超深水OBN地震数据的人工智能故障预测：提升碳酸盐岩储层中的结构解释能力

《Frontiers in Earth Science》：AI fault prediction for ultra-deepwater OBN seismic data: advancing structural interpretation in carbonate reservoirs

　　摘要
准确解读复杂的断层网络对于超深水区的碳氢化合物勘探至关重要，然而传统的拖曳式 streamer（TS）地震系统经常由于环境噪声和复杂的地形而无法成像细微的断层。本研究开发了一个基于人工智能的断层预测框架，专门针对高保真的海底节点（OBN）地震数据进行了优化。该方法采用结构导向的过滤进行数据处理，并结合了增强型的高分辨率网络（HR-Net），该网络能够自适应地融合多尺度特征，以保持空间分辨率并抑制噪声。随后应用了一个渐进式的后处理工作流程，包括断层增强、骨架化和蚁追踪，以实现3D断层模型的自动生成。在桑托斯盆地盐下碳酸盐储层中的应用表明，这种方法比传统的TS方法表现更好，有效解析了复杂的Y形断层几何形态，并为该地区的已建立的碳酸盐沉积模型提供了可靠的结构支持。这一工作流程将结构解释周期从数月缩短至数小时，提高了地质精度，并降低了海上勘探的钻探风险。

1 引言
全球对碳氢化合物资源需求的增加推动了勘探向超深水区和几何形状复杂的 frontier 环境的扩展（Yang等人，2025；Hu等人，2026）。在这些环境中，精准解读断层网络对于储层特征分析、流体迁移建模和降低钻探风险至关重要（Rose等人，2025）。传统的拖曳式 streamer（TS）地震采集系统在历史上一直被广泛使用。然而，这些系统在深水区域往往表现不佳（Hanafy，2026）。它们狭窄的方位角照射范围、对环境噪声的敏感性以及对复杂海底地形的敏感性共同导致了细微断层结构的成像质量下降（Ye等人，2025；Corradino等人，2021）。传统的结构解释方法，如连贯性和曲率属性，在这些情况下也存在局限性。由于这些方法容易受到随机地震噪声和复杂地层干扰的影响，因此经常产生模糊的断层边界预测。

为了解决这些问题，海底节点（OBN）采集技术在海洋地球物理学中越来越受欢迎（Da Silva等人，2024；Jack等人，2021）。通过在海底直接部署传感器，OBN系统能够提供具有全方位覆盖、宽频带和较高信噪比（SNR）的高保真数据集（Li等人，2025）。最近的研究记录了OBN在大规模超深水作业中的应用，突显了其在海上勘探中的实用性（Cheng S.等人，2023；Chen等人，2023；Liu等人，2024；Ren等人，2024；Wang等人，2026）。OBN数据提供了多尺度成像能力，使地球科学家能够划分主断层与相关次级断层网络之间的关系（Xie等人，2024）。尽管数据质量有所提高，但自动解读复杂的超深水断层系统仍然在分析上具有挑战性（Hu和Xu，2025；Laurenti等人，2024）。使用传统工作流程区分细微的次级断层与其他地质异常仍然非常困难且劳动密集。

因此，深度学习方法越来越多地应用于地震解释（Ul Islam和Wali，2026；Zhang等人，2021；Kazemi，2025；Fernandes等人，2025）。机器学习技术，特别是卷积神经网络（CNNs），在将断层检测视为图像分割任务方面显示出有效性（Wu等人，2019）。大多数当前的深度学习架构依赖于标准的编码器-解码器范式，如U-Net（Alahmadi，2023；Xia等人，2026）。然而，这些模型往往难以处理超深水地震数据典型的复杂空间特征和尺度多样性（Cheng M.等人，2023）。连续的下采样和池化操作经常导致空间信息的丢失，从而降低了微观断层定位所需的几何精度（Gao等人，2022）。

