張黎，呂芬，尚凱，徐勤琪，周懷來，王丹荔

1.中國石化西北油田分公司勘探開發(fā)研究院，新疆 烏魯木齊 830011 2.成都理工大學(xué)地球物理學(xué)院，四川 成都 610059

近年來，隨著科學(xué)技術(shù)的迅猛發(fā)展，人工智能和機器學(xué)習(xí)技術(shù)在各個學(xué)科得到了廣泛應(yīng)用，前人將其引入地震領(lǐng)域，比如協(xié)助解決地震解釋等方面的問題。文獻(xiàn)[1]針對單參數(shù)的神經(jīng)網(wǎng)絡(luò)無法充分識別小斷層的問題，提出了多參數(shù)的BP神經(jīng)網(wǎng)絡(luò)；文獻(xiàn)[2]基于分形技術(shù)提取地震數(shù)據(jù)分維參數(shù)，訓(xùn)練出識別斷層效率與精度更高的BP神經(jīng)網(wǎng)絡(luò)模型；文獻(xiàn)[3]將相干屬性、頻率及曲率等屬性結(jié)合起來，選取部分屬性用于訓(xùn)練可以對地震數(shù)據(jù)進(jìn)行斷層識別的多層感知器神經(jīng)網(wǎng)絡(luò)(muti-layer perception，MLP)；文獻(xiàn)[4]提出了基于多屬性的支持向量機(support vector machines, SVM)斷裂識別流程；文獻(xiàn)[5]針對斷層特征不明顯、斷層識別精度低的問題，提出了可以提高地震數(shù)據(jù)采樣率的生成對抗網(wǎng)絡(luò)(generative adversarial networks ,GAN)，該方法大大提高了斷層識別精度。

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)最初是由生物視覺系統(tǒng)領(lǐng)域?qū)＜姨岢?，因其具有局部感知、?quán)值共享及優(yōu)越的自主學(xué)習(xí)能力等特點得到各領(lǐng)域?qū)W者的廣泛關(guān)注，在圖像處理和計算機視覺領(lǐng)域引發(fā)了一股研究熱潮。在地球物理專業(yè)領(lǐng)域，國內(nèi)外學(xué)者針對實際勘探中斷層識別精度不夠的問題，提出基于CNN的斷層自動識別方法并將其應(yīng)用到實際工區(qū)中，提高了斷層識別的精度和效率。文獻(xiàn)[6]提出較常規(guī)CNN識別斷層效果更好的多層感知的CNN模型，在訓(xùn)練過程中加入經(jīng)過噪聲衰減和傾角轉(zhuǎn)向后提取的地震屬性，應(yīng)用效果顯著；文獻(xiàn)[7]從速度模型入手，在對CNN進(jìn)行訓(xùn)練時加入樣式不同的斷層地震數(shù)據(jù)，這些地震數(shù)據(jù)由速度模型提取而來，由此訓(xùn)練出的CNN可進(jìn)行斷層自動識別；文獻(xiàn)[8]研究出可擴展的CNN平臺，與其他平臺相比，該平臺能更好地完成斷層識別等工作；文獻(xiàn)[9]提出先用CNN識別斷裂，再構(gòu)造各向異性高斯函數(shù)用于預(yù)測裂縫傾角和方位角延伸；文獻(xiàn)[10]用基于斷層骨架化所識別的數(shù)據(jù)作為標(biāo)簽集來訓(xùn)練CNN，與直接用骨架化地震相干自動提取識別裂縫的方法相比，該方法的分辨率更高、效果更好。文獻(xiàn)[11]提出了基于三維半密度CNN的方法，該方法可以對斷層進(jìn)行自動識別；文獻(xiàn)[12]使用合成數(shù)據(jù)集訓(xùn)練端到CNN端進(jìn)行三維地震斷層識別；文獻(xiàn)[13]在對神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方面，提出使用90萬個合成地震數(shù)據(jù)來對CNN模型進(jìn)行訓(xùn)練，實際結(jié)果表明，該方法較常規(guī)方法能更好地預(yù)測斷層的走向和傾角；文獻(xiàn)[14]針對斷層的自動解釋方面問題，提出了一種深度CNN，可以更高效完成斷層的自動解釋工作。從相關(guān)研究成果中可以發(fā)現(xiàn)，盡管CNN在斷層自動識別方面已經(jīng)得到了很好的應(yīng)用，但依然存在很多問題：在模型訓(xùn)練時，往往需要大量準(zhǔn)確的斷層樣本，而實際數(shù)據(jù)很難滿足，合成斷層數(shù)據(jù)與實際斷層存在差異且斷層類型單一，訓(xùn)練模型在高信噪的測試數(shù)據(jù)上表現(xiàn)良好，應(yīng)用于復(fù)雜地震數(shù)據(jù)時往往表現(xiàn)不佳[15-20]。傳統(tǒng)CNN的缺點是存儲開銷很大，計算效率低下，同時像素塊大小限制了感知區(qū)域的大小，而全卷積神經(jīng)網(wǎng)絡(luò)可以克服這些缺點，它從抽象特征中恢復(fù)每個像素所屬類別，即從圖像級別的分類進(jìn)一步延伸到像素級別分類。特別是對于斷層識別而言，全卷積神經(jīng)網(wǎng)絡(luò)擁有卷積層、池化層等特殊結(jié)構(gòu)，可以直接通過學(xué)習(xí)輸入與輸出之間的映射關(guān)系來實現(xiàn)斷層自動識別，具有很好的非線性表達(dá)及泛化能力，相較于其他人工智能方法，兼具較高的效率與精度。

