劉佳楠，武 杰

(1.中國科學(xué)技術(shù)大學(xué) 近代物理系，安徽 合肥 230026；2.中國科學(xué)技術(shù)大學(xué) 核探測技術(shù)與核電子學(xué)國家重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230026)

0 引言

在地震勘探過程中，檢波器最先接收到的有效地震波稱為“初至波”。初至波的拾取，是地震數(shù)據(jù)處理的一個基礎(chǔ)而又重要的工作，在折射波靜校正、垂直地震剖面解釋和地震層析成像等過程中起著重要的作用。

隨著地震勘探采集技術(shù)的不斷提高，單位地震勘探工程得到的數(shù)據(jù)量隨之劇增。同時，勘探的地形日漸復(fù)雜，初至波波形變化較大，各種波相互干擾，常常難以獲得準(zhǔn)確的初至?xí)r間，一直是初至拾取方法的難題[1]。因此，需要耗費(fèi)大量的人力資源來進(jìn)行初至波的拾取工作，這極大限制著數(shù)據(jù)處理的效率。

在地震記錄中，初至波作為純噪聲與有效信號之間有明顯的分界，具有能量強(qiáng)、起跳明顯的特點(diǎn)，與圖形的邊界特征類似。

李輝峰等人[2]和牛沛琛等人[3]使用圖像處理技術(shù)來檢測初至波，把地震記錄數(shù)據(jù)轉(zhuǎn)化成灰度圖，再對灰度圖進(jìn)行二值化處理?；趫D像處理技術(shù)對于二值化閾值的確定要求很高，在初至波與背景噪聲的邊界模糊的時候，無法得到很好的拾取效果。盡管牛沛琛等人采用自適應(yīng)閾值算法來確定二值化閾值對于信噪比高的地震數(shù)據(jù)能取得不錯的效果，但是當(dāng)信噪比降低，出現(xiàn)異常道時，需要通過人工多次交互確定二值化的閾值。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種基于對海量數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法，當(dāng)前已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域富有生命力的研究方向[4]，在圖像處理、文本處理和語音識別等方面取得了成功的應(yīng)用。

2014年的ImageNet大規(guī)模視覺識別競賽(ImageNet Large Scale Visual Recognition Challenge， ILSVRC)，SZEGEDY C等人[5]提出的GoogleNet獲得圖像分類組第1名，將錯誤率從15.3%降到了6.67%。語音方面，2017年8月，微軟亞洲研究院將語音識別錯誤率從5.9%下降到5.1%，超過了專業(yè)的速記員[6]。

2015年LONG J等人[7]首次利用全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Networks， FCN)來進(jìn)行圖像語義分割。該結(jié)構(gòu)實(shí)現(xiàn)了像素級別的預(yù)測，分割的效果遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的分割算法。

本文結(jié)合初至波的特點(diǎn)，參考FCN在圖像語義分割和邊緣檢測的成功應(yīng)用，把初至波拾取看成二分類問題，利用全卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行拾取。

接下來對FCN進(jìn)行介紹，然后說明數(shù)據(jù)的處理流程，最后對三種不同深度的網(wǎng)絡(luò)進(jìn)行測試，將性能最優(yōu)的結(jié)構(gòu)與TomoPlus拾取的結(jié)果進(jìn)行對比。

1 全卷積神經(jīng)網(wǎng)絡(luò)FCN

如圖1所示，F(xiàn)CN是在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行延伸，將全連接層全部換為卷積層。在最后一層池化層之后開始連接反卷積層，池化層實(shí)現(xiàn)下采樣，而反卷積層實(shí)現(xiàn)上采樣，逐漸地將數(shù)據(jù)恢復(fù)到原來大小。

圖1 FCN結(jié)構(gòu)圖

這里以具有三層卷積層網(wǎng)絡(luò)3layer為例來對FCN進(jìn)行介紹，如圖2所示。在此說明一下，參考SIMONYAN K等人[8]提出的VGG網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)思想，每一層卷積層由連續(xù)多個卷積核構(gòu)成。本文搭建的網(wǎng)絡(luò)結(jié)構(gòu)中，池化核大小均為2×2，除了最后一個池化層采用最大值池化，其他池化層均采用平均池化。卷積核大小均為3×3，反卷積核大小均為2×2。

