孫 沖,雷剛林,張銀濤,康鵬飛,謝 舟,鄭明君,曹佳佳,趙海山,陳彥虎,畢建軍

(1.中國石油塔里木油田公司,新疆庫爾勒841000;2.北京中恒利華石油技術(shù)研究所,北京100102)

走滑斷層相關(guān)的油氣藏是一種全新類型油氣藏,具備較大的勘探潛力[1]。走滑斷層既是儲層形成的主控因素,又是深層油氣向上運(yùn)移的主要通道,對于油氣藏成儲、成藏具有決定性的作用。走滑斷層的典型特征主要為斷塊的水平位移,通常水平位移在垂直斷層走向的地震剖面上不易識別,從而形成一些特定的識別標(biāo)志[2]:走滑斷層主要表現(xiàn)為高陡直立樣式,傾角接近90°,在分布上具有明顯的分段式特征,表現(xiàn)為線性平移、壓扭和張扭等不同的形式,同時(shí)派生的小斷層具有隱蔽性強(qiáng)、斷距小的特點(diǎn),當(dāng)斷層斷距小于1/4波長時(shí),斷層位置同相軸通常錯(cuò)動(dòng)不明顯,只發(fā)生輕微的扭動(dòng),特別是在深層地震資料品質(zhì)比較低的情況下,走滑斷層識別精度較低。因此如何提高走滑斷層的識別精度,是斷控縫洞型碳酸鹽巖油氣藏勘探開發(fā)中非常重要的環(huán)節(jié)之一。

斷層在地震剖面上存在同相軸不連續(xù)的特點(diǎn),基于此特征,一些經(jīng)典的斷層屬性算法應(yīng)運(yùn)而生。MARFURT等[3]提出了基于波形相似的C1相干技術(shù),但C1算法易受噪聲影響;MARFURT等[4]提出了多道相似性C2相干技術(shù),它改進(jìn)了C1算法抗噪性低的缺點(diǎn),但對地層產(chǎn)狀角度變化敏感。GERSZTENKORN等[5]提出了基于協(xié)方差矩陣的C3本征相干技術(shù),該方法對斷層的響應(yīng)精度和分辨率有所提高,但運(yùn)算量大。仲偉軍等[6]提出了方差體技術(shù),但受限于地震資料信噪比。上述方法對噪聲和地層特征敏感。伍新明等[7]和WU等[8-9]在計(jì)算斷層屬性過程中,采用垂直于地層方向的平滑因子增強(qiáng)了斷層的連續(xù)性。HALE[10]與WU[11]提出的沿?cái)鄬觾A角和傾向計(jì)算最大似然屬性的方法很好地改善了沿地層方向不連續(xù)的干擾,但計(jì)算量巨大,故僅依賴于地震同相軸不連續(xù)性不足以有效地對斷層進(jìn)行檢測。還有專家學(xué)者利用地震資料開展了走滑斷層識別方法的研究。樂友喜等[12]提出了基于三參數(shù)小波變換的時(shí)頻分析方法,提高了地震數(shù)據(jù)能量的聚焦性,走滑斷層的斷點(diǎn)更加清晰,中深層和淺層的走滑斷層縱向連續(xù)性大大提高,提高了斷層的可解釋性。張中巧等[13]在總結(jié)渤海灣盆地走滑斷層的具體特征的基礎(chǔ)上,引入波數(shù)成分的選擇,提出了基于高波數(shù)曲率屬性識別隱性走滑斷層的方法,大幅提高了隱蔽型圈閉的識別精度。宋玉婷等[14]提出了將方向可控濾波器理論和圖像金字塔分解技術(shù)相結(jié)合的導(dǎo)航金字塔技術(shù),提高了隱蔽型走滑斷層的識別精度,該技術(shù)在四川盆地高磨地區(qū)的應(yīng)用結(jié)果表明,不僅提高了斷層連接部位的刻畫精度,而且對于走滑斷層橫向的延伸性刻畫得也更加清楚。陳永芮等[15]提出了利用連續(xù)小波變換方法對斷裂敏感頻率進(jìn)行篩選加權(quán),突出走滑斷層內(nèi)幕微小斷裂地震反射特征,縱向上走滑斷層組合關(guān)系更加清楚,橫向斷裂邊界和走向更加清晰,提高了地震資料對深層次序級走滑斷裂識別的能力。李飛躍等[16]綜合利用似然屬性和地震剖面確定背景噪聲值,計(jì)算最大似然屬性,提高了微小斷裂刻畫精度。

