基于深度學習的高效構造解釋技術研發及工業化應用

楊 平 宋強功 詹仕凡 陶春峰 郭 銳 朱冬臨

(東方地球物理公司,河北涿州 072750)

0 引言

人工智能(Artificial Intelligence，AI)是第四次工業革命的核心驅動力[1]，為傳統技術的變革與轉型提供了良好的契機。深度學習(Deep Learning，DL)是目前AI浪潮的核心技術之一，已在醫療、交通、金融等諸多領域取得了很好的應用效果，為相關行業實現提質、增效、降本發揮了重要支撐作用[2]。在地震勘探領域，人們認為DL是推動地震勘探技術實現變革性突破與跨越式發展的重要技術基礎[3-5]。從2016年起，基于DL的智能化處理解釋技術論文就陸續在SEG、EAGE等國際會議上發表，且論文數量逐年上升[6]。2021年，SEG年會上與AI相關的論文達150篇，約占論文總數的22%。研究內容涉及應用于地震資料處理、解釋的大多數環節。其中，DL在地震資料處理中的應用主要包括表層建模、速度建模、噪聲壓制、數據重構、偏移成像等[7-8]；DL在地震資料解釋中的應用包括巖石物理建模、構造解釋、地質體識別、儲層預測、波阻抗反演等[9-10]。此外，DL在非地震勘探、VSP處理、微地震監測等領域的應用也明顯增加[11]。

然而，在地震資料處理、解釋領域，通過公開文獻調研、論文方法復現以及油田服務公司軟件測試等發現，目前真正能夠落地并滿足工業化應用要求的成果并不多見。現有的問題主要表現在泛化能力差，無法適應于具中、低信噪比特征的實際資料，完成任務所需的配套過程繁瑣等，導致相關技術的實用性與推廣性差。多數資料處理、解釋人員仍然只能以傳統軟件、方法開展研究，而不能享受AI技術進步帶來的優勢。

AI與地球物理技術的結合經過多年的發展，目前不但已經過了“能不能做”的實驗階段，而且到了“如何做好”的應用階段[12]。充分發揮AI的技術優勢，開發出切實能夠幫助處理、解釋人員減輕勞動強度，提高研究精度的智能化軟件模塊，以使地震勘探盡快邁進智能化發展的新階段，是一個亟待解決的問題。鑒于此，在確立“面向中、低信噪比地震資料”和“強調技術產業化落地”兩個基本準則的基礎上，兼顧效率、精度與便捷性，開展了基于DL的實用構造解釋技術研發，取得了較好的效果。所開發的智能化解釋模塊直接與原有解釋系統無縫銜接，層位解釋效率在原有的基礎上提高了8～20倍，斷層識別精度較傳統的相干、曲率、構造張量、螞蟻體等屬性顯著提高。目前已能完全取代原有的自動解釋功能，基本實現了構造解釋的智能化轉型。

1 技術思路

隨著開源AI框架的普及，開發智能模塊并不難。以層位解釋為例，只需簡單的三步即可實現智能層位解釋(圖1)：①設計標簽和網絡；②用標簽數據訓練網絡；③將訓練好的網絡用于層位預測。如圖1所示，標簽剖面是有解釋成果的地震剖面，標簽層位即相應的解釋成果，均易于獲取。簡單的DL網絡可以直接從開源框架中調用，即使是復雜網絡，其核心算法多數也是開源的。網絡經訓練后，即可用于層位預測。因此，如果僅僅是要實現一個智能化的功能，過程并不復雜。

圖1 智能層位解釋流程示意圖

但若所研發的AI模塊用于工業化生產，除了需通過各種途徑提高AI模塊本身的泛化能力，還需為模塊的便捷運行提供配套的功能、考慮不同的硬件配置等。為此，首先確定了智能物探技術研發的兩項基本準則：

