劉乃豪 李時(shí)楨 黃 騰 高靜懷 丁繼才 王治國(guó)

(①中海油研究總院有限責(zé)任公司，北京 100028； ②西安交通大學(xué)信息與通信工程學(xué)院，陜西西安 710049； ③西安交通大學(xué)人工智能學(xué)院，陜西西安 710049； ④西安交通大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，陜西西安 710049)

0 引言

斷層解釋的精度和效率對(duì)油氣藏的勘探與開發(fā)非常重要。早期主要依靠人工在地震剖面上解釋斷層[1-2]，這極大地依賴于解釋人員的經(jīng)驗(yàn)，斷層解釋精度和效率難以滿足實(shí)際生產(chǎn)需要。隨著信號(hào)處理等方法的拓展以及計(jì)算機(jī)技術(shù)的飛速發(fā)展，越來(lái)越多的數(shù)據(jù)處理方法應(yīng)用于斷層識(shí)別，提高了斷層解釋的準(zhǔn)確性和效率。

相干體分析技術(shù)常用于描述地質(zhì)體的不連續(xù)性，可用于斷層解釋。相干體是指由地震數(shù)據(jù)體經(jīng)過(guò)相關(guān)性計(jì)算而得到的一種新的屬性數(shù)據(jù)體，利用該數(shù)據(jù)體，不連續(xù)的斷層信息能夠從三維地震資料中突顯出來(lái)。Bahorich等[3]提出了第一代相干體技術(shù)(C1)并用于斷層識(shí)別，該算法計(jì)算量小，但易受相干噪聲干擾。在C1的基礎(chǔ)上，Marfurt等[4]基于多道相似原理，提出了第二代相干體技術(shù)(C2)，彌補(bǔ)了C1因采樣地震道少而導(dǎo)致的抗噪性差的不足。隨后，Gersztenkorn等[5]提出了基于本征結(jié)構(gòu)的第三代相干體技術(shù)(C3)，可更精細(xì)地描述斷層特征。此后，很多學(xué)者對(duì)相干體技術(shù)進(jìn)行了發(fā)展和推廣。王西文等[6]在相干分析中引入小波變換，提高了小斷層的識(shí)別能力。Li等[7]結(jié)合傾角掃描與超道技術(shù)，提高了相干體技術(shù)對(duì)大傾角地質(zhì)結(jié)構(gòu)的適用性。楊培杰等[8]提出了方向性邊界保持?jǐn)鄬釉鰪?qiáng)技術(shù)以提高地震資料分辨率。鄭靜靜等[9]則在Curvelet變換的基礎(chǔ)上進(jìn)行多尺度相干分析，同樣在斷層識(shí)別方面效果較好。Yang等[10]在C3的基礎(chǔ)上引入互信息率和信息散度，提高了相干體計(jì)算的效率和不連續(xù)地質(zhì)體的解釋精度。

借助上述相干體技術(shù)可以進(jìn)行自動(dòng)或半自動(dòng)的斷層解釋，與人工標(biāo)注方法相比，提高了斷層識(shí)別的準(zhǔn)確性和效率，但是解釋精度易受地震資料中其他不連續(xù)特征(如噪聲和地質(zhì)體等)的影響。

另一種常用的斷層解釋方法是源于仿生學(xué)理論的螞蟻?zhàn)粉櫦夹g(shù)。該技術(shù)首先由Colorni等[11]提出，在引入斷層識(shí)別領(lǐng)域后得到了進(jìn)一步的推廣和發(fā)展。Bullnheimer等[12]改進(jìn)了“螞蟻體”的行程。Merkle等[13]提出多群螞蟻算法，利用多個(gè)螞蟻群體同時(shí)對(duì)地震斷層進(jìn)行追蹤。劉財(cái)?shù)萚14]基于加權(quán)一致性，改進(jìn)了螞蟻算法，進(jìn)一步提升了螞蟻算法的抗噪性能。

BP神經(jīng)網(wǎng)絡(luò)是實(shí)現(xiàn)斷層自動(dòng)識(shí)別的另一種途徑，能夠?qū)㈩A(yù)測(cè)值與真實(shí)值之間的誤差逆向傳播，并可以不斷調(diào)整網(wǎng)絡(luò)權(quán)值，具有較好的泛化能力。然而，BP神經(jīng)網(wǎng)絡(luò)存在網(wǎng)絡(luò)收斂慢的缺點(diǎn)，即使對(duì)于簡(jiǎn)單問(wèn)題也可能需要上千次的學(xué)習(xí)，這意味著訓(xùn)練過(guò)程中需要大量地震資料以及較多的運(yùn)算資源。此外，BP神經(jīng)網(wǎng)絡(luò)也對(duì)初始權(quán)重較為敏感，多次訓(xùn)練結(jié)果可能存在較大差異。