近年來,隨著深度學(xué)習(xí)方法的興起及其在各個(gè)領(lǐng)域的廣泛應(yīng)用,多種深度學(xué)習(xí)模型被引用到了地震斷層解釋工作中。董守華等[17]應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對斷層進(jìn)行了自動(dòng)檢測。CHEHRAZI等[18]應(yīng)用多層感知器(MLP)的網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練斷層自動(dòng)識別模型。HUANG等[19]和ZHAO等[20]利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行斷層建模與斷層預(yù)測。WU等[21]應(yīng)用U-net利用合成地震數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),提高了模型的泛化度。HE等[22]提出了利用ResNet模型,提高了網(wǎng)絡(luò)預(yù)測和手動(dòng)解釋的吻合率。陳俊安等[23]提出一套利用3種方法組合識別走滑斷層的方法,即基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)識別大型走滑斷層,基于凌亂性屬性及Aberrance增強(qiáng)屬性識別派生的次級小斷層,在塔里木盆地順北地區(qū)實(shí)現(xiàn)了超深層地層條件下的不同級別的走滑斷層的精細(xì)識別。張黎等[24]提出了基于全卷積神經(jīng)網(wǎng)絡(luò)的走滑斷裂識別技術(shù),在利用構(gòu)造導(dǎo)向?yàn)V波方法對地震數(shù)據(jù)進(jìn)行斷裂增強(qiáng)處理的基礎(chǔ)上,利用大量合成的三維走滑斷層樣本進(jìn)行全卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練,然后應(yīng)用于塔河油田托甫臺地區(qū)的走滑斷裂精細(xì)刻畫實(shí)踐中,提高了走滑斷層識別的分辨率、抗噪性和連續(xù)性。杜炳毅等[25]利用支持向量機(jī)算法建立敏感屬性集與微小斷裂系統(tǒng)指示因子的非線性映射關(guān)系,實(shí)現(xiàn)復(fù)雜儲層微小斷裂系統(tǒng)特征的準(zhǔn)確刻畫。目前,基于深度學(xué)習(xí)的斷層智能識別方法種類較多,但在實(shí)際生產(chǎn)應(yīng)用中存在諸多問題,由于可用于訓(xùn)練模型的含標(biāo)簽樣本較少,且分類樣本嚴(yán)重不平衡,導(dǎo)致模型訓(xùn)練的難度大,易出現(xiàn)模型退化和斷層預(yù)測不準(zhǔn)等情況,尤其是對于小斷層的預(yù)測,是目前深度學(xué)習(xí)斷層預(yù)測的難點(diǎn)。

針對走滑斷層地震識別的難題,本文提出了一種端到端的基于結(jié)構(gòu)特征的深度殘差網(wǎng)絡(luò)斷層智能識別方法,首先構(gòu)建了包括3個(gè)子網(wǎng)絡(luò)的深度殘差網(wǎng)絡(luò)模型,通過提取邊界結(jié)構(gòu)的殘差映射實(shí)現(xiàn)斷層解釋的目標(biāo)。然后采用模型數(shù)據(jù)進(jìn)行深度殘差網(wǎng)絡(luò)訓(xùn)練。最后利用塔里木盆地富滿油田實(shí)際地震資料進(jìn)行了走滑斷層的精細(xì)刻畫,驗(yàn)證了本文方法對不同性質(zhì)的走滑斷層的識別效果。

