基于深度學習的多波地震信號智能匹配方法與應用

凌里楊 徐天吉 馮 博 許宏濤 魏水建

(①電子科技大學計算機科學與工程學院(網絡空間安全學院)，四川成都 611731；②電子科技大學資源與環境學院，四川成都 611731；③電子科技大學長三角研究院(湖州)，浙江湖州 313000；④中國石化石油勘探開發研究院，北京 100083)

0 引言

近幾十年以來，常規地震勘探技術在石油、天然氣等資源的勘察、開采等方面發揮了關鍵作用，目前正在向精細化、自動化、智能化等方向快速發展。然而，常規地震勘探技術無法回避波場單一(僅縱波)、信息量不足(缺橫波)、精度不夠高、多解性強等“瓶頸”問題。多波多分量地震勘探技術則可獲得縱波(PP)、橫波(S)、轉換橫波(PS)等多種類型的波場信息，具有多波聯合成像、多波聯合標定、多波聯合反演、全波屬性融合等獨特優勢，在有效解決“氣云”(氣煙囪)屏蔽成像、巖性判別、裂縫(各向異性)檢測、流體(油、氣、水)識別等復雜難題方面具有顯著優勢。

但是，要充分發揮多波多分量地震勘探技術的獨特優勢，首先需要解決多波地震信號的匹配問題[1]。目前，多波地震信號的匹配處理尚存在兩方面主要問題：①時間、頻率、相位等匹配精度不夠高，尤其在信噪比較低的區域，多波匹配的可靠性較差；②匹配處理需要人工干預，效率低，缺乏自動化和智能化匹配方法。

近幾年，人工智能技術已向油氣領域快速擴張，地震勘探技術從采集、處理到解釋向智能化方向發展已是大勢所趨。尤其是深度學習(Deep Lear-ning，DL)方法，它作為機器學習的一個研究新領域，克服了淺層機器學習方法計算量大、離不開主觀且繁瑣的人工干預、學習速度慢、易陷入局部極值、易出現過擬合或欠擬合等一系列問題。自Hinton等[2]于2006年首先提出之后，DL逐漸成為人工智能的核心技術，在分析大數據、挖掘多維信息、智能搜索、提取復雜特征、識別復雜模式、解決非線性問題、解決低效率與長周期問題、處理圖像、識別人臉、識別語音等方面展現出顯著的優勢。

然而，在多波多分量地震勘探中，因受DL方法的前沿性和多波理論的復雜性、數據處理解釋和特征信息提取難度較大等諸多因素的影響，有關DL的研究與應用極少。僅極少數學者，如田高鵬等[3]，基于卷積神經網絡的DL方法開展了多波數據的小樣本訓練、多波儲層預測等探索性研究。

基于PP波和PS波地震數據，本文針對多波匹配難題，采用DL方法，充分發揮計算機科學、地震、人工智能等多學科優勢，創新建立了高精度、高效率、自動化和智能化的多波匹配技術，為多波聯合沉積相識別、地層解釋、斷層追蹤、儲層預測、裂縫檢測、含油氣性識別等夯實基礎。

1 方法原理

1.1 重采樣

信號重采樣包含多種采樣方式，本文運用重采樣中的分數倍抽取方法對PS波信號進行時域壓縮處理。主要運用的方法有插值、抽取和濾波等。插值的目的是增加信號的采樣頻率(時域拉伸)。插值倍率為N，即在序列相鄰采樣點之間插入N-1個點；抽取的目的是降低信號采樣頻率(時域壓縮)，可分為整數倍抽取和分數倍抽取。抽取倍率為整數M時，即在原序列信號中每隔M-1點抽取1點組成一個新的信號序列。

在進行地震信號處理時，PP波、PS波的時域長度比值往往不是整數，此時需進行分數倍抽取(圖1)。分數倍抽取是由插值與整數倍抽取結合而來，當抽取倍率為分數N/M倍時，可先執行N倍插值再執行M倍抽取。為消除鏡像頻譜和頻譜混疊的影響，可選擇在插值與抽取之間加入一個增益為N、截止頻率ωp為min(π/N,π/M)的橢圓濾波器(考爾濾波器)，相較于其他濾波器，該濾波器在階數相同情況下具有最小的通帶和阻帶。

圖1 信號分數倍抽取流程

按照圖1所示進行信號分數倍抽取具有許多優點：第一步進行插值保證了信號源不會損失；第二步使用一個濾波器就能同時實現濾除鏡像頻率、防止頻譜混疊，濾波后再進行抽取能最大程度保留原有信號的特征。

