Аннотация:В настоящее время машинное обучение (Machine Learning, ML) активно используется в геофизических исследованиях, включая сейсморазведку. Настоящее исследование фокусируется на применимости глубокого обучения (Deep Learning), то есть нейронных сетей, для решения «обратной» задачи определения параметров трещиноватости породы-коллектора по сейсмическим данным. Основная цель данной работы— доказать эффективность нейронных сетей в предсказании параметров трещиноватости и параметров анизотропии по сейсмограмм отражённых волн, подаваемых на вход нейронной сети. Трещиноватый слой, в котором плоские вертикальные трещины параллельны друг другу, можно представить в виде анизотропной модели трансверсально-изотропной среды с горизонтальной осью симметрии (осью вращения бесконечного порядка) — модель “Horizontal Transverse Isotropy” (HTI). В качестве искомых параметров трещиноватости, которые может предсказывать нейронная сеть, мы рассматриваем нормальную ослабленность трещин ∆N и поперечную ослабленность ∆T. Также наша нейронная сеть определяет плотность трещин e, раскрытие трещин α (аспектное соотношение трещины) и параметры анизотропии Томсена ε, δ и γ. Кроме того, мы рассматриваем трещиноватую среду, в которой две системы трещин и которая характеризуется двумя парами ослабленностей: (∆N1, ∆T1) и (∆N2, ∆T2). Это так называемая орторомбическая модель. Наша нейронная сеть обладает высокой точностью решения обратной задачи прогнозирования параметров трещиноватости. Мы используем разные математические анизотропные модели трещиноватой среды, такие как модель Linear Slip М.Шёнберга, модель Дж. Хадсона для так называемых “penny-shaped” трещин и модель Л. Томсена для параллельных плоских трещин в пористой породе. Для обучения нейронной сети используются синтетические сейсмограммы отраженных волн, которые были получены с использованием двумерного (2D) конечно-разностного численного моделирования волнового поля в анизотропной среде (HTI) . В качестве входных данных для нейронной сети подаются Z- и X-компоненты смещений отражённых волн PP и PS. На выходе нейронная сеть выдаёт предсказанные значения параметров трещиноватости. Нейронной сетью были успешно предсказаны с высокой точностью нормальная и касательная ослабленности трещин ∆N и ∆T, плотность трещин e, а также параметры анизотропии ε, δ и γ. В предсказании значений ∆N и ∆T относительная ошибка не превышает соответственно 1.7% и 1.4%, а в предсказании плотности трещин e – от 0.9% до 1.4%, в зависимости от формулировки задачи для моделей Linear Slip и Томсена. В предсказании параметров анизотропии ε, δ и γ ошибка не превышала соответственно 1.6%, 1.7% и 1.8%. Однако в определении значения аспектного соотношения трещины α ошибка получилась на порядок больше, 14.2%. Для орторомбической модели результаты предсказания получились несколько хуже, чем в модели HTI. Для первой системы трещин (∆N1, ∆T1 и e1) ошибка не превышала соответственно 2.3%, 4.2% и 2.3%, а для второй системы (∆N2, ∆T2 и e1) — 4.3%, 5.7% и 3.7%. Это небольшое ухудшение точности объясняется усложнённой постановкой последней задачи с орторомбической моделью, в которой были введены различные отклонения в наклоне трещин (углы β1 и β2). Нам удалось показать принципиальную возможность использования нейронных сетей для интерпретации сейсмических записей с целью определения параметров трещиноватости в породах-коллекторах.