不同插值方法在斷層檢測(cè)模型中的應(yīng)用效果對(duì)比分析

楊夢(mèng)瓊,王澤峰,許輝群，李欣怡，魏文齋

(1.長江大學(xué) 地球物理與石油資源學(xué)院，湖北 武漢 430100;2.中國石油遼河油田公司錦州采油廠,遼寧 凌海 121209)

1 引 言

斷層是地殼因受到一定強(qiáng)度的作用力發(fā)生破裂，且沿破裂面有明顯相對(duì)移動(dòng)的構(gòu)造，它是一種非常常見的地質(zhì)現(xiàn)象，目前我國大部分含油盆地內(nèi)的含油構(gòu)造都含有斷層，能否準(zhǔn)確識(shí)別斷層對(duì)油氣的開采有著非常重要的影響[1]。利用地震資料的斷層探測(cè)發(fā)展到如今，已經(jīng)出現(xiàn)了許多方法，常規(guī)的斷層探測(cè)方法主要有：Colorni提出的螞蟻體技術(shù)[2]，Gersztenkorn等提出的C3相干體技術(shù)[3]，Marfurt K J等提出的平面多屬性分析技術(shù)[4]，Randen T等提出的邊緣探測(cè)技術(shù)[5]，劉志遠(yuǎn)等提出的淺層地震反射波法[6]，吳永輝等提出的三維地震小斷層精細(xì)解釋方法[7]，上述技術(shù)方法在實(shí)際運(yùn)用中都取得了不錯(cuò)的效果。隨著人工智能技術(shù)的發(fā)展，先后出現(xiàn)了用BP人工神經(jīng)網(wǎng)絡(luò)自動(dòng)識(shí)別小斷層[8]，該方法的參數(shù)選擇受人為因素影響較大，而分形技術(shù)與神經(jīng)網(wǎng)絡(luò)結(jié)合[9]可以實(shí)現(xiàn)參數(shù)選擇的自動(dòng)化。上述機(jī)器學(xué)習(xí)的方法與傳統(tǒng)方法結(jié)合，如螞蟻?zhàn)粉櫵惴ê蜕窠?jīng)網(wǎng)絡(luò)結(jié)合[10]可以解決斷層的樣本問題，但現(xiàn)實(shí)的標(biāo)簽獲取中無論是通過相干體、邊緣探測(cè)還是螞蟻體技術(shù)，仍然有一些斷層標(biāo)簽無法獲取，通過競(jìng)爭(zhēng)學(xué)習(xí)的方法[11]可以解決上述問題。為了進(jìn)一步提高斷層的探測(cè)精度，通過深度神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)地震數(shù)據(jù)和斷層標(biāo)簽之間的關(guān)系[12]，從地震數(shù)據(jù)中提取特征，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)等技術(shù)來進(jìn)行斷層探測(cè)[13]。MLP、SVM、VGG分別是上述技術(shù)中用到的典型模型，本文將對(duì)這三種模型斷層探測(cè)的性能進(jìn)行分析，找出最佳模型，并分析不同插值方式的影響。

2 原 理

2.1 單隱層MLP模型結(jié)構(gòu)

單隱層MLP[14]包含三層：一層是由感知單元組成的輸入層，一層是計(jì)算節(jié)點(diǎn)的隱含層，一層是輸出層。輸入層的激活函數(shù)是對(duì)數(shù)s形函數(shù)，隱含層激活函數(shù)是線性函數(shù)。

2.2 SVM模型結(jié)構(gòu)

SVM[15]的準(zhǔn)則是結(jié)構(gòu)風(fēng)險(xiǎn)最小化。對(duì)于線性可分的二分類問題，目標(biāo)是尋找最優(yōu)線性分界面，使兩類模式向量分開的間隔最大，對(duì)于線性不可分的二分類問題，尋找一個(gè)核函數(shù)，通過某種非線性映射將樣本映射到一個(gè)特征空間，在這個(gè)特征空間中構(gòu)造最優(yōu)分類超平面，不同的核函數(shù)會(huì)形成不同的算法，多項(xiàng)式核函數(shù)、徑向基函數(shù)都是最常用的核函數(shù)。

2.3 VGG模型

VGG[16]相比AlexNet的一個(gè)改進(jìn)是采用連續(xù)的幾個(gè)3×3的卷積核代替AlexNet中的較大卷積核(11×11，7×7，5×5)。對(duì)于給定的感受野，采用堆積的小卷積核優(yōu)于采用大的卷積核，因?yàn)槎鄬臃蔷€性層可以通過增加網(wǎng)絡(luò)深度來保證學(xué)習(xí)更復(fù)雜的模式，而且參數(shù)更少。

