構(gòu)建三維深度監(jiān)督網(wǎng)絡(luò)的斷層檢測方法

王 靜 張軍華* 蘆鳳明 孟瑞剛 王作乾 常健強(qiáng)

(①中國石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院，山東青島 266580；②中國石油大港油田公司勘探開發(fā)研究院，天津300280)

0 引言

在地震資料解釋中，人工識別斷層耗時、費(fèi)力，且人為因素往往容易增加斷層解釋結(jié)果的不確定性。如何高效率、準(zhǔn)確地識別斷層，特別是在發(fā)育大量、復(fù)雜斷層的勘探區(qū)，是一個難題。

在過去幾十年中，利用計算機(jī)輔助識別斷層方面的技術(shù)發(fā)展很快。李軍等[1]、王靜等[2]利用各向異性擴(kuò)散濾波方法識別斷層，效果較好。Wu[3]提出的方向性結(jié)構(gòu)張量相干算法對小斷層的識別效果較好。Qi等[4]提出了多角度相干算法，可以提高相干屬性識別斷層的精度。Duan等[5]提出的振幅譜方差相干算法更能突出小斷裂。Wang等[6]提出三維構(gòu)造導(dǎo)向復(fù)相干屬性，從理論模型和實(shí)際資料的應(yīng)用兩方面證明了其在斷裂識別方面的有效性。Yan等[7]采用多方向特征值相干屬性檢測斷層等不連續(xù)性。Chopra等[8]利用曲率屬性解釋斷層?；糁局艿萚9]提出了一種高精度結(jié)構(gòu)曲率的提取方法，對高陡構(gòu)造及斷層的刻畫精度更高，更有利于構(gòu)造解釋。Di等[10]、Ashraf 等[11]、Philips等[12]提出將邊緣檢測算法用于斷層識別，增強(qiáng)斷層邊緣信息，可提高斷層識別的準(zhǔn)確性。Pedersen等[13]系統(tǒng)提出了螞蟻?zhàn)粉櫟牧鞒?。李楠等[14]利用高清螞蟻體解釋復(fù)雜斷裂帶，能在提高信噪比的同時增強(qiáng)斷層連續(xù)性。上述濾波方法、屬性類算法、邊緣檢測方法和螞蟻?zhàn)粉櫵惴ǖ仍趯?shí)際中應(yīng)用廣泛，但計算參數(shù)的設(shè)置以及解釋人員的經(jīng)驗往往會影響斷層識別的準(zhǔn)確性。

近年來，隨著人工智能的快速發(fā)展，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法越來越多地應(yīng)用于地球物理領(lǐng)域，多種基于卷積神經(jīng)網(wǎng)絡(luò)的算法開始應(yīng)用于斷層識別。Huang等[15]將多種地震屬性作為卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行模型的訓(xùn)練和斷層的自動識別。Di等[16]提出一種基于多層感知機(jī)(Multilayer Perceptron，MLP)的斷層識別方法，將多種地震屬性作為訓(xùn)練樣本，斷層識別效果較好。Xiong等[17]將卷積神經(jīng)網(wǎng)絡(luò)預(yù)測的斷層與相干屬性方法進(jìn)行對比，證明了前者的斷層識別效果更好。Guo等[18]直接將二維地震數(shù)據(jù)和人工標(biāo)注的斷層標(biāo)簽輸入卷積神經(jīng)網(wǎng)絡(luò)中，提高了斷層識別的效率。Zhao等[19]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)與構(gòu)造導(dǎo)向濾波技術(shù)，并應(yīng)用于實(shí)際地震資料的斷層識別，效果較好。Wu等[20]應(yīng)用基于卷積神經(jīng)網(wǎng)絡(luò)的像素分類方法，可以同時識別斷層的分布和預(yù)測斷層傾角，并提出了一種更為高效的三維U-Net斷層識別方法[21]，即利用多個理論合成的地震數(shù)據(jù)體進(jìn)行模型訓(xùn)練，進(jìn)而用于實(shí)際地震數(shù)據(jù)的斷層預(yù)測。Pochet等[22]指出，將地震振幅數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入可以避免多屬性技術(shù)帶來的計算量大的問題。Cunha等[23]利用合成的地震數(shù)據(jù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，然后引入遷移學(xué)習(xí)的理念，對模型進(jìn)行微調(diào)后，再應(yīng)用到實(shí)際地震資料中，可提高斷層識別的準(zhǔn)確性。Di等[24]在卷積神經(jīng)網(wǎng)絡(luò)中應(yīng)用解釋性約束條件，提高了斷層識別的準(zhǔn)確性。張政等[25]結(jié)合深度殘差網(wǎng)絡(luò)與遷移學(xué)習(xí)方法，增強(qiáng)了網(wǎng)絡(luò)的泛化能力，優(yōu)化了識別結(jié)果。常德寬等[26]提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的斷層識別方法，斷層識別的準(zhǔn)確性和效率明顯優(yōu)于常規(guī)相干算法。

