DOI: https://doi.org/10.62762/rs.2026.333274
تاريخ النشر: 2026-07-28
المؤلف: Muhammad Aminu Adamu وآخرون
الموضوع الرئيسي: تقنيات التصوير الزلزالي والعكس
نظرة عامة
تتناول الدراسة تحديات تصنيف facies الزلزالية في توصيف الطبقات تحت السطحية من خلال تقديم سير عمل تعلم عميق مشرف يستخدم حجم زلزالي مصفّى بواسطة فلتر وسيط موجه بالميل (DSMF). استخرج الباحثون عشرة مجموعات من تسميات facies من خلال تجميع الكمية غير المشرف، وقاموا بتحسين هذه التسميات باستخدام تتبع Thalweg، مما أسفر عن 1,500 عينة لكل فئة. باستخدام هذه التسميات، قاموا باستخراج مكعبات ثلاثية الأبعاد (41×41×3) لتدريب الشبكات العصبية التلافيفية (CNNs)، مع تقييم ثلاث هياكل: LeNet وResNet18 وSimpleNet. من بين هذه، أظهر LeNet أفضل أداء، مما أسفر عن توقعات facies مستمرة جانبياً.
تشير النتائج إلى أن تصنيف LeNet الموجه بواسطة DSMF ينتج نموذج facies موثوق وقابل للتفسير يتماشى جيدًا مع التعبيرات الزلزالية وبيانات سجلات الآبار. يُظهر هذا السير العمل القدرة على توليد توقعات facies تحت السطحية عالية الجودة، والتي تعتبر قيمة للتفسير الجيولوجي وتوصيف الخزانات. ومع ذلك، تعترف الدراسة بعدة قيود، بما في ذلك تركيزها على حقل واحد، والموضوعية المحتملة في تسميات التدريب المستمدة من المفسرين، والاستخدام الحصري لحجم الزلازل DSMF كمدخل، ومقاييس التحقق المحدودة، والحاجة إلى تقييم قابلية تعميم سير العمل عبر أحواض مختلفة. ستسعى الأبحاث المستقبلية إلى تطوير هيكل CNN متعدد الخصائص LeNet لتحسين تصنيف facies الزلزالية.
مقدمة
تناقش مقدمة ورقة البحث أهمية الانعكاسات الزلزالية في تحديد الحدود الطبقية تحت السطحية ودور facies الزلزالية في فهم الهياكل الجيولوجية وخزانات الهيدروكربونات المحتملة. تبرز ظهور تقنيات تعلم الآلة (ML)، وخاصة التعلم العميق، كأدوات قوية لأتمتة تقسيم facies الزلزالية وتحسين تفسير الأنماط تحت السطحية المعقدة. على الرغم من مزايا ML، لا تزال هناك تحديات تتعلق بقابلية تفسير بعض النماذج، مما يمكن أن يعيق فهم الجيولوجيين للتوقعات الأساسية.
تركز الورقة بشكل خاص على تطبيق الشبكات العصبية التلافيفية (CNNs) لتصنيف facies الزلزالية في حقل أتاگا في حوض دلتا النيجر. تهدف إلى معالجة القيود في الدراسات السابقة، مثل عدم اكتمال تحديد الميزات الجيولوجية، من خلال تطوير إطار متكامل يجمع بين التعلم المشرف والتحقق الجيولوجي. تشمل أهداف الدراسة تقييم دقة التصنيف لمختلف نماذج CNN، بما في ذلك LeNet وResNet18 وSimpleNet، وتأسيس سير عمل يحول مجموعات facies الزلزالية إلى تسميات تدريب موثقة جيولوجيًا. يعد هذا النهج المبتكر بتحسين قوة ومرونة تحليل facies الزلزالية في البيئات الدلتاوية المعقدة.
النتائج
تظهر نتائج الدراسة تطبيق ثلاث هياكل من الشبكات العصبية التلافيفية (CNN) – LeNet وResNet18 وSimpleNet – على مكعب زلزالي مقيد DSMF لتصنيف facies الزلزالية بشكل فعال. تكشف التحليلات أن حجم DSMF يظهر تسلسلات رملية وطينية متداخلة، تتميز بعاكسات مستمرة جانبياً وأنظمة ترسيب موجهة. تفوق نموذج LeNet على الآخرين، حيث أنتج توزيعات facies تتماشى بشكل وثيق مع العواكس الزلزالية واستجابات سجلات الآبار، مما يشير إلى قدرة قوية على التقاط الاعتماد المكاني والهندسة الجيولوجية. بالمقابل، أظهر نموذج ResNet18، على الرغم من تحقيقه دقة تحقق عالية، تفتت معتدل واستمرارية منخفضة في facies، مما يشير إلى احتمال الإفراط في التكيف مع القوام المحلي. أداء نموذج SimpleNet كان ضعيفًا، حيث أظهر تباينًا كبيرًا وافتقارًا للتراص المتماسك، مما أضعف صلاحيته الجيولوجية.
