摘要
沉积相的分布与油气储藏结构的形成有着密不可分的联系，因此地震相作为沉积相的特定反射单元，对地震相的识别是作为判断油气勘探潜力的重要依据。人工解释的方法，结果质量与解释专家的专业水平休戚相关，且效率不高，研究中也存在一定的局限性。面对地学领域海量的数据资源，手动解释开始力不从心。 随着计算机领域的日新月异，深度学习技术也被应用在地震相分析研究中，对提升油气勘探的效率有极大推动作用。但是面临勘探要求不高的情况下提升识别准确度的难题；以及精细度要求更高的任务中，由于数据特征较弱，导致地震微相识别存在困难。解决以上两种难题，需要依靠专家指导，而知识图谱的发展将专家知识量化，实现与深度学习的结合。本文在地震相识别中以深度学习网络为基础，递进利用知识图谱对现有的模型进行改进，提升识别结果准确度。 本文构建了一套地震相知识图谱。基于知识图谱构建技术，并结合地质专家的先验知识和现有的实际资料提供的概念、数据和规律性信息，按照自顶向下的方式，依次构建模式层、数据层，实现规则推理，最终形成一套地震相知识图谱体系。 本文提出一种基于知识图谱嵌入的地震相识别方法，初步利用知识图谱数据层，用于实现地震相识别精度的有效提升。为了突破现有深度学习技术对勘探要求简单的地震相识别壁垒，解决地震相识别中的边缘模糊、随机噪声，分布不合理问题，通过从构建的知识图谱实例化数据层中引入点实体约束和子面实体，有效缓解结果中出现的噪声，利用对目标地震相整体性的控制，提高识别结果边缘的准确度。同时也提出实体关系损失约束方法，利用知识图谱中获取相关地震相的依赖关系，从地学知识角度，进一步控制网络对地震相的分布学习，增强了识别结果的可解释性和可靠性。 本文提出一种知识图谱引导的地震微相识别方法，进一步利用构建的知识图谱数据层和推理规则，用于解决少样本条件下地震微相的识别精度不够问题。由于对地震数据的地震微相解译工作非常复杂，需要依靠大量人力，此方法在小样本条件下充分利用地质资料的原始信息和地学推理信息，初步解决了地震微相反射特征弱以及类别不平衡导致的误分类问题，地震相识别准确度也得到有效提升，并在实际工区数据中取得良好的效果。 本文所提出的方法，将地学知识与地质数据充分融合，突破深度学习技术在一般地震相识别中精确度的提升，有效的解决了地震微相识别问题中网络对地震反射特征提取能力有限的问题，实现对地震相知识图谱从数据层到规则推理的递进利用过程。本文研究方法在实际工区数据和公开数据上对地震相识别结果达到目标效果，有力说明方法在实际应用中具有可行性和有效性。
NETL