1 方法原理

利用傳統(tǒng)機(jī)器學(xué)習(xí)方法進(jìn)行走滑斷層解釋分類學(xué)習(xí),需以結(jié)構(gòu)特征為輸入,此過程需要大量的預(yù)處理和后處理。近年來,圖像處理器并行處理技術(shù)顯著加速了深度神經(jīng)網(wǎng)絡(luò)的運(yùn)算速度,促進(jìn)了深度學(xué)習(xí)方法在走滑斷層解釋工作中的應(yīng)用。單一的深度學(xué)習(xí)方法大多是端到端的學(xué)習(xí)過程,由于網(wǎng)絡(luò)深度增加,深度學(xué)習(xí)建模對數(shù)據(jù)特征的提取和數(shù)據(jù)的包容性大幅增加,但深度學(xué)習(xí)網(wǎng)絡(luò)建模過程也是卷積核參數(shù)的預(yù)測過程,因此深度學(xué)習(xí)斷層解釋建模過程也是深度網(wǎng)絡(luò)斷層特征提取的自學(xué)習(xí)過程。當(dāng)樣本數(shù)據(jù)較小或者樣本數(shù)據(jù)中噪聲較大的時(shí)候,單一深度學(xué)習(xí)方法會出現(xiàn)過擬合和泛化性能較差的情況,因此設(shè)計(jì)了具有去噪功能和斷層邊界提取功能的深度學(xué)習(xí)聯(lián)合網(wǎng)絡(luò)結(jié)構(gòu),其目的是斷層識別。斷層是地震信號中的邊緣信息,而傳統(tǒng)邊緣提取技術(shù)是梯度提取與低通濾波的聯(lián)合作用。受傳統(tǒng)邊緣檢測的思想啟發(fā),我們設(shè)計(jì)了3個(gè)子網(wǎng)絡(luò):特征提取子網(wǎng)絡(luò)的卷積核的作用是提取地震不同分辨率的特征信息,結(jié)構(gòu)特征子網(wǎng)絡(luò)的卷積核作用是提取地震數(shù)據(jù)中梯度變化特征,而卷積去噪子網(wǎng)絡(luò)的卷積核的作用是對梯度小的地方進(jìn)行低通濾波。這3個(gè)子網(wǎng)絡(luò)結(jié)構(gòu)采用多層輸出融合和聯(lián)合遷移學(xué)習(xí)方式,縮短了深度網(wǎng)絡(luò)邊界特征提取的自學(xué)習(xí)進(jìn)程,在邊界保持去除噪聲的同時(shí),提取斷層邊界特征。

1.1 網(wǎng)絡(luò)總體架構(gòu)

傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò),往往包含低層、中層和高層等若干個(gè)網(wǎng)絡(luò)層次,深度學(xué)習(xí)的過程是分別對每一層次提取不同層次的特征信息,伴隨著網(wǎng)絡(luò)深度的增加,會獲取越來越多個(gè)層次的信息,隨之而來的層次間信息組合也會呈指數(shù)級增長,易導(dǎo)致梯度消失或梯度爆炸的現(xiàn)象。傳統(tǒng)深度學(xué)習(xí)算法的解決對策是數(shù)據(jù)的初始化和正則化,這在一定程度上解決了網(wǎng)絡(luò)梯度的問題,但同時(shí)也帶來了新的網(wǎng)絡(luò)退化問題。殘差網(wǎng)絡(luò)的出現(xiàn),降低了深度網(wǎng)絡(luò)訓(xùn)練的難度,它每層的網(wǎng)絡(luò)映射結(jié)構(gòu)是F(x)=H(x)-x,其中,x是輸入,H(x)是期望輸出,F(x)是映射殘差函數(shù),殘差網(wǎng)絡(luò)訓(xùn)練的目標(biāo)就是將殘差結(jié)果逼近0,隨著網(wǎng)絡(luò)深度的增加,仍然能保持網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確率。這種殘差跳躍式的連接方式,使得某一層的輸出可以直接跨越幾層作為后面某層輸入,網(wǎng)絡(luò)總體架構(gòu)的目標(biāo)是學(xué)習(xí)具有推理功能的殘差函數(shù),而不是學(xué)習(xí)不具備推理功能的函數(shù),以往的實(shí)驗(yàn)結(jié)果表明,殘差網(wǎng)絡(luò)更容易獲得最優(yōu)解[26]。