一是必須面向中、低信噪比地震資料，解決傳統方法所不能解決的處理和解釋問題，以適應更普遍的生產需求；

二是必須強調技術產業化落地，要以形成能夠幫助解釋人員減輕勞動強度、提高研究精度的實用軟件產品為根本目標。

圍繞這兩項準則，針對構造解釋的具體特點，兼顧效率、精度與便捷性，確立了智能構造解釋技術研發的具體思路：首先，要在現有的商業化解釋軟件的基礎上，搭建可集成和運行AI程序的軟件開發環境，以提高開發效率并確保技術落地；其次，要充分考慮資料的復雜性，在用好合成數據的同時，更要從中、低信噪比資料入手設計網絡，確保智能方法的泛化能力；最后，充分利用現有軟件功能，采用地球物理技術與AI技術交叉迭代的思路完成最終解釋，兩者相互結合、優勢互補，不追求用AI技術解決全部問題。

關于最后一點，徐宗本等[13]提出并證明了機器學習與數學模型相結合可實現優勢互補并能更好地解決實際問題。早期探索也表明智能算法本身是純數據驅動的，這并不是求解地球物理問題的最佳途徑。在地球物理領域，有完善的理論體系、成熟的技術體系以及豐富的實踐經驗，這些都可作為模型加入到智能算法研發的各個環節中(包括數據準備、網絡設計和質控分析等，圖2)，從而提高網絡的收斂速度、預測精度及泛化能力。這種在機器學習過程中融入了先驗數學模型的方式稱為“數據模型雙驅動”，它是開展智能物探模塊研發的重要認識基礎。

圖2 數據模型雙驅動的智能物探模塊研發思路

2 智能模塊集成開發環境搭建

目前絕大多數智能化模塊均是利用Python語言開發，在開發過程中不可避免地要使用Tensorflow、Pytorch、PaddlePaddle等開源框架，以及NumPy、matplotlib等第三方庫函數，運行過程中往往還要利用GPU資源，這就導致智能模塊很難像一般的C語言模塊一樣可非常便捷地在用戶的計算機上順利部署和運行。此外，獨立的智能化軟件模塊往往只包含核心運算部件，因為輸入、輸出不夠靈活、界面交互不夠友好等因素，不僅不便于解釋人員直接應用，開發調試過程本身也比較繁瑣。上述原因導致單獨的智能化模塊落地和推廣困難，難以實現模塊的工業級應用。

在國產商業化解釋系統GeoEast上搭建Python程序的集成開發環境，主要解決了四個方面問題：一是搭建開放的智能模塊開發框架及訪問接口，以便其他用戶可以充分應用系統資源，開發自己的智能模塊；二是為所研發智能模塊提供高效便捷的集成、測試與運行環境，使Python模塊能夠在解釋系統上直接運行，而無需單獨配置系統環境；三是為所研發智能模塊提供完成全部解釋任務所需的配套模塊，如數據加載、顯示、編輯、應用等功能，讓智能模塊專注于其本身的優勢發揮；四是促進地球物理方法與智能化算法的充分、便捷、無障礙結合，利用解釋系統現有的強大功能，使智能模塊在實現特征工程、標簽構建、成果應用等環節時更加高效、可靠。這樣，集成開發環境就可大幅提高技術研發、轉化及推廣效率。

GeoEast解釋系統是基于C++語言開發的，智能模塊是基于Python語言開發的，前者是編譯型語言，后者是解釋型語言。編譯型語言編譯后可直接形成機器能夠執行的二進制代碼，而解釋型語言則必須通過解釋器對代碼進行解釋執行。為了保證兩者的無縫銜接，主要采取了三方面措施：

(1)開發Python語言程序訪問GeoEast軟件數據的接口程序包。開發人員無需關注物探領域的專業數據讀寫與質控顯示，因此非物探專業的計算機人員也能很容易地實現對物探數據的處理，從而大大降低智能物探模塊的開發門檻；

(2)在GeoEast系統上完成常用DL開源框架及第三方庫函數的封裝，使集成后的智能模塊可直接在GeoEast環境下運行，無需單獨安裝和配置智能模塊的運行環境，方便了后期推廣應用；

