基于MultiRes-Unet神經(jīng)網(wǎng)絡(luò)的三維斷層識(shí)別研究

李澤偉,朱培民,張 昊,廖志穎,李廣超,鄭浩然

(1.中國地質(zhì)大學(xué)(武漢)地球物理與空間信息學(xué)院,湖北武漢430074;2.東方地球物理勘探有限責(zé)任公司研究院,河北涿州072750;3.黃河勘測規(guī)劃設(shè)計(jì)研究院有限公司,河南鄭州450003)

斷層是地層受構(gòu)造運(yùn)動(dòng)影響產(chǎn)生相對位移的構(gòu)造。斷層構(gòu)造蘊(yùn)含眾多地質(zhì)意義。斷裂區(qū)域有利于儲(chǔ)存油氣,同時(shí)也是良好的油氣運(yùn)移通道,研究斷層的形成可以推算古地層的演化過程。隨著油氣勘探技術(shù)的發(fā)展,涌現(xiàn)出了許多斷層識(shí)別方法,如相干體分析[1-3]、曲率分析[4]、邊緣檢測技術(shù)[5]、螞蟻?zhàn)粉櫵惴╗6-7]等。但這些方法都存在一些不足,主要是識(shí)別結(jié)果存在連續(xù)性差和背景噪聲強(qiáng)的問題,識(shí)別精度有待于進(jìn)一步提升。

近年來,隨著深度學(xué)習(xí)技術(shù)的發(fā)展,其應(yīng)用逐漸拓展到地震勘探領(lǐng)域。斷層構(gòu)造在地震剖面上主要表現(xiàn)為反射同相軸的錯(cuò)斷、突然增減和消失等。因此,斷層的識(shí)別過程可以視作一個(gè)計(jì)算機(jī)視覺任務(wù)。此外,地震數(shù)據(jù)以其龐大的數(shù)據(jù)量和豐富的地質(zhì)特征滿足了深度學(xué)習(xí)需要大量樣本的技術(shù)需求。早在20世紀(jì)90年代就有學(xué)者將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于斷層解釋。董守華等[8]、崔若飛[9]將BP神經(jīng)網(wǎng)絡(luò)與地震多參數(shù)相結(jié)合,用于識(shí)別小斷層,但此類前饋式神經(jīng)網(wǎng)絡(luò)的層數(shù)較少,僅能學(xué)習(xí)到有限的斷層特征。隨著深度學(xué)習(xí)技術(shù)的發(fā)展,多種類型的卷積神經(jīng)網(wǎng)絡(luò)[10]被提出并應(yīng)用于斷層識(shí)別。XIONG等[11]利用Inline、Xline和Time 3個(gè)方向的地震剖面切片作為多通道輸入,預(yù)測3個(gè)切片的交點(diǎn)是否為斷點(diǎn)。WU等[12]提出了Fault Seg 3D神經(jīng)網(wǎng)絡(luò)模型,并通過學(xué)習(xí)大量的合成數(shù)據(jù)樣本實(shí)現(xiàn)了實(shí)際地震數(shù)據(jù)的斷層識(shí)別,并且準(zhǔn)確率較高。劉宗杰等[13]提出一種3D Unet全卷積神經(jīng)網(wǎng)絡(luò)用于低序級斷層識(shí)別。ALFARHAN等[14]在UNet網(wǎng)絡(luò)中添加了殘差結(jié)構(gòu),提高了斷層識(shí)別的準(zhǔn)確性。常德寬等[15]聯(lián)合ResNet和UNet網(wǎng)絡(luò)構(gòu)建了SeisFault-Net神經(jīng)網(wǎng)絡(luò)并用于地震數(shù)據(jù)的斷層識(shí)別。WU等[16]將VGG網(wǎng)絡(luò)結(jié)構(gòu)中的全連接層改為卷積層,修改得到的FCN網(wǎng)絡(luò)可以識(shí)別出復(fù)雜的斷層,且具有很高的抗噪性。席英杰等[17]構(gòu)建了用于斷層識(shí)別的SPD-Unet神經(jīng)網(wǎng)絡(luò)模型,在網(wǎng)絡(luò)中使用了空洞卷積,增強(qiáng)了斷層圖像特征提取能力。薄昕等[18]提出了一種基于PCNN和拉普拉斯金字塔變換的多屬性融合方法,該方法通過突出各個(gè)尺度上的目標(biāo)信息,進(jìn)一步提高了多屬性裂縫融合結(jié)果的精度。伍新民等[19]提出了一套三維地震數(shù)據(jù)構(gòu)造解釋與建模技術(shù)流程,整個(gè)流程包含三維斷層、層序和地質(zhì)體自動(dòng)化解釋以及構(gòu)造引導(dǎo)的井間插值巖性參數(shù)建模。

