應(yīng)用自適應(yīng)注意力機(jī)制U?net的地震數(shù)據(jù)高分辨處理

摘要：隨著油氣勘探開(kāi)發(fā)的不斷深入，薄儲(chǔ)層與巖性油氣藏逐漸成為重要的勘探目標(biāo)，這也對(duì)地震資料的分辨率提出了更高的要求。文中提出了一種基于自適應(yīng)注意力機(jī)制的U?net地震數(shù)據(jù)高分辨處理方法。該方法首先利用U?net結(jié)構(gòu)學(xué)習(xí)地震數(shù)據(jù)的特征表示，通過(guò)下采樣過(guò)程的編碼器提取地震數(shù)據(jù)的抽象特征，然后通過(guò)上采樣的解碼器進(jìn)行特征重建和細(xì)化。在上采樣的過(guò)程中引入了注意力機(jī)制，用于自適應(yīng)地調(diào)整網(wǎng)絡(luò)對(duì)不同地震特征的關(guān)注程度，網(wǎng)絡(luò)能夠更加有效地捕捉到地震數(shù)據(jù)更多的細(xì)節(jié)和特征。Marmousi模型合成地震記錄和實(shí)際數(shù)據(jù)實(shí)驗(yàn)結(jié)果表明，新網(wǎng)絡(luò)比原U?net誤差更小、更穩(wěn)定，可有效提高預(yù)測(cè)精度，實(shí)現(xiàn)對(duì)地震數(shù)據(jù)的高分辨率處理。

關(guān)鍵詞：地震數(shù)據(jù)處理，高分辨率，U?net，注意力機(jī)制，自適應(yīng)

中圖分類(lèi)號(hào)：P631文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.13810/j.cnki.issn.1000?7210.2024.04.003

High?resolution processing of seismic datausing adaptive attention mechanism U?net

ZHAO Ming1，2，ZHAO Yan1，2，SHEN Donghao3，WANG Jianqiang4，DAI Xiancai5

（1.Key Laboratory of Exploration Technologies for Oil and Gas Resources（Yangtze University），Ministry of Education，Wuhan，Hubei 430100，China；2.School of Geophysics and Oil Resources，Yangtze University，Wuhan，Hubei 430100，China；3.Petroleum Engineering Supervision Center，SINOPEC Northwest Oilfield Company，Luntai，Xinjiang 841600，China；4.BGP International，CNPC，Zhuozhou，Hebei 072751，China；5.Xinjiang Oilfield ZhundongOil Production Plant，PetroChina，F(xiàn)ukang，Xinjiang 831511，China）

Abstract：With the deepening of oil and gas exploration and development，thin and lithologic reservoirs have gradually become important exploration targets，which also leads to higher requirements for the resolution of seismic data.This paper presents a high?resolution seismic data processing method of U?net based on an adap?tive attention mechanism.This method first uses the U?net structure to learn the feature representation of seis?mic data，extracts the abstract features of seismic data through the encoder of the down?sampling process，and then reconstructs and refines the features through the decoder of the up?sampling process.The attention mecha?nism is introduced in the process of up?sampling，which is utilized to adjust the attention of the network to diffe?rent seismic features.Therefore，the network can capture more details and features of the seismic data more effectively.The experimental results of synthetic seismic records of the Marmousi model and real data show that the new network has less error and is more stable than the original U?net，as it can effectively improve the prediction accuracy and realize the high?resolution processing of seismic data.

Keywords：seismic data processing，high?resolution，U?net，attention mechanism，adaptive

趙明，趙巖，沈東皞，等.應(yīng)用自適應(yīng)注意力機(jī)制U-net的地震數(shù)據(jù)高分辨處理［J］.石油地球物理勘探，2024，59（4）：675-683.

ZHAO Ming，ZHAO Yan，SHEN Donghao，et al.High-resolution processing of seismic data using adaptive attention mechanism U-net［J］.Oil Geophysical Prospecting，2024，59（4）：675-683.

0引言

高信噪比、高分辨率和高保真度是地震數(shù)據(jù)處理追求的三大目標(biāo)。隨著石油勘探開(kāi)發(fā)的不斷深入，油氣勘探目標(biāo)以構(gòu)造勘探為主逐漸進(jìn)入以巖性勘探為主。巖性圈閉的勘探難度大，對(duì)地震數(shù)據(jù)的分辨率提出了更高的要求。