(3)采用基于D-Bus和Socket通訊的智能化模塊集成技術，打通智能模塊與GeoEast系統之間的數據傳輸通道，使GeoEast系統可快速、便捷地調用基于Python語言的智能模塊。

至此，為實現智能化模塊的便捷開發、集成、運行與推廣奠定了堅實的平臺基礎。

以智能層位追蹤模塊運行為例(圖3)：從C++語言主進程啟動智能追蹤任務后，主進程創建并鎖定Socket端口，并啟動Python子進程；子進程完成環境初始化后，利用該端口與主進程握手成功，兩者保持通訊狀態；然后主進程發出指令，子進程根據指令啟動智能層位追蹤模塊、加載標簽數據并訓練網絡；當完成預定訓練次數或接收到主進程發出的終止訓練指令后，子進程將保存網絡參數，并用于預測全區層位；完成預測后，子進程將保存預測結果，主進程就能調用該結果，并用于后續研究。可見整個過程中C++主進程與Python子進程實現了無縫鏈接，GeoEast解釋系統與智能層位追蹤模塊各司其職，共同完成智能追蹤任務，做到了數據共享。

圖3 智能層位追蹤模塊運行過程示意圖

3 智能構造解釋模塊研發

構造解釋主要包括層位和斷層解釋，這是所有地質分析與儲層預測工作的基礎，也是傳統地震資料解釋流程中最為耗時、耗力的環節，有時能占整個解釋周期一半以上時間，加之構造解釋的精度和效率均是可評價和量化的，因此構造解釋的智能化是智能解釋最迫切、最現實的需求[14]。

針對層位與斷層解釋的具體特點與不同需求，本文采取了不同的研發思路。

3.1 高效層位追蹤模塊

層位解釋的特點是：解釋人員能夠明確層位拾取的位置，但手工解釋耗時、耗力，傳統自動追蹤方法無法完全滿足精度需求[15]，在地震資料信噪比低、連續性差時往往獲得錯誤的追蹤結果。因此，智能層位解釋技術落地的關鍵在于用智能模塊實現準確的層位自動追蹤，提高解釋效率，減輕勞動負擔。Liao等[16]利用Unet以及不確定標簽在荷蘭北海F3公開三維數據體上進行智能層位追蹤，誤差小于4ms的準確率為73%～81%；Wang等[17]采用了基于虛擬對抗訓練的半監督學習(SSL)機制，實現了基于較少種子點的層位追蹤；Lowell等[18]利用有向非循環圖神經網絡(DAGNN)實現了同一工區不同數據體之間的層位校準。總體而言，多數針對層位追蹤的研究都側重于網絡性能的提升。

考慮到不同工區、不同層位的反射特征與解釋的復雜性不同，本文采用有監督學習的方式設計網絡。對每一新層位的追蹤，均需先解釋一定量的剖面作為訓練集。同時采用了迭代解釋的思路，在訓練過程中對未能正確追蹤的區域進行一定量的手工拾取，補充訓練樣本并重新訓練網絡，從而逐步完成全區追蹤。按照前述技術研發思路，設計圖4所示的解釋流程。

圖4 智能層位追蹤流程

智能模塊只需專注于層位追蹤本身，而無需關注其他環節，從而大幅提高了開發效率，也充分利用了原解釋系統的各項功能。

在模塊設計方面，因為要重點考慮中、低信噪比資料的問題，采取了以下三項關鍵措施。

(1)不采用直接分類法(圖5a左)，而是采用概率化輸出(圖5b左)，以減少對標簽精度的依賴，更好地適應中、低信噪比資料的自動追蹤。

(2)根據AI技術的發展不斷優化核心網絡，采用“注意力機制[19]+多尺度特征提取”等新技術，以提高網絡的精度與泛化能力。

由兩種智能追蹤網絡模型的預測輸出(圖5a右、圖5b右)可見，新方法很好地適應了斷層的分割，層位在斷點處自動斷開，且追蹤結果總體上較平滑，圖5b中未見圖5a中那種脈沖狀異常。

