基于深度卷積神經(jīng)網(wǎng)絡(luò)的地震相識別

韓 紅，碩良勛，柴變芳，朱乾菲

(河北地質(zhì)大學(xué)信息工程學(xué)院，河北 石家莊 050031)

0 引言

由于地震數(shù)據(jù)量劇增，傳統(tǒng)的地震處理和解釋方法無法充分利用研究人員長期積累的有效經(jīng)驗，人工解釋耗時長，工作量巨大難以承受，一些地震學(xué)者對地震自動解釋投入了較高的關(guān)注，采用智能物探技術(shù)可有效提高傳統(tǒng)地震處理方法和解釋工具的效率以及成果質(zhì)量。主要的技術(shù)有大數(shù)據(jù)、機器學(xué)習(xí)和深度學(xué)習(xí)等。物探數(shù)據(jù)處理、巖石物性分析、井孔、油藏與油氣開發(fā)數(shù)據(jù)領(lǐng)域都用到了機器學(xué)習(xí)。但是目前絕大多數(shù)的研究與分析都基本上應(yīng)用在了地震數(shù)據(jù)處理方面。例如，初至拾取、地震反演、儲層參數(shù)預(yù)測、噪聲壓制與信號增強、地震速度拾取與建模、地震構(gòu)造解釋。在地震解釋方面，人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)主要應(yīng)用于斷層自動解釋、鹽體識別、地質(zhì)體識別、地震相識別、含油氣性預(yù)測和非常規(guī)頁巖脆性預(yù)測，有效地提高了解釋的效率，并且取得了良好的解釋效果。

地質(zhì)油藏的地震響應(yīng)是多孔巖石的彈性性質(zhì)的函數(shù)，從地震屬性中提取各種地震屬性是為了識別地震相，提取出具有代表性的屬性特征，例如振幅、頻率、相位、波形、波峰、波谷等與油氣儲層的幾何結(jié)構(gòu)、巖性、物性、含油氣性之間的關(guān)系。但是在深度學(xué)習(xí)的具體應(yīng)用中，存在屬性選擇與標(biāo)簽類型的代表性問題。地震相的識別主要有兩種方法，第一個是通過肉眼定性地觀察地震反射的特征，并與之前的標(biāo)準(zhǔn)地震資料特征進行分析，進而判斷地震地震相類別，也就是所說的“相面法”，但是由于地震資料解釋人員的主觀性和不確定性較強，且地震數(shù)據(jù)量大、識別率比較低。第二類方法基于數(shù)學(xué)模型、地震數(shù)據(jù)處理技術(shù)和計算機硬件設(shè)備的支持來對地震數(shù)據(jù)提取出能夠反映地質(zhì)特征的屬性參數(shù)，根據(jù)得到的信息來識別地震相。這類方法能夠?qū)Φ卣饠?shù)據(jù)體的屬性參數(shù)進行精確計算，是一個高效的識別方法。

Kohonen[1]在 2001年提出的自組織映射網(wǎng)絡(luò)（SOM）成為了無監(jiān)督地震相中最重要的工具之一，利用波形的相似性和地震屬性特征進行地震相分析，對目標(biāo)層位的地震道的形狀進行識別，進而劃分地震相。隨后，SaggafM[2]等在2003年提出應(yīng)用于地震反射特征的競爭神經(jīng)網(wǎng)絡(luò)地震相識別方法.De Matos[3]等在 2007年提出的基于小波變換提取地震數(shù)據(jù)中奇異性特征的自組織映射網(wǎng)絡(luò)（SOM）方法對地震反射波形進行分類，消除人工解釋的地震資料中存在的誤差對地震相正確識別產(chǎn)生的影響。Hami-Eddine K[4]等在 2009年提出自適應(yīng)神經(jīng)網(wǎng)絡(luò)的測井相校準(zhǔn)的地震模型的有監(jiān)督波形分類方法。劉慶敏等在2010年提出的基于經(jīng)驗?zāi)B(tài)分解的方法應(yīng)用于地震相識別。Bagheri[5]等在 2013年使用支持向量機分類器對地震相進行識別，選取了14種地震屬性（相位余弦、瞬時頻率等）來表達(dá)地震相，劃分高維特征的小樣本在伊朗油田地震數(shù)據(jù)集上取得了很高的準(zhǔn)確率。Ross[6]等在2017年使用深度學(xué)習(xí)來對地震原始數(shù)據(jù)提取特征。Waldeland[7]等在2018年提出將深度學(xué)習(xí)技術(shù)應(yīng)用于斷層和鹽體的解釋。Wu[8]等在 2019年提出使用合成地震數(shù)據(jù)斷層完成了端到端的卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，該方法大幅度解決了數(shù)據(jù)量缺乏問題，減輕了手動拾取斷層作為訓(xùn)練數(shù)據(jù)的工作量，并且改進了 U-net網(wǎng)絡(luò)模型，加快了模型的訓(xùn)練。