為了進(jìn)一步提高斷層識別的準(zhǔn)確性，本文將三維U-Net與深度殘差網(wǎng)絡(luò)相結(jié)合，引入多層深度監(jiān)督的機(jī)制，構(gòu)建基于三維深度監(jiān)督網(wǎng)絡(luò)的斷層檢測方法。網(wǎng)絡(luò)的設(shè)計思想是：在U-Net的編碼部分和解碼部分的卷積塊之間增加殘差連接，簡化網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)，降低網(wǎng)絡(luò)訓(xùn)練難度；在解碼部分利用多層深度監(jiān)督機(jī)制，更有效地結(jié)合斷層的多尺度信息，進(jìn)一步提高斷層識別的準(zhǔn)確性。具體的實(shí)現(xiàn)過程不同于常德寬等[26]提出的深度卷積神經(jīng)網(wǎng)絡(luò)方法，本文方法無需根據(jù)實(shí)際地震資料進(jìn)行訓(xùn)練，而是采用Wu等[27]提出的方法，自動生成大量、不同類型的斷層樣本用于訓(xùn)練，可以減少人工標(biāo)注斷層的時間成本。與Wu等[20]提出的三維U-Net網(wǎng)絡(luò)的斷層檢測結(jié)果對比，本文方法斷層識別精度更高。

1 方法原理

1.1 殘差網(wǎng)絡(luò)結(jié)構(gòu)

增加神經(jīng)網(wǎng)絡(luò)的深度可以增加網(wǎng)絡(luò)的參數(shù)種類，因而可以更好地學(xué)習(xí)目標(biāo)特征。但是，簡單地增加網(wǎng)絡(luò)層數(shù)會出現(xiàn)梯度消失、梯度爆炸、過擬合等問題，造成網(wǎng)絡(luò)退化、訓(xùn)練精度和測試精度下降。He等[28]提出利用殘差模塊的方法，可以解決深層網(wǎng)絡(luò)的退化問題。

殘差模塊基本結(jié)構(gòu)如圖1所示。假設(shè)神經(jīng)網(wǎng)絡(luò)的輸入為x，期望輸出為H(x)，實(shí)際輸出為F(x)。與常規(guī)的卷積模塊(圖1a)結(jié)構(gòu)不同，在殘差網(wǎng)絡(luò)中，通過跳躍連接的方式可以直接把輸入x傳到輸出作為初始結(jié)果，則輸出結(jié)果變?yōu)镠(x)=F(x)+x。這相當(dāng)于殘差模塊改變了學(xué)習(xí)目標(biāo)，不再是學(xué)習(xí)一個完整的輸出，而是目標(biāo)值H(x)與x的差值，即殘差F(x)=H(x)-x。

