閆星宇 李宗杰 顧漢明* 陳本池 鄧光校 劉 軍

(①中國地質大學(武漢)地球物理與空間信息學院，湖北武漢 430074； ②地球內(nèi)部多尺度成像湖北省重點實驗室，湖北武漢 430074； ③中國石化西北油田分公司勘探開發(fā)研究院，新疆烏魯木齊 830011； ④中國石油化工股份有限公司科技部油田處，北京 100728)

1 概況

溶洞是指直徑大于10cm的洞穴，在碳酸鹽巖縫洞型油氣藏中可以成為重要的油氣儲集空間，因此溶洞的識別對于縫洞型油氣藏的勘探與開發(fā)具有重要意義[1-2]。在地震剖面上，溶洞體一般為弱反射背景下的多組強反射集合[3]。碳酸鹽巖縫洞儲集體的正演成果[4]表明，溶洞體在疊后地震剖面上呈“串珠狀”異常反射特征。溶洞作為一種小尺度的地質異常體，地震波在波阻抗界面產(chǎn)生繞射波，同時在垂直方向上產(chǎn)生多個具有較強能量的異常反射[5]，通常表現(xiàn)為強振幅異常反射、振幅變化大、相干程度弱到中等、低波阻抗、低速度等特征?，F(xiàn)有的溶洞識別方法主要基于繞射波地震反射特征[6]、地震屬性[7-8]、測井響應特征[9]以及一些反演方法[10]等。這些傳統(tǒng)方法受地震數(shù)據(jù)信噪比的影響較大，對同相軸能量變化十分敏感，并且最終仍然需要人工進行篩選、識別，效率低且多解性強。因此，有必要研究一種快速且有效的溶洞識別方法，以提高溶洞識別的準確率和效率。

近年來，深度學習技術在計算機視覺等領域中取得了重大進展。基于疊后地震數(shù)據(jù)與像素圖片之間的相似性，許多學者在地震資料解釋中應用能夠自動提取有用特征的卷積神經(jīng)網(wǎng)絡(CNN)，如Wu等[11]、Shi等[12]應用帶有跳躍連接結構的U-Net模型分別實現(xiàn)了斷層識別和鹽丘識別； Alaudah等[13]利用弱監(jiān)督學習方法預測地震相； 王天云等[14]利用神經(jīng)網(wǎng)絡聚類方法分析沉積相； Di等[15]、Peters等[16]基于神經(jīng)網(wǎng)絡算法實現(xiàn)了地層解釋與層位追蹤； Wu等[17]基于U-Net實現(xiàn)了喀斯特地貌中走滑斷層的三維識別； 朱劍兵等[18]基于雙向循環(huán)神經(jīng)網(wǎng)絡實現(xiàn)了河流相儲層預測。迄今卷積神經(jīng)網(wǎng)絡在溶洞識別方面的應用不多。溶洞的地震響應特征復雜、訓練樣本難以獲取等導致深度學習在識別溶洞時極具挑戰(zhàn)性。相較于地震相、鹽丘、斷層這類大尺度地質目標，深度學習方法在碳酸鹽巖溶洞識別時具有以下難點。

(1)深度學習方法識別的往往是地震異常，而非實際的地質目標。溶洞地震波場特征復雜，地震反射異常無法代表實際的地質目標。圖1為某溶洞的實際模型及其對應的正演偏移剖面。由圖可知，如果僅僅是對溶洞的地震反射異常進行識別，則無法確定實際溶洞的結構、形態(tài)和位置。

圖1 溶洞模型及其對應的正演地震偏移剖面(a)溶洞模型； (b)正演模型偏移剖面； (c)溶洞模型在地震剖面上的投影

(2)在地球物理領域，深度學習訓練數(shù)據(jù)最常見的兩種來源分別是褶積模型[11,17]和實際地震數(shù)據(jù)[13,19]，但這并不適用于溶洞。主要是因為：褶積模型雖然能快速生成大量訓練所需的樣本數(shù)據(jù)，但無法模擬地震波在地下的傳播情況，溶洞復雜的繞射波場特征無法通過褶積進行還原； 實際地震數(shù)據(jù)雖然能夠體現(xiàn)地下情況，但由于溶洞異常體的多解性，無法像標定斷層、鹽丘等地質體標簽那樣通過實際地震剖面制作訓練數(shù)據(jù)標簽。