近年來(lái)，深度學(xué)習(xí)技術(shù)是機(jī)器學(xué)習(xí)領(lǐng)域的重要研究方向之一，它的出現(xiàn)極大地推動(dòng)了人工智能技術(shù)的發(fā)展。常見的深度學(xué)習(xí)算法有：堆棧自編碼網(wǎng)絡(luò)(SA)、深度置信網(wǎng)絡(luò)(DBN)以及卷積神經(jīng)網(wǎng)絡(luò)(CNN)等。相較于BP神經(jīng)網(wǎng)絡(luò)，CNN引入了卷積和池化兩種運(yùn)算方式，在精簡(jiǎn)網(wǎng)絡(luò)模型參數(shù)的同時(shí)使模型性能也有所提升。學(xué)者們將其應(yīng)用于斷層等地質(zhì)結(jié)構(gòu)的智能識(shí)別與解釋，如Xiong等[15]利用實(shí)際數(shù)據(jù)以及對(duì)應(yīng)的斷層標(biāo)簽，訓(xùn)練CNN模型并用于斷層智能化識(shí)別，取得了初步效果。Wu等[16]使用帶標(biāo)簽的合成三維地震數(shù)據(jù)樣本，進(jìn)行U-Net模型訓(xùn)練，最終將訓(xùn)練模型用于三維實(shí)際地震數(shù)據(jù)的斷層智能解釋。Liu等[17]搭建了Res-Unet，并利用訓(xùn)練模型進(jìn)行寬方位角地震數(shù)據(jù)斷層智能解釋，提出了新思路。常德寬等[18]利用多個(gè)深度CNN模塊，構(gòu)建了用于地震數(shù)據(jù)斷層識(shí)別的SeisFault-Net模型。

邊緣檢測(cè)作為一種常用的圖像處理方法，目的是標(biāo)識(shí)圖像屬性顯著變化的位置[19-20]。斷層發(fā)生在相對(duì)位移顯著的巖層的邊緣，在地震圖像上多表現(xiàn)為同相軸的高度不連續(xù)特征。因此，本文引入深度學(xué)習(xí)邊緣檢測(cè)算法——整體嵌套邊緣檢測(cè)(Holistically-Nested Edge Detection，HED)網(wǎng)絡(luò)[21]，并將其推廣至三維形式，即三維HED模型； 根據(jù)地震數(shù)據(jù)和斷層特點(diǎn)對(duì)三維HED模型進(jìn)行改進(jìn)和優(yōu)化，提出了三維改進(jìn)HED(Improved HED，IHED)模型； 利用三維合成地震數(shù)據(jù)及其標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練，將訓(xùn)練模型用于三維實(shí)際地震數(shù)據(jù)進(jìn)行斷層智能解釋，并與常規(guī)算法進(jìn)行對(duì)比、分析，驗(yàn)證了三維IHED模型的準(zhǔn)確性和有效性。

1 HED網(wǎng)絡(luò)

1.1 HED網(wǎng)絡(luò)結(jié)構(gòu)

HED網(wǎng)絡(luò)由Xie等[21]提出，用于解決圖像處理領(lǐng)域中的邊緣檢測(cè)問(wèn)題。該網(wǎng)絡(luò)具有多尺度的結(jié)構(gòu)，其中骨干網(wǎng)絡(luò)結(jié)構(gòu)來(lái)源于VGG16網(wǎng)絡(luò)[22]。HED網(wǎng)絡(luò)保留了VGG16網(wǎng)絡(luò)主體的卷積層和池化層，舍棄了用于分類的全連接層。HED網(wǎng)絡(luò)在每一個(gè)尺度的卷積塊的最后各引出一個(gè)側(cè)輸出(Side Output)，分別生成特征圖，最終將所得的不同尺度的特征圖和對(duì)這些特征圖進(jìn)行融合操作所得到的融合特征圖共同作為網(wǎng)絡(luò)的輸出。

具體而言，HED網(wǎng)絡(luò)是在VGG16網(wǎng)絡(luò)的每一個(gè)尺度的最后一個(gè)卷積層之后各引出一個(gè)側(cè)輸出，共計(jì)引出5個(gè)不同尺寸的側(cè)輸出。以輸入數(shù)據(jù)矩陣尺寸128×128×1為例，此時(shí)5個(gè)側(cè)輸出前端特征圖的尺寸分別為128×128×64、64×64×128、32×32×256、16×16×512、8×8×512。由于每一個(gè)模塊引出特征圖的尺寸不同，HED網(wǎng)絡(luò)采用了轉(zhuǎn)置卷積(Transposed Convolution)對(duì)每一組得到的數(shù)據(jù)集合進(jìn)行反卷積運(yùn)算，分別將第二～第五組得到特征圖的尺寸擴(kuò)大了2～16倍，第一組特征圖的尺寸保持不變。至此，網(wǎng)絡(luò)在每個(gè)尺度上得到了相同尺寸的特征圖。為了將每一組特征圖合并成一個(gè)反映圖像當(dāng)前尺度特征的單一圖像，需要將生成的特征數(shù)據(jù)集合的深度降至一維，因此引入了輸出通道數(shù)為1、卷積核尺寸為1×1的卷積操作，以實(shí)現(xiàn)特征圖的“去”深度。最終各個(gè)輸出層都得到了矩陣尺寸為128×128×1的特征圖像，從而完成了5個(gè)不同尺度特征圖像的提取。