本文提出的網(wǎng)絡(luò)模型如圖1所示,由特征提取子網(wǎng)絡(luò)(fF)、卷積去噪子網(wǎng)絡(luò)(fC)和結(jié)構(gòu)特征提取子網(wǎng)絡(luò)(fS)組成:fF通過多方向的特征核函數(shù)提取地震資料中不同頻率規(guī)模殘差特征;fC的功能則是去除fF卷積層的累計(jì)噪聲;fS是fF和fC的階段性衍生網(wǎng)絡(luò),通過建立殘差映射網(wǎng)絡(luò),提取有意義的邊界信息,即地震資料中的斷層,其中fS中的每個(gè)結(jié)構(gòu)映射是fF中下一層的權(quán)值映射。fF,fC和fS的層數(shù)分別是16層、4層和10層。

圖1 基于結(jié)構(gòu)特征的殘差網(wǎng)絡(luò)斷層解釋網(wǎng)絡(luò)結(jié)構(gòu)

1.2 子網(wǎng)絡(luò)結(jié)構(gòu)

1.2.1 特征提取子網(wǎng)絡(luò)fF

特征提取子網(wǎng)絡(luò)fF提取了殘差特征。整個(gè)網(wǎng)絡(luò)訓(xùn)練從fF開始,它的輸入是地震資料,該子網(wǎng)絡(luò)一共有16個(gè)卷積層,Conv1,Conv2,…,Conv8的卷積核的功能是提取不同分辨率特征,而S-Conv1,S-Conv2,…,S-Conv8的卷積核的功能是提取梯度變化特征,Conv1,Conv2,Conv3,Conv4是一個(gè)階段學(xué)習(xí),Conv4提取的特征信息是S-Conv2卷積層的輸入,Conv8提取的特征信息是S-Conv8卷積層的輸入,同時(shí)S-Conv2層與S-Conv8層特征提取反饋回Conv4層與Conv8層進(jìn)行特征融合,經(jīng)過上、下聚合,提高了網(wǎng)絡(luò)對于斷層信息的提取能力。

該子網(wǎng)絡(luò)第一個(gè)卷積層生成的特征映射定義為:

(1)

式中:x是網(wǎng)絡(luò)輸入數(shù)據(jù);W1,b1分別是第一層網(wǎng)絡(luò)的權(quán)值和偏量;BN(·)作用是批處理;σL(x)=max(kx,x)是非線性雙曲整流函數(shù),也即網(wǎng)絡(luò)中的激活函數(shù),其中,k=0.2;*是褶積運(yùn)算符。fF由16個(gè)卷積層組成,每4個(gè)卷積層構(gòu)成一個(gè)階段學(xué)習(xí),通過使用上下聚合網(wǎng)絡(luò)的擴(kuò)展卷積,最終層在所有階段的輸出產(chǎn)生了具有不同大小的噪聲和殘差特征。

1.2.2 結(jié)構(gòu)特征提取子網(wǎng)絡(luò)fS

結(jié)構(gòu)提取子網(wǎng)絡(luò)fS,即為兩個(gè)主要子網(wǎng)絡(luò)(fC,fF)的階段性衍生網(wǎng)絡(luò),通過提取邊界結(jié)構(gòu)特征實(shí)現(xiàn)斷層解釋的目標(biāo)。結(jié)構(gòu)特征提取子網(wǎng)絡(luò)功能是存儲、保留和提取重要的邊緣信息,也即斷層解釋結(jié)果。特征提取子網(wǎng)絡(luò)中的S-Conv1,S-Conv2,…,S-Conv8這8個(gè)卷積層是特征提取子網(wǎng)絡(luò)與結(jié)構(gòu)特征提取子網(wǎng)絡(luò)的公用卷積層,S-Conv9則是以卷積去噪子網(wǎng)絡(luò)中R-Conv3網(wǎng)絡(luò)權(quán)值作為梯度特征提取輸入,則整個(gè)斷層信息特征在R-Conv3層后被提取出來。作為特征提取子網(wǎng)絡(luò)和卷積去噪子網(wǎng)絡(luò)的衍生網(wǎng)絡(luò),結(jié)構(gòu)特征提取子網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值訓(xùn)練過程主要是通過多層輸出融合與遷移學(xué)習(xí)的方式進(jìn)行訓(xùn)練。

