收益：
- 能够将自动水平跟踪中的周期跳跃和故障检测中的采集足迹与真实结构区分开来并手动检查
- 了解地震相类别是统计性的，并且能够通过井和沉积环境的知识来理解地质意义。
- 能够通过盲井测试来测试特征组合中的过拟合风险，并根据井数限制特征数量
加工完成；您有一个干净的、迁移的地震体。现在真正的问题开始了：这张图片对地下有什么看法？层界在哪里，断层向哪个方向延伸，哪个区域是砂土，哪个区域是粘土，哪里可能有储层？地震解释是从迁移数据中提取地下结构和沉积（地层）模型的过程。在本单元中，我们将了解人工智能 (AI) 如何在层位和断层跟踪、地震相分类和属性分析方面生成“快速初稿”，但谁来构建地质意义和最终模型。
解释的基石
让我们澄清一下这些术语。地平线是在地震剖面中观察到的连续反射面，通常对应于地质层边界。断层是一个不连续的平面，其中各层发生断裂和移动。它出现在横截面中反射被中断或移动的地方。地震相是具有相似波浪特征（振幅、连续性、结构）的体积区域，通常反映相似的沉积环境。地震属性是从将眼睛引导到某些特征（不连续性、斜率、振幅、频率）的迹线中得出的测量值；例如，相干性/连续性属性突出显示故障，而频谱分解突出显示通道几何形状。
地平线和故障跟踪中的人工智能
手动水平跟踪是指译员逐段追踪反射并标记数千个点——准确但缓慢。基于人工智能的自动跟踪器可以从几个种子点开始并扩展到整个体积；在故障检测中，基于 CNN 的模型（图像模式学习网络）可以标记整个体积的不连续性。这将过去需要数周的手工时间缩短为数小时。
然而，有两个陷阱。首先，自动跟踪器可以循环跳过一个地平线——从一个波峰转移到相邻的波峰；结果是看似光滑但地质上不准确的表面。其次，故障检测器可能会将处理产生的线性噪声（例如，采集足迹）误认为是故障。这就是为什么人工智能生成的每个表面和断层网络都要在交叉点（断层地平线交叉点）和井位进行手动检查。
提示：通过将其覆盖在数据本身上，直观地监视几个关键部分中自动跟踪的地平线。表面在留下强反射并跳到弱峰值的地方跳过了周期；在未手动纠正这些区域的情况下，请勿分散音量。
地震相分类
相分类是根据波浪特征将体积划分为区域的任务。在监督方法中，您可以根据井中已知的岩性分配标签并训练模型；在无监督方法中，模型本身对具有相似特征的区域进行聚类，然后您可以给出地质意义。人工智能在这里提供了很高的速度，但类别是统计相似性，而不是地质事实。模型称为“相3”的区域只有在了解井和沉积环境的情况下才获得类似于“河道砂”的含义。
注意：您提供无监督聚类类的数量；不同数量的类会产生完全不同的地图。不要被锁定在一个集群中；更改类数并测试结果是否保持地质稳定。
特征分析的陷阱：多元关系
人工智能可以结合数十种功能并构建强大的分类器。但试图将大量特征拟合到少量井中会导致过度拟合——模型无法记住训练示例并推广到新数据：地图在井中是完美的，而在井之间毫无意义。规则：保持特征数量与控制数据（井）成比例，并在独立井中测试图谱（盲测）。
三个迷你箱子
案例 1 — Horizon 追踪至小时。 9天内手动标记了900平方公里的主水库层位。 AI追踪器在3小时内从6个种子点铺开表面；审稿人手动修正了14个周期跳过区域。结果：同样的准确度，一天而不是几天。
案例 2 — 将足迹误认为是故障。故障探测器标记了规则的南北线。评论员注意到这些线与采集线间距完全对应：它们不是断层，而是采集足迹。实际的断层与这个规则的图案垂直。当足迹被消除后，断层图就变得有意义了。