為提高地震數(shù)據(jù)的分辨率，前人發(fā)展了多種高分辨率處理方法，例如反褶積方法、反Q濾波方法和基于井控的處理方法等，曹思遠(yuǎn)等[1]對(duì)部分方法做了分析與評(píng)價(jià)。在反褶積方面，Robinson[2?3]首先提出了預(yù)測(cè)反褶積方法，為反褶積的發(fā)展奠定了基礎(chǔ)。反褶積通過(guò)壓縮地震子波達(dá)到提高地震資料分辨率的目的，目前常用的有脈沖反褶積[4]、預(yù)測(cè)反褶積[5]、同態(tài)反褶積[6]等。在反Q濾波方面，Hale[7]提出基于Futterman模型的反Q濾波方法，即采用預(yù)測(cè)誤差濾波方法估算Q值，并通過(guò)級(jí)數(shù)展開(kāi)補(bǔ)償高頻成分。反Q濾波通過(guò)補(bǔ)償深層地震資料的高頻振幅能量提高分辨率，但存在不穩(wěn)定的問(wèn)題。Wang[8]提出一種基于波場(chǎng)延拓的反Q濾波算法，克服了常規(guī)反Q濾波方法的不穩(wěn)定性問(wèn)題，并引入Gabor變換提高運(yùn)算效率。但是在抗噪性方面，常規(guī)穩(wěn)定的反Q濾波方法效果并不理想。Zhao等[9]在穩(wěn)定反Q濾波方法的基礎(chǔ)上，引入一種變穩(wěn)定因子，有效提高了反Q濾波的抗噪性能，提高了反Q濾波結(jié)果的信噪比；Yuan等[10]通過(guò)多道變換域稀疏約束和反演策略，提出了穩(wěn)定的同時(shí)多道反Q濾波方法，能夠保持空間連續(xù)性和補(bǔ)償弱信號(hào)；Tian等[11]通過(guò)在穩(wěn)定因子中引入信噪比信息，提出了一種新的變穩(wěn)定因子，使反Q濾波方法對(duì)噪聲的壓制更加精準(zhǔn)。在基于井控處理方面，孫哲等[12]通過(guò)VSP資料提取反褶積算子，并將其用于疊后地面地震資料以提高分辨率；于茜[13]從VSP資料中提取子波，然后將地面地震資料中提取的子波與VSP子波進(jìn)行匹配，通過(guò)子波替換提高地震資料的分辨率；嚴(yán)紅勇等[14]和陳雙全等[15]從VSP下行波數(shù)據(jù)中提取較精確的Q值，然后結(jié)合穩(wěn)定的反Q濾波提高地震資料的分辨率。

近年來(lái)，深度學(xué)習(xí)技術(shù)在圖像超分辨率處理領(lǐng)域取得了顯著進(jìn)展，部分地球物理學(xué)者將超分辨率算法引入地震數(shù)據(jù)的高分辨處理。按照不同網(wǎng)絡(luò)類(lèi)型，大概可分為三類(lèi)。第一類(lèi)為生成對(duì)抗網(wǎng)絡(luò)：Halpert[16]將低頻地震數(shù)據(jù)輸入到生成對(duì)抗網(wǎng)絡(luò)，輸出高頻地震數(shù)據(jù)，提高了分辨率；蔡涵鵬等[17]提出一種基于生成對(duì)抗網(wǎng)絡(luò)地震數(shù)據(jù)超分辨率重建方法，在超分辨重建過(guò)程中能壓制稀疏地震數(shù)據(jù)中的噪聲；Chen等[18]則更進(jìn)一步，在使用生成對(duì)抗網(wǎng)絡(luò)進(jìn)行高分辨處理時(shí)，輸入低頻地震數(shù)據(jù)，直接輸出反射系數(shù)。第二類(lèi)為卷積神經(jīng)網(wǎng)絡(luò)：Yuan等[19]將卷積神經(jīng)網(wǎng)絡(luò)（CNN）引入地震數(shù)據(jù)的高分辨率處理，提出一種序列卷積神經(jīng)網(wǎng)絡(luò)模型（SCNN）；Li等[20]在CNN基礎(chǔ)上開(kāi)發(fā)了一種深度卷積神經(jīng)網(wǎng)絡(luò)，可以同時(shí)實(shí)現(xiàn)高分辨率處理和噪聲壓制，并用理論數(shù)據(jù)和實(shí)際數(shù)據(jù)進(jìn)行了驗(yàn)證，取得了理想的效果；周文輝等[21]在卷積神經(jīng)網(wǎng)絡(luò)中加入殘差塊，利用殘差神經(jīng)網(wǎng)絡(luò)提高地震數(shù)據(jù)的分辨率。第三類(lèi)為全卷積神經(jīng)網(wǎng)絡(luò)，其中具有代表性的就是U?net：孫永壯等[22]將U?net模型用于地震數(shù)據(jù)的高分辨率處理，并提出利用偽反射系數(shù)模型生成訓(xùn)練樣本和標(biāo)簽數(shù)據(jù)；Jo等[23]同樣使用U?net進(jìn)行高分辨率處理，但是在訓(xùn)練樣本中考慮了子波的非平穩(wěn)性；李子航等[24]提出一種基于S變換和復(fù)值U?net的地震數(shù)據(jù)高分辨處理方法，可以同時(shí)考慮到地震數(shù)據(jù)的時(shí)域和頻域信息。另外，部分學(xué)者將U?net和其他網(wǎng)絡(luò)相結(jié)合，如Choi等[25]將U?net與超分辨率卷積神經(jīng)網(wǎng)絡(luò)（SRCNN）相結(jié)合，獲得了較好的應(yīng)用效果；陳志明等[26]將U?net與長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）相結(jié)合，有效解決了其在捕捉數(shù)據(jù)空間特征的能力不足問(wèn)題。

