于 越,桑文鏡,袁三一,陳 帥,王尚旭

(中國石油大學(xué)(北京)地球物理學(xué)院,北京 102249)

地震層位追蹤與拾取是一項基礎(chǔ)且重要的地震解釋工作,準確的地震層位能為速度建模、偏移成像、構(gòu)造解釋、屬性分析、井震標定、彈性參數(shù)反演、物性參數(shù)預(yù)測和鉆前壓力監(jiān)測等勘探開發(fā)工作提供基本數(shù)據(jù)和保障[1]。

目前,層位拾取方法以人工拾取和自動拾取兩大類為主。人工拾取是解釋人員根據(jù)地質(zhì)沉積演化規(guī)律和地震數(shù)據(jù)的波形、振幅和相位等物理特征,稀疏地解釋少量縱橫測線剖面的目標層位,再依據(jù)波形相似性,通過數(shù)學(xué)插值的方式追蹤其它剖面上的層位線,最終得到三維層位曲面。人工拾取方法具有操作簡便和容易學(xué)習(xí)等優(yōu)點,但是該方法比較依賴解釋人員的主觀認識與經(jīng)驗,且無法同時保證層位追蹤的精度與效率。當拾取層位線較粗糙時,易丟失地質(zhì)異常體;當拾取層位線較精細時,會大量耗費時間與精力,降低解釋效率。因此為了突破人工拾取方法的局限性,不少學(xué)者先后提出了兼顧精度與效率的層位自動拾取方法[2]。

現(xiàn)有的層位自動拾取方法主要分為基于地震道相關(guān)性、地震圖像像元匹配和神經(jīng)網(wǎng)絡(luò)自動追蹤3類?；谙嚓P(guān)性的層位自動拾取技術(shù)是在相干算法[3-4]的基礎(chǔ)上,依據(jù)地震剖面的波形特征,通過比較道與道之間的相關(guān)性追蹤并標記層位。基于此思想,ZENG等[5]提出一種利用少量人工標記過的層位對三維層位進行插值的方法;趙成喜等[6]提出通過確定目的層種子點,選取一定大小的相鄰時窗,利用線性插值的方法識別相鄰地震道追蹤地震層位;溫慶慶[7]提出利用種子點引導(dǎo),通過全區(qū)插值,對插值點與種子點進行相關(guān)計算,將相關(guān)系數(shù)最大的點作為拾取層位。然而,利用插值的方法雖然總體上可以比較清楚地分辨層位的結(jié)構(gòu),但人工標記層位種子點的質(zhì)量對插值結(jié)果影響較大,而且容易造成最終層位的不完整。鄭公營等[8]提出了波形特征追蹤和相關(guān)追蹤兩種層位自動拾取算法。這兩種算法提高了層位追蹤效率與質(zhì)量,但在地震波形比較復(fù)雜、存在較大斷層和分叉的情況下,存在一定的局限性。WU等[9]將動態(tài)時間規(guī)整(dynamic time warping,DTW)算法引入到地震層位拾取中,利用多網(wǎng)格斜率相關(guān)斷層兩側(cè)的地震道來追蹤層位,該方法不僅計算高效,而且在經(jīng)過斷層時仍能夠獲得準確的相位一致的層位。

基于圖像的自動追蹤方法引入了圖像處理領(lǐng)域中的像元概念,將地震記錄點看成像元,通過比較目標窗口內(nèi)的像元之間的關(guān)系,將達到最佳匹配的像元作為追蹤的層位目標。涂先見[10]提出了一種基于信號分類的全層位追蹤方法,該方法避免了傳統(tǒng)層位追蹤易受到人為干預(yù)的局限性,實現(xiàn)了指定區(qū)域內(nèi)的全層位追蹤,但對跨斷層區(qū)域的層位追蹤效果較差。蔣旭東等[11]提出一種基于結(jié)構(gòu)張量算法的自動追蹤層位方法,該方法通過結(jié)構(gòu)張量算法計算層位發(fā)育角度信息來追蹤層位,其層位拾取結(jié)果相對穩(wěn)定,且與同相軸吻合度高,但在波形相似度變?nèi)鯐r,特別是在一些復(fù)雜的斷層區(qū)域,容易造成追蹤結(jié)果的不連續(xù)。

