Research on intelligent interpretation of horizon and seismic facies by combining multi-attribute and Transformer

The accuracy and efficiency of horizon picking and seismic facies classification are crucial for seismic inversion and reservoir interpretation. Traditional methods face challenges including dependence on expert experience, low computational efficiency, and difficulty handling increasing data volumes and complex structural features. This research explores deep learning applications in seismic interpretation through two novel Transformer-based models. We propose EDiformer (Ensemble Dense Inception Transformer) for multi-attribute integrated horizon picking. The model employs SHAP analysis for seismic attribute selection and constructs specialized Mixer attention mechanisms combined with residual convolutional networks. An ensemble learning framework integrates multiple base learners to enhance training stability and prediction accuracy, while patch processing technology improves lateral continuity of predicted horizons. For seismic facies classification, we develop LIVAT (Label Integrated VMD Augmented Transformer), a time-series Transformer that addresses non-stationary sequence data challenges. LIVAT utilizes Variational Mode Decomposition (VMD) to decompose seismic data into intrinsic mode functions, expanding training datasets and alleviating data scarcity issues. Prior knowledge is directly embedded into the encoding phase to guide attention mechanisms, while a pseudo-label generation framework enhances generalization across different working areas. Validation on Netherlands F3 and New Zealand Parihaka datasets demonstrates significant improvements. EDiformer achieves F1 scores exceeding 0.99 for most horizons and SSIM scores up to 0.986, substantially outperforming traditional CNN methods. LIVAT attains MIoU of 0.953, compared to 0.851 for standard Transformers and 0.575 for BiLSTM networks. These methods provide effective solutions for automated seismic interpretation tasks.

L'accuratezza e l'efficienza del riconoscimento degli orizzonti e della classificazione delle facies sismiche sono cruciali per l'inversione sismica e l'interpretazione dei giacimenti. I metodi tradizionali affrontano sfide che includono la dipendenza dall'esperienza degli esperti, bassa efficienza computazionale e difficoltà nel gestire volumi di dati crescenti e caratteristiche strutturali complesse. Questa ricerca esplora le applicazioni del deep learning nell'interpretazione sismica attraverso due modelli innovativi basati su Transformer. Proponiamo EDiformer (Ensemble Dense Inception Transformer) per il riconoscimento integrato di orizzonti multi-attributo. Il modello impiega l'analisi SHAP per la selezione degli attributi sismici e costruisce meccanismi di attenzione Mixer specializzati combinati con reti convoluzionali residuali. Un framework di apprendimento ensemble integra più apprenditori di base per migliorare la stabilità dell'addestramento e l'accuratezza delle previsioni, mentre la tecnologia di elaborazione a patch migliora la continuità laterale degli orizzonti predetti. Per la classificazione delle facies sismiche, sviluppiamo LIVAT (Label Integrated VMD Augmented Transformer), un Transformer per serie temporali che affronta le sfide dei dati sequenziali non stazionari. LIVAT utilizza la Decomposizione in Modi Variazionali (VMD) per decomporre i dati sismici in funzioni di modo intrinseche, espandendo i dataset di addestramento e alleviando i problemi di scarsità di dati. La conoscenza pregressa viene direttamente incorporata nella fase di codifica per guidare i meccanismi di attenzione, mentre un framework di generazione di pseudo-etichette migliora la generalizzazione tra diverse aree di lavoro. La validazione sui dataset Netherlands F3 e New Zealand Parihaka dimostra miglioramenti significativi. EDiformer raggiunge punteggi F1 superiori a 0,99 per la maggior parte degli orizzonti e punteggi SSIM fino a 0,986, superando sostanzialmente i metodi CNN tradizionali. LIVAT ottiene un MIoU di 0,953, rispetto a 0,851 per i Transformer standard e 0,575 per le reti BiLSTM. Questi metodi forniscono soluzioni efficaci per compiti di interpretazione sismica automatizzata.