Обзор «Инновации в интерпретации данных сейсморазведки»

Алгоритмический, Интеллектуальный и Вычислительный Авангард
(Обзор создан нейросетью GEMINI)

I. Введение: Парадигмальный Сдвиг в Сейсмической Интерпретации

Современная сейсмическая интерпретация переживает революционный сдвиг, отходя от традиционных методов, основанных на кинематике (лучевой теории), к высокоточным методам волнового моделирования и инверсии. Этот переход обусловлен возрастающими требованиями к количественной характеристике (Quantitative Interpretation, QI) недр, которая необходима для снижения геологических рисков и оптимизации добычи углеводородов. Инновации в этой области опираются на три взаимосвязанных столпа: продвинутая полноволновая инверсия (FWI), широкое внедрение искусственного интеллекта (ИИ) и экспоненциальный рост вычислительных мощностей.

Исторически геофизическая обработка полагалась на методы, такие как миграция и томография, для создания изображений подповерхностного пространства. Однако эти методы часто недостаточны для точной оценки физических свойств коллектора. Современная интерпретация требует высокоточных скоростных и мультипараметрических моделей, что сделало FWI (Full Waveform Inversion) центральной технологией.

Важность обмена научными достижениями в этой быстро развивающейся области подчеркивается ведущими мировыми платформами, такими как Общество геофизиков-разведчиков (SEG) и Европейская ассоциация геоученых и инженеров (EAGE), которые регулярно проводят ключевые конференции и семинары. Кроме того, значимую роль играют специализированные научные журналы, например, российский журнал «Технологии сейсморазведки», который, при поддержке EAGE, теперь издается и на английском языке, обеспечивая глобальный доступ к новейшим методикам и исследованиям в области геофизики и инженерных изысканий.

II. Алгоритмические Прорывы: Эволюция Полноволновой Инверсии (FWI)

A. FWI: Основные Принципы и Преодоление Традиционных Ограничений

Полноволновая инверсия представляет собой продвинутую итеративную методику, цель которой — реконструировать физические параметры подповерхностного пространства с высоким разрешением. Метод основан на прогрессивной минимизации расхождения (data misfit) между наблюдаемыми сейсмическими данными и синтетическими данными, смоделированными с использованием текущей скоростной модели. В контексте FWI модель подповерхностных параметров (m) постоянно возмущается до тех пор, пока разница между смоделированными и наблюдаемыми данными не приблизится к нулю.

Традиционно FWI сталкивалась с рядом серьезных препятствий, которые ограничивали ее применение в реальных условиях. К ним относятся сильная нелинейность задачи, высокие вычислительные затраты и проблема не единственности решения. Кроме того, успешное выполнение FWI требует точной оценки волнового источника (source wavelet), наличия низкочастотных данных и достаточно качественной начальной скоростной модели, чтобы избежать «цикл-скиппинга» (cycle skipping), когда ошибка во времени прихода волн превышает половину периода.

B. Инновации в Целевых Функциях (Objective Functions)

Для повышения робастности и расширения применимости FWI на практике, особенно при работе с реальными, часто несовершенными данными, были разработаны инновационные подходы к целевым функциям. Стандартная FWI основана на прямом измерении расхождения данных, которое сильно зависит от амплитуды и точности источника.

Для решения этих фундаментальных проблем исследователи представили корреляционные и источнико-независимые целевые функции (correlation-based source-independent objective function). Эти новые функции специально разработаны для смягчения неопределенности, связанной с источником, а также для уменьшения зависимости инверсии от амплитуды волнового поля. Значение этой методологической инновации огромно: она существенно повышает практичность FWI в реальных приложениях. Применение таких робастных функций позволяет получать качественные результаты даже в сложных условиях, таких как отсутствие достаточного количества низких частот, использование неточного начального скоростного поля или некорректно оцененного волнового источника.

C. Переход к Мультипараметрической и Динамической Инверсии

1. Упругая FWI (Elastic FWI)

Одним из наиболее значимых прорывов является переход от акустической (скалярной) FWI к упругой (векторной) FWI. Elastic FWI включает в себя физику упругого распространения волн, используя больше информации из сейсмических данных, например, объемные волны (diving waves) и кратные отражения (multiples), для одновременного уточнения скоростной модели и отражающей способности. Это позволяет инвертировать не только скорость продольных волн (Vp), но и скорость поперечных волн (Vs), коэффициент затухания (Q) и параметры анизотропии.

