Выпуск: 1 , Том: 10 , Год издания: 2025

Введение. Метод анализа и инверсии поверхностных волн (SWI) эффективен для построения скоростной модели верхней части геологического разреза (ВЧР), обладая высокой помехоустойчивостью и не требуя специализированной системы наблюдения. Однако ручное извлечение дисперсионных характеристик поверхностных волн, необходимость настройки обратных операторов делает SWI трудоемким и непрактичным при обработке больших объемов данных. Разработка алгоритмов извлечения дисперсионных кривых и их инверсии на основе методов глубокого машинного обучения позволяет автоматизировать SWI с существенным ускорением всех его этапов, решая проблему субъективности ручной обработки и высоких требований к вычислительным ресурсам. Цель. Ускорение и автоматизация построения скоростной модели ВЧР в ходе обработки сейсморазведочных данных по методу SWI с использованием нейронных сетей глубокого обучения. Материалы и методы. Для ускорения и автоматизации метода SWI применяется глубокое машинное обучение: сверточная модель типа автоэнкодер и полносвязанная нейронная сеть. Тестирование разработанных алгоритмов выполняется на синтетических данных сейсморазведки, рассчитанных методом матричного пропагатора. Для апробации метода SWI используются полевые данные наземной сейсморазведки. Результаты. Разработанные архитектуры нейронных сетей обеспечивают высокую точность автоматического извлечения и инверсии дисперсионных кривых поверхностных волн. Средние абсолютные процентные ошибки составили 1 % для извлеченных кривых и 5 % для восстановленных скоростных моделей на тестовом наборе данных. Разработанные алгоритмы применены для автоматизированного построения модели ВЧР по реальным сейсморазведочным данным нефтегазового месторождения в Западной Сибири. Заключение. Комплекс разработанных алгоритмов на основе обученных нейронных сетей представляет собой новую эффективную реализацию метода SWI. Он позволяет автоматизировать и значительно ускорить построение ВЧР путем обработки данных поверхностных волн.