近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，注意力機(jī)制在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用也逐漸流行。注意力機(jī)制是一種用于提高深度學(xué)習(xí)性能的技術(shù)，由Bahdanau等[27]提出。它允許模型在處理輸入數(shù)據(jù)時(shí)能夠集中注意力處理最相關(guān)的信息，從而提高模型的性能。李學(xué)貴等[28]提出在神經(jīng)網(wǎng)絡(luò)中加入雙注意力機(jī)制提高模型性能。本文提出了一種基于自適應(yīng)注意力的U?net，通過(guò)自適應(yīng)注意力機(jī)制動(dòng)態(tài)調(diào)整注意力的分配，提高模型的性能。本文網(wǎng)絡(luò)模型在理論合成數(shù)據(jù)和真實(shí)數(shù)據(jù)上的預(yù)測(cè)精度都比原始U?net網(wǎng)絡(luò)高，能有效提高地震數(shù)據(jù)分辨率。

1網(wǎng)絡(luò)結(jié)構(gòu)

1.1自適應(yīng)注意力機(jī)制U?net的網(wǎng)絡(luò)結(jié)構(gòu)

U?net是一種用于圖像分割的深度學(xué)習(xí)模型，它由Ronneberger等[29]在2015年提出。U?net的結(jié)構(gòu)包括編碼器和解碼器兩部分，其中編碼器用于提取圖像特征，解碼器用于將這些特征映射為原始圖像的分辨率。U?net的特點(diǎn)是使用了“跳躍連接”的思想，即將編碼器中的一些特征圖與解碼器中相應(yīng)的特征圖直接連接起來(lái)，可以使解碼器在還原圖像時(shí)更容易恢復(fù)細(xì)節(jié)信息。

本文提出的AAU?net（Adapt Attention U?net）是在U?net中加入了自適應(yīng)注意力機(jī)制，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。該網(wǎng)絡(luò)采用編碼—解碼結(jié)構(gòu)，其中下采樣路徑負(fù)責(zé)從輸入數(shù)據(jù)中提取特征并減小尺寸，而上采樣路徑負(fù)責(zé)恢復(fù)輸入數(shù)據(jù)的尺寸。下采樣路徑包括三個(gè)卷積塊，每個(gè)卷積塊包含兩個(gè)卷積層和一個(gè)最大池化層。卷積層的輸出通過(guò)ReLU激活函數(shù)進(jìn)行處理，使網(wǎng)絡(luò)能夠?qū)W習(xí)到數(shù)據(jù)中的非線(xiàn)性關(guān)系。每個(gè)卷積層的卷積核尺寸為3，填充為1以保持尺寸不變。這些卷積層逐步減小了特征圖的尺寸，并通過(guò)“跳躍連接”將它們與在上采樣路徑對(duì)應(yīng)層的特征圖相結(jié)合。上采樣路徑也包括三個(gè)卷積塊，每個(gè)卷積塊包含兩個(gè)卷積層，一個(gè)反卷積層（即轉(zhuǎn)置卷積層）和一個(gè)自適應(yīng)注意力機(jī)制。反卷積層通過(guò)將輸入的每個(gè)像素插值到其四個(gè)相鄰像素中從而將特征圖的尺寸加倍。與下采樣路徑類(lèi)似，每個(gè)卷積層輸出也通過(guò)ReLU激活函數(shù)進(jìn)行處理，使網(wǎng)絡(luò)能夠?qū)W習(xí)到數(shù)據(jù)中的非線(xiàn)性關(guān)系。每個(gè)卷積層的卷積核尺寸為3，填充為1以保持尺寸不變。自適應(yīng)注意力機(jī)制通過(guò)將注意力權(quán)重與輸入張量逐元素相乘，使得模型可以根據(jù)注意力權(quán)重動(dòng)態(tài)地調(diào)整輸入張量中每個(gè)位置的權(quán)重，進(jìn)而實(shí)現(xiàn)了自適應(yīng)的注意力分配。最后的卷積層將網(wǎng)絡(luò)的輸出通道數(shù)設(shè)置為1，保持與輸入數(shù)據(jù)一致，以輸出最終數(shù)據(jù)。