圖5 不同智能層位追蹤網絡模型(左)及輸出結果(右)對比

(3)在此基礎上，模仿人工解釋的工作思路，通過條件隨機場(CRF)[20]建模以及整體路徑規劃策略，將地震道間的關系模型融入智能層位追蹤過程，通過“數據模型雙驅動”策略進一步減少異常點，實現更加穩定的智能層位拾取。

圖6是采用CRF建模前、后AI追蹤的效果對比。由圖可見，采用CRF建模之后，由于未知原因出現的DL網絡預測異常(紅色箭頭所指，這種異常在許多DL預測網絡中都有所發生，但目前還不能正確解釋其發生的原因)得到了合理的修正。

圖6 條件隨機場(CRF)建模前(a)、后(b)AI追蹤效果對比

基于上述流程和措施，最終形成了精度與效率均優于傳統方法的高效層位自動追蹤模塊。圖7是本文智能層位追蹤與其他方法追蹤結果的對比圖，全部方法均采用相同的種子點。圖中A、B、C、D是具有不同連續性、能夠代表高(D)、中(A、B)、低(C)不同信噪比條件的四個同相軸。圖7b中，A、B、C三層是用傳統自動追蹤方法所得，D層是用其他深度學習網絡追蹤所得。圖中矩形框所指是追蹤質量差的位置。由圖可見：①傳統方法忠實于同相軸，在有種子點控制的區域追蹤質量最高，但是容易發生串軸現象(紅框所示)；②其他智能追蹤方法所得的結果在D層不串軸，但是抖動現象嚴重，需要平滑后才能使用(綠框所示)；③本文方法整體質量最高，但也出現了少數不忠于種子點的情況(藍框所示)，估計與訓練次數不足有關(為測試網絡的泛化能力，所有智能追蹤只進行了50次迭代)。

圖7 不同方法對不同信噪比條件的層位追蹤效果對比

3.2 高精度斷層識別模塊

對于微小或隱蔽斷層而言，解釋人員往往并不明確斷層是否存在，或者不明確斷層的準確位置，因此需通過屬性來指導斷層解釋。目前效果最好的地震屬性是基于本征向量的相干及體曲率屬性技術[21]，但它們的效果受人為參數選擇的影響較大，且抗噪能力較差。因此，智能解釋斷層識別的關鍵在于更加清楚地揭示各級斷層所在的位置。Zhou等[22]采用交互迭代的方法，通過多個CNN網絡逐步引進專家知識，實現去噪、細化和增加連續性；Lyu等[23]采用了在模型訓練基礎上利用實際數據進行遷移學習的方法，提高了網絡的泛化能力；Alohali等[24]則僅利用實際資料進行網絡訓練，并通過后續處理提高斷層的連續性。從文獻展示的圖片看，這些方法的效果均優于傳統的相干技術。

與層位不同，斷層表示的是地層的不連續性，與地層本身的物性、厚度、組合等并不相關。因此，不同地區的斷層在地震剖面上的特征是基本相似的，與地層本身的振幅、頻率等反射特征關系不大。同時，考慮到模型訓練巨大的運算量，本文采用“預訓練網絡+專家知識約束”的方式進行斷層識別(圖8)。首先通過合成地震記錄，形成大量類型豐富的斷層模型作為標簽集，并由開發人員完成網絡訓練。用戶直接使用訓練好的模型，即可快速得到全區預測結果。預訓練模型能夠滿足絕大多數情況下斷層識別的需求，但對于一些斷層發育模式極為特殊、在原訓練集中未出現過的斷層樣式，則需要通過經驗進行一定量的人工解釋，并把解釋結果反饋給軟件開發人員。開發人員將解釋結果轉換為基于實際資料的訓練集，并與原訓練集合并，重新訓練網絡后提交用戶使用。通過這種方式，可逐步豐富訓練集中的斷層樣式，不斷提高網絡對資料的適應能力。

