet模型在测试集上的相关系数大于0.91。实验表明，CNN模型的整体预测精度高于CTNet模型；然而，CTNet模型在石灰岩层段的预测精度显著优于CNN模型（如GY6-1井石灰岩段，CTNet模型和CNN模型的相关系数分别为0.848和0.300），展现出解决复杂非均质储层预测难题的独特潜力。研究结果表明，所提出的CNN与CTNet深度学习模型均能有效实现页岩油气地质甜点关键参数的高精度预测，为智能勘探提供了新方法。

获取准确的地下速度信息是实现复杂地区地震成像的关键，现有的地震波形反演虽然精度高，但是存在计算量大、依赖初始模型等缺点。目前深度学习技术在各领域发展迅速，在非线性地震反演方面也取得了成功应用，但是常规端到端的深度学习网络难以构建速度参数与地震记录的多尺度物理耦合关系。为了解决以上问题，文中提出一种混合网络AER-UNet。该网络重新组织了编码器与解码器的结构，并在此基础上增加基于注意力机制的跳跃连接模块，能有效获取地震记录中的关键空间信息，提升对速度场细微结构的表征能力，从而精准捕捉地下介质速度参数的有关特征。为了得到速度模型与地震记录之间准确的映射关系，在网络训练阶段需要构建适量的随机速度模型，以模拟地下介质的真实结构。此外，创建新的损失函数，将有助于提高速度建模的计算精度。通过SEG/EAGE推覆体模型数值试验，检测了混合网络速度建模的有效性，与FWI和其他深度学习网络相比，该方法能更加高效、准确地重构地下速度模型。

川东灰岩出露区地下发育高陡构造，常规观测系统方案存在照明不均匀、局部照明能量不足等问题，围绕川东高陡构造高精度地震成像，地震照明分析是高效指导该区地震采集观测系统优化设计的重要方法之一。文中结合川东灰岩出露区地表与地下地质条件，建立了基于地震照明分析的观测系统加密论证技术及流程。通过对灰岩出露区下伏构造加密设计论证，有效提升了地质目标的局部阴影区地震照明能量。首先，利用二维正演模型反向照明分析以确定地面加密范围；然后，通过三维模型正演照明并结合实际地震资料分析，获得适用于川东灰岩出露区的采集观测系统加密方案。技术实施及应用结果均表明，在构造顶部加密接收线可有效改善川东高陡复杂构造区地震成像效果，可获得技术有效、经济可行的观测系统加密方案。

绕射成像是提高地下小尺度地质体成像精度的重要方法，但常规地震勘探主要以反射波成像为主，能量较弱的绕射波被压制，需将绕射波单独分离成像。目前广泛使用的局部阻尼自适应降秩法（Localized Damped Rank-reduction with Adaptively chosen ranks，LDRRA）在自适应选择秩的基础上，通过阻尼算子对保留奇异值矩阵进行阻尼来提高绕射波分离的精度，但其阻尼因子主要依靠人工给定，且所有局部窗口数据均采用该给定的同一阻尼因子。不同的局部窗口包含的地震数据不同，采用相同的阻尼因子会降低绕射波的分离精度。因此，提出一种局部自适应阻尼降秩（Localized Adaptive Damped Rank-reduction，LADRR）绕射波分离方法。首先，在LDRRA基础上，对Hankel化矩阵进行奇异值（SVD）分解，截断奇异值；其次，引入奇异值平方比对每个局部窗口数据自适应计算阻尼因子，选取最优阻尼因子对截断之后的奇异值进行阻尼，保留反射波分量；然后，将阻尼之后的局部窗口数据进行逆Hankel化与傅里叶逆变化，并与原波场相减得到分离之后的绕射波。理论模拟及实际数据的试验结果均表明，该方法分离的绕射波精度高，分离后的绕射波成像结果能更准确地反应地下小尺度地质体的位置。

针对复杂构造精细成像的需求，地面成像和VSP联合成像虽可弥补单一观测方式的照明不足，但仍存在照明不均匀导致的成像能量不均衡或构造形态畸变的问题。因此，提出了井地联合高斯束深度偏移方法。首先，建立井地数据双向波场动态互补机制，通过照明加权因子动态调整不同井地数据的贡献权重，实现井地波场信息的优势互补；其次，引入构造倾角场约束高斯束传播路径，动态调整高斯束初始出射方向与局部地层倾角自适应匹配；最后，在成像叠加阶段引入倾角相关加权函数，抑制非构造方向的散射能量，提升井地联合成像信噪比。理论模型与实际资料的应用结果均表明，井地联合高斯束深度偏移方法的成像效果优于单一地面成像方法，能够有效提高复杂地质构造的成像精度。