2021年2月第56卷第1期•智能地球物理. 文章编号：1000-7210(2021)01-000卜08基于深度卷积神经网络的地震
数据断层识别方法
常德宽雍学善②王一惠②杨午阳②李海山②张广智①(①中国石油大学（华东）.山东青岛266555;②中国石油勘探开发研究院西北分院.甘肃兰州730020)
常德宽，雍学善，王一惠，杨午阳，李海山，张广智.基于深度卷积神经网络的地震数据断层识别方法.石油地球
物理勘探，2021,56(11:1-8.
摘要对地震数据进行断层解释一直是油气勘探开发过程中的一项重点工作。传统的断层解释主要是以人机
交互方式进行的，效率低，并且人为因素可能增大断层解释结果的不确定性；而常规的断层识别方法则通常需
要设置多个控制参数，导致断层识别的结果严重依赖参数设置的准确性。为此，提出一种基于卷积深度神经网
络的地震数据断层识别方法，该方法利用R e s N e t深度残差网络可有效训练深层卷积神经网络和U-N e t架构可
表征多尺度、多层次特征信息的优势.将R e s N e t和U-N e t架构联合，构建了用于地震数据断层识别的网络架构
(SeisFault-Net)。其中，U-N e t架构由编码和解码两个子网络组成.使SeisFault-Net以端到端的方式进行模型
训练；同时，利用残差神经网络克服深层网络梯度弥散的问题，有效提高SeisFault-Net的训练效率。训练后的
SeisFault-Net无需设置任何参数即可对地震数据进行断层识别，避免了常规方法中人为设置参数的经验误差
和不确定性。数据实验表明，提出的SeisFault-Net方法可准确地识别断层位置，且识别的断层垂向连续性好，断层轮廓清晰。与相干算法相比，SeisFault-Net方法识别的断层细节更丰富.断层解释更准确；同时，可有效提
高地霎断层识别的效率。
关键词断层识别深度学习深度残差网络U-N e t架构地震数据解释
中图分类号：P631文献标识码：A doi：10. 13810/j. cnki. issn. 1000-7210. 2021. 01. 001
〇引言
世界著名童话故事地震数据解释过程中一项重要的任务是断层解 释，因为断层可以成为油气运移的主要通道，也可以 侧向封堵而形成断块油气藏。因此.准确识别断层 对油气的勘探开发具有重要意义。断层在地震剖面 上表现为同相轴低连续或高度不连续性。传统的断 层解释多由人机交互方式完成，效率低，人为因素可 能导致结果不确定性大，加大了油气勘探开发的成本和风险。
为了提高断层解释的效率，研究人员提出了很 多方法。Bahorich等[1]提出互相关方法，对每道地震数据及其邻域的地震道进行归一化互相关以识别 断层。然而，该方法不适用于低信噪比的地震数据。M arfurt等[2]和Hale[3]将相似性算法用于检测地震数据中的不连续性。M arfu rt等™提出特征结构相干算法，用于构造具有特征分解矩阵的协方差矩阵和特征分解矩阵。这些算法对断层识别的精度均很 高，但对于低信噪比条件下的地震数据则需要更多的计算时间。P edersen等[5]首次将蚂蚁追踪方法用于提取小断层，且合并形成较大的断层面。八111^1^111111^1'等〜提出遗传算法用于自动化地震图 像中的断层识别。印兴耀等[7]提出使用离心窗倾角 扫描的曲率属性识别小断层。陈雷等[8]利用相似性 传播聚类与主成分分析进行断层识别。赵凤全等[9]
*甘肃省兰州市雁儿湾路535号中国石油勘探开发研究院西北分院，730020。Email:chang d k@p etr〇china
本文于2020年2月29日收到，最终修改稿于同年9月15日收到，
本项研究受国家自然科学基金项目“页岩气储层有效应力分布规律的精细地震预测方法研究”（41674130)和中国石油天然气集团有限公司科学研究与技术开发项目“深层及非常规物探新方法新技术’’（2019A-3312)联合资助，
2
石油地球物理勘探
2021 年
(a)
图1
卷积神经网络块（a )和残差神经网络块（b)
■c 为输人地震数据；F U )为残差函数；R e L U 为激活函数
深度残差网络由堆叠的多个残差学习块组成， 每个残差学习块的残差函数为
I显示系统
=x , + F(x, ,9,)
(1)
^+i =/[^ (•*■/)]
⑵
式中：K x ,)为同等映射函数；x ，和表示第Z 个 残差学习块的输人和输出，/e iV ,N 为网络堆叠层 数；F 是残差函数A 表示第/个残差学习块的卷积 核；激活函数/使用的是整流线性单元函数Re -L U 。5]。
