卷積神經網絡的半監督層位追蹤方法

摘要： 層位追蹤是地震資料解釋的關鍵步驟，通常由解釋人員以人機交互方式進行，效率較低。卷積神經網絡可以構建地震數據和訓練標簽的非線性映射關系從而完成層位追蹤，由于人工解釋結果獲取困難，僅由少量標簽訓練的模型泛化能力較差。為此，提出一種基于卷積神經網絡的半監督層位追蹤方法，將層位追蹤轉化為層位斷層間區域的圖像分割。首先使用自編碼器對無標簽數據進行訓練，之后將部分參數遷移至有監督學習網絡后使用少量標簽數據進行有監督學習，最后對整個工區的地震數據進行預測，提取分割結果邊緣作為層位追蹤結果。合成數據和實際數據的測試結果均表明，相較于有監督學習層位追蹤方法，該方法具有較少的錯誤分割，由分割邊界提取的層位與人工層位解釋結果的誤差較小，具有更好的泛化能力。

關鍵詞： 層位追蹤，地震資料解釋，卷積神經網絡，半監督學習，圖像分割

中圖分類號：P631 文獻標識碼：A DOI：10.13810/j.cnki.issn.1000‐7210.2024.05.002

0 引言

構造解釋是整個地震資料解釋工作的重點和基礎，層位追蹤和基于層位追蹤的地質建模是其重要環節。為了提升層位追蹤效率，研究人員提出了很多自動與半自動算法，如相關算法[1‐3]、動態時間規整算法[4‐5]、地震屬性類算法[6‐8]等。這些算法能夠在橫向連續性好、品質較高的資料上高效替代人工解釋，但在斷層等反射同向軸不連續性較強區域的應用仍有一定限制。

以卷積神經網絡為代表的有監督深度學習算法在多種地震資料解釋場景中取得了很好的效果，如斷層識別[9‐11]、鹽丘檢測[12‐13]、沉積相識別[14‐16]等。除了上述場景，有監督深度學習算法也可應用于層位追蹤。Yang 等[17]通過深度卷積網絡對較小時窗內的地震數據進行分類，判斷時窗中心點是否在同相軸上，從而進行層位追蹤。Geng 等[18]使用編碼—解碼U 型網絡預測相對地質時間體，并從中提取等值面進行層位自動追蹤。李海山等[19]在其基礎上添加了注意力機制并取得了更好的效果。Tschannen等[20]使用U 型網絡預測地震數據各點的層位概率密度，將最大概率類別視作分類結果，從而實現層位追蹤。Wu 等[21]使用U 型網絡將地震道視為一維圖像進行分割，通過提取分割邊界獲取層位追蹤結果。Shi 等[22]使用自編碼器進行波形嵌入，通過嵌入向量距離獲取層位概率并由此追蹤層位曲面。盡管有監督深度學習層位追蹤方法陸續被提出，但由于人工層位追蹤解釋結果獲取較為困難，由少量標簽數據訓練的模型泛化能力有限，遠離標簽數據區域的層位追蹤效果較差。

以自編碼器為代表的無監督深度學習算法能夠從大量無標簽數據中提取有效特征，從而實現對數據的降維、去噪等功能[23]。在地震資料解釋中，無監督算法學習到的特征可用于地震相分類等任務[24]。然而，無監督學習的結果完全來自數據自身，在缺乏足夠先驗信息的情況下學習到的數據特征可能是無意義的，無法直接提供分類信息。

半監督學習融合了有監督學習和無監督學習的優勢，通過少量標簽數據和大量無標簽數據訓練模型，既能充分利用標簽提供的先驗信息，又能利用大量無標簽數據的內在特征，在解決垃圾郵件識別、目標檢測等標簽數據獲取困難占比較少的場景得到了廣泛應用[25]。半監督學習同樣適用于層位追蹤問題，Di 等[26]通過對無標簽數據進行無監督學習以約束卷積神經網絡有監督學習過程，提升了模型在未被訓練區域的預測效果。Wang 等[27]將半監督學習和虛擬對抗訓練引入層位追蹤從而提升了復雜構造區域層位追蹤效果。

基于以上分析，本文提出了一種基于卷積神經網絡的半監督層位追蹤方法，將層位追蹤轉化為層位間的圖像分割。首先使用自編碼器對無標簽數據進行訓練； 之后將部分參數遷移至用于分類的卷積神經網絡并凍結，從而固定有監督學習過程模型提取的特征； 最后使用少量標簽數據進行訓練，訓練完成后對所有剖面進行圖像分割，提取分割邊緣獲取層位追蹤結果。

1 方法原理

本文所用的網絡如圖1 所示，包括自編碼器和U 型網絡。

自編碼器（圖1 上）由編碼器殘差模塊、最大池化層、解碼器殘差模塊、上采樣層和二維卷積層構成。當輸入工區所有二維地震數據時，編碼器部分通過四個殘差模塊和三次最大池化將單通道地震數據轉化為204 通道的特征圖，解碼器部分則通過四個殘差模塊、三次雙線性插值上采樣和一個二維卷積層將其恢復為與輸入數據相同尺寸的單通道輸出。將自編碼器輸出與輸入的地震數據進行損失函數計算，使用Adam 優化器更新模型內各參數，重復上述過程直至損失函數收斂[28]，此時便可將編碼器部分殘差模塊參數遷移至具有相似結構的U 型網絡（圖1 下）中。

U 型網絡相較于自編碼器增加了最大池化和上采樣的次數，同時使用跳躍連接將編碼器部分的特征圖送入解碼器部分對應位置，在通道方向上組合并送入殘差模塊。根據標簽制作時劃分的區域總數設置二維卷積層的輸出通道數，當工區所有二維地震數據送入U 型網絡后最終將獲得一組與輸入數據相同尺寸的多通道輸出，將模型輸出同標簽數據集中由人工解釋結果獲取的圖像分割標簽在未被掩碼遮擋的區域進行損失函數計算，使用Adam 優化器更新模型內參數，重復上述過程直至損失函數收斂。當標簽數據有監督訓練完成后，使用U 型網絡對整個工區的地震數據進行預測，提取各點最大概率類別以獲取圖像分割結果，提取圖像分割邊界作為層位追蹤結果。

殘差模塊來源于ResNet 框架，通過在連續卷積層間添加短連接可以抑制模型層數增加導致的模型退化現象，同時也可以借助這些短連接使得不同尺度的特征作為同一層的輸入豐富模型層次從而提升模型性能[29‐30]。圖1 中自編碼器與U 型網絡中替換的編碼器殘差模塊與解碼器殘差模塊如圖2 所示。其中，圖2a 為編碼器殘差模塊，由三個卷積層構成的主線和一個卷積層構成的支線組成，主線卷積核尺寸分別為1×1、3×3、1×1，支線卷積核尺寸為1×1，二者輸出的張量對應相加后由ReLU 函數激活得到殘差模塊輸出。圖2b 為解碼器殘差模塊，由兩個卷積層構成的主線和一個卷積層構成的支線組成，主線卷積核尺寸分別為5×5、3×3，支線卷積核尺寸為5×5，二者輸出的張量對應相加后由ReLU 函數激活得到輸出。