常德寬 雍學(xué)善 王一惠 楊午陽 李海山 張廣智

(①中國石油大學(xué)(華東)，山東青島 266555；②中國石油勘探開發(fā)研究院西北分院，甘肅蘭州 730020)

0 引言

地震數(shù)據(jù)解釋過程中一項(xiàng)重要的任務(wù)是斷層解釋，因?yàn)閿鄬涌梢猿蔀橛蜌膺\(yùn)移的主要通道，也可以側(cè)向封堵而形成斷塊油氣藏。因此，準(zhǔn)確識(shí)別斷層對(duì)油氣的勘探開發(fā)具有重要意義。斷層在地震剖面上表現(xiàn)為同相軸低連續(xù)或高度不連續(xù)性。傳統(tǒng)的斷層解釋多由人機(jī)交互方式完成，效率低，人為因素可能導(dǎo)致結(jié)果不確定性大，加大了油氣勘探開發(fā)的成本和風(fēng)險(xiǎn)。

為了提高斷層解釋的效率，研究人員提出了很多方法。Bahorich等[1]提出互相關(guān)方法，對(duì)每道地震數(shù)據(jù)及其鄰域的地震道進(jìn)行歸一化互相關(guān)以識(shí)別斷層。然而，該方法不適用于低信噪比的地震數(shù)據(jù)。Marfurt等[2]和Hale[3]將相似性算法用于檢測(cè)地震數(shù)據(jù)中的不連續(xù)性。Marfurt等[4]提出特征結(jié)構(gòu)相干算法，用于構(gòu)造具有特征分解矩陣的協(xié)方差矩陣和特征分解矩陣。這些算法對(duì)斷層識(shí)別的精度均很高，但對(duì)于低信噪比條件下的地震數(shù)據(jù)則需要更多的計(jì)算時(shí)間。Pedersen等[5]首次將螞蟻?zhàn)粉櫡椒ㄓ糜谔崛⌒鄬樱液喜⑿纬奢^大的斷層面。Aurnhammer等[6]提出遺傳算法用于自動(dòng)化地震圖像中的斷層識(shí)別。印興耀等[7]提出使用離心窗傾角掃描的曲率屬性識(shí)別小斷層。陳雷等[8]利用相似性傳播聚類與主成分分析進(jìn)行斷層識(shí)別。趙鳳全等[9]將構(gòu)造導(dǎo)向?yàn)V波用于斷裂識(shí)別，取得了較好的應(yīng)用效果。Wu等[10]提出3D圖像處理方法，自動(dòng)計(jì)算與斷層相鄰的圖像樣本的斷層面和傾斜滑動(dòng)矢量。上述方法可用于斷層識(shí)別，但基于經(jīng)驗(yàn)的參數(shù)設(shè)置可影響斷層識(shí)別結(jié)果的準(zhǔn)確性。

