宋建國 李賦真 徐維秀 李 哲

(①中國石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院，山東青島 266580； ②中國石油集團(tuán)東方地球物理公司大港物探處，天津 300280； ③中國石化石油工程地球物理公司勝利分公司，山東東營 257600)

1 引言

地震資料初至拾取技術(shù)是靜校正[1]、層析成像[2]及VSP等技術(shù)的關(guān)鍵，初至拾取的正確與否，在很大程度上影響后續(xù)處理精度。截至目前，盡管初至拾取技術(shù)經(jīng)歷了幾十年的發(fā)展，但在地表復(fù)雜及信噪比較低的情況下，要想取得好的拾取效果依然存在困難。隨著初至波層析技術(shù)向三維方向[3]發(fā)展，初至拾取變得更為繁重，探尋穩(wěn)定可靠的自動拾取技術(shù)顯得勢在必行。

在地震數(shù)據(jù)處理過程中，通常都是根據(jù)地震信號的振幅、能量、頻率或相位等的變化確定地震波的初至?xí)r間，此外還可根據(jù)相鄰道之間的相關(guān)特征判斷初至?xí)r間。迄今為止，人們已提出多種初至波拾取方法，如能量比值法[4]、瞬時強(qiáng)度比法[5]、神經(jīng)網(wǎng)絡(luò)法、圖像處理法[6]、分形法[7]等。其中能量比值法、瞬時強(qiáng)度比法、分形法等都是基于單一地震道時窗特征判斷初至?xí)r間，未考慮多個地震道之間的相互關(guān)系。此外，這類方法通常僅考慮單一特征，沒有綜合考慮其他特征，造成這類算法穩(wěn)定性欠佳，在資料信噪比較低時拾取效果不理想。因此，要想提高初至拾取算法的穩(wěn)定性和精確度，需綜合考慮多種地震屬性及相鄰道之間的相互關(guān)系，而神經(jīng)網(wǎng)絡(luò)初至拾取方法就做到了這些。

由于BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，算法易于實(shí)現(xiàn)，因此早已被應(yīng)用于初至拾取領(lǐng)域[8-10]。但該算法存在收斂慢、易陷于局部極值、網(wǎng)絡(luò)結(jié)構(gòu)難以確定等問題； 且因BP網(wǎng)絡(luò)是靜態(tài)網(wǎng)絡(luò)，不能學(xué)習(xí)額外樣本集以擴(kuò)展網(wǎng)絡(luò)知識，難以滿足復(fù)雜地形區(qū)初至拾取要求，因此未被推廣應(yīng)用[11]。而采用級聯(lián)相關(guān)(Cascade-Correlation，簡稱CC)算法[12，13]就能很好地解決BP算法存在的問題，具有更強(qiáng)的應(yīng)用潛力。

神經(jīng)網(wǎng)絡(luò)初至拾取是通過神經(jīng)網(wǎng)絡(luò)對樣本的學(xué)習(xí)來建立一個分類規(guī)則，以此對初至波進(jìn)行模式識別并拾取。該分類規(guī)則是否合適取決于兩個方面： ①神經(jīng)網(wǎng)絡(luò)訓(xùn)練的好壞； ②地震屬性選取是否恰當(dāng)。由于CC算法起始于一個最小網(wǎng)絡(luò)(無隱含神經(jīng)元)，這意味著在訓(xùn)練初始階段將經(jīng)歷繁雜過程和花費(fèi)大量時間，也必定增加計算量且降低網(wǎng)絡(luò)收斂速度[14，15]。本文力圖改進(jìn)CC算法，即從適合的初始網(wǎng)絡(luò)結(jié)構(gòu)開始學(xué)習(xí)，使其具有計算更高效和收斂更快速的特性。同時為了保證級聯(lián)神經(jīng)網(wǎng)絡(luò)的泛化能力，本文在CC算法訓(xùn)練候選隱含神經(jīng)元的目標(biāo)函數(shù)中加入正則化項(xiàng)，這樣就可有效防止候選神經(jīng)元權(quán)值的病態(tài)增長，提高網(wǎng)絡(luò)的泛化能力，并加快神經(jīng)網(wǎng)絡(luò)的收斂速度。