為提高實際地震數(shù)據(jù)斷層識別的效率及準(zhǔn)確性，筆者提出了一種基于全卷積神經(jīng)網(wǎng)絡(luò)的走滑斷裂識別方法：首先對比U-Net與SegNet這2種全卷積神經(jīng)網(wǎng)絡(luò)的斷裂識別效果，優(yōu)選訓(xùn)練網(wǎng)絡(luò)；然后利用構(gòu)造導(dǎo)向濾波方法對實際地震數(shù)據(jù)進(jìn)行斷層增強處理，目的是進(jìn)一步清晰地刻畫斷層，同時提高地震資料的信噪比，使網(wǎng)絡(luò)更加容易學(xué)習(xí)到實際斷裂的特征。

1 全卷積神經(jīng)網(wǎng)絡(luò)優(yōu)選

1.1 樣本構(gòu)建

在實際地震資料解釋中通常依靠解釋者的經(jīng)驗判別斷層，耗時耗力且主觀性強。CNN可完成斷層自動識別，但面臨的首要問題就是訓(xùn)練集與相應(yīng)斷層標(biāo)簽的制作。此外，要有充足的數(shù)據(jù)及準(zhǔn)確的斷層標(biāo)簽樣本供模型訓(xùn)練才能提高斷層自動識別的精度。在實際勘探過程中,由于沒有大量可靠的地震數(shù)據(jù)用于訓(xùn)練，故需要通過算法來自動合成大量的地震記錄，根據(jù)文獻(xiàn)[12]所述，三維斷層數(shù)據(jù)合成流程為：①生成三維水平反射率模型(見圖1(a))；②添加褶皺、斷層(見圖1(b))；③將模型與雷克子波進(jìn)行褶積獲得合成地震記錄(見圖1(c))；④添加隨機噪聲(見圖1(d))；⑤快速斷層標(biāo)注(見圖1(e))。

圖1 合成地震記錄制作方法(據(jù)文獻(xiàn)[12])

通過調(diào)整不同的參數(shù)，最終生成400組三維合成地震數(shù)據(jù)和斷層標(biāo)簽數(shù)據(jù)(訓(xùn)練數(shù)據(jù)集)用于模型訓(xùn)練，并隨機生成了40組三維地震數(shù)據(jù)和斷層標(biāo)簽用于模型驗證，每個樣本數(shù)據(jù)的大小均為128×128×128，部分樣本如圖2所示。

圖2 部分三維合成地震記錄及斷層標(biāo)簽

1.2 網(wǎng)絡(luò)訓(xùn)練

U-Net和SegNet是2種常用的全卷積神經(jīng)網(wǎng)絡(luò)，其中，U-Net是一個常用的圖像分割網(wǎng)絡(luò),該網(wǎng)絡(luò)結(jié)構(gòu)呈“U”型對稱且采用跳躍連接的方式(見圖3)，這種連接方式使解碼過程拼接編碼過程對稱層的特征向量，融合各尺度有效特征，即結(jié)合低層、高層特征圖中的特征，避免了計算誤差且提高了分割精度[21,22]。SegNet是一個主要用于解決端到端的二分類和多分類問題的核心分割引擎(見圖4)，主要原理為：記錄編碼器網(wǎng)絡(luò)池化時最大值的位置，解碼器網(wǎng)絡(luò)反池化時將輸入值賦給記錄位置，其他位置值置零[23]。這種方法保留了圖元原始輪廓細(xì)節(jié)，圖像分割效果更好。同時，SegNet做語義分割時通常在末端加入CRF模塊(conditional random fields，條件隨機場)做后續(xù)處理，旨在進(jìn)一步精修邊緣的分割結(jié)果。