將這5個(gè)特征圖像疊加，可以得到尺寸為128×128×5的特征數(shù)據(jù)集合。因?yàn)槠谕罱K輸出結(jié)果通道數(shù)與原圖一致，因此引入了輸出通道數(shù)為1、卷積核尺寸為1×1的卷積操作，以得到通道數(shù)為1的輸出，且各權(quán)值可以通過(guò)網(wǎng)絡(luò)訓(xùn)練自主學(xué)習(xí)，逐步接近最優(yōu)的權(quán)值配比。該加權(quán)得到的輸出就是HED網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練得到的最佳邊緣特征結(jié)果。HED網(wǎng)絡(luò)結(jié)構(gòu)[21]如圖1所示。

圖1 HED網(wǎng)絡(luò)結(jié)構(gòu)示意圖(據(jù)文獻(xiàn)[21])X為輸入圖像； Y為真值標(biāo)簽； l為網(wǎng)絡(luò)損失，下標(biāo)side、fuse分別為側(cè)輸出、融合輸出

1.2 HED網(wǎng)絡(luò)特性分析

VGG16網(wǎng)絡(luò)具有強(qiáng)大的特征提取能力，HED主體網(wǎng)絡(luò)結(jié)構(gòu)是基于VGG16網(wǎng)絡(luò)設(shè)計(jì)的，可以通過(guò)多次池化操作縮小圖像的處理尺寸，從而獲得更深的模型架構(gòu)，這使其在保持圖像多層次、多維度特征提取能力的同時(shí)減少了計(jì)算量的增加。

HED網(wǎng)絡(luò)的核心是融合5個(gè)源于不同尺度的特征圖像，其中淺層網(wǎng)絡(luò)的感受野較小，可以提供準(zhǔn)確的位置信息，且充分保留了局部細(xì)節(jié)信息。然而，隨著網(wǎng)絡(luò)的加深，深層網(wǎng)絡(luò)由于感受野的逐步擴(kuò)大，對(duì)位置信息的敏感度下降，并在池化過(guò)程中損失了大部分細(xì)節(jié)信息且降低了圖像分辨率； 但是與此同時(shí)，深層網(wǎng)絡(luò)通過(guò)對(duì)數(shù)據(jù)特征不斷抽象，語(yǔ)義信息逐步豐富。而HED網(wǎng)絡(luò)對(duì)不同層次的特征圖像進(jìn)行融合的優(yōu)勢(shì)在于同時(shí)利用淺層網(wǎng)絡(luò)準(zhǔn)確的位置信息與深層網(wǎng)絡(luò)豐富的語(yǔ)義信息，以獲得最佳的邊緣特征圖像。

在圖像邊緣檢測(cè)中，Xie等[21]將HED網(wǎng)絡(luò)訓(xùn)練結(jié)果與優(yōu)化過(guò)的Canny算子進(jìn)行比較，可直觀地展示HED網(wǎng)絡(luò)的優(yōu)勢(shì)：可以在不同的尺度分別得到該尺度獨(dú)特的邊緣結(jié)果并加以融合； HED模型能進(jìn)行多尺度的特征學(xué)習(xí)和整體圖片的訓(xùn)練、預(yù)測(cè)。這是它相較常規(guī)邊緣檢測(cè)算法的兩大優(yōu)勢(shì)。因此，本文充分利用HED模型的多尺度信息提取能力，進(jìn)行多尺度斷層智能解釋。

2 三維IHED網(wǎng)絡(luò)模型

2.1 三維HED網(wǎng)絡(luò)搭建

原始HED網(wǎng)絡(luò)是一個(gè)二維圖像處理網(wǎng)絡(luò)，在對(duì)三維地震數(shù)據(jù)體進(jìn)行斷層智能解釋時(shí)表現(xiàn)欠佳，這是因?yàn)樵谑褂枚S卷積神經(jīng)網(wǎng)絡(luò)處理三維數(shù)據(jù)體時(shí)，需要對(duì)每個(gè)二維地震剖面分別進(jìn)行預(yù)測(cè)，未考慮相鄰剖面之間的空間關(guān)系，從而丟失了斷層的三維空間信息，最終導(dǎo)致斷層智能識(shí)別精度不高。因此，本文借鑒原始二維HED網(wǎng)絡(luò)的思想，將卷積、池化等操作變?yōu)槿S形式，提出了三維HED網(wǎng)絡(luò)模型。利用該三維模型可以將一個(gè)三維數(shù)據(jù)體作為整體進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練，從而充分利用三維訓(xùn)練數(shù)據(jù)集提供的斷層空間信息，解決上述二維斷層智能解釋面臨的斷層空間信息缺失問(wèn)題(圖2)。