地震屬性中不僅含有地下地質(zhì)體[16]信息，也含有反映地震波類型的信息，這是利用地震屬性識別初至波的基礎(chǔ)。地震屬性種類眾多，初至拾取的效果取決于地震屬性的選取，所選地震屬性必須具有一定的穩(wěn)定性[17]，通常還可選取多種地震屬性進(jìn)行組合以更利于正確區(qū)分初至波和非初至波。

2 級聯(lián)相關(guān)算法

級聯(lián)相關(guān)算法是一種神經(jīng)網(wǎng)絡(luò)自底向上構(gòu)造算法[12，13]，是Fahlman等[12]為了解決傳統(tǒng)BP算法收斂速度慢的缺點(diǎn)而提出的。該算法的命名即反映了其主要特征：新的隱含神經(jīng)元與以前的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)呈級聯(lián)相關(guān)關(guān)系。通過相關(guān)性學(xué)習(xí)算法，調(diào)整輸入權(quán)值，使新增神經(jīng)元輸出與原網(wǎng)絡(luò)輸出殘差的相關(guān)性最大。

與BP算法相比，CC算法具有以下優(yōu)點(diǎn)： ①能自行決定算法網(wǎng)絡(luò)結(jié)構(gòu)； ②學(xué)習(xí)速度較快； ③當(dāng)樣本集改變時，依然能保留已建立的網(wǎng)絡(luò)結(jié)構(gòu)和知識體系； ④若需訓(xùn)練一個額外的樣本集，CC算法能擴(kuò)展網(wǎng)絡(luò)大小，并把新樣本合并到原有知識體系中。

CC算法的實(shí)現(xiàn)包含下列步驟。

(1)初始化網(wǎng)絡(luò)。構(gòu)建兩層網(wǎng)絡(luò)結(jié)構(gòu)：輸入層、輸出層，并對其權(quán)值進(jìn)行隨機(jī)初始化設(shè)置。

(2)訓(xùn)練輸出層。選取適用算法迭代調(diào)整輸出層權(quán)值，以誤差無明顯改進(jìn)(變小)為迭代停止條件；當(dāng)停止迭代后，根據(jù)對誤差的標(biāo)準(zhǔn)，選擇停止訓(xùn)練，或轉(zhuǎn)入下一步。

(3)訓(xùn)練候選隱含神經(jīng)元。根據(jù)級聯(lián)、相關(guān)的特征，迭代訓(xùn)練候選隱含神經(jīng)元的權(quán)值，直到原網(wǎng)絡(luò)與新網(wǎng)絡(luò)輸出殘差關(guān)聯(lián)度最大。

(4)凍結(jié)和連接新隱含神經(jīng)元。固定新隱含神經(jīng)元的權(quán)值并連接它的輸出到網(wǎng)絡(luò)輸出層。重新調(diào)整輸出層，轉(zhuǎn)到步驟(2)。

將CC算法應(yīng)用于初至拾取還需解決以下問題： ①由于CC算法從僅有輸入層和輸出層的最小網(wǎng)絡(luò)開始學(xué)習(xí)，逐一自動地增加隱含神經(jīng)元，直到目標(biāo)網(wǎng)絡(luò)收斂，這就意味著需大量的過程步驟和時間來學(xué)習(xí)，從而增加了計算量并使收斂速度減慢[14，15]； ②CC算法構(gòu)建的是一個多層神經(jīng)網(wǎng)絡(luò)，每增加一個隱含神經(jīng)元，在效果上相當(dāng)于增加了一個新的隱含層，新增隱含神經(jīng)元越多，即新構(gòu)建的神經(jīng)網(wǎng)絡(luò)就越復(fù)雜，這樣常易導(dǎo)致神經(jīng)網(wǎng)絡(luò)對訓(xùn)練樣本產(chǎn)生過擬合[13]； ③最大化候選隱含神經(jīng)元的輸出與原網(wǎng)絡(luò)輸出殘差的關(guān)聯(lián)度(即協(xié)方差)往往會使候選隱含神經(jīng)元的權(quán)值對誤差進(jìn)行過度補(bǔ)償，這被稱為“權(quán)值病態(tài)增長”[18]，該現(xiàn)象會嚴(yán)重影響網(wǎng)絡(luò)泛化能力。