圖1 不同模塊結(jié)構(gòu)對比

He等[28]指出，如果網(wǎng)絡(luò)層數(shù)超過最佳層數(shù)，殘差網(wǎng)絡(luò)會將多余層訓(xùn)練為F(x)=0，即這些層的輸入與輸出相同，從而變?yōu)楹愕扔成?。恒等映射函?shù)允許將較深層中的梯度值快速傳遞至較淺層，可解決網(wǎng)絡(luò)訓(xùn)練過程中梯度爆炸或梯度消失的問題。因此，網(wǎng)絡(luò)層數(shù)加深不會造成網(wǎng)絡(luò)退化，從而可以提高網(wǎng)絡(luò)訓(xùn)練過程的穩(wěn)定性和效率。

1.2 三維深度監(jiān)督網(wǎng)絡(luò)構(gòu)建

本文構(gòu)建的三維深度監(jiān)督網(wǎng)絡(luò)(簡稱本文網(wǎng)絡(luò)，下同)的結(jié)構(gòu)(圖2)類似于Wu等[21]提出的三維U-Net，由編碼器和解碼器兩部分組成。編碼器子網(wǎng)絡(luò)分析輸入的地震數(shù)據(jù)并學(xué)習(xí)斷層的特征；解碼器子網(wǎng)絡(luò)學(xué)習(xí)不同尺度的特征信息，并可以進(jìn)行端到端訓(xùn)練，實(shí)現(xiàn)斷層的語義分割。在分辨率相等的層之間建立的跳躍連接可以將來自解碼器的深層高級特征與來自編碼器的淺層低級特征進(jìn)行融合，從而提高斷層識別的準(zhǔn)確性。

與三維U-Net不同，本文網(wǎng)絡(luò)引入了殘差學(xué)習(xí)模塊和多層次的深度監(jiān)督。殘差模塊的引入能夠簡化網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)，降低訓(xùn)練難度；多層次的深度監(jiān)督能夠為網(wǎng)絡(luò)提供更多的反饋，減輕訓(xùn)練過程中潛在的梯度消失，使解碼器子網(wǎng)絡(luò)更有效地整合多尺度信息，從而進(jìn)一步提高斷層識別的準(zhǔn)確性。

如圖2所示，本文網(wǎng)絡(luò)為四層結(jié)構(gòu)，由四個編碼器和四個解碼器組成，每個編碼器、解碼器均包含一個殘差學(xué)習(xí)模塊。殘差模塊(圖1b)由兩個3×3×3的三維卷積層和一個跳躍連接構(gòu)成，卷積層之后添加批量歸一化(Batch Normalization)[29]和Leaky ReLU激活函數(shù)，并引入失活層(Dropout)防止過擬合問題的出現(xiàn)。批量歸一化對每個層的輸入數(shù)據(jù)作歸一化處理，使其滿足標(biāo)準(zhǔn)正態(tài)分布，這可以降低內(nèi)部協(xié)變量偏移，提高模型訓(xùn)練的效率[30]；Leaky ReLU激活函數(shù)可解決梯度消失問題，不僅可以縮短神經(jīng)網(wǎng)絡(luò)訓(xùn)練周期，提升對應(yīng)模型的收斂速度，而且能夠增強(qiáng)模型的魯棒性及穩(wěn)定性。

圖2 三維深度監(jiān)督網(wǎng)絡(luò)(本文網(wǎng)絡(luò))結(jié)構(gòu)

在編碼器部分，每一層殘差模塊之后采用步幅為2的2×2×2的最大池化對數(shù)據(jù)進(jìn)行降維，擴(kuò)大后續(xù)的卷積層對地震數(shù)據(jù)的感受野。在解碼器部分，每一層殘差模塊之后采用步幅為2的2×2×2的上采樣，使上采樣后的數(shù)據(jù)能夠更準(zhǔn)確地重建斷層特征。

