0 引言
断裂构造是地质学研究中的重要组成部分，在地震预测、资源勘探等领域具有重要意义。传统断裂识别依赖人工判读与经验分析，存在效率低、成本高、主观性强等问题，在处理海量数据及复杂断裂系统时局限性突出。塔里木盆地下古生界发育大规模、高复杂度的走滑断裂系统（如哈拉哈塘地区），其平面呈 X 型交切、剖面特征复杂，传统方法难以实现高精度识别，亟需引入新技术方法（如人工智能技术）突破瓶颈。
近年来，人工智能技术在图像识别与模式分析领域的突破为地质勘探提供了新工具。国际上，SEONGMIN等［1］较早验证了人工神经网络在断层识别中的可行性，该方法可以有效克服传统方法的局限性，表现出高效、客观、精度高等几方面优势。随着人工智能技术的迅速发展，国内油田也逐步建立了“数字化转型，智能化发展”的战略［2］，其中，在地震资料解释研究中也逐步开展应用，这些技术为自动化的断裂识别提供了新的可能性。杨午阳等［3］在《智能物探技术的过去、现在与未来》一文中也指出，随着物探领域数据量的指数级增长、硬件算力的高速发展以及不断出现的新深度学习框架，智能物探技术将会被广泛应用，大幅提高了工作效率。国内学者也在正断层等简单断裂类型的智能识别中取得进展［4-5］。但针对哈拉哈塘地区走滑断裂 “地震响应弱、组合复杂” 的特点，现有研究仍存在技术空白。本文研究以该地区奥陶系走滑断裂为对象，引入人工智能技术实现自动化识别，系统验证其优势，为走滑断裂勘探提供支撑。
本文研究在优选、构建 U-Net 深度学习模型基础上，重点提出“地质先验知识的深度融合”“多属性动态优选算法”“构建走滑断裂专属定量评估体系”三大技术方案。提升了主干走滑断裂的辨识度，分支走滑断裂识别精度，也为智能断裂识别的地质有效性提供可量化标准。
1 研究背景
塔里木盆地作为中国西部最大的含油气盆地之一，以其巨大的沉积厚度和复杂多样的地层结构著称。盆地内部呈现出隆坳相间的构造格局［6］，构造发育丰富，其中，盆地中北部划分为塔北隆起带、北部坳陷区、中央隆起带等3个一级构造带，呈近东西延伸；其中，塔北隆起带包括英买力凸起、轮南低凸起、轮台凸起及库尔勒凸起等；北部坳陷区包括满加尔凹陷和阿瓦提断陷2个深洼区，中部的阿满过渡带为坳陷区的一个低隆带；中央隆起带包括塔中隆起、巴楚凸起和古城低凸起等。下古生界奥陶系—寒武系走滑断裂系统尤为活跃，从中央隆起带到塔北隆起带广泛分布，具有延伸长、分区分带等特征。哈拉哈塘油田位于塔北隆起中部的轮南低凸起区，北接轮台凸起，南连阿满过渡带，是塔里木盆地重要的油气成藏区域（图1）。该油田奥陶系广泛分布，资源量超过1.5×108 t，主力含油气层系为中下奥陶统鹰山组（O1-2 y）和上奥陶统一间房组（O3 yj），储集空间主要为受走滑断裂系统及溶蚀作用共同控制形成的岩溶缝洞；烃源岩为下寒武统的玉尔吐斯组泥岩和肖尔布拉克组泥灰岩（图2）。多年勘探开发实践表明，走滑断裂系统对油气成藏具有重要控制作用，在地质研究中具有重要价值。
前期研究成果表明哈拉哈塘地区奥陶系主要发育2组高角度走滑断裂系统：一组呈北北东走向；另一组呈北北西走向。这2组断裂在平面上表现为X型相互交切关系（图1），纵向上向下可延伸到寒武系甚至更老地层或基底，主干走滑断裂无论在平面上还是剖面上，宽度都较大，可达0.5~1 km，在奥陶系内形成了复杂的地下断裂网络。
2 方法原理
2.1 地震数据分析与预处理方法
2.2 深度学习模型架构
为了克服传统地震属性识别走滑断裂不清的问题，本文引入人工智能方法构建和训练预测模型，通过模型训练及深度学习可以优化属性参数的选择，提高属性体提取的准确性和稳定性；也可从大量的地震数据和属性数据集中优选更有效的数据组合子集，通过学习地震数据和属性子集的特征与地质模型之间的关联，计算出断裂识别最佳的数据结果。
2.2.1 CNN局部感知与权值共享机制