1.2 卷積神經網絡(CNN)

卷積神經網絡(Convolutional Neural Networks, CNN)是一類包含卷積計算且具有深度結構的前饋神經網絡，通過仿造生物的視知覺機制而構建，是目前最具代表性、應用最廣泛的DL算法。

基礎的CNN由卷積層(Convolution)、激活層(Activation)和池化層(Pooling)三種結構組成。CNN輸出的結果為每幅圖像的特定特征空間。當處理圖像分類任務時，把CNN輸出的特征空間作為全連接層或全連接神經網絡的輸入，用全連接層完成從輸入圖像到標簽集的映射，即可實現分類。

1.3 卷積特征提取

卷積層是CNN在特征提取中最關鍵的部分，計算原理如圖2所示。其內部包含多個卷積核(濾波器)，卷積核實質為一矩陣，其每個元素i都對應一個權重系數和一個偏差量Bias。通過滑動窗口機制，卷積核會依據特定步長在圖像上進行滑動，依次進行局部矩陣卷積運算

圖2 卷積核計算特征值原理

(1)

式中wi、xi分別是矩陣上對應i元素位置的權重、矩陣值，計算結果便是該步提取的特征值。

在一層卷積層中，單個卷積核能對圖像提取一個特征圖，對于極其復雜的地震數據，顯然這是不夠的，會有特征值提取不充分的問題，可添加多個卷積核，如64個卷積核，便能一次性地提取64種特征圖。

卷積核大小可以指定為小于輸入圖像尺寸的任意值，卷積核越大，感受野越大，可提取的輸入特征越復雜，但相應的計算量會更大?？蛇x擇反復使用小卷積核(如3×3)進行卷積計算，通過增加網絡的深度，以保證感受野不低于大卷積核的情況下，大幅度地減小計算量。

1.4 梯度下降法

梯度下降(Gradient Descent)是神經網絡比較重要的部分，通常利用損失函數和參數的梯度進行反向傳播，迭代更新權重、偏置參數找到損失最低點，使模型達到最優的效果。

Adam優化算法是目前執行梯度下降的常用算法之一，通過計算損失函數和參數梯度的一階矩估計和二階矩估計使梯度平滑過渡，可以適應不穩定的目標函數，同時也能為不同參數產生自適應的學習率。

1.5 方法實現流程

基于以上原理，本文提出的多波地震信號匹配方法主要流程如下：首先，利用單波分層重采樣，分數倍抽取PS波，將PS波初步壓縮到PP波時間域；其次，訓練CNN后提取部分網絡參數搭建專用特征提取網絡，并將8層卷積層結果組合后作為網絡輸出；再次，對PS波進行歸一化、升維復制、切割處理后，利用神經網絡提取PP波、PS波特征，定義“雙加權”損失函數后利用梯度下降迭代更新PS波；最后，通過降噪、降維、反歸一化等處理得到最終的輸出結果。

本方法通過直接提取并改變圖像特征匹配PP波、PS波，間接完成了頻率和相位的匹配。

2 應用實例

川西坳陷深層須家河組的致密碎屑巖氣藏分布于四川盆地新場、合興場、孝泉等地區，天然氣儲量豐富，資源開發潛力巨大；但同時具有儲層埋藏深、致密化程度高、裂縫發育、氣水分布復雜、圈閉邊界不清晰等特征，勘探難度極大，常規的地震勘探技術難以奏效。

自2004年開始實施多波多分量(三維三分量，3D3C)地震勘探以來，在地層對比追蹤解釋、超致密砂巖儲層預測、含氣性識別、各向異性與裂縫檢測等方面取得了重要進展，尤其在儲量發現、圈閉優選、井位部署等勘探、開發環節發揮了關鍵作用。然而，受地震信號頻帶窄、PP波與PS波匹配精度不足等問題的制約，多波多分量地震勘探的技術優勢仍然未能充分發揮。

本文試驗以川西坳陷新場3D3C地震資料為基礎，采用基于DL的多波地震信號智能匹配方法，對PP波與PS波疊后地震資料開展高精度、高效率、智能化和自動化匹配研究，為后續多波地層對比解釋、多波屬性提取等提供了基礎。