Результатом применения Elastic FWI являются модели Земли с гораздо более высокой точностью. Упругие эффекты становятся доминирующими в сложных геологических средах, таких как границы соль-осадочная порода, карбонатные толщи или в условиях мелководья. Применение этой технологии критически важно для получения беспрецедентной детализации, позволяя проводить как детальную характеристику резервуара, так и выявлять опасные объекты на малых глубинах. Более того, учет истинной упругой природы Земли повышает достоверность определения глубины, раскрывает тонкие особенности резервуара и может выявить скрытые стратиграфические ловушки. Получение точных моделей Vp,Vs,Q и анизотропии позволяет значительно снизить риск бурения, улучшить геологические модели и обнаружить скрытую перспективность.

2. 4D FWI (Временная инверсия)

4D FWI представляет собой динамическую инверсию, фокусирующуюся на изменениях в резервуаре с течением времени. Это достигается путем совместной инверсии данных, полученных в ходе базового и мониторингового сейсмических исследований. Эта методология позволяет напрямую моделировать изменения скорости, вызванные процессами добычи.

Совместная инверсия создает более стабильные и повторяемые модели, которые точно отражают физические изменения, происходящие в резервуаре. Ключевые результаты включают улучшение понимания истощения пластового давления, миграции флюидов и компартментализации, а также обнаружение тонких геомеханических эффектов в окружающих породах. Помимо оптимизации добычи нефти и газа, 4D FWI является незаменимым инструментом для проектов хранения углерода (CCS), поскольку она обеспечивает эффективный мониторинг и гарантирует большую уверенность в эволюции и удержании шлейфа CO2.

Развитие FWI, особенно Elastic FWI, привело к фундаментальному изменению парадигмы: процесс обработки сейсмических данных (imaging) теперь неразрывно связан с количественной интерпретацией (QI). FWI эволюционировала из простого инструмента для построения скоростной модели в инструмент для прямой оценки физических свойств горной породы (Vp,Vs,Q), которые являются основой для дальнейшего геологического моделирования и принятия решений.

Для наглядного представления возможностей современных FWI-методов и их ценности для количественной интерпретации и снижения риска, ниже представлена сравнительная таблица.

Table II.1. Сравнительный Анализ Методов Полного Волнового Поля (FWI)

Метод FWI	Инвертируемые Параметры	Ключевая Физика	Основная Ценность (Интерпретация)
Традиционная (Акустическая) FWI	Vp, (некоторые Vp/ρ)	Акустическая	Высокоточное изображение структур, кинематическая коррекция.
Elastic FWI (Упругая)	Vp, Vs, Q, Анизотропия	Упругая	Детальная характеристика резервуара, идентификация флюидов и литологии, снижение риска бурения.
4D FWI	ΔVp, ΔVs, ΔQ	Упругая/Термодинамическая	Мониторинг динамики резервуара, управление добычей, контроль CO2.

III. Интеграция Искусственного Интеллекта (ИИ) в Рабочий Процесс Интерпретации

A. ИИ для Автоматизации Рутинных и Трудоемких Задач

Внедрение искусственного интеллекта (ИИ) и машинного обучения (МО) кардинально трансформирует сейсмическую интерпретацию, начиная с этапа предварительной обработки. ИИ демонстрирует способность выполнять рутинные, но трудоемкие задачи, такие как автоматическая фазовая корреляция, значительно быстрее и точнее, чем традиционные методы, тем самым улучшая качество исходных данных, подаваемых на инверсию.

Кроме того, МО эффективно применяется для автоматического распознавания образов на сейсмических изображениях. Это включает автоматическое выделение геологических горизонтов, трассировку разломов, и идентификацию сложных структур, таких как соляные тела. Автоматизация структурной интерпретации не только многократно ускоряет картирование, но и снижает субъективность, обеспечивая масштабируемость и объективность получаемых геологических моделей. В результате, время геофизиков-интерпретаторов, которые ранее тратили значительные ресурсы на рутинные операции, высвобождается для фокусировки на высокоуровневых задачах, таких как геомеханика, анализ флюидов и сложная оценка неопределенности, что требует глубокой геологической и физической экспертизы.

B. Глубокое Обучение (Deep Learning) и Сейсмическая Инверсия (DL-FWI)

Глубокое обучение (Deep Learning, DL) используется для решения фундаментальных проблем, присущих классической FWI, прежде всего, сильной нелинейности и высоких вычислительных затрат. МО устанавливает нелинейное отображение между сейсмограммой и параметрами скорости, используя алгоритмы нелинейной оптимизации.

Наиболее значимым направлением является разработка DL-фреймворков, ограниченных новыми целевыми функциями FWI (DL-constrained FWI). В этих подходах, инверсия скорости репараметризируется в обучаемые параметры, интегрированные в структуру, например, автокодировщика (autoencoder). Это позволяет существенно снизить присущую традиционной FWI нелинейность, что является ключевым для достижения сходимости и робастности решения. По сути, глубокое обучение выступает в роли продвинутого регуляризатора: оно накладывает на инвертируемую модель «априорное знание изображения» (deep image prior), сужая огромное пространство поиска параметров в нелинейной задаче FWI до гораздо более управляемого и геологически осмысленного подпространства.