本文網(wǎng)絡(luò)與常規(guī)U?net主要區(qū)別為在上采樣的過(guò)程中加入了自適應(yīng)注意力機(jī)制，在處理不同深度和位置的地震數(shù)據(jù)時(shí)，能夠在不同位置之間建立長(zhǎng)距離依賴(lài)關(guān)系，提升模型對(duì)關(guān)鍵特征的識(shí)別和利用能力，在高分辨率處理中能夠恢復(fù)更多的細(xì)節(jié)信息并達(dá)到更加穩(wěn)定的效果，從而獲得比常規(guī)U?net更優(yōu)的性能。

1.2自適應(yīng)注意力機(jī)制

在自適應(yīng)注意力機(jī)制結(jié)構(gòu)中，通過(guò)兩個(gè)卷積塊構(gòu)建網(wǎng)絡(luò)的基本結(jié)構(gòu)，如圖2所示，具體實(shí)現(xiàn)過(guò)程分為三個(gè)階段。首先，通過(guò)對(duì)輸入張量x在一維維度上使用mean函數(shù)取平均值，得到張量g，代表了包含全局上、下信息的特征張量。然后，將張量g輸入到第一個(gè)卷積塊進(jìn)行卷積變換和非線(xiàn)性激活，將處理后的張量g（?）輸入到第二個(gè)卷積塊，得到注意力權(quán)重張量s，代表了模型根據(jù)輸入的上、下文信息動(dòng)態(tài)調(diào)整注意力的分配。再通過(guò)sigmoid函數(shù)將張量s壓縮至0到1之間得到張量h。最后，將輸入張量x與注意力權(quán)重張量h逐元素相乘，得到應(yīng)用了自適應(yīng)注意力權(quán)重的輸出張量A。在整個(gè)網(wǎng)絡(luò)中，使用了三個(gè)不同尺度的自適應(yīng)注意力機(jī)制，分別對(duì)應(yīng)于下采樣路徑中的三個(gè)階段。每個(gè)自適應(yīng)注意力機(jī)制都包含一個(gè)自適應(yīng)注意力模塊，在每個(gè)上采樣步驟之前，先將當(dāng)前特征圖與來(lái)自下采樣路徑的對(duì)應(yīng)分辨率的特征圖進(jìn)行連接，再在連接后的特征圖上應(yīng)用相應(yīng)的注意力機(jī)制，調(diào)整注意力的分配。這使得模型可以根據(jù)輸入的上、下文信息，有選擇地關(guān)注不同位置的特征，提高模型對(duì)關(guān)鍵特征的感知能力，從而提升模型的表達(dá)能力和性能。

2實(shí)驗(yàn)與分析

2.1數(shù)據(jù)集的制作

在深度學(xué)習(xí)中，數(shù)據(jù)集是用于訓(xùn)練和評(píng)估深度學(xué)習(xí)模型的基礎(chǔ)，數(shù)據(jù)集的質(zhì)量和數(shù)量都會(huì)直接影響深度學(xué)習(xí)模型的性能和泛化能力。

在本文實(shí)驗(yàn)中，首先使用褶積模型進(jìn)行正演，即分別利用低頻雷克子波和高頻雷克子波與隨機(jī)生成的反射系數(shù)褶積得到合成地震記錄。本文分別用主頻為30 Hz和50 Hz雷克子波與反射系數(shù)進(jìn)行褶積，得到訓(xùn)練數(shù)據(jù)與標(biāo)簽數(shù)據(jù)。

雷克子波表達(dá)式[30]為

w（t）=（1-2π2 f2 t2）exp（-π2 f2 t2）（1）

式中：f表示雷克子波的主頻；t為時(shí)間。通過(guò)與不同的反射系數(shù)褶積，可以得到不同的數(shù)據(jù)（圖3）。

2.2損失函數(shù)

本文對(duì)目前在高分辨處理中比較常用的結(jié)構(gòu)相似性（SSIM）損失函數(shù)、SSIM+L1組合損失函數(shù)和均方誤差（MSE）損失函數(shù)進(jìn)行測(cè)試。

SSIM損失函數(shù)[31]是一種比較兩個(gè)圖形之間結(jié)構(gòu)相似性的損失函數(shù)，定義為

式中：m為樣本個(gè)數(shù)；x表示真實(shí)樣本；y表示模型預(yù)測(cè)樣本；μx，i和μy，i表示第i個(gè)樣本的均值；σx，i和σy，i表示第i個(gè)樣本的標(biāo)準(zhǔn)差；σx，iσy，i表示第i個(gè)樣本的協(xié)方差；C1、C2為兩個(gè)常數(shù)，用于提高計(jì)算的穩(wěn)定性。

SSIM+L1組合損失函數(shù)的定義為

F2（x，y）=λF1（x，y）+（1-λ）L 1（x，y）（3）

式中：λ是一個(gè)在0和1之間的權(quán)重因子，用于平衡SSIM和L1損失的相對(duì)貢獻(xiàn)；L1損失函數(shù)又稱(chēng)為平均絕對(duì)誤差，可表示為

