基于深度學習的多屬性鹽丘自動識別方法

張玉璽 劉 洋*③ 張浩然 呂文杰 薛 浩

(①中國石油大學(北京)油氣資源與探測國家重點實驗室，北京昌平 102249； ②中國石油大學(北京)CNPC物探重點實驗室，北京昌平 102249； ③中國石油大學(北京)克拉瑪依校區，新疆克拉瑪依 834000； ④中海油研究總院，北京 100028)

0 引言

鹽丘是一種重要的底辟構造[1]，同時往往會伴隨一系列斷裂構造。這種斷裂構造會使某種可滲透地層單元變為不可滲透地層單元，使鹽丘具有良好的密閉性，為油氣聚集和儲存提供空間。因此鹽丘的準確解釋對于鹽下儲層的勘探與開發具有重要意義。然而，基于三維地震數據的鹽丘解釋仍具有挑戰性。一方面，探測鹽丘時，首先要確定陡傾的鹽層沉積界面，即鹽丘側翼。但是由于鹽丘形態復雜、地層傾角大，甚至會出現鹽丘頂部直徑明顯大于下部，形如“蘑菇狀”的情況，而鹽丘速度又高于圍巖，造成地震波場復雜及時間域構造畸變。另一方面，隨著對鹽丘的勘探程度逐漸提高，地震數據量不斷增大、接收到的地震反射信號更復雜，導致解釋工作難度大，多解性強，傳統的多屬性分析等方法已很難滿足鹽丘解釋的需求。為了解決這些問題，人們相繼提出了多種計算機輔助解釋技術。Shi等[2]利用歸一化割圖像分割算法求取全局最優化問題的方法檢測鹽丘，但是計算成本高，不適用于實時地震解釋[3]。Jing等[4]利用邊緣檢測技術識別鹽丘邊界，簡單、高效。Aqrawi等[5]通過優化邊緣檢測技術，對樣本設置不同權重組合樣本，可更好地檢測鹽丘。但是基于邊緣檢測的鹽丘識別技術僅在地震振幅變化劇烈時才能取得良好效果，而且單獨使用地震振幅信息也不能全面地體現鹽丘特征。

地震屬性能較為直觀地反映特殊的地質構造特征，因此屬性技術被廣泛用于鹽丘解釋。Berthelot等[6]提出基于紋理屬性的鹽丘檢測方法。Shafiq等[7]提出利用紋理梯度(GOT)分別測量兩個相鄰時窗之間的紋理差異檢測鹽丘邊界。此外，梯度結構張量[8]、曲率[9]、相似性[10]等地震屬性陸續用于鹽構造解釋并取得一定效果。但基于地震屬性的解釋方法通常需要提取多種屬性并且采用特殊的處理方式拾取地震信息，再進行精細解釋得到最終結果，依賴于人工并且需要花費大量的時間，難以滿足鹽丘勘探、開發需求。深度學習技術得到迅速發展，并逐漸用于地震資料解釋，自2018年始，深度學習技術在石油勘探領域掀起了研究熱潮。Pham等[11]利用深度卷積神經網絡檢測河道；Di等[12]應用反卷積神經網絡分析地震相，初步實現了地震相自動分類；Wu等[13]利用端到端的卷積神經網絡自動識別三維斷層。

為了提高鹽丘解釋精度并縮短工作周期，本文以深度學習技術為基礎，以少量的二維地震數據為樣本訓練和測試模型，基本能自動分割鹽丘，但仍存在一定誤差。為了充分考慮不同地震屬性特征，進一步減少誤差，利用集成學習方法將不同地震屬性模型融合并測試整個三維地震數據體。結果表明，該方法能有效減少誤差，提高鹽丘分類準確率。

1 網絡結構

深度學習通過構建具有多個隱藏層的網絡模型和海量數據挖掘數據深層特征。學習過程為逐層特征變換，將樣本在原空間的特征表示變換到新特征空間，新空間能夠刻畫更豐富的數據內在特征，從而使分類或預測更準確。