上述卷積神經(jīng)網(wǎng)絡(luò)在信噪比高的測試數(shù)據(jù)上表現(xiàn)良好,提高了斷層識(shí)別結(jié)果的連續(xù)性,但在具有復(fù)雜構(gòu)造的地震數(shù)據(jù)上表現(xiàn)不佳,存在錯(cuò)誤和漏識(shí)問題。此外,實(shí)際地震數(shù)據(jù)來源于三維地下空間,上述部分?jǐn)鄬幼R(shí)別方法是針對二維剖面設(shè)計(jì)的,這些算法只考慮了垂直于斷層走向的情況,如果應(yīng)用于三維地震數(shù)據(jù)則會(huì)遺漏斷層的空間信息,進(jìn)而降低識(shí)別準(zhǔn)確率,且二維識(shí)別結(jié)果不利于后續(xù)斷層建模工作的開展。

針對以上問題,本文直接從三維地震數(shù)據(jù)斷層識(shí)別出發(fā),提出了一種可支持多分辨率特征提取的三維神經(jīng)網(wǎng)絡(luò)MultiRes-Unet3D。MultiRes-Unet3D結(jié)合了Unet和ResNet兩種類型的卷積網(wǎng)絡(luò),且卷積塊擁有不同大小的感受野,具有提取不同尺度地質(zhì)構(gòu)造的能力,適用于不同分辨率的地震數(shù)據(jù)特征提取。引入的殘差結(jié)構(gòu)解決了梯度消失和梯度爆炸的問題,增強(qiáng)了網(wǎng)絡(luò)模型的穩(wěn)定性和泛化能力。MultiRes-Unet3D能夠很好地將不同層次的特征圖進(jìn)行融合,減少了因下采樣損失的邊界信息,提高了斷層識(shí)別精度。

1 MultiRes-Unet3D網(wǎng)絡(luò)斷層識(shí)別方法

斷層的規(guī)模有大有小,從千米級別到米級不等,且形態(tài)各異。斷層斷距從數(shù)十米到幾米不等。斷層在地震數(shù)據(jù)上顯示為同相軸的錯(cuò)斷、突然增減、消失或扭曲等。人們在識(shí)別斷層時(shí),通過少量的概念和樣本學(xué)習(xí),就可以很容易地掌握方法,但對機(jī)器學(xué)習(xí)和深度學(xué)習(xí)來說,斷層識(shí)別并不容易。因此,用人工神經(jīng)網(wǎng)絡(luò)來解決斷層的識(shí)別問題,必須考慮到下面幾點(diǎn):

1) 可以識(shí)別米級～千米級等不同規(guī)模的斷層,以及米級～數(shù)十米級斷距的斷層,以解決斷層規(guī)模變化大、多分辨率問題;

2) 具有同相軸錯(cuò)斷、突然增減、消失或扭曲等不同特征的斷層都能識(shí)別出來;

3) 斷層在三維地震數(shù)據(jù)體中所占有的體積比例很小,造成了常規(guī)斷層識(shí)別算法所識(shí)別的斷層連續(xù)性不強(qiáng);

4) 充分利用三維地震數(shù)據(jù)中的斷層樣本所提供的空間相關(guān)性,提高斷層的識(shí)別能力和準(zhǔn)確性;

5) 根據(jù)合成地震數(shù)據(jù)學(xué)習(xí)得到的網(wǎng)絡(luò)模型,可應(yīng)用于實(shí)際地震數(shù)據(jù),具有良好的泛化能力。