基于神經(jīng)網(wǎng)絡(luò)的層位自動追蹤方法結(jié)合了地震大數(shù)據(jù)和多類型深度神經(jīng)網(wǎng)絡(luò)的各自優(yōu)勢,通過學(xué)習(xí)大量的地震樣本與標簽提取層位特征屬性并映射出層位,從而達到層位自動拾取的目的。HUANG等[12]曾提出一種基于線性陣列特征圖的自組織模型提取地震層位的算法,該算法可以用于地震模式識別的預(yù)處理,提高地震解釋的水平。ALBERTS等[13]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的層位追蹤算法,該方法可以自動跳過斷層等不連續(xù)地質(zhì)結(jié)構(gòu)區(qū)域,實現(xiàn)了層位的自動追蹤和分類,但在斷層區(qū)域容易產(chǎn)生層位的不連續(xù)。趙皓[14]利用自組織特征映射(self-organizing feature mapping,SOFM)網(wǎng)絡(luò)和反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)實現(xiàn)了斷層兩側(cè)層位同相軸的定位與追蹤。PETERS等[15]和YANG等[16]使用深度卷積神經(jīng)網(wǎng)絡(luò),在訓(xùn)練少量地震圖像的基礎(chǔ)上實現(xiàn)整個數(shù)據(jù)體的層位自動追蹤,提高了層位拾取的效率和精度。SHI等[17]提出了一種基于深度學(xué)習(xí)自動編碼器的無監(jiān)督層位自動拾取方法,該方法在訓(xùn)練過程中不需要標簽,且對噪聲和橫向扭曲不敏感。但對于不整合以及斷距較大的斷層,該方法的穩(wěn)定性較差。袁英淏[18]提出了基于恒等快捷映射的深層卷積神經(jīng)網(wǎng)絡(luò)自動層位追蹤方法,該方法解決了深層網(wǎng)絡(luò)中經(jīng)常出現(xiàn)的梯度彌散問題,提高了拾取結(jié)果的準確性,但追蹤層位耗費時長遠遠高于其它層位自動追蹤方法。

總之,現(xiàn)有的層位自動拾取方法仍存在一些不足:①已有的基于波形相關(guān)性和基于圖像像元相似性的層位自動追蹤技術(shù)存在效率低,對斷層等不連續(xù)區(qū)域敏感,以及當不同目標層位比較接近且波形相似時易產(chǎn)生串層現(xiàn)象等問題;②大部分神經(jīng)網(wǎng)絡(luò)類方法只是應(yīng)用神經(jīng)網(wǎng)絡(luò)實現(xiàn)了層位自動追蹤,但沒有針對地震數(shù)據(jù)的固有物理特性開展測試以形成較系統(tǒng)的認識;③沒有充分利用已有的地球物理認識和地質(zhì)規(guī)律引導(dǎo)層位拾取網(wǎng)絡(luò)的建模,對拾取結(jié)果缺少多種有效的質(zhì)控與分析。

為克服現(xiàn)有神經(jīng)網(wǎng)絡(luò)類層位自動拾取方法存在的不足,本文以語義分割為基礎(chǔ),以U型神經(jīng)網(wǎng)絡(luò)為架構(gòu),以層拉平、層位閉合、等t0圖、地質(zhì)導(dǎo)向相位屬性和均方根振幅屬性等多種地球物理手段為質(zhì)控,提出了一套綜合考慮不同方向、不同大小的地震剖面包含的層位信息和地質(zhì)結(jié)構(gòu)特征的差異性及標簽正確性對網(wǎng)絡(luò)建模影響的地震層位智能拾取方法與流程。

本文在介紹方法原理和質(zhì)控手段的基礎(chǔ)上,討論了數(shù)據(jù)集生成方向、訓(xùn)練樣本尺度大小和標簽錯誤程度3種樣本選取因素對智能層位拾取的影響。

