基于深度卷積神經網絡的地震數據斷層識別方法

常德寬 雍學善 王一惠 楊午陽 李海山 張廣智

(①中國石油大學(華東)，山東青島 266555；②中國石油勘探開發研究院西北分院，甘肅蘭州 730020)

0 引言

地震數據解釋過程中一項重要的任務是斷層解釋，因為斷層可以成為油氣運移的主要通道，也可以側向封堵而形成斷塊油氣藏。因此，準確識別斷層對油氣的勘探開發具有重要意義。斷層在地震剖面上表現為同相軸低連續或高度不連續性。傳統的斷層解釋多由人機交互方式完成，效率低，人為因素可能導致結果不確定性大，加大了油氣勘探開發的成本和風險。

為了提高斷層解釋的效率，研究人員提出了很多方法。Bahorich等[1]提出互相關方法，對每道地震數據及其鄰域的地震道進行歸一化互相關以識別斷層。然而，該方法不適用于低信噪比的地震數據。Marfurt等[2]和Hale[3]將相似性算法用于檢測地震數據中的不連續性。Marfurt等[4]提出特征結構相干算法，用于構造具有特征分解矩陣的協方差矩陣和特征分解矩陣。這些算法對斷層識別的精度均很高，但對于低信噪比條件下的地震數據則需要更多的計算時間。Pedersen等[5]首次將螞蟻追蹤方法用于提取小斷層，且合并形成較大的斷層面。Aurnhammer等[6]提出遺傳算法用于自動化地震圖像中的斷層識別。印興耀等[7]提出使用離心窗傾角掃描的曲率屬性識別小斷層。陳雷等[8]利用相似性傳播聚類與主成分分析進行斷層識別。趙鳳全等[9]將構造導向濾波用于斷裂識別，取得了較好的應用效果。Wu等[10]提出3D圖像處理方法，自動計算與斷層相鄰的圖像樣本的斷層面和傾斜滑動矢量。上述方法可用于斷層識別，但基于經驗的參數設置可影響斷層識別結果的準確性。

近年來，深度學習在多個領域取得了顯著的成就，特別是在分類、特征提取等方面具有突出的優勢。在地震勘探領域，研究人員探索了深度學習方法在地震數據處理和解釋中的應用。Srisutthiyakorn[11]將深度學習方法用于預測滲透率。Lewis等[12]應用深度學習方法，利用FWI反演模型的地震圖像建立地質模型。Huang等[13]應用深度學習方法，利用地震屬性分析地質特征。Serfaty等[14]通過主成分分析和局部角度域深度學習分離地震波場。Chang等[15-16]將生成對抗網絡用于地震數據插值。Wang等[17]將深度殘余網絡用于地震數據插值。王鈺清等[18]利用卷積神經網絡(Convolutional Neural Network，CNN)壓制地震隨機噪聲，通過數據增廣的方式生成標簽數據，以提高去噪模型的泛化能力。張玉璽等[19]利用深度學習進行多屬性鹽丘自動識別。李海山等[20]利用深度殘差網絡壓制地震數據噪聲。Xiong等[21]和Wu等[22]應用深度學習方法進行斷層智能化識別，取得了初步效果。Xiong等[21]使用相干體作為斷層標簽數據，訓練深度學習模型，預測結果與應用相干體技術預測斷層結果相似，精度并未明顯提高。Wu等[22]使用正演合成數據制作標簽數據集，用于深度學習模型訓練，在構造簡單的實際工區數據斷層識別中取得了較好效果，但在復雜構造工區數據的斷層識別中存在明顯假象。Chang等[23]提出利用U-Net網絡進行斷層識別，利用合成數據和實際數據一起訓練深度學習模型，試圖解決智能斷層識別網絡的泛化能力弱的問題。

為了提高地震數據斷層識別的精度和效率，本文結合U-Net架構和深度殘差網絡(ResNet)，構建智能地震數據斷層識別網絡(SeisFault-Net)。U-Net架構適用于數據特征檢測和提取，ResNet網絡結構有助于訓練深度深層網絡，因此利用兩種網絡架構的優勢可有效提高深層網絡訓練收斂速度和斷層識別精度。同時，SeisFault-Net利用GPU進行數據處理，因此可大幅提高斷層檢測效率。