أكدت مقاييس التدريب الكمية والتقييمات الجيولوجية النوعية تفوق نموذج LeNet، الذي حافظ على الخصائص الزلزالية الرئيسية وأظهر انتقالات تدريجية في facies تتماشى جيدًا مع استجابات سجلات أشعة غاما (GR) وكثافة الكتلة (RHOB). تؤكد النتائج على أهمية اختيار النموذج في تصنيف facies الزلزالية، حيث يعتبر LeNet الأكثر فعالية لهذا التطبيق بفضل قدرته على إنتاج مخرجات متماسكة جيولوجيًا، كما هو ملخص في الجدول 2. تسلط هذه الدراسة الضوء على التحديات المرتبطة بهياكل CNN الأعمق مثل ResNet18، والتي قد لا تؤدي إلى تحسين الأداء على مجموعات بيانات أصغر، مما يعزز من عملية استخدام النماذج الخفيفة في سياقات معينة.
المناقشة
تركز قسم المناقشة في ورقة البحث على الخصائص الجيولوجية والعمليات الرسوبية في حوض دلتا النيجر، مع التأكيد على تركيبها الطبقي المعقد وتأثيراتها التكتونية. تشكل دلتا النيجر، التي تشكلت عند تقاطع خندق بنوي والمحيط الأطلسي الجنوبي، تسلسلًا رسوبيًا تراجعيًا مع ترسيب بحري كبير خلال فترة الكريتاسي الأوسط. يتم تحديد الإطار الطبقي إلى ثلاث تشكيلات رئيسية: تشكيل أكاتا، الذي يتكون بشكل أساسي من الطين والرمال الطينية، تشكيل أغبادا مع رمال وطين متداخلة، وتشكيل بنين، الذي يتميز بالرمال الفيضية. يتأثر ترسيب الحوض بالأنشطة التكتونية، بما في ذلك العيوب النامية والطيانات المرتبطة بها، والتي تلعب دورًا حيويًا في هجرة وتوزيع الهيدروكربونات.
تسلط الدراسة الضوء أيضًا على تطبيق تقنيات تعلم الآلة المشرف لتصنيف facies الزلزالية، باستخدام متتبع Thalweg لإنشاء مجموعات بيانات مصنفة من الأحجام الزلزالية. استخدمت الأبحاث عدة هياكل من الشبكات العصبية التلافيفية (CNN)، بما في ذلك LeNet وResNet-18 وSimpleNet، لتحليل البيانات الزلزالية. من بين هذه، أظهر نموذج LeNet أداءً متفوقًا من حيث دقة التحقق والاستقرار، مما ساعد في التقاط الميزات الجيولوجية لدلتا النيجر بشكل فعال. تشير النتائج إلى أن نموذج LeNet يميز بنجاح بين lithofacies، ويتماشى جيدًا مع بيانات سجلات الآبار ويعكس التعقيدات الجيولوجية للمنطقة. بشكل عام، تؤكد النتائج على أهمية دمج الفهم الجيولوجي مع الأساليب الحسابية المتقدمة لتعزيز التفسير الزلزالي واستكشاف الهيدروكربونات في حوض دلتا النيجر.
DOI: https://doi.org/10.62762/rs.2026.333274
Publication Date: 2026-07-28
Author(s): Muhammad Aminu Adamu et al.
Primary Topic: Seismic Imaging and Inversion Techniques
Overview
The study addresses the challenges of seismic facies classification in subsurface characterization by introducing a supervised deep learning workflow utilizing a dip-steered median filtered (DSMF) seismic volume. The researchers derived ten facies label sets through unsupervised vector quantization (UVQ) clustering, refining these labels with Thalweg tracking, resulting in 1,500 samples per class. Using these labels, they extracted 3D cubelets (41×41×3) for training convolutional neural networks (CNNs), specifically evaluating three architectures: LeNet, ResNet18, and SimpleNet. Among these, LeNet exhibited the best performance, yielding laterally continuous facies predictions.