深度卷积神经网络在三维地震断层识别中的有效性已被国际广泛验证。AN等［8］研究表明，基于 CNN 的模型可自动捕捉地震数据中的细微反射特征（如振幅突变、连续性中断），其在 3D 地震数据集中的断层识别准确率较传统方法提升 20% 以上。因此，本文研究优选卷积神经网络（CNN）作为核心算法，并结合图像分割技术进行断裂识别。基于U-Net架构的深度学习模型被选为本研究的深度学习模型。卷积人工神经网络（CNN）模型［9］是一种受到生物神经系统启发的模型，通过对数据进行大规模训练，利用支持向量机、集成学习方法可以学习数据集中的关键样本特征，预测新样本的分布、形态特征情况，并提高新样品特征识别的准确性和鲁棒性（不受假象影响）。该模型在手写数字识别、图像识别，目标检测已实现了接近人类水平的识别准确率。其特点包括：
（1）局部感知场：CNN通过局部感知场捕捉图像中的局部特征。每个神经元仅关注输入图像的特定区域，这使得模型能够有效地提取空间信息。每个神经元连接到输入数据的具体区域。感受野的大小和步长决定了模型如何处理不同尺度的特征。
（2）权值共享机制：通过在不同的位置上共享相同的权重参数，CNN显著减少了模型的参数数量。这意味着网络不需要为每个像素单独学习独特的权重，从而降低了计算复杂度和内存消耗。
（3）池化操作：池化（Pooling）是在特征图上进行采样的过程，通常采用最大值池化或平均池化。它不仅减少了数据量，还帮助模型在一定程度上实现对平移不变形的鲁棒性。
对于本文研究，利用卷积神经网络（CNN）的局部感知与权值共享特性，可高效捕捉地震数据中的断裂空间特征，尤其适合处理哈拉哈塘地区复杂的反射模式。
2.2.2 U⁃Net 模型架构设计
基于卷积神经网络（CNN）模型，本文研究设计了一个基于U-Net架构用于断裂识别的深度学习模型。网络结构主要包括编码器（encoder）、解码器（decoder）和跳跃连接模块。具体参数设置如下（图5）：
（1）输入层：接收经过预处理的地震数据（例如前述倾角控制成像预处理地震）和地震属性数据（例如相干、振幅、瞬时频率、最大似然迭代蚂蚁体等地震属性体），输入像素尺寸设置为512×512×1（高度×宽度×通道数）。
（2）编码器：下采样路径由4个卷积层组成，卷积核尺寸为3×3，激活函数类型为修正线性单元（ReLU），4层级的输出尺寸分别为256×256×64→128×128×128→64×64×256→32×32×512，提取数据集中走滑断裂的特征信息。
（3）解码器：上采样路径同样设置4层，进行反卷积操作，4层级的输入尺寸分别为32×32×512→64×64×256→128×128×128→256×256×64，反卷积核尺寸为2×2，逐步恢复512×512×1的空间图像分辨率。
（4）跳跃连接：将编码器和解码器的特征图采用通道拼接方式进行融合，增强模型表达能力。
本文研究在 U-Net 架构上，创新性融入哈拉哈塘走滑断裂的地质先验知识（断裂走向、倾角范围），转化为模型训练的正则化约束。编码器阶段，损失函数加入“方向一致性惩罚项”，当预测走向偏离核心区间±5° 以外时增加损失值；解码器阶段，通过“倾角约束层”过滤不符合5°~30°范围的结果，强制模型聚焦区域地质特征对应的断裂模式，避免噪声干扰产生虚假断裂。
2.3 传统属性与人工智能融合逻辑
2.3.1 传统属性缺陷分析
走滑断裂作为塔里木盆地哈拉哈塘地区奥陶系最重要的一类断裂，在地震剖面中表现出多样性和复杂性，通常表现为地震反射连续性差、振幅突变和频率变化，基于这些反射特征分析，便于指导传统地震属性优选，本文优选主要传统断裂特征属性可以包括行业软件中所有的断裂识别属性（例如振幅、频率、相干、最大似然、蚂蚁追踪等）。