近年來，深度學(xué)習(xí)在多個(gè)領(lǐng)域取得了顯著的成就，特別是在分類、特征提取等方面具有突出的優(yōu)勢(shì)。在地震勘探領(lǐng)域，研究人員探索了深度學(xué)習(xí)方法在地震數(shù)據(jù)處理和解釋中的應(yīng)用。Srisutthiyakorn[11]將深度學(xué)習(xí)方法用于預(yù)測(cè)滲透率。Lewis等[12]應(yīng)用深度學(xué)習(xí)方法，利用FWI反演模型的地震圖像建立地質(zhì)模型。Huang等[13]應(yīng)用深度學(xué)習(xí)方法，利用地震屬性分析地質(zhì)特征。Serfaty等[14]通過主成分分析和局部角度域深度學(xué)習(xí)分離地震波場(chǎng)。Chang等[15-16]將生成對(duì)抗網(wǎng)絡(luò)用于地震數(shù)據(jù)插值。Wang等[17]將深度殘余網(wǎng)絡(luò)用于地震數(shù)據(jù)插值。王鈺清等[18]利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)壓制地震隨機(jī)噪聲，通過數(shù)據(jù)增廣的方式生成標(biāo)簽數(shù)據(jù)，以提高去噪模型的泛化能力。張玉璽等[19]利用深度學(xué)習(xí)進(jìn)行多屬性鹽丘自動(dòng)識(shí)別。李海山等[20]利用深度殘差網(wǎng)絡(luò)壓制地震數(shù)據(jù)噪聲。Xiong等[21]和Wu等[22]應(yīng)用深度學(xué)習(xí)方法進(jìn)行斷層智能化識(shí)別，取得了初步效果。Xiong等[21]使用相干體作為斷層標(biāo)簽數(shù)據(jù)，訓(xùn)練深度學(xué)習(xí)模型，預(yù)測(cè)結(jié)果與應(yīng)用相干體技術(shù)預(yù)測(cè)斷層結(jié)果相似，精度并未明顯提高。Wu等[22]使用正演合成數(shù)據(jù)制作標(biāo)簽數(shù)據(jù)集，用于深度學(xué)習(xí)模型訓(xùn)練，在構(gòu)造簡單的實(shí)際工區(qū)數(shù)據(jù)斷層識(shí)別中取得了較好效果，但在復(fù)雜構(gòu)造工區(qū)數(shù)據(jù)的斷層識(shí)別中存在明顯假象。Chang等[23]提出利用U-Net網(wǎng)絡(luò)進(jìn)行斷層識(shí)別，利用合成數(shù)據(jù)和實(shí)際數(shù)據(jù)一起訓(xùn)練深度學(xué)習(xí)模型，試圖解決智能斷層識(shí)別網(wǎng)絡(luò)的泛化能力弱的問題。

為了提高地震數(shù)據(jù)斷層識(shí)別的精度和效率，本文結(jié)合U-Net架構(gòu)和深度殘差網(wǎng)絡(luò)(ResNet)，構(gòu)建智能地震數(shù)據(jù)斷層識(shí)別網(wǎng)絡(luò)(SeisFault-Net)。U-Net架構(gòu)適用于數(shù)據(jù)特征檢測(cè)和提取，ResNet網(wǎng)絡(luò)結(jié)構(gòu)有助于訓(xùn)練深度深層網(wǎng)絡(luò)，因此利用兩種網(wǎng)絡(luò)架構(gòu)的優(yōu)勢(shì)可有效提高深層網(wǎng)絡(luò)訓(xùn)練收斂速度和斷層識(shí)別精度。同時(shí)，SeisFault-Net利用GPU進(jìn)行數(shù)據(jù)處理，因此可大幅提高斷層檢測(cè)效率。

1 方法原理

1.1 ResNet結(jié)構(gòu)

ResNet是一種用于訓(xùn)練更深層網(wǎng)絡(luò)的框架[20]，通過在卷積神經(jīng)網(wǎng)絡(luò)塊(圖1a)上添加一個(gè)跳躍連接(Skip Connection)，將輸入向量和卷積層的輸出融合在一起構(gòu)建殘差學(xué)習(xí)塊(圖1b)。利用圖1a所示的卷積神經(jīng)網(wǎng)絡(luò)塊構(gòu)建深層網(wǎng)絡(luò)時(shí)，層數(shù)的增加會(huì)導(dǎo)致深層存在網(wǎng)絡(luò)梯度消失或者爆炸現(xiàn)象，使深度網(wǎng)絡(luò)模型難以有效訓(xùn)練，出現(xiàn)模型退化問題。He等[24]提出的殘差神經(jīng)網(wǎng)絡(luò)塊(圖1b)用于解決深層網(wǎng)絡(luò)模型退化問題，該網(wǎng)絡(luò)結(jié)構(gòu)基于恒等映射的思想，即每堆疊一層網(wǎng)絡(luò)，堆疊前的輸入與堆疊后的輸出相同，使新增網(wǎng)絡(luò)層只需學(xué)習(xí)一個(gè)殘差函數(shù)即可。

圖1 卷積神經(jīng)網(wǎng)絡(luò)塊(a)和殘差神經(jīng)網(wǎng)絡(luò)塊(b)x為輸入地震數(shù)據(jù)；F(x)為殘差函數(shù)；ReLU為激活函數(shù)

深度殘差網(wǎng)絡(luò)由堆疊的多個(gè)殘差學(xué)習(xí)塊組成，每個(gè)殘差學(xué)習(xí)塊的殘差函數(shù)為

I(xl)=xl+F(xl,θl)