1 方法原理

1.1 U型神經(jīng)網(wǎng)絡(luò)

U-Net網(wǎng)絡(luò)是一種常見的卷積神經(jīng)網(wǎng)絡(luò),于2015年由RONNEBERGER等[19]提出。U-Net網(wǎng)絡(luò)最早用于解決醫(yī)學(xué)圖像細胞分割問題,由于其具有可解釋性較強、分割精度高、所需訓(xùn)練數(shù)據(jù)量少等優(yōu)點,因此適用于同樣存在少樣本、圖像語義簡單等情況的地震解釋領(lǐng)域,在識別層位、斷層、河道、溶洞、鹽丘和地震相等應(yīng)用中取得了良好的實際應(yīng)用效果[20-21]。

原始的U-Net網(wǎng)絡(luò)主要由包含4次下采樣的收縮路徑和包含4次上采樣的擴張路徑兩部分組成,收縮路徑將輸入的地震信息轉(zhuǎn)化為特征圖;與其對稱的擴張路徑將提取的特征圖進一步映射成與輸入圖像等大的輸出結(jié)果。圖1為本文所使用的U型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意。由于本文中部分訓(xùn)練樣本大小為128×128,經(jīng)過4次下采樣后特征圖無法有效保留原始圖像的局部細節(jié)信息,因此本文將下采樣和上采樣次數(shù)均從4次減少到3次。其次,原始的U-Net網(wǎng)絡(luò)通道數(shù)依次為64,128,256,512,1024;為提高訓(xùn)練速度,本文的U型神經(jīng)網(wǎng)絡(luò)通道數(shù)依次設(shè)置為16,32,64和512。

圖1 U型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意

基于U型神經(jīng)網(wǎng)絡(luò)的地震層位智能拾取問題可以被看成是像素級別的地震圖像分類任務(wù),其目標函數(shù)一般使用交叉熵損失函數(shù)。在單套層位拾取(二分類)的情況下,網(wǎng)絡(luò)模型最后輸出表征層位的概率圖。層位和非層位兩種類別預(yù)測得到的概率分別是p和1-p,此時U型神經(jīng)網(wǎng)絡(luò)的目標函數(shù)如下:

(1)

式中:N表示樣本的個數(shù);yi表示第i個樣本的類別,層位位置為1,非層位位置為0;pi表示第i個樣本被預(yù)測為層位的概率。

多套層位拾取(多分類)相應(yīng)的目標函數(shù)為:

(2)

式中:M表示類別的數(shù)量;pij表示第i個樣本屬于類別j的預(yù)測概率;yij為符號函數(shù),如果樣本的真實類別等于j,則yij=1,否則yij=0。當M=2時,公式(2)與公式(1)等價。

1.2 層位智能拾取過程

利用U型神經(jīng)網(wǎng)絡(luò)智能拾取層位時,首先在人工解釋層位附近設(shè)置時窗,將時窗內(nèi)區(qū)域標記為所屬的層位類別,時窗外區(qū)域標記為0,最終生成與地震剖面等大的層位標簽。以包含3套目標層位的地震剖面(圖2a)為例,其中層位用黑色線表示。標記從上到下的3套層位及其鄰域分別為1,2,3,剩下的區(qū)域標記為0,獲得層位標簽見圖2b。重復(fù)上述步驟,完成三維地震數(shù)據(jù)的層位標簽制作。然后等間隔抽取地震剖面和層位標簽,訓(xùn)練U型神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)置為0.001,經(jīng)過50次迭代訓(xùn)練獲得具有層位特征識別能力的網(wǎng)絡(luò)模型,從而比較清晰地分割出層位區(qū)域,并減少了非層位區(qū)域的干擾。接著,將智能層位拾取模型推廣到待測試剖面。網(wǎng)絡(luò)將輸入的二維地震數(shù)據(jù)端到端、圖像到圖像、像素到像素地轉(zhuǎn)化為輸出的層位拾取概率圖。層位拾取概率圖是層位和非層位區(qū)域的語義分割結(jié)果,概率值越接近預(yù)設(shè)標簽值,被認為是該層位的可能性越大。為獲得更可靠合理的層位拾取結(jié)果,接著對層位拾取概率圖沿著人工拾取層位線設(shè)置窗口大小為15×1的時窗,通過閾值對窗內(nèi)的層位概率分類(將窗內(nèi)大于臨界值的點設(shè)為表示層位的1,其它點設(shè)為表示非層位的0)。最后,窗內(nèi)每道非零位置的中心點即為智能拾取的地震層位。