2.1 級聯(lián)相關(guān)算法的改進(jìn)

常規(guī)CC算法起始于一個最小網(wǎng)絡(luò)(無隱含神經(jīng)元)，這樣必定增加計算量，同時也降低了網(wǎng)絡(luò)收斂速度。若從某個適當(dāng)網(wǎng)絡(luò)開始訓(xùn)練，則能顯著提高網(wǎng)絡(luò)收斂速度[14]。改進(jìn)后的CC算法包括初始網(wǎng)絡(luò)訓(xùn)練、候選隱含神經(jīng)元訓(xùn)練、輸出層訓(xùn)練三個階段。

(1)

圖1 初始網(wǎng)絡(luò)(a)與增加1個(b)、2個(c)隱含神經(jīng)元網(wǎng)絡(luò)示意圖

為了防止最大化相關(guān)性C時候選節(jié)點(diǎn)權(quán)值病態(tài)增長，在式(1)中引入正則化項(xiàng)

(2)

式中λ為正則化系數(shù)。在候選隱含神經(jīng)元訓(xùn)練的目標(biāo)函數(shù)中加入正則化項(xiàng)，可有效地對權(quán)值進(jìn)行衰減，防止權(quán)值的病態(tài)增長，降低網(wǎng)絡(luò)復(fù)雜程度，提高了網(wǎng)絡(luò)的泛化性能。

當(dāng)所有候選隱含神經(jīng)元與原網(wǎng)絡(luò)的相關(guān)性不再變化時,停止訓(xùn)練； 再從多個(通常為4～8個)候選隱含神經(jīng)元中選取關(guān)聯(lián)度最大的候選隱含神經(jīng)元作為新隱含神經(jīng)元，使其輸出端與網(wǎng)絡(luò)輸出神經(jīng)元的輸入端相連接，并凍結(jié)新隱含神經(jīng)元的輸入端權(quán)值，刪除其他候選隱含神經(jīng)元，進(jìn)而對新網(wǎng)絡(luò)進(jìn)行輸出層訓(xùn)練。

在輸出層訓(xùn)練階段，通過調(diào)整連接輸出層權(quán)值，使全局均方誤差最小化。全局均方誤差可表示為

(3)

式中：tp,o為輸出層神經(jīng)元o中樣本p的期望值；yp,o為輸出層神經(jīng)元o中樣本p的網(wǎng)絡(luò)輸出值。

訓(xùn)練算法可采用梯度下降法或Quickprop算法，但Quickprop算法在收斂速度方面更具優(yōu)勢。訓(xùn)練過程中設(shè)定原隱含神經(jīng)元仍然對目標(biāo)函數(shù)有效，因此保持所有原隱含神經(jīng)元輸入端權(quán)值不變，僅允許輸出神經(jīng)元輸入端權(quán)值改變。當(dāng)全局均方誤差不再明顯減小時，終止訓(xùn)練。同時，新一輪候選隱含神經(jīng)元訓(xùn)練階段開始。在整個學(xué)習(xí)過程中，候選隱含神經(jīng)元訓(xùn)練、輸出層訓(xùn)練階段交替出現(xiàn)，直到全局均方誤差小于目標(biāo)值為止。

2.2 Quickprop算法

Quickprop算法由Fahlman[19]提出，這是一種利用誤差平面彎曲部分的信息來加快學(xué)習(xí)的一種算法，因此需計算誤差的二階導(dǎo)數(shù)。該算法有兩個基本假設(shè)： ①誤差函數(shù)對每個權(quán)值的曲線都是二次曲線； ②每個權(quán)值的誤差曲線的斜率變化不受其他權(quán)值的影響。Quickprop算法計算每個權(quán)的方向?qū)?shù)。基于這兩個假設(shè)，根據(jù)當(dāng)前時刻和前一時刻的斜率和權(quán)值，通過計算拋物線的最小值，求出當(dāng)前時刻的最優(yōu)調(diào)節(jié)量