1 方法原理

1.1 ResNet結構

ResNet是一種用于訓練更深層網絡的框架[20]，通過在卷積神經網絡塊(圖1a)上添加一個跳躍連接(Skip Connection)，將輸入向量和卷積層的輸出融合在一起構建殘差學習塊(圖1b)。利用圖1a所示的卷積神經網絡塊構建深層網絡時，層數的增加會導致深層存在網絡梯度消失或者爆炸現象，使深度網絡模型難以有效訓練，出現模型退化問題。He等[24]提出的殘差神經網絡塊(圖1b)用于解決深層網絡模型退化問題，該網絡結構基于恒等映射的思想，即每堆疊一層網絡，堆疊前的輸入與堆疊后的輸出相同，使新增網絡層只需學習一個殘差函數即可。

圖1 卷積神經網絡塊(a)和殘差神經網絡塊(b)x為輸入地震數據；F(x)為殘差函數；ReLU為激活函數

深度殘差網絡由堆疊的多個殘差學習塊組成，每個殘差學習塊的殘差函數為

I(xl)=xl+F(xl,θl)

(1)

xl+1=f[I(xl)]

(2)

式中：I(xl) 為同等映射函數；xl和xl+1表示第l個殘差學習塊的輸入和輸出，l∈N，N為網絡堆疊層數；F是殘差函數；θl表示第l個殘差學習塊的卷積核；激活函數f使用的是整流線性單元函數ReLU[25]。

同等映射函數允許將較深層中的梯度值快速傳遞到較淺層，這有效解決了網絡訓練過程中由于鏈式求導法則導致的梯度爆炸或梯度消失的問題，從而提高網絡訓練過程的穩定性和效率。

1.2 SeisFault-Net結構

U-Net架構最初由Ronneberger等[26]提出并用于生物醫學圖像的目標分割。U-Net架構具有多尺度、多層次的特征，能有效識別、定位目標的邊界。U-Net由編碼子網絡和解碼子網絡構成。編碼子網絡對數據進行編碼學習，池化層和上采樣層將數據流放大、縮小到不同尺度，實現對數據降維或升維計算。解碼子網絡學習在不同尺度下的數據流中的特性信息，使U-Net架構可以進行端到端訓練，實現數據的語義分割。在編碼子網絡和解碼子網絡之間利用跳躍連接將多層信息進行融合，可提高目標特征識別的精度。

鑒于斷層識別需要準確刻畫邊界和位置，本文將U-Net網絡和ResNet結合構建用于地震數據斷層識別的SeisFault-Net。SeisFault-Net將ResNet訓練深層網絡的優勢與U-Net架構的特征分割相結合，實現對地震數據斷層的高精度識別。

SeisFault-Net如圖2所示，設計為對稱結構，由三類層構成，包括ResNet塊、池化層(Pooling)和上采樣層(Up-Sampling)。其中，ResNet塊由3個卷積層和1個跳躍連接構成，第一、第二、第三層卷積核分別為1×1、3×3、1×1，共11個塊。利用兩個1×1的卷積層代替3×3的卷積層降低整個網絡模型的學習參數量，在不影響殘差學習塊的性能的同時，對原始3×3卷積核網絡的冗余參數進行壓縮。池化層為步長2×2的最大池化，共4層，用于地震數據降維，提高后續的卷積層對地震數據的感受野。上采樣層是卷積核為2×2、步長為1×1的反卷積層，共4層。使用反卷積層可以從映射層中學習重建的特征，使上采樣的數據能夠更準確地重建斷層特征。

圖2 SeisFault-Net網絡(a)地震數據；(b) SeisFault-Net網絡結構；(c)標簽數據

SeisFault-Net可表示為

(3)

對SeisFault-Net網絡模型進行優化的損失函數為二分類的交叉熵函數，即

(4)

2 數據試算

2.1 訓練數據集

為了提高SeisFault-Net的泛化能力，本文共選取7個工區的地震數據(圖3a)，將地震數據分割為256×256的數據塊。其中，5個工區的數據用于制作訓練數據集和驗證數據集，共有800個地震數據塊； 2個工區的地震數據用于測試數據集，共有150個地震數據塊。實際地震數據集中包含線性的和非線性的斷層類型，標注斷層可獲得標簽數據集(圖3b)。

圖3 訓練數據集(a)地震數據；(b)標簽數據

2.2 SeisFault-Net訓練

首先，利用訓練地震數據集訓練SeisFault-Net，使用動態學習率，即

(5)