2.2 三維HED網(wǎng)絡(luò)模型分析

邊緣通常表現(xiàn)為屬性局部的急劇變化，例如顏色、梯度、亮度等的變化。鑒于邊緣的微觀特性，人們通常運(yùn)用一階或者二階微分算子對(duì)其進(jìn)行檢測(cè)，如Canny[23]的常規(guī)邊緣檢測(cè)算法。HED淺層網(wǎng)絡(luò)與Canny等常規(guī)檢測(cè)算法相似，感受野較小，只考慮圖像局部的急劇變化。但僅靠這些局部特征難以勾勒出完整的主體輪廓，在主體存在內(nèi)部紋理或背景雜亂的條件下，淺層網(wǎng)絡(luò)的識(shí)別精度不高。因此，HED網(wǎng)絡(luò)利用深度學(xué)習(xí)的優(yōu)勢(shì)，引入嵌套的卷積池化操作，逐級(jí)對(duì)圖像特征進(jìn)行濃縮、提取，并通過(guò)加入深層的語(yǔ)義信息對(duì)圖像邊緣進(jìn)行魯棒性更強(qiáng)的檢測(cè)。但究其根本，HED網(wǎng)絡(luò)解決常規(guī)邊緣檢測(cè)問(wèn)題的核心依舊是通過(guò)淺層網(wǎng)絡(luò)的特征輸出(圖2中O1、O2)提取到圖像在小尺度中具有強(qiáng)烈反差的特征信息，從而獲得初步的邊緣檢測(cè)結(jié)果。而深層網(wǎng)絡(luò)的特征輸出(圖2中O3、O4、O5)僅提供優(yōu)化邊緣結(jié)果的輔助作用。

圖2 三維HED網(wǎng)絡(luò)結(jié)構(gòu)

斷層是斷裂面兩側(cè)巖層發(fā)生顯著相對(duì)位移的構(gòu)造，具有一定規(guī)模，大者可連續(xù)延伸數(shù)百千米。斷層通常在二維、三維的地震數(shù)據(jù)中以連續(xù)的斷層線、斷層面的形式存在，而不是離散孤立的斷層點(diǎn)。這表明了斷層是地質(zhì)結(jié)構(gòu)中的一種宏觀構(gòu)造，僅憑借局部特征并不能有效地識(shí)別斷層，對(duì)某點(diǎn)是否為斷層點(diǎn)的預(yù)測(cè)通常需要綜合考量該點(diǎn)周邊范圍的地質(zhì)結(jié)構(gòu)特征。

由于實(shí)際斷層本身形式多樣，又加之復(fù)雜的地震噪聲，局部像素信息具有很強(qiáng)的隨機(jī)性，這使斷層智能解釋與常規(guī)邊緣檢測(cè)問(wèn)題不同，僅依據(jù)局部像素信息很難得到有效的邊緣預(yù)測(cè)結(jié)果。圖3和圖4分別展示了圖像邊緣檢測(cè)和地震斷層解釋這兩種問(wèn)題的代表性圖、局部圖像、局部的期望預(yù)測(cè)結(jié)果。圖像邊緣檢測(cè)時(shí)，僅僅利用局部像素特征即可檢測(cè)圖像邊緣(圖3b、圖3c)。但在進(jìn)行斷層解釋時(shí)，僅依據(jù)局部像素特征很難得到準(zhǔn)確的斷層預(yù)測(cè)結(jié)果，如圖4a中紅色矩形框正處在實(shí)際地震數(shù)據(jù)的斷層線上，但圖4b中局部像素特征不能正確表征斷層信息，即僅利用局部像素信息不能得到圖4c中的斷層期望解釋結(jié)果。

圖3 常規(guī)圖像局部邊緣檢測(cè)示意圖(a)動(dòng)物圖像； (b)圖a紅框局部放大圖；(c)圖a紅框局部邊緣檢測(cè)期望

圖4 地震數(shù)據(jù)局部斷層解釋示意圖(a)實(shí)際地震數(shù)據(jù)； (b)圖a紅框局部放大圖；(c)圖a紅框局部斷層期望

2.3 三維IHED網(wǎng)絡(luò)模型搭建

對(duì)于圖2所示的HED網(wǎng)絡(luò)結(jié)構(gòu)，淺層網(wǎng)絡(luò)只有5×5的感受野范圍，因此僅憑小尺度(局部)的像素信息難以得到準(zhǔn)確的斷層預(yù)測(cè)結(jié)果。因此，本文在圖2所示三維HED模型的基礎(chǔ)上，根據(jù)地震數(shù)據(jù)和斷層特征進(jìn)一步優(yōu)化?；谇拔牡睦碚摲治?，重新調(diào)整三維HED網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，提出了一種改進(jìn)的三維HED網(wǎng)絡(luò)結(jié)構(gòu)——IHED模型，即在淺層網(wǎng)絡(luò)中加入擁有更大感受野的深層網(wǎng)絡(luò)的信息，改善三維HED邊緣檢測(cè)技術(shù)在斷層智能解釋領(lǐng)域的適用性。