案例 3 — 相图过度拟合。使用 22 个特征进行训练的分类器仅使用 5 口井，其准确率达到 98%，但在第六口（盲井）中将砂岩分类为粘土岩。当特征数量减少到 6 并重新训练时，盲井精度从 61% 增加到 88%：该图在各井中也是可靠的。
四个可复制模板
1）属性选择咨询：
您的角色：地震解释专家。我的目标：【河道砂/碳酸盐岩油藏】。我应该使用哪些地震属性（相干性、频谱分解、RMS 振幅、斜率）以及按什么顺序来强调这一目标？每个属性代表什么，它可能产生什么误导模式？简单解释一下。
2）自动水平检测：
我有一个自动跟踪的地平线。给我一份用于检测周期跳跃的清单：在哪些部分，我应该寻找哪些症状（振幅下降，突然深度跳跃），如何确认井带，以及以什么顺序进行校正？
3）相类数测试：
我正在进行无监督相聚类。我尝试了 4,6 和 8 类的数量，结果地图不同。我应该考虑什么标准（簇大小分布、良好兼容性、空间一致性）来评估哪个簇在地质上更平衡？建议决策程序。
4）过拟合控制：
我训练了一个具有 [N] 个特征和 [M] 个井的相分类器。如何衡量过度拟合的风险？如何设置盲井测试，如何根据井数限制属性数量？给出可操作的步骤。
弱提示/强提示
弱提示：
找到该体积中的水库并绘制地图。
《Find》期待一步魔法；人工智能生成的统计地图没有地质背景，无法验证。
强力提示：
您的角色：以油藏为中心的解释专家。背景：河流系统、目标河道砂体、3 口井已知的岩性。任务：（1）建议突出通道几何形状的属性组合； (2)编写无监督聚类提取候选相的步骤； (3) 告诉我如何用 3 个孔和第 4 个盲孔测试每个候选孔。用“候选”语言而不是“地质事实”语言呈现结果。
地质背景、油井控制以及盲测的需求使得产出结果是站得住脚的。
口译任务和人工智能的作用
任务
人工智能贡献
主要风险
验证
地平线追踪
高速
循环跳过
良好的连接，目视截面检查
故障检测
生成候选人
不要将你的足迹误认为是错误
方向/交叉数据控制
相分类
聚类
无意义的阶级
井及沉积环境
属性合并
强烈的区别
过拟合
盲井试验
常见错误
- 无需目视检查即可自动扩展地平线。循环跳跃产生光滑但不准确的表面。
- 将每一个线性模式都误认为是一个错误。采集足迹产生规则的线条，看它的方向。
- 将直接地质意义赋予相类。类别是统计性的；与井有意义。
- 更多属性，更少井数。过度拟合会使地图变成井之间的垃圾。
- 跳过盲测。仅在训练井中测量精度是具有误导性的。
综上所述
人工智能在地震解释中的应用；它将层位/断层跟踪缩短到几个小时，快速聚类相，并强大地组合属性。但每次速度增益都有一个陷阱：周期跳跃、将足迹误认为是故障、无意义的相、过度拟合。人工智能生成统计大纲；他是把草稿变成地质现实的解释者，用井和沉积环境的知识来理解它，用盲测来检验它。最终的地下模式总是由人类建立和捍卫的。
应用任务
选择目标（渠道沙、小苏打等）。使用“属性选择咨询”模板创建属性计划。然后使用“Facies 类计数测试”模板进行无监督聚类，并比较至少两个不同的类计数；写下哪一个在地质上更稳定，以及您将使用哪一个井测试来验证这一点。
清单
- [ ] 我目视检查了关键部分的自动水平并纠正了循环跳跃。
- [ ] 我通过方向和交叉数据将故障候选者与足迹分开。
- [ ]我用井和沉积环境解释了相类。
- [ ] 我根据井的数量限制了属性的数量。
- [ ] 我在盲井中测试了结果。