(4)

式中： Δwij是神經(jīng)元i和j的連接權(quán)值(wij)的調(diào)節(jié)量；S(t+1)和S(t)是當(dāng)前時刻與前一時刻的誤差函數(shù)對wij的偏導(dǎo)數(shù)。

另外，當(dāng)S(t+1)與S(t)方向相同，但S(t+1)與S(t)的值接近，或S(t)大于S(t+1)時，式(4)會有很大的調(diào)節(jié)量，或反向調(diào)節(jié)到拋物線的最大值點(diǎn)。若單純采用式(4)調(diào)整權(quán)值，算法出現(xiàn)不穩(wěn)定甚至難以收斂。本文采用的權(quán)值調(diào)整公式為

Δwij(t+1)=μβΔwij(t)-(1-μ)ηS(t)

(5)式中：η為學(xué)習(xí)速度；μ為0～1之間的一個調(diào)節(jié)量，取為0時，式(5)退化為梯度下降法公式，由下式得出

(6)

選取合適參數(shù)可使算法穩(wěn)定且快速收斂。在算法開始時， Δwij為零值，不能用式(5)進(jìn)行調(diào)整，而是用梯度下降法計算下一時刻的權(quán)值調(diào)節(jié)量

(7)

2.3 仿真試驗(yàn)

為了驗(yàn)證CC神經(jīng)網(wǎng)絡(luò)改進(jìn)前后的收斂性能及其泛化能力，進(jìn)行了仿真試驗(yàn)。神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù)為

(8)

訓(xùn)練樣本從0到1之間等間隔取樣，即輸入xi如下式所示

(9)

由此可獲得50個樣本對{(x1,y1),…,(xi,yi),…,(x50,y50)}作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，測試樣本為500個，其輸入xi為區(qū)間[0，1]之內(nèi)的隨機(jī)值，將其輸入到訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)可得函數(shù)的逼近值，實(shí)際函數(shù)值由式(8)計算得出。

初始網(wǎng)絡(luò)結(jié)構(gòu)為1—2—1(即一個輸入節(jié)點(diǎn)，兩個隱含節(jié)點(diǎn)，一個輸出節(jié)點(diǎn))的三層BP網(wǎng)絡(luò)，激勵函數(shù)采用Sigmoidal函數(shù)，初始權(quán)值取(-1.0，1.0)范圍內(nèi)隨機(jī)值，候選隱含神經(jīng)元訓(xùn)練過程中同時訓(xùn)練8個候選節(jié)點(diǎn)。圖2是改進(jìn)前、后CC算法的均方誤差對比圖，可見改進(jìn)CC算法僅需添加7個隱含神經(jīng)元就可完全收斂，均方誤差為0.0001，而常規(guī)CC算法需添加17個隱含神經(jīng)元才收斂到目標(biāo)誤差。

在[0，1]之間隨機(jī)取500個測試樣本，輸入到已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，用于驗(yàn)證神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近效果。圖3為兩種神經(jīng)網(wǎng)絡(luò)輸出結(jié)果： 常規(guī)CC算法函數(shù)逼近出現(xiàn)“鋸齒”形狀，權(quán)值病態(tài)增長影響了網(wǎng)絡(luò)的泛化能力(紅色曲線)； 綠色曲線是改進(jìn)后CC算法函數(shù)逼近效果，“鋸齒”現(xiàn)象消失，與實(shí)際曲線吻合很好。

仿真過程中，對訓(xùn)練和測試重復(fù)了30次。表1為算法改進(jìn)前、后的對照效果，可見改進(jìn)后的CC算法不僅提高了收斂速度，而且在一定程度上提高了神經(jīng)網(wǎng)絡(luò)的泛化能力。

圖2 均方根誤差對照圖

算法平均新隱節(jié)點(diǎn)數(shù)平均訓(xùn)練誤差平均訓(xùn)練時間/s平均測試誤差常規(guī)CC16.57.82×10-443.61.63×10-3改進(jìn)CC7.04.15×10-45.75.19×10-4

