基于MultiRes-Unet神經網絡的三維斷層識別研究

李澤偉,朱培民,張 昊,廖志穎,李廣超,鄭浩然

(1.中國地質大學(武漢)地球物理與空間信息學院,湖北武漢430074;2.東方地球物理勘探有限責任公司研究院,河北涿州072750;3.黃河勘測規劃設計研究院有限公司,河南鄭州450003)

斷層是地層受構造運動影響產生相對位移的構造。斷層構造蘊含眾多地質意義。斷裂區域有利于儲存油氣,同時也是良好的油氣運移通道,研究斷層的形成可以推算古地層的演化過程。隨著油氣勘探技術的發展,涌現出了許多斷層識別方法,如相干體分析[1-3]、曲率分析[4]、邊緣檢測技術[5]、螞蟻追蹤算法[6-7]等。但這些方法都存在一些不足,主要是識別結果存在連續性差和背景噪聲強的問題,識別精度有待于進一步提升。

近年來,隨著深度學習技術的發展,其應用逐漸拓展到地震勘探領域。斷層構造在地震剖面上主要表現為反射同相軸的錯斷、突然增減和消失等。因此,斷層的識別過程可以視作一個計算機視覺任務。此外,地震數據以其龐大的數據量和豐富的地質特征滿足了深度學習需要大量樣本的技術需求。早在20世紀90年代就有學者將神經網絡技術應用于斷層解釋。董守華等[8]、崔若飛[9]將BP神經網絡與地震多參數相結合,用于識別小斷層,但此類前饋式神經網絡的層數較少,僅能學習到有限的斷層特征。隨著深度學習技術的發展,多種類型的卷積神經網絡[10]被提出并應用于斷層識別。XIONG等[11]利用Inline、Xline和Time 3個方向的地震剖面切片作為多通道輸入,預測3個切片的交點是否為斷點。WU等[12]提出了Fault Seg 3D神經網絡模型,并通過學習大量的合成數據樣本實現了實際地震數據的斷層識別,并且準確率較高。劉宗杰等[13]提出一種3D Unet全卷積神經網絡用于低序級斷層識別。ALFARHAN等[14]在UNet網絡中添加了殘差結構,提高了斷層識別的準確性。常德寬等[15]聯合ResNet和UNet網絡構建了SeisFault-Net神經網絡并用于地震數據的斷層識別。WU等[16]將VGG網絡結構中的全連接層改為卷積層,修改得到的FCN網絡可以識別出復雜的斷層,且具有很高的抗噪性。席英杰等[17]構建了用于斷層識別的SPD-Unet神經網絡模型,在網絡中使用了空洞卷積,增強了斷層圖像特征提取能力。薄昕等[18]提出了一種基于PCNN和拉普拉斯金字塔變換的多屬性融合方法,該方法通過突出各個尺度上的目標信息,進一步提高了多屬性裂縫融合結果的精度。伍新民等[19]提出了一套三維地震數據構造解釋與建模技術流程,整個流程包含三維斷層、層序和地質體自動化解釋以及構造引導的井間插值巖性參數建模。

上述卷積神經網絡在信噪比高的測試數據上表現良好,提高了斷層識別結果的連續性,但在具有復雜構造的地震數據上表現不佳,存在錯誤和漏識問題。此外,實際地震數據來源于三維地下空間,上述部分斷層識別方法是針對二維剖面設計的,這些算法只考慮了垂直于斷層走向的情況,如果應用于三維地震數據則會遺漏斷層的空間信息,進而降低識別準確率,且二維識別結果不利于后續斷層建模工作的開展。

針對以上問題,本文直接從三維地震數據斷層識別出發,提出了一種可支持多分辨率特征提取的三維神經網絡MultiRes-Unet3D。MultiRes-Unet3D結合了Unet和ResNet兩種類型的卷積網絡,且卷積塊擁有不同大小的感受野,具有提取不同尺度地質構造的能力,適用于不同分辨率的地震數據特征提取。引入的殘差結構解決了梯度消失和梯度爆炸的問題,增強了網絡模型的穩定性和泛化能力。MultiRes-Unet3D能夠很好地將不同層次的特征圖進行融合,減少了因下采樣損失的邊界信息,提高了斷層識別精度。

1 MultiRes-Unet3D網絡斷層識別方法

斷層的規模有大有小,從千米級別到米級不等,且形態各異。斷層斷距從數十米到幾米不等。斷層在地震數據上顯示為同相軸的錯斷、突然增減、消失或扭曲等。人們在識別斷層時,通過少量的概念和樣本學習,就可以很容易地掌握方法,但對機器學習和深度學習來說,斷層識別并不容易。因此,用人工神經網絡來解決斷層的識別問題,必須考慮到下面幾點:

1) 可以識別米級～千米級等不同規模的斷層,以及米級～數十米級斷距的斷層,以解決斷層規模變化大、多分辨率問題;

2) 具有同相軸錯斷、突然增減、消失或扭曲等不同特征的斷層都能識別出來;

3) 斷層在三維地震數據體中所占有的體積比例很小,造成了常規斷層識別算法所識別的斷層連續性不強;

4) 充分利用三維地震數據中的斷層樣本所提供的空間相關性,提高斷層的識別能力和準確性;

5) 根據合成地震數據學習得到的網絡模型,可應用于實際地震數據,具有良好的泛化能力。

為此,對各種深度學習網絡進行了反復對比,以二維MultiRes-Unet[20]為基礎,將其拓展到三維領域,以達到上述要求。MultiRes-Unet神經網絡由Unet神經網絡發展而來,具有較好的多分辨率信息的提取能力。傳統的Unet網絡雖然能夠較好地識別斷層,但隨著網絡深度的增加容易丟失部分邊界信息,造成數據邊界或者構造邊緣處預測精度降低,網絡深度過大時可能會出現梯度消失和過擬合等問題。為了解決上述問題,除了將其拓展到三維領域,并對網絡結構進行改進之外,還調整了相關神經層和超參數,使其可以更好地從三維疊后地震數據中識別出斷層。

1.1 MultiRes-Unet3D神經網絡模型

MultiRes-Unet3D神經網絡結構如圖1所示,其結構和Unet相似,也是基于編碼解碼結構的神經網絡,網絡中的每個MultiRes Block作為一個采樣卷積模塊。編碼器包括4次下采樣模塊,可以用于特征提取;解碼器包括4次上采樣模塊,用于特征分類;每個下采樣模塊通過Res Path模塊連接與之平行的上采樣模塊。

圖1 MultiRes-Unet3D神經網絡結構

圖1中的MultiRes Block是支持不同分辨率和尺度特征的提取模塊,主要用于不同規模斷層的識別,其利用不同大小的卷積核具有的大小不同的感受野提取不同分辨率的特征,再對提取到的特征進行融合,從而實現多種分辨率和多種尺度的特征提取。本文設計了3×3×3,5×5×5,7×7×7的卷積層并聯結構來提取不同尺度的特征數據。此外,還增加了神經網絡的穩定性和泛化能力,使神經網絡能夠更加適應不同分辨率的地震數據。2個3×3×3的卷積層串聯與1個5×5×5卷積層具有相同的感受野,而3個3×3×3卷積層串聯與1個7×7×7卷積層具有同樣的感受野。此外,多個卷積層與非線性的激活層交替的結構,比單一卷積層的結構能更好地提取出深層的特征,且需要訓練參數更少。為了實現和圖2a同等的多分辨率特征提取效果,采用圖2b中的結構,利用3個3×3×3的卷積層串聯并添加連接層。考慮到網絡的深度過大可能造成梯度消失和梯度爆炸等問題,在圖2b的基礎上引入了1×1×1的卷積層,添加了殘差結構[21]。MultiRes Block的最終結構如圖2c所示。

圖2 MultiRes Block網絡結構a 不同大小卷積層并聯融合結構; b 相同大小卷積層串聯等效結構; c 加入殘差連接的串聯等效結構

Res Path模塊用于上、下采樣模塊之間的連接。上、下采樣模塊之間的連接可以實現淺層提取特征和深層提取特征的融合,減少下采樣損失的邊界信息。Unet將淺層特征和深層特征直接相連,不利于神經網絡學習。如圖3所示,Res Path采用4個3×3×3的卷積層進行特征提取,再將其與深層提取特征相融合。此外,每次卷積均引入了殘差結構,避免了網絡深度過大帶來的過擬合等問題。

圖3 Res Path網絡結構

1.2 訓練樣本的制作

深度學習算法以大數據驅動,要訓練一個良好的斷層識別網絡模型,需要數量足夠多且包含豐富斷層類型和斷層特征的訓練數據集。考慮到實際三維地震訓練樣本制作的復雜性,以及手工斷層解釋具有周期長,主觀性強,且很難保證解釋結果的準確性等缺點,本文采用與文獻[22]類似的方法制作出高度真實的三維合成地震數據集,其擁有豐富的斷層類型和斷層構造特征。具體的制作流程如下。

1) 生成水平反射模型(圖4a)。根據Robinson褶積模型,地震記錄道s(t)可由下式構造出來:

圖4 合成地震數據的制作a 水平層狀地質模型; b 褶皺模型; c 斷層模型; d 添加隨機噪聲后的模型

s(t)=w(t)*r(t)

(1)

式中:w(t)為地震子波;r(t)為反射系數序列。地震子波采用雷克子波,主頻為60Hz,時間采樣間隔為1ms。反射系數取值為[-1,1]內的隨機數,服從正態分布。

2) 生成褶皺模型。在三維地震地質模型中采用垂直剪切水平模型的方法模擬褶皺結構[23-24],剪切由S1和S2兩個位移場組合定義。第一個線性位移場S1定義為:

S1(X,Y,Z)=aX+bY+c0Z

(2)

式中:a,b,c0是在規定范圍內的隨機數;X,Y,Z為全局坐標系下的點。

S1用于在模型中生成傾斜構造,a,b決定了X,Y方向的傾角,取值范圍為[-0.25,0.25]。這個范圍可以避免S1在與S2結合后出現極端傾角的情況。設c0=-aXc-bYc,因此模型的中心道(Xc,Yc,Z)是沒有位移的。僅經過傾斜構造處理,不足以模擬真實的褶皺模型,再利用垂直位移場S2給地層模型增加彎曲結構:

(3)

式中:S2由N個二維高斯函數和一個線性標量函數1.5Z/Zmax組成,線性標量函數用于控制彎曲程度從下到上逐漸減少;(ck,dk)為第k個高斯函數的中心位置;σk為半寬度;bk為振幅。σk和bk為隨機選擇的數值,為了避免彎曲結構過于尖銳,可選擇較小的值。通過N個高斯函數的疊加,可以創建各種形狀的褶皺結構。水平地層反射模型經過(2)式和(3)式的處理,再對數據進行平滑處理,得到如圖4b所示的褶皺模型。

3) 生成斷層模型。在生成褶皺模型后,需要在地震模型中模擬出斷層構造。如圖5所示,首先在地震數據中隨機選擇參考點(X0,Y0,Z0)作為斷層面上一點,隨機生成斷層傾角θ∈(0°,90°),方位角φ∈(0°,180°)。接下來,定義一個局部坐標系,以X0,Y0,Z0為坐標原點,x軸為斷層走向方向,y軸為傾角方向,z軸為法線方向。將全局坐標系下的數據點(X,Y,Z)轉化到局部坐標系下:

(4)

圖5 斷層模型[22]a 坐標轉換示意; b 斷層位移示意

其中,(x,y,z)為局部坐標系下的點,矩陣R的具體形式為:

(5)

在斷層面上利用理想的橢圓函數和原始中心點定義位移場,設lx為斷層走向方向的最大直徑,ly為斷層傾角方向上的最大直徑。位移場d定義為:

(6)

其中,r(x,y)是歸一化徑向距中心點的距離,具體形式為:

(7)

需要指出的是,在生成斷層模型的時候,lx、ly和中心點的最大位移dmax都是隨機選擇的。斷層的位移由中心點開始向斷面四周逐漸變小,斷層模型如圖4c 所示。可以在同一數據中建立多個斷層面,用于實現豐富的斷層類型和不同接觸關系的斷層。

4)添加隨機噪聲。添加高斯白噪聲使得地震數據更加接近實際地震數據(圖4d),添加不同比例的隨機噪聲可以得到更加逼真的斷層和地層模型。

通過以上的地震模擬,得到了大量三維合成地震數據。其中的斷層構造擁有不同的走向、傾角、斷距以及不同的接觸關系。在同樣大小的合成地震數據中,將斷層面位置賦值為1,非斷層面處賦值為0,進而得到斷層標簽數據(圖6)。樣本數據集一共包括300對地震數據及標簽數據,每個三維地震數據包括128×128×128個采樣點,在樣本數據集中,240對數據選為訓練集,60對數據作為測試集。

圖6 合成訓練樣本a 合成地震數據; b 斷層標簽數據

1.3 神經網絡訓練

在構建神經網絡時,每層的參數都是隨機初始化的,需要對其進一步更新,以創建輸入地震數據到輸出斷層預測結果良好的映射網絡。在模型訓練的過程中,要使用優化算法來迭代更新神經網絡參數,直到輸出的斷層圖像和斷層標簽圖像之間的誤差收斂至最小。為了提高訓練效果和效率,在神經網絡訓練前,我們對訓練樣本數據進行了增強處理。增強處理指對樣本數據進行一系列變換操作,以增加訓練樣本量,在一定程度上可以提高神經網絡的泛化性能,同時提高神經網絡的預測精度。本文采用的數據增強方法包括對樣本數據進行隨機旋轉、鏡像和翻轉等。