为了克服这种分辨率下降的问题，高分辨率网络（HR-Nets）被开发出来，以在整个特征提取过程中保持高分辨率表示（Wang等人，2021）。然而，现有的网络框架通常缺乏整合预处理和自适应多尺度特征融合机制，这些机制对于充分发挥OBN数据的全方位优势是必要的。为了解决这个问题，我们提出了一个专为OBN地震数据设计的人工智能驱动的断层预测框架。该方法结合了结构导向的过滤进行数据预处理，并使用了增强型HR-Net，后者能够自适应地融合多尺度特征，以保持空间分辨率同时抑制噪声。随后应用了一个渐进式的后处理工作流程，包括断层增强、骨架化和蚁追踪，以实现3D断层模型的自动生成。在桑托斯盆地盐下碳酸盐储层中的应用表明，这种方法比传统的TS方法表现更好。它能够解析复杂的Y形断层几何形态，增加识别的断层数量，并将结构解释周期从数月缩短至数小时，从而提高地质精度并降低海上勘探的钻探风险。

2 OBN地震数据的人工智能断层预测方法
在识别复杂的地质结构时，OBN地震数据具有显著的优势。其高信噪比有效地抑制了深水区域的背景干扰，而其宽带特性支持断层系统的多尺度成像。全方位采集克服了传统TS数据固有的照明限制，使得主断层与相关次级断层之间的空间关系能够被清晰地划分，特别是在深水多层断层系统中。相比之下，传统TS数据受到环境噪声、狭窄方位角采集盲区和复杂海底地形的限制。这些限制降低了断层定位的精度和对复杂地质体的适应性，使得TS数据无法满足超深水地质建模的严格要求。

所提出的方法包括四个阶段，对应于第2.1-2.4节中描述的详细方法（图1）。首先，我们对原始OBN数据应用结构导向的过滤，以减少随机噪声并提高地震信号的连续性。接下来，我们使用改进的HR-Net从预处理的3D地震体积中预测和提取初始断层特征。然后，我们将后处理算法（特别是蚁追踪）应用于人工智能预测的结果。最后，我们处理这些增强后的属性，以智能地提取清晰的断层边界并生成最终的三维断层模型，用于结构解释。与之前依赖连贯性等物理属性的工作流程不同，该框架使用深度学习来映射非线性断层特征。每个组件都解决了OBN地震解释中的特定挑战，同时保持了计算效率和地质精度。

图1 OBN地震数据的人工智能断层预测技术框架。

2.1 基于数据预处理的方法
本研究介绍了一个分步进行的OBN数据预处理框架。工作流程从原始的3D OBN地震体积开始。来自复杂深水环境的背景噪声可能会阻碍细微断层的检测。首先，我们扫描数据以计算地震反射体的局部倾角和方位角。利用从倾角扫描中获得的结构方向，我们应用一个过滤器，沿地震层平滑处理，去除随机噪声的同时保持断层边缘的清晰度。最终输出是一个经过清理的地震体积，具有更高的信噪比和更连续的反射，直接用作人工智能断层预测的输入。因此，这种方法增强了深度学习算法在断层识别过程中的抗噪声能力和定位精度，特别是在复杂的碳酸盐断层系统中表现出色。过滤后的地震剖面显示出更清晰的断层反射特征和改善的事件连续性，为准确成像和定位次级断层提供了高质量的数据基础。

2.2 基于人工智能断层预测的方法
将地质体预测视为语义分割问题，使得端到端的CNNs得以应用。本研究基于OBN数据开发了一个人工智能断层预测框架，使用改进的HR-Net作为核心架构（图2）（Yang等人，2022；Saxena等人，2021；Souza等人，2019）。与传统网络不同，这种HR-Net并行而不是顺序地组织细粒度和粗粒度特征。该模型利用低级特征来优化同一深度的高级特征。这种多尺度融合有助于网络保持识别小型断层结构所需的高空间分辨率。

图2 增强型HR-Net模型的机制。
传统的编码器-解码器范式，如传统的U-Net，由于连续的下采样和池化操作，经常会导致空间信息丢失。改进的HR-Net通过在特征提取过程中保持高分辨率表示来缓解这一问题。该架构依赖于并行的高分辨率特征流和自适应的多尺度融合机制。通过跨多个分辨率路径持续交换信息，网络保留了细微微断层的几何边界，同时捕捉了更广泛的地震特征。这种设计防止了分辨率下降，使其适合于解析复杂OBN数据集中的多尺度断层网络。