2.1 單波分層重采樣

在利用CNN提取新場3D3C中PP波、PS波特征值之前，需將兩種波形圖轉換到同一尺度，即將PS波壓縮到PP波時間域。

每次取得單道地震波數據(對應矩陣中的一列數據)，如圖3所示，利用預提取的PP波、PS波層位數據，依據層位坐標將PP波與PS波在時間域分別切分為n部分，記作PP1、PP2、…、PPn和PS1、PS2、…、PSn。

圖3 單波分層重采樣流程

計算PP1、PP2的長度比值I=N/M，對PS1進行N/M倍抽取，將其壓縮到PP1時間域，后續對PS2、PS3…、PSn進行同樣操作。完成n部分的壓縮后進行拼接便得到一道完整的時域壓縮PS波。對數據體中每一道PS波依次進行該操作后得到初步壓縮到PP波時間域的完整PS波信號。

之所以不選擇直接一次性將PS波壓縮，是因為PP波、PS波在不同地質結構上傳播速度比不同，導致兩種波在不同時段的壓縮比存在差異。若是依據某一壓縮比，直接壓縮可能導致部分需要對應的顯著層位位置相距較遠，位置偏差如圖4中綠線所示，后續神經網絡處理時難度較大。而使用分層位壓縮，能保證在時間域上顯著層位完美對應，且細節層位初步匹配，后續只需在小范圍內對各細節層位進行微小改動。

圖4 分層采樣壓縮效果

2.2 CNN訓練與特征提取網絡搭建

本文搭建的CNN結構如圖5所示，10層卷積層全部使用3×3卷積核，通過多次使用3×3小型卷積核替代大尺寸卷積核，在保證感受野不降低的情況下減小了參數計算量。卷積步長均為1，填充選擇Same Padding，能保證模型卷積層輸入、輸出的圖像尺寸不變。空間池化由4個最大池化(maxpooling)層進行，池化核尺寸均為2×2、步長為2，通過在卷積過程中多次穿插最大池化，能構建出多尺度的地震數據空間，從而采集到不同尺度地震數據特征值。網絡設有兩個全連接層：第一全連接有2048個通道；第二全連接(fully connected)執行1000維ILSVRC分類，包含1000個通道。兩個全連接層都執行丟棄正則化。最后一層是softmax層，用于將第二全連接層中的1000個節點的輸出映射為0～1的概率值，且所有概率值之和為1。所有隱藏層都配置了ReLU激活函數。

圖5 CNN結構

用于訓練的數據集選擇了ILSVRC-2012數據集，該數據集共包括1000個類別的圖像，分為：訓練集(130萬張)、驗證集(5萬張)和測試集(10萬張)三組。將原始圖像進行歸一化處理，并隨機裁剪為224×224大小RGB圖像。為了對訓練集進行數據增強，裁切圖像進行隨機的水平翻轉和隨機的RGB顏色轉換。

在完成訓練后，還需利用已完成訓練的CNN搭建專用網絡模型以提取地震信號特征值：首先，選取原CNN前13層網絡權重組成新的特征值提取網絡；然后，輸入層動態設置輸入尺寸以適應不同剖面尺度的地震數據。由于不同深度的卷積層在提取地震剖面特征值時對全局和局部特征側重不同，為保證信號在PP波和PS波的全局和局部特征的提取和映射匹配效果較好(圖6)，保留模型后8層卷積提取的所有特征矩陣，組合8個特征矩陣作為神經網絡的地震特征輸出。

圖6 地震信號特征提取網絡

2.3 地震數據預處理

地震數據轉為矩陣后可視作為單通道圖片，但由于模型由三通道圖片預訓練而成，需將原始矩陣升維后進行復制，轉換為三通道灰度圖(圖7)。

圖7 信號擴維示意圖

通常，三維地震數據由多條剖面數據組成。若在剖面邊緣處信號突變，提取的波形特征也會突變，對匹配過程影響較大。因此，可將數據體依據剖面位置信息分割為多個小數據體(單個小數據即為單個剖面數據)，對每個小數據體單獨處理。

多波地震信號PP波和PS波振動方向、傳播特性等一系列因素會導致兩種波的振幅差異較大、數據大小可相差數倍。若直接將兩種信號數據進行匹配，在計算損失函數時會導致較小數據值的特征值被直接忽略。因此，需將兩種信號歸一化到0～1；匹配完成后，在輸出層再進行反歸一化處理。