本文提出的三維IHED網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。該網(wǎng)絡(luò)取消了淺層網(wǎng)絡(luò)預(yù)測(cè)失靈的側(cè)輸出及側(cè)輸出特征圖(O1、O2)，只通過(guò)感受野更大的深層網(wǎng)絡(luò)提取地震數(shù)據(jù)特征，并分析語(yǔ)義信息，最后輸出有效的斷層識(shí)別特征圖(O3、O4、O5)。此時(shí)，淺層網(wǎng)絡(luò)不再直接對(duì)斷層進(jìn)行預(yù)測(cè)，而是通過(guò)卷積處理預(yù)先對(duì)地震特征進(jìn)行增強(qiáng)，以提取斷層特征，輔助深層網(wǎng)絡(luò)進(jìn)行斷層智能解釋。

圖5 三維IHED網(wǎng)絡(luò)結(jié)構(gòu)示意圖

深層網(wǎng)絡(luò)隨著感受野的擴(kuò)大，數(shù)據(jù)特征不斷抽象，語(yǔ)義信息逐步豐富，但同時(shí)也隨著池化過(guò)程而損失了部分細(xì)節(jié)信息，所得深層網(wǎng)絡(luò)特征圖(O3、O4、O5)斷層分辨率較低，即斷層線“粗”，斷層邊緣模糊。鑒于此，三維IHED網(wǎng)絡(luò)將深層特征圖重新加入到淺層網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。由于結(jié)合了大感受野的深層網(wǎng)絡(luò)信息，淺層網(wǎng)絡(luò)也能提取到全面的斷層特征，最終可得到具有高分辨率的側(cè)輸出特征圖(O1、O2)，彌補(bǔ)了深層網(wǎng)絡(luò)特征圖在分辨率方面的不足。

最后，將O1～O5這5個(gè)特征圖像疊加，并加權(quán)得到網(wǎng)絡(luò)輸出(Ofuse)，作為三維IHED模型學(xué)習(xí)得到的最終斷層智能識(shí)別結(jié)果。

3 三維IHED模型訓(xùn)練

3.1 訓(xùn)練集

在斷層智能識(shí)別領(lǐng)域，神經(jīng)網(wǎng)絡(luò)模型需要判斷待預(yù)測(cè)像素點(diǎn)是否為斷層點(diǎn)的二分類任務(wù)，需要大量的地震數(shù)據(jù)及其對(duì)應(yīng)的斷層標(biāo)簽。但是，在實(shí)際地震數(shù)據(jù)中，手動(dòng)標(biāo)記或解釋斷層非常耗時(shí)且主觀程度很高，斷層的三維特性和空間特征也增加了人工解釋斷層的復(fù)雜度，容易產(chǎn)生斷層標(biāo)記的紕漏，從而誤導(dǎo)深度網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練過(guò)程。故本文采用了合成地震數(shù)據(jù)集作為訓(xùn)練集，即將地質(zhì)模型的反射系數(shù)與地震子波褶積、正演得到三維合成地震記錄[16]，用于模型訓(xùn)練。

原始合成地震數(shù)據(jù)集共包含200個(gè)三維合成地震數(shù)據(jù)體及其對(duì)應(yīng)的二值斷層標(biāo)簽(1為斷層點(diǎn)，0為非斷層點(diǎn))，每個(gè)三維合成地震數(shù)據(jù)體的尺寸均為128×128×128。此外，另有20個(gè)三維合成地震數(shù)據(jù)體和斷層標(biāo)簽數(shù)據(jù)體作為驗(yàn)證集。如若對(duì)該數(shù)據(jù)體作歸一化處理，并映射至0～255的灰度范圍，可得如圖6所示灰度圖像。

圖6 三維合成地震數(shù)據(jù)集及斷層標(biāo)簽(紅色)示例圖

3.2 數(shù)據(jù)預(yù)處理

為了使不同工區(qū)的地震數(shù)據(jù)互相兼容，需要在網(wǎng)絡(luò)訓(xùn)練前對(duì)地震數(shù)據(jù)進(jìn)行預(yù)處理。常用的數(shù)據(jù)預(yù)處理方式是將地震數(shù)據(jù)做標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化方式的選擇會(huì)影響神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練過(guò)程。