为了解决超深水场景中标记数据有限的问题，数据集将合成地震图与实际地震数据相结合，并按8:2的比例分为训练集和验证集。通过将断层标签与合成地震图相结合并进行数据增强，训练数据的规模和多样性得到了提升。随机参数控制了建模断层的大小、形状和分布。这些合成模型经过迭代验证并与实际地震数据进行了调整，以确保结构准确性。为了准备深度学习的地震体积，原始的合成地震图（1,500条测线×1,500条横线×2,500毫秒）被裁剪成96×96×96的单位块。这种块大小确保每个样本都能捕捉到完整的断层形态或复杂的断层组合。地面真实标签为断层位置赋值为1，为背景特征赋值为0。精细解释的现场数据，反映了多样化的局部断层解释风格，提供了带有相应标签的实际断层样本数据集，同样被裁剪成单位大小的数据集。图3展示了生成的断层样本及其对应的标签示例。

图3 断层样本（a）和标签（b）。
使用叠后地震数据作为输入，模型输出一个二进制属性体积，其值为0或1，代表结构概率。四尺度架构通过最大池化和最近邻插值进行下采样和上采样来融合多尺度特征。每个尺度的卷积层由多个块组成，核的数量逐步增加：分别为第一到第四尺度16、32、64和512个核。每个卷积块执行3×3×3的卷积操作，随后进行批量归一化和Leaky-ReLU激活函数（α=0.2）。这种结构设计捕捉了细微的地质细节，如清晰的断层边缘和微断层系统，同时通过自适应加权融合抑制了噪声干扰。
训练进行了200个周期，批量大小为2，使用Adam优化器（学习率=0.001）（Kingma和Ba，2014）。为了解决断层像素和非断层像素之间的严重类别不平衡问题，使用了平衡的交叉熵损失函数LL（方程1）（Liu等人，2023）。

L=?βN∑i=0yilog(pi)?(1?β)N∑i=0(1?yi)log(1?pi)
L=?β∑i=0Nyi?logpi?1?β∑i=0N1?yilog1?pi(1)
(1)
在方程中，β=N∑i=0(1?yi)/N，β=∑i=0N1?yi/N表示非断层像素与总像素数的比例。yi是地面真实的二进制标签，NN是输入数据中的总像素数，pi是预测概率。损失曲线的观察表明，训练和验证损失同步下降并收敛到接近0.02，证实了成功的学习过程且没有严重过拟合（图4）。

图4 训练集和验证集的损失曲线。

2.3 基于断层增强解释的方法
为了细化来自人工智能预测的断层特征，应用了一个渐进式的三阶段数据处理工作流程——断层增强、骨架化和蚁追踪。使用人工智能断层属性作为输入，该方法提取了精确的断层特征，这对于划分复杂的断层系统（如走滑断层和逆冲推覆构造）特别有用。
在断层增强阶段，专门的过滤算法突出显示断层边缘和不连续性，同时抑制背景噪声。这生成了一个强调断层、不整合和其他与倾斜反射体平行的不连续特征的断层概率体积，从而提高了断层特征的对比度。这种处理使断层特征更加明显，并减少了传统地震属性中常见的“双边缘”效应（图5）。

图5 (a) 断层增强前的蚁属性；(b) 断层增强后的蚁属性。
骨架化通过将增强的断层特征简化为单像素宽度的骨架来简化数据。这去除了冗余信息，并明确了断层的空间分布。最后，蚁追踪算法沿结构轨迹连接孤立的断点，形成连续的断层曲线。在地震数据质量较差的区域，这一步骤依赖于概率模型来推断潜在的断层走向和趋势。
这个三阶段处理流程利用人工智能属性放大微弱的断层信号，通过骨架化划分断层几何形态，并产生高分辨率的蚁追踪切片。这种组合描绘了断层的平面延伸及其复杂的交叉关系。

2.4 基于智能断层提取的方法
本研究开发了一个自动化的OBN数据断层提取系统。利用人工智能模型生成的断层属性体积，该系统构建了三维断层模型。该系统利用3D可视化技术进行体积雕塑和多维渲染，展示了主要断层、次级断层和微小断层的空间配置，并突出了不同方向的断层组合。它为OBN地震数据提供了全周期的AI断层预测解决方案，通过智能3D断层生成整合了数据预处理过程。其优化的计算架构提高了海上勘探效率，将解释周期从数月缩短至数周。深度学习算法能够在复杂构造带实现高精度断层定位，支持井位选型和水库建模决策。在巴西桑托斯盆地的超深水应用中，该系统有效解决了盐下区域的断层检测难题，证明了其效率和成本效益。