其中

式中：I0=0.01為初始學習率；r為衰減系數；s為衰減步長；g為全局步長；k為訓練次數；int(·)表示取整。隨著訓練次數的增加，學習率降低，這有助于提高模型收斂速度，降低模型訓練時間。圖4a為訓練實際數據集的損失函數曲線。由圖可見，經過100次訓練后，損失函數值基本穩定。圖4b為預測斷層準確率曲線，驗證集的斷層預測準確率在80次訓練后基本穩定在0.92附近。

圖4 SeisFault-Net訓練曲線(a)損失函數曲線；(b)斷層預測準確率

2.3 SeisFault-Net模型驗證

利用驗證數據集和測試數據集測試訓練后Seis-Fault-Net網絡模型的斷層預測性能。圖5為驗證集數據斷層識別結果。由圖可見，經過訓練后的SeisFault-Net在驗證數據集上斷層預測準確，與標簽數據一致。

圖5 SeisFault-Net驗證數據集斷層識別結果(a)地震數據；(b)斷層標簽數據；(c)SeisFault-Net預測斷層

測試數據集斷層識別結果如圖6所示。訓練后的SeisFault-Net在測試數據上斷層預測效果較好，準確刻畫了斷層位置和邊界。這說明SeisFault-Net具備應用于實際斷層識別的泛化能力。

圖6 SeisFault-Net測試數據集斷層識別結果(a)地震數據；(b)SeisFault-Net預測斷層

利用測試數據進行斷層識別準確率和效率測試。圖7為SeisFault-Net方法和相干體技術斷層識別效果對比，可以看到SeisFault-Net方法明顯優于相干算法，且計算效率為相干算法的18倍。

圖7 SeisFault-Net與相干算法斷層識別效果對比(a)地震數據；(b)相干算法；(c)SeisFault-Net方法

3 應用效果

3.1 泛化性能

使用實際數據體測試SeisFault-Net斷層識別能力。圖8為DJ工區地震剖面識別斷層的投影顯示，通過訓練后的SeisFault-Net無需設置任何參數即可進行線性和非線性斷層的識別。由圖8可見，SeisFault-Net識別的斷層位置與地震同相軸不連續處基本重合，且斷層垂向連續性好；黃色虛線框內識別的斷層清晰，位置準確；藍色框內由于地震資料分辨率較低，斷層的垂向連續性受到影響，但 SeisFault-Net也可以精確識別斷層的位置和方向，這表明經過訓練后的SeisFault-Net的泛化能力較強。

圖8 實際數據體預測斷層的投影顯示黑色投影線為SeisFault-Net方法識別的斷層

3.2 斷層識別

利用DQ工區三維地震數據體測試SeisFault-Net，并且與相干算法進行比較。三維地震數據體大小為1.02GB，使用機器型號為Nvidia P100 GPU。SeisFault-Net識別斷層耗時5.53s，相干算法識別斷層耗時107.00s，即SeisFault-Net計算效率是相干算法的19.35倍。

圖9為DQ工區三維數據體的等時切片。由圖可見，SeisFault-Net識別的斷層位置準確，橫向展布清晰，斷層連續性好(如圖中黃色箭頭處)；與相干算法識別的斷層(圖9b)相比，SeisFault-Net識別的斷層(圖9c)細節特征更豐富，斷層展布清晰(如圖中黃色方框內)。圖10為地震剖面對比結果，可見相干算法識別斷層連續性差，存在水平干擾現象，而SeisFault-Net識別的斷層位置準則，不存在水平干擾。

圖9 實際數據等時切片(a)地震數據等時切片；(b)相干算法識別斷層切片；(c)SeisFault-Net識別斷層切片

圖10 地震剖面不同方法斷層識別結果對比(a)地震數據；(b)相干算法；(c)SeisFault-Net方法

4 結論

本文提出基于深度殘差網絡與U-Net架構聯合識別地震資料斷層的方法，能有效識別實際數據中的斷層。SeisFault-Net網絡利用了U-Net架構，通過編碼子網絡和解碼子網絡在高維空間有效表征地震數據中的斷層特征，利用跳躍連接將多層的特征信息進行融合，提高了斷層識別準確性。同時，SeisFault-Net利用ResNet層，提高了網絡訓練效率。相較于相干算法，本文方法能更有效、準確識別斷層位置，識別的斷層的垂向連續性更好。SeisFault-Net用于地震斷層識別的計算效率高，能極大縮短地震數據的斷層解釋時間，降低斷層解釋結果的人為不確定性。