对比地震反射特征及传统属性效果，认为传统地震属性一般受噪声及背景反射干扰严重，难以独立识别走滑断裂（图6）。例如，相干属性是衡量地震数据在时间和空间上的连续性，一般对大断裂有效，信噪比和分辨率相对较低[10-11]，背景存在较多异常纹理[图6(b)]。振幅属性在走滑断裂位置一般为弱能量特征，但地层界面反射也存在弱反射,不能独立识别走滑断裂[图6(c)]。瞬时频率属性反映的是地震波在单位时间内的振动次数，可以用来分析走滑断裂两侧地层的厚度和岩性变化，但也会受资料品质及地层反射的影响，不能突出断裂[图6(d)]。最大似然属性（likelihood）是基于地震相似性属性，利用统计学中最大化概率法对整个三维地震数据体扫描计算数据样点之间的相似性，获得断裂最可能发育位置及概率[12]；蚂蚁追踪属性是通过模拟蚂蚁觅食路径中的信息素标记机制，自动识别并提取三维地震数据中的断裂、裂缝等不同尺度的断裂系统。本文利用最大似然属性迭代蚂蚁追踪成果也显现出一些受杂乱反射背景影响形成的假象断裂线条[图6(e)]。
2.3.2 智能模型对多属性的融合策略
图6显示传统单一属性（如相干、振幅）识别走滑断裂时易受噪声干扰，但不同属性对主干断裂、分支断裂的响应存在互补性。为此，本文提出“多属性动态优选算法”：首先通过统计学方法与机器学习算法对传统特征属性进行筛选和加权，形成最优特征属性数据集输入模型；模型基于 U-Net 架构，通过 “跳跃连接” 对编码器提取的多属性特征进行通道拼接融合，并结合地质家人工断裂标注（如断裂位置、走向、主次关系等）作为监督信号，在训练过程中动态学习不同属性对断裂识别的贡献度——本质是通过标注信息引导模型实现 “隐式权重分配”，最终抑制无关噪声信号，自动强化并生成断裂敏感特征体（即智能识别断裂属性体），提升复杂断裂系统的识别精度。
该多属性融合思路与JING等［13］提出的 MultiURNet 方法逻辑相通，其通过主成分分析（PCA）对多属性体进行预处理，并通过U型残差网络有效提升了不同级次断裂的辨识度。本研究提出的“多属性动态优选算法”虽未直接采用 PCA，但通过动态学习不同属性贡献度实现特征筛选，与 MultiURNet 的多属性融合逻辑具有共通性，均旨在通过属性优化与网络增强提升复杂断裂识别精度。
3 应用验证与评估
3.1 训练数据集
数据来源：训练数据来源于中国石油塔里木油田分公司哈拉哈塘区块连片三维地震资料和满深 4 三维数据。哈拉哈塘区块连片三维地震区位于轮南低凸起，面元25 m×25 m，满覆盖面积为3 900 km2，南北横跨潜山区、顺层岩溶区和断控区，断裂特征对于全盆地具有较好的代表性；满深4三维地震区位于阿满过渡带（断控区），面元25 m×25 m，满覆盖面积为2 470 km2；训练数据集总满覆盖面积为6 370 km²，能够代表走滑断裂在不同沉积类型区的地震特征，能满足训练及验证样本需求。
训练数据集采用监督学习（人工标注断裂特征）和无监督学习（分析数据内在结构）2种算法。CNN 模型通过卷积层提取局部特征、池化层降维、全连接层分类，从地震数据中提取振幅、频率、相干等断裂相关信息，实现精准识别。
为了保证模型的泛化性能，训练模型过程中采用了以下策略。一是建立地质先验知识与深度学习的融合机制，主要是邀请地质专家对地震剖面中的断裂进行标注，作为模型的监督信号，数据标注中，地质专家除标注断裂位置，还将走滑断裂核心特征（如断裂走向、倾角、主—次差异，主干断裂为0.5~1 km 宽）转为结构化标签，强化优势走向提取，提升主干断裂识别权重。这种结构化标签为地质先验知识对模型深度学习提供明确导向。二是采用 k-fold cross-validation 方法评估模型性能，进行交叉验证。
3.1.1 模型训练