The findings indicate that the DSMF-guided LeNet classification produces a reliable and interpretable facies model that aligns well with seismic expressions and well log data. This workflow demonstrates the capability to generate high-quality subsurface facies predictions, which are valuable for geological interpretation and reservoir characterization. However, the study acknowledges several limitations, including its focus on a single field, potential subjectivity in interpreter-derived training labels, exclusive use of the DSMF seismic volume as input, restricted validation metrics, and the need to assess the generalizability of the workflow across different basins. Future research will aim to develop a multi-attribute LeNet CNN architecture for enhanced seismic facies classification.
Introduction
The introduction of the research paper discusses the significance of seismic reflections in identifying subsurface stratigraphic boundaries and the role of seismic facies in understanding geological structures and potential hydrocarbon reservoirs. It highlights the emergence of machine learning (ML) techniques, particularly deep learning, as powerful tools for automating seismic facies segmentation and improving the interpretation of complex subsurface patterns. Despite the advantages of ML, challenges remain regarding the interpretability of certain models, which can hinder geoscientists’ understanding of the underlying predictions.
The paper specifically focuses on the application of Convolutional Neural Networks (CNNs) for seismic facies classification in the Ataga Field of the Niger Delta Basin. It aims to address limitations in previous studies, such as incomplete geological feature delineation, by developing an integrated framework that combines supervised learning with geological validation. The study’s objectives include evaluating the classification accuracy of various CNN models, including LeNet, ResNet18, and SimpleNet, and establishing a workflow that transforms seismic facies clusters into geologically validated training labels. This innovative approach promises to enhance the robustness and scalability of seismic facies analysis in complex deltaic environments.
Results
The results of the study demonstrate the application of three convolutional neural network (CNN) architectures—LeNet, ResNet18, and SimpleNet—on a constrained DSMF seismic cube for effective seismic facies classification. The analysis reveals that the DSMF volume exhibits interbedded sand-shale sequences, characterized by laterally continuous reflectors and channelized depositional systems. The LeNet model outperformed the others, producing facies distributions that closely align with seismic reflectors and well log responses, indicating a strong ability to capture spatial dependencies and geological architecture. In contrast, the ResNet18 model, despite achieving high validation accuracy, displayed moderate fragmentation and reduced continuity in facies, suggesting potential overfitting to local textures. The SimpleNet model performed poorly, exhibiting significant patchiness and a lack of coherent layering, which undermined its geological validity.
Quantitative training metrics and qualitative geological assessments further confirmed the superiority of the LeNet model, which maintained key seismic characteristics and demonstrated gradual facies transitions correlating well with gamma ray (GR) and bulk density (RHOB) log responses. The findings underscore the importance of model selection in seismic facies classification, with LeNet being the most effective for this application due to its ability to produce geologically coherent outputs, as summarized in Table 2. This study highlights the challenges associated with deeper CNN architectures like ResNet18, which may not yield improved performance on smaller datasets, thus reinforcing the practicality of lightweight models in specific contexts.
Discussion
The discussion section of the research paper focuses on the geological characteristics and sedimentary processes of the Niger Delta Basin, emphasizing its complex stratigraphy and tectonic influences. The Niger Delta, formed at the junction of the Benue Trough and the South Atlantic Ocean, showcases a regressive clastic sequence with significant marine sedimentation during the mid-Cretaceous period. The stratigraphic framework is delineated into three primary formations: the Akata Formation, predominantly composed of shales and turbidite sands, the Agbada Formation with intercalated sands and silts, and the Benin Formation, characterized by alluvial sands. The basin’s sedimentation is influenced by tectonic activities, including growth faults and associated rollover anticlines, which play a crucial role in hydrocarbon migration and distribution.
The study also highlights the application of supervised machine learning techniques for seismic facies classification, utilizing a Thalweg tracker to create labeled datasets from seismic volumes. The research employed various convolutional neural network (CNN) architectures, including LeNet, ResNet-18, and SimpleNet, to analyze the seismic data. Among these, the LeNet model demonstrated superior performance in terms of validation accuracy and stability, effectively capturing the geological features of the Niger Delta. The results indicate that the LeNet model successfully differentiates between lithofacies, aligning well with well log data and reflecting the geological complexities of the region. Overall, the findings underscore the importance of integrating geological understanding with advanced computational methods to enhance seismic interpretation and hydrocarbon exploration in the Niger Delta Basin.