(1)

xl+1=f[I(xl)]

(2)

式中：I(xl) 為同等映射函數(shù)；xl和xl+1表示第l個(gè)殘差學(xué)習(xí)塊的輸入和輸出，l∈N，N為網(wǎng)絡(luò)堆疊層數(shù)；F是殘差函數(shù)；θl表示第l個(gè)殘差學(xué)習(xí)塊的卷積核；激活函數(shù)f使用的是整流線性單元函數(shù)ReLU[25]。

同等映射函數(shù)允許將較深層中的梯度值快速傳遞到較淺層，這有效解決了網(wǎng)絡(luò)訓(xùn)練過程中由于鏈?zhǔn)角髮?dǎo)法則導(dǎo)致的梯度爆炸或梯度消失的問題，從而提高網(wǎng)絡(luò)訓(xùn)練過程的穩(wěn)定性和效率。

1.2 SeisFault-Net結(jié)構(gòu)

U-Net架構(gòu)最初由Ronneberger等[26]提出并用于生物醫(yī)學(xué)圖像的目標(biāo)分割。U-Net架構(gòu)具有多尺度、多層次的特征，能有效識(shí)別、定位目標(biāo)的邊界。U-Net由編碼子網(wǎng)絡(luò)和解碼子網(wǎng)絡(luò)構(gòu)成。編碼子網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行編碼學(xué)習(xí)，池化層和上采樣層將數(shù)據(jù)流放大、縮小到不同尺度，實(shí)現(xiàn)對(duì)數(shù)據(jù)降維或升維計(jì)算。解碼子網(wǎng)絡(luò)學(xué)習(xí)在不同尺度下的數(shù)據(jù)流中的特性信息，使U-Net架構(gòu)可以進(jìn)行端到端訓(xùn)練，實(shí)現(xiàn)數(shù)據(jù)的語義分割。在編碼子網(wǎng)絡(luò)和解碼子網(wǎng)絡(luò)之間利用跳躍連接將多層信息進(jìn)行融合，可提高目標(biāo)特征識(shí)別的精度。

鑒于斷層識(shí)別需要準(zhǔn)確刻畫邊界和位置，本文將U-Net網(wǎng)絡(luò)和ResNet結(jié)合構(gòu)建用于地震數(shù)據(jù)斷層識(shí)別的SeisFault-Net。SeisFault-Net將ResNet訓(xùn)練深層網(wǎng)絡(luò)的優(yōu)勢(shì)與U-Net架構(gòu)的特征分割相結(jié)合，實(shí)現(xiàn)對(duì)地震數(shù)據(jù)斷層的高精度識(shí)別。

SeisFault-Net如圖2所示，設(shè)計(jì)為對(duì)稱結(jié)構(gòu)，由三類層構(gòu)成，包括ResNet塊、池化層(Pooling)和上采樣層(Up-Sampling)。其中，ResNet塊由3個(gè)卷積層和1個(gè)跳躍連接構(gòu)成，第一、第二、第三層卷積核分別為1×1、3×3、1×1，共11個(gè)塊。利用兩個(gè)1×1的卷積層代替3×3的卷積層降低整個(gè)網(wǎng)絡(luò)模型的學(xué)習(xí)參數(shù)量，在不影響殘差學(xué)習(xí)塊的性能的同時(shí)，對(duì)原始3×3卷積核網(wǎng)絡(luò)的冗余參數(shù)進(jìn)行壓縮。池化層為步長2×2的最大池化，共4層，用于地震數(shù)據(jù)降維，提高后續(xù)的卷積層對(duì)地震數(shù)據(jù)的感受野。上采樣層是卷積核為2×2、步長為1×1的反卷積層，共4層。使用反卷積層可以從映射層中學(xué)習(xí)重建的特征，使上采樣的數(shù)據(jù)能夠更準(zhǔn)確地重建斷層特征。

圖2 SeisFault-Net網(wǎng)絡(luò)(a)地震數(shù)據(jù)；(b) SeisFault-Net網(wǎng)絡(luò)結(jié)構(gòu)；(c)標(biāo)簽數(shù)據(jù)

SeisFault-Net可表示為

(3)