(3)溶洞的尺寸一般只有幾米，遠小于鹽丘、斷層這類地質異常體的尺寸。實際地震剖面長度較大，如果直接將地震剖面輸入模型，極易造成溶洞識別的遺漏和誤判。

針對實際溶洞尺寸較小、地震響應復雜等特征，本文提出一種“兩步法”溶洞識別方法，即通過兩組深度網(wǎng)絡分別實現(xiàn)地震反射異常體的識別和地質異常體的預測。第一步，根據(jù)實際地震數(shù)據(jù)制作“串珠狀”異常反射體訓練樣本，再通過訓練圖像分割網(wǎng)絡，對地震剖面上的“串珠狀”異常反射體進行識別。第二步，對于網(wǎng)絡模型識別的“串珠狀”地震反射異常，一方面分析溶洞的分布和發(fā)育特征，另一方面在地震剖面上標定溶洞，提取只含有“串珠狀”反射異常的小塊地震數(shù)據(jù)；然后，將只含“串珠狀”反射異常的小塊地震數(shù)據(jù)輸入另一個深度殘差網(wǎng)絡，并最終映射至實際溶洞輪廓。這樣可以避免網(wǎng)絡模型在預測溶洞時因實際目標尺寸過小而造成的遺漏和誤判，實現(xiàn)對溶洞真實尺寸和結構樣式的準確預測。針對溶洞訓練數(shù)據(jù)難以獲取這一問題，采用波動方程正演模擬，在保證訓練數(shù)據(jù)具有精確標簽的前提下，制備大量訓練數(shù)據(jù)。

2 網(wǎng)絡結構

分別設計兩組深度網(wǎng)絡實現(xiàn)地震反射異常體的識別和地質異常體的預測，溶洞輪廓預測網(wǎng)絡的輸入數(shù)據(jù)由“串珠狀”地震反射異常識別網(wǎng)絡的輸出結果所確定，具體流程如圖2所示。輸入數(shù)據(jù)均為二維地震數(shù)據(jù)，輸出結果均是大小相同的矩陣。兩種任務均屬于“端到端”的圖像映射，不含全連接層的全卷積神經(jīng)網(wǎng)絡模型(FCN)[20]在處理這類任務時效果很好，因此本文溶洞識別和預測的模型均采用FCN的變種。其中“串珠狀”地震反射異常識別任務中，需要精確勾勒異常體的邊界，可以看作是一種圖像分割任務，因此采用廣泛應用于生物醫(yī)學圖像目標分割任務的U-Net模型[21]； 而真實溶洞的預測則可以看作是一種圖像映射任務，可以采用一種含有殘差模塊[22]的全卷積神經(jīng)網(wǎng)絡構建模型。

圖2 “兩步法”深度學習溶洞識別和預測流程

2.1 “串珠狀”地震反射異常體識別網(wǎng)絡模型

本文將“串珠狀”地震反射異常體識別任務視為目標分割問題，即需要在識別目標的同時圈定目標位置。疊后地震數(shù)據(jù)的數(shù)量比計算機視覺領域的自然圖像少，因而制作標簽的難度相對較大。用于“串珠狀”反射異常體識別的網(wǎng)絡結構不宜太復雜，參數(shù)不宜太多，否則，容易過擬合。

U-Net模型結構簡單，特有的跳躍結構能融合淺層與深層信息，并且在疊后地震數(shù)據(jù)上識別目標時效果良好[11]。U-Net模型分為編碼、解碼兩部分。本文設計網(wǎng)絡模型如圖3所示。在編碼部分，每層包含兩個核尺寸為3×3的卷積層和一個核尺寸為2×2的最大池化層，輸入的地震剖面在經(jīng)過編碼部分每層的計算后，圖像尺寸逐層減半，通道數(shù)逐層翻倍，直至512。在解碼部分，每層包含兩個核尺寸為3×3的卷積層和一個核尺寸為2×2的上采樣層，可將特征圖的尺寸還原到原始大小，并將通道數(shù)從512依次壓縮至32，最后通過Sigmoid函數(shù)映射到只包含0和1的“串珠狀”地震反射異常識別結果圖。

