凌里楊 徐天吉 馮 博 許宏濤 魏水建

(①電子科技大學(xué)計算機(jī)科學(xué)與工程學(xué)院(網(wǎng)絡(luò)空間安全學(xué)院)，四川成都 611731；②電子科技大學(xué)資源與環(huán)境學(xué)院，四川成都 611731；③電子科技大學(xué)長三角研究院(湖州)，浙江湖州 313000；④中國石化石油勘探開發(fā)研究院，北京 100083)

0 引言

近幾十年以來，常規(guī)地震勘探技術(shù)在石油、天然氣等資源的勘察、開采等方面發(fā)揮了關(guān)鍵作用，目前正在向精細(xì)化、自動化、智能化等方向快速發(fā)展。然而，常規(guī)地震勘探技術(shù)無法回避波場單一(僅縱波)、信息量不足(缺橫波)、精度不夠高、多解性強(qiáng)等“瓶頸”問題。多波多分量地震勘探技術(shù)則可獲得縱波(PP)、橫波(S)、轉(zhuǎn)換橫波(PS)等多種類型的波場信息，具有多波聯(lián)合成像、多波聯(lián)合標(biāo)定、多波聯(lián)合反演、全波屬性融合等獨特優(yōu)勢，在有效解決“氣云”(氣煙囪)屏蔽成像、巖性判別、裂縫(各向異性)檢測、流體(油、氣、水)識別等復(fù)雜難題方面具有顯著優(yōu)勢。

但是，要充分發(fā)揮多波多分量地震勘探技術(shù)的獨特優(yōu)勢，首先需要解決多波地震信號的匹配問題[1]。目前，多波地震信號的匹配處理尚存在兩方面主要問題：①時間、頻率、相位等匹配精度不夠高，尤其在信噪比較低的區(qū)域，多波匹配的可靠性較差；②匹配處理需要人工干預(yù)，效率低，缺乏自動化和智能化匹配方法。

近幾年，人工智能技術(shù)已向油氣領(lǐng)域快速擴(kuò)張，地震勘探技術(shù)從采集、處理到解釋向智能化方向發(fā)展已是大勢所趨。尤其是深度學(xué)習(xí)(Deep Lear-ning，DL)方法，它作為機(jī)器學(xué)習(xí)的一個研究新領(lǐng)域，克服了淺層機(jī)器學(xué)習(xí)方法計算量大、離不開主觀且繁瑣的人工干預(yù)、學(xué)習(xí)速度慢、易陷入局部極值、易出現(xiàn)過擬合或欠擬合等一系列問題。自Hinton等[2]于2006年首先提出之后，DL逐漸成為人工智能的核心技術(shù)，在分析大數(shù)據(jù)、挖掘多維信息、智能搜索、提取復(fù)雜特征、識別復(fù)雜模式、解決非線性問題、解決低效率與長周期問題、處理圖像、識別人臉、識別語音等方面展現(xiàn)出顯著的優(yōu)勢。

然而，在多波多分量地震勘探中，因受DL方法的前沿性和多波理論的復(fù)雜性、數(shù)據(jù)處理解釋和特征信息提取難度較大等諸多因素的影響，有關(guān)DL的研究與應(yīng)用極少。僅極少數(shù)學(xué)者，如田高鵬等[3]，基于卷積神經(jīng)網(wǎng)絡(luò)的DL方法開展了多波數(shù)據(jù)的小樣本訓(xùn)練、多波儲層預(yù)測等探索性研究。

基于PP波和PS波地震數(shù)據(jù)，本文針對多波匹配難題，采用DL方法，充分發(fā)揮計算機(jī)科學(xué)、地震、人工智能等多學(xué)科優(yōu)勢，創(chuàng)新建立了高精度、高效率、自動化和智能化的多波匹配技術(shù)，為多波聯(lián)合沉積相識別、地層解釋、斷層追蹤、儲層預(yù)測、裂縫檢測、含油氣性識別等夯實基礎(chǔ)。

1 方法原理

1.1 重采樣

信號重采樣包含多種采樣方式，本文運用重采樣中的分?jǐn)?shù)倍抽取方法對PS波信號進(jìn)行時域壓縮處理。主要運用的方法有插值、抽取和濾波等。插值的目的是增加信號的采樣頻率(時域拉伸)。插值倍率為N，即在序列相鄰采樣點之間插入N-1個點；抽取的目的是降低信號采樣頻率(時域壓縮)，可分為整數(shù)倍抽取和分?jǐn)?shù)倍抽取。抽取倍率為整數(shù)M時，即在原序列信號中每隔M-1點抽取1點組成一個新的信號序列。