為此,對各種深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行了反復(fù)對比,以二維MultiRes-Unet[20]為基礎(chǔ),將其拓展到三維領(lǐng)域,以達(dá)到上述要求。MultiRes-Unet神經(jīng)網(wǎng)絡(luò)由Unet神經(jīng)網(wǎng)絡(luò)發(fā)展而來,具有較好的多分辨率信息的提取能力。傳統(tǒng)的Unet網(wǎng)絡(luò)雖然能夠較好地識(shí)別斷層,但隨著網(wǎng)絡(luò)深度的增加容易丟失部分邊界信息,造成數(shù)據(jù)邊界或者構(gòu)造邊緣處預(yù)測精度降低,網(wǎng)絡(luò)深度過大時(shí)可能會(huì)出現(xiàn)梯度消失和過擬合等問題。為了解決上述問題,除了將其拓展到三維領(lǐng)域,并對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)之外,還調(diào)整了相關(guān)神經(jīng)層和超參數(shù),使其可以更好地從三維疊后地震數(shù)據(jù)中識(shí)別出斷層。

1.1 MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)模型

MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,其結(jié)構(gòu)和Unet相似,也是基于編碼解碼結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)中的每個(gè)MultiRes Block作為一個(gè)采樣卷積模塊。編碼器包括4次下采樣模塊,可以用于特征提取;解碼器包括4次上采樣模塊,用于特征分類;每個(gè)下采樣模塊通過Res Path模塊連接與之平行的上采樣模塊。

圖1 MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖1中的MultiRes Block是支持不同分辨率和尺度特征的提取模塊,主要用于不同規(guī)模斷層的識(shí)別,其利用不同大小的卷積核具有的大小不同的感受野提取不同分辨率的特征,再對提取到的特征進(jìn)行融合,從而實(shí)現(xiàn)多種分辨率和多種尺度的特征提取。本文設(shè)計(jì)了3×3×3,5×5×5,7×7×7的卷積層并聯(lián)結(jié)構(gòu)來提取不同尺度的特征數(shù)據(jù)。此外,還增加了神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性和泛化能力,使神經(jīng)網(wǎng)絡(luò)能夠更加適應(yīng)不同分辨率的地震數(shù)據(jù)。2個(gè)3×3×3的卷積層串聯(lián)與1個(gè)5×5×5卷積層具有相同的感受野,而3個(gè)3×3×3卷積層串聯(lián)與1個(gè)7×7×7卷積層具有同樣的感受野。此外,多個(gè)卷積層與非線性的激活層交替的結(jié)構(gòu),比單一卷積層的結(jié)構(gòu)能更好地提取出深層的特征,且需要訓(xùn)練參數(shù)更少。為了實(shí)現(xiàn)和圖2a同等的多分辨率特征提取效果,采用圖2b中的結(jié)構(gòu),利用3個(gè)3×3×3的卷積層串聯(lián)并添加連接層?？紤]到網(wǎng)絡(luò)的深度過大可能造成梯度消失和梯度爆炸等問題,在圖2b的基礎(chǔ)上引入了1×1×1的卷積層,添加了殘差結(jié)構(gòu)[21]。MultiRes Block的最終結(jié)構(gòu)如圖2c所示。

圖2 MultiRes Block網(wǎng)絡(luò)結(jié)構(gòu)a 不同大小卷積層并聯(lián)融合結(jié)構(gòu); b 相同大小卷積層串聯(lián)等效結(jié)構(gòu); c 加入殘差連接的串聯(lián)等效結(jié)構(gòu)

Res Path模塊用于上、下采樣模塊之間的連接。上、下采樣模塊之間的連接可以實(shí)現(xiàn)淺層提取特征和深層提取特征的融合,減少下采樣損失的邊界信息。Unet將淺層特征和深層特征直接相連,不利于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)。如圖3所示,Res Path采用4個(gè)3×3×3的卷積層進(jìn)行特征提取,再將其與深層提取特征相融合。此外,每次卷積均引入了殘差結(jié)構(gòu),避免了網(wǎng)絡(luò)深度過大帶來的過擬合等問題。

圖3 Res Path網(wǎng)絡(luò)結(jié)構(gòu)