傳統(tǒng)的地震相識別方法都基于確定性的方法或者一定的模型假設(shè)，相比之下，深度學(xué)習(xí)在數(shù)據(jù)挖掘和尋找關(guān)系方面比較強大，以數(shù)據(jù)驅(qū)動為基礎(chǔ)，能夠高效地尋找輸入數(shù)據(jù)與目標(biāo)數(shù)據(jù)的之間的對應(yīng)關(guān)系，不受模型假設(shè)等諸多限制因素的影響。

現(xiàn)有的深度學(xué)習(xí)方法的網(wǎng)絡(luò)模型只能提取單一接收域下的目標(biāo)特征，難以獲得地震相在剖面上的全局空間分布信息。本文在前人的研究基礎(chǔ)上，改進 VGG16網(wǎng)絡(luò)模型，在全連接層前端添加混合膨脹卷積和空洞空間金字塔池化模塊，多尺度融合信息。

1 方法原理

在本實驗中，我們使用了dGB地球科學(xué)公司的荷蘭北海F3區(qū)塊疊后地震解釋數(shù)據(jù)集，該數(shù)據(jù)集包含了384平方千米的地震數(shù)據(jù)，共有951條imlines，651條Crosslines，采樣率4 ms，記錄長度1848 ms，面元大小25×25米，生成了9個不同的層位，將不同的地震相分割出來，另有4口井的測井曲線，這些數(shù)據(jù)集經(jīng)過解釋形成了標(biāo)簽樣本數(shù)據(jù)集。圖1為F3的位置。在北海大陸內(nèi)，根據(jù)文獻(xiàn)（Van Adrichem Bogaert and Kouwe, 1993[9];Mijnlieff,2002[10]; Scheck-Wenderoth and Lamarche,2003[11]; Duin et al. 2006[12]）已經(jīng)確定了十組巖石。按照地質(zhì)年代從新到舊進行劃分，如Upper North Sea group、Lower and Middle North Sea groups、Chalk group、Rijnland group、Schieland, Scruff and Niedersachsen groups、Altena group、Lower and Upper Germanic Trias groups、Zechstein group、Upper and Lower Rotliegend groups、Limburg group。

圖1 荷蘭北海F3位置Fig.1 F3 location in the Netherlands North Sea

為在地震剖面上訓(xùn)練不同深度的二維切片，將二維剖面按振幅屬性劃分為九類，選取北海疊后F3的inline339的完全有標(biāo)簽數(shù)據(jù)，并使用滑動窗口選取158812個patch作為樣本對網(wǎng)絡(luò)進行訓(xùn)練。通過對 CNN模型進行簡化以減少模型訓(xùn)練時間，并對其修改以提高性能。在提取特征層的末端采用混合空洞卷積（Hybrid Dilation Convolution,HDC），還應(yīng)用了空間金字塔池化模塊（Atrous Spatial Pyramid Pooling）進一步多尺度融合特征，將深度學(xué)習(xí)解釋的結(jié)果與人工解釋的結(jié)果相結(jié)合，更好地確定油氣的聚集區(qū)域。

空洞卷積（Dilation Convolution）：普通卷積對圖像的細(xì)節(jié)信息不夠敏感，于是在網(wǎng)絡(luò)中使用了空洞卷積來解決該問題。它在卷積層中引入了名為“膨脹率”的參數(shù)，定義了卷積核的點間隔的個數(shù)，空洞卷積是一種在特征圖上進行上采樣的方法，可以在不犧牲分辨率的情況下增強感受野。