如圖2所示，每經(jīng)過一層池化層，數(shù)據(jù)的長和寬均變?yōu)橹暗?/2。對最后一層池化層的輸出進(jìn)行上采樣，此時反卷積之后得到的數(shù)據(jù)的長和寬為反卷積前數(shù)據(jù)的長和寬的2倍，與第二個池化層(Pool2)輸出的數(shù)據(jù)尺寸一樣，將這兩層數(shù)據(jù)相加，得到融合層Fuse1，目的在于融合更多前層的信息，增強(qiáng)模型的預(yù)測效果。同理，一步一步地進(jìn)行反卷積，直到恢復(fù)到輸入數(shù)據(jù)的大小?？梢钥闯?，F(xiàn)CN對輸入數(shù)據(jù)的大小并沒有要求。

2 數(shù)據(jù)處理

對多個地震勘探數(shù)據(jù)文件進(jìn)行解析，得到多個真實(shí)地震勘探共炮集數(shù)據(jù)，地震道數(shù)在300～400道不等。然后手動分類標(biāo)注數(shù)據(jù)，初至波為一類，背景為一類。在標(biāo)注過程中，本文標(biāo)注初至?xí)r刻之后第一個半波，而不是初至?xí)r刻，因?yàn)槎鄠€點(diǎn)攜帶的信息更多。然后將樣本裁剪成統(tǒng)一大小的樣本。

對于不同的炮、不同的勘探地形所測得的地震數(shù)據(jù)的差別很大，甚至差幾個數(shù)量級。對數(shù)據(jù)進(jìn)行訓(xùn)練時應(yīng)該保證數(shù)據(jù)有相近的尺度，能夠有效地幫助梯度下降算法更快地收斂。因此，需要對數(shù)據(jù)進(jìn)行歸一化。本文采取先對每個數(shù)據(jù)取絕對值，然后再采用“簡單縮放法”，即對每一道地震數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，選取最大值和最小值，兩者相減，得到數(shù)據(jù)的長度。然后每個樣本依次減去最小值，之后再除以數(shù)據(jù)的長度。歸一化公式如式(1)所示：

(1)

式中，x*為每一道樣本點(diǎn)歸一化后的數(shù)據(jù)值，xi為每一道樣本點(diǎn)的絕對值，xmax和xmin分別為每一道樣本點(diǎn)絕對值的最大值和最小值。

3 實(shí)驗(yàn)分析

3.1 不同深度網(wǎng)絡(luò)性能測試

本文中搭建了三種不同深度的FCN，圖2為3layer結(jié)構(gòu)，依次增加卷積層和池化層，對應(yīng)地增加反卷積層和融合層，得到4layer和5layer結(jié)構(gòu)。測試樣本為20炮地震數(shù)據(jù)，每一炮的道數(shù)各異。

評價這三個網(wǎng)絡(luò)性能的指標(biāo)為IoU(Intersection over Union)和拾取率(Picking Rate, PR)。

圖2 3layer結(jié)構(gòu)圖

在此強(qiáng)調(diào)一下，每一地震道的初至信息標(biāo)注的是一個半波，模型預(yù)測的也是多個數(shù)值。IoU表示兩個集合的交集的元素個數(shù)與并集的元素個數(shù)之比，IoU值越大，表示測量與預(yù)測之間的相關(guān)度越高。

在本文的實(shí)驗(yàn)中，對于每一個測試樣本，先計(jì)算每一道地震道的IoU值，然后求平均值作為該樣本的IoU值。計(jì)算公式如式(2)所示：

(2)

式中，n表示每一個樣本中地震道的道數(shù)，Apred i和Atrue i分別表示每一道地震道模型預(yù)測和手工標(biāo)注的情況。

拾取率PR的計(jì)算如式(3)所示：

(3)

其中，npred表示模型拾取的道數(shù)，ntrue表示手工拾取的道數(shù)。

不同模型測試20炮數(shù)據(jù)的IoU值如圖3所示。

圖3 不同深度的網(wǎng)絡(luò)的IoU值

拾取率的平均值和方差情況如表1所示。

表1 三種不同深度的網(wǎng)絡(luò)拾取率平均值和方差比較

從表1可看出，4layer以94.5%的拾取率居這三種網(wǎng)絡(luò)結(jié)構(gòu)之首，其方差值也最小，說明4layer對于各道的拾取率的離散程度最小。

