裂缝是地下油气储层中的重要存储和渗透空间,是油、气和水等流体运输转移的通道,因此,裂缝性储层油气开发勘探的关键是对裂缝的精确识别和描述。最初,裂缝的识别是地质专家对三维地震体数据进行手动解释,这种解释方法效率低,难度大,主观因素多,不适合海量地震数据处理;随后,基于方差,三维曲率,相干等地震属性裂缝识别方法被提出,但是属性的选择往往跟具体的工区相关,且单一的属性识别效果有限,因此需要视具体情况选择几种不同的属性,识别的流程复杂且误差较大;最近,随着机器视觉技术的飞速发展,卷积神经网络等深度学习方法被逐渐应用于裂缝识别等地震资料解释领域,是当下研究的热点。本文是机器视觉在地震资料解释领域的应用,本文从三维地震振幅体数据出发进行裂缝识别,主要工作和贡献为:1.鉴于单一属性识别效果有限且卷积神经网络识别分辨率不高的缺点,本文提出了一种基于Unet的裂缝识别流程,应用Unet网络从地质专家稀疏解释的原始的地震体数据标签中自动学习裂缝特征,实现了实际工区裂缝稀疏解释的密集分割,针对裂缝识别正负样本识别的问题引入平衡二元交叉熵函数,使得网络训练更加稳定。2.鉴于Unet的裂缝识别方法识别结果在某些区域连续性不佳本文提出了基于Unet++的裂缝识别流程,使得识别结果更准确,模型更加灵活。3.本文基于离散裂缝网络的建模方法,结合不同分辨率的资料,将上文准确识别出的大裂缝和符合地质统计规律的随机模拟生成的中小裂缝统一建模,建立了工区的裂缝网络模型,为实际生产提供了有效的指导。本文将所提出的方法应用于中国西南某工区三维地震振幅体数据上,无论从分辨率、抗噪性还是连续性本文提出的方法都要优于传统的单一属性和基于CNN的裂缝识别方法,基于离散裂缝网络的建模方法建立的裂缝网络模型为实际生产提供了有效的指导。