在U-Net的特征提取階段，即編碼器子網(wǎng)絡(luò)部分，淺層結(jié)構(gòu)可以抓取斷層的簡單特征，而深層結(jié)構(gòu)因為感受野的擴(kuò)大以及多次卷積操作，可以捕獲到斷層的抽象特征。淺層特征和深層特征對于斷層的檢測都起著至關(guān)重要的作用，而原始U-Net結(jié)構(gòu)僅在解碼器子網(wǎng)絡(luò)的最后一層進(jìn)行輸出，沒有利用不同層級解碼器輸出的特點(diǎn)。為了彌補(bǔ)U-Net的這一缺陷并取得更好的斷層檢測效果，本文引入多層深度監(jiān)督機(jī)制，即對解碼器子網(wǎng)絡(luò)的每一層均進(jìn)行輸出，具體實(shí)現(xiàn)過程為：在每個解碼器階段的最后一層，通過一個3×3×3的卷積操作和一個步幅為2的2×2×2上采樣操作，用以匹配不同層級解碼器輸出的尺寸；將每一層解碼器的輸出逐層相加，最終利用Sigmoid激活函數(shù)輸出斷層概率值，取值范圍為[0，1]。本文構(gòu)建的多層深度監(jiān)督的網(wǎng)絡(luò)，可以充分學(xué)習(xí)到不同尺度的斷層語義信息，在網(wǎng)絡(luò)訓(xùn)練過程中可以充分利用不同尺度的斷層特征，使最終用于斷層檢測的信息更豐富，從而有助于提高斷層細(xì)分的準(zhǔn)確性以及斷層檢測的精度。

2 網(wǎng)絡(luò)訓(xùn)練和模型測試

2.1 訓(xùn)練樣本生成

利用本文網(wǎng)絡(luò)訓(xùn)練模型檢測斷層需要大量的斷層樣本。手動標(biāo)記或解釋三維地震數(shù)據(jù)中的斷層非常耗時且受人為因素影響較大。不正確的人工解釋，即標(biāo)記錯誤或者未被標(biāo)記的斷層，往往會誤導(dǎo)整個網(wǎng)絡(luò)的學(xué)習(xí)過程。為了避免這些問題，本文應(yīng)用Wu等[27]提出的方法，生成多個包含不同類型斷層的合成地震數(shù)據(jù)，作為訓(xùn)練樣本用以訓(xùn)練和驗證本文網(wǎng)絡(luò)。斷層樣本的生成(圖3)步驟如下。

(1)隨機(jī)生成一維水平反射系數(shù)模型(圖3a)，反射系數(shù)范圍為[-1,1]。

(2)在反射系數(shù)模型中，通過垂直剪切模型增加褶皺構(gòu)造(圖3b)，生成褶皺構(gòu)造的方法為

(1)

式中：Nz代表z方向所有的采樣點(diǎn)數(shù)量；a代表垂向剪切在z方向的位置，a∈(0，15]；bk表示垂向褶皺的大小，bk∈(0,15]；ck和dk分別代表褶皺在x和y方向的位置，因為本文生成的模型大小為256×256×256，所以二者的取值范圍均為(0,256)；σk表示褶皺的半徑，σk∈[10,30]；Ng代表褶皺構(gòu)造的控制點(diǎn)數(shù)。通過在預(yù)定義的取值范圍內(nèi)隨機(jī)選擇每個參數(shù)值，可以生成大量具有特定褶皺結(jié)構(gòu)的模型。

(3)為了進(jìn)一步增加模型結(jié)構(gòu)的復(fù)雜性，利用

S2(x,y,z)=e+fx+gy

(2)

對步驟(2)生成的褶皺模型添加平面剪切構(gòu)造，生成如圖3c所示的模型。式中：e表示褶皺構(gòu)造在z方向上位移量；f表示平面在x方向的斜率；g表示平面在y方向上的斜率。三個參數(shù)的取值范圍分別為：e∈[0,5]，f∈[0,0.2]，g∈[0,0.2]。