圖像識別和圖像分割是深度學習極為重要的兩個部分。圖像識別通過給定一個滑動窗在圖像上滑動，每一個滑動窗所在的小圖像塊被當作一個樣本輸入神經網絡進行訓練，從而識別滑動窗中心像素點，當遍歷所有像素點就實現了對整個圖像每一個像素點的分類。這種方法的缺點在于每一個像素點都需要取一個以自身為中心的圖像塊，而相鄰兩個像素點圖像塊相似度非常高，并且需要重復計算相同部分，造成了大量信息冗余，使網絡訓練速度變慢。另一方面，滑動窗尺寸的選取也需要兼顧計算效率與分類精度。當尺寸較大時，計算量增大，尺寸較小時，圖像塊只包含少量局部信息，可能導致錯誤的分類。圖像分割是將整個圖像作為輸入進行模型訓練，利用得到的模型對圖像的每個像素點同時進行分類和定位，實現目標的精確分割。

文中將鹽丘識別視為目標分割問題，在識別目標的同時圈定目標位置。基于編碼—解碼器結構[14]在計算機領域的出色表現，本文擴展了該結構并輸入地震屬性數據訓練模型。

圖1為編碼—解碼器網絡結構，圖2為特征圖隨網絡結構的尺寸變化。由圖可見： ①該網絡為由20個卷積層(conv)組成的對稱結構網絡，編碼器部分(左側)的每個卷積層包含不同數量的卷積核并使用批量標準化算子(BN)和線性整流函數(ReLU)，每次卷積運算之后產生多通道特征圖(藍色)，通常在池化層(Max pooling)后，通道數成倍增加，特征圖尺寸減半(圖2)，才能在減少網絡參數的同時確左側為用于提取輸入特征的編碼器部分，右側為恢復空間信息及準確定位的解碼器部分，與左側對稱。藍色和紅色分別表示多通道特征圖和最大池化特征圖；綠色和黃色分別表示上采樣特征圖和Softmax激活函數。藍色下方的數字表示每一層的輸入通道數(由試驗確定)，箭頭表示左、右結構對稱保提取的特征更具有代表性；②在每個上采樣(Up-sampling)過程中，通道數減半，特征圖尺寸加倍直至恢復至輸入尺寸(圖2)，尺寸變化必須為整數。

圖1 編碼—解碼器網絡結構

在網絡結構中，卷積層數的設置應在保證模型準確率的前提下，降低訓練成本，卷積層數過多可能導致模型訓練過擬合現象。通道數決定了提取的特征，通道數越多，提取的特征越豐富，但通道數過多時，會增加網絡參數，從而降低運算效率，并且可能發生過擬合現象。圖3為卷積層數—模型訓練時間—準確率關系、第一層卷積層通道數—準確率關系。由圖可見：①當卷積層數為16和18時，模型訓練的準確率較低；當卷積層數為20和22時，二者的準確率相近(分別為97.75%和98.04%)，但后者準確率提高較小且需要更長的模型訓練時間，因此將網絡的卷積層數設置為20(圖3a)。②完成4個Epoch后網絡的準確率基本穩定；當通道數為32和64時，模型訓練準確率較高且相近，因此選擇第一層卷積層通道數為32。

圖2 特征圖隨網絡結構的尺寸變化

圖3 卷積層數—模型訓練時間—準確率關系(a)、第一層卷積層通道數—準確率關系(b)1個Epoch表示使用所有的訓練數據完成一次訓練，當完成一個Epoch后，模型得到一次更新

2 地震屬性選取及預處理

鹽丘通常呈圓柱形、錐形和穹隆形等，特殊的形態產生特殊的地震響應[15]。鹽丘兩側地層反射中斷，與圍巖的界面表現為強振幅、低連續反射結構，鹽丘內部呈雜亂或空白反射結構(圖4a)。

2.1 屬性選取

用于研究的數據為荷蘭北海F3區塊的三維地震數據，該區域沉積盆地構造演化經歷了中生代的裂陷期和新生代裂后沉降期。古新世至上新世，盆地沉積了陸相、海陸過渡相以及海相地層，盡管該時期構造運動不活躍，但是依然發育鹽丘底辟和區域不整合面[16]。基于鹽丘的地震反射特征，選取雜亂(Chaos)、均方根振幅(RMS)以及方差(Variance)等3種敏感屬性，每種屬性包含兩類樣本，即主測線數據及時間切片(圖4)。

2.2 數據預處理

數據包含563條主測線和768條聯絡測線數據，采樣間隔為4ms，時間采樣點數為384，時間記錄范圍為188～1720ms。由于人工標記標簽耗時，為了提高工作效率，只選擇少量典型數據進行標注。