Конкретные архитектуры, такие как AG-ResUnet, демонстрируют высокую эффективность. Они обеспечивают обобщенное и робастное прогнозирование скоростных моделей, сохраняя при этом богатое структурное разрешение. Эксперименты показывают, что такие сети могут превосходить традиционную FWI и другие нейросети, особенно при работе с зашумленными данными и в задачах переноса обучения (transfer learning), что критически важно для практической сейсмической разведки.

C. Предиктивная Аналитика и Характеристика Резервуара

ИИ играет ключевую роль на заключительном этапе — количественной интерпретации и характеристике резервуара. Методы МО эффективно используются для предиктивной аналитики, позволяя прогнозировать важнейшие свойства пластов, включая пористость, проницаемость и флюидное насыщение, на основе комплексного анализа сейсмических данных и априорной геологической информации.

Параллельно происходит усовершенствование существующих геофизических методик. Например, технология анализа зависимости амплитуды от угла падения (AVO-анализ) развивается за счет более точных процедур получения базисных AVO-атрибутов, таких как градиент B и псевдокоэффициент Пуассона dq/q. Комплексирование этих усовершенствованных атрибутов с детальной априорной геолого-геофизической информацией, часто обрабатываемой через ИИ-системы, позволяет получить более надежные диагностические признаки для идентификации флюидов и литологии.

Table III.1. Влияние ИИ/МО на Рабочий Процесс Сейсмической Интерпретации

Этап Рабочего Процесса	Инновация (Метод ИИ/МО)	Ключевой Результат	Снижение Геологического Риска
Обработка данных	Автоматическая фазовая корреляция	Улучшение качества исходных данных, повышение точности	Снижение шума и артефактов.
Структурная Интерпретация	Распознавание образов (выделение разломов, горизонтов)	Ускорение картирования, объективность, масштабируемость	Более точное определение границ и ловушек.
Инверсия Скоростей	DL-constrained FWI (Autoencoder, AG-ResUnet)	Преодоление нелинейности FWI, быстрое получение робастных моделей Vp	Снижение зависимости от качества начальной модели.
Характеристика Резервуара	Предиктивная аналитика	Прогноз пористости, проницаемости, насыщения флюидами	Повышение точности оценки запасов.

IV. Вычислительные Платформы: Движущая Сила Инноваций

A. Роль Высокопроизводительных Вычислений (HPC) и Облачных Технологий

Сложность алгоритмов волнового моделирования, особенно FWI и миграции в обратном времени (RTM), требует колоссальных вычислительных ресурсов. Системы высокопроизводительных вычислений (HPC) являются критически важной основой для обработки петабайтных объемов сейсмических данных. HPC выполняет такие задачи, как кондиционирование данных, снижение шума и миграция, что необходимо для создания точных изображений подповерхностного пространства.

Интеграция HPC с облачными технологиями обеспечивает необходимую масштабируемость и гибкость. Облачные HPC-решения позволяют компаниям быстро получать доступ к ресурсам, необходимым для выполнения ресурсоемких задач FWI и RTM, адаптируя вычислительные мощности под конкретные требования проекта. В перспективе, ожидаемый переход к эре эксаскейла позволит геофизикам выполнять моделирование в тысячи раз быстрее, что откроет путь к получению значительно более высокого разрешения, проведению сложных многофизических симуляций и значительно улучшенной количественной оценке неопределенности.

B. Перспективы Квантовых Вычислений (КВ) в Сейсмической Инверсии

Квантовые вычисления, хотя и находятся на ранней стадии развития, обладают потенциалом для достижения вычислительных скоростей, недоступных для классических суперкомпьютеров, что может совершить революцию в сейсмологии. Большинство ключевых геофизических задач, включая сейсмическую инверсию, формулируются как высокоразмерные проблемы оптимизации, решение которых является интрактабельным для традиционных компьютеров.

Квантовый отжиг (Quantum Annealing) представляет собой специализированный подход в рамках КВ, который особенно эффективен для таких оптимизационных задач. Он использует квантовое туннелирование, чтобы эффективно выходить из локальных минимумов и исследовать сложные энергетические ландшафты.

Недавние исследования продемонстрировали новаторское применение квантовых вычислений для сейсмической инверсии. Была показана возможность инвертировать сейсмические данные для оценки как P-волновых, так и S-волновых импедансов (P- и S-импедансов) из пост- и предстековых данных за один шаг. В ходе эксперимента, инверсия, реализованная с помощью гибридного решателя D-Wave Leap, показала высокую эффективность: модели импедансов, близкие к истинным значениям, были получены за один проход, в то время как симулированный отжиг (классический метод) требовал десяти эпох для достижения сопоставимой точности. При этом общее время инверсии составило всего 4–9 секунд, а вклад квантового процессора (QPU) — всего 0.043–0.085 секунды.

