Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWMIm Projekt »DLseis« (Deep Learning for Seismic Applications) entwickeln und trainieren wir neuronale Netze für verschiedene Schritte der seismischen Datenbearbeitungs- und Interpretationskette. Unser Fokus liegt auf Anwendungen, die die tägliche Arbeit in der Datenbearbeitung durch einen hohen Automatisierungsgrad deutlich erleichtern. Aufwändige Parametrisierungen klassischer Verfahren, die Visualisierung von Zwischenergebnissen oder manuelle Arbeitsschritte – etwa das Festlegen räumlich variabler Mute-Funktionen – werden dadurch weitgehend überflüssig.
Projekt DLseis – Deep Learning for Large Scale Seismic Applications
Deep-Learning-Tools für seismische Anwendungen
Deep Learning ist eine bahnbrechende Technologie auch für die Geowissenschaften. Das Projekt »Deep Learning für groß-skalige seismische Anwendungen« (DLseis) befasst sich mit der Grundlagenforschung bis hin zu einsatzbereiten Werkzeugen.
© Fraunhofer ITWM / freepik
Neuronale Netze für die seismische Datenbearbeitung und Interpretation
Projekt »DLseis«: Deep Learning für groß-skalige seismische Anwendungen
Unser Ansatz ist stark anwendungsorientiert: Wir binden die trainierten Netzwerke möglichst schnell in bestehende Softwarepakete ein. Dabei setzen wir bevorzugt auf Supervised Learning, also ein Verfahren des Maschinellen Lernens, bei dem die Netzwerke anhand bereits bekannter Eingabe- und Ausgabedaten trainiert werden, und nutzen dafür ausschließlich synthetische Daten. Dank der guten Verfügbarkeit realer Datensätze konzentrieren wir uns insbesondere auf Anwendungen für Daten nach der Migration. Hier profitieren wir von den Synergien mit unserer Migrationssoftware GRT sowie den von uns entwickelten Verfahren zur Nachbearbeitung. So können wir die Netzwerke sowohl aus Sicht der Entwicklerinnen und Entwickler gezielt weiterentwickeln als auch ihre Ergebnisqualität aus Anwendersicht bewerten und daraus weiteren Optimierungsbedarf ableiten.
Für unsere Projektpartner integrieren wir die entwickelten Netze in die Software »SR (PreStack Pro)« der Firma Sharp Reflections. So können Expertinnen und Experten die Netzwerke bereits während der laufenden Forschung mit ihnen vertrauten Datensätzen testen und bewerten.
Aktuelle Forschungsschwerpunkte
ML Gather Conditioning von Daten nach der Migration
Derzeit erweitern wir alle Verfahren auf 3D-Gathers aus seismischen Landdaten und marinen OBN-Akquisitionen. Zu den Schwerpunkten gehören:
- Entfernung von Multiplen (Abbildung 2)
- Korrektur von Trimstatics (Abbildung 1)
- Erweiterung der Bandbreite
- Beseitigung linearer Rauschanteile (Linear Noise Elimination)
Abbildung 1: Von links nach rechts: Seismisches Gather vor Trimstatik; Trimstatik mit klassischem Algorithmus. Trimstatik durch ML-Align mit einem DNN, das mit unvollständigem synthetischen Datensatz trainiert worden ist. Trimstatik mit ML-Align mit DNN, trainiert mit einem verbesserten synthetischen Datensatz.
ML Automated Well Tie
- DNN-basierte Wavelet-Extraktion mit automatischer Zeit-Tiefen-Zuordnung durch Bulk-Shift, Stretch-and-Squeeze und Log-Editing (Abbildungen 3 und 4)
- Erweiterung auf Multi-Well-Tie-Workflows
ML Fault Detection
- Suche nach geologischen Störungen in seismischen Daten
- Modellierung realistischer synthetischer Datensätze nach simulierter Migration
Das vollständige Forschungsprogramm stellen wir Ihnen bei Interesse gerne zur Verfügung.
Als Kommunikationsformat zwischen Python-gesteuertem Netzwerk-Design und und Netzwerk-Trainings einerseits – ausgeführt auf unserem hauseigenem GPU-Cluster – und der Anwendung auf reale Felddaten andererseits, verwenden wir ONNX (Open Neural Network Exchange). Die Aufgaben des seismischen Multiplenentfernens und der Trimstatikkorrektur reduzieren sich somit auf das Einspeisen der zu bearbeitenden Daten in das für die jeweilige Anwendung trainierte ONNX Netz. Die gewünschten Ergebnisse werden einfach durch Abgreifen der Daten aus der letzten Netzwerkschicht erhalten. Eine solche Datenverarbeitung ist völlig parameterfrei!
Abbildung 2: Seismische Input-Gathers vor dem Multiplenentfernen (ML-demultiple) links. Rechts: Gathers nach Anwendung von DL-demultiple.
Abbildung 3: Von links nach rechts: Bohrlochdaten, umgewandelt in vertikale Zeit (akustische Impedanz), Reflektivität, synthetische Spur (als fünffache Kopie), modelliert mit dem extrahierten Wavelet, Spur der realen Seismik entlang des Bohrlochpfades, Korrelation zwischen synthetischer und realer Seismik.
Abbildung 4: Trainingsdaten: Extrahiertes Wavelet (linke Spalte), erhalten aus paarweiser Eingabe von Reflektivität (mittlere Spalte) und seismischen Spuren (rechte Spalte).
Bisherige Projektpartner und Danksagung
Die folgenden Energieunternehmen unterstützten das Projekt in verschiedenen Phasen. Für ihre finanziellen Förderung, die zur Verfügung gestellten Datensätze und ihre Teilnahme an konstruktiven und motivierenden Projektmeetings danken wir herzlich.
- BP
- ConocoPhillips
- DNO
- Equinor ASA
- Exxon Mobil Corporation
- Hess Corporation
- MOL-Norge
- OMV
- Petrobras
- VårEnergi
- Wintershall Dea
Projekt und Beteiligung
Das Projekt »DLseis« läuft seit 2019 als Konsortialprojekt. Neue Partner können jederzeit für einen verlängerbaren Zeitraum von einem oder zwei Jahren einsteigen. Während ihrer Teilnahme erhalten sie umfassenden Zugang zu unseren Forschungsergebnissen – einschließlich der synthetischen Datensätze. Deren hohe Qualität trägt wesentlich zum Erfolg der trainierten Netzwerke und zu ihrer sehr guten Übertragbarkeit auf reale Daten bei.
Diese Seite wird derzeit überarbeitet. Ab dem 01.07.2026 stehen Ihnen erweiterte Informationen zur Verfügung.
Bis dahin beantworten wir Ihre Fragen gerne persönlich. Kontaktieren Sie uns, wenn Sie mehr über das Projektkonzept, die Forschungsinhalte oder aktuelle Ergebnisse erfahren möchten.