圖3 U-Net網(wǎng)絡(luò)結(jié)構(gòu)圖

圖4 SegNet網(wǎng)絡(luò)結(jié)構(gòu)圖

經(jīng)過多次調(diào)參，將Relu函數(shù)和Sigmoid函數(shù)作為激活函數(shù)。Relu函數(shù)具有稀疏表達(dá)能力良好、運算效率高等優(yōu)點，能夠有選擇性地激活神經(jīng)元，Sigmoid函數(shù)則應(yīng)用于輸出層控制概率值。由于訓(xùn)練數(shù)據(jù)模型有限，因此選取收斂快的Adam優(yōu)化器且采用二元平衡交叉熵，度量指標(biāo)設(shè)定為正確率。

將訓(xùn)練數(shù)據(jù)集以10∶1∶1的比例劃分為訓(xùn)練集、驗證集和測試集，對應(yīng)的樣本數(shù)分別為400、40和40，因訓(xùn)練數(shù)據(jù)較小，考慮到過擬合現(xiàn)象的可能性，將定型周期設(shè)置成45，學(xué)習(xí)率為1×10-4，batch size設(shè)為1，每次訓(xùn)練后都保存網(wǎng)絡(luò)模型，并且每輪訓(xùn)練后都進(jìn)行精度和損失測試，U-Net、SegNet訓(xùn)練的精度和損失值曲線如圖5所示，經(jīng)45個epoch后，2個網(wǎng)絡(luò)訓(xùn)練和驗證的準(zhǔn)確率分別提高到97.3%、97.7%左右，并且訓(xùn)練和驗證的損失分別收斂至6%、5%左右。

圖5 U-Net、SegNet訓(xùn)練的精度和損失變化曲線

1.3 網(wǎng)絡(luò)測試

為驗證該網(wǎng)絡(luò)的可靠性，在合成的三維數(shù)據(jù)上進(jìn)行了測試，并將測試結(jié)果與常用的斷裂檢測方法進(jìn)行對比(見圖6)，從驗證結(jié)果中可以看出，圖6(c)相干只識別出部分?jǐn)嗔眩芡噍S和噪聲干擾比較大，斷層斷點不夠清晰；圖6(d)螞蟻體基本可以識別出斷裂，但結(jié)果不夠準(zhǔn)確，存在部分誤識別；而圖6(e)、(f)U-Net、SegNet的預(yù)測結(jié)果斷裂連續(xù)性強，且位置準(zhǔn)確，其中SegNet識別結(jié)果特別是黃色和藍(lán)色箭頭所示位置與斷裂標(biāo)簽(見圖5(b))一致性最高。對比U-net和SegNet網(wǎng)絡(luò)訓(xùn)練參數(shù)和模型識別效果，筆者優(yōu)選SegNet網(wǎng)絡(luò)結(jié)構(gòu)為實際斷裂識別網(wǎng)絡(luò)。該網(wǎng)絡(luò)適用于解決小樣本的簡單分割問題，對于斷層識別問題來說，其目的是學(xué)習(xí)少量數(shù)據(jù)，然后推廣到具有少量標(biāo)記的實際地震數(shù)據(jù)，故基于該網(wǎng)絡(luò)結(jié)構(gòu)的斷裂識別，可用輸入樣本集S與最終斷裂概率矩陣M之間的一個非線性映射表示為：

圖6 常用斷裂識別方法與模型識別對比

M=SNs(S,m)

式中：SNs(·)表示SegNet網(wǎng)絡(luò)結(jié)構(gòu)；m為SNs(·)的權(quán)重。

2 基于構(gòu)造導(dǎo)向濾波的實際地震數(shù)據(jù)預(yù)處理

各向異性擴散濾波方法最先在圖像處理領(lǐng)域有所應(yīng)用，主要是采用線性算子對含噪圖像進(jìn)行濾波處理，但在降低噪聲的同時也降低了邊緣信息分辨率。構(gòu)造導(dǎo)向濾波采用各向異性擴散補償算法，只對平行于反射層方向做平滑，不做超出斷層或者巖性邊界的平滑操作，與其他濾波方法相比，該方法更能有效壓制噪聲、突出地震數(shù)據(jù)的斷裂特征、保持邊界信息，為之后的資料解釋和斷層識別工作奠定基礎(chǔ)。

