基于深度卷積神經網絡的地震相識別

韓 紅，碩良勛，柴變芳，朱乾菲

(河北地質大學信息工程學院，河北 石家莊 050031)

0 引言

由于地震數據量劇增，傳統的地震處理和解釋方法無法充分利用研究人員長期積累的有效經驗，人工解釋耗時長，工作量巨大難以承受，一些地震學者對地震自動解釋投入了較高的關注，采用智能物探技術可有效提高傳統地震處理方法和解釋工具的效率以及成果質量。主要的技術有大數據、機器學習和深度學習等。物探數據處理、巖石物性分析、井孔、油藏與油氣開發數據領域都用到了機器學習。但是目前絕大多數的研究與分析都基本上應用在了地震數據處理方面。例如，初至拾取、地震反演、儲層參數預測、噪聲壓制與信號增強、地震速度拾取與建模、地震構造解釋。在地震解釋方面，人工智能、機器學習和深度學習主要應用于斷層自動解釋、鹽體識別、地質體識別、地震相識別、含油氣性預測和非常規頁巖脆性預測，有效地提高了解釋的效率，并且取得了良好的解釋效果。

地質油藏的地震響應是多孔巖石的彈性性質的函數，從地震屬性中提取各種地震屬性是為了識別地震相，提取出具有代表性的屬性特征，例如振幅、頻率、相位、波形、波峰、波谷等與油氣儲層的幾何結構、巖性、物性、含油氣性之間的關系。但是在深度學習的具體應用中，存在屬性選擇與標簽類型的代表性問題。地震相的識別主要有兩種方法，第一個是通過肉眼定性地觀察地震反射的特征，并與之前的標準地震資料特征進行分析，進而判斷地震地震相類別，也就是所說的“相面法”，但是由于地震資料解釋人員的主觀性和不確定性較強，且地震數據量大、識別率比較低。第二類方法基于數學模型、地震數據處理技術和計算機硬件設備的支持來對地震數據提取出能夠反映地質特征的屬性參數，根據得到的信息來識別地震相。這類方法能夠對地震數據體的屬性參數進行精確計算，是一個高效的識別方法。

Kohonen[1]在 2001年提出的自組織映射網絡（SOM）成為了無監督地震相中最重要的工具之一，利用波形的相似性和地震屬性特征進行地震相分析，對目標層位的地震道的形狀進行識別，進而劃分地震相。隨后，SaggafM[2]等在2003年提出應用于地震反射特征的競爭神經網絡地震相識別方法.De Matos[3]等在 2007年提出的基于小波變換提取地震數據中奇異性特征的自組織映射網絡（SOM）方法對地震反射波形進行分類，消除人工解釋的地震資料中存在的誤差對地震相正確識別產生的影響。Hami-Eddine K[4]等在 2009年提出自適應神經網絡的測井相校準的地震模型的有監督波形分類方法。劉慶敏等在2010年提出的基于經驗模態分解的方法應用于地震相識別。Bagheri[5]等在 2013年使用支持向量機分類器對地震相進行識別，選取了14種地震屬性（相位余弦、瞬時頻率等）來表達地震相，劃分高維特征的小樣本在伊朗油田地震數據集上取得了很高的準確率。Ross[6]等在2017年使用深度學習來對地震原始數據提取特征。Waldeland[7]等在2018年提出將深度學習技術應用于斷層和鹽體的解釋。Wu[8]等在 2019年提出使用合成地震數據斷層完成了端到端的卷積神經網絡模型的訓練，該方法大幅度解決了數據量缺乏問題，減輕了手動拾取斷層作為訓練數據的工作量，并且改進了 U-net網絡模型，加快了模型的訓練。

傳統的地震相識別方法都基于確定性的方法或者一定的模型假設，相比之下，深度學習在數據挖掘和尋找關系方面比較強大，以數據驅動為基礎，能夠高效地尋找輸入數據與目標數據的之間的對應關系，不受模型假設等諸多限制因素的影響。

現有的深度學習方法的網絡模型只能提取單一接收域下的目標特征，難以獲得地震相在剖面上的全局空間分布信息。本文在前人的研究基礎上，改進 VGG16網絡模型，在全連接層前端添加混合膨脹卷積和空洞空間金字塔池化模塊，多尺度融合信息。

1 方法原理

在本實驗中，我們使用了dGB地球科學公司的荷蘭北海F3區塊疊后地震解釋數據集，該數據集包含了384平方千米的地震數據，共有951條imlines，651條Crosslines，采樣率4 ms，記錄長度1848 ms，面元大小25×25米，生成了9個不同的層位，將不同的地震相分割出來，另有4口井的測井曲線，這些數據集經過解釋形成了標簽樣本數據集。圖1為F3的位置。在北海大陸內，根據文獻（Van Adrichem Bogaert and Kouwe, 1993[9];Mijnlieff,2002[10]; Scheck-Wenderoth and Lamarche,2003[11]; Duin et al. 2006[12]）已經確定了十組巖石。按照地質年代從新到舊進行劃分，如Upper North Sea group、Lower and Middle North Sea groups、Chalk group、Rijnland group、Schieland, Scruff and Niedersachsen groups、Altena group、Lower and Upper Germanic Trias groups、Zechstein group、Upper and Lower Rotliegend groups、Limburg group。