1.2 訓(xùn)練樣本的制作

深度學(xué)習(xí)算法以大數(shù)據(jù)驅(qū)動(dòng),要訓(xùn)練一個(gè)良好的斷層識(shí)別網(wǎng)絡(luò)模型,需要數(shù)量足夠多且包含豐富斷層類型和斷層特征的訓(xùn)練數(shù)據(jù)集?？紤]到實(shí)際三維地震訓(xùn)練樣本制作的復(fù)雜性,以及手工斷層解釋具有周期長,主觀性強(qiáng),且很難保證解釋結(jié)果的準(zhǔn)確性等缺點(diǎn),本文采用與文獻(xiàn)[22]類似的方法制作出高度真實(shí)的三維合成地震數(shù)據(jù)集,其擁有豐富的斷層類型和斷層構(gòu)造特征。具體的制作流程如下。

1) 生成水平反射模型(圖4a)。根據(jù)Robinson褶積模型,地震記錄道s(t)可由下式構(gòu)造出來:

圖4 合成地震數(shù)據(jù)的制作a 水平層狀地質(zhì)模型; b 褶皺模型; c 斷層模型; d 添加隨機(jī)噪聲后的模型

s(t)=w(t)*r(t)

(1)

式中:w(t)為地震子波;r(t)為反射系數(shù)序列。地震子波采用雷克子波,主頻為60Hz,時(shí)間采樣間隔為1ms。反射系數(shù)取值為[-1,1]內(nèi)的隨機(jī)數(shù),服從正態(tài)分布。

2) 生成褶皺模型。在三維地震地質(zhì)模型中采用垂直剪切水平模型的方法模擬褶皺結(jié)構(gòu)[23-24],剪切由S1和S2兩個(gè)位移場組合定義。第一個(gè)線性位移場S1定義為:

S1(X,Y,Z)=aX+bY+c0Z

(2)

式中:a,b,c0是在規(guī)定范圍內(nèi)的隨機(jī)數(shù);X,Y,Z為全局坐標(biāo)系下的點(diǎn)。

S1用于在模型中生成傾斜構(gòu)造,a,b決定了X,Y方向的傾角,取值范圍為[-0.25,0.25]。這個(gè)范圍可以避免S1在與S2結(jié)合后出現(xiàn)極端傾角的情況。設(shè)c0=-aXc-bYc,因此模型的中心道(Xc,Yc,Z)是沒有位移的。僅經(jīng)過傾斜構(gòu)造處理,不足以模擬真實(shí)的褶皺模型,再利用垂直位移場S2給地層模型增加彎曲結(jié)構(gòu):

(3)

式中:S2由N個(gè)二維高斯函數(shù)和一個(gè)線性標(biāo)量函數(shù)1.5Z/Zmax組成,線性標(biāo)量函數(shù)用于控制彎曲程度從下到上逐漸減少;(ck,dk)為第k個(gè)高斯函數(shù)的中心位置;σk為半寬度;bk為振幅。σk和bk為隨機(jī)選擇的數(shù)值,為了避免彎曲結(jié)構(gòu)過于尖銳,可選擇較小的值。通過N個(gè)高斯函數(shù)的疊加,可以創(chuàng)建各種形狀的褶皺結(jié)構(gòu)。水平地層反射模型經(jīng)過(2)式和(3)式的處理,再對數(shù)據(jù)進(jìn)行平滑處理,得到如圖4b所示的褶皺模型。

3) 生成斷層模型。在生成褶皺模型后,需要在地震模型中模擬出斷層構(gòu)造。如圖5所示,首先在地震數(shù)據(jù)中隨機(jī)選擇參考點(diǎn)(X0,Y0,Z0)作為斷層面上一點(diǎn),隨機(jī)生成斷層傾角θ∈(0°,90°),方位角φ∈(0°,180°)。接下來,定義一個(gè)局部坐標(biāo)系,以X0,Y0,Z0為坐標(biāo)原點(diǎn),x軸為斷層走向方向,y軸為傾角方向,z軸為法線方向。將全局坐標(biāo)系下的數(shù)據(jù)點(diǎn)(X,Y,Z)轉(zhuǎn)化到局部坐標(biāo)系下:

(4)

圖5 斷層模型[22]a 坐標(biāo)轉(zhuǎn)換示意; b 斷層位移示意

其中,(x,y,z)為局部坐標(biāo)系下的點(diǎn),矩陣R的具體形式為:

(5)

在斷層面上利用理想的橢圓函數(shù)和原始中心點(diǎn)定義位移場,設(shè)lx為斷層走向方向的最大直徑,ly為斷層傾角方向上的最大直徑。位移場d定義為:

(6)

其中,r(x,y)是歸一化徑向距中心點(diǎn)的距離,具體形式為:

(7)

需要指出的是,在生成斷層模型的時(shí)候,lx、ly和中心點(diǎn)的最大位移dmax都是隨機(jī)選擇的。斷層的位移由中心點(diǎn)開始向斷面四周逐漸變小,斷層模型如圖4c 所示。可以在同一數(shù)據(jù)中建立多個(gè)斷層面,用于實(shí)現(xiàn)豐富的斷層類型和不同接觸關(guān)系的斷層。

4)添加隨機(jī)噪聲。添加高斯白噪聲使得地震數(shù)據(jù)更加接近實(shí)際地震數(shù)據(jù)(圖4d),添加不同比例的隨機(jī)噪聲可以得到更加逼真的斷層和地層模型。

通過以上的地震模擬,得到了大量三維合成地震數(shù)據(jù)。其中的斷層構(gòu)造擁有不同的走向、傾角、斷距以及不同的接觸關(guān)系。在同樣大小的合成地震數(shù)據(jù)中,將斷層面位置賦值為1,非斷層面處賦值為0,進(jìn)而得到斷層標(biāo)簽數(shù)據(jù)(圖6)。樣本數(shù)據(jù)集一共包括300對地震數(shù)據(jù)及標(biāo)簽數(shù)據(jù),每個(gè)三維地震數(shù)據(jù)包括128×128×128個(gè)采樣點(diǎn),在樣本數(shù)據(jù)集中,240對數(shù)據(jù)選為訓(xùn)練集,60對數(shù)據(jù)作為測試集。

圖6 合成訓(xùn)練樣本a 合成地震數(shù)據(jù); b 斷層標(biāo)簽數(shù)據(jù)

1.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

在構(gòu)建神經(jīng)網(wǎng)絡(luò)時(shí),每層的參數(shù)都是隨機(jī)初始化的,需要對其進(jìn)一步更新,以創(chuàng)建輸入地震數(shù)據(jù)到輸出斷層預(yù)測結(jié)果良好的映射網(wǎng)絡(luò)。在模型訓(xùn)練的過程中,要使用優(yōu)化算法來迭代更新神經(jīng)網(wǎng)絡(luò)參數(shù),直到輸出的斷層圖像和斷層標(biāo)簽圖像之間的誤差收斂至最小。為了提高訓(xùn)練效果和效率,在神經(jīng)網(wǎng)絡(luò)訓(xùn)練前,我們對訓(xùn)練樣本數(shù)據(jù)進(jìn)行了增強(qiáng)處理。增強(qiáng)處理指對樣本數(shù)據(jù)進(jìn)行一系列變換操作,以增加訓(xùn)練樣本量,在一定程度上可以提高神經(jīng)網(wǎng)絡(luò)的泛化性能,同時(shí)提高神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。本文采用的數(shù)據(jù)增強(qiáng)方法包括對樣本數(shù)據(jù)進(jìn)行隨機(jī)旋轉(zhuǎn)、鏡像和翻轉(zhuǎn)等。

由于地震數(shù)據(jù)中,斷層點(diǎn)和非斷層點(diǎn)數(shù),或斷層點(diǎn)所占體積與總體積相比,懸殊過大,因此在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中,使用二元分割的交叉熵?fù)p失函數(shù)L,具體見(8)式,神經(jīng)網(wǎng)絡(luò)朝著非斷層點(diǎn)的方向擬合,造成網(wǎng)絡(luò)預(yù)測性能的下降。為了解決這個(gè)問題,根據(jù)文獻(xiàn)[25],本文在傳統(tǒng)的交叉熵?fù)p失函數(shù)的基礎(chǔ)上,在其每一項(xiàng)前給定了一個(gè)系數(shù)β,使其兩項(xiàng)初始比例大致平衡,具體見(9)式。

