基于深度學習的地震速度譜自動拾取方法

張 昊,朱培民,顧 元,黎孝璋

(1.中國地質大學(武漢)地球物理與空間信息學院,湖北武漢430074;2.自然資源部海底礦產(chǎn)資源重點實驗室,廣州海洋地質調查局,廣東廣州510760;3.中海石油(中國)有限公司湛江分公司,廣東湛江524057)

速度分析是常規(guī)地震資料處理中的重要環(huán)節(jié)之一[1-2],是地震資料后續(xù)處理(如多次波壓制[3-4]、時深轉換[5]、偏移成像[6-7]和反演[8-9]等)的基礎。為了獲取速度分析的結果,需要在速度譜上進行速度拾取,這一過程目前基本上是人工操作,需花費大量的人工時間。受地震噪聲、多次波、側面波、繞射波以及構造復雜性和構造的空間變化等的影響,只有受過訓練的處理員才能得到正確或精度較高的速度拾取結果。雖然受過訓練的地震資料處理員人工拾取速度譜判別能力強,具有一定的靈活性,但是人工拾取存在拾取效率低、耗時長等缺點,在進行大面積三維地震資料處理時這一問題顯得更為突出。因此,有必要研究一種快速且有效的自動拾取速度譜的方法,以減少地震資料處理人員的人工操作。

近些年,隨著地震勘探程度的深入和技術條件的改善,速度自動拾取方法的研究取得了較大進步。現(xiàn)有的地震速度自動拾取方法可以分為兩大類:第一類是最優(yōu)化搜尋方法,它采用最優(yōu)化算法和最大相似度量準則,在考慮實際地質條件的前提下設定速度約束條件,對初始速度模型加以擾動,自動尋找速度譜中疊加能量的全局最優(yōu)解,從而獲得合理的速度模型。最優(yōu)化速度拾取方法實際上是一種反演方法,多以層速度模型作為初始模型,通過反演方式,例如共軛梯度法[10]、非線性最優(yōu)化法[11-14]、蒙特卡洛法[15-18]、路徑積分優(yōu)化法[19-20]等,獲得最優(yōu)的層速度模型。嚴格地說,這些方法并不是速度拾取方法。還有一種基于機器視覺和層速度的啟發(fā)式組合匹配,提取速度譜上與實際結果最大相關的一組能量團峰值的自動拾取方法[21],在本質上仍然是一種反演方法。基于最優(yōu)化搜尋的速度譜自動拾取方法存在的主要問題是:①需要適當?shù)南闰灱s束;②當初始層速度與真實速度偏離較大時,該方法的計算效率較低,甚至得出錯誤結果;③對于地質條件復雜的地區(qū),例如速度橫向巨變的地區(qū),速度拾取的準確性很低。第二類地震速度自動拾取方法基于人工智能技術,它利用智能算法對速度譜中的能量團峰值進行識別,獲取疊加速度。在早期研究中,一些學者提出了基于BP神經(jīng)網(wǎng)絡[22-23],或者將BP神經(jīng)網(wǎng)絡與二叉排序樹[24]、模糊數(shù)學[25]等相結合的疊加速度自動拾取方法。由于傳統(tǒng)人工神經(jīng)網(wǎng)絡存在計算量大、學習速度慢、容易陷入局部極小值或出現(xiàn)過擬合等問題,加上早期計算資源的限制,該方法無法達到滿意的效果,因而相關的研究也逐漸減少。近年來隨著計算機硬件的提升和深度學習的快速發(fā)展,人工智能技術已經(jīng)成功應用于地震巖相反演[26]、噪聲壓制[27-28]、儲層預測[29-30]、測井巖性識別[31]等物探領域,但是基于深度學習技術的自動速度拾取研究并不多。MA等[32]和BISWAS等[33]分別提出了基于卷積神經(jīng)網(wǎng)絡(convolutional neural network,CNN)和循環(huán)神經(jīng)網(wǎng)絡(recurrent neural network,RNN)的疊加速度自動拾取方法。然而這些方法只適用于簡單地質條件下的速度譜自動拾取,且拾取效果較差,甚至在速度反轉的情況下需要附加人為干預。

總結上述兩類方法的特點,發(fā)現(xiàn)仍然有兩個主要問題未能解決:①對于復雜地質情況的區(qū)域,拾取結果的準確性不高;②在自動拾取之前,這些方法需要根據(jù)先驗知識來設置合理的計算時窗、搜索半徑,添加約束等人為干預過程,并沒有完全實現(xiàn)智能化和自動化。