在進(jìn)行地震信號處理時，PP波、PS波的時域長度比值往往不是整數(shù)，此時需進(jìn)行分?jǐn)?shù)倍抽取(圖1)。分?jǐn)?shù)倍抽取是由插值與整數(shù)倍抽取結(jié)合而來，當(dāng)抽取倍率為分?jǐn)?shù)N/M倍時，可先執(zhí)行N倍插值再執(zhí)行M倍抽取。為消除鏡像頻譜和頻譜混疊的影響，可選擇在插值與抽取之間加入一個增益為N、截止頻率ωp為min(π/N,π/M)的橢圓濾波器(考爾濾波器)，相較于其他濾波器，該濾波器在階數(shù)相同情況下具有最小的通帶和阻帶。

圖1 信號分?jǐn)?shù)倍抽取流程

按照圖1所示進(jìn)行信號分?jǐn)?shù)倍抽取具有許多優(yōu)點：第一步進(jìn)行插值保證了信號源不會損失；第二步使用一個濾波器就能同時實現(xiàn)濾除鏡像頻率、防止頻譜混疊，濾波后再進(jìn)行抽取能最大程度保留原有信號的特征。

1.2 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，通過仿造生物的視知覺機(jī)制而構(gòu)建，是目前最具代表性、應(yīng)用最廣泛的DL算法。

基礎(chǔ)的CNN由卷積層(Convolution)、激活層(Activation)和池化層(Pooling)三種結(jié)構(gòu)組成。CNN輸出的結(jié)果為每幅圖像的特定特征空間。當(dāng)處理圖像分類任務(wù)時，把CNN輸出的特征空間作為全連接層或全連接神經(jīng)網(wǎng)絡(luò)的輸入，用全連接層完成從輸入圖像到標(biāo)簽集的映射，即可實現(xiàn)分類。

1.3 卷積特征提取

卷積層是CNN在特征提取中最關(guān)鍵的部分，計算原理如圖2所示。其內(nèi)部包含多個卷積核(濾波器)，卷積核實質(zhì)為一矩陣，其每個元素i都對應(yīng)一個權(quán)重系數(shù)和一個偏差量Bias。通過滑動窗口機(jī)制，卷積核會依據(jù)特定步長在圖像上進(jìn)行滑動，依次進(jìn)行局部矩陣卷積運算

圖2 卷積核計算特征值原理

(1)

式中wi、xi分別是矩陣上對應(yīng)i元素位置的權(quán)重、矩陣值，計算結(jié)果便是該步提取的特征值。

在一層卷積層中，單個卷積核能對圖像提取一個特征圖，對于極其復(fù)雜的地震數(shù)據(jù)，顯然這是不夠的，會有特征值提取不充分的問題，可添加多個卷積核，如64個卷積核，便能一次性地提取64種特征圖。

卷積核大小可以指定為小于輸入圖像尺寸的任意值，卷積核越大，感受野越大，可提取的輸入特征越復(fù)雜，但相應(yīng)的計算量會更大?？蛇x擇反復(fù)使用小卷積核(如3×3)進(jìn)行卷積計算，通過增加網(wǎng)絡(luò)的深度，以保證感受野不低于大卷積核的情況下，大幅度地減小計算量。

1.4 梯度下降法

梯度下降(Gradient Descent)是神經(jīng)網(wǎng)絡(luò)比較重要的部分，通常利用損失函數(shù)和參數(shù)的梯度進(jìn)行反向傳播，迭代更新權(quán)重、偏置參數(shù)找到損失最低點，使模型達(dá)到最優(yōu)的效果。

Adam優(yōu)化算法是目前執(zhí)行梯度下降的常用算法之一，通過計算損失函數(shù)和參數(shù)梯度的一階矩估計和二階矩估計使梯度平滑過渡，可以適應(yīng)不穩(wěn)定的目標(biāo)函數(shù)，同時也能為不同參數(shù)產(chǎn)生自適應(yīng)的學(xué)習(xí)率。