混合空洞卷積（Hybrid Dilation Convolution,HDC）：雖然空洞卷積可以擴大感受野并減緩下采樣，但是會產(chǎn)生問題。當(dāng)多次使用相同的膨脹率時，特征圖中有些像素始終不參與運算，不利于密集預(yù)測。而且，空洞卷積對于獲取遠(yuǎn)程信息，在膨脹率較大的情況下使用它可能只對一些大目標(biāo)的分類有效，而忽略了小目標(biāo)。為了解決這個問題，我在網(wǎng)絡(luò)中應(yīng)用了混合空洞卷積，即為每一層設(shè)置不同膨脹率，從而擴大感受野的同時降低了網(wǎng)格效應(yīng)。

空洞空間金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）：在網(wǎng)絡(luò)中采用了空間金字塔模塊進行多尺度采樣，進一步增強提取的特征。通過使用多個不同膨脹率的并行空洞卷積來提取特征，獲取特征圖的上下文信息，然后融合特征。

網(wǎng)絡(luò)模型的結(jié)構(gòu)基于改進的VGG16，在網(wǎng)絡(luò)全連接的前端加入HDC+ASPP，然后再連接三個全連接層對地震相進行識別。

2 應(yīng)用實例

根據(jù)上述原理，對北海F3的三維疊后地震數(shù)據(jù)體進行模型訓(xùn)練，并用該模型預(yù)測出Inline500和Crossline500結(jié)果。HDC使用膨脹率分別為1，2和3的空洞卷積，ASPP使用并聯(lián)的空洞卷積，膨脹率分別為1，3，5。該網(wǎng)絡(luò)使用的是Relu激活函數(shù)進行激活，最后一層使用Softmax激活函數(shù)輸出每個類的概率。我們用較低的學(xué)習(xí)率，低衰減和經(jīng)典SGD優(yōu)化器取代Adam優(yōu)化器，并且使用了三個回調(diào)函數(shù)，在測試集上損失和準(zhǔn)確率的早停技術(shù)，在訓(xùn)練集上的損失達(dá)到最優(yōu)時保存模型[13]。

3 實驗結(jié)果

按照振幅屬性劃分，將劃分為九種地震相。我們使用Inline339生成帶標(biāo)注的數(shù)據(jù)集，如圖2所示。棕色代表低相干性，灰色代表急傾斜反射體，草綠色代表低振幅傾斜反射體，藍(lán)色代表連續(xù)高振福，橙色代表灰度，黃色代表低振幅，洋紅色代表高振幅，灰色代表鹽侵入體，藍(lán)綠色代表其他。訓(xùn)練集和測試集的損害和準(zhǔn)確率，如圖3和4所示。用該模型預(yù)測Inline500和Crossline500如圖5和6所示。

圖2 Inline339測線標(biāo)簽圖像Fig.2 Inline339 label image

圖3 訓(xùn)練集和測試集的準(zhǔn)確率Fig.3 Accuracy of training and test sets

圖4 訓(xùn)練集和測試集的損失Fig.4 Loss of training and test sets

圖5 Inline500的預(yù)測圖Fig.5 Prediction image of Inline500

圖6 Crossline500的預(yù)測圖Fig.6 Prediction image of Crossline500

對于Crossline500測線，在t≈400 ms，低相干性和其他區(qū)域的分離界面不太好。在t≈800 ms，高振福和低振幅傾斜反射體的連續(xù)性有點差，可能是由于地震數(shù)據(jù)質(zhì)量差造成的。在t≈1800 ms處左下方的位置，部分區(qū)域被誤分類為低振幅，但表現(xiàn)不明顯。實驗結(jié)果如圖7所示。

圖7 訓(xùn)練集和測試集的實驗結(jié)果Fig.7 Training and Test experiental results on Networks

5 總結(jié)

本文通過應(yīng)用改進的 VGG16網(wǎng)絡(luò)來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)識別地震相，并協(xié)助專家解釋分析。結(jié)果證明，可以使用在ImageNet上預(yù)訓(xùn)練的網(wǎng)絡(luò)獲得的知識在類似的任務(wù)重使用，在地震相識別方面表現(xiàn)出了良好的效果，提高分類精度。