圖3 識別“串珠狀”地震反射異常體的深度網(wǎng)絡結構

在深度神經(jīng)網(wǎng)絡中，淺層網(wǎng)絡輸出的特征圖分辨率高，保留了更多細節(jié)信息； 深層網(wǎng)絡學習的特征則更加抽象，保留了更多語義信息。U-Net模型在解碼部分將網(wǎng)絡中具有相同尺寸的特征圖通過跳躍結構進行連接，從而解決了上采樣過程中信息不足的問題。具體如圖4所示，輸入數(shù)據(jù)x在輸入卷積層Conv1之后經(jīng)ReLU函數(shù)激活，得到的輸出結果x1與卷積層Conv3的輸出結果x3合并后，再同時經(jīng)由ReLU函數(shù)激活。

圖4 跳躍結構示意圖

2.2 溶洞輪廓預測網(wǎng)絡模型

實際溶洞的尺寸往往只有幾米至幾十米，如果直接在百余公里長的大尺度地震剖面上預測溶洞，極易造成溶洞識別的遺漏和誤判。由于數(shù)據(jù)中預測目標與背景之間的比例極不均衡，在深度網(wǎng)絡模型訓練時很容易造成目標函數(shù)不收斂或收斂方向錯誤。因此，在溶洞預測時，輸入數(shù)據(jù)為由“串珠狀”地震反射異常識別網(wǎng)絡所確定的小塊“串珠狀”反射異常數(shù)據(jù)。溶洞真實模型至疊后地震數(shù)據(jù)的映射過程可以表示為

d=F(m)+n

(1)

式中：F為地震正演過程；m是溶洞真實速度模型；n為隨機噪聲；d為由溶洞異常體所引起的地震波場響應。深度網(wǎng)絡預測溶洞的任務就是尋求一個函數(shù)滿足

(2)

式中函數(shù)f代表深度卷積網(wǎng)絡，任務是更新卷積神經(jīng)網(wǎng)絡的參數(shù)，使d與對應的m之間的重建損失函數(shù)L達到最小。為了能將地震剖面上的“串珠狀”反射異常圖像映射至真實的溶洞，本文采用能夠保護信息完整性且易優(yōu)化的深度殘差全卷積神經(jīng)網(wǎng)絡。

從“串珠狀”地震反射異常到“溶洞”的映射較為復雜。如果設計層數(shù)過少，深度學習網(wǎng)絡在訓練時難以有效提取數(shù)據(jù)特征，從而影響預測精度。如果卷積神經(jīng)網(wǎng)絡層數(shù)過深，則會導致深層網(wǎng)絡梯度消失或者爆炸，使深度網(wǎng)絡模型難以有效訓練，出現(xiàn)模型退化問題。

多層卷積神經(jīng)網(wǎng)絡學習的非線性映射難以逼近恒等映射，He等[22]提出的殘差模塊可以很好地解決這一問題。殘差結構和跳躍結構均屬于并聯(lián)結構。如圖5所示，在本文所使用的殘差模塊中，采用了一層1×1的卷積層逼近殘差，其中xres為該卷積層的輸出結果，xres與卷積層Conv3輸出結果x3相加，最終經(jīng)由ReLU函數(shù)激活。殘差模塊直接將輸入連接到輸出，形成短接，將學習目的轉換為兩者的殘差xres。學習的是殘差函數(shù)G(x)=x3-x1，如果G(x)=0，則是一個恒等映射，在實際中往往更容易優(yōu)化。因此，殘差神經(jīng)網(wǎng)絡相比普通神經(jīng)網(wǎng)絡有更好的性能，并且更容易學到更深的層數(shù)，可以解決網(wǎng)絡因為層數(shù)過深而導致的退化問題。

圖5 殘差模塊示意圖

本文用于溶洞輪廓預測的全卷積殘差深度網(wǎng)絡結構(圖6)與“串珠狀”地震反射異常識別網(wǎng)絡相似。以編碼—解碼模型為基礎，輸入的“串珠狀”反射異常數(shù)據(jù)首先經(jīng)過編碼部分，該部分每層包含3個核尺寸為3×3的卷積層和一個核尺寸為2×2的最大池化層； 之后經(jīng)過解碼部分，該部分每層含有3個核尺寸為3×3的卷積層和一個核尺寸為2×2的上采樣層。編碼、解碼部分每層第一個與第三個卷積層之間均是通過跳躍結構相連接，整體構成一個殘差模塊。