具體步驟為： ①分別選取典型的15條主測線剖面和15個時間切片，選取的樣本應兼顧整個數據體； ②借助屬性分析等方法，人工解釋樣本并標注為標簽，由于標簽的準確性直接影響模型的預測性能，因此應盡可能準確地標注標簽(圖5)。

圖4 原始地震剖面及選取的3種屬性a)Inline285原始地震數據； (b)、(c)和(d)分別為Inline285的Chaos、RMS及Variance剖面； (e)、(f)和(g)分別為t=1364ms時刻的Chaos、RMS及Variance切片

2.2.1 鏡像處理

由網絡結構可知，在模型訓練過程中樣本尺寸變化必須為整數。然而，原始數據輸入網絡時往往不滿足該條件，因此對訓練數據使用鏡像操作(圖6)。首先計算滿足要求的最小輸入尺寸，以得到鏡像參數。通過設置鏡像參數拓展輸入數據的尺寸，從而使網絡能夠接受任意尺寸的輸入，意味著鏡像操作可以提高網絡的適用性。需注意的是，應保證對訓練樣本與標簽進行相同的處理。

2.2.2 數據增強

深度神經網絡需要大量訓練數據以保證模型的性能。由于不同區域的地質環境和地下構造差異較大，因此目前沒有通用的數據集。

人工解釋并制作標簽很耗時，且在小數據集上使用深度神經網絡容易過擬合。為了解決該問題并獲得高性能的預測模型，利用數據增強方法分別處理主測線剖面和時間切片的15個樣本并自動生成70000個訓練數據。

兩組患者經治療耳石癥的眩暈和位置性眼震癥狀均有所改善,且治療后四周時效果更明顯,研究組患者根據患者病情選用不同復位手法,治療療效顯著優于對照組,差異具有統計學意義(P<0.05),見表1。

數據增強是指對已有的訓練樣本進行一定的變換生成大量數據，其作用在于： ①增加訓練的數據量，提高模型的泛化能力； ②利用多種變換以及添加噪聲保證訓練樣本的多樣性，有利于提升模型的穩定性并防止網絡過擬合。本文主要應用角度旋轉、沿y軸的鏡像、模糊、光照等操作以及添加高斯和椒鹽噪聲，以不同的變換方式模擬不同地質條件的地震反射特征(圖7)。

圖5 Inline285原始地震剖面(a)及對應的標簽(b)數字0表示非鹽丘，1表示鹽丘

圖6 鏡像處理示例(a)Inline 285的Variance剖面； (b)t=1364ms時刻的Variance切片鏡像處理結果黃色虛線為鏡像邊界

圖7 數據增強示例(a)、(b)和(c)僅使用旋轉操作； (d)、(e)和(f)使用旋轉、模糊、光照操作及添加高斯和椒鹽噪聲

3 模型訓練與測試

提取3種地震屬性(每種屬性包含兩類樣本)進行數據增強，將增強后的數據輸入網絡訓練模型，得到6個模型和6個結果。在NVIDIA Tesla K40m GPU上模型的訓練時間為27.5h。

表1為基于不同屬性的模型預測準確率。由表可見，基于RMS屬性的模型測試準確率最高，基于Chaos屬性的模型測試準確率最低。圖8為t=1692ms時刻不同切片的鹽丘預測結果。由圖可見，與標簽(圖8a)相比，3種切片均能預測鹽丘的大致分布范圍，但RMS切片的預測結果(圖8b)誤差點較Chaos切片(圖8c)和Variance切片(圖8d)少(圖中紅框位置)。圖9為基于不同屬性的三維鹽丘預測結果。由圖可見： ①利用單種屬性進行模型訓練能自動識別鹽丘(圖中黃色區域)，但存在預測誤差(圖中紅框位置)； ②由主測線數據和切片得到的鹽丘預測結果存在一定差異(圖中藍框位置)； ③RMS屬性三維鹽丘預測結果誤差點較少，Chaos屬性三維鹽丘預測結果有較多雜亂分布的預測誤差。