模型的訓(xùn)練過程由兩部分組成。一部分通過自下向上的無監(jiān)督學(xué)習(xí)：采用無標(biāo)簽數(shù)據(jù)分層訓(xùn)練各層參數(shù)，這是一個(gè)無監(jiān)督訓(xùn)練(也是一個(gè)特征學(xué)習(xí))過程，是和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)區(qū)別最大的部分。具體是：用無標(biāo)簽數(shù)據(jù)去訓(xùn)練第一層，這樣就可以學(xué)習(xí)到第一層的參數(shù)，在學(xué)習(xí)得到第n-1層后，再將第n-1層的輸出作為第n層的輸入，訓(xùn)練第n層，進(jìn)而分別得到各層的參數(shù)。這稱為網(wǎng)絡(luò)的預(yù)訓(xùn)練。另一部分進(jìn)行自頂向下的監(jiān)督學(xué)習(xí)：在預(yù)訓(xùn)練后，采用有標(biāo)簽的數(shù)據(jù)來對(duì)網(wǎng)絡(luò)進(jìn)行區(qū)分性訓(xùn)練，此時(shí)誤差自頂向下傳輸[17]。預(yù)訓(xùn)練類似傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的隨機(jī)初始化，但由于深度學(xué)習(xí)的第一步不是隨機(jī)初始化而是通過學(xué)習(xí)無標(biāo)簽數(shù)據(jù)得到的，因此這個(gè)初值比較接近全局最優(yōu)，所以深度學(xué)習(xí)效果好很多，程序上應(yīng)歸功于第一步的特征學(xué)習(xí)過程。斷層探測(cè)的方法一般分為三步，第一步是數(shù)據(jù)的獲取與預(yù)處理，預(yù)處理主要是為了減輕數(shù)據(jù)本身的質(zhì)量缺陷對(duì)探測(cè)結(jié)果的影響而采取的轉(zhuǎn)置、翻轉(zhuǎn)、高斯平滑、標(biāo)準(zhǔn)化等操作；第二步是數(shù)據(jù)切分，提取數(shù)據(jù)的特征信息，這也是樣本構(gòu)建的關(guān)鍵，處理效果直接關(guān)系到模型最后的探測(cè)準(zhǔn)確度；第三步就是數(shù)據(jù)后處理部分，確定斷層位置和形狀[18]。深度學(xué)習(xí)本質(zhì)上是構(gòu)建一個(gè)復(fù)雜函數(shù)進(jìn)行分類和預(yù)測(cè)。而斷層探測(cè)本質(zhì)上是一個(gè)二分類問題，即有斷層的地方為1，無斷層的地方為0，因此基于深度學(xué)習(xí)的斷層探測(cè)原理就是將各個(gè)位置的地震數(shù)據(jù)放入構(gòu)建的函數(shù)中，根據(jù)得到的結(jié)果進(jìn)行是否為斷層的判斷[19]

3 模型訓(xùn)練及測(cè)試

3.1 斷層樣本的構(gòu)建

首先讀取地震數(shù)據(jù)并轉(zhuǎn)換為矩陣，將矩陣轉(zhuǎn)置翻轉(zhuǎn)實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)，數(shù)據(jù)增強(qiáng)可以避免過擬合。當(dāng)數(shù)據(jù)集具有某種明顯的特征，使用Cutout方法和風(fēng)格遷移變化等相關(guān)方法可避免模型學(xué)到跟目標(biāo)無關(guān)的信息。此外還可以提升模型的穩(wěn)定性，降低模型對(duì)數(shù)據(jù)的敏感度[20]。

由于地震數(shù)據(jù)振幅值變化范圍很大，且含有異常值，對(duì)矩陣進(jìn)行高斯平滑和標(biāo)準(zhǔn)化處理。接著讀取標(biāo)簽文件，將其轉(zhuǎn)換為矩陣，根據(jù)公式(1)和公式(2)計(jì)算斷層線的坐標(biāo)，創(chuàng)建空白圖片，并根據(jù)坐標(biāo)繪制斷層線。

式(1)、式(2)中,x為斷層線端點(diǎn)橫坐標(biāo);y為斷層線端點(diǎn)的縱坐標(biāo);l為道號(hào);m為起始道號(hào);c為道號(hào)間隔;t為采樣時(shí)間，單位為ms；s為采樣起始時(shí)間，單位為ms；z為采樣間隔。其中原始數(shù)據(jù)和樣本如圖1所示。最后將標(biāo)簽數(shù)據(jù)和地震數(shù)據(jù)切分為若干個(gè)方陣，這是因?yàn)橛?jì)算機(jī)在識(shí)別圖像信息的過程中，機(jī)器需要將圖片切分成很多個(gè)小塊，然后從每一個(gè)小塊中提取某些低級(jí)特征，這個(gè)過程類似于卷積，切分的大小代表感受野的大小，移動(dòng)的步長代表提取的精度。移動(dòng)步長為1時(shí)，相鄰步感受野會(huì)有重復(fù)的區(qū)域，隨著步長增大，相鄰感受野會(huì)減少甚至沒有，且步長為1提取的特征較多，遺漏的特征少。步長增加會(huì)遺漏許多特征，因此本文在切分過程中將移動(dòng)步長設(shè)為1。切分完之后對(duì)切分圖像的大小進(jìn)行Resize操作，Resize后根據(jù)切分得到的標(biāo)簽方陣中0的數(shù)量來判定其是否含有斷層線，將含有斷層線的方陣放入斷層列表，無斷層線的放入非斷層列表，將斷層列表和非斷層列表合并組成數(shù)據(jù)列表，生成與斷層列表數(shù)量一致的全為1的列表，與非斷層數(shù)量一致的全為0的列表，兩列表合并組成標(biāo)簽列表。