本研究聚焦于巴西桑托斯盆地的S油田，该油田是一个具有复杂断层系统的代表性超深前盐碳酸盐储层（图6）。测试数据来自S油田的下白垩统地层，这些地层中的微生物岩储层主要受溶解作用影响（Azerêdo等人，2021；Mendes等人，2022；Almeid等人，2022）。先前的研究表明，Y形断层是该地区断层网络的典型特征。这些断层具有不规则的形态和弱的局部地震响应。调查区域面积约为200平方公里，主要3D地震测线长度约为1000米，每条测线包含约4500MB的数据。

桑托斯盆地中，强烈的盐下遮蔽效应使得前盐碳酸盐地震数据的解释变得复杂。断层系统控制着地质构造、沉积作用和油气藏的形成，但其复杂性导致微小断层难以识别，从而造成解释结果模糊。这些挑战因深水勘探的时间限制而进一步加剧。因此，使用OBN地震数据并结合自动化技术来识别复杂断层系统变得至关重要。

3.1 AI断层预测中的数据预处理
为了解决S油田的地震成像难题，进行了OBN地震探测。在结构导向滤波后对OBN数据应用AI断层预测，可以改善Y形断层的结构成像效果。滤波算法抑制了断层附近的散射噪声以及与地层方向无关的相干干扰。在典型案例中，主断层与分支断层之间的空间关系得到了准确定位。断层反射信号的能量聚焦得到改善，事件更加清晰，从而解析了微小断层的模糊成像问题。这种预处理机制增强了结构导向特征，使深度学习模型能够捕捉Y形断层系统的几何形态和运动学关联性，为复杂断层带的定量分析提供了可靠的基础（图7）。

3.2 AI断层预测中的融合属性
基于AI的断层解释方法将解释时间从数周缩短至数小时。这种效率提升伴随着识别准确性的提高，减少了人工解释的主观性，同时保持了地质结构描述的一致性。这种方法的主要优势在于能够解决结构上的不确定性。如图8所示，人工解释往往难以区分正断层和逆断层。相比之下，所提出的AI框架能够确定断层的运动学特征，在之前模糊的区域确认了正断层的存在。定量分析显示，模型将目标区域内识别出的断层数量从54个增加到105个。

3.3 HR-Net模型的分割性能评估
使用独立测试数据集计算了标准指标（包括精确度和交并比IoU），结果表明该模型的精确度为0.754，结构IoU为0.623。这些指标证实了可视化解释的准确性，表明自适应特征融合机制能够捕捉细微的微小断层网络，同时抑制了背景噪声。高质量的断层成像主要得益于OBN数据的全方位覆盖和高信噪比。AI模型的贡献在于比人工解释更高效地提取了这些细微特征。该框架通过融合多维数据解决了复杂地质系统中的解释难题，将蚂蚁追踪体积与曲率体积融合在一起。最初，曲率体积作为背景数据使用，其中高价值的部分（代表大尺度和中等尺度的断层）被提取并整合到曲率体积中，生成断层融合属性（图9）。

在以NE方向为主导的断层中，生成的融合属性能够识别细微的裂缝。通过结构重建和多尺度分析，模型描绘了断层交点，实现了精确的断层网络映射。这揭示了不同尺度和方向上的断层特征，增加了识别出的断层数量。这些对断层敏感的属性的可视化突出了多尺度断层的空间分布和组合模式，为断层解释提供了依据。分析显示，大多数断层呈NE走向。在该网络中，一些断层分叉成多个分支，众多微小断层汇聚形成主要断层平面。在研究区域的北部和南部，断层带发育较为密集，而中部区域的断层分布相对稀疏。这些解释结果有助于识别复杂的构造特征，特别是Y形断层系统和梳状结构。

3.4 AI断层预测中的断层增强解释
对初步的深度学习预测结果应用了顺序断层增强工作流程以进一步细化结构细节。如图10所示，该方法改进了复杂区域内微小断层的识别和连通性。在AI断层属性体积的初步处理过程中（图10a），专用算法增强了断层边缘和不连续性，抑制了背景噪声并突出了主要断层特征。骨架化（图10b）将体积表达细化为单像素宽度的骨架，消除了冗余的侧向响应，以隔离断层系统的核心结构。最后，蚂蚁追踪算法（图10c）自动连接骨架化的断层段。在地震数据质量较差的区域，该算法使用概率模型来推断断层在不连续区域中的传播路径。这种增强方法提高了最终解释的整体准确性和空间连续性。