训练、验证预测模型主要是通过将数据集划分为训练集和验证集，并多次交叉验证，得到模型的平均性能指标。并进行超参数优化找到最佳的模型参数，可以使用网格搜索、随机搜索等方法进行优化。训练预测模型是利用标注好的样本数据进行参数调整和模型优化的过程。在 TensorFlow 框架下完成模型训练。关键超参数设置如下：学习率：0.001；批量大小：32； epochs：100；损失函数：交叉熵损失（cross-entropy loss）。
3.1.2 模型验证
模型验证是通过预留的测试数据集评估模型性能，主要评价指标包括准确性、精确度、召回率和F1得分等。准确性是衡量模型整体预测结果是否正确的指标；精确度是衡量预测为正例的样本中真正正例的比例；召回率是衡量真正正例与预测正例的比例；F1得分是精确度和召回率的综合指标，这些F1得分为89%。
本文走滑断裂识别模型训练过程中，为评估人工干预对智能模型性能的影响，本研究设计了对比实验，分析纯机器推理和有人工干预指引的差异化：
（2）人工干预指引：通过对训练数据中的断裂走向、倾角、主次进行标注，并作为先验知识输入模型，模型通过“反馈迭代机制”自动调整卷积核的特征提取方向。结果显示，走滑断裂评估F1得分提升至92%，其中准确性为92%，精确度为91%，召回率为93%。剖面显示主干断裂与分支断裂结构特征对比清晰，分辨率提高，杂乱异常得到消除［图7（c）］。表明人工指引能有效弥补纯机器推理在复杂地质特征中的局限性，同时验证了智能模型“学习—反馈”机制的灵活性。
3.1.3 地质专业评估指标
为进一步验证模型在地质场景中的实用性，除传统机器学习指标（如 F1 得分）外，本文研究引入以下地质专业评估指标，构建了走滑断裂专属评估体系：
（1）位置误差：模型预测的断裂位置与实际地质标定位置的直线距离误差均值。
计算方法：通过钻井资料、地震解释层位等地质先验数据，标记已知断裂的真实位置（x₀， y₀），对比模型预测位置（ ， ），计算误差：
结果：研究区走滑断裂的位置误差均值为3.2 m，满足 MAE<5 m的精度要求。
（2）走向/倾角偏差率：模型预测的断裂走向/倾角与地质实测值的偏差在±5°范围内的比例。
计算方法：通过智能模型属性提取断裂几何参数，对比人工解释的走向（θ）和倾角（φ），统计偏差分布：精度偏差在±5°内的样本数/总样本数。
结果：走向精度：91.2%的断裂走向偏差在±5°内；倾角精度：89.5%的断裂倾角偏差在±5°内（表1）。
表1 走向与倾角偏差分布统计Table 1 Distribution statistics of strike and dip angle deviations |
| 偏差范围 | 走向样本数 | 占比/% | 倾角样本数 | 占比/% |
|---|---|---|---|---|
| ±（0°~5°） | 482 | 91.2 | 473 | 89.5 |
| ±（5°~10°） | 42 | 8.0 | 51 | 9.7 |
| >±10° | 4 | 0.8 | 5 | 0.8 |
（3）断裂密度吻合度（R²值）：模型预测的断裂密度与地质统计密度的拟合优度，反映断裂空间分布的吻合程度。
计算方法：将研究区划分为50 m×50 m的网格单元，统计每个单元内的断裂长度，计算得到每个网格单元的密度模型预测值 Dₘ和地质实测值 Dₐ，其中地质实测值来自于地质专家结合蚂蚁体、相干属性手工解释成果。
结果：断裂密度吻合度为 0.89，满足 R² > 0.85 的标准（图8）。
3.2 技术流程成果