圖8 智能斷層識別流程

在網絡設計方面，重點采取了以下措施。

(1)在海量模型標簽的基礎上，融合實際工區資料制作大量實際數據標簽，擴充樣本庫，實現理論模型與實際數據相結合的標簽構建(圖9a)；采用帶注意力機制的語義分割(圖9b)技術[25]，一方面使網絡訓練更具有目標針對性而提高速度與精度，同時也有利于借鑒圖像處理領域的成功經驗。

圖9 智能斷層識別標簽構建(a)與網絡結構(b)示意圖

(2)采用3D(而不是2D)端到端網絡，直接從地震數據體得到斷層概率體(而不是剖面)，更加適應斷層的空間展布特征，從而得到空間上更連續的斷層(圖10)。

圖10 采用2D(a)和3D(b)卷積網絡斷層預測平面圖對比

(3)提供精度控制參數，以適應不同信噪比的地震資料。低信噪比資料可以通過降低識別精度、過濾小斷層的方式得到更可靠的結果。

通過上述流程與措施，智能斷層識別的精度明顯高于傳統方法，也略優于目前公開的其他算法(圖11)，具備了進行工業化應用的條件。

圖11 不同方法斷層識別效果對比

4 應用效果

本文技術從2018年開始研發，于2019年形成第一個實用版本，并且隨著IT行業DL技術的發展，每年都對核心DL算法進行優化升級，精度和效率不斷提升，用戶反饋持續保持良好。具體體現在以下幾個方面。

4.1 高效層位解釋

傳統層位自動追蹤方法主要是依據波形相似性原理，能夠利用的信息量較少。當相鄰層位的波形相似度較高時，容易出現“串層“現象，即使對于高信噪比資料，在缺乏種子點引導的情況下也會產生追蹤錯誤(圖12a)。DL將整個地震道用于訓練，從理論上講，它可同時考慮波形、振幅、相位、頻率以及沉積特征，且能兼顧考慮目的層上、下地層的特征，更具全局性，因此拾取效果要優于傳統自動追蹤方法(圖12b)。

圖12 不同層位自動追蹤方法效果對比

由于大幅減少了人工解釋的工作量，整體效率得到顯著提升。目前的智能層位追蹤模塊，對于高信噪比資料，只需解釋1～2條剖面用于網絡訓練，30min內即可得到正確率大于99%的解釋成果；對于中、低信噪比資料，第一輪解釋4～9條骨干剖面，一般經過2～3輪次迭代，即可獲得滿足精度要求的解釋成果。

以四川某連片三維工區為例，工區面積為4780km2，測網為4000Line×1500Trace。要求40天以內完成14個層位4×4網格密度的解釋。經測試，即使骨架剖面密度達到64×64，多數層位的自動追蹤結果(傳統方法)仍需大量手工修改才可被接受，預算解釋工作量將超過60人·天。改用本文提供的智能模塊后，多數層位在經過2輪迭代后(第一輪均為3Line+2Trace共5條骨架線)即可達到精度要求。幾個復雜的層位也僅迭代了3次，人工解釋密度未超過120×120。圖13是一個復波同相軸的種子點(藍色圓點)和智能追蹤結果，可見雖然種子點并不完全準確，但追蹤結果卻十分穩健，而這是傳統自動追蹤方法不可能實現的。最終用戶僅投入7人天就高質量地完成了解釋任務，整體解釋效率提高了8倍以上，部分高連續性層位的解釋效率提升20倍以上。

圖13 復雜層位追蹤效果

研究成果快速得到推廣應用。僅2021年下半年，東方地球物理公司內部就有16個研究區應用了本文研發的智能層位解釋模塊，完成海量層位解釋任務，其中面積超過2000km2的工區有5塊(其中2塊面積超過4500km2)，均取得了令人滿意的結果。智能模塊已可完全替代原有的層位自動追蹤模塊，大范圍推廣的唯一障礙就是適合AI程序運行的硬件條件。