L 1（x，y）=yi-xi 1（4）

MSE損失函數(shù)是指模型預(yù)測(cè)值與樣本真實(shí)值之間距離平方的平均值，表達(dá)式為

F3（x，y）=yi-xi 2（2）（5）

MSE損失函數(shù)便于使用梯度下降算法，并且隨著誤差的減小，梯度也在減小，有利于模型的收斂。

使用Person相關(guān)系數(shù)以及回歸任務(wù)中常用的三種評(píng)價(jià)指標(biāo)MSE、平均絕對(duì)誤差（MAE）、均方根誤差（RMSE）對(duì)使用三種損失函數(shù)的網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練并進(jìn)行評(píng)估，如表1所示。可以看出，在四個(gè)評(píng)價(jià)指標(biāo)中，MSE損失函數(shù)對(duì)應(yīng)的評(píng)價(jià)指標(biāo)在整體效果上比其他兩個(gè)損失函數(shù)更優(yōu)，說(shuō)明并不是越復(fù)雜的損失函數(shù)效果越好，要根據(jù)網(wǎng)絡(luò)模型結(jié)構(gòu)以及數(shù)據(jù)集的特點(diǎn)選擇合適的損失函數(shù)。因此選擇MSE為本文網(wǎng)絡(luò)的損失函數(shù)。

2.3模型訓(xùn)練

按照前述方法生成了8000組數(shù)據(jù)（每一組數(shù)據(jù)包含低頻訓(xùn)練數(shù)據(jù)和高頻標(biāo)簽數(shù)據(jù)），并將8000組數(shù)據(jù)按8：1：1劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。在模型驗(yàn)證的過(guò)程中發(fā)現(xiàn)模型的樣本數(shù)據(jù)、激活函數(shù)、超參數(shù)和損失函數(shù)等因素都對(duì)模型的預(yù)測(cè)效果有一定的影響。經(jīng)過(guò)測(cè)試發(fā)現(xiàn)，模型的樣本數(shù)據(jù)類(lèi)型對(duì)模型的整體效果影響最大，使用更具有代表性的樣本數(shù)據(jù)，會(huì)使模型的泛化能力更強(qiáng)。在數(shù)據(jù)預(yù)處理方面，由于地震數(shù)據(jù)的非平穩(wěn)性，振幅值存在較大的差異，因此需要將數(shù)據(jù)歸一化到[?1，1]之間。其中模型的超參數(shù)以及激活函數(shù)可以根據(jù)模型的訓(xùn)練情況進(jìn)行適應(yīng)性的調(diào)整。

通過(guò)預(yù)訓(xùn)練得到的初步結(jié)果，對(duì)模型參數(shù)進(jìn)行優(yōu)化調(diào)整后，在顯存為6 GB的GPU?GTX1060中對(duì)AAU?net模型進(jìn)行正式訓(xùn)練。選擇pytorch作為基礎(chǔ)框架，Adam作為優(yōu)化器，其中批大小為16，總迭代次數(shù)設(shè)為200。在迭代過(guò)程中訓(xùn)練集和驗(yàn)證集損失函數(shù)都逐漸收斂達(dá)到一個(gè)穩(wěn)定值（圖4），表示模型已經(jīng)訓(xùn)練到最優(yōu)。

2.4模型驗(yàn)證

為了測(cè)試模型的泛化性能，使用測(cè)試集的低頻樣本數(shù)據(jù)作為輸入，最終輸出模型預(yù)測(cè)的高頻數(shù)據(jù)。從整體上看，預(yù)測(cè)數(shù)據(jù)與標(biāo)簽數(shù)據(jù)具有較高的相似度（圖5），驗(yàn)證了本文網(wǎng)絡(luò)模型的有效性。

為進(jìn)一步驗(yàn)證AAU?net網(wǎng)絡(luò)的效果，在只改變網(wǎng)絡(luò)結(jié)構(gòu)這一變量，其他參數(shù)不變的情況下，設(shè)計(jì)了與U?net網(wǎng)絡(luò)的對(duì)比實(shí)驗(yàn)。

針對(duì)前述的測(cè)試集，分別使用AAU?net和U?net進(jìn)行測(cè)試，并從預(yù)測(cè)結(jié)果中抽取一道數(shù)據(jù)與標(biāo)簽數(shù)據(jù)進(jìn)行對(duì)比（圖6）。

從整體上看，AAU?net和U?net預(yù)測(cè)結(jié)果的輪廓相似，對(duì)地震數(shù)據(jù)的分辨率都有一定的提升。但從細(xì)節(jié)上看，AAU?net比U?net效果更佳，如圖中箭頭所指，AAU?net的預(yù)測(cè)振幅更準(zhǔn)確，與標(biāo)簽數(shù)據(jù)的吻合度更高。同時(shí)，為突出兩種網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的差異性，計(jì)算其預(yù)測(cè)殘差如圖7所示，可見(jiàn)，AAU?net預(yù)測(cè)誤差更小、效果更好。