與特征提取子網(wǎng)絡(luò)fF類似,結(jié)構(gòu)特征提取子網(wǎng)絡(luò)fS的第一個(gè)卷積層的網(wǎng)絡(luò)映射結(jié)構(gòu)定義為:

(2)

(3)

其中,K[·]表示兩個(gè)元素組合的權(quán)重函數(shù),定義如下:

(4)

1.2.3 卷積去噪子網(wǎng)絡(luò)fC

卷積去噪子網(wǎng)絡(luò)fC的卷積核的作用是對梯度小的地方進(jìn)行低通濾波,fC中的每一層的卷積和激活功能同公式(1)。與其它兩個(gè)子網(wǎng)絡(luò)不同的是,卷積去噪子網(wǎng)絡(luò)中,所有層都使用了1×1×1的卷積核,它的功能是實(shí)現(xiàn)跨通道的交互和信息整合,卷積去噪子網(wǎng)絡(luò)對網(wǎng)絡(luò)中的累計(jì)誤差進(jìn)行去除并實(shí)現(xiàn)邊界細(xì)化的功能,卷積去噪子網(wǎng)絡(luò)fC中有意義的邊界信息在第3層后被提取了出來。

1.3 網(wǎng)絡(luò)訓(xùn)練

模型訓(xùn)練的損失函數(shù)定義為:

l(θ)=αlF(θ)+(1-α)lS(θ)

(5)

式中:α=0.8是常系數(shù)權(quán)值;lF(θ)和lS(θ)分別為事故殘差和結(jié)構(gòu)的損失分量。定義:

(6)

(7)

其中,θ是網(wǎng)絡(luò)模型的權(quán)值,N是通道號,C是數(shù)據(jù)的維度,F(x)是對輸入數(shù)據(jù)的預(yù)測殘差結(jié)果,S是網(wǎng)絡(luò)訓(xùn)練標(biāo)簽值,y是預(yù)測值,l是網(wǎng)絡(luò)層序號。(7)式中,lS(θ)是通過結(jié)構(gòu)特征子網(wǎng)絡(luò)模型估算結(jié)果來計(jì)算的。

為了使訓(xùn)練出來的網(wǎng)絡(luò)適應(yīng)于不同大小的實(shí)際數(shù)據(jù),訓(xùn)練網(wǎng)絡(luò)前,對訓(xùn)練數(shù)據(jù)集進(jìn)行樣本分割,每個(gè)樣本的大小設(shè)置為64×64×64,對體邊緣樣本,采用對稱延拓的方式進(jìn)行補(bǔ)齊。

2 模型數(shù)據(jù)測試

首先采用合成地震數(shù)據(jù)驗(yàn)證本文提出的方法。由于目前可用于訓(xùn)練走滑斷層解釋的數(shù)據(jù)集較少,本文采用WU等[21]開源的合成地震數(shù)據(jù)集,共有220個(gè)三維合成地震數(shù)據(jù)以及與之對應(yīng)的標(biāo)簽集,每個(gè)數(shù)據(jù)體的大小為[128,128,128],此數(shù)據(jù)集引入了大量符合實(shí)際地質(zhì)條件下的特殊構(gòu)造樣式和反射特征,例如高傾角、小斷距斷層、伴隨褶皺發(fā)育的逆斷層等特殊斷層特征,提高了合成數(shù)據(jù)的真實(shí)性和多樣性,具有和走滑斷層相似的斷層構(gòu)造樣式,能大概率的覆蓋實(shí)際斷層解釋的復(fù)雜度,適合于作為走滑斷層識別的訓(xùn)練數(shù)據(jù)集。同時(shí),合成地震數(shù)據(jù)的信噪比分布的覆蓋范圍較廣,同樣也適用于后續(xù)實(shí)際數(shù)據(jù)低信噪比的特征。模型訓(xùn)練過程中,使用了具有零均值和標(biāo)準(zhǔn)差為0.01,偏置是0分布的高斯函數(shù)進(jìn)行初始化模型,并使用了學(xué)習(xí)率為0.001的Adam優(yōu)化器。