圖2 多套層位標簽制作示意a 地震剖面(黑線為人工拾取的3套層位); b 地震剖面對應(yīng)的多套層位標簽

2 質(zhì)控方法

為檢查和把控地震層位智能拾取結(jié)果,本文在判斷拾取的層位是否準確追蹤同相軸的基礎(chǔ)上,加入多種質(zhì)控方法。

1) 層拉平:準確拾取的地震層位會統(tǒng)一追蹤地震波同相軸的波峰、波谷或零值點位置,若將層位附近區(qū)域沿層位拉平后會得到波形水平的地震剖面;地震剖面拉平效果越好,層位拾取越準確。

2) 層位閉合:Inline方向和Crossline方向上的層位線應(yīng)閉合相交于一個坐標點。

3) 層位等t0圖:直觀地反映地震層位的三維形態(tài)和起伏變化。

4) 沿層振幅切片:比較清晰地反映構(gòu)造發(fā)育及展布特征。

5) 均方根振幅屬性:對地震數(shù)據(jù)振幅變化敏感,可以檢驗拾取層位對地質(zhì)異常體的刻畫能力。

6) 地質(zhì)導(dǎo)向相位屬性[22]:表征三維曲面中近似垂直于構(gòu)造的不連續(xù)性,突出和識別地下微小構(gòu)造。

7) 層位概率圖:可視化智能層位在人工層位位置的概率圖,概率值越高,預(yù)測的置信度越高。

選取如圖3a所示的三維裂縫物理模擬數(shù)據(jù)[23]開展測試,并選取幾種質(zhì)控手段檢驗獲得的智能層位拾取結(jié)果是否準確。若不滿足條件,調(diào)整樣本選取策略重新訓(xùn)練網(wǎng)絡(luò)。該模型數(shù)據(jù)Inline方向、Crossline方向和時間方向的采樣大小分別為750,750和400,時間采樣間隔為1ms,沿Crossline方向(西—東)和Inline方向(北—南)道間距為12.5m,覆蓋面積約90km2。物理模型(圖3b)由淺到深依次發(fā)育6套沉積層,分別命名為L1～L6。其中,第4套沉積層L4為本文研究的目的層,其平均厚度約為190m,對應(yīng)的地震層位為圖3a中的黑線所示層位。從目的層頂部的二維示意(圖3c)及對應(yīng)的沿層振幅切片(圖3d)可以看到,目的層主要由位于北部的不同長度、寬度、密度、水平間隔、形狀的八組簡化裂縫帶和位于南部的包含四個東西向斷裂體系兩大部分構(gòu)成。此外,裂縫帶比斷裂體系埋藏更深,形成南高北低,自南向北逐漸傾伏的地質(zhì)結(jié)構(gòu)。

圖3 三維裂縫物理模擬數(shù)據(jù)示意a 三維地震數(shù)據(jù)(黑線表示人工層位); b 包含6個沉積層的裂縫物理模型[23]; c 第4個沉積層(目的層)的俯視圖[23]; d 目的層的沿層振幅切片