圖1 樣本對(duì)Fig.1 Sample pair

3.2 斷層模型測(cè)試及分析

創(chuàng)建模型，包括VGG模型、MLP模型、SVM模型，訓(xùn)練數(shù)據(jù)采用合成地震數(shù)據(jù)，將5個(gè)484道，76個(gè)采樣點(diǎn)的地震剖面放入模型中進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后保存模型結(jié)構(gòu)文件(json)和模型權(quán)重文件(h5),加載訓(xùn)練好的模型，測(cè)試數(shù)據(jù)由Tessaral軟件正演得出一個(gè)101道，971個(gè)采樣點(diǎn)的地震剖面，放入模型后，對(duì)其進(jìn)行預(yù)測(cè)。其預(yù)測(cè)結(jié)果含有Accuracy、Sensitivity、Specificity、F1-Score、AUC五個(gè)評(píng)價(jià)指標(biāo)，其中,Accuracy為準(zhǔn)確率，是分類正確的斷層和非斷層占全部數(shù)據(jù)的比例；Sensitivity為敏感性，是指正確判斷非斷層的概率；Specificity為特異性，是指正確判斷斷層的概率；F1-Score為平衡F分?jǐn)?shù)，其取值范圍從0到1的，1代表模型的輸出最好，0代表模型的輸出結(jié)果最差。由于數(shù)據(jù)集不平衡，特異性和準(zhǔn)確性分?jǐn)?shù)不能很好地表示這些指標(biāo)的含義[21]，AUC值是一個(gè)用來評(píng)價(jià)二分類模型優(yōu)劣的常用指標(biāo)，AUC值越高，通常表明模型的效果越好。各個(gè)模型指標(biāo)得分如表1所示，預(yù)測(cè)結(jié)果如圖2所示。

表1 各模型指標(biāo)得分

圖2 預(yù)測(cè)結(jié)果Fig.2 Prediction results

數(shù)據(jù)輸入到網(wǎng)絡(luò)模型中是轉(zhuǎn)為向量(矩陣)輸入的。由于網(wǎng)絡(luò)結(jié)構(gòu)的限制，進(jìn)入全連接層的輸入維度必須是固定的，因此需要進(jìn)行大小調(diào)整，使輸入向量維數(shù)等于輸入層節(jié)點(diǎn)數(shù)。數(shù)據(jù)尺寸變化需要進(jìn)行插值，nearest(最近鄰插值)、linear(雙線性插值)和cubic(雙三次插值)是最常見的三種方式，其中雙三次插值計(jì)算量最大，其不僅考慮到周圍四個(gè)直接相鄰像素點(diǎn)灰度值的影響，還考慮到它們灰度值變化率的影響[22]。上述三種插值方式在圖像處理中的作用已經(jīng)有許多學(xué)者對(duì)其進(jìn)行了分析和比較，而area(使用像素區(qū)域關(guān)系重采樣)大都語焉不詳，想要對(duì)比這四種插值效果的優(yōu)劣。同一模型中不同插值方法預(yù)測(cè)結(jié)果分別如圖3、圖4、圖5所示。

圖3 VGG模型Fig.3 VGG model

圖4 MLP模型Fig.4 MLP model

圖5 SVM模型Fig.5 SVM model

4 結(jié) 論

1)相同插值條件下，根據(jù)AUC值得分和預(yù)測(cè)結(jié)果對(duì)比，SVM模型預(yù)測(cè)效果最好。

2)在數(shù)據(jù)前期處理中，改變切分圖片RESIZE時(shí)的插值方式，同一模型中INTER-AREA插值法與INTER-CUBIC、INTER-LINEAR插值法相比預(yù)測(cè)結(jié)果更精細(xì),INTER-AREA插值法與INTER-NEAREST插值法相比預(yù)測(cè)結(jié)果更純凈，即同一模型中INTER-AREA插值法下檢測(cè)效果最好。

由于訓(xùn)練采用的是合成地震數(shù)據(jù)，無法復(fù)現(xiàn)所有類型真實(shí)的地質(zhì)構(gòu)造，斷層形狀是被簡化過的，只有直斷層，所以上述結(jié)論只適用于地質(zhì)構(gòu)造較為簡單，斷層彎曲程度較小的地區(qū)。