Такое экспоненциальное ускорение при решении высокоразмерных оптимизационных задач позволяет геофизикам перевести количественную оценку неопределенности (UQ) из теоретически возможной в практически реализуемую. Вместо одного дорогостоящего прогона инверсии, КВ открывают путь к выполнению тысяч инверсий в рамках оценки UQ за то же время.

Ожидается, что будущее будет принадлежать гибридным архитектурам, которые объединят мощности классических HPC и квантовых процессоров. Разработка специализированного программного обеспечения, планировщиков заданий и стандартизированных прикладных программных интерфейсов (API) для квантово-усиленных HPC-кластеров станет ключевым направлением развития.

Table IV.1. Сравнительный Анализ Вычислительных Параметров для Инверсии

Параметр	Симулированный Отжиг (Классический)	Квантовый Отжиг (Гибридный D-Wave Leap)
Решаемая Задача	Сейсмическая инверсия импедансов (P и S)	Сейсмическая инверсия импедансов (P и S)
Время/Эффективность	Требует 10 эпох для улучшения точности	Достигает точности за 1 эпоху (4–9 секунд)
Используемые Ресурсы	Классические HPC/GPU	QPU (0.043–0.085 с) + Классический гибридный решатель
Перспектива	Текущий стандарт	Трансформационный потенциал для инверсии в реальном времени

V. Заключение и Стратегические Рекомендации

Современная сейсмическая интерпретация характеризуется синергетическим взаимодействием алгоритмических инноваций (FWI), искусственного интеллекта (DL) и передовых вычислительных платформ (HPC/КВ). Эта интеграция открывает пути к более точной, эффективной и надежной оценке свойств подповерхностного пространства. FWI, особенно в ее упругом и 4D-вариантах, утвердилась как текущий стандарт для получения высокоточных, мультипараметрических скоростных моделей, что напрямую влияет на качество геологического моделирования и управление разработкой.

A. Стратегические Рекомендации для R&D и Оперативного Внедрения

На основе анализа текущих технологических трендов и их потенциального влияния на снижение геологических и операционных рисков, предлагаются следующие стратегические рекомендации:

Приоритизация Elastic и 4D FWI: Рекомендуется немедленное и широкое внедрение упругой и 4D FWI в рабочие процессы для проектов со сложной геологией (субсолевые структуры, карбонаты) и для мониторинга действующих месторождений и хранилищ CO2. Использование мультипараметрических моделей (Vp,Vs,Q, анизотропия) напрямую снижает риск бурения и оптимизирует добычу.
Инвестиции в DL-FWI Фреймворки: Необходимо инвестировать в разработку или приобретение решений DL-constrained FWI. Эти фреймворки, благодаря своей способности преодолевать сильную нелинейность и использовать «априорное знание изображения», значительно повышают робастность инверсии и снижают зависимость от качества начальных скоростных моделей.
Подготовка к Квантовому Переходу: Следует начать пилотные проекты по оценке применимости квантового отжига (Quantum Annealing) для высокоразмерных задач инверсии импедансов. Фокусировка должна быть направлена на разработку гибридных квантово-классических рабочих процессов, что позволит использовать потенциал КВ для инверсии в реальном времени и оценки неопределенности. Использование облачных сервисов HPC/QC для этих пилотных проектов позволит минимизировать начальные капитальные затраты.
Развитие Компетенций в Количественной Интерпретации (QI): Необходимо перефокусировать кадровую экспертизу на высокоуровневую интерпретацию. Это включает в себя комплексирование продвинутых AVO-атрибутов и использование предиктивной аналитики ИИ для прямого прогнозирования свойств коллектора (пористость, проницаемость). Это обеспечивает максимальное извлечение экономической ценности из данных.

Источники

1.Full Waveform Inversion (FWI) - TGS

tgs.com/hubfs/Technical%20Library/Technical%20Library%20Files/industry_insights2020_02_fwi_sep2020.pdf
2.

Deep learning enhanced initial model prediction in elastic FWI: application to marine streamer data - arXiv

arxiv.org/html/2501.12992v1

3.DUG Wave Full Waveform Inversion—Frequently Asked Questions.

dug.com/dug-wave-full-waveform-inversion-frequently-asked-questions

4.Global Events Calendar - SEG.org

seg.org/events/events-calendar

5.Calendar of Events - eage.org

eage.org/events/calendar-of-events

6.Журнал, который издает ИНГГ СО РАН, будет выходить на английском языке