綜上，從IoU和拾取率這兩個指標(biāo)對三種不同深度的網(wǎng)絡(luò)結(jié)構(gòu)的性能進(jìn)行比較，4layer的性能最好。

3.2 與TomoPlus拾取結(jié)果對比

TomoPlus是GeoTomo公司的一款地震數(shù)據(jù)處理軟件，主要用于解決二維及三維靜校正與動校正問題。實(shí)驗(yàn)中利用TomoPlus的時間拾取模塊來自動拾取，拾取的是初至波波峰所在的位置。

3.1小節(jié)提到，4layer模型拾取的是多個數(shù)值，從4layer模型拾取的位置所對應(yīng)的地震數(shù)據(jù)中挑選出幅度值最大的數(shù)值，該值對應(yīng)的位置作為初至?xí)r刻。

評價4layer與TomoPlus的性能的指標(biāo)為擬合度和拾取率。拾取率與3.1小節(jié)中拾取率的計(jì)算方法一致。

擬合度的計(jì)算，以手工標(biāo)注的初至信息的波峰為基準(zhǔn)，分別計(jì)算每一炮中TomoPlus和4layer模型拾取的結(jié)果與手工標(biāo)注的距離，計(jì)算公式如式(4)所示：

(4)

式中，Ptrue表示手動拾取的位置，Ppred表示TomoPlus或4layer拾取的結(jié)果，n表示每一炮中地震道數(shù)目。

TomoPlus和4layer拾取率和擬合度如表2所示。

表2 4layer與TomoPlus性能比較

從表2可看出，在拾取率方面，兩者相差不大，在擬合度方面，TomoPlus拾取結(jié)果的擬合度的離散程度比較大。因此，4layer性能更優(yōu)，具有更好的穩(wěn)定性。接下來以兩份炮集數(shù)據(jù)的拾取情況來進(jìn)行說明。

圖4為某一背景噪聲較低的共炮集數(shù)據(jù)圖，圖5和圖6分別為TomoPlus和4layer的拾取情況?？梢钥闯?，在背景噪聲較低時，兩者都能很好地對初至波進(jìn)行拾取。

圖7為某一背景噪聲較高的共炮集數(shù)據(jù)圖，圖8和圖9分別為TomoPlus和4layer的拾取情況?？梢钥闯觯尘霸肼曒^高時，TomoPlus拾取的情況不如4layer，如圖8中橢圓標(biāo)識所示，TomoPlus沒能很好地對地震道進(jìn)行拾取，出現(xiàn)拾取錯誤和拾取遺漏的問題。而4layer的表現(xiàn)相對高效穩(wěn)定。

4 結(jié)論

在地球物理領(lǐng)域，利用深度學(xué)習(xí)技術(shù)在地震油氣儲層預(yù)測、地震去噪、地震斷層識別、地震速度拾取等方面已有相關(guān)的研究，然而，并不像圖像識別和語音識別領(lǐng)域一樣取得成功的應(yīng)用，目前仍處于起步階段。

本文提出了利用全卷積神經(jīng)網(wǎng)絡(luò)來拾取初至波，這是初至波拾取的一種新的方法，也是在地球物理領(lǐng)域使用深度學(xué)習(xí)技術(shù)的一個嘗試。在對原始的地震數(shù)據(jù)進(jìn)行剪裁、歸一化和標(biāo)注處理后，使用三個不同深度的神經(jīng)網(wǎng)絡(luò)分別對數(shù)據(jù)進(jìn)行訓(xùn)練，然后對這三個網(wǎng)絡(luò)的性能進(jìn)行測試，將性能最優(yōu)的網(wǎng)絡(luò)與商業(yè)地震軟件TomoPlus自動拾取的結(jié)果進(jìn)行對比，結(jié)果表明，利用全卷積神經(jīng)網(wǎng)絡(luò)拾取初至波具有一定的可行性。當(dāng)前得到的模型，其性能還有很大的提高空間，接下來還需要使用更多類型的地震數(shù)據(jù)來對模型進(jìn)行訓(xùn)練，提高模型的泛化能力。

圖4 某一背景噪聲較低的共炮集數(shù)據(jù)圖

圖5 背景噪聲較低時TomoPlus的拾取情況

圖6 背景噪聲較低時4layer的拾取情況

圖7 某一背景噪聲較高的共炮集數(shù)據(jù)圖

圖8 背景噪聲較高時，TomoPlus的拾取情況

圖9 背景噪聲較高時，4layer的拾取情況