首先等間隔地從三維物理模擬數(shù)據(jù)中抽取100個Inline剖面,并利用人工層位生成層位標簽,每個地震樣本和層位標簽的大小都是400×750。此時層位標簽包含目標層位區(qū)域(對應(yīng)的標簽為1)以及非目標層位區(qū)域(標簽為0)兩個語義類別。然后將獲得的樣本集按1∶1分成訓(xùn)練集和驗證集。層位拾取網(wǎng)絡(luò)訓(xùn)練好后,測試所有Inline剖面獲得三維層位拾取結(jié)果。抽取兩個典型剖面分析智能層位拾取效果,圖4a為一僅經(jīng)過斷層的東西向剖面Crossline 150,圖4b為同時經(jīng)過斷層和多個裂縫的南北向剖面Inline 406。圖4a和圖4b中的黑線和綠線分別表示人工、智能拾取的層位。對比發(fā)現(xiàn),智能拾取的層位基本能夠正確地反映層位變化趨勢,追蹤與地震構(gòu)造一致的反射波同相軸信息在斷層和裂縫位置沒有出現(xiàn)串層現(xiàn)象,與人工層位拾取結(jié)果整體相當。為進一步檢驗拾取的智能層位,對含斷層和裂縫等特殊構(gòu)造區(qū)域(圖4a和圖4b中橢圓圈)分別沿著人工層位(圖4c和圖4d中的黑線)和智能層位(圖4c和圖4d中的綠線)拉平。可以看出,沿著智能層位拉平后的地震剖面(圖4d和圖4f)更為平緩,波形抖動小,層拉平質(zhì)控說明基于U型神經(jīng)網(wǎng)絡(luò)的智能層位拾取方法能比人工拾取方法更好地刻畫斷層和裂縫兩類地質(zhì)結(jié)構(gòu)。

再選取層位閉合、層位等t0圖、地質(zhì)導(dǎo)向相位屬性這3種手段進一步質(zhì)控三維層位拾取質(zhì)量。圖5a和圖5b為隨機抽取兩組兩兩相交的Inline剖面和Crossline剖面。如黑色箭頭所示,兩個方向上的智能層位(綠線)相交于一點,說明滿足層位閉合條件。人工和智能層位對應(yīng)的等t0圖(圖6a和圖6b)都能清晰地刻畫斷層系統(tǒng),但智能層位等t0圖能夠更明顯地表征北部的裂縫帶。基于三維地質(zhì)導(dǎo)向相位結(jié)果,圖6c和圖6d分別為沿著人工、智能層位提取出的地質(zhì)導(dǎo)向相位切片,后者刻畫斷層和裂縫組合清晰,受到噪聲干擾少,獲得連續(xù)性較好、構(gòu)造細節(jié)豐富的地質(zhì)異常體。綜合分析圖4、圖5 和圖6發(fā)現(xiàn),本文方法解釋的層位比人工層位在斷層和裂縫等不連續(xù)構(gòu)造附近表現(xiàn)更好,識別細微構(gòu)造的能力更強。

圖4 物理模型地震剖面的層位拾取結(jié)果 a,b 分別為Crossline150剖面、Inline406剖面; c,d 分別為 a圖中斷層(橢圓圈)附近沿人工(黑線)、智能(綠線)層位拉平; e,f 分別為 b圖中裂縫(橢圓圈)附近沿人工(黑線)、智能(綠線)層位拉平

圖5 物理模擬數(shù)據(jù)三維層位智能拾取質(zhì)控與評價a Inline600和Crossline600剖面層位閉合情況(黑色箭頭所示); b Inline300和Crossline700剖面層位閉合情況(黑色箭頭所示)

圖6 物理模擬數(shù)據(jù)三維層位智能拾取質(zhì)控與評價a 人工層位等t0圖; b 智能層位等t0圖; c 人工層位對應(yīng)的地質(zhì)導(dǎo)向相位切片; d 智能層位對應(yīng)的地質(zhì)導(dǎo)向相位切片

3 樣本選取策略

在引入多種質(zhì)控方法評價智能層位拾取效果的基礎(chǔ)上,討論數(shù)據(jù)集生成方向、訓(xùn)練樣本尺度大小和標簽錯誤程度3種因素對建立智能層位拾取模型的影響,以形成一種比較可靠的樣本選取策略。