同等映射函数允许将较深层中的梯度值快速传 递到较浅层，这有效解决了网络训练过程中由于链 式求导法则导致的梯度爆炸或梯度消失的问题，从 而提高网络训练过程的稳定性和效率。
1
方法原理
1.1
ResNet 结构
R e sN e t 是一种用于训练更深层网络的框
架[2°]，通过在卷积神经网络块（图la )上添加一个跳 跃连接（Skip Connection )，将输人向量和卷积层的 输出融合在一起构建残差学习块（图l b )。利用 图la 所示的卷积神经网络块构建深层网络时，层数 的增加会导致深层存在网络梯度消失或者爆炸现 象，使深度网络模型难以有效训练，出现模型退化问 题。？^等[2"提出的残差神经网络块（图l b )用于 解决深层网络模型退化问题，该网络结构基于恒等 映射的思想，即每堆叠一层网络，堆叠前的输人与堆 叠后的输出相同，使新增网络层只需学习一个残差将构造导向滤波用于断裂识别，取得了较好的应用 效果。评11等[1°]提出3D 图像处理方法，自动计算 与断层相邻的图像样本的断层面和倾斜滑动矢量。 上述方法可用于断层识别.但基于经验的参数设置 可影响断层识别结果的准确性。
近年来，深度学习在多个领域取得了显著的成 就，特别是在分类、特征提取等方面具有突出的优 势。
在地震勘探领域，研究人员探索了深度学习方 法在地震数据处理和解释中的应用。Srisutthiya -
kom [11」将深度学习方法用于预测渗透率。Lewis
等112]应用深度学习方法，利用F W I 反演模型的地 震图像建立地质模型。H u an g 等[13]应用深度学习 方法，利用地震属性分析地质特征。S erfaty 等[14] 通过主成分分析和局部角度域深度学习分离地震波 场。C hang 等[1516]将生成对抗网络用于地震数据插 值。W ang 等将深度残余网络用于地震数据插 值。王钰清等[18]利用卷积神经网络（Convolutional
Neural Network ，CNN )压制地震随机噪声，通过数
据增广的方式生成标签数据，以提高去噪模型的泛 化能力。张玉玺等[19]利用深度学习进行多属性盐 丘自动识别。李海山等[2()1利用深度残差网络压制 地震数据噪声。乂丨〇叫等[21]和评11等[22]应用深度 学习方法进行断层智能化识别，取得了初步效果。
毒宠 老公索欢先pkX iong 等[21]使用相干体作为断层标签数据，训练深
度学习模型，预测结果与应用相干体技术预测断层 结果相似，精度并未明显提高。\¥〇等[22)使用正演 合成数据制作标签数据集，用于深度学习模型训练， 在构造简单的实际工区数据断层识别中取得了较好 效果，但在复杂构造工区数据的断层识别中存在明 显假象。〇«叩等[23]提出利用U -N e t 网络
进行断 层识别，利用合成数据和实际数据一起训练深度学 习模型，试图解决智能断层识别网络的泛化能力弱 的问题。
为了提高地震数据断层识别的精度和效率，本 文结合U -N e t 架构和深度残差网络（ResNet )，构建 智能地震数据断层识别网络（SeisFauh -N et )。U -
N e t 架构适用于数据特征检测和提取，ResN e t 网络
结构有助于训练深度深层网络，因此利用两种网络 架构的优势可有效提高深层网络训练收敛速度和断 层识别精度。同时，SeisFauh -N e t 利用G P U 进行 数据处理，因此可大幅提高断层检测效率。
F(x)+^: ReLU
函数即可。
卷积核3x3
科普类作文F(x)ReLU
卷积核3x3
F(x)
ReLU
^
第56卷第1期常德宽.等：基于深度卷积神经网络的地震数据断层识别方法3
1.2 SeisFault-Net结构
U-N e t架构最初由R o n n e b e r g e r等[261提出并用于生物医学图像的目标分割。U-N e t架构具有多 尺度、多层次的特征，能有效识别、定位目标的边界。U-N e t由编码子网络和解码子网络构成。编码子网 络对数据进行编码学习，池化层和上采样层将数据流放大、缩小到不同尺度，实现对数据降维或升维计 算。解码子网络学习在不同尺度下的数据流中的特 性信息，使U-N e t架构可以进行端到端训练，实现 数据的语义分割。在编码子网络和解码子网络之间 利用跳跃连接将多层信息进行融合，可提高目标特 征识别的精度。
鉴于断层识别需要准确刻画边界和位置，本文 将U-N e t网络和R esN et结合构建用于地震数据断 层识别的 SeisFault-N et。SeisFault-Net 将 ResNet 训练深层网络的优势与U-N e t架构的特征分割相结合，实现对地震数据断层的高精度识别。