由于地震數據中,斷層點和非斷層點數,或斷層點所占體積與總體積相比,懸殊過大,因此在神經網絡訓練中,使用二元分割的交叉熵損失函數L,具體見(8)式,神經網絡朝著非斷層點的方向擬合,造成網絡預測性能的下降。為了解決這個問題,根據文獻[25],本文在傳統的交叉熵損失函數的基礎上,在其每一項前給定了一個系數β,使其兩項初始比例大致平衡,具體見(9)式。

(8)

(9)

其中,

(10)

式中:yi代表標簽值;pi代表預測值;β表示非斷層點占總采樣點比率,1-β為斷層點占總采樣點比率。

本文使用了隨機梯度下降法(Adam)來優化神經網絡參數。Adam優化算法能夠自適應隨機優化,具有計算效率高,占用內存少的優點,適用于大規模數據優化。通常,在訓練的過程中,學習率太大會造成損失函數(Loss)爆炸,學習率太小導致神經網絡收斂緩慢。本文考慮到MultiRes-Unet3D網絡結構復雜,參數量較為龐大,結合神經網絡其它超參數的特性以及過往研究經驗,將學習率設置為10-4。在神經網絡訓練過程中,每次迭代后,我們選用準確率(Accuracy)來評估參數更新后網絡的性能。神經網絡最后一層采用了適合二分類任務的Sigmoid激活函數,其余卷積層使用Relu激活函數。

在神經網絡的訓練中,將訓練數據分批輸入神經網絡進行訓練。由于每個訓練樣本都是相互獨立的,且訓練數據占用內存較大,因此將Batch Size設置為1。為了避免網絡過擬合,每次輸入網絡的訓練樣本都是隨機的。由于我們事先并不清楚網絡學習的收斂特性,故訓練次數需要達到一定數量。本文選取了迭代100次的訓練次數,每次迭代會遍歷所有的訓練數據。

圖7a和圖7b分別為訓練過程中損失函數值和準確率變化曲線,可以看出,神經網絡在訓練過程中整體收斂情況良好,損失函數值在不斷降低后趨于穩定,準確率在不斷提高后趨于穩定。在迭代40次后,網絡模型性能基本達到最優,Loss值收斂到約0.04,測試集的Loss值在0.10附近上下波動。訓練集和測試集準確率在迭代40次后也趨于穩定,后續訓練上升緩慢,訓練集和測試集的準確率分別達到了98.5%和97.5%。由于地震數據之間的偏移問題,在測試過程中測試集的Loss曲線存在小幅跳躍現象,但這并不影響神經網絡的預測精度。

圖7 訓練過程中損失函數值(a)與準確率(b)的變化曲線

1.4 合成地震數據測試

我們選取訓練第40次迭代保存的神經網絡模型進行測試。圖8和圖9分別為不同測試樣本的識別結果。圖中第1行分別為地震數據的主測線剖面、橫測線剖面和水平切片;第2行為與之對應的斷層標簽,第3行為對應的斷層識別結果。

圖8 測試樣本識別結果

圖9 含強噪聲測試樣本識別結果

從圖8可以看出,斷層識別結果與斷層真實位置高度吻合,且連續性好。在斷層邊界處和交叉斷層的交叉位置也能夠基本正確地識別出斷層。對比斷層識別值與標簽值,發現傾角較小的斷層和斷距較小的斷層還存在一定誤差。圖9是加入了強隨機噪聲的測試樣本識別結果。該數據背景噪聲較強,斷層斷距較小,斷點不夠明顯。雖然MultiRes-Unet3D神經網絡的識別準確率有所下降,但是整體上仍能夠準確預測出斷層的位置。這說明對于具有較強噪聲的三維地震數據,該神經網絡也具有可靠的斷層識別性能。

2 應用實例

為了進一步驗證MultiRes-Unet3D神經網絡的識別性能,直接將訓練好的神經網絡模型應用于三維疊后地震數據進行斷層識別。本文所用的實際地震數據是公開的Netherlands F3和Opunake部分三維地震數據。Netherlands F3數據包含主測線512道(Line100～611),橫測線384道(Crossline300～683),采樣間隔為4ms,每道有128個采樣點(Time1336～1844ms)。這兩塊地震數據斷層發育良好,斷點清晰,斷距較小,斷層傾角較大,斷層走向主要沿主測線方向。Opunake三維地震數據包含主測線384道(Line2001～2384),橫測線512道(Crossline2695～3717),采樣間隔為4ms,每道有256個采樣點(Time212～1232ms)。該地震數據斷層構造較為發育且斷層的寬度和斷距均較大,斷裂區域構造復雜,識別難度較大。這兩塊地震數據斷層構造特征差異較大,且二者的分辨率也不同,適合用于檢驗MultiRes-Unet3D神經網絡在實際地震數據中的識別效果。