整個(gè)測(cè)試集兩種網(wǎng)絡(luò)的預(yù)測(cè)評(píng)價(jià)指標(biāo)如表2所示，可以看出，AAU?net的四種評(píng)價(jià)指標(biāo)均優(yōu)于U?net，說(shuō)明加入自適應(yīng)注意機(jī)制后，網(wǎng)絡(luò)的細(xì)節(jié)處理及泛化能力更強(qiáng)。

進(jìn)一步將前述訓(xùn)練得到的模型應(yīng)用于Mar?mousi模型進(jìn)行驗(yàn)證。Marmousi模型合成的理論低頻和高頻地震記錄如圖8、圖9所示。分別使用U?net和AAU?net對(duì)低頻合成地震記錄進(jìn)行預(yù)測(cè)，結(jié)果如圖10和圖11所示。可以看出，AAU?net的預(yù)測(cè)結(jié)果與理論高頻記錄的相似度更高。U?net和AAU?net的預(yù)測(cè)結(jié)果與理論高頻合成地震記錄差值剖面分別如圖12和圖13所示，可以看出，AAU?net預(yù)測(cè)殘差剖面更“干凈”，誤差更小、效果更好。

3實(shí)際數(shù)據(jù)運(yùn)用

用實(shí)際地震資料測(cè)試本文方法實(shí)用性。借鑒陳志明等[26]給出的實(shí)際數(shù)據(jù)訓(xùn)練集和測(cè)試集的制作思路和方法，本文用25口井的波阻抗數(shù)據(jù)制作訓(xùn)練集，3口井的波阻抗數(shù)據(jù)制作測(cè)試集。具體過(guò)程如下：①利用井中波阻抗數(shù)據(jù)計(jì)算得到反射系數(shù)；②對(duì)目的層地震數(shù)據(jù)進(jìn)行頻譜分析，可知地震數(shù)據(jù)的主頻為40 Hz；③分別利用主頻為40 Hz和50 Hz的子波與反射系數(shù)進(jìn)行褶積，得到低分辨率和高分辨率地震數(shù)據(jù)；④通過(guò)滑動(dòng)窗口采樣方法實(shí)現(xiàn)數(shù)據(jù)增廣，共生成了含有300對(duì)數(shù)據(jù)的訓(xùn)練集和60對(duì)數(shù)據(jù)的驗(yàn)證集。

利用訓(xùn)練集對(duì)AAU?net進(jìn)行訓(xùn)練，得到了對(duì)應(yīng)的網(wǎng)絡(luò)模型。將原始三維地震數(shù)據(jù)體輸入到網(wǎng)絡(luò)中，通過(guò)模型預(yù)測(cè)得到高分辨率地震數(shù)據(jù)體。選取一口未參與訓(xùn)練的井對(duì)預(yù)測(cè)的數(shù)據(jù)進(jìn)行驗(yàn)證，具體過(guò)程如下。①利用主頻為40 Hz的子波與反射系數(shù)褶積得到合成地震記錄，并與原始地震數(shù)據(jù)的井旁地震道對(duì)比，如圖14a所示。由圖可見(jiàn)，二者具有較高的相關(guān)性，但是在T3層位處相關(guān)性較差（藍(lán)色矩形框內(nèi)）。②利用主頻為40 Hz的子波與反射系數(shù)褶積得到合成地震記錄，并與預(yù)測(cè)得到的高分辨率地震數(shù)據(jù)井旁地震道做對(duì)比，如圖14b所示，二者的相關(guān)性降低，特別是在T1層位上方和T3層位處（紅色矩形框和藍(lán)色矩形框內(nèi)）。③利用主頻為50 Hz的子波與反射系數(shù)褶積得到合成地震記錄，并與預(yù)測(cè)得到的高分辨率地震數(shù)據(jù)井旁地震道對(duì)比，如圖14c所示，二者的相關(guān)性增高，特別是T1層位上方和T3層位處（紅色矩形框和藍(lán)色矩形框內(nèi)）。

由此可知，本文方法預(yù)測(cè)得到的高分辨率地震記錄與井位處的高分辨率合成地震記錄具有較高的一致性，證明了本文方法預(yù)測(cè)得到的高分辨率地震數(shù)據(jù)具有較高的可靠性。

將合成地震記錄投影到過(guò)井的地震剖面上。圖15a為40 Hz子波合成地震記錄在原始地震剖面上的投影；圖15b為50 Hz的子波合成記錄在預(yù)測(cè)的高分辨率地震剖面上的投影。對(duì)比可見(jiàn)，預(yù)測(cè)的地震剖面分辨率明顯優(yōu)于原始剖面，且與高分辨率合成地震記錄高度吻合，相關(guān)系數(shù)為0.7106，驗(yàn)證了本文方法的實(shí)用性。

4結(jié)束語(yǔ)

