本书在概述人工智能与地球物理勘探的基本原理及二者关系的基础上，总结了以深度学习为代表的新一代人工智能技术在地球物理勘探领域中取得的研究进展与核心成果；主要介绍不同人工智能算法在地震资料处理、地震资料解释、地震资料反演和储层流体预测四大类场景中的实现原理及数值模拟数据、物理模拟数据和实际数据的效果分析，并对人工智能地球物理勘探的未来发展方向进行总结与展望。
更多科学出版社服务，请扫码获取。
全国政协委员，国家973首席科学家，油气资源与探测国家重点实验室副主任，中石油物探重点实验室主任，中石化油藏地球物理研究中心主任，等
目录
丛书序
前言
第1章 绪论 1
1.1 地球物理勘探概述 1
1.1.1 油气勘探的基本方法 1
1.1.2 油气勘探的数据特征 3
1.1.3 地震勘探的基本问题 8
1.1.4 地震勘探的发展瓶颈 9
1.2 人工智能地球物理勘探概述 10
1.2.1 人工智能的发展历程 10
1.2.2 人工智能地球物理勘探的基本原理 13
1.2.3 神经网络的数学和物理理解 18
1.2.4 模型驱动与数据驱动的异同 25
参考文献 28
第2章 人工智能地震资料处理 31
2.1 初至拾取 31
2.1.1 研究进展 31
2.1.2 基于滑动窗口的智能初至拾取 34
2.1.3 基于端到端神经网络的初至拾取 42
2.1.4 基于BiLSTM网络回归的初至拾取 51
2.1.5 小结与展望 60
2.2 速度分析 61
2.2.1 研究进展 62
2.2.2 基于无监督聚类的速度分析 65
2.2.3 基于有监督神经网络的速度分析 77
2.2.4 基于多模态神经网络的速度分析 83
2.2.5 小结与展望 102
2.3 高分辨率处理 103
2.3.1 研究进展 103
2.3.2 基于端到端神经网络的高分辨率处理 108
2.3.3 基于双监督神经网络的高分辨率处理 118
2.3.4 基于物理引导神经网络的高分辨率处理 124
2.3.5 小结与展望 131
2.4 提高信噪比处理 132
2.4.1 研究进展 132
2.4.2 基于全连接神经网络的提高信噪比处理 137
2.4.3 基于去噪自编码器的提高信噪比处理 145
2.4.4 基于深度残差网络的提高信噪比处理 152
2.4.5 小结与展望 161
参考文献 162
第3章 人工智能地震资料解释 175
3.1 层位拾取 175
3.1.1 研究进展 175
3.1.2 基于U-Net的层位拾取 178
3.1.3 基于VQVAE的层位拾取 190
3.1.4 多属性智能融合的层位拾取 196
3.1.5 小结与展望 208
3.2 断裂识别 209
3.2.1 研究进展 210
3.2.2 基于主成分分析的断裂识别 212
3.2.3 基于三维多尺度卷积神经网络的断裂识别 219
3.2.4 基于深层聚合神经网络的多属性融合断裂识别 230
3.2.5 小结与展望 240
3.3 孔洞识别 241
3.3.1 研究进展 242
3.3.2 基于多属性制作标签的孔洞识别 243
3.3.3 基于VQVAE的孔洞识别 248
3.3.4 联合U-Net与VQVAE的孔洞识别 250
3.3.5 小结与展望 256
3.4 地震相解释 257
3.4.1 研究进展 257
3.4.2 基于XGBoost有监督学习的地震相解释 260
3.4.3 基于U-Net有监督学习的地震相解释 266
3.4.4 基于半监督学习的地震相解释 272
3.4.5 基于自监督学习的地震相解释 277
3.4.6 小结与展望 281
3.5 盐丘识别 283
3.5.1 研究进展 283
3.5.2 基于随机森林的盐丘识别 285
3.5.3 基于U-Net++的盐丘识别 291
3.5.4 联合CAE与K均值的盐丘识别 297
3.5.5 小结与展望 303
参考文献 304
第4章 人工智能地震资料反演 313
4.1 波阻抗反演 313
4.1.1 研究进展 313
4.1.2 井震联合有监督波阻抗反演 316
4.1.3 井震联合双监督波阻抗反演 325
4.1.4 数据与模型联合驱动波阻抗反演 335
4.1.5 小结与展望 348
4.2 叠前弹性参数反演 349
4.2.1 研究进展 349
4.2.2 基于单监督学习的叠前弹性参数反演 351
4.2.3 基于半监督学习的叠前弹性参数反演 365
4.2.4 基于注意力机制的权重自适应弹性参数反演 373
4.2.5 小结与展望 387
参考文献 389
第5章 人工智能储层流体预测 393
5.1 储层孔隙度预测 393
5.1.1 研究进展 393
5.1.2 井震联合有监督孔隙度预测 397
5.1.3 井震联合半监督孔隙度预测 404
5.1.4 小结与展望 417
5.2 储层流体预测 420
5.2.1 研究进展 420
5.2.2 基于机器学习的有监督含气性预测 423
5.2.3 基于深度学习的有监督含气性预测 432
5.2.4 基于半监督学习的含气性预测 439
5.2.5 基于多任务学习的含气饱和度和波阻抗同时预测 443
5.2.6 小结与展望 457
参考文献 459
书单推荐