2.1 斷層識別

由于實際地震數據振幅值和合成地震數據振幅值差異很大,識別前先對地震數據的振幅進行處理。在不改變地震數據基本特征情況下,將振幅值等比例縮小到-10～10。利用第40次迭代保存的網絡模型進行斷層識別,圖10和圖11分別為根據Netherlands F3和Opunake三維地震數據得到的斷層識別結果。從識別結果可以看出,MultiRes-Unet3D神經網絡表現良好,能夠較為準確地識別出斷層構造,且斷層連續性好,噪聲較小。對于同相軸錯斷不明顯的區域,利用MultiRes-Unet3D神經網絡也能得到較好的識別結果。但仔細分析不難發現,在同相軸連續性較差的區域,利用MultiRes-Unet3D神經網絡容易造成錯誤識別,識別結果還存在一些孤立的噪聲,如圖10和圖11中紅色曲線圈出的部分。原因在于MultiRes-Unet3D神經網絡只在合成地震數據上進行了訓練,而合成地震數據與實際地震數據的構造特征差異較大。MultiRes-Unet3D神經網絡在不同地質特征的地震數據上都有較好的表現,說明該神經網絡的泛化性較好,能夠直接應用于具有不同地質特征的地震工區。

圖10 Netherlands F3三維地震數據斷層識別結果a 第50道主測線剖面; b 第50道聯絡測線剖面; c 第300ms時間切片

圖11 Opunake三維地震數據斷層識別結果a 第50道主測線剖面; b 第200道聯絡測線剖面; c 第800ms時間切片

2.2 多方法斷層識別結果對比

為了展示MultiRes-Unet3D神經網絡斷層識別效果的優越性,我們將MultiRes-Unet3D神經網絡與Unet神經網絡、斷層似然性(Fault Likelihood)和螞蟻體追蹤(Ant tracking)3種斷層自動識別方法進行了對比。圖12和13分別為利用上述方法對Netherlands F3和Opunake得到的三維地震數據斷層識別結果。對比圖12和圖13不難發現,MultiRes-Unet3D神經網絡的斷層識別結果準確,且斷層連續性強,特別是斷層邊界的識別更為準確,識別錯誤較少。

圖12 Netherlands F3三維地震數據斷層識別結果對比a MultiRes-Unet神經網絡; b Unet神經網絡; c 斷層似然性; d 螞蟻體追蹤

圖13 Opunake三維地震數據斷層識別結果對比a MultiRes-Unet神經網絡; b Unet神經網絡; c 斷層似然性; d 螞蟻體追蹤

對比發現,Unet神經網絡也能較好地識別出斷層構造,但是相較于MultiRes-Unet3D神經網絡的識別結果,Unet識別結果的連續性以及斷層邊界的識別能力稍遜(參見圖12b、圖13b中紅色方框標記處)。斷層似然性算法由相干體算法發展而來,存在較多識別錯誤,斷層連續性較差,同一條斷層的斷點似然值差別較大。4種方法中,螞蟻體追蹤對斷層的識別效果最差。其在連續性和斷點的位置方面,識別效果均較差,這是由于螞蟻體算法的缺陷容易造成沿同相軸追蹤(參見圖12d中紅色方框標記處)。從本文的斷層識別結果來說,從最差到最好,有如下排序:螞蟻體追蹤、斷層似然性、Unet、MultiRes-Unet3D。

3 結論

本文發展了一套基于深度學習的三維地震數據斷層智能識別算法的MultiRes-Unet3D神經網絡。由于該算法采用了針對性的多分辨率特征提取設計,并將斷層點或線在整個地震數據的占比關系體現在交叉熵損失函數不同項之間的平衡上,使得算法有了較可靠的識別能力。

相較于Unet神經網絡、斷層似然性和螞蟻體追蹤3種斷層識別方法,MultiRes-Unet3D神經網絡能夠適應不同分辨率和斷層規模的地震數據,具有斷層識別精度高、斷層空間連續性好、邊緣區域識別更準確、網絡泛化性能好、識別結果噪聲更少等優點。

由于本文的訓練數據有限,且均為三維合成地震數據,因此MultiRes-Unet3D神經網絡還需要在實際地震數據上進行訓練,進一步提升其泛化能力。