(4)在模型中添加斷層，盡管所有斷層都是平面的，但是斷層的方向(傾角和走向)和位移都互不相同，而每個斷層的斷距沿著走向和傾向在空間上變化。根據(jù)實(shí)際工區(qū)的斷層資料，定義斷層斷距的范圍為[10,70]，斷層傾角范圍為[50°,80°]和[-80°,-50°]，其中，正角度代表正斷層，負(fù)角度代表逆斷層。添加斷層后的模型如圖3d所示。

(5)將生成的模型同雷克子波褶積得到合成地震記錄(圖3e)，子波頻率的預(yù)設(shè)范圍為[20Hz,35Hz]。值得注意的是，在模型中添加褶皺和斷層構(gòu)造后，再與雷克子波褶積，可以模糊斷層邊界比較尖銳的不連續(xù)性，從而使斷層看上去更為真實(shí)。

圖3 斷層樣本生成流程

(6)為了使合成地震數(shù)據(jù)更為貼近實(shí)際，對其添加高斯隨機(jī)噪聲(信噪比的取值范圍為[3,6])，得到如圖3f所示的地震記錄。

通過隨機(jī)選擇褶皺、斷層、子波峰值頻率和噪聲等參數(shù)，利用該方法最終生成300對大小為256×256×256的合成地震數(shù)據(jù)和斷層標(biāo)簽數(shù)據(jù)用于模型訓(xùn)練，并隨機(jī)生成了30對數(shù)據(jù)集用于模型驗證。圖4展示了6對典型的合成地震數(shù)據(jù)及其對應(yīng)的斷層標(biāo)簽數(shù)據(jù)剖面，包括階梯式斷層、“X”形斷層、“Y”形斷層、“入”字形斷層等。

圖4 典型合成地震數(shù)據(jù)(左)及其斷層標(biāo)簽樣式(右)

不同地震數(shù)據(jù)的振幅值可能有很大差異，需要對所有的數(shù)據(jù)集進(jìn)行歸一化處理，即將每個圖像減去其平均值再除以其標(biāo)準(zhǔn)偏差。為了進(jìn)一步增加訓(xùn)練和驗證數(shù)據(jù)集的多樣性，本文對原始數(shù)據(jù)進(jìn)行了兩種類型的數(shù)據(jù)擴(kuò)展處理。第一種方法為數(shù)據(jù)增強(qiáng)，即將圖像繞垂直軸旋轉(zhuǎn)0°、90°、180°和270°，從而將訓(xùn)練數(shù)據(jù)集的數(shù)量增加4倍；第二種方法是隨機(jī)地從原始數(shù)據(jù)體中切割出較小的子數(shù)據(jù)體，然后使用這些子數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)。每個原始數(shù)據(jù)的尺寸大小為256×256×256，在網(wǎng)絡(luò)訓(xùn)練過程中，本文從較大的數(shù)據(jù)中隨機(jī)剪切了大小為128×128×128的子數(shù)據(jù)，確保不同迭代周期的訓(xùn)練數(shù)據(jù)集是不同的。這兩種方式可以增加訓(xùn)練數(shù)據(jù)集的數(shù)量和多樣性，而且用較小的圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，可以大大減少訓(xùn)練期間的GPU內(nèi)存需求和計算成本。

2.2 網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置

在構(gòu)建本文網(wǎng)絡(luò)時，每一層的參數(shù)都是隨機(jī)初始化的，因此需要對其進(jìn)一步更新，以創(chuàng)建輸入地震數(shù)據(jù)體到輸出斷層概率體之間的良好映射網(wǎng)絡(luò)。在模型訓(xùn)練的過程中需要使用優(yōu)化算法迭代更新參數(shù)，直至輸出的斷層數(shù)據(jù)與斷層標(biāo)簽之間的誤差收斂到最佳為止。本文使用Adam(Adaptive Moment Estimation)方法[31]優(yōu)化網(wǎng)絡(luò)參數(shù)。

因為斷層檢測涉及到二進(jìn)制圖像分割問題，常用的損失函數(shù)是二進(jìn)制交叉熵(Binary Cross Entropy)LBCE[32]，即

(3)