圖2顯示了合成地震數(shù)據(jù)深度殘差網(wǎng)絡(luò)斷層智能識別的結(jié)果,其中,圖2a是正演模型的斷層分布,圖2b是含斷層合成地震數(shù)據(jù),圖2c是本文方法預(yù)測的斷層分布。從圖2中可以看出,本文方法對于斷層的識別精度高,大斷層(圖2c中斷層屬性大于0.6的斷層)往往呈現(xiàn)強(qiáng)反射和高信噪比的地震響應(yīng)特征,預(yù)測的損失率低,預(yù)測斷層連續(xù)性好,斷層邊界清晰,且抗噪性較好。低序級小斷距斷層(圖2c中斷層屬性位于0.4～0.6的斷層)往往呈現(xiàn)低信噪比、地震同相軸雜亂的響應(yīng)特征,從圖2c中可以看出對于低序級小斷層預(yù)測精度較高,因此本文方法對于小斷層識別的泛化力和抗噪性也較高。

圖2 合成地震數(shù)據(jù)的深度殘差網(wǎng)絡(luò)斷層智能識別結(jié)果a 正演模型的斷層分布; b 含斷層合成地震數(shù)據(jù); c 本文方法預(yù)測的斷層屬性分布

3 實(shí)際數(shù)據(jù)應(yīng)用

以塔里木盆地富滿油田果勒西區(qū)塊典型走滑斷層為例,開展基于深度殘差網(wǎng)絡(luò)的走滑斷層智能識別研究。果勒西區(qū)塊處于北部坳陷的構(gòu)造斜坡位置,位于阿瓦提凹陷和滿加爾凹陷之間,是塔里木盆地?cái)嗫乜p洞型碳酸鹽巖油氣藏增儲上產(chǎn)的主要工區(qū)。

研究區(qū)主要發(fā)育加里東晚期、晚海西期和燕山期等3期走滑斷層系統(tǒng)。在加里東晚期受南部的區(qū)域擠壓作用,以壓扭性走滑斷層為主,正花狀構(gòu)造形成的壓扭斷壘帶發(fā)育,并發(fā)育一系列小型的短軸背斜。在晚海西期受北東向張扭作用,沿早期北東向斷裂帶發(fā)育張扭性斷裂,向下合并主斷裂部位形成斷裂性質(zhì)的反轉(zhuǎn)。燕山期時(shí)沿北東向主走滑帶在中生界發(fā)育張扭小斷陷與雁列構(gòu)造,拉張作用強(qiáng)烈,以右旋伸展走滑為主。

根據(jù)走滑斷層的斷開層位、切割關(guān)系、區(qū)域構(gòu)造應(yīng)力場背景等因素的差異,果勒西區(qū)塊走滑斷層從南向北分為線性走滑斷層、壓扭辮狀走滑斷層和拉張辮狀走滑斷層3種不同的構(gòu)造樣式。