3 地震屬性提取及交會分析

地震屬性的選取是神經(jīng)網(wǎng)絡(luò)初至拾取過程中重要一環(huán)，地震屬性的穩(wěn)定性影響初至拾取精度。不同的地震屬性在不同地區(qū)以及針對不同的震源會有不同的拾取效果，因此穩(wěn)定的地震屬性以及能正確區(qū)分初至波的地震屬性是神經(jīng)網(wǎng)絡(luò)識別初至波的前提。

通過算法編程從地震資料中提取多種地震屬性，然后進(jìn)行分析對比，最后選取瞬時強(qiáng)度比、振幅、頻率、曲線長度比、相鄰道相關(guān)性這五種地震屬性來綜合識別初至波。瞬時強(qiáng)度比是通過先對地震道做希爾伯特變換，通過復(fù)地震道分析技術(shù)可求得瞬時振幅，然后再計算前后兩時窗內(nèi)瞬時振幅的平方和之均方根之比便可求得瞬時強(qiáng)度比。頻率是為了考察地震道局部波形的主頻，一般在一個高斯時窗內(nèi)對地震數(shù)據(jù)做短時傅氏變換可求得主頻。圖4為振幅和頻率與瞬時強(qiáng)度比的三維交會圖，可看出初至波與非初至波有明顯的分類邊界。

相鄰道相關(guān)性是在選定時窗內(nèi)考察當(dāng)前道與前后相鄰n道局部波形的相似性而提出的一個地震屬性，可用于檢測初至波同相軸。即通過傾角掃描相關(guān)法[20]求得當(dāng)前道與前后n道互相關(guān)函數(shù)平均值的極大值，其值介于0～1之間。在初至波處，當(dāng)前道與前后n道一般有很強(qiáng)相似性，即屬性值為一較大值。如圖5所示：在初至波之前為隨機(jī)噪聲，其屬性值為一個較小值；初至波之后的有效波若存在同相軸，其屬性值仍為一較大值，故該屬性是半穩(wěn)定的，需結(jié)合其他地震屬性共同識別初至波。

圖5 相鄰道相關(guān)性隨道號的分布

曲線長度比是將時窗內(nèi)的地震波包絡(luò)線長度的變化作為一種地震屬性，用以識別初至波。曲線長度比即為前后相鄰兩時窗內(nèi)線積分比值，它體現(xiàn)了地震波的振幅和頻率特征[21]，其變化情況能反映波形的變化情況。圖6是曲線長度比與相鄰道相關(guān)性的交會圖，圖7是曲線長度比與振幅、頻率的三維交會圖，從兩圖可看出初至波與非初至波同樣分類邊界依然非常明顯。

圖6 相鄰道相關(guān)性與曲線長度比的交會圖

圖7 振幅和頻率及曲線長度比的交會圖

瞬時強(qiáng)度比、振幅、頻率、曲線長度比、相鄰道相關(guān)性這五種地震屬性的組合適應(yīng)于不同地形的神經(jīng)網(wǎng)絡(luò)初至波拾取的要求，其組合有較強(qiáng)的穩(wěn)定性，對低信噪比數(shù)據(jù)的初至也有較強(qiáng)的識別能力。

4 神經(jīng)網(wǎng)絡(luò)在初至拾取中的應(yīng)用

4.1 輸入及輸出數(shù)據(jù)的處理

神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要可靠的訓(xùn)練樣本，本文采用手工拾取的初至波作為訓(xùn)練樣本。為了方便進(jìn)行手工拾取并保證神經(jīng)網(wǎng)絡(luò)的拾取精度，僅考查初至波波峰，手工拾取初至波的波峰時間?？紤]到地層的吸收衰減及波前擴(kuò)散效應(yīng)，地震數(shù)據(jù)的近炮檢距振幅值與遠(yuǎn)炮檢距的振幅值差異較大，在提取地震屬性前先對地震數(shù)據(jù)進(jìn)行歸一化，消除近炮檢距和遠(yuǎn)炮檢距地震數(shù)據(jù)的振幅差異，這樣有利于提高初至拾取的精度。提取地震屬性時，根據(jù)人工拾取的初至波峰時間提取初至波的屬性值，然后再求取初至波前后四個非初至波波峰的地震屬性值作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)。