4.2 高精度斷層識別

智能斷層識別的優勢主要體現在精度提高上。在2021年測試和應用的國內外34個工區中，斷層識別精度得到明顯提高的有33個，僅有1個復雜工區與傳統方法相當。同時由于采用了預訓練網絡，智能斷層識別的效率也很高，如500km2的工區，通常10min以內就能得到預測結果。

在中國東部老油區，借助新的斷裂識別結果，重新厘定斷裂展布特征并發現了新的斷塊圈閉。圖14是某工區的局部斷裂預測結果對比。圖14a、圖14b的背景分別是通過相干與智能算法得到的斷裂預測結果，上面疊合了前期基于相干屬性的手工解釋的斷點(不同顏色“T”形點)。由圖可見，兩者在整體相似的基礎上，細節上有明顯差異。智能模塊的結果(黑色線條)不僅清晰、干脆、無背景噪音，且與手工斷點完全吻合，充分說明其準確性。同時，斷層之間的交切關系也更加清晰，準確揭示了該區斷層的雁列展布特征(箭頭①)與羽狀展布特征(箭頭②)，這為調整解釋方案、發現新的斷塊圈閉提供了關鍵依據。該技術對于全面復查東部油田開發區斷塊圈閉具有廣闊的應用前景。

圖14 東部某區斷裂預測結果對比

在西部某油田，解釋人員利用智能斷層預測結果研究走滑斷裂與巖溶儲層的關系。圖15清晰揭示了縫洞型碳酸鹽巖“構造運動改造地層、風化溶蝕沿斷層發育“的儲層發育基本規律，為塔里木盆地特有的斷溶體理論[26-27]的完善和發展提供了可靠論據。智能斷裂預測圖也因此被用戶列為井位部署的必備圖件之一，得到全面推廣應用。

圖15 基于智能斷層識別的碳酸鹽巖斷溶體分析

生產應用表明，智能斷層識別模塊完全能夠取代現有斷層屬性，成為斷層解釋的新方法。

4.3 快速圈閉搜索

數據體快速瀏覽是一種常用方法，智能解釋得到的清晰的層位與斷層信息，賦予這一方法以更強的圈閉搜索功能。在智能解釋成果的基礎上，利用三維可視化軟件，將地震數據、透視的層位概率體與斷層體進行融合顯示(圖16a)，并在三維空間進行動態瀏覽，可快速掃描并鎖定圈閉目標，特別有利于小斷塊、低幅度構造的發現和落實。圖16b中3個紅色箭頭指向3個斷塊，其溢出點高程各不相同。其中①、③號是較為隱蔽的小斷塊，直接進行等值線成圖(圖16b)往往容易被忽略，而在融合數據體的動態瀏覽模式下卻很明顯。

圖16 不同圈閉搜索方法對比

5 結論

智能物探技術產業化落地的關鍵在于：①便捷的Python語言開發環境；②相對成熟的配套功能支撐軟件平臺；③面向中、低信噪比地震資料的高泛化性算法；④AI技術與地球物理技術的充分結合。

智能算法與傳統算法分別從數據和模型的角度出發求解地球物理問題，實踐證明：兩者的結合能夠實現優勢互補，從而在效率和/或精度上得到巨大的提升；部分傳統技術必將被智能技術取代。

本文研發的智能層位追蹤模塊，相對于傳統技術效率提升8～20倍，智能斷層識別模塊的精度遠超相干與曲率屬性技術。構造解釋技術具備了工業化生產能力，基本實現智能化轉型，可以大范圍推廣應用。

由于智能化算法不依賴地球物理理論的特性，對于速度建模、波阻抗反演等不能直接判斷結果正確性的預測類問題，需要采用多種方法和理論模型慎重驗證后再推廣使用。