1.5 方法實現(xiàn)流程

基于以上原理，本文提出的多波地震信號匹配方法主要流程如下：首先，利用單波分層重采樣，分?jǐn)?shù)倍抽取PS波，將PS波初步壓縮到PP波時間域；其次，訓(xùn)練CNN后提取部分網(wǎng)絡(luò)參數(shù)搭建專用特征提取網(wǎng)絡(luò)，并將8層卷積層結(jié)果組合后作為網(wǎng)絡(luò)輸出；再次，對PS波進(jìn)行歸一化、升維復(fù)制、切割處理后，利用神經(jīng)網(wǎng)絡(luò)提取PP波、PS波特征，定義“雙加權(quán)”損失函數(shù)后利用梯度下降迭代更新PS波；最后，通過降噪、降維、反歸一化等處理得到最終的輸出結(jié)果。

本方法通過直接提取并改變圖像特征匹配PP波、PS波，間接完成了頻率和相位的匹配。

2 應(yīng)用實例

川西坳陷深層須家河組的致密碎屑巖氣藏分布于四川盆地新場、合興場、孝泉等地區(qū)，天然氣儲量豐富，資源開發(fā)潛力巨大；但同時具有儲層埋藏深、致密化程度高、裂縫發(fā)育、氣水分布復(fù)雜、圈閉邊界不清晰等特征，勘探難度極大，常規(guī)的地震勘探技術(shù)難以奏效。

自2004年開始實施多波多分量(三維三分量，3D3C)地震勘探以來，在地層對比追蹤解釋、超致密砂巖儲層預(yù)測、含氣性識別、各向異性與裂縫檢測等方面取得了重要進(jìn)展，尤其在儲量發(fā)現(xiàn)、圈閉優(yōu)選、井位部署等勘探、開發(fā)環(huán)節(jié)發(fā)揮了關(guān)鍵作用。然而，受地震信號頻帶窄、PP波與PS波匹配精度不足等問題的制約，多波多分量地震勘探的技術(shù)優(yōu)勢仍然未能充分發(fā)揮。

本文試驗以川西坳陷新場3D3C地震資料為基礎(chǔ)，采用基于DL的多波地震信號智能匹配方法，對PP波與PS波疊后地震資料開展高精度、高效率、智能化和自動化匹配研究，為后續(xù)多波地層對比解釋、多波屬性提取等提供了基礎(chǔ)。

2.1 單波分層重采樣

在利用CNN提取新場3D3C中PP波、PS波特征值之前，需將兩種波形圖轉(zhuǎn)換到同一尺度，即將PS波壓縮到PP波時間域。

每次取得單道地震波數(shù)據(jù)(對應(yīng)矩陣中的一列數(shù)據(jù))，如圖3所示，利用預(yù)提取的PP波、PS波層位數(shù)據(jù)，依據(jù)層位坐標(biāo)將PP波與PS波在時間域分別切分為n部分，記作PP1、PP2、…、PPn和PS1、PS2、…、PSn。

圖3 單波分層重采樣流程

計算PP1、PP2的長度比值I=N/M，對PS1進(jìn)行N/M倍抽取，將其壓縮到PP1時間域，后續(xù)對PS2、PS3…、PSn進(jìn)行同樣操作。完成n部分的壓縮后進(jìn)行拼接便得到一道完整的時域壓縮PS波。對數(shù)據(jù)體中每一道PS波依次進(jìn)行該操作后得到初步壓縮到PP波時間域的完整PS波信號。

之所以不選擇直接一次性將PS波壓縮，是因為PP波、PS波在不同地質(zhì)結(jié)構(gòu)上傳播速度比不同，導(dǎo)致兩種波在不同時段的壓縮比存在差異。若是依據(jù)某一壓縮比，直接壓縮可能導(dǎo)致部分需要對應(yīng)的顯著層位位置相距較遠(yuǎn)，位置偏差如圖4中綠線所示，后續(xù)神經(jīng)網(wǎng)絡(luò)處理時難度較大。而使用分層位壓縮，能保證在時間域上顯著層位完美對應(yīng)，且細(xì)節(jié)層位初步匹配，后續(xù)只需在小范圍內(nèi)對各細(xì)節(jié)層位進(jìn)行微小改動。