基于卷积神经网络（CNN）模型，结合人工提供数据标注、指令及模型智能学习进行参数优选，选择原始地震、相干、振幅、瞬时频率、最大似然属性及蚂蚁追踪属性作为训练模型，以相干、最大似然及蚂蚁追踪属性作为验证模型，最终形成一套“人工智能断裂识别”技术流程；关键步骤包括地震资料预处理、走滑断裂地震反射特征及断裂特征属性提取、构建和训练预测模型、模型评估指标分析等，通过这些步骤的有序组合，可以提高断裂识别的准确性和效率，为地震勘探和地质研究提供重要支持，总体技术过程是以地震预处理为基础，基于地质家在属性体上的断裂标注、智能训练学习优化传统断裂属性参数，优选断裂属性数据集；并人工给予模型断裂地质特征参数（走向、倾向、倾角等）为指引，智能融合多属性数据集形成最终高准确率断裂属性体，详细流程见图9。
4 效果评价与对比分析
4.1 技术识别效果
4.1.1 断裂识别效果
另外，通过所有钻遇走滑断裂的过井剖面分析，识别走滑断裂的纵向样式特征、主次特征，断裂的分段、搭接组合关系均十分明确。走滑断裂发育部位易发生放空漏失，本文通过钻井放空漏失点的标定对比统计，放空漏失点与走滑断裂结果吻合率达到90%以上，位置误差均值<5 m，表明人工智能识别断裂结果与地质实际高度一致（图11）。
图12 哈拉哈塘地区奥陶系人工智能识别断裂对比平面图Fig.12 Planar comparison map of AI-identified faults in Ordovician strata of the Halahatang area |
4.1.2 与商业软件的定量对比
从表2可见，智能模型与Petrel Ant Tracking、PaleoScan 软件识别耗时接近（8 d vs 7 d，7 d），但精度显著更优。智能模型需人工参与训练标注，商业软件则依赖参数反复调试，两者耗时差异源于流程特性。
表2 人工智能模型与商业软件识别性能对比Table 2 Comparison of recognition performance between artificial intelligence models and commercial software |
| 评估指标 | AI 模型 | Petrel Ant Tracking | PaleoScan |
|---|---|---|---|
| 识别耗时/d | 8（含模型训练） | 7 | 7 |
| 主干断裂吻合率/% | 92 | 78 | 81 |
| 分支断裂吻合率/% | 85 | 56 | 63 |
| 位置误差/m | 3.2±1.5 | 8.7±3.2 | 6.5±2.8 |
| 走向偏差±5°占比/% | 91.2 | 68.5 | 72.3 |
| 倾角偏差±5°占比/% | 89.5 | 65.0 | 69.1 |
主干断裂识别：AI模型的吻合率达92%，较Petrel（78%）和PaleoScan（81%）提升超10%，尤其在断裂组合关系（如X型交切）的识别中更完整［图10（c）］。
分支断裂识别：商业软件因受噪声干扰，分支断裂吻合率低于65%，而AI模型通过多属性融合有效抑制噪声，分支吻合率达85%［图8（b）］。
几何精度：AI模型的位置误差（3.2 m）和角度偏差（±5°占比超89%）均接近地质实测精度。商业软件的识别效果无法定量分析，仅为“定性解释”水平。其位置误差和角度偏差的量化结果可直接支撑断裂控储模型的参数设定。
4.2 技术效率效果
对于哈拉哈塘地区，早年进行过多次走滑断裂手工闭合解释，每次用时100 d左右，且解释模式化严重、人为因素造成多次解释结果不一致、对比新井存在不准确情况。本文应用AI人工智能识别，技术人员学习AI原理、测试应用周期为30 d，实际应用单台计算机机时不超过10 d，且预测结果可靠性高，可直接用于地质解释。
4.3 技术稳定性效果
对于人工智能算法重复应用的稳定性，本文利用该智能模型针对哈拉哈塘地区多次运行同一批地震数据，在断裂线的识别和拟合程度上基本一致。该结果表明本文研究所提出的智能识别方法具有良好的稳定性和可靠性。
4.4 方法适用性与局限性分析
4.4.1 模型适用范围