圖6 預測溶洞的深度網(wǎng)絡結構

3 訓練樣本構建

本文構建的訓練樣本集分為“串珠狀”地震反射異常識別和真實溶洞預測兩部分。

3.1 “串珠狀”反射異常識別訓練數(shù)據(jù)集

溶洞體地震響應特征復雜，人工合成地震數(shù)據(jù)無法完全重現(xiàn)實際地質、地震條件。因此，本文所用“串珠狀”反射異常識別訓練樣本集來自于實際地震數(shù)據(jù)，即選用西北地區(qū)A油田碳酸鹽巖儲層三維地震數(shù)據(jù)。該區(qū)奧陶系以斷控型油氣藏為主，溶洞較發(fā)育。

深度神經(jīng)網(wǎng)絡作為一種監(jiān)督算法，如何獲取大量且特征豐富的訓練數(shù)據(jù)，對于模型的訓練至關重要。參考前人工作成果和測井資料等，以振幅包絡、瞬時振幅、均方根振幅等地震屬性作為輔助，對該區(qū)地震剖面上的“串珠狀”反射異常進行標定，作為“串珠狀”反射異常識別訓練數(shù)據(jù)的樣本標簽。其中，“串珠狀”反射異常的值設為1，背景圍巖的值設為0。在對地震數(shù)據(jù)體的“串珠狀”反射異常標注完成后，分別沿三維數(shù)據(jù)體的主測線、聯(lián)絡線兩個方向提取二維地震剖面，再在每一個地震剖面上選取一個尺寸為256×256的窗口，通過選取不同的重疊步長，滑動步長，截取所需的地震訓練數(shù)據(jù)與“串珠狀”反射異常標簽。由于實際地層中溶洞分布并不均勻，在截取方形訓練數(shù)據(jù)時，如果該數(shù)據(jù)對應的標簽中溶洞占比小于一定閾值時則舍去，以保證之后訓練的穩(wěn)定性。最后，對每一個地震數(shù)據(jù)進行分頻、垂直翻轉，以增加訓練樣本的數(shù)量和多樣性?？紤]到不同實際地震數(shù)據(jù)的振幅彼此差異很大，為了加快目標函數(shù)收斂，需要對訓練數(shù)據(jù)中所有地震數(shù)據(jù)的振幅值進行標準化處理，使其值分布范圍為-1.0～1.0。本文共生成4200組數(shù)據(jù)，其中4000組用于模型的訓練，200組用于測試。部分訓練地震數(shù)據(jù)與對應的“串珠狀”反射異常標簽如圖7所示。

圖7 “串珠狀”反射異常識別訓練數(shù)據(jù)集(a)地震剖面； (b)對應“串珠狀”反射異常標簽，黑色表示振幅值為1，空白處振幅值為0

3.2 溶洞輪廓預測訓練數(shù)據(jù)集

溶洞地震響應特征復雜，并具多解性，因而難以根據(jù)實際地震數(shù)據(jù)的波場特征反推其對應的溶洞模型； 通過人工合成數(shù)據(jù)制作訓練樣本時，溶洞在地震剖面上的繞射波場特征無法通過一般的褶積模型還原。針對這些問題，本文采用波動方程正演模擬制作訓練數(shù)據(jù)，既能保證訓練數(shù)據(jù)具有精確的標簽，又能使樣本最大程度地貼近實際數(shù)據(jù)。

根據(jù)研究區(qū)地震剖面上不同類型的溶洞特征，參考測井、地震等資料的解釋成果，構建地層格架和一系列不同類型、不同尺度的溶洞速度模型。該區(qū)溶洞主要分布于地下4000～6000m處的奧陶系，設計的正演速度模型深度為6000m，溶洞埋深約4500m(圖8)。本文主要聚焦于預測溶洞的分布位置與尺寸，因此設計溶洞為具不同尺寸的矩形，未考慮其他形狀。溶洞的縱向長度范圍為3～100m，橫向寬度為5～600m，每個溶洞采用4000～5000m/s的不同充填速度，圍巖速度為6000m/s。共建立1820個不同尺寸、樣式的溶洞模型。

圖8 溶洞速度模型

正演觀測系統(tǒng)按照實際野外觀測系統(tǒng)參數(shù)設定：炮間距、道間距均為50m，采樣間隔為2ms，并分別用20、25、30Hz的雷克子波進行波動方程正演模擬。最后通過克希霍夫偏移成像得到偏移剖面，其中溶洞的縱向長度為30m、橫向寬度依次從5m增至600m，正演偏移剖面結果如圖9所示。