本文基于U?Net網(wǎng)絡(luò)模型，通過(guò)引入自適應(yīng)注意力機(jī)制，構(gòu)建了一個(gè)新的AAU?net模型，并對(duì)地震數(shù)據(jù)進(jìn)行高分辨處理。實(shí)驗(yàn)結(jié)果表明，加入自適應(yīng)注意力機(jī)制的U?net比常規(guī)的U?net模型精度更高，可有效提高地震數(shù)據(jù)的分辨率。實(shí)際地震數(shù)據(jù)的應(yīng)用結(jié)果顯示，模型預(yù)測(cè)結(jié)果具有較高的可靠性。另外，研究中發(fā)現(xiàn)，模型的泛化能力容易受數(shù)據(jù)集的影響，可以考慮采用更具代表性的數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型，同時(shí)對(duì)模型的參數(shù)進(jìn)行一定的優(yōu)化，可提升模型的性能和泛化能力。

參考文獻(xiàn)

［1］曹思遠(yuǎn)，孫耀光，陳思遠(yuǎn).地震勘探高分辨率資料處理的挑戰(zhàn)與對(duì)策[J].煤田地質(zhì)與勘探，2023，51（1）：277?288.

CAO Siyuan，SUN Yaoguang，CHEN Siyuan.Chal?lenges and solutions to high?resolution data processing for seismic exploration[J].Coal Geologyamp;Explora?tion，2023，51（1）：277?288.

［2］ROBINSON E A.Predictive decomposition of seis?mic traces[J].Geophysics，1957，22（4）：767?778.

［3］ROBINSON E A.Predictive decomposition of time series with application to seismic exploration[J].Geo?physics，1967，32（3）：418?484.

［4］潘樹(shù)林，閆柯，李凌云，等.自適應(yīng)步長(zhǎng)FISTA算法稀疏脈沖反褶積[J].石油地球物理勘探，2019，54（4）：737?743.

PAN Shulin，YAN Ke，LI Lingyun，et al.Sparse?spike deconvolution based on adaptive step FISTA al?gorithm[J].Oil Geophysical Prospecting，2019，54（4）：737?743.

［5］PEACOCK K L，TREITEL S.Predictive deconvolu?tion：Theory and practice[J].Geophysics，1969，34（2）：155?169.

［6］衛(wèi)澤，潘樹(shù)林，程祎等.自適應(yīng)變分模態(tài)分解同態(tài)反褶積方法[J].石油地球物理勘探，2023，58（1）：105?113.

WEI Ze，PAN Shulin，CHENG Yi，et al.Homomor?phic deconvolution method based on adaptive varia?tional mode decomposition[J].Oil Geophysical Pros?pecting，2023，58（1）：105?113.

［7］HALE D.Q and adaptive prediction error filters[R].Stanford Exploration Project Report，1981，28：209?231.

［8］WANG Y.Inverse Q?filter for seismic resolution en?hancement[J].Geophysics，2006，71（3）：V51?V60.

［9］ZHAO Y，MAO N.An inverse Q filtering approach based on a varying stabilization factor[J].Journal of Geophysics and Engineering，2018，15（4）：1269?1279.

［10］YUAN S，WANG S，TIAN N，et al.Stable inversion?based multitrace deabsorption method for spatial conti?nuity preservation and weak signal compensation[J].Geophysics，2016，81（3）：V199?V212.

［11］TIAN G，ZHAO Y，ZHANG W，et al.The inverse Qfiltering method based on a novel variable stability fac?tor[J].Geophysics，2023，88（3）：V207?V214.

［12］孫哲，劉洋，王靜，等.VSP優(yōu)化預(yù)測(cè)反褶積與VSP子波替換法反褶積[J].石油地球物理勘探，2009，44（5）：569?573.

SUN Zhe，LIU Yang，WANG Jing，et al.VSP opti?mized predictive deconvolution and VSP wavelet swi?tchover deconvolution[J].Oil Geophysical Prospecting，2009，44（5）：569?573.

［13］于茜.利用VSP子波替換提高地面地震資料的分辨率[J].物探與化探，2010，34（4）：546?548.

YU Qian.The enhancement of the resolution of sur?face seismic data by using wavelet of VSP replacement method[J].Geophysical and Geochemical Exploration，2010，34（4）：546?548.

［14］嚴(yán)紅勇，劉洋，于茜.利用VSP提高地面地震資料的分辨率[J].石油天然氣學(xué)報(bào)，2010，32（3）：65?68.

YAN Hongyong，LIU Yang，YU Qian.Improving the resolution of poststack surface seismic data by VSP[J].Journal of Oil and Gas Technology，2010，32（3）：65?68.

［15］陳雙全，李向陽(yáng).聯(lián)合垂直地震剖面資料提高地面地震資料分辨率的應(yīng)用研究[J].中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，36（3）：65?68，75.

CHEN Shuangquan，LI Xiangyang.Application of im?proving surface seismic resolution using vertical?seis?mic?profile data[J].Journal of China University of Pe?troleum（Edition of Natural Science），2012，36（3）：65?68，75.

