Neues CFA‑U‑Net mit Clustering liefert präzise seismische Horizontinterpretation

Ein neues Forschungsprojekt aus dem Bereich der seismischen Bildverarbeitung präsentiert ein hybrides Verfahren, das die Genauigkeit der Horizontinterpretation in der Erdöl- und Erdgasexploration deutlich steigert. Durch die Kombination eines innovativen Context‑Fusion‑Attention‑U‑Net (CFA‑U‑Net) mit räumlicher Clustering‑Analyse werden komplexe geologische Strukturen präziser segmentiert und interpoliert, selbst bei spärlichen Annotationen.

Das CFA‑U‑Net integriert räumliche Informationen und von Sobel‑Operatoren abgeleitete geometrische Merkmale in Attention‑Gate‑Strukturen. Diese Fusion verbessert sowohl die Präzision als auch die Vollständigkeit der erkannten Horizonte. Der Ansatz wurde systematisch mit fünf Architekturen – Standard‑U‑Net, komprimiertes U‑Net, U‑Net++, Attention‑U‑Net und dem neuen CFA‑U‑Net – verglichen und zeigte in allen getesteten Daten‑Sparsity‑Regimen (10‑, 20‑ und 40‑Linienabstand) die besten Ergebnisse.

Auf dem Mexilhao‑Feld im Santos‑Becken (Brasilien) erreichte das Modell einen Validierungs‑IoU von 0,881 und einen mittleren Absolutfehler (MAE) von 2,49 ms. Im F3‑Block der Nordsee, unter sparsamen Bedingungen, erzielte es eine beeindruckende Oberflächenabdeckung von 97,6 %. Diese Leistungen übertreffen die bisherigen Baselines und demonstrieren die Wirksamkeit des hybriden Ansatzes.

Zusätzlich wird die Genauigkeit der zusammengeführten Horizonte (Inline‑ und Cross‑Line‑Predictions) durch die Anwendung von Density‑Based Spatial Clustering of Applications with Noise (DBSCAN) verfeinert. Das Verfahren erzeugt geologisch plausible Oberflächen und unterstreicht die Vorteile einer Kombination aus Deep‑Learning‑Architekturen und klassischen Clustering‑Methoden für die seismische Interpretation.