圖9 溶洞模型正演偏移剖面

以每個溶洞速度模型的空間中心為基準，將偏移剖面截取成80×40像素點的數(shù)據(jù)塊，并在加入一定的隨機噪聲后，對數(shù)據(jù)振幅值標準化處理。將速度模型中溶洞處縱波速度作為閾值，模型中速度值在4000～5000之間的像素點賦值為1，表示溶洞； 其余點賦值為0，表示背景。以此確定精確的溶洞結構與尺寸，作為溶洞預測訓練樣本的標簽數(shù)據(jù)。共制作5460組訓練樣本，其中5000組用于網(wǎng)絡模型訓練，460組用于測試，部分訓練數(shù)據(jù)及標簽如圖10所示。從圖中可以看出，實際的溶洞模型與地震響應中的“串珠狀”反射異常之間具有較大差異，如果僅僅以“串珠狀”反射異常作為標準，則無法準確地判斷實際地層中溶洞的空間位置與形態(tài)。

圖10 溶洞預測訓練樣本集

4 理論模型測試

“串珠狀”反射異常識別模型和溶洞預測模型訓練均采用Adam優(yōu)化算法[23]，學習率設置為1×10-4，訓練完成后，保存網(wǎng)絡參數(shù)并進行測試。為了評估深度學習模型溶洞識別與預測的效果，將訓練好的模型應用于理論模型數(shù)據(jù)的測試。

首先，根據(jù)地質、測井等資料，構建符合實際地下構造的地質模型，具體速度模型如圖11a所示； 然后，通過波動方程數(shù)值模擬獲得炮集數(shù)據(jù)，并經(jīng)過地震資料處理流程得到地震深度偏移剖面； 最后，加入隨機噪聲，獲得信噪比為20dB的地震數(shù)據(jù)，使正演數(shù)據(jù)更符合實際情況(圖11b)。將正演地震數(shù)據(jù)輸入“串珠狀”反射異常識別模型，輸出結果如圖11c所示。圖11d是其選定閾值為2000后的瞬時振幅地震屬性剖面，作為傳統(tǒng)的溶洞識別方法與深度學習識別方法進行對比。由圖可以看出，深度學習模型識別結果中，溶洞與地震剖面中的“串珠狀”反射異常以及瞬時振幅屬性中的高值部分基本吻合，表明識別結果較準確，抗噪性強，不受同相軸振幅強弱的影響。而傳統(tǒng)的地震屬性識別方法主要依據(jù)振幅，當溶洞處于強能量同相軸下方時，識別效果較差，因為它對于噪聲十分敏感，且需要人工選定相應閾值。另外，雖然訓練數(shù)據(jù)來自于實際地震數(shù)據(jù)，但在正演數(shù)據(jù)中仍然具有較好的效果，說明該“串珠狀”反射異常識別模型具有一定的泛化性。

為了檢測深度學習模型預測溶洞的效果，在完成“串珠狀”反射異常識別后，以每個“串珠狀”反射異常的空間中心為基準，截取80×40像素點的小塊“串珠狀”反射地震數(shù)據(jù)，輸入深度學習溶洞預測模型。其中選取圖11a模型中6塊具有代表性的溶洞預測結果進行展示(圖12)，每組圖從左向右依次為“串珠狀”反射地震數(shù)據(jù)、真實溶洞速度模型、深度學習溶洞預測結果。從圖中可以看出，深度學習溶洞預測模型對①、④、⑥號這種單一溶洞預測結果(圖12a、圖12d、圖12f)較為準確。雖然本文訓練數(shù)據(jù)均為矩形溶洞，但對于圖12d、圖12f中這類不規(guī)則溶洞預測時也具有一定的可靠性。由于本文訓練數(shù)據(jù)只考慮了單一溶洞，并未考慮多組溶洞組合，因此對于②、③、⑤號這類組合溶洞預測效果不夠理想。但即使訓練數(shù)據(jù)均為單一溶洞，對于圖12b、圖12c中橫向間距較小的溶洞依然能預測。只是對于縱向間距較小的組合溶洞的識別效果較差，兩組溶洞被深度學習模型識別為一個較大的溶洞(圖12e)。另外，如果尺寸差距較大的兩個溶洞距離較近，較小溶洞的地震響應會被深度學習模型視為噪聲，從而無法識別(圖12f)。但即便如此，本文的深度學習溶洞預測模型對于溶洞發(fā)育規(guī)模與尺寸的預測總體較為準確。