對(duì)SeisFault-Net網(wǎng)絡(luò)模型進(jìn)行優(yōu)化的損失函數(shù)為二分類的交叉熵函數(shù)，即

(4)

2 數(shù)據(jù)試算

2.1 訓(xùn)練數(shù)據(jù)集

為了提高SeisFault-Net的泛化能力，本文共選取7個(gè)工區(qū)的地震數(shù)據(jù)(圖3a)，將地震數(shù)據(jù)分割為256×256的數(shù)據(jù)塊。其中，5個(gè)工區(qū)的數(shù)據(jù)用于制作訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集，共有800個(gè)地震數(shù)據(jù)塊； 2個(gè)工區(qū)的地震數(shù)據(jù)用于測(cè)試數(shù)據(jù)集，共有150個(gè)地震數(shù)據(jù)塊。實(shí)際地震數(shù)據(jù)集中包含線性的和非線性的斷層類型，標(biāo)注斷層可獲得標(biāo)簽數(shù)據(jù)集(圖3b)。

圖3 訓(xùn)練數(shù)據(jù)集(a)地震數(shù)據(jù)；(b)標(biāo)簽數(shù)據(jù)

2.2 SeisFault-Net訓(xùn)練

首先，利用訓(xùn)練地震數(shù)據(jù)集訓(xùn)練SeisFault-Net，使用動(dòng)態(tài)學(xué)習(xí)率，即

(5)

其中

式中：I0=0.01為初始學(xué)習(xí)率；r為衰減系數(shù)；s為衰減步長；g為全局步長；k為訓(xùn)練次數(shù)；int(·)表示取整。隨著訓(xùn)練次數(shù)的增加，學(xué)習(xí)率降低，這有助于提高模型收斂速度，降低模型訓(xùn)練時(shí)間。圖4a為訓(xùn)練實(shí)際數(shù)據(jù)集的損失函數(shù)曲線。由圖可見，經(jīng)過100次訓(xùn)練后，損失函數(shù)值基本穩(wěn)定。圖4b為預(yù)測(cè)斷層準(zhǔn)確率曲線，驗(yàn)證集的斷層預(yù)測(cè)準(zhǔn)確率在80次訓(xùn)練后基本穩(wěn)定在0.92附近。

圖4 SeisFault-Net訓(xùn)練曲線(a)損失函數(shù)曲線；(b)斷層預(yù)測(cè)準(zhǔn)確率

2.3 SeisFault-Net模型驗(yàn)證

利用驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集測(cè)試訓(xùn)練后Seis-Fault-Net網(wǎng)絡(luò)模型的斷層預(yù)測(cè)性能。圖5為驗(yàn)證集數(shù)據(jù)斷層識(shí)別結(jié)果。由圖可見，經(jīng)過訓(xùn)練后的SeisFault-Net在驗(yàn)證數(shù)據(jù)集上斷層預(yù)測(cè)準(zhǔn)確，與標(biāo)簽數(shù)據(jù)一致。

圖5 SeisFault-Net驗(yàn)證數(shù)據(jù)集斷層識(shí)別結(jié)果(a)地震數(shù)據(jù)；(b)斷層標(biāo)簽數(shù)據(jù)；(c)SeisFault-Net預(yù)測(cè)斷層

測(cè)試數(shù)據(jù)集斷層識(shí)別結(jié)果如圖6所示。訓(xùn)練后的SeisFault-Net在測(cè)試數(shù)據(jù)上斷層預(yù)測(cè)效果較好，準(zhǔn)確刻畫了斷層位置和邊界。這說明SeisFault-Net具備應(yīng)用于實(shí)際斷層識(shí)別的泛化能力。

圖6 SeisFault-Net測(cè)試數(shù)據(jù)集斷層識(shí)別結(jié)果(a)地震數(shù)據(jù)；(b)SeisFault-Net預(yù)測(cè)斷層

利用測(cè)試數(shù)據(jù)進(jìn)行斷層識(shí)別準(zhǔn)確率和效率測(cè)試。圖7為SeisFault-Net方法和相干體技術(shù)斷層識(shí)別效果對(duì)比，可以看到SeisFault-Net方法明顯優(yōu)于相干算法，且計(jì)算效率為相干算法的18倍。