2.4 PP波與PS波特征匹配

首先，將PS波數據復制為原始輸出矩陣OUT，輸入網絡得到特征矩陣O，分別將PP波、PS波數據輸入神經網絡得到對應特征值矩陣P和S，再令Om、Pm、Sm分別為第m層卷積對OUT、PP波、PS波的卷積結果。

定義第n層卷積結果的平方距離損失函數為

(2)

式中wP、wS分別代表PP波和PS波特征權重值。

再定義總損失函數為

(3)

式中：wm是第m層卷積結果損失占總損失的權重；sum(Гm)代表將矩陣Гm中每個元素求和。

其次，便可求出總損失函數和輸出矩陣的梯度，利用Adam優化算法執行梯度下降，迭代更新OUT，在完成梯度下降更新后，取OUT三個通道數據的平均值作為單通道數據。

最后，進行歸一化和高斯濾波降噪處理，得到最終的輸出數據。

2.5 效果分析

圖8 新場3D3C測線PP波(a)與匹配前PS波(b)剖面

圖9 新場3D3C完成分層重采樣的PS波地震剖面

圖11 新場3D3C匹配后PP波(a)與完成降噪后最終輸出PS波(b)剖面

匹配后，PS波的主頻提高、頻寬拓展，與PP波的相位更接近。圖12為匹配前、后PP波與PS波的頻譜關系?？梢娫糚P波、PS波頻譜差異較明顯，PS波的主頻較低、頻帶較窄；匹配后，PS波在原有頻譜特征基礎上明顯向PP波頻譜特征逼近，匹配后PS波的主頻提高、頻帶拓寬，在保持PS波原有特性的基礎上，地層分辨能力進一步提升。

圖12 匹配前的PP波、PS波與匹配輸出的PS波OUT頻譜對比

同時，匹配后，PS波的相位特征與PP波更加相似，有利于PP波與PS波的對比解釋。在圖13所示的相位譜對比中，匹配前PP波與PS波相位差異較為明顯，PP波相位集中在-20°～20°，PS波相位集中在-25°～25°。在完成匹配后，PS波的相位大部分已集中到-20°～20°，且在PS波原有相位特征基礎上明顯向PP波逼近，因此PP波與PS波相位特征匹配精度較高。

圖13 匹配前PP波(a)、PS波(b)與匹配后的匹配輸出的PS波OUT(c)相位譜對比

匹配后，PS波揭示的地層接觸關系更清晰。如圖14，顯示了新場3D3C某測線匹配前后PP波與PS波的剖面特征。由圖可見，匹配后PS波的波形逼近PP波，斷層接觸關系更清晰(紅色箭頭)，原復合波形被分解(綠色箭頭)，地層分辨能力提升，更有利于地層追蹤解釋。

圖14 新場3D3C另一測線匹配后PP波(a)、PS波(b)與匹配前PS波(c)剖面

圖15 新場地區地層匹配后PP波(a)、PS波(b)與匹配前的PS波(c)振幅特征

川西坳陷新場地區實例分析表明，利用基于DL的多波地震信號智能匹配方法，在保持PS波原始傳播特性的基礎上，實現了與PP波的傳播時間、頻率、相位和波形等動力學、運動學和幾何學特征匹配，證實了本文方法具有高精度、高效率、智能化和自動化等優點；匹配后的PS波主頻提高、頻帶拓展，保持了匹配前的巖性和沉積相的邊界刻畫特性，斷層和其他地質細節的分辨能力獲得了有效提升。

3 結論與認識

多波地震信號的高精度、高效率、自動化、智能化匹配是未來發展的趨勢?；贒L的多波地震信號智能匹配方法，采用CNN能自動、高效地提取PP波和PS波的波形特征，將兩者波形特征和輸出特征的損失進行加權處理，可保證PS波的波形在整體特征不變的前提下，向PP波時間域逼近；通過PP波與PS波波形的匹配，自動完成時間、相位、頻率等動力學、運動學和幾何學特征匹配。

在川西坳陷新場3D3C地震資料的匹配應用表明：該方法適用于PP波與PS波匹配處理，匹配后的PS波在保持原始傳播特性的基礎上，在PP波時間域的主頻、頻寬、波形等逼近PP波；與匹配前相比，匹配后PS波分辨能力獲得提升，地層接觸關系更清晰，更有利于斷層識別、巖性邊界刻畫、地層追蹤等解釋應用；同時，高精度匹配后的PS波，可為多波聯合反演、沉積與構造對比解釋等提供基礎支撐。