式中：Ns是三維輸出圖像或標(biāo)簽圖像中樣本的數(shù)量；yi和pi分別表示第i個圖像樣本的斷層二進(jìn)制標(biāo)簽值和預(yù)測值。

當(dāng)損失函數(shù)設(shè)定為二進(jìn)制交叉熵時，斷層識別會出現(xiàn)類別不均衡的問題，這是因為在實(shí)際地震資料中，斷層點(diǎn)占比遠(yuǎn)遠(yuǎn)小于非斷層點(diǎn)。數(shù)據(jù)樣本分布的不均衡會影響網(wǎng)絡(luò)模型的訓(xùn)練，并且樣本在比例失衡的情況下會導(dǎo)致網(wǎng)絡(luò)模型性能下降，最終導(dǎo)致斷層檢測的準(zhǔn)確性降低。因此，本文在二進(jìn)制交叉熵的基礎(chǔ)上，引入Focal Loss損失函數(shù)[33]，可以解決斷層檢測中斷層點(diǎn)與非斷層點(diǎn)比例失衡的問題，其表達(dá)式為

(4)

式中：α是平衡系數(shù)，取值為0.5；γ為調(diào)節(jié)因子，通常取2。

為了選擇合適的學(xué)習(xí)率(Learning Rate，LR)，本文進(jìn)行了不同的試驗(圖5)。由圖5可見，學(xué)習(xí)率為1×10-4時，訓(xùn)練的損失最小，準(zhǔn)確率最高，所以本文設(shè)置學(xué)習(xí)率為1×10-4。

圖5 不同學(xué)習(xí)率計算得到的準(zhǔn)確率(左)和損失(右)

學(xué)習(xí)率為1×10-4時，不同迭代次數(shù)(20、40、60和80)得到的斷層檢測結(jié)果如圖6所示。可以看出，當(dāng)?shù)螖?shù)為20時，斷層檢測精度低，不能準(zhǔn)確識別斷層交叉點(diǎn)(藍(lán)色箭頭所示)；當(dāng)?shù)螖?shù)為40、60和80時，得到的結(jié)果相差不大。為了提高網(wǎng)絡(luò)訓(xùn)練效率，本文選定迭代次數(shù)為40。

圖6 不同迭代次數(shù)的斷層檢測結(jié)果

2.3 模型測試

用相同的參數(shù)(學(xué)習(xí)率為1×10-4，迭代次數(shù)為40，訓(xùn)練平臺為Google Colab)分別訓(xùn)練三維U-Net和本文網(wǎng)絡(luò)，訓(xùn)練完成后保存模型，然后在30個驗證數(shù)據(jù)集上進(jìn)行測試(驗證數(shù)據(jù)集未參與網(wǎng)絡(luò)訓(xùn)練，大小為128×128×128)，并對斷層預(yù)測結(jié)果進(jìn)行量化評價。

斷層的預(yù)測屬于二分類問題，在二分類的問題中，兩種類別通常被定義為正類(Positive)和負(fù)類(Negative)。在這類問題中，又可以細(xì)分為四種情況：假如一個樣本是正類也被預(yù)測成正類，就叫做真正類(True Positive，TP)，反之，若是負(fù)類卻被當(dāng)作正類的話，就被稱作假正類(False Positive，F(xiàn)P)；類似地，當(dāng)樣本是負(fù)類而被預(yù)測為負(fù)類，那么就是真負(fù)類(True Negative，TN)，而正類被預(yù)測為負(fù)類就是假負(fù)類(False Negative，F(xiàn)P)，對應(yīng)的斷層預(yù)測的相關(guān)可能性見表1。

表1 斷層預(yù)測的相關(guān)可能性分類

根據(jù)斷層預(yù)測的相關(guān)可能性，采用準(zhǔn)確率(A)、召回率(R)、F1值(衡量二分類模型精度的一種指標(biāo)，同時兼顧了精確率和召回率)和交并比IOU(Intersection Over Union)四種指標(biāo)可以量化評價斷層檢測效果。主要指標(biāo)定義如下。