表1 基于不同屬性的模型預測準確率

圖8 t=1692ms時刻不同切片的鹽丘預測結果(a)標簽； (b)、(c)和(d)分別為RMS、Chaos和Variance切片預測結果黃色部分表示鹽丘

圖9 基于不同屬性的三維鹽丘預測結果(a)RMS剖面； (b)RMS切片； (c)Chaos剖面； (d)Chaos切片； (e)Variance剖面； (f)Variance切片

4 集成學習

基于不同地震屬性得到的鹽丘分布范圍大致相同，但是邊界存在差異，并且均有預測誤差點。為了綜合考慮各屬性特征，減少預測誤差并得到更可靠、準確的識別結果，利用集成學習方法融合各屬性模型。

集成學習思想[17]是利用一定的優化策略將多個基學習器模型集成為強學習器模型組，其中基學習器模型可以單獨訓練，并且它們的預測能以某種方式融合以得到更全面、準確的結果。該方法的優點在于： ①即使某個基學習器得到了錯誤的預測，集成的強學習器也可以將錯誤糾正； ②分類器間存在差異性并各自有一定的使用范圍和優勢，通過集成策略將多個學習器合并就可以融合各學習器的優勢，減小錯誤率，提高學習泛化能力，實現更好的預測。集成學習算法的關鍵主要在于： ①基學習器的訓練數據多樣性； ②基學習器的訓練方法多樣性； ③組合策略多樣性。提取的3種地震屬性保證了輸入樣本擾動，每種屬性又分為主測線數據及時間切片兩類訓練數據，保證了輸入屬性擾動，基于兩種擾動訓練基學習器能產生差異性大的個體。在模型訓練過程中根據輸入的不同調整訓練參數，以保證算法參數的多樣性，有助于得到差異較大的基學習器。基于6類輸入數據，得到了6個獨立模型，流程如圖10所示。

鹽丘的自動識別是一個二分類問題。針對分類問題，常用的組合策略包括絕對多數投票法、相對多數投票法以及加權投票法[18]。本文采用加權投票法。假設目標有m類{c1,c2,…,cm}，x為任意一個預測樣本，有T個學習器和T個預測結果hi(x)(i=1,…,T)，第i個學習器的準確率為Ri，wi為第i個基學習器的權重，由各基學習器的準確率確定。再將各個類別的加權票數求和，則最大值對應的類別為最終的預測結果H(x)，即

(1)

本文利用加權投票法融合6類結果，集成結果的準確率為97.43%(圖11b)，高于基于RMS的預測結果(圖11c)。在3種屬性中，由于RMS預測結果與標簽最相近，準確率最高(圖8)。因此集成學習方法的預測結果準確率高于基于3種基礎屬性的預測結果。綜上所述，集成學習方法能減少預測誤差，進一步優化分類。圖12為模型融合后三維鹽丘預測結果。由圖可見：由于集成學習過程中綜合考慮了多種屬性的剖面和切片特征，最終識別結果更可靠、準確， 明顯消除了許多分類錯誤點(圖9紅框)，鹽丘邊界較清晰。

圖10 集成學習流程

圖11 t=1692ms時刻不同方法切片的鹽丘預測結果(a)標簽； (b)集成學習； (c)RMS屬性

圖12 模型融合后三維鹽丘預測結果(a)三維鹽丘顯示； (b)局部鹽丘與原始數據疊加顯示

5 結論

本文提出了基于深度學習的多屬性鹽丘自動識別方法。該方法基于鹽丘的地震反射特征提取了雜亂、均方根振幅以及方差等3種敏感屬性，每一種屬性分別選取少量主測線數據及時間切片作為訓練樣本；然后搭建基于編碼—解碼器結構的神經網絡，分別輸入不同的樣本進行訓練和測試，模型訓練時間約為27.5h。測試結果表明，單種屬性的預測模型能大致劃定鹽丘邊界，其中RMS屬性預測結果的準確率高于Chaos和Variance屬性，但仍存在較多誤差點，并且由各屬性得到的鹽丘邊界存在差異。為了綜合考慮各屬性特征，利用集成學習技術對基礎模型融合、優化，并用于整個三維數據體。結果顯示，鹽丘邊界清晰，分類錯誤點明顯減少，進一步提高了模型預測能力。

綜上所述，與傳統鹽丘解釋技術相比，深度學習技術能有效提高解釋效率，并能較準確地實現三維鹽丘的自動分割，在輔助三維地震解釋的應用中具有巨大潛力。