(8)

(9)

其中,

(10)

式中:yi代表標(biāo)簽值;pi代表預(yù)測值;β表示非斷層點(diǎn)占總采樣點(diǎn)比率,1-β為斷層點(diǎn)占總采樣點(diǎn)比率。

本文使用了隨機(jī)梯度下降法(Adam)來優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)。Adam優(yōu)化算法能夠自適應(yīng)隨機(jī)優(yōu)化,具有計(jì)算效率高,占用內(nèi)存少的優(yōu)點(diǎn),適用于大規(guī)模數(shù)據(jù)優(yōu)化。通常,在訓(xùn)練的過程中,學(xué)習(xí)率太大會(huì)造成損失函數(shù)(Loss)爆炸,學(xué)習(xí)率太小導(dǎo)致神經(jīng)網(wǎng)絡(luò)收斂緩慢。本文考慮到MultiRes-Unet3D網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜,參數(shù)量較為龐大,結(jié)合神經(jīng)網(wǎng)絡(luò)其它超參數(shù)的特性以及過往研究經(jīng)驗(yàn),將學(xué)習(xí)率設(shè)置為10-4。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中,每次迭代后,我們選用準(zhǔn)確率(Accuracy)來評估參數(shù)更新后網(wǎng)絡(luò)的性能。神經(jīng)網(wǎng)絡(luò)最后一層采用了適合二分類任務(wù)的Sigmoid激活函數(shù),其余卷積層使用Relu激活函數(shù)。

在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中,將訓(xùn)練數(shù)據(jù)分批輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。由于每個(gè)訓(xùn)練樣本都是相互獨(dú)立的,且訓(xùn)練數(shù)據(jù)占用內(nèi)存較大,因此將Batch Size設(shè)置為1。為了避免網(wǎng)絡(luò)過擬合,每次輸入網(wǎng)絡(luò)的訓(xùn)練樣本都是隨機(jī)的。由于我們事先并不清楚網(wǎng)絡(luò)學(xué)習(xí)的收斂特性,故訓(xùn)練次數(shù)需要達(dá)到一定數(shù)量。本文選取了迭代100次的訓(xùn)練次數(shù),每次迭代會(huì)遍歷所有的訓(xùn)練數(shù)據(jù)。

圖7a和圖7b分別為訓(xùn)練過程中損失函數(shù)值和準(zhǔn)確率變化曲線,可以看出,神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中整體收斂情況良好,損失函數(shù)值在不斷降低后趨于穩(wěn)定,準(zhǔn)確率在不斷提高后趨于穩(wěn)定。在迭代40次后,網(wǎng)絡(luò)模型性能基本達(dá)到最優(yōu),Loss值收斂到約0.04,測試集的Loss值在0.10附近上下波動(dòng)。訓(xùn)練集和測試集準(zhǔn)確率在迭代40次后也趨于穩(wěn)定,后續(xù)訓(xùn)練上升緩慢,訓(xùn)練集和測試集的準(zhǔn)確率分別達(dá)到了98.5%和97.5%。由于地震數(shù)據(jù)之間的偏移問題,在測試過程中測試集的Loss曲線存在小幅跳躍現(xiàn)象,但這并不影響神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。

圖7 訓(xùn)練過程中損失函數(shù)值(a)與準(zhǔn)確率(b)的變化曲線

1.4 合成地震數(shù)據(jù)測試

我們選取訓(xùn)練第40次迭代保存的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試。圖8和圖9分別為不同測試樣本的識(shí)別結(jié)果。圖中第1行分別為地震數(shù)據(jù)的主測線剖面、橫測線剖面和水平切片;第2行為與之對應(yīng)的斷層標(biāo)簽,第3行為對應(yīng)的斷層識(shí)別結(jié)果。

