断层精细解释是复杂构造解释的核心,在储层描述、圈闭评价和布设井位等方面具有十分重要的意义,很大程度上影响了油气藏勘探开发的效率与效益。初期,解释人员往往是选择人工手动标注断层的方式,但存在周期长,流程繁琐且对解释人员要求高等缺点。而后,研究人员提出基于地震属性、图像处理等多种方法来检测断层,但是属性的选择与计算较为困难。现如今,随着人工智能技术的蓬勃发展,同样在地球物理领域大放异彩,采用深度学习特别是以卷积神经网络模型为代表的算法进行断层识别成为最大的研究热点。本文借鉴在生物医学图像领域火热的U-Net卷积神经网络,提出了一种基于3D U-Net全卷积神经网络的断层智能识别方法。基于3D U-Net卷积神经网络方法虽然可以很好地自动识别高信噪比地震资料中的断层,而对低信噪比资料而言,尚存不足,因此需要研究低信噪比地震资料断层自动识别方法。本文的策略为,先对地震数据进行去噪预处理,提高信噪比,然后再进行断层自动识别。传统的滤波方法在去除地震资料中的噪声,同时也会造成裂隙带、微小断层和地质体边缘等不连续结构特征信息模糊信息,所以采用了结构导向滤波方法,其不仅可以去除噪声干扰,提高信噪比,还有可以保护断层和裂缝等边界信息。本文将断层识别问题转变为卷积神经网络极其擅长的二分类问题,即用1表示断层点一类,用0表示非断层点一类,凭借着3D U-Net卷积神经网络模型的高维复杂信息挖掘,断层特征自动提取,端对端的一体化解释流程等优点,使得在海量地震数据体下也可以游刃有余的进行高效率和高精度断层识别。首先利用合成断层体模型制作训练数据集及验证数据集,然后基于Keras深度学习框架构建了一种全新3D U-Net卷积神经网络模型用于增强微小断层识别能力,调整网络参数优化识别精度,最后输入经过结构导向滤波后的三维叠后地震数据直接得出对应的断层概率属性。实际工区应用表明,基于3D U-Net的断层智能识别方法在纵剖面微小断层成像、深层抗噪性方面具有明显优势,切片上断裂清晰合理,断层及微小断层得到突出显示,提高了构造解释的精度,能够为下一步的精细勘探、高效开发、复杂构造描述提供了有力保障。