深水砂岩含游离气储层是南海南部重要的储层类型。由于地层的含气性，在地震记录上表现出局部振幅剧烈衰减和相位畸变，严重降低成像质量。因此从地震数据上准确识别并圈定含气储层对应的强衰减带，意义重大并充满挑战。这种含气介质衰减性质通常用品质因子Q来定量描述。介质含气性显著对应着强衰减（Q值呈显著低异常），这也表明Q值可作为一种可解释的地震属性，来表征地层的含气性和流体充注情况。在地震数据处理和反演过程中，应考虑这种Q效应并进行适当补偿，以更好地恢复介质的弹性参数。在时间域或深度域建立高分辨率的Q值模型，除了为各种衰减补偿方法提供更准确的定量化补偿依据外，特别当存在强衰减时，这种Q值模型本身就具有很强的解释意义。在地震剖面上，Q值低异常通常指示气云团、带的存在。因此，利用反射地震资料较准确的圈定Q值低异常范围对Q值建模具有重要实际意义，可为含气性预测提供敏感信息，为吸收衰减补偿提供物理依据。
针对上述实际问题，地质力学所张浩副研究员与合作者研究利用卷积神经网络方法，从三维深度域成像地震数据中利用含气带强衰减的地震反射特征，将含气构造识别定义为一个分类问题，结合人工解释的气云带标签数据，通过网络训练与预测，识别出数据中含气带即强衰减区的空间分布范围。通过对这些空间分布函数赋予典型的Q值，完成Q值建模和补偿吸收衰减的地震成像。图1展示了预测含气带的卷积神经网络结构与网络参数。图2展示了卷积神经网络经训练后在三维海洋成像数据中预测出的强衰减含气带的分布范围结果。图3展示了应用该方法辅助建立的深度域Q值模型与补偿吸收衰减成像的结果。
该成果发表于国际权威地球科学期刊《IEEE Geoscience and Remote Sensing Letters》上，影响因子5.34。感谢自然科学基金“基于卷积神经网络的地震深度域成像Q值估计方法研究（41804129）”对本研究的资助。
Zhang, H., Han, J.G., Li, Z.X., Zhang, H., 2022. Extracting Q Anomalies from Marine Reflection Seismic Data Using Deep Learning. IEEE Geoscience and Remote Sensing Letters, 19(1), 1-5. DOI：10.1109/LGRS.2020.3048171
原文链接： https://ieeexplore.ieee.org/document/9325536/
图1 用于预测含气带的卷积神经网络结构与网络参数
图2 基于深度卷积神经网络方法，利用在成像域地震数据上结合构造，波形与频率对强衰减含气构造人工解释作为标签数据，使用数据驱动的方法从深度成像域海洋三维地震数据里预测出强衰减含气带分布区域范围函数，并与地震剖面与切片叠合显示。
图3 利用深度学习识别出的含气构造分布函数辅助建立的深度域Q值模型，利用该关键参数实现了补偿吸收衰减的深度偏移成像，受含气构造影响的成像区域得到补偿，分辨率显著提高