基于研究区数据与效果验证，明确本次的模型主要适用于复杂的走滑断裂体系，尤其对于“高角度（60°~90°）、 X 型走滑断裂” 识别精度最优，但对低角度（<40°）断裂识别精度下降（因训练样本中此类断裂占比极小）；对非走滑断裂的识别需针对非走滑断裂特征重新标注样本。要提高精度，适用地震数据需依赖小面元、高精度三维地震数据（面元≤25 m×25 m，满覆盖次数≥80，PSNR≥30 dB）；若数据分辨率降低（如面元>50 m×50 m），位置误差可能增至5 m以上。
4.4.2 误差来源解析
地质专业评估识别走滑断裂位置误差为3.2 m，剖析误差成因，认为主要来自3个方面：一是数据层面：地震数据分辨率限制（25 m面元，导致宽度<0.3 km的分支断裂边界模糊，贡献约50%的位置误差）。二是模型层面：U-Net架构的跳跃连接对长距离断裂组合关系（如X型交切的整体展布）捕捉不足，导致约30%的角度偏差（主要是分支断裂与主干断裂的交角识别误差）。三是标注层面：地质专家对断裂端点的标注差异（平均±2 m）传递为系统误差，占总误差的20%。
4.4.3 模型可迁移性
基于模型架构与训练逻辑，探讨跨区域 / 跨断裂类型的迁移条件：
跨区域迁移：对其他盆地走滑断裂（如四川盆地川中地区），可复用U-Net主体架构，但需调整 “地质先验约束”（如将“北北东/北北西向”改为目标区域优势走向），并补充500~1 000个当地断裂样本微调（验证显示，微调后吻合率可保持80%以上）。
跨断裂类型迁移：针对正断层/逆断层，需重新构建“断裂特征结构化标签”（如增加“断距”标签权重），并调整损失函数（弱化 “走向惩罚项”，强化 “断距连续性约束”）。试验证实，正断层迁移效果较好，逆断层迁移效果较差，对逆断层的人工智能识别仍需要不断深入研究。
4.4.4 改进方向
结合误差来源与迁移性分析，提出优化路径：
算法层面：引入Transformer模块增强X型走滑断裂组合识别；设计多尺度卷积核（1 m×1 m、3 m×3 m、5 m×5 m）以兼顾主干断裂（宽0.5~1 km）与微分支断裂（宽<0.1 km）。
数据层面：融合成像测井裂缝响应数据，提升垂向识别精度；构建跨盆地训练集（如渤海湾盆地、准噶尔盆地），增强模型泛化能力。
工程层面：开发半监督学习模式，减少50%的人工标注工作量（当前标注占总工时的30%）。
5 结论
本文研究以塔里木盆地哈拉哈塘地区奥陶系走滑断裂为研究对象，通过引入人工智能技术开展断裂识别研究，得出以下结论：
（1）提出了适用于复杂走滑断裂识别的智能识别方法体系：通过将地质先验知识（断裂位置、走向、倾角等）深度融入U⁃Net架构，结合多属性动态优选算法，构建了“数据驱动—地质约束”双轮驱动的智能识别模型，解决了传统纯数据驱动模型在低信噪比、复杂组合断裂场景下易受噪声干扰、识别精度低的问题，实现了对主干断裂、分支断裂及其组合关系的清晰识别，为复杂断裂系统的自动化识别提供了新方法。
（2）建立了走滑断裂识别的专属定量评估体系：首次构建包含位置误差（均值3.2 m）、走向/倾角识别精度（±5°偏差占比超89%）、断裂密度吻合度（R²=0.89）等指标的专属定量评估体系，突破了传统断裂识别“定性解释”的局限，为智能断裂识别结果的地质有效性提供了可量化依据，推动了断裂识别从定性描述向定量化分析的跨越。
（3）验证了 AI 技术在复杂油气藏勘探中的应用价值：对比传统人工解释和商业软件，该AI方法在识别精度（主干断裂吻合率92%、分支断裂吻合率85%）和效率（周期缩短至传统方法的1/3~1/10）上均表现出显著优势，且具有良好的稳定性，证明其可有效支撑复杂走滑断裂控储、成藏等地质研究，为超深层复杂油气藏勘探提供了技术支撑，拓展了人工智能在地质勘探领域的应用边界。
甘公网安备 62010202000678号