圖8 測試樣本識(shí)別結(jié)果

圖9 含強(qiáng)噪聲測試樣本識(shí)別結(jié)果

從圖8可以看出,斷層識(shí)別結(jié)果與斷層真實(shí)位置高度吻合,且連續(xù)性好。在斷層邊界處和交叉斷層的交叉位置也能夠基本正確地識(shí)別出斷層。對比斷層識(shí)別值與標(biāo)簽值,發(fā)現(xiàn)傾角較小的斷層和斷距較小的斷層還存在一定誤差。圖9是加入了強(qiáng)隨機(jī)噪聲的測試樣本識(shí)別結(jié)果。該數(shù)據(jù)背景噪聲較強(qiáng),斷層斷距較小,斷點(diǎn)不夠明顯。雖然MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率有所下降,但是整體上仍能夠準(zhǔn)確預(yù)測出斷層的位置。這說明對于具有較強(qiáng)噪聲的三維地震數(shù)據(jù),該神經(jīng)網(wǎng)絡(luò)也具有可靠的斷層識(shí)別性能。

2 應(yīng)用實(shí)例

為了進(jìn)一步驗(yàn)證MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)的識(shí)別性能,直接將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于三維疊后地震數(shù)據(jù)進(jìn)行斷層識(shí)別。本文所用的實(shí)際地震數(shù)據(jù)是公開的Netherlands F3和Opunake部分三維地震數(shù)據(jù)。Netherlands F3數(shù)據(jù)包含主測線512道(Line100～611),橫測線384道(Crossline300～683),采樣間隔為4ms,每道有128個(gè)采樣點(diǎn)(Time1336～1844ms)。這兩塊地震數(shù)據(jù)斷層發(fā)育良好,斷點(diǎn)清晰,斷距較小,斷層傾角較大,斷層走向主要沿主測線方向。Opunake三維地震數(shù)據(jù)包含主測線384道(Line2001～2384),橫測線512道(Crossline2695～3717),采樣間隔為4ms,每道有256個(gè)采樣點(diǎn)(Time212～1232ms)。該地震數(shù)據(jù)斷層構(gòu)造較為發(fā)育且斷層的寬度和斷距均較大,斷裂區(qū)域構(gòu)造復(fù)雜,識(shí)別難度較大。這兩塊地震數(shù)據(jù)斷層構(gòu)造特征差異較大,且二者的分辨率也不同,適合用于檢驗(yàn)MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)在實(shí)際地震數(shù)據(jù)中的識(shí)別效果。

2.1 斷層識(shí)別

由于實(shí)際地震數(shù)據(jù)振幅值和合成地震數(shù)據(jù)振幅值差異很大,識(shí)別前先對地震數(shù)據(jù)的振幅進(jìn)行處理。在不改變地震數(shù)據(jù)基本特征情況下,將振幅值等比例縮小到-10～10。利用第40次迭代保存的網(wǎng)絡(luò)模型進(jìn)行斷層識(shí)別,圖10和圖11分別為根據(jù)Netherlands F3和Opunake三維地震數(shù)據(jù)得到的斷層識(shí)別結(jié)果。從識(shí)別結(jié)果可以看出,MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)表現(xiàn)良好,能夠較為準(zhǔn)確地識(shí)別出斷層構(gòu)造,且斷層連續(xù)性好,噪聲較小。對于同相軸錯(cuò)斷不明顯的區(qū)域,利用MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)也能得到較好的識(shí)別結(jié)果。但仔細(xì)分析不難發(fā)現(xiàn),在同相軸連續(xù)性較差的區(qū)域,利用MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)容易造成錯(cuò)誤識(shí)別,識(shí)別結(jié)果還存在一些孤立的噪聲,如圖10和圖11中紅色曲線圈出的部分。原因在于MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)只在合成地震數(shù)據(jù)上進(jìn)行了訓(xùn)練,而合成地震數(shù)據(jù)與實(shí)際地震數(shù)據(jù)的構(gòu)造特征差異較大。MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)在不同地質(zhì)特征的地震數(shù)據(jù)上都有較好的表現(xiàn),說明該神經(jīng)網(wǎng)絡(luò)的泛化性較好,能夠直接應(yīng)用于具有不同地質(zhì)特征的地震工區(qū)。

圖10 Netherlands F3三維地震數(shù)據(jù)斷層識(shí)別結(jié)果a 第50道主測線剖面; b 第50道聯(lián)絡(luò)測線剖面; c 第300ms時(shí)間切片