圖7 SeisFault-Net與相干算法斷層識(shí)別效果對(duì)比(a)地震數(shù)據(jù)；(b)相干算法；(c)SeisFault-Net方法

3 應(yīng)用效果

3.1 泛化性能

使用實(shí)際數(shù)據(jù)體測(cè)試SeisFault-Net斷層識(shí)別能力。圖8為DJ工區(qū)地震剖面識(shí)別斷層的投影顯示，通過訓(xùn)練后的SeisFault-Net無需設(shè)置任何參數(shù)即可進(jìn)行線性和非線性斷層的識(shí)別。由圖8可見，SeisFault-Net識(shí)別的斷層位置與地震同相軸不連續(xù)處基本重合，且斷層垂向連續(xù)性好；黃色虛線框內(nèi)識(shí)別的斷層清晰，位置準(zhǔn)確；藍(lán)色框內(nèi)由于地震資料分辨率較低，斷層的垂向連續(xù)性受到影響，但 SeisFault-Net也可以精確識(shí)別斷層的位置和方向，這表明經(jīng)過訓(xùn)練后的SeisFault-Net的泛化能力較強(qiáng)。

圖8 實(shí)際數(shù)據(jù)體預(yù)測(cè)斷層的投影顯示黑色投影線為SeisFault-Net方法識(shí)別的斷層

3.2 斷層識(shí)別

利用DQ工區(qū)三維地震數(shù)據(jù)體測(cè)試SeisFault-Net，并且與相干算法進(jìn)行比較。三維地震數(shù)據(jù)體大小為1.02GB，使用機(jī)器型號(hào)為Nvidia P100 GPU。SeisFault-Net識(shí)別斷層耗時(shí)5.53s，相干算法識(shí)別斷層耗時(shí)107.00s，即SeisFault-Net計(jì)算效率是相干算法的19.35倍。

圖9為DQ工區(qū)三維數(shù)據(jù)體的等時(shí)切片。由圖可見，SeisFault-Net識(shí)別的斷層位置準(zhǔn)確，橫向展布清晰，斷層連續(xù)性好(如圖中黃色箭頭處)；與相干算法識(shí)別的斷層(圖9b)相比，SeisFault-Net識(shí)別的斷層(圖9c)細(xì)節(jié)特征更豐富，斷層展布清晰(如圖中黃色方框內(nèi))。圖10為地震剖面對(duì)比結(jié)果，可見相干算法識(shí)別斷層連續(xù)性差，存在水平干擾現(xiàn)象，而SeisFault-Net識(shí)別的斷層位置準(zhǔn)則，不存在水平干擾。

圖9 實(shí)際數(shù)據(jù)等時(shí)切片(a)地震數(shù)據(jù)等時(shí)切片；(b)相干算法識(shí)別斷層切片；(c)SeisFault-Net識(shí)別斷層切片

圖10 地震剖面不同方法斷層識(shí)別結(jié)果對(duì)比(a)地震數(shù)據(jù)；(b)相干算法；(c)SeisFault-Net方法

4 結(jié)論

本文提出基于深度殘差網(wǎng)絡(luò)與U-Net架構(gòu)聯(lián)合識(shí)別地震資料斷層的方法，能有效識(shí)別實(shí)際數(shù)據(jù)中的斷層。SeisFault-Net網(wǎng)絡(luò)利用了U-Net架構(gòu)，通過編碼子網(wǎng)絡(luò)和解碼子網(wǎng)絡(luò)在高維空間有效表征地震數(shù)據(jù)中的斷層特征，利用跳躍連接將多層的特征信息進(jìn)行融合，提高了斷層識(shí)別準(zhǔn)確性。同時(shí)，SeisFault-Net利用ResNet層，提高了網(wǎng)絡(luò)訓(xùn)練效率。相較于相干算法，本文方法能更有效、準(zhǔn)確識(shí)別斷層位置，識(shí)別的斷層的垂向連續(xù)性更好。SeisFault-Net用于地震斷層識(shí)別的計(jì)算效率高，能極大縮短地震數(shù)據(jù)的斷層解釋時(shí)間，降低斷層解釋結(jié)果的人為不確定性。