本文在數(shù)據(jù)預(yù)處理方法選取方面，分別對(duì)比了(0,1)標(biāo)準(zhǔn)化、(-0.5,0.5)標(biāo)準(zhǔn)化和Z-Score標(biāo)準(zhǔn)化三種方式，并設(shè)置未標(biāo)準(zhǔn)化處理作為空白對(duì)照組。對(duì)四種不同方法處理后的合成數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練，并分別計(jì)算各自的評(píng)價(jià)指標(biāo)。本文選取準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)作為定量評(píng)價(jià)指標(biāo)，其定義如下。

(1)準(zhǔn)確率。指所有預(yù)測(cè)正確的樣本占全部樣本的比例。

(2)精確率。指預(yù)測(cè)為正(負(fù))的正類(負(fù)類)樣本占所有被預(yù)測(cè)為正類(負(fù)類)樣本的比例。本文將斷層作為正類樣本、非斷層作為負(fù)類樣本。

(3)召回率。指預(yù)測(cè)為正(負(fù))的正類(負(fù)類)樣本占所有正類(負(fù)類)樣本的比例。

(4)F1分?jǐn)?shù)。是精確率和召回率的調(diào)和平均結(jié)果。F1分?jǐn)?shù)同時(shí)兼顧了精確率和召回率。

不同方式訓(xùn)練得到的網(wǎng)絡(luò)模型對(duì)應(yīng)的準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)等如表1所示。

表1 不同處理方式訓(xùn)練的網(wǎng)絡(luò)模型評(píng)價(jià)指標(biāo)

另外，本文引入了ROC曲線和AUC值作為模型評(píng)價(jià)指標(biāo)。ROC曲線也稱為接收者操作特征曲線，是反映敏感性和特異性連續(xù)變量的綜合指標(biāo)。ROC曲線的橫坐標(biāo)為偽正類率(False Positive Rate，F(xiàn)PR)，指預(yù)測(cè)為正但實(shí)際為負(fù)的樣本占所有負(fù)類樣本的比例； 縱坐標(biāo)是真正類率(True Positive Rate，TPR)，指預(yù)測(cè)為正且實(shí)際為正的樣本占所有正類樣本的比例。AUC值是指ROC曲線下的面積，通常0.5

由圖7可見，未標(biāo)準(zhǔn)化網(wǎng)絡(luò)的AUC值(為0.9906)最接近1，斷層分類性能最優(yōu)； Z-Score標(biāo)準(zhǔn)化方式次之(AUC值為0.9890)； (0,1)標(biāo)準(zhǔn)化結(jié)果最差(AUC值為0.9419)。從表1中的數(shù)據(jù)同樣可以得到相同結(jié)論，即未標(biāo)準(zhǔn)化對(duì)照組的所有評(píng)價(jià)指標(biāo)均為最優(yōu)，推測(cè)原因可能是因?yàn)闃?biāo)準(zhǔn)化處理會(huì)損失部分?jǐn)?shù)據(jù)特征信息。但是，在利用實(shí)際地震數(shù)據(jù)進(jìn)行斷層智能解釋時(shí)，不同工區(qū)地震數(shù)據(jù)幅值范圍往往不盡相同，因此為使所訓(xùn)練網(wǎng)絡(luò)模型兼容多個(gè)工區(qū)實(shí)際地震數(shù)據(jù)，必須引入標(biāo)準(zhǔn)化處理以使訓(xùn)練數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的幅值范圍相同，為斷層精確解釋提供保障。在除對(duì)照組(未標(biāo)準(zhǔn)化處理)外的三種標(biāo)準(zhǔn)化處理方式中，Z-Score標(biāo)準(zhǔn)化的各評(píng)價(jià)指標(biāo)均最高，因此本文選擇其進(jìn)行數(shù)據(jù)預(yù)處理。

圖7 不同處理方式訓(xùn)練的網(wǎng)絡(luò)模型的ROC曲線

3.3 模型訓(xùn)練

本文IHED模型基于Python3.6實(shí)現(xiàn)，通過(guò)搭建Cuda11下的Tensorflow2.3環(huán)境，利用GeForce RTX 3090GPU訓(xùn)練，采用Adam優(yōu)化器，并設(shè)置初始學(xué)習(xí)率為0.0001，且該學(xué)習(xí)率可以隨著迭代次數(shù)的增加而動(dòng)態(tài)下降。