TP的數(shù)量(QTP)與QTP和FP數(shù)量(QFP)之和的比率為精確率，即

(5)

P表示的是預(yù)測為正的樣本中有多少是對的，值越大，預(yù)測效果越好。

QTP與QTP和FN數(shù)量(QFN)之和的比率為召回率，即

(6)

R表示樣本里的正類被正確預(yù)測的比例。

F1值是精確率與召回率的調(diào)和平均值，即

(7)

對于給定的相關(guān)數(shù)據(jù)集，分類器正確識別的樣本數(shù)除以總樣本數(shù)，即可得準(zhǔn)確率

(8)

交并比為

(9)

式中：ytrue表示斷層標(biāo)簽；ypre表示網(wǎng)絡(luò)模型預(yù)測的斷層；S(·)表示面積。IOU介于0與1之間，越接近于1，表示斷層重疊面積越大，識別效果越好。

分別利用三維U-Net和本文網(wǎng)絡(luò)預(yù)測30個驗證數(shù)據(jù)的斷層，三維U-Net的斷層檢測結(jié)果A、R、F1、IOU分別為0.945～0.968、0.678～0.821、0.668～0.862、0.540～0.741；而本文網(wǎng)絡(luò)A、R、F1、IOU分別為0.961～0.989、0.710～0.881、0.699～0.921、0.571～0.810。

選擇其中一個測試模型展示斷層預(yù)測效果(圖7)，對應(yīng)的量化評價結(jié)果見表2。從圖7可以看出，三維U-Net和本文網(wǎng)絡(luò)基本能識別出斷層形態(tài)及展布，但在斷層交叉位置處(圖7c藍(lán)色箭頭所示)，三維U-Net不能對其有效檢測，識別出的斷層結(jié)果與斷層標(biāo)簽偏差較大；而本文網(wǎng)絡(luò)可以清晰、準(zhǔn)確地檢測出斷層交叉點(diǎn)的位置。從表2可以看出，本文網(wǎng)絡(luò)的各個評價指標(biāo)均優(yōu)于三維U-Net網(wǎng)絡(luò)。

圖7 驗證數(shù)據(jù)的斷層預(yù)測效果

表2 兩種網(wǎng)絡(luò)檢測斷層的量化評價結(jié)果

3 實(shí)際地震資料應(yīng)用

為了驗證本文網(wǎng)絡(luò)在實(shí)際地震資料中的應(yīng)用效果，將本文網(wǎng)絡(luò)訓(xùn)練得到的模型應(yīng)用于大港油田自來屯工區(qū)的三維地震資料。選取的三維地震數(shù)據(jù)縱測線號為1975～2230，橫測線號為1100～2124，時間為1000～1800ms，采樣間隔為1ms。工區(qū)內(nèi)斷層比較發(fā)育，特別是“Y”形、交叉小斷層較多。大部分?jǐn)鄬拥膬A角為50°～80°，斷距大致為10～70m。

分別采用三維U-Net和本文網(wǎng)絡(luò)訓(xùn)練得到的模型對該地震數(shù)據(jù)進(jìn)行斷層檢測。從縱測線檢測結(jié)果(圖8、圖9)可以看出，相干體屬性基本可以指示大斷層的位置以及展布形態(tài)，但連續(xù)性較差，且非斷層區(qū)域干擾較多，小斷層雜亂，難以準(zhǔn)確識別。三維U-Net和本文網(wǎng)絡(luò)識別出的大斷層特征更清晰，小斷層的細(xì)節(jié)特征也更豐富，表明了兩種網(wǎng)絡(luò)的斷層預(yù)測結(jié)果(圖8c、圖8d、圖9c、圖9d)均優(yōu)于相干體屬性(圖8b、圖9b)。同時，相較于三維U-Net網(wǎng)絡(luò)，本文網(wǎng)絡(luò)檢測的大斷層連續(xù)性更好，斷層邊緣更清晰(圖8c和圖8d的藍(lán)色框內(nèi))，而且本文網(wǎng)絡(luò)檢測到的小斷層特征更明顯，并能有效減少小斷層的漏識別和錯誤識別的概率(圖8c、圖8d、圖9c和圖9d的黃色框內(nèi))。