采用Sigmoidal函數(shù)作為神經(jīng)網(wǎng)絡(luò)激勵函數(shù)，根據(jù)其“倒鐘”分布特性，當(dāng)數(shù)據(jù)在遠(yuǎn)離0的區(qū)域里進(jìn)行學(xué)習(xí)時，處于飽和區(qū)段，學(xué)習(xí)收斂速度很慢，甚至出現(xiàn)麻痹現(xiàn)象，因此需要對樣本輸入進(jìn)行規(guī)范化。規(guī)范化公式如下

(10)

式中：x′為規(guī)劃化后的特征樣本；xmax為特征樣本極大值；xmin為特征樣本的極小值。

圖8為噶爾盆地M工區(qū)測線的地震數(shù)據(jù)初至拾取效果，從中可看出，初至波到達(dá)前存在一定的噪聲干擾，但初訓(xùn)練樣本進(jìn)行規(guī)范化后，輸入數(shù)據(jù)都在區(qū)間[0，1]內(nèi)，確保在不減少數(shù)據(jù)間聯(lián)系的前提下，提高了網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)的速度。

將訓(xùn)練成功之后的神經(jīng)網(wǎng)絡(luò)用于初至拾取時，考慮到其工作效率，不可能逐個考察每個采樣點(diǎn)，因此，為了提高拾取效率，對初至波搜索范圍進(jìn)行了限制。其方法是對手工拾取的初至波峰時間(必須包含近炮檢距與遠(yuǎn)炮檢距的初至數(shù)據(jù))與其炮檢距進(jìn)行最小二乘法曲線擬合，得到初至波峰時間與炮檢距的近似關(guān)系式。在隨后的拾取過程中再調(diào)用這個關(guān)系式，根據(jù)炮檢距信息估算初至波時間，然后以此估算的初至波時間為中點(diǎn)開了一個搜索時窗，神經(jīng)網(wǎng)絡(luò)在此時窗內(nèi)搜索初至波波峰即可?？紤]到折射波的傳播特征[22]，可以設(shè)定一個最小折射波速度和一個最大折射波速度，根據(jù)這兩個速度以及炮檢距信息來確定初至波的搜索范圍。

神經(jīng)網(wǎng)絡(luò)拾取的是初至波的波峰時間。對可控震源，其初至?xí)r間即為波峰時間； 對炸藥震源，其初至?xí)r間則為初至波起跳時間[23]。炸藥震源初至波起跳點(diǎn)與初至波峰點(diǎn)之間的時間差與初至波周期有關(guān)，一般為3/4個周期。因此，要想得到炸藥震源初至波起跳點(diǎn)時間，則需對拾取初至的位置做時移?？芍苯永玫卣饘傩蕴崛∵^程中得到的初至波頻率信息，若初至波頻率為f，則時移量可由Δτ=3/(4f)求得。

4.2 實(shí)際地震資料處理

為了檢驗(yàn)本算法的拾取效果，對中國西部三個不同地區(qū)的地震數(shù)據(jù)進(jìn)行了初至拾取測試。上述圖8為取自準(zhǔn)噶爾盆地的地表起伏不大、初至波清晰的地震數(shù)據(jù)，可見拾取效果非常理想。

圖9為寧夏銀川盆地L工區(qū)的地震資料。該測線貫穿沙漠和山前礫石帶的交界，圖9中炮集左側(cè)為沙漠中采集的地震數(shù)據(jù)，右側(cè)為山前帶采集的地震數(shù)據(jù)。圖中地震折射波非常明顯，能量較強(qiáng)，甚至超過直達(dá)波，運(yùn)用本算法拾取的初至波峰依然能取得了好的效果。圖10為圖9的局部放大，圖中紅色水平小線段對應(yīng)本文方法拾取的每一道的初至波，這些紅色的小線段密集地排在一起，形成了圖9中的紅色曲線。可看到圖10中直達(dá)波與折射波交界處拾取效果也非常理想。