為解決上述兩個問題,本文提出了基于深度學習的地震疊加速度智能拾取方法,模仿地震處理員拾取速度的過程,來實現(xiàn)速度的自動拾取。該方法將速度譜視為圖像,并依據(jù)所拾取的“時間-速度”對具有時間序列的特點,提出了一種基于CNN和長短期記憶(long-short term memory,LSTM)模型的混合神經(jīng)網(wǎng)絡模型,采用張量流(Tensorflow)深度學習框架來自動拾取速度譜上的“時間-速度”對。理論和實際地震數(shù)據(jù)的訓練和測試結果,驗證了該方法的速度拾取精度、效率和自動化程度。

1 方法原理

1.1 速度譜的特征

基于地震數(shù)據(jù)CMP道集計算的速度譜是速度分析的主要表現(xiàn)形式,其具有兩個鮮明的特點:一是速度譜可以看作圖像,其上的能量峰值對應地震處理員所需要拾取的疊加速度——“時間-速度”對;二是這些“時間-速度”對在速度譜上存在著特定的空間關系,一般情況下疊加速度會隨著時間的增加而增大,說明其具有明顯的序列特征。這兩個速度譜的基本特征為本文后續(xù)的算法設計提供了科學依據(jù)。

1.2 深度學習及其網(wǎng)絡結構設計

深度學習中最為常見并且應用最為廣泛的模型是CNN和RNN。其中,CNN模型可以提取數(shù)據(jù)在空間結構上的關系,在圖像識別領域表現(xiàn)出巨大的優(yōu)勢[34-35]。RNN模型可以提取長短時的間隔信息,擅長于預測時間序列,但由于傳統(tǒng)RNN模型存在梯度爆炸或者梯度消失的問題[36-37],在本文中將用其改進模型——LSTM模型。

從速度譜中拾取疊加速度,可以看作是對速度譜圖像中能量團的識別和定位,我們通過深度學習方法來實現(xiàn)對能量團的識別。首先利用CNN模型在圖像識別上的能力來提取速度譜圖像中能量團的特征,并對能量團的位置進行預測;再基于“時間-速度”對的時序特性,利用LSTM模型對時間序列的預測優(yōu)勢來進一步提高“時間-速度”對識別的準確度。該方法所涉及的相關神經(jīng)網(wǎng)絡原理、網(wǎng)絡結構及其重要參數(shù)如下。

1.2.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡主要由輸入層、卷積層、池化層、全連接層、丟棄(Dropout)層等層級結構組成。卷積層的前向實現(xiàn)過程為:

ai,k=f(xi*Wk+bk)

(1)

式中:ai,k是經(jīng)過卷積層中第k個卷積核對輸入的訓練集的第i個圖像數(shù)據(jù)xi進行卷積處理得到的卷積特征矩陣;“*”表示卷積運算;Wk表示第k個卷積的權值矩陣;bk為第k個卷積核對應的閾值;f(·)為非線性激活函數(shù)。本文采用ReLU型激活函數(shù),其形式如下:

f(x)=max(0,x)

(2)

池化層能夠有效減少特征和參數(shù),降低計算的復雜度,因此,在完成卷積計算后采用最大池化的方法來最大化圖像特征。最大池化采用以下公式:

cj=maxpool(ai,k)

(3)

其中,cj為池化層產(chǎn)生的第j個池化特征矩陣,pool為池化運算。

利用Dropout層減輕網(wǎng)絡過擬合現(xiàn)象,隨機將經(jīng)過Dropout層的某些池化特征矩陣設置為0,其計算過程為:

D(x)=R⊙x

(4)

(4)式表示將該層的數(shù)據(jù)矩陣x中的某些值隨機地置為0。其中,R=RandomZero(p)表示根據(jù)概率p隨機產(chǎn)生一個使某些值為0、其余值為1的矩陣,⊙表示Hadamard積,D(x)表示訓練階段經(jīng)過Dropout層后得到的數(shù)據(jù)矩陣。

全連接層的前向計算過程為:

ai,l=f(Wlai,l-1+bl)

(5)

式中:ai,l表示經(jīng)過第l個全連接層后第i個圖像數(shù)據(jù)的特征向量;bl和Wl分別代表第l個神經(jīng)元的閾值和權重。

1.2.2 長短期記憶模型

LSTM模型是一種特殊的循環(huán)神經(jīng)網(wǎng)絡。一個LSTM模型由一個細胞狀態(tài)和3個門(輸入、輸出、遺忘)組成,如圖1所示。LSTM模型遺忘門的數(shù)學表達式為:

f(t)=σ[Wfh(t-1)+Ufx(t)+bf]