網(wǎng)絡(luò)模型和訓(xùn)練數(shù)據(jù)的匹配程度會(huì)隨訓(xùn)練迭代次數(shù)的增加而不斷變化。如果模型訓(xùn)練的迭代次數(shù)太少，模型將無(wú)法充分?jǐn)M合訓(xùn)練集數(shù)據(jù)而產(chǎn)生欠擬合； 如果訓(xùn)練迭代次數(shù)過(guò)多，模型將因過(guò)度依賴訓(xùn)練集數(shù)據(jù)的分布而產(chǎn)生過(guò)擬合。過(guò)擬合的模型將會(huì)傾向于學(xué)習(xí)噪聲特征而忽略了斷層的典型特征，導(dǎo)致網(wǎng)絡(luò)泛化能力下降。在網(wǎng)絡(luò)學(xué)習(xí)中，通常將測(cè)試集的損失值作為評(píng)價(jià)網(wǎng)絡(luò)是否達(dá)到最佳擬合狀態(tài)的重要指標(biāo)。測(cè)試集的損失值與該網(wǎng)絡(luò)模型在實(shí)際場(chǎng)景中的預(yù)測(cè)效果呈負(fù)相關(guān)，故大致可以推斷在測(cè)試集的損失值最小時(shí)網(wǎng)絡(luò)性能達(dá)到最優(yōu)。因此，本文最終將測(cè)試集損失值最小的訓(xùn)練模型加以保存。

3.4 模型驗(yàn)證

由表1可知，選擇Z-Score標(biāo)準(zhǔn)化處理的IHED網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率達(dá)到95.07%，其他評(píng)價(jià)指標(biāo)也比較高，在一定程度上證明了該模型的有效性。

本文選取測(cè)試集中的一個(gè)三維合成地震數(shù)據(jù)體進(jìn)行驗(yàn)證。由圖8可見，IHED模型對(duì)測(cè)試集數(shù)據(jù)的斷層預(yù)測(cè)走勢(shì)與標(biāo)簽結(jié)果高度吻合，定性地驗(yàn)證了本文所提出模型的有效性。

圖8 測(cè)試集地震數(shù)據(jù)體(左)與IHED網(wǎng)絡(luò)斷層智能解釋結(jié)果(右)

4 實(shí)際資料應(yīng)用

4.1 Kerry-3D三維實(shí)際地震數(shù)據(jù)體斷層識(shí)別

使用上述訓(xùn)練的IHED模型對(duì)Kerry-3D數(shù)據(jù)體進(jìn)行斷層自動(dòng)解釋，該三維實(shí)際地震數(shù)據(jù)體為New Zealand Petroleum and Minerals公司提供的時(shí)間偏移疊后地震數(shù)據(jù)(圖9a)。同時(shí)，引入了一種改進(jìn)的適用于斷層智能解釋的U-Net網(wǎng)絡(luò)模型[17]和第三代相干體(C3)方法作為對(duì)比，最終得到的三維斷層解釋結(jié)果如圖9所示。

由圖9可知，三種方法均可揭示地震數(shù)據(jù)不連續(xù)的位置，但相干體方法結(jié)果(圖9b)較為模糊，尤其是時(shí)間切片，可見相干體方法不能從地震反射不連續(xù)性中精確識(shí)別斷層位置； U-Net模型(圖9c)和IHED模型(圖9d)對(duì)斷層的識(shí)別和定位效果優(yōu)于相干體方法，證明了深度學(xué)習(xí)算法在斷層智能解釋中的有效性； IHED模型識(shí)別的斷層更為連續(xù)，且不連續(xù)點(diǎn)(散點(diǎn))更少，這說(shuō)明IHED模型在識(shí)別不同尺度斷層信息的能力上要優(yōu)于U-Net模型。

同樣，可以利用Kerry-3D數(shù)據(jù)體中的Inline 585地震剖面(圖10)進(jìn)一步分析本文IHED模型在斷層智能解釋方面的優(yōu)勢(shì)。與相干體識(shí)別結(jié)果(圖10b)相比，兩種深度學(xué)習(xí)模型(圖10c、圖10d)均能有效地識(shí)別斷層的所在位置，且識(shí)別出的斷層連續(xù)性較高； 同時(shí)，兩種模型識(shí)別出的斷層邊緣清晰、光滑，不存在明顯的毛刺，且斷層與非斷層部分特征對(duì)比明顯，驗(yàn)證了深度學(xué)習(xí)模型的優(yōu)越性。相比U-Net模型，IHED模型的斷層智能解釋結(jié)果背景區(qū)域更干凈，斷層預(yù)測(cè)散點(diǎn)較少，如圖10c和圖10d中藍(lán)色矩形所示。這說(shuō)明IHED模型對(duì)地震背景噪聲的抗干擾能力較強(qiáng)。此外，與U-Net模型相比，IHED模型的斷層預(yù)測(cè)分類更加明確，預(yù)測(cè)的斷層概率取值主要集中在1(圖10d中紅色)附近，介于斷層點(diǎn)和非斷層點(diǎn)間的分類不明確的預(yù)測(cè)結(jié)果(圖中呈現(xiàn)為黃、綠、藍(lán)的部分)較少出現(xiàn)，進(jìn)一步證明了本文模型對(duì)斷層智能解釋的有效性和準(zhǔn)確性。

