基于AHRFaultSegNet 深度學習網絡的地震數據斷層自動識別

摘要： 斷層識別是地震數據解釋的重要環節之一。深度學習技術的發展有效提高了斷層自動識別的效率和準確性。然而，目前在斷層的自動識別任務中，如何準確捕捉斷層細微結構并有效抵抗噪聲干擾仍然是一個具有挑戰性的問題。為此，在HRNet 網絡的基礎上，構建了一種基于解耦自注意力機制的高分辨率斷層識別網絡模型AHRFaultSegNet。對于自注意力機制解耦，結合空間注意力和通道注意力，代替HRNet 中并行傳播的卷積層，在減少傳統自注意力機制計算量的同時，模型可以在全局范圍內計算輸入特征的相關性，更準確地建模非局部特征； 對解耦自注意力使用殘差連接來保留原始特征，在加速模型訓練的同時，使模型能夠更好地保持細節信息。實驗結果表明，所提出的網絡模型在Dice、Fmeasure、IoU、Precision、Recall 等性能評價指標上均優于其他常見的斷層自動識別網絡模型。通過對合成地震數據與實際地震數據等進行測試，證明了該方法對斷層細微結構具有良好的識別效果并且具有良好的抗噪能力。

關鍵詞： 斷層檢測識別，深度學習，解耦自注意力機制，殘差連接

中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000‐7210. 2024. 06. 004

0 引言

斷層識別是地震數據解釋的重要環節之一，它是通過分析地震數據確定斷層位置和形態的過程。斷層識別通常要求地震資料具有較高的分辨率[1]，特別是在揭示地下斷層中的微小特征和連續性差的復雜結構方面，這對于地震危險性評估和地質資源勘探至關重要[2‐3]。實際地震資料在采集過程中易受到噪聲的干擾，這就要求斷層識別方法具有良好的抗噪聲能力[4‐5]。

傳統的斷層識別方法通常依賴于人工解譯，耗時且容易受到主觀因素的影響。針對斷層識別中存在的問題，學者們提出例如相干體技術[6‐7]、方差體技術[8]、邊緣檢測技術[9]、斷層似然性技術[10]和全三維解釋技術[11]等斷層自動識別方法。這些方法提高了斷層識別的精度，但存在著計算過程繁瑣、運算速度相對較慢、易受到噪聲等非地質因素的影響等缺陷。

近年來，利用人工智能技術自動、快速、準確地識別斷層成為了地球物理勘探領域的熱點之一。Huang 等[12]將卷積神經網絡（CNN）用于地質特征分析，利用多種地震屬性作為特征對斷層進行自動識別。Xiong 等[13]利用相干體作為斷層標簽數據，訓練CNN 模型，模型的預測結果與應用相干體技術預測斷層結果相似，但精度并未明顯提高。Guo 等[14]將三維地震數據切片的二維數據和人工標注的標簽數據作為CNN 模型的輸入，提高了自動識別斷層的效率，但是模型受限于人工標注標簽的準確性。Wu等[15]提出了一種基于U‐Net 網絡的三維地震數據斷層識別方法，三維地震數據驅動的方法大幅度提高了模型的預測精度和效率。楊午陽等[16]將殘差模塊引入U‐Net，提出了基于ResU‐Net 的三維地震數據斷層識別方法，進一步提高了模型預測結果的準確率。Cunha 等[17]將遷移學習用于斷層識別，對訓練好的卷積神經網絡進行改進，提高了斷層識別的效率和準確性，但是對復雜地區細微構造的識別仍較困難。Yang 等[18]利用U‐Net++ 提取三維地震數據的斷層特征，對斷層進行自動檢測，但是具有較大的計算復雜度。Gao 等[19]提出了一種多尺度注意力卷積神經網絡（MACNN），使生成的斷層圖像具有更高的分辨率和保真度，但是由于注意力機制的計算難以并行化，訓練和推理速度受限。

盡管利用深度學習檢測斷層技術已取得了較大的進展，但是在實際地震資料應用過程中還存在著構造復雜地區斷層細微結構識別困難、現有模型對噪聲的抗干擾能力較差的問題。為此，本文構建了一種基于注意力機制的高分辨率斷層識別網絡模型（Attention based High ‐ Resolution Fault SegmentationModel，AHRFaultSegNet），實現對地震數據斷層快速、準確地自動識別。該模型主要對HRNet[20]中并行傳播的卷積層進行改進，用解耦自注意力代替傳統的卷積層，在減少傳統自注意力機制計算量的同時，對噪聲進行篩選和壓制，從而更準確地建模非局部特征； 同時，使用殘差連接保留原始特征，加速模型訓練的同時，使模型能夠更好地保持細節信息。最后，通過數據實驗測試本文方法的有效性，以期為地震勘探提供一種更為精確且高效的斷層識別方法。

1 AHRFaultSegNet 網絡模型

1. 1 解耦自注意力

對于三維地震數據，傳統的自注意力機制中大量的矩陣計算帶來非常高的計算復雜度。目前常用的辦法就是對自注意力計算進行解耦[21]。本文改進傳統的自注意力模塊，對空間和通道進行了注意力解耦，提出了解耦自注意力模塊（Decoupled Self‐Attention）。

1. 1. 1 解耦查詢和鍵

傳統的自注意力機制將查詢和鍵作為具有相同維度的線性變換結果。然而，這種處理方式可能導致查詢和鍵之間的冗余信息，增加了計算復雜度并可能降低建模效果。解耦自注意力模塊通過使用不同的線性變換處理查詢和鍵，即分別對它們應用獨立的線性變換，可以減少冗余信息，提高建模效果，并降低計算復雜度。

如圖1 所示，通過三個不同的自注意力權重矩陣f （ x ）、g （ x ） 和h （ x ） 計算得到查詢向量Q、值向量V 和鍵向量K。分別用不同的卷積核對各向量進行兩次卷積，其中查詢向量Q 通過卷積后對空間維度進行全局池化（ GAP1 ） 得到向量QS； 鍵向量K 通過卷積后對通道維度進行全局池化（ GAP2 ） 得到向量K C。QP、K P 是Q、K 分別進行卷積后的結果向量。V P0 、V P1分別是值向量通過不同卷積核卷積后的結果向量。

利用局部化的卷積和池化操作分別得到向量QS 和向量K C，利用它們分別代替傳統注意力機制中的查詢向量Q 和鍵向量K，實現了計算注意力時對空間和通道維度的解耦處理。這在減少計算量的同時，使注意力機制只關注特定維度的相關信息，避免了不同維度間的冗余交互。另外，通過不同層次的特征融合，使模型能夠更好地捕捉不同尺度下的特征，提高了建模的精度。