圖1 荷蘭北海F3位置Fig.1 F3 location in the Netherlands North Sea

為在地震剖面上訓練不同深度的二維切片，將二維剖面按振幅屬性劃分為九類，選取北海疊后F3的inline339的完全有標簽數據，并使用滑動窗口選取158812個patch作為樣本對網絡進行訓練。通過對 CNN模型進行簡化以減少模型訓練時間，并對其修改以提高性能。在提取特征層的末端采用混合空洞卷積（Hybrid Dilation Convolution,HDC），還應用了空間金字塔池化模塊（Atrous Spatial Pyramid Pooling）進一步多尺度融合特征，將深度學習解釋的結果與人工解釋的結果相結合，更好地確定油氣的聚集區域。

空洞卷積（Dilation Convolution）：普通卷積對圖像的細節信息不夠敏感，于是在網絡中使用了空洞卷積來解決該問題。它在卷積層中引入了名為“膨脹率”的參數，定義了卷積核的點間隔的個數，空洞卷積是一種在特征圖上進行上采樣的方法，可以在不犧牲分辨率的情況下增強感受野。

混合空洞卷積（Hybrid Dilation Convolution,HDC）：雖然空洞卷積可以擴大感受野并減緩下采樣，但是會產生問題。當多次使用相同的膨脹率時，特征圖中有些像素始終不參與運算，不利于密集預測。而且，空洞卷積對于獲取遠程信息，在膨脹率較大的情況下使用它可能只對一些大目標的分類有效，而忽略了小目標。為了解決這個問題，我在網絡中應用了混合空洞卷積，即為每一層設置不同膨脹率，從而擴大感受野的同時降低了網格效應。

空洞空間金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）：在網絡中采用了空間金字塔模塊進行多尺度采樣，進一步增強提取的特征。通過使用多個不同膨脹率的并行空洞卷積來提取特征，獲取特征圖的上下文信息，然后融合特征。

網絡模型的結構基于改進的VGG16，在網絡全連接的前端加入HDC+ASPP，然后再連接三個全連接層對地震相進行識別。

2 應用實例

根據上述原理，對北海F3的三維疊后地震數據體進行模型訓練，并用該模型預測出Inline500和Crossline500結果。HDC使用膨脹率分別為1，2和3的空洞卷積，ASPP使用并聯的空洞卷積，膨脹率分別為1，3，5。該網絡使用的是Relu激活函數進行激活，最后一層使用Softmax激活函數輸出每個類的概率。我們用較低的學習率，低衰減和經典SGD優化器取代Adam優化器，并且使用了三個回調函數，在測試集上損失和準確率的早停技術，在訓練集上的損失達到最優時保存模型[13]。

3 實驗結果

按照振幅屬性劃分，將劃分為九種地震相。我們使用Inline339生成帶標注的數據集，如圖2所示。棕色代表低相干性，灰色代表急傾斜反射體，草綠色代表低振幅傾斜反射體，藍色代表連續高振福，橙色代表灰度，黃色代表低振幅，洋紅色代表高振幅，灰色代表鹽侵入體，藍綠色代表其他。訓練集和測試集的損害和準確率，如圖3和4所示。用該模型預測Inline500和Crossline500如圖5和6所示。

圖2 Inline339測線標簽圖像Fig.2 Inline339 label image

圖3 訓練集和測試集的準確率Fig.3 Accuracy of training and test sets

圖4 訓練集和測試集的損失Fig.4 Loss of training and test sets

圖5 Inline500的預測圖Fig.5 Prediction image of Inline500

圖6 Crossline500的預測圖Fig.6 Prediction image of Crossline500

對于Crossline500測線，在t≈400 ms，低相干性和其他區域的分離界面不太好。在t≈800 ms，高振福和低振幅傾斜反射體的連續性有點差，可能是由于地震數據質量差造成的。在t≈1800 ms處左下方的位置，部分區域被誤分類為低振幅，但表現不明顯。實驗結果如圖7所示。

圖7 訓練集和測試集的實驗結果Fig.7 Training and Test experiental results on Networks

5 總結

本文通過應用改進的 VGG16網絡來訓練深度神經網絡識別地震相，并協助專家解釋分析。結果證明，可以使用在ImageNet上預訓練的網絡獲得的知識在類似的任務重使用，在地震相識別方面表現出了良好的效果，提高分類精度。