圖4 分層采樣壓縮效果

2.2 CNN訓(xùn)練與特征提取網(wǎng)絡(luò)搭建

本文搭建的CNN結(jié)構(gòu)如圖5所示，10層卷積層全部使用3×3卷積核，通過多次使用3×3小型卷積核替代大尺寸卷積核，在保證感受野不降低的情況下減小了參數(shù)計算量。卷積步長均為1，填充選擇Same Padding，能保證模型卷積層輸入、輸出的圖像尺寸不變。空間池化由4個最大池化(maxpooling)層進(jìn)行，池化核尺寸均為2×2、步長為2，通過在卷積過程中多次穿插最大池化，能構(gòu)建出多尺度的地震數(shù)據(jù)空間，從而采集到不同尺度地震數(shù)據(jù)特征值。網(wǎng)絡(luò)設(shè)有兩個全連接層：第一全連接有2048個通道；第二全連接(fully connected)執(zhí)行1000維ILSVRC分類，包含1000個通道。兩個全連接層都執(zhí)行丟棄正則化。最后一層是softmax層，用于將第二全連接層中的1000個節(jié)點的輸出映射為0～1的概率值，且所有概率值之和為1。所有隱藏層都配置了ReLU激活函數(shù)。

圖5 CNN結(jié)構(gòu)

用于訓(xùn)練的數(shù)據(jù)集選擇了ILSVRC-2012數(shù)據(jù)集，該數(shù)據(jù)集共包括1000個類別的圖像，分為：訓(xùn)練集(130萬張)、驗證集(5萬張)和測試集(10萬張)三組。將原始圖像進(jìn)行歸一化處理，并隨機(jī)裁剪為224×224大小RGB圖像。為了對訓(xùn)練集進(jìn)行數(shù)據(jù)增強(qiáng)，裁切圖像進(jìn)行隨機(jī)的水平翻轉(zhuǎn)和隨機(jī)的RGB顏色轉(zhuǎn)換。

在完成訓(xùn)練后，還需利用已完成訓(xùn)練的CNN搭建專用網(wǎng)絡(luò)模型以提取地震信號特征值：首先，選取原CNN前13層網(wǎng)絡(luò)權(quán)重組成新的特征值提取網(wǎng)絡(luò)；然后，輸入層動態(tài)設(shè)置輸入尺寸以適應(yīng)不同剖面尺度的地震數(shù)據(jù)。由于不同深度的卷積層在提取地震剖面特征值時對全局和局部特征側(cè)重不同，為保證信號在PP波和PS波的全局和局部特征的提取和映射匹配效果較好(圖6)，保留模型后8層卷積提取的所有特征矩陣，組合8個特征矩陣作為神經(jīng)網(wǎng)絡(luò)的地震特征輸出。

圖6 地震信號特征提取網(wǎng)絡(luò)

2.3 地震數(shù)據(jù)預(yù)處理

地震數(shù)據(jù)轉(zhuǎn)為矩陣后可視作為單通道圖片，但由于模型由三通道圖片預(yù)訓(xùn)練而成，需將原始矩陣升維后進(jìn)行復(fù)制，轉(zhuǎn)換為三通道灰度圖(圖7)。

圖7 信號擴(kuò)維示意圖

通常，三維地震數(shù)據(jù)由多條剖面數(shù)據(jù)組成。若在剖面邊緣處信號突變，提取的波形特征也會突變，對匹配過程影響較大。因此，可將數(shù)據(jù)體依據(jù)剖面位置信息分割為多個小數(shù)據(jù)體(單個小數(shù)據(jù)即為單個剖面數(shù)據(jù))，對每個小數(shù)據(jù)體單獨處理。

多波地震信號PP波和PS波振動方向、傳播特性等一系列因素會導(dǎo)致兩種波的振幅差異較大、數(shù)據(jù)大小可相差數(shù)倍。若直接將兩種信號數(shù)據(jù)進(jìn)行匹配，在計算損失函數(shù)時會導(dǎo)致較小數(shù)據(jù)值的特征值被直接忽略。因此，需將兩種信號歸一化到0～1；匹配完成后，在輸出層再進(jìn)行反歸一化處理。

2.4 PP波與PS波特征匹配

首先，將PS波數(shù)據(jù)復(fù)制為原始輸出矩陣OUT，輸入網(wǎng)絡(luò)得到特征矩陣O，分別將PP波、PS波數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)得到對應(yīng)特征值矩陣P和S，再令Om、Pm、Sm分別為第m層卷積對OUT、PP波、PS波的卷積結(jié)果。

定義第n層卷積結(jié)果的平方距離損失函數(shù)為

(2)

式中wP、wS分別代表PP波和PS波特征權(quán)重值。

再定義總損失函數(shù)為

(3)