另外，從細(xì)節(jié)方面看，本文IHED模型識(shí)別的主要斷層連續(xù)性更好。由于原始地震數(shù)據(jù)中部分區(qū)域同相軸的不連續(xù)性特征不顯著(如圖10a中紅色虛線附近)，導(dǎo)致U-Net模型難以準(zhǔn)確識(shí)別該處的斷層特征，即本該連續(xù)的斷層在縱向上不連續(xù)(如圖10c中白色矩形框所示)。鑒于HED模型多尺度的特性，該模型對(duì)部分?jǐn)?shù)據(jù)缺失或局部噪聲的抗干擾性更強(qiáng)，因此IHED模型依然能夠準(zhǔn)確識(shí)別該區(qū)域的斷層特征(圖10d中白色矩形框所示)。

4.2 渤海B工區(qū)三維實(shí)際地震數(shù)據(jù)體斷層識(shí)別

為進(jìn)一步驗(yàn)證本文模型的泛化性，選取渤海B工區(qū)的一個(gè)三維地震數(shù)據(jù)體進(jìn)行斷層識(shí)別。將本文IHED模型與U-Net模型、C3相干體方法作對(duì)比，得到的三維斷層解釋結(jié)果如圖11所示。由圖可見，三種方法識(shí)別的斷層的分布特征大致相同，但相干體方法識(shí)別的有效斷層較少且較為混亂； 兩種深度學(xué)習(xí)模型由于使用相同訓(xùn)練集進(jìn)行模型訓(xùn)練，斷層預(yù)測(cè)結(jié)果的相似程度較高，并且斷層的識(shí)別和定位效果均優(yōu)于相干體方法； IHED模型比U-Net模型識(shí)別的斷層更為清晰，且散點(diǎn)更少。

圖9 Kerry-3D三維數(shù)據(jù)體不同方法斷層解釋結(jié)果(a)地震數(shù)據(jù)體； (b)相干體方法； (c)U-Net模型； (d)IHED模型

圖10 Kerry-3D三維數(shù)據(jù)體Inline 585地震剖面不同方法斷層解釋結(jié)果(a)地震剖面； (b)相干體方法； (c)U-Net模型； (d)IHED模型

圖11 渤海B工區(qū)三維數(shù)據(jù)體不同方法斷層解釋結(jié)果(a)地震數(shù)據(jù)體； (b)相干體方法； (c)U-Net模型； (d)IHED模型

為了進(jìn)一步展示IHED模型在斷層智能解釋方面的優(yōu)勢(shì)，結(jié)合原始地震數(shù)據(jù)時(shí)間切片與不同方法斷層解釋結(jié)果進(jìn)行對(duì)比和分析。由圖12可見，兩種深度學(xué)習(xí)模型的斷層檢測(cè)結(jié)果中，IHED模型識(shí)別的斷層背景區(qū)域更干凈，斷層散點(diǎn)更少，斷層連續(xù)性也更高； IHED模型的斷層分類結(jié)果更加明確，介于斷層點(diǎn)和非斷層點(diǎn)間的預(yù)測(cè)結(jié)果出現(xiàn)較少(如圖12c藍(lán)色矩形框中呈現(xiàn)藍(lán)、綠色部分的斷層點(diǎn))。

圖12 渤海B工區(qū)1808ms地震時(shí)間切片不同方法斷層解釋結(jié)果(a)地震剖面； (b)相干體方法； (c)U-Net模型； (d)IHED模型

5 結(jié)論

根據(jù)三維地震數(shù)據(jù)和斷層的特點(diǎn)，本文將整體嵌套邊緣檢測(cè)網(wǎng)絡(luò)應(yīng)用于斷層識(shí)別，提出了一種新的三維改進(jìn)嵌套邊緣檢測(cè)網(wǎng)絡(luò)模型。相比傳統(tǒng)的嵌套邊緣檢測(cè)網(wǎng)絡(luò)模型，三維改進(jìn)嵌套邊緣檢測(cè)網(wǎng)絡(luò)模型具有如下優(yōu)點(diǎn)：

(1)將二維嵌套邊緣檢測(cè)網(wǎng)絡(luò)模型推廣為三維嵌套邊緣檢測(cè)，可以直接處理三維地震數(shù)據(jù)體，進(jìn)行斷層智能解釋；

(2)將淺層網(wǎng)絡(luò)中加入擁有更大感受野的深層網(wǎng)絡(luò)的信息，可以在更多尺度上捕捉不同規(guī)模斷層的連續(xù)性特征，從而提高斷層智能解釋的精度。

在Kerry-3D和渤海B工區(qū)的兩個(gè)三維實(shí)際地震工區(qū)的應(yīng)用效果表明，與相干體算法、U-Net模型對(duì)比，本文提出的改進(jìn)嵌套邊緣檢測(cè)模型預(yù)測(cè)斷層更準(zhǔn)確，連續(xù)性更好。三維改進(jìn)嵌套邊緣檢測(cè)網(wǎng)絡(luò)模型為地震斷層智能識(shí)別提供了一種可靠途徑。