基于構(gòu)造導(dǎo)向濾波的實際地震數(shù)據(jù)預(yù)處理流程如下：①定向性分析：利用梯度結(jié)構(gòu)張量算法估算反射層的傾角、方位角；②邊緣檢測：確定反射可能終止的方向，即梯度結(jié)構(gòu)張量的相干；③利用Kuwahara濾波器進(jìn)行邊緣保護(hù)性平滑。構(gòu)造導(dǎo)向濾波是“各向異性擴散”濾波和Kuwahara濾波器的應(yīng)用綜合。

基于構(gòu)造導(dǎo)向濾波的實際地震數(shù)據(jù)預(yù)處理效果圖如圖7所示，與原始地震剖面(見圖7(a))相比，濾波后的地震剖面(見圖7(c))比濾波前的剖面斷裂更清晰，消除了部分“層斷波不斷”的現(xiàn)象，斷裂處的橫向分辨率(黃色圓圈處)明顯提高，弱反射更易被識別。不難看出，濾波后地震數(shù)據(jù)在保證斷裂清晰的情況下信噪比得到了明顯提高，突出了斷裂特征(紅色箭頭處)，有利于用訓(xùn)練好的全卷積神經(jīng)網(wǎng)絡(luò)識別斷裂。

圖7 基于構(gòu)造導(dǎo)向濾波的實際地震數(shù)據(jù)預(yù)處理效果圖

3 識別走滑斷裂技術(shù)流程

識別走滑斷裂技術(shù)流程如圖8所示：將構(gòu)造導(dǎo)向濾波后的實際三維疊后地震數(shù)據(jù)輸入到優(yōu)選并訓(xùn)練完成的SegNet全卷積神經(jīng)網(wǎng)絡(luò)模型中計算，直接預(yù)測形成對應(yīng)的斷層屬性數(shù)據(jù)，運用三維地震屬性融合顯示技術(shù)，清晰展示斷層的空間形態(tài)與空間展布規(guī)律，實現(xiàn)實際走滑斷裂的自動識別。

4 應(yīng)用實例

塔河油田西南部托甫臺地區(qū)位于庫車縣和沙雅縣境內(nèi)，構(gòu)造位置處于塔里木盆地東北坳陷區(qū)沙雅隆起阿克庫勒凸起西南傾沒端，北東方向與塔河油田主體區(qū)毗鄰，面積約200km2。該塊三維地震數(shù)據(jù)為經(jīng)過疊前深度偏移處理后的疊后數(shù)據(jù)，inline為1111條，crossline為933條，時間范圍為2500到5500ms，采樣間隔為4ms。

4.1 單剖面識別結(jié)果

圖9所示為該三維地震資料中一個xline的預(yù)測結(jié)果，圖9(a)為托甫臺原始地震數(shù)據(jù)體的一個剖面，藍(lán)色線條指示目的層即T81層；圖9(b)和圖9(c)為常用識別方法相干算法和螞蟻體預(yù)測結(jié)果，可以看到，相干體識別出斷裂大概輪廓，但受地震數(shù)據(jù)的影響很大，斷裂復(fù)雜程度越高，識別結(jié)果誤差越大，背景噪聲嚴(yán)重，螞蟻體識別結(jié)果在剖面上連續(xù)性更差，誤識別出很多小斷裂；圖9(d)為全卷積神經(jīng)網(wǎng)絡(luò)識別后的預(yù)測結(jié)果，斷層錯誤識別的情況大大減少，斷層形態(tài)更清晰，斷層背景也更干凈，該地震剖面經(jīng)全卷積網(wǎng)絡(luò)學(xué)習(xí)后，識別的大斷層更為連續(xù)(圖中黃色箭頭所示)，基本能指示出該地區(qū)走滑斷裂的大概形態(tài)。