式中：wm是第m層卷積結(jié)果損失占總損失的權(quán)重；sum(Гm)代表將矩陣Гm中每個元素求和。

其次，便可求出總損失函數(shù)和輸出矩陣的梯度，利用Adam優(yōu)化算法執(zhí)行梯度下降，迭代更新OUT，在完成梯度下降更新后，取OUT三個通道數(shù)據(jù)的平均值作為單通道數(shù)據(jù)。

最后，進(jìn)行歸一化和高斯濾波降噪處理，得到最終的輸出數(shù)據(jù)。

2.5 效果分析

圖8 新場3D3C測線PP波(a)與匹配前PS波(b)剖面

圖9 新場3D3C完成分層重采樣的PS波地震剖面

圖11 新場3D3C匹配后PP波(a)與完成降噪后最終輸出PS波(b)剖面

匹配后，PS波的主頻提高、頻寬拓展，與PP波的相位更接近。圖12為匹配前、后PP波與PS波的頻譜關(guān)系。可見原始PP波、PS波頻譜差異較明顯，PS波的主頻較低、頻帶較窄；匹配后，PS波在原有頻譜特征基礎(chǔ)上明顯向PP波頻譜特征逼近，匹配后PS波的主頻提高、頻帶拓寬，在保持PS波原有特性的基礎(chǔ)上，地層分辨能力進(jìn)一步提升。

圖12 匹配前的PP波、PS波與匹配輸出的PS波OUT頻譜對比

同時，匹配后，PS波的相位特征與PP波更加相似，有利于PP波與PS波的對比解釋。在圖13所示的相位譜對比中，匹配前PP波與PS波相位差異較為明顯，PP波相位集中在-20°～20°，PS波相位集中在-25°～25°。在完成匹配后，PS波的相位大部分已集中到-20°～20°，且在PS波原有相位特征基礎(chǔ)上明顯向PP波逼近，因此PP波與PS波相位特征匹配精度較高。

圖13 匹配前PP波(a)、PS波(b)與匹配后的匹配輸出的PS波OUT(c)相位譜對比

匹配后，PS波揭示的地層接觸關(guān)系更清晰。如圖14，顯示了新場3D3C某測線匹配前后PP波與PS波的剖面特征。由圖可見，匹配后PS波的波形逼近PP波，斷層接觸關(guān)系更清晰(紅色箭頭)，原復(fù)合波形被分解(綠色箭頭)，地層分辨能力提升，更有利于地層追蹤解釋。

圖14 新場3D3C另一測線匹配后PP波(a)、PS波(b)與匹配前PS波(c)剖面

圖15 新場地區(qū)地層匹配后PP波(a)、PS波(b)與匹配前的PS波(c)振幅特征

川西坳陷新場地區(qū)實例分析表明，利用基于DL的多波地震信號智能匹配方法，在保持PS波原始傳播特性的基礎(chǔ)上，實現(xiàn)了與PP波的傳播時間、頻率、相位和波形等動力學(xué)、運動學(xué)和幾何學(xué)特征匹配，證實了本文方法具有高精度、高效率、智能化和自動化等優(yōu)點；匹配后的PS波主頻提高、頻帶拓展，保持了匹配前的巖性和沉積相的邊界刻畫特性，斷層和其他地質(zhì)細(xì)節(jié)的分辨能力獲得了有效提升。

3 結(jié)論與認(rèn)識

多波地震信號的高精度、高效率、自動化、智能化匹配是未來發(fā)展的趨勢?；贒L的多波地震信號智能匹配方法，采用CNN能自動、高效地提取PP波和PS波的波形特征，將兩者波形特征和輸出特征的損失進(jìn)行加權(quán)處理，可保證PS波的波形在整體特征不變的前提下，向PP波時間域逼近；通過PP波與PS波波形的匹配，自動完成時間、相位、頻率等動力學(xué)、運動學(xué)和幾何學(xué)特征匹配。

在川西坳陷新場3D3C地震資料的匹配應(yīng)用表明：該方法適用于PP波與PS波匹配處理，匹配后的PS波在保持原始傳播特性的基礎(chǔ)上，在PP波時間域的主頻、頻寬、波形等逼近PP波；與匹配前相比，匹配后PS波分辨能力獲得提升，地層接觸關(guān)系更清晰，更有利于斷層識別、巖性邊界刻畫、地層追蹤等解釋應(yīng)用；同時，高精度匹配后的PS波，可為多波聯(lián)合反演、沉積與構(gòu)造對比解釋等提供基礎(chǔ)支撐。