圖11 溶洞預測理論模型及測試結果(a)速度模型； (b)地震偏移剖面； (c)深度學習模型“串珠狀”反射異常識別結果； (d)瞬時振幅剖面

圖12 圖11b中不同溶洞深度學習預測結果(a)①號溶洞； (b)②號溶洞； (c)③號溶洞； (d)④號溶洞； (e)⑤號溶洞； (f)⑥號溶洞左為地震數(shù)據(jù)，中為速度模型，右為深度學習結果。黑色表示溶洞

5 實際數(shù)據(jù)應用效果

由理論模型測試結果可知，本文深度學習溶洞識別與預測模型具有一定的泛化性和可靠性。將本文模型應用于實際工區(qū)地震數(shù)據(jù)的“串珠狀”反射異常識別，部分剖面識別結果如圖13所示。從圖中可以看出，識別結果與剖面上的“串珠狀”反射異?；局睾?，位置準確。這表明經(jīng)過訓練后的模型具有較好的“串珠狀”反射異常識別能力，且?guī)缀醪皇艿卣饠?shù)據(jù)噪聲和同相軸振幅強弱影響。溶洞體在地震剖面上呈現(xiàn)“串珠狀”異常響應，因而可以根據(jù)深度網(wǎng)絡識別的“串珠狀”反射異常分布大致確定溶洞的范圍和發(fā)育規(guī)律。圖14為該區(qū)三維數(shù)據(jù)體4790ms處的等時切片。由圖可見，溶洞集中發(fā)育在北東—南西向的斷裂帶上。

圖13 實際數(shù)據(jù)“串珠狀”反射異常識別結果(a)實際地震剖面； (b)“串珠狀”反射異常識別結果在地震剖面上的投影

圖14 實際數(shù)據(jù)體“串珠狀”反射異常識別結果(4790ms切片)

在完成“串珠狀”反射異常識別后，以每個“串珠狀”反射異常的空間中心為基準，在對應的地震剖面上分別向上、下各選取80ms(采樣間隔為2ms，即40個采樣點)、左右截取20道、確定一個80×40像素點的小窗口，使窗口內(nèi)幾乎只含有“串珠狀”反射異常地震數(shù)據(jù)。將其輸入深度學習溶洞預測模型，可實現(xiàn)“串珠狀”反射異常到“溶洞”的映射，精確預測實際溶洞的形態(tài)和尺寸。圖15為該工區(qū)部分“串珠狀”反射異常數(shù)據(jù)及與其對應的溶洞輪廓的預測結果。從圖中可以看出，深度學習方法可以較好地將“串珠狀”反射異常映射至對應的溶洞。

圖15 實際“串珠狀”地震反射異常數(shù)據(jù)(左)及對應溶洞預測結果在地震數(shù)據(jù)上的投影(右)

6 結論

溶洞的地震波場響應特征復雜，深度學習方法在識別溶洞時，存在小尺度目標難以預測、地震反射異常與地質異常差異較大、訓練數(shù)據(jù)難以制備等問題，因此本文提出“兩步法”地震溶洞智能識別方法，通過建立U-Net模型與深度殘差網(wǎng)絡模型分別實現(xiàn)地震反射異常體的識別與地質異常體的預測，并采用波動方程正演模擬的方法制備了一系列具有準確溶洞標簽的訓練樣本。通過在中國西北地區(qū)溶洞識別與預測中的應用，得到了如下認識。

(1)通過波動方程正演模擬的地震數(shù)據(jù)可以較好地應用于溶洞輪廓的預測。溶洞引起的“串珠狀”地震反射異常波場響應特征與實際溶洞之間具有較大差異，因而在溶洞預測時，不能僅根據(jù)“串珠狀”地震反射異常特征作為訓練數(shù)據(jù)的標簽。

(2)U-Net模型可以較為準確識別地震數(shù)據(jù)中的“串珠狀”反射異常，識別結果可以用于表征溶洞的分布與發(fā)育規(guī)律。深度學習方法識別效果優(yōu)于傳統(tǒng)地震屬性方法，通過深度殘差網(wǎng)絡可以進一步將“串珠狀”地震反射異常映射到溶洞，從而可以實現(xiàn)溶洞尺寸與分布位置的預測。

本文方法尚存在不足之處，即在制備溶洞輪廓預測訓練數(shù)據(jù)時，正演模型設計的溶洞類型過于單一。因此，在識別更為復雜類型的組合溶洞時，結果可信度較低。設計不同形狀、不同組合關系的溶洞模型以豐富溶洞預測訓練樣本是進一步的研究方向。