3.5 AI断层预测中的智能断层提取
在断层识别之后，自动化提取工作流程从衍生的属性中生成3D断层面。3D可视化技术对这些属性进行空间雕塑，揭示了不同尺度和方向上的断层组合。这种多维方法便于分析断层系统内的整体变形特征。如图11所示，该技术可以在碳酸盐地层等复杂地质环境中对断层网络进行3D解剖。它使研究人员能够分析结构参数，包括几何形态、位移传递模式和区域构造应力场的空间分布。

为了地质验证AI预测的断层结构，将结果与区域构造模型进行了交叉参考。分析表明，基底断层作用、局部沉降和构造抬升主要控制了下白垩统的碳酸盐沉积和区域构造演化。模型提取的断层连续性和位移模式与各个演化阶段的沉积特征相符。预测的断层几何形态结构上支持两种已建立的碳酸盐沉积模型：孤立碳酸盐平台（晚期裂谷和沉降阶段）和浅礁复合体（沉降阶段）。这种地质一致性为前盐油气勘探和水库预测建立了可靠的结构框架。

3.6 OBN与TS地震数据在AI断层预测中的比较
为了评估AI断层预测工作流程，使用传统的TS地震数据和OBN数据进行了对比分析。如对比剖面（图12）所示，基于TS地震数据的断层解释（图12a）显示出较高的不确定性，表现为断层平面成像不佳和断层延伸不明确。相比之下，应用于OBN地震数据的AI预测（图12b）在断层位置展现了清晰的结构位移。这种改进在目标层断层图中也有体现（图13）。虽然TS数据导致结构解释碎片化（图13a），但OBN数据提供了更高的成像清晰度（图13b）。基于OBN的AI预测提高了成像质量，使更多微小断层得以识别。这一比较表明，结合OBN数据和AI断层识别算法可以克服传统流线数据的成像限制，提供更准确和地质上一致的构造解释。

尽管所提出的框架在桑托斯盆地的数据上表现良好，但由于区域构造条件的内在变异性（Quesada等人，2025；Xiao等人，2025；Trinidad等人，2023），其泛化到其他地质环境仍需验证。处理大规模3D OBN数据的高计算成本也阻碍了改进后的HR-Net与标准基线模型（如U-Net和ResNet，Li等人，2023；Gui等人，2024）之间的定量比较。基准测试仍然有必要，以全面了解所提出网络的架构优势。此外，虽然当前方法增加了识别出的断层数量，但断层几何形状的全面统计验证（包括长度和方向）尚未完成。后续研究将分析这些统计分布，并结合可解释的人工智能（XAI）方法来提高模型决策过程的可解释性。

4. 结论
本研究开发了一种适用于超深水环境中OBN地震数据的AI断层预测框架。通过结合结构导向滤波和增强的HR-Net，该方法能够适应性地融合多尺度信息，保留高分辨率的空间特征并提高抗噪声能力。断层增强、骨架化和蚂蚁追踪的渐进式后处理工作流程自动化了3D断层模型的生成。在桑托斯盆地的前盐碳酸盐储层中的应用表明，该方法优于传统的TS方法。它清晰地揭示了复杂的Y形断层系统，并将识别出的断层数量从54个增加到105个，证明了其在管理地震噪声的同时提取先前未解决的微小断层的能力。该方法将传统地震处理与深度学习相结合，提高了海上勘探效率。利用OBN数据的全方位覆盖和高信噪比，解决了传统流线数据的成像限制，将结构解释周期从数月缩短至数周。这种效率和由此产生的地质准确性有助于水库特征描述、流体迁移建模和钻井风险缓解。然而，由于超深水断层系统的地质异质性，该研究仍存在局限性。解决由构造和地层变异引起的领域差异仍具有挑战性。模型目前依赖基于局部速度异常特征的动态权重调整，这可能会限制其在未表征盆地的应用。未来的工作将致力于开发无监督架构，以提高跨盆地泛化能力并减少对标记数据集的依赖。将该HR-Net框架与多物理场地球物理数据结合，可以促进区域构造应力场的表征，并推进深水勘探中的自动结构分析。