(6)

式中:f(t)表示遺忘上一層隱藏細胞狀態(tài)的概率;h(t-1)表示序列的上一隱藏狀態(tài);x(t)表示當前時刻序列的輸入;Wf和Uf代表權重矩陣;bf代表偏置向量;σ為sigmoid激活函數(shù)。(7)式和(8)式為LSTM模型輸入門的數(shù)學表達式:

i(t)=σ[Wih(t-1)+Uix(t)+bi]

(7)

g(t)=tanh[Wgh(t-1)+Ugx(t)+bg]

(8)

式中:i(t)和g(t)為這兩個輸入門的輸出;Wi,Ui,Wg,Ug為輸入門的權重矩陣;bi和bg為輸入門的偏置向量。更新細胞狀態(tài)的數(shù)學表達式為:

c(t)=c(t-1)⊙f(t)+i(t)⊙g(t)

(9)

式中:c(t)表示當前的細胞狀態(tài);c(t-1)表示上一序列的細胞狀態(tài)。(10)式和(11)式為輸出門兩部分的數(shù)學表達式:

o(t)=σ[Woh(t-1)+Uox(t)+bo]

(10)

h(t)=o(t)⊙tanh[c(t)]

(11)

式中:o(t)為輸出門的輸出;Wo和Uo為輸出門的權重矩陣;bo為輸出門的偏置向量;h(t)表示當前隱藏狀態(tài)。當前序列預測輸出的數(shù)學表達式為:

y(t)=φ[Whh(t)+bh]

(12)

式中:y(t)為當前序列的預測輸出;Wh和bh分別表示預測輸出的權重矩陣和偏置向量。

圖1 一個LSTM模型的網(wǎng)絡單元結構

1.3 模型結構設計與訓練

根據(jù)速度譜特征,對速度譜的自動拾取可以看作二維圖像的識別問題,即針對速度譜中能量團的空間位置進行識別。由深度學習理論可知,CNN模型采用多個卷積層堆疊的形式來描述數(shù)據(jù)的空間屬性,并能夠很好地提取圖像特征,但是無法模擬時間序列。在研究中發(fā)現(xiàn),僅僅利用單一的CNN模型來識別和定位速度譜中的能量團位置,所獲得的結果精確度不夠高。因此,本文依據(jù)疊加速度“時間-速度”對具有時間序列的特點,將CNN和LSTM兩種模型結合,利用LSTM模型隱藏單元的記憶模塊來保存“時間-速度”對的長間隔信息,對“時間-速度”對進行修正,以獲得準確的識別結果。

圖2為用于速度自動拾取的混合神經(jīng)網(wǎng)絡模型結構。該模型分為2個模塊:一是卷積神經(jīng)網(wǎng)絡模塊,將速度譜圖像輸入到卷積層,利用滑動窗口,提取速度譜中能量團的特征,計算能量團的位置,獲取“時間-速度”對序列;二是循環(huán)神經(jīng)網(wǎng)絡模塊,將卷積層生成的“時間-速度”對序列依次輸入到LSTM模型各節(jié)點,預測新的“時間-速度”對序列。

圖2 CNN+LSTM網(wǎng)絡模型結構

卷積神經(jīng)網(wǎng)絡模塊包括4個卷積層、4個池化層、3個全連接層。其中每個池化層置于卷積層之后,全連接層則設置在最后一個池化層的后面。LSTM模型模塊要求其輸入層向量維度與卷積神經(jīng)網(wǎng)絡的輸出相對應,其中隱藏層使用至少20個神經(jīng)元,輸出層為“時間-速度”對,與卷積神經(jīng)網(wǎng)絡模塊最后一層的神經(jīng)元個數(shù)相同。

對模型進行訓練時,本文將3通道RGB圖像輸入至模型中,每次輸入100張彩色速度譜圖像及其平均值。實驗采用隨機梯度下降算法進行優(yōu)化,并利用自適應學習率算法來更新所有模型參數(shù)的學習率。其中,基礎學習率為0.01,步長為0.001,學習率的指數(shù)衰減速率為0.9,每當訓練1000次時調整一次學習率,一共訓練10000次。本文所有的實驗均在張量流(Tensorflow)深度學習框架下運行,并使用GPU加速訓練過程。

2 實驗與結果分析

2.1 理論數(shù)據(jù)