同時，對淺層小型斷裂的識別結(jié)果進(jìn)行放大，圖9(e)～(h)所示為該測線黃色框局部放大圖，可以發(fā)現(xiàn)，相干識別結(jié)果容易受地層傾角影響并且對低信噪比的地震數(shù)據(jù)比較敏感，故圖9(e)中相鄰小斷裂基本難以分辨，形態(tài)十分模糊；而螞蟻追蹤在同相軸很連續(xù)的地方也誤識別出很多小斷裂，識別結(jié)果對實際生產(chǎn)中斷裂解釋工作的指導(dǎo)意義不大；全卷積神經(jīng)網(wǎng)絡(luò)識別出的小斷裂形態(tài)最為清晰，特別是淺層發(fā)育的“Y”字型斷裂，只有該方法可以將其識別出來。由此也進(jìn)一步證明了全卷積神經(jīng)網(wǎng)絡(luò)對不同尺度斷裂的識別結(jié)果都是最優(yōu)的。

圖9 常用斷裂識別方法與卷積神經(jīng)網(wǎng)絡(luò)在單剖面中的識別結(jié)果對比

4.2 三維數(shù)據(jù)體識別結(jié)果

在單條測線上進(jìn)行驗證后，將各方法應(yīng)用到托甫臺的整塊三維地震資料中，圖10所示為該三維地震資料采用常規(guī)識別方法、全卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的斷層預(yù)測結(jié)果，圖10(a)為原始三維地震數(shù)據(jù)體，圖10(b)為用相干識別結(jié)果，相干基本能指示大斷裂的位置和斷裂基本展布形態(tài)，但連續(xù)性較差，且非斷層區(qū)域干擾較多，沿層切片斷裂模糊；圖10(c)為螞蟻追蹤識別結(jié)果，其在相干的基礎(chǔ)上又識別出許多雜亂的不連續(xù)的小斷裂，識別出的斷裂有效性較差，沿層切片斷裂形態(tài)雜亂沒有規(guī)律；圖10(d)為采用全卷積神經(jīng)網(wǎng)絡(luò)識別結(jié)果，與上面2種屬性相比，大斷層的清晰度提高，斷裂邊緣被刻畫出來，斷裂形態(tài)展布變得清晰，斷層識別的準(zhǔn)確率大大提高。

圖10 常用斷裂識別方法與全卷積神經(jīng)網(wǎng)絡(luò)在實際三維地震數(shù)據(jù)中的識別結(jié)果對比

4.3 沿目的層切片識別結(jié)果

為進(jìn)一步檢驗斷裂識別的準(zhǔn)確性，還開展了研究區(qū)斷裂體系識別的平面預(yù)測研究。圖11(a)為沿目的層位原始振幅切片；圖11(b)為相干屬性沿層切片，斷裂連續(xù)性較差；圖11(c)為螞蟻體沿層切片，雖然識別出的斷裂相比相干連續(xù)性有所提升，但識別出許多不存在的小斷裂，故小斷裂識別結(jié)果難以作為參考；圖11(d)為全卷積神經(jīng)網(wǎng)絡(luò)識別結(jié)果沿層切片，準(zhǔn)確性有所提高，可以識別斷層的空間結(jié)構(gòu)以及其彎曲度，斷層形態(tài)和展布更為清晰，大斷層連續(xù)性更好，并且相比相干識別結(jié)果，部分小斷裂也被識別出來(圖中藍(lán)色箭頭所示)，斷層識別的精度有了很大提高。

圖11 常用斷裂識別方法與全卷積神經(jīng)網(wǎng)絡(luò)沿T81層切片的識別結(jié)果對比

5 結(jié)論

1)利用全卷積神經(jīng)網(wǎng)絡(luò)結(jié)合構(gòu)造導(dǎo)向濾波方法實現(xiàn)了對走滑斷裂的識別。訓(xùn)練樣本是神經(jīng)網(wǎng)絡(luò)識別斷層的基礎(chǔ)，首先合成大量斷層樣本并用于訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，然后利用構(gòu)造導(dǎo)向濾波方法對實際地震數(shù)據(jù)進(jìn)行斷層增強處理，目的是進(jìn)一步清晰地刻畫斷層，同時提高地震資料的信噪比，使網(wǎng)絡(luò)更加容易學(xué)習(xí)到實際斷裂的特征，提升網(wǎng)絡(luò)性能、增強網(wǎng)絡(luò)結(jié)構(gòu)的泛化能力。

2)實際工區(qū)運用結(jié)果表明，全卷積神經(jīng)網(wǎng)絡(luò)能更準(zhǔn)確地識別走滑斷裂、提高抗噪性和分辨率，預(yù)測的斷層連續(xù)性更好，該方法具有可行性和有效性。