［16］HALPERT A D.Deep learning?enabled seismic imageenhancement[C].SEG Technixal Program Expanded Abstracts，2018，37：2081?2085.

［17］蔡涵鵬，李會(huì)強(qiáng)，秦情，等.基于生成對(duì)抗網(wǎng)絡(luò)地震數(shù)據(jù)超分辨率重建方法[C].中國(guó)石油學(xué)會(huì)2019年物探技術(shù)研討會(huì)論文集，2019，1547?1550.

［18］CHEN D，GAO J，GAO Z，et al.Reflectivity?GAN：Adata?driven method for seismic deconvolution[C].Ex?tended Abstracts of 81st EAGE Conferenceamp;Exhibi?tion，2020，1?5.

［19］YUAN Z，JIANG Y，HUANG H，et al.Improvingseismic resolution by a sequential convolutional neural network[C].Extended Abstracts of 82nd EAGE Con?ferenceamp;Exhibition，2021，1?5.

［20］LI J，WU X，HU Z.Deep learning for simultaneousseismic image super?resolution and denoising[J].IEEE Transactions on Geoscience and Remote Sen?sing，2022，60：1?11.

［21］周文輝，石敏，朱登明，等.基于殘差注意力網(wǎng)絡(luò)的地震數(shù)據(jù)超分辨率方法[J].計(jì)算機(jī)科學(xué)，2021，48（8）：24?31.

ZHOU Wenhui，SHI Min，ZHU Dengming，et al.Seismic data super?resolution method based on re?sidual attention network[J].Computer Science，2021，48（8）：24?31.

［22］孫永壯，黃鋆，俞偉哲，等.基于U?Net網(wǎng)絡(luò)的端到端地震高分辨率處理技術(shù)[J].地球物理學(xué)進(jìn)展，2021，36（3）：1297?1305.

SUN Yongzhuang，HUANG Yun，YU Weizhe，et al.End?to?end high?resolution seismic processing method based on U?Net network[J].Progress in Geophysics，2021，36（3）：1297?1305.

［23］JO Y，CHOI Y，SEOL S J，et al.Machine learning?based vertical resolution enhancement considering the seismic attenuation[J].Journal of Petroleum Science and Engineering，2022，208：109657.

［24］李子航，陳小宏，李景葉，等.基于S變換與復(fù)值U?Net網(wǎng)絡(luò)的地震資料高分辨率處理方法[J].石油物探，2023，62（3）：406?418.

LI Zihang，CHEN Xiaohong，LI Jingye，et al.High?resolution seismic data processing method based on S transform and complex?valued U?Net network[J].Geophysical Prospecting for Petroleum，2023，62（3）：406?418.

［25］CHOI Y，SEOL S J，BYUN J，et al.Vertical resolu?tion enhancement of seismic data with convolutional U?net[C].SEG Technical Program Expanded Ab?stracts，2019，38：2388?2392.

［26］陳志明，劉洋，張浩然.基于U?Net網(wǎng)絡(luò)的地震資料高分辨率處理[C].中國(guó)石油學(xué)會(huì)2021年物探技術(shù)研討會(huì)論文集，2021，988?991.

［27］BAHDANAU D，CHO K，BENGIO Y.Neural ma?chine translation by jointly learning to align and trans?late[J].arXiv preprint arXiv：1409.0473，2014.

［28］李學(xué)貴，周英杰，董宏麗等.基于雙注意力U?Net網(wǎng)絡(luò)的提高地震分辨率方法[J].石油地球物理勘探，2023，58（3）：507?517.

LI Xuegui，ZHOU Yingjie，DONG Hongli，et al.Seis?mic resolution improvement method based on dual?at?tention U?Net network[J].Oil Geophysical Prospec?ting，2023，58（3）：507?517.

［29］RONNEBERGER O，F(xiàn)ISCHER P，BROX T.U?net：Convolutional networks for biomedical image segmen?tation[C].Medical Image Computing and Computer?Assisted Intervention?MICCAI 2015，2015，234?241.

［30］RICKER N.The form and laws of propagation ofseismic wavelets[J].Geophysics，1953，18（1）：10?40.

［31］WANG Z，BOVIK A C，SHEIKH H R，et al.Imagequality assessment：from error visibility to structural similarity[J].IEEE Transactions on Image Proces?sing，2004，13（4）：600?612.

（本文編輯：宜明理）

作者簡(jiǎn)介

趙明碩士研究生，2000年生；2022年獲武漢城市學(xué)院軟件工程專(zhuān)業(yè)學(xué)士學(xué)位；現(xiàn)在長(zhǎng)江大學(xué)（武漢）攻讀地質(zhì)工程專(zhuān)業(yè)碩士學(xué)位，主要從事機(jī)器學(xué)習(xí)和儲(chǔ)層反演方面的學(xué)習(xí)和研究。