建立了一個數(shù)量龐大的速度譜圖像數(shù)據(jù)庫,為了增加模擬速度譜的多樣性和測試速度譜識別的普適性,共設計了10000個6～10層的一維層狀地質模型,每層的厚度為300～500m,每層的速度變化范圍為1500～3000m/s。利用射線追蹤方法對上述地質模型進行正演,選用主頻為40Hz的雷克子波,褶積計算得到共中心點(CMP)道集,并在模擬中考慮了多次波(圖3)。對CMP道集進行速度掃描,共計算得到10000張速度譜圖像(圖4)。

圖3 任意選取的一個包含有多次波同相軸的CMP道集

在使用卷積神經(jīng)網(wǎng)絡對圖像進行處理前,為了程序設計簡單且適用于不同地區(qū)、不同測線、不同參數(shù)計算得到的速度譜,我們對速度譜圖像進行了縮放,將其轉換為大小統(tǒng)一的401×401像素的圖像(圖5)。本次實驗將模擬生成的10000張速度譜圖像分為訓練集和測試集兩部分,其中80%的速度譜圖像作為訓練集,用于訓練本文設計的速度譜識別深度學習模型;20%的速度譜圖像作為測試集來對方法進行檢驗。

為了量化網(wǎng)絡模型的學習效果,本文利用均方差(公式(13))和預測精度(公式(14))兩個指標來比較不同深度學習模型識別速度譜的有效性和準確性。

圖4 由圖3數(shù)據(jù)計算得到的速度譜

圖5 圖4經(jīng)過縮放變換后的速度譜

為了體現(xiàn)LSTM模型對時間序列的預測優(yōu)勢和驗證CNN+LSTM混合模型的有效性,在訓練過程中,本文在相同的數(shù)據(jù)集上分別采用了CNN模型和CNN+LSTM模型來進行速度譜識別。其中,CNN模型與圖2中左側卷積神經(jīng)網(wǎng)絡的結構相同,訓練結果如圖6和圖7所示。由圖6可以看出,隨著迭代次數(shù)的增加,兩種模型的RRMSE值都能逐漸減小并趨于平穩(wěn),表明兩種模型都是收斂的。另外,CNN模型的RRMSE值大于CNN+LSTM模型的RRMSE值,說明CNN+LSTM模型識別誤差較小。圖7給出了CNN模型和CNN+LSTM模型的PPA值變化趨勢。其中,CNN模型的PPA值最高達到33.3%,CNN+LSTM模型的PPA值最高達到89.5%,表明CNN+LSTM模型具有更好的識別精度。

圖6 CNN和CNN+LSTM網(wǎng)絡模型識別理論數(shù)據(jù)的RRMSE值變化曲線

訓練后的模型被用于識別剩余的2000張速度譜圖像。CNN模型和CNN+LSTM模型的預測識別結果如圖8所示。由圖8可以看出,CNN+LSTM模型的識別結果比單一CNN模型的識別結果更接近真實模型,這說明LSTM模型能夠很好地利用速度譜中時間與速度對的時序性,提高速度譜識別結果的準確率。

2.2 實際數(shù)據(jù)

采用海上某二維測線對本文方法進行了測試。

圖7 CNN和CNN+LSTM網(wǎng)絡模型識別理論數(shù)據(jù)的PPA值變化曲線

該測線共抽取了7000個CMP道集。對這些CMP道集進行預處理、去噪和速度掃描之后,獲得了相應的速度譜。本文將80%的速度譜作為訓練集,20%作為測試集。在訓練時,將速度譜圖像作為人工神經(jīng)網(wǎng)絡模型的訓練輸入,由人工拾取的“時間-速度”對作為人工神經(jīng)網(wǎng)絡模型的訓練輸出。

分別采用CNN和CNN+LSTM兩種模型進行速度譜識別,利用RRMSE和PPA值來比較兩者的拾取效果。另外,在計算RRMSE和PPA時,因為是實際數(shù)據(jù),我們用人工拾取的“時間-速度”對代替了(13)式和(14)式中的真實速度值。在經(jīng)過10000次學習后,CNN模型的RRMSE值大于CNN+LSTM模型的RRMSE值(圖9),CNN模型的PPA值最高達到26.4%,遠小于CNN+LSTM模型的最高PPA值81.3%(圖10)。該結果與理論數(shù)據(jù)的學習結果一致,說明對于實際地震數(shù)據(jù)速度譜,CNN+LSTM模型無論在拾取誤差還是拾取準確率上均優(yōu)于CNN模型。