圖11 Opunake三維地震數(shù)據(jù)斷層識(shí)別結(jié)果a 第50道主測線剖面; b 第200道聯(lián)絡(luò)測線剖面; c 第800ms時(shí)間切片

2.2 多方法斷層識(shí)別結(jié)果對比

為了展示MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)斷層識(shí)別效果的優(yōu)越性,我們將MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)與Unet神經(jīng)網(wǎng)絡(luò)、斷層似然性(Fault Likelihood)和螞蟻體追蹤(Ant tracking)3種斷層自動(dòng)識(shí)別方法進(jìn)行了對比。圖12和13分別為利用上述方法對Netherlands F3和Opunake得到的三維地震數(shù)據(jù)斷層識(shí)別結(jié)果。對比圖12和圖13不難發(fā)現(xiàn),MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)的斷層識(shí)別結(jié)果準(zhǔn)確,且斷層連續(xù)性強(qiáng),特別是斷層邊界的識(shí)別更為準(zhǔn)確,識(shí)別錯(cuò)誤較少。

圖12 Netherlands F3三維地震數(shù)據(jù)斷層識(shí)別結(jié)果對比a MultiRes-Unet神經(jīng)網(wǎng)絡(luò); b Unet神經(jīng)網(wǎng)絡(luò); c 斷層似然性; d 螞蟻體追蹤

圖13 Opunake三維地震數(shù)據(jù)斷層識(shí)別結(jié)果對比a MultiRes-Unet神經(jīng)網(wǎng)絡(luò); b Unet神經(jīng)網(wǎng)絡(luò); c 斷層似然性; d 螞蟻體追蹤

對比發(fā)現(xiàn),Unet神經(jīng)網(wǎng)絡(luò)也能較好地識(shí)別出斷層構(gòu)造,但是相較于MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果,Unet識(shí)別結(jié)果的連續(xù)性以及斷層邊界的識(shí)別能力稍遜(參見圖12b、圖13b中紅色方框標(biāo)記處)。斷層似然性算法由相干體算法發(fā)展而來,存在較多識(shí)別錯(cuò)誤,斷層連續(xù)性較差,同一條斷層的斷點(diǎn)似然值差別較大。4種方法中,螞蟻體追蹤對斷層的識(shí)別效果最差。其在連續(xù)性和斷點(diǎn)的位置方面,識(shí)別效果均較差,這是由于螞蟻體算法的缺陷容易造成沿同相軸追蹤(參見圖12d中紅色方框標(biāo)記處)。從本文的斷層識(shí)別結(jié)果來說,從最差到最好,有如下排序:螞蟻體追蹤、斷層似然性、Unet、MultiRes-Unet3D。

3 結(jié)論

本文發(fā)展了一套基于深度學(xué)習(xí)的三維地震數(shù)據(jù)斷層智能識(shí)別算法的MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)。由于該算法采用了針對性的多分辨率特征提取設(shè)計(jì),并將斷層點(diǎn)或線在整個(gè)地震數(shù)據(jù)的占比關(guān)系體現(xiàn)在交叉熵?fù)p失函數(shù)不同項(xiàng)之間的平衡上,使得算法有了較可靠的識(shí)別能力。

相較于Unet神經(jīng)網(wǎng)絡(luò)、斷層似然性和螞蟻體追蹤3種斷層識(shí)別方法,MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)能夠適應(yīng)不同分辨率和斷層規(guī)模的地震數(shù)據(jù),具有斷層識(shí)別精度高、斷層空間連續(xù)性好、邊緣區(qū)域識(shí)別更準(zhǔn)確、網(wǎng)絡(luò)泛化性能好、識(shí)別結(jié)果噪聲更少等優(yōu)點(diǎn)。

由于本文的訓(xùn)練數(shù)據(jù)有限,且均為三維合成地震數(shù)據(jù),因此MultiRes-Unet3D神經(jīng)網(wǎng)絡(luò)還需要在實(shí)際地震數(shù)據(jù)上進(jìn)行訓(xùn)練,進(jìn)一步提升其泛化能力。