中国地质科学院地质力学所提出的一种地震衰减成像与含气构造智能识别技术近日获美国发明专利授权。该发明专利在油气勘探气藏识别、天然气水合物游离气构造勘查、二氧化碳地质封存地层含气规模评价、天然气储气库气藏动态边界识别等多个应用场景中具有重要意义。

地层中时常含有气体和流体，使用地震成像技术对含气地层进行评估时，地震剖面上会出现明显的反射特征异常，表现为强振幅和主频明显降低等现象。识别这类含气构造并准确确定其空间分布范围，是进行场区地质评价和气体注入效果评估的重要环节和基础地球物理手段。然而传统上，地震数据体中的人工含气构造边界拾取方法存在局限性，包括耗时长、难以实现含气构造连续延展至地震数据覆盖区域、对其边界识别不准确等，这些都极大地限制了含气规模的准确估计。因此，以数据驱动的方式从地震成像数据中智能快速地识别出强含气构造并查明其空间分布特征，是地震勘探与数据解释领域一个亟待解决的关键技术问题。传统地震反演与属性方法在无井条件下识别结果误差较大，且空间外推能力不足；而新兴基于深度学习的识别方法虽然效率高，但结果中的不确定性无法量化。

为了解决这一问题，地质力学研究所地球科学数据中心研究团队经过大量的探索和实践，提出了一种引入概率分布和不确定性度量的贝叶斯型深度神经网络智能识别方法来解决这一问题，并于近日获得了美国发明专利授权。该方法不仅能解决识别问题，还能量化识别结果的不确定性，从而得到更为准确的含气构造识别结果。

下一步，研究团队将加大该项技术的示范和推广力度，进一步提升技术成熟度，推动科技成果实现转移转化，为深地深海探测提供先进的地球物理方法与技术手段。