AI辅助地震解释工具包用于隐式地质建模，在荷兰两个三维地震数据体完成示范
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载隐式建模对数据的要求
隐式建模与相对地质时间这两类地质建模技术，能够带来更高效、更快速、偏见更少且可重复性更强的建模结果。不过要让它们发挥出理想效果，前提是输入数据必须足够充分，并且受到良好的约束。围绕这一需求，相关研究在 Horizon Europe GO-Forward 与 MOOI WarmingUP GOO 两个项目的框架下展开，目标指向同一件事：为隐式建模提速。研究团队把机器学习方法拿来做测试并落地成一套工具包，处理对象是陆上地震数据，深度覆盖范围从浅层一直延伸到约 300 至 3500 米。这套工具包要解决的问题，是在这个深度区间内快速完成对地震数据中层位与断层的刻画。
先降噪再解释层位断层
整个流程分两步走。第一步针对信号本身，采用自监督与半监督对比学习卷积神经网络这类人工智能技术，做噪声压制与插值，让地震数据的质量先提上来。第二步才进入解释环节，对层位和断层进行识别，特点是尽可能少地依赖人工生成的训练数据，走的是半监督乃至自监督的路线。把这两步串起来，工具包让上述算法能够在一个顺畅的工作流中被调用。作为首次演示，研究者在 Leeuwarden 与 Waalwijk 两个三维地震数据体中，对荷兰 Maassluis 组的顶部进行了层位解释。这一演示说明，人工智能辅助的解释流程已经成熟到可以嵌入实际的地质建模与决策过程。
论文体量与获取方式
这篇论文共 17 页，配有 19 张图，作者为 Stefan Carpentier、Jan Diederik van Wees、Eva de Boever、Jan Niederau、Camille Chapeland、Suzanne Atkins、Boris Boullenger 与 Jens Wollenweber 共八人。论文提交于 2026 年 10 月 7 日，学科分类涉及地球物理、人工智能与机器学习，编号为 arXiv:2610.09871，当前版本为 v1，DOI 通过 DataCite 发放且尚待注册。对关注地质建模与地震解释的读者来说，这套流程的意义在于把原本依赖大量人工约束的环节，部分交给了可复用的算法，从而在效率与结果一致性上提供了新的选择。
为什么值得看
展示了自监督学习在地震去噪与层位断层解释中的落地路径，对地质建模与地球物理 AI 应用者可直接参考。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。