AI在油田主营业务即勘探开发运销和经营管理领域的落地场景，需要的算法、模型及关键技术。

1 初至波拾取

在地震数据采集过程中，由人工震源激发后检波器最先接收到地震波的起跳位置，得到这一位置的过程就是初至拾取。“初至拾取在构建精细近地表速度模型、计算静校正量、估算地层各向异性参数、反演地层吸收衰减参数等环节起着重要作用，是影响地震资料成像的关键因素之一。”【许银坡】

1.1 问题描述

地震数据：

• 受复杂地质构造、地表条件等因素影响；
• 伴随采集技术飞速发展，炮道密度呈几何级数增长，需要初至拾取的多是TB级以上的海量数据；
• 高密度高效采集技术在油田复杂区的广泛应用，采集的数据有噪声，传统的初至波自动拾取方法抗噪能力差。

上图表示一个包含了 210道数据，每道数据含有 700个样本点的共炮点道集；

• 水平坐标表示地震道的数量，垂直坐标表示每道的样本数量。
• 对于每一道数据，都能找到一个位于波峰的初至波，其中，红色点是每道的初至波位置。

1.2 已有的方法

传统的方法主要有两类：

• 基于单道信息（振幅、相位、能量等 ）的方法；
• 基于各道相关性的方法。

人工智能初至波拾取方法：

• 边界检测技术；
• 深度学习。

数据：单炮记录
标签可得性：监督学习、无监督学习
特点：炮、道两个粒度

2 基于聚类和局部线性回归的初至波自动拾取算法

2.1 问题

• 无人工标注的标签，无监督学习；
• 庞大的地震数据，时间复杂度高；
• 数据带噪声。

2.2 解决方案

• 无监督学习：聚类法；
• 时间复杂度高：$k$-means 对噪声比较敏感，但其时间复杂度较低；
• 数据带噪声：DBSCAN 对噪声不敏感，聚类效果好，但它的时间复杂度高。

提出将这两种聚类相结合：

• 先用 $k$-means 技术找到初至波簇；
• 再用 DBSCAN 技术在初至波簇中拾取初始初至波；
• 这种方式充分利用了两种聚类算法的优点，DBSCAN 不直接在整炮数据上运行，而是在初至波簇中进行拾取，这种方式可以提高运行速度，准确率也得到了很大的提升。

算 法 1 描 述 了 基 于 $k$-means 选 取 初 至 波 簇 的 过 程：

• 第 1)行 将 输 入 得 数 据 集 归 一 化 到［-1，1］；
• 第 2)行 根 据式（1）~（3）执行 k-means 聚类；
• 第 3)行根据式（4）选择平均能量值最大的簇；
• 第 4)行根据定义 1 初始化含有三个属性（能量值、行索引和列索引）的初至波簇 D；
• 第 5)行返回初至波簇 D。

• 新的问题：找到的初始初至波在部分道上可能存在缺失值；
• 解决方案：根据相邻道初至波相关性强的特点设计了一个局部线性回归模型来补齐缺失值。

2.3 结果展示

3 滑动窗口+模糊C聚类

3.1 问题

同2.1.

3.2 解决方案

4 模糊C聚类+加权回归

4.1 问题

同2.1.

4.2 解决方案

5 卷积核+粒子群

5.1 问题

同2.1.

5.2 解决方案

5.3 结果展示