SeisFault-N e t如图2所示，设计为对称结构，由三类层构成，包括R esN et块、池化jg(Pooling)和 上采样层（Up-Sampling)。其中，R esN et块由3个 卷积层和1个跳跃连接构成，第一、第二、第三层卷 积核分别为1父1、3父3、1\1，共11个块。利用两个1X1的卷积层代替3X3的卷积层降低整个网络模型的学习参数量，在不影响残差学习块的性能的同时，对原始3X3卷积核网络的冗余参数进行压缩。池化层为步长2X2的最大池化，共4层，用于地震 数据降维，提高后续的卷积层对地震数据的感受野。上采样层是卷积核为2X2、步长为1X1的反卷积层，共4层。使用反卷积层可以从映射层中学习重建的特征，使上采样的数据能够更准确地重建断层特征。
SeisFault-Net 可表示为
=SeisFault-Net(x,-,W,b)(3)式中：》，表示8以#扣1卜仏1预测的第；个断层数据;VV为卷积核;6为偏置。一带路一路指什么
对SeisFault-N e t网络模型进行优化的损失函数为二分类的交叉熵函数，即
1>»,)=—•ln(>J,)+
(1—) *ln(l—)(4)
式中M为第〖个断层标签数据。获得损失函数后，利用梯度下降求取义对（W，M的导数，通过反向
传 播算法更新（V T+AW，6 +A M(AW、A6表示每一次训练更新的量），使损失函数最小化，达到模型训练的目的。
(a)(b)
图 2 SeisFault-Net 网络
(a)地震数据；（b) SeisFault-Net网络结构；（c)标签数据
2数据试算
2.1训练数据集
为了提高SeisFault-N e t的泛化能力，本文共选 取7个工区的地震数据（图3a)，将地震数据分割为 256X256的数据块。其中，5个工区的数据用于制作 训练数据集和验证数据集，共有800个地震数据块; 2个工区的地震数据用于测试数据集，共有150个地震数据块。实际地震数据集中包含线性的和非线性的断层类型，标注断层可获得标签数据集（图3b)。2.2 SeisFault-Net 训练
首先，利用训练地震数据集训练SeisFault-N et，使用动态学习率，即
h = I〇
g
Ik ==*S*-I k>20
其中
4
石油地球物理勘探
2021 年
O .X O -20
40 60训练次数
(a)
80100
20
40 60训练次数 (b)
80100
图 4 SeisFault-Net训练曲线(a)损失函数曲线；（b)断层预测准确率
^k-\
20int
< k
20
式中：7。=0.01为初始学习率；r 为衰减系数；S 为衰 减步长；g 为全局步长；々为训练次数；int( •)表示 取整。随着训练次数的增加，学习率降低，这有助于 提高模型收敛速度.降低模型训练时间。图4a 为训 练实际数据集的损失函数曲线。由图可见，经过 100次训练后.损失函数值基本稳定。图4b 为预测 断层准确率曲线，验证集的断层预测准确率在80次 训练后基本稳定在〇. 92附近。2. 3 SeisFauU-Net 模型验证
利用验证数据集和测试数据集测试训练后Seis -
F a u l t -N e l 网络模型的断层预测性能。图5为验证 集数据断层识别结果。由图可见，经过训练后的 S e is F a u lt-N e t 在验证数据集上断层预测准确，与标 签数据一致。
测试数据集断层识别结果如图6所示。训练后 的S e is F a u lt-N e t 在测试数据上断层预测效果较好, 准确刻画了断层位置和边界。这说明SeisFault- N e t 具备应用于实际断层识别的泛化能力。
利用测试数据进行断层识别准确率和效率测 试。图7为S e is F a u lt-N e t 方法和相干体技术断层 识别效果对比，可以看到S e is F a u lt-N e t 方法明显优 于相干算法，且计算效率为相干算法的18倍。
160-
80 160
(b )
图3
训练数据集
U )地震数据；（b )标签数据
训练损失
验证损失
V
$0
5
0 5
.2J 丨
.
0
0.0.0.0.
第56卷第1期常德宽•等：基于深度卷积神经网络的地震数据断层识别方法5孝敬父母的名言
图 5 SeLsFault-Net验证数据集断层识别结果
(a)地震数据；（h)断层标签数据；（dSeisFault-Net预测断层
80160道 180160道 180160道
图 6 SeisFault-Net测试数据集断层识别结果
(a)地震数据K b) SeisFault-Net预测断层
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论