表1列出了CNN模型和CNN+LSTM模型分別對訓練集、測試集速度譜識別的RRMSE值和PPA值統(tǒng)計結果。由表1可知,無論是訓練集還是測試集,CNN模型的RRMSE值均大于CNN+LSTM模型的RRMSE值,CNN模型的PPA值均小于CNN+LSTM模型的PPA值,這表明CNN+LSTM模型所拾取的“時間-速度”對更接近人工拾取的“時間-速度”對。另外,在不同數(shù)據(jù)集上,CNN+LSTM模型在測試集拾取的整體效果與訓練集相近,而CNN模型測試集拾取的整體效果與訓練集相差較大,說明CNN+LSTM模型具有更強的泛化能力。

圖8 CNN和CNN+LSTM網(wǎng)絡模型的理論數(shù)據(jù)識別結果

圖9 CNN和CNN+LSTM網(wǎng)絡模型識別實際數(shù)據(jù)的RRMSE值變化曲線

數(shù)據(jù)集CNN模型CNN+LSTM模型RRMSEPPARRMSEPPA訓練集45.5426.4%9.7781.3%測試集50.7523.2%9.8780.7%

圖10 CNN和CNN+LSTM網(wǎng)絡模型識別實際數(shù)據(jù)的PPA值變化曲線

采用CNN模型和CNN+LSTM模型分別對兩個CMP道集(圖11)計算出的速度譜進行自動拾取,結果如圖12所示。由圖12可知,與單一CNN模型相比,CNN+LSTM模型自動拾取結果與人工拾取結果更為吻合,也驗證了CNN+LSTM模型對速度譜自動拾取的可行性。另外,為了進一步檢驗拾取結果的正確性,本文對CMP100道集運用人工拾取的疊加速度和CNN+LSTM模型拾取的疊加速度分別進行動校正,結果如圖13所示。由圖13可見,人工拾取疊加速度與CNN+LSTM模型自動拾取疊加速度動校正結果的同相軸拉平程度相當,說明CNN+LSTM模型自動拾取的疊加速度可以完全替代人工拾取的疊加速度。圖14顯示了實際資料利用人工拾取的疊加速度和CNN+LSTM模型自動拾取的疊加速度所得到的疊加剖面。其中,圖14a采用的是每間隔20個CMP進行一次人工拾取得到的疊加速度(共350個CMP道集),圖14b采用的是由本文方法對7000個CMP進行自動拾取得到的疊加速度。對比圖14a和圖14b可以看出,兩個疊加剖面中的反射同相軸總體上非常接近。

圖11 兩個實際數(shù)據(jù)的CMP道集a CMP100; b CMP600

圖12 兩個實際速度譜的CNN模型和CNN+LSTM模型識別結果a CMP100; b CMP600

圖13 利用不同方法拾取速度的動校正結果a 人工拾取速度; b CNN+LSTM自動拾取速度

圖14 海上實際地震資料疊加剖面a 人工拾取疊加速度; b CNN+LSTM模型自動拾取疊加速度

在本次實驗中,我們設計的程序在一臺處理器為Intel i7-7700HQ,內(nèi)存32GB,GPU為Nvidia Quadro M2200(顯存4GB)的筆記本電腦上運行,CNN+LSTM模型對7000張速度譜進行自動拾取僅用了30min,遠遠小于人工拾取時間。

3 結論

本文利用卷積神經(jīng)網(wǎng)絡在圖像目標識別上的優(yōu)勢以及LSTM模型的時序性特點,設計了一種用于速度譜智能拾取的CNN和LSTM混合神經(jīng)網(wǎng)絡模型,在沒有人為干預的情況下分別采用理論數(shù)據(jù)和實際地震數(shù)據(jù)對該模型進行測試,并分析了算法的應用效果,為解決地震資料速度譜自動拾取問題提供了一種新的方案。通過分析和實驗結果得到以下結論:

1) CNN+LSTM混合結構模型不僅能夠提取速度譜圖像的空間結構特征,而且能夠提取“時間-速度”對的時間序列特征,速度譜識別結果有較高的準確率;

2) 與傳統(tǒng)的基于反演的速度拾取算法相比,本文方法雖然在訓練階段需要花費大量時間,但是當模型訓練完成后,能夠快速拾取“時間-速度”曲線,并且不需要任何人工干預,自動化程度更高。

一般情況下,深度學習需要大量的訓練數(shù)據(jù),以圖像識別為例,其基本數(shù)據(jù)訓練集都在幾萬張圖片以上。但在本文研究中,無論是理論速度譜數(shù)據(jù)集,還是實際速度譜數(shù)據(jù)集,數(shù)據(jù)量仍然偏少,盡管速度譜識別的準確率超過了80%。在實際應用中,增加更多的實際數(shù)據(jù)來進行學習或訓練,可以持續(xù)提高速度“拾取”的準確率。