圖8 Inline2060地震剖面斷層檢測結(jié)果對比

圖9 Inline2150地震剖面斷層檢測結(jié)果對比

橫測線方向上顯示大斷層較多，且類似于階梯狀(圖10a)，小斷層較少。相干體屬性識別出的大斷層連續(xù)性較差(圖10b)，小斷層基本不能有效識別。三維U-Net網(wǎng)絡(luò)的斷層識別精度有了明顯提高，但相較于本文網(wǎng)絡(luò)檢測結(jié)果，個別大斷層連續(xù)性差(圖10c和圖10d的藍(lán)色框內(nèi))。

圖10 Crossline1300地震剖面斷層檢測結(jié)果對比

從相干屬性時間切片(圖11a)可以看出，大斷層展布形態(tài)較清晰，但小斷層難以準(zhǔn)確識別。三維U-Net網(wǎng)絡(luò)檢測的斷層(圖11c)識別精度有了明顯提高，且背景干擾減少，但某些區(qū)域的斷層連續(xù)性差。本文網(wǎng)絡(luò)檢測斷層(圖11d)形態(tài)和展布更為清晰，大斷層連續(xù)性更好，小斷層特征更豐富，斷層識別精度有了很大提高。

綜上所述，本文網(wǎng)絡(luò)的斷層檢測精度更高，特別是在小斷層的識別方面更具優(yōu)勢，這也證明了本文方法的有效性。

4 結(jié)論與認(rèn)識

本文將三維U-Net和殘差學(xué)習(xí)模塊結(jié)合在一起，并引入多層深度監(jiān)督的機(jī)制，構(gòu)建了基于三維深度監(jiān)督網(wǎng)絡(luò)識別斷層的方法。該方法可以更有效地結(jié)合斷層的多尺度信息，提高斷層識別的準(zhǔn)確性。理論模型測試和實(shí)際地震資料的應(yīng)用表明，與常規(guī)三維U-Net相比，本文方法能夠更加準(zhǔn)確地識別斷層，預(yù)測的斷層連續(xù)性更好，小斷層的識別準(zhǔn)確率也更高。

在三維深度監(jiān)督網(wǎng)絡(luò)的實(shí)際應(yīng)用中，以下三點(diǎn)需要重點(diǎn)關(guān)注。

(1)三維深度監(jiān)督網(wǎng)絡(luò)的層數(shù)可以選擇三層或四層(本文為四層)。多次實(shí)驗證實(shí)，在實(shí)際地震數(shù)據(jù)的斷層特征較為簡單的情況下，三層網(wǎng)絡(luò)可以滿足實(shí)際的斷層檢測要求。

(2)在生成斷層訓(xùn)練樣本時，盡量根據(jù)實(shí)際地震資料的斷層特征設(shè)置參數(shù)，特別是斷層傾角、斷距、子波頻率和信噪比這幾個參數(shù)對模型的適用性影響較大。

(3)關(guān)于迭代次數(shù)的選擇，多組隨機(jī)選擇的斷層樣本訓(xùn)練證明，迭代次數(shù)選擇40的時候驗證數(shù)據(jù)的斷層預(yù)測準(zhǔn)確率可以達(dá)到0.96，繼續(xù)增加迭代次數(shù)，準(zhǔn)確率的提高程度有限，對實(shí)際數(shù)據(jù)的斷層檢測影響較小。考慮到網(wǎng)絡(luò)訓(xùn)練的時間成本和計算效率，迭代次數(shù)不必選擇太大。