圖11、圖12為延安黃土塬地區(qū)的原始地震資料及其拾取結(jié)果，圖中的紅色線段意義與圖9一樣。

圖8 準(zhǔn)噶爾盆地M工區(qū)地震數(shù)據(jù)拾取結(jié)果

圖9 寧夏銀川盆地L工區(qū)地震數(shù)據(jù)拾取結(jié)果

圖10 圖9放大效果

圖11 延安黃土塬地區(qū)地震數(shù)據(jù)的拾取結(jié)果

圖12 圖11放大效果

該地區(qū)地表起伏大，未做高程校正之前，初至波高低起伏不定，常規(guī)初至拾取方法難以取得較好效果，采用本算法初至拾取正確率達(dá)到95%以上，圖12為圖11局部的放大，圖中極個別點(diǎn)存在誤差。

5 結(jié)束語

CC算法較之BP算法在初至拾取方面有較大優(yōu)勢，不僅收斂速度快，而且能自行確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，更重要的是這種算法能擴(kuò)展網(wǎng)絡(luò)大小以學(xué)習(xí)新樣本(BP算法不具備的)。改進(jìn)的CC算法進(jìn)一步提高了收斂速度和泛化能力。地震屬性的選取是影響初至拾取精度的一個重要方面，本文所選的五種地震屬性能夠較好地用于識別初至波； 五種地震屬性的組合對初至波的區(qū)分能力較強(qiáng)，效果相對穩(wěn)定性； 實(shí)際地震資料的拾取取得了良好的效果。

當(dāng)然神經(jīng)網(wǎng)絡(luò)不是萬能的，對于品質(zhì)較差的地震資料，其拾取結(jié)果也存在一定誤差，如何從拾取結(jié)果中剔除不可靠的初至波是進(jìn)一步研究的重點(diǎn)。

[1] 曾慶才，曾同生，歐陽永林等.復(fù)雜山地層析反演靜校正新方法及應(yīng)用.石油地球物理勘探，2017，52(3)：418-425，441. Zeng Qingcai，Zeng Tongsheng，Ouyang Yonglin et al.A new tomographic inversion for static corrections in complex mountain areas.OGP，2017，52(3)：418-425，441.

[2] 謝春，劉玉柱，董良國等.基于聲波方程的有限頻伴隨狀態(tài)法初至波旅行時層析.石油地球物理勘探，2015，50(2)：274-282. Xie Chun，Liu Yuzhu，Dong Liangguo et al.First arrival tomography with finite frequency adjoint state method based on acoustic wave equation.OGP，2015，50(2)：274-282.

[3] 楊國權(quán)，丁鵬程，李振春等.應(yīng)用線性程函方程和整形正則化的三維初至波旅行時層析.石油地球物理勘探，2017，52(2)：264-272. Yang Guoquan，Ding Pengcheng，Li Zhenchun et al.3D first arrival traveltime tomography with linearized eikonal equation and shaping regularization.OGP，2017，52(2)：264-272.

[4] 左國平，王彥春，隋榮亮.利用能量比法拾取地震初至的一種改進(jìn)方法.石油物探，2004，43(4)：345-347. Zuo Guoping，Wang Yanchun，Sui Rongliang.An improved method for first arrival pickup using energy ratio.GPP，2004， 43(4)：345-347.

[5] 張偉，王彥春，李洪臣等.地震道瞬時強(qiáng)度比法拾取初至波.地球物理學(xué)進(jìn)展，2009，24(1)：201-204. Zhang Wei，Wang Yanchun，Li Hongchen et al.Seismic first arrival pickup using instantaneous intensity ratio.Progress in Geophysics，2009，24(1)：201-204.

[6] 牛沛琛，張建中.基于數(shù)字圖像處理的地震波初至?xí)r間檢測.計算機(jī)與現(xiàn)代化，2007，(4)：27-30. Niu Peichen，Zhang Jianzhong.First arrival picking based on image processing methods.Computer and Modernization，2007，(4)：27-30.

[7] 曹茂森，任青文，萬林梅等.Length分形維算法拾取地震波初至.石油地球物理勘探，2004，39(5)：509-514. Cao Maosen，Ren Qingwen，Wang Linmei et al.Length fractal dimension method for picking siemic first break.OGP，2004，39(5)：509-514.

