基于深度學習的面波頻散曲線自動拾取方法研究

摘" 要：面波頻散曲線拾取是獲取淺地表橫波速度結構的關鍵步驟，但傳統(tǒng)方法主要依靠人工操作，效率低下且易受主觀因素影響。本文提出了一種基于深度學習的面波頻散曲線自動拾取方法，利用DisperNet網(wǎng)絡結構對面波速度譜進行語義分割和實例分割，從而快速準確地提取頻散曲線，實現(xiàn)了在石油勘探數(shù)據(jù)中的成功應用。

關鍵詞：網(wǎng)絡結構；頻散曲線；自動拾取

1.引言

淺地表的地質結構是地震勘探的重要研究內容，復雜的地表結構，會造成反射波畸變，不符合雙曲線形態(tài)，使石油地震勘探資料的同相疊加效果變差。在實際處理中，最常用的獲得淺地表速度結構的方法是基于初至的層析反演方法，該方法主要反映的是高速頂以上的速度模型，而對于基巖以上的速度，該方法的精度不夠。常用的獲得基巖以上速度的方法主要有兩種，一種是測井，另一種是基于面波反演。相比之下，面波在地震記錄中更為常見，特別是在沒有微測井的區(qū)域，可以通過面波來獲得基巖之上的橫波速度結構模型。在利用頻散曲線反演橫波速度結構的時候，頻散曲線的拾取精度和效率直接影響反演橫波速度結構模型的效率和精度，但是目前頻散曲線拾取工作主要依靠人工拾取，耗時耗力?；谏疃葘W習的面波頻散曲線自動拾取方法目前是一個研究熱點，若將這種方法應用到石油勘探數(shù)據(jù)，通過快速提取面波頻散曲線、建立勘探測線表層地震橫波速度結構模型，對于P波勘探的靜校正甚至后續(xù)全波形反演提供近地表橫波速度結構模型、提高石油勘探數(shù)據(jù)的利用效率具有重要的應用意義[1-3]。為此，本文開展基于深度學習的面波頻散曲線自動拾取方法研究，分析其在石油勘探數(shù)據(jù)中的適用性。

2.研究方法

2.1面波速度譜分析

基于面波反演獲得淺地表橫波速度結構的方法是基于面波的頻散屬性，即面波在地下傳播的時候其速度隨著頻率的變化而變化，面波反演就是根據(jù)面波頻散屬性提取頻散曲線反演獲得淺地表的橫波速度結構，將野外原始采集數(shù)據(jù)從時間-空間域變換到頻率-速度域，以便于根據(jù)頻散曲線的能量分布趨勢拾取頻散曲線。本文選擇采用ReMi方法，通過對時間-空間域的數(shù)據(jù)依次進行τ-p變換、Fourier變換、譜比歸一化等處理，得到頻率-速度域面波速度譜，從中分離面波頻散能量、拾取頻散曲線。

2.2基于深度學習的頻散曲線自動拾取

本文基于DisperNet程序開展頻散曲線自動拾取相關研究。頻散曲線自動拾取網(wǎng)絡DisperNet網(wǎng)絡結構的目標函數(shù)由兩部分組成，本文不再贅述。

3.數(shù)值實驗與實際應用

3.1 DisperNet頻散曲線自動拾取網(wǎng)絡結構

利用神經(jīng)網(wǎng)絡進行頻散曲線拾取，實際上是將頻散曲線自動拾取看成是語義分割的問題。DisperNet是基于ENet網(wǎng)絡進行編碼和解碼，在編碼的時候，利用ENet的前兩個階段，將3至5階段分別放到語義分割分支和實例分割分支上，最終語義分割分支輸出二值圖，嵌入分支輸出實例分割圖，將二者進行聚類之后可得到分類的頻散曲線。

3.2 基于截尾正太分布的隨機模型生成技術

為了更好的模擬模型的多樣性，采用截尾正太分布的方法生成隨機模型，模型的層厚和橫波速度均為隨機量，地層參數(shù)x（層厚和速度）服從截尾正太分布。我們總共設計了五類模型，分別為基巖以上的1層模型、基巖以上2層模型、基巖以上3層模型、基巖以上4層模型和基巖以上5層模型，如表1所示。模型的層厚、層數(shù)和橫波速度均采用截尾正太分布隨機產(chǎn)生。在隨機產(chǎn)生模型的層厚、層數(shù)和橫波速度之后，根據(jù)縱波和橫波的經(jīng)驗關系來生成縱波速度。

3.3樣本和標簽制作技術

在生成隨機模型之后，分別進行面波正演和頻散曲線正演，分別用于制作樣本和標簽。面波波形記錄正演采用的方法是譜元法，震源為位于地表的30Hz雷克子波，偏移距為50m，采樣率為1ms，道長2s，道間距2m，共101道接受，采用PML吸收邊界條件。在得到面波正演記錄之后，對正演記錄采用相移法進行頻散能量分析，將得到的結果作為訓練的樣本；頻散曲線采用CPS（Computer Programs in Seismology）軟件進行正演，將對應的頻散曲線插值之后作為標簽。

3.4數(shù)值實驗結果

數(shù)值模擬結果顯示，訓練誤差和驗證誤差均隨著批增加而降低，訓練誤差在批為26的時候降低到1%以內，準確率達到99%以上，驗證誤差在批為38的時候降低到1%以內，準確率達到99%以上。

3.5實際數(shù)據(jù)應用

實際數(shù)據(jù)來源于某石油勘探工區(qū)，首先對數(shù)據(jù)進行切除，只留下含有面波的部分，然后再利用FK濾波去除其余干擾波，采用ReMi方法進行頻散能量分析，再運用DisperNet工具進行頻散曲線提取。圖2是選擇幾個不同位置的頻散能量譜進行自動拾取的展示效果，結果顯示對于本研究中的石油勘探地震數(shù)據(jù)可以快速和準確的拾取基階（黑色曲線）和高階頻散曲線（白色曲線）。

4.結論

本研究基于深度學習的頻散曲線自動拾取技術進行了流程化研究，通過對實測數(shù)據(jù)的應用，得到最終的拾取精度在99%以上、拾取效率在1分鐘以內一組，效果較好。本研究顯示，基于深度學習的面波頻散曲線自動拾取方法在石油勘探領域具有較好的應用價值。

參考文獻

[1]卜凱旭， 姚振岸， 任望等。 2024. 基于U-net網(wǎng)絡的頻散曲線自動拾取方法研究[J]. 工程地球物理學報， 21（04）： 734-741.

[2]王清揚。 2023. 基于深度學習的盾構掘進噪聲源多模態(tài)面波數(shù)據(jù)處理與成像方法[D].山東大學.

[3]伍錫軍。2020. 基于深度學習的高頻面波反演方法研究[D].電子科技大學.