3.1 線性走滑斷層

線性走滑斷層在地震剖面上表現(xiàn)為斷面近乎直立,斷面單一、清晰,同相軸錯(cuò)動(dòng)明顯,產(chǎn)狀有時(shí)表現(xiàn)為正斷層、有時(shí)表現(xiàn)為逆斷層,斷面兩側(cè)能量存在差異,走滑斷層特征明顯。圖3展示了線性走滑斷層的智能識別結(jié)果。從圖3a所示的原始地震剖面可以看出,由于地震資料信噪比較低,走滑斷層解釋精度較低;圖3b為對原始地震剖面開展構(gòu)造導(dǎo)向?yàn)V波處理的結(jié)果,可以看出,地震信噪比明顯提高,斷層解釋精度明顯提高;圖3c為采用本文方法提取的走滑斷層屬性,可以清晰地表征走滑斷層的垂向分布,特別是可以清晰確定走滑斷層縱向發(fā)育層段,具有較高的可信度;圖3d為傳統(tǒng)螞蟻體剖面,可以看出,與采用本文方法提取的走滑斷層屬性相比,傳統(tǒng)螞蟻體對于走滑斷層識別精度較低。

圖3 線性走滑斷層智能識別結(jié)果a 原始地震剖面; b 構(gòu)造導(dǎo)向?yàn)V波地震剖面; c 本文方法預(yù)測的斷層屬性; d 螞蟻體剖面

3.2 壓扭辮狀走滑斷層

壓扭辮狀走滑斷層在平面上呈現(xiàn)背斜或地塹模式,斷面往往呈現(xiàn)扭曲,在地震剖面上呈現(xiàn)正花或“Y”型以及花上花特征。正花壓扭模式下,主干斷層斷面可呈現(xiàn)出同向軸的錯(cuò)斷,分支斷裂錯(cuò)斷不明顯或僅體現(xiàn)為扭曲。圖4展示了壓扭辮狀走滑斷層智能識別結(jié)果。圖4a為原始地震剖面,可以看出,由于地震資料信噪比較低,走滑斷層解釋精度較低;圖4b為對原始地震剖面進(jìn)行構(gòu)造導(dǎo)向?yàn)V波處理后的剖面,可以看出,地震信噪比和斷層解釋精度明顯提高;圖4c為采用本文方法提取的走滑斷層屬性,可以清晰地識別花狀特征,特別是可以清晰確定走滑斷層分支錯(cuò)斷特征,具有較高的可信度;圖4d為傳統(tǒng)螞蟻體剖面,可以看出,與本文方法提取的走滑斷層屬性相比,傳統(tǒng)螞蟻體對于走滑斷層的識別精度較低。

圖4 壓扭辮狀走滑斷層智能識別結(jié)果a 原始地震剖面; b 構(gòu)造導(dǎo)向?yàn)V波地震剖面; c 本文方法預(yù)測的斷層屬性; d 螞蟻體剖面

3.3 拉張辮狀走滑斷層

拉張辮狀走滑斷層為果勒西地區(qū)最常見的走滑斷層類型,中晚加里東期受擠壓后,在早海西期拉張形成該模式走滑斷層。地震剖面上,一般在辮中呈負(fù)花狀,鏈接處呈“Y”型,整體呈現(xiàn)花上花特征,多分支造成斷面破碎;一間房組呈現(xiàn)拉分地塹模式,在上寒武收斂為一個(gè)斷面。圖5展示了拉張辮狀走滑斷層智能識別結(jié)果。圖5a為原始地震剖面,可以看出,由于地震資料信噪比較低,走滑斷層解釋精度較低;圖5b 為對原始地震剖面開展構(gòu)造導(dǎo)向?yàn)V波處理后的剖面,可以看出,地震信噪比和斷層解釋精度明顯提高;圖5c為本文方法提取的走滑斷層屬性,可以清晰地識別6條走滑斷層,并可以清晰確定走滑斷層發(fā)育強(qiáng)度的差異性,特別是3條弱走滑斷層識別精度大大提高,同時(shí)也能清晰地識別由于拉張作用形成的地塹特征;圖5d 為傳統(tǒng)螞蟻體剖面,可以看出,與本文方法提取的走滑斷層屬性相比,傳統(tǒng)螞蟻體對于走滑斷層的識別精度較低。

圖5 拉張辮狀走滑斷層智能識別結(jié)果a 原始地震剖面; b 構(gòu)造導(dǎo)向?yàn)V波地震剖面; c 本文方法預(yù)測的斷層屬性; d 螞蟻體剖面