[8] 裴正林，余欽范.基于小波變換和BP神經(jīng)網(wǎng)絡(luò)的地震波初至拾取方法.勘察科學(xué)技術(shù)，1999，(4)：61-64. Pei Zhenglin，Yu Qinfan.A wavelet transform and BP neural network-based algorithm for detecting first arrivals on seismic waves.Site Investigation Science and Technology，1999，(4)：61-64.

[9] Murat M E and Rudman A J.Automated first arrival picking：A neural network approach.Geophysical Prospecting，1992，40(6)：587-604.

[10] 王金峰，羅省賢.BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)及其在初至波拾取中的應(yīng)用.物探化探計算技術(shù)，2006，28(1)：14-17. Wang Jinfeng，Luo Shengxian.The improved BP neural network and its application in seismic first breaks picking.Computing Techniques for Geophysical and Geochemical Exploration，2006，28(1)：14-17.

[11] Kusuma T and Brown M M.Cascade-correlation learning architecture for first-break picking and automated trace editing.SEG Technical Program Expanded Abstractsx，1992，11：1136-1139.

[12] Fahlman S E，Lebiere C.The cascade-correlation learning architecture.Advances in Neural Information Processing Systems，1990，524-532.

[13] Baluja S，F(xiàn)ahlman S E.Reducing Network Depth in the Cascade-Correlation Learning Architecture.School of Computer Science，Carnegie Mellon University，1994，1-11.

[14] 楊鐘瑾，史忠科.快速自底向上構(gòu)造神經(jīng)網(wǎng)絡(luò)的方法.數(shù)學(xué)實(shí)踐與認(rèn)識，2004，34(9)：114-118. Yang Zhongjin，Shi Zhongke.Fast approach for cascade-correlation learning.Mathematics in Practice and Theory，2004，34(9)：114-118.

[15] 楊慧中，王偉娜，丁鋒.神經(jīng)網(wǎng)絡(luò)的兩種結(jié)構(gòu)優(yōu)化算法研究.信息與控制，2006，35(6)：700-705. Yang Huizhong，Wang Weina，Ding Feng.Two structure optimization algorithms for neural networks.Information and Control，2006，35(6)：700-705.

[16] 王治國，尹成，唐何兵等.沉積模式約束的地震多屬性水下扇巖相劃分.石油地球物理勘探，2015，50(2)：357-362. Wang Zhiguo，Yin Cheng，Tang Hebing et al.Submarine fan lithofacies identification with depositional model and seismic attributes.OGP，2015，50(2)：357-362.

[17] Hart D I.Improving the reliability of first-break picking with neural networks.SEG Technical Program Expanded Abstracts，1996，15:1662-1665.

[18] Wu Q，Nakayama K.Avoiding weight-ill growth：cascade correlation algorithm with local regularization.Neural Networks，1997，3，1954-1959.

[19] Fahlman S E.Fast learning variations on back-propa-gation：An empirical study.In Proceedings of the 1988 Connectionist Models Summer School，1989，38-51.

[20] 顧漢明，周鴻秋，張學(xué)強(qiáng).初至?xí)r間的自動拾取.物探與化探.1992，16(2):120-129. Gu Hanming，Zhou Hongqiu，Zhang Xueqiang.Automatic pick of first arrival time.Geophysical and Geochemical Exploration，1992，16(2)：120-129.

[21] 印興耀，韓文功，李振春等.地震技術(shù)新進(jìn)展(第一版).山東東營：中國石油大學(xué)出版社，2006，58-75. Yin Xingyao，Han Wengong，Li Zhenchun et al.New Progress in Seismic Technology (First Version).The Publishing House of China University of Petroleum，Dongying，Shandong，2006，58-75.

[22] McCormack M D，Zaucha D E and Dushek D W.First-break refraction event picking and seismic data trace editing using neural networks.Geophysics，1993，58(1)：67-78.

[23] 劉志成.初至智能拾取技術(shù).石油物探，2007，46(5)：521-530. Liu Zhicheng.First break intelligent picking technique.GPP，2007，46(4)：521-530.