進(jìn)一步利用沿層切片來對比不同方法對走滑斷層的識別精度。圖6為一間房組頂面不同方法提取的沿層切片的對比結(jié)果。其中,圖6a為傳統(tǒng)相干切片,圖6b為螞蟻體切片,圖6c為本文方法預(yù)測的斷層屬性切片。

圖6 走滑斷層沿層切片對比效果a 傳統(tǒng)相干切片; b 螞蟻體切片; c 本文方法預(yù)測的斷層屬性切片

從圖6可以看出,傳統(tǒng)相干切片對于大斷層的識別精度較高,也具有較高的信噪比,但是對于弱走滑小斷層識別精度較低;螞蟻體對于弱走滑小斷層識別精度有所提高(如J3井附近),但是對于部分小斷層識別精度仍然較低(如J303H井北部地區(qū)),同時(shí)螞蟻體仍然存在不足之處,在地震資料信噪比差的區(qū)域(圖中東部地區(qū)和西北部地區(qū)),地震反射相對凌亂,影響了螞蟻?zhàn)詣?dòng)追蹤效果,其結(jié)果比較雜亂無規(guī)律,檢測結(jié)果具有多解性;本文方法預(yù)測的斷層屬性對大斷層具有較高的識別精度,同時(shí),相比于傳統(tǒng)相干和螞蟻體,本文方法預(yù)測的斷層屬性對于弱走滑小斷層的識別精度大大提高,主要表現(xiàn)在兩個(gè)方面:一方面是弱走滑小斷層刻畫精度大幅提高,另一方面是可以清晰地識別大斷層之間的相互連通性。同時(shí)本文方法預(yù)測的斷層屬性克服了螞蟻體屬性存在的低信噪比地區(qū)存在多解性的問題,提高了走滑斷層識別的精度和可靠性。

4 結(jié)論

本文提出了一種端到端的基于深度殘差網(wǎng)絡(luò)的走滑斷層智能識別方法,其網(wǎng)絡(luò)模型包括特征提取網(wǎng)絡(luò)、結(jié)構(gòu)提取網(wǎng)絡(luò)和去噪卷積網(wǎng)絡(luò)3個(gè)子網(wǎng)絡(luò)。網(wǎng)絡(luò)在預(yù)測時(shí),采用了多層輸出融合技術(shù)和遷移學(xué)習(xí)方式,有效避免了高頻特征信息的丟失,增強(qiáng)了對不同規(guī)模斷層分類解釋的魯棒性和泛化力。合成地震數(shù)據(jù)和實(shí)際地震數(shù)據(jù)的走滑斷層預(yù)測結(jié)果表明,本文方法對低信噪比地震數(shù)據(jù)的小斷距、弱走滑斷層的識別精度高,預(yù)測的損失率低,預(yù)測斷層連續(xù)性好,斷層邊界清晰,且抗噪性較好。在塔里木盆地富滿油田斷控縫洞型碳酸鹽巖油藏走滑斷層識別的過程中,本文方法對于線性走滑斷層、壓扭辮狀走滑斷層和拉張辮狀走滑斷層均取得了較好的識別結(jié)果,相比于常規(guī)的螞蟻體等技術(shù),走滑斷層刻畫得更清晰,斷層花狀特征更符合走滑斷層實(shí)際的地質(zhì)模式。

同時(shí),在利用深度殘差網(wǎng)絡(luò)進(jìn)行走滑斷層智能識別的過程中,也存在一定的問題,走滑斷層在不同的盆地具體的構(gòu)造樣式、地震響應(yīng)特征等方面差異較大,目前專門針對走滑斷層的訓(xùn)練樣本較少,因此,在利用深度學(xué)習(xí)算法開展走滑斷層識別的研究中,建立適用于具體盆地和特定的地層特征的訓(xùn)練樣本是一項(xiàng)重要的工作,可以豐富訓(xùn)練網(wǎng)絡(luò)模型的構(gòu)建,完善訓(xùn)練集和損失函數(shù)的設(shè)計(jì),不斷提高走滑斷層的識別精度。