3.1 數(shù)據(jù)集生成方向

沿不同方向提取的地震剖面可以突顯不同尺度、不同構(gòu)造走向的地下異常體,尤其是小尺度異常體。本文分別沿三維地震數(shù)據(jù)的Crossline和Inline方向等間隔抽取50個地震剖面,構(gòu)建兩個不同的訓(xùn)練數(shù)據(jù)集,并訓(xùn)練出兩個智能層位拾取網(wǎng)絡(luò),分別命名為Crossline網(wǎng)絡(luò)和Inline網(wǎng)絡(luò),以探究不同方向數(shù)據(jù)集對層位拾取結(jié)果的影響及原因。其中,Inline網(wǎng)絡(luò)也是圖4 和圖5對應(yīng)的網(wǎng)絡(luò)。利用這兩個網(wǎng)絡(luò)分別測試對應(yīng)的測線剖面,得到兩個層位概率體。圖7a和圖7b 分別為從這兩個三維概率體提取出人工層位位置對應(yīng)的概率圖?？梢钥闯?Crossline網(wǎng)絡(luò)得到的人工層位切片概率圖在南部斷層區(qū)域表現(xiàn)為深紅色,切片邊界及北部裂縫內(nèi)部出現(xiàn)較多呈橘紅色和藍色的低概率值,表明Crossline網(wǎng)絡(luò)對這些位置是否是目標層位判斷不準,拾取結(jié)果偏離了人工層位;而Inline網(wǎng)絡(luò)得到的人工層位切片概率圖整體表現(xiàn)為深紅色,即判定該位置為目標層位的置信度高。圖7a 和圖7b的對比說明沿Inline方向訓(xùn)練網(wǎng)絡(luò)在人工層位切片位置預(yù)測的概率圖整體概率較高,對應(yīng)的層位拾取效果較好。接著對于三維地震數(shù)據(jù)分別沿著人工拾取、Crossline網(wǎng)絡(luò)拾取、Inline網(wǎng)絡(luò)拾取層位提取沿層振幅切片,如圖7c至圖7e所示。兩個網(wǎng)絡(luò)對應(yīng)的沿層振幅切片都能刻畫出斷層和裂縫的基本形態(tài)且相較人工沿層振幅切片對斷層的走勢、裂縫的邊界刻畫得更加精細和清晰。

圖7 訓(xùn)練集生成方向?qū)ξ锢砟M數(shù)據(jù)層位拾取的影響a Crossline網(wǎng)絡(luò)在人工層位位置的概率圖; b Inline網(wǎng)絡(luò)在人工層位位置的概率圖; c 人工層位對應(yīng)的沿層振幅切片; d Crossline網(wǎng)絡(luò)層位對應(yīng)的沿層振幅切片; e Inline網(wǎng)絡(luò)層位對應(yīng)的沿層振幅切片

由沿層振幅切片可以看到,由于Crossline地震剖面往往只經(jīng)過斷層或裂縫,而Inline地震剖面同時經(jīng)過斷層和裂縫,因此Inline網(wǎng)絡(luò)的訓(xùn)練集比Crossline網(wǎng)絡(luò)包含更豐富的地質(zhì)信息,使其在訓(xùn)練過程中能夠?qū)W習(xí)更多元化的地質(zhì)結(jié)構(gòu)特征與模式,提高了網(wǎng)絡(luò)自適應(yīng)提取層位的能力。因此本文認為當三維地震數(shù)據(jù)的不同方向地質(zhì)結(jié)構(gòu)特征差異較大時,沿著地質(zhì)結(jié)構(gòu)特征復(fù)雜的方向提取數(shù)據(jù)構(gòu)建訓(xùn)練集建立的層位智能拾取模型更有利于推廣測試。在后續(xù)的模擬數(shù)據(jù)測試中,我們均使用Inline方向作為數(shù)據(jù)集生成方向。

利用上文使用的Inline網(wǎng)絡(luò)測試所有的Crossline剖面,進一步探究層位拾取網(wǎng)絡(luò)沿著垂直于訓(xùn)練集生成方向推廣時的層位拾取效果。圖8a中黑線為人工層位,綠線為Inline網(wǎng)絡(luò)測試Crossline150剖面得到的智能層位,與Inline網(wǎng)絡(luò)沿Inline方向測試三維地震數(shù)據(jù)后提取Crossline150剖面上的智能層位(圖4a綠線)基本一致。圖8b為Inline網(wǎng)絡(luò)測試Crossline剖面得到的概率體在人工層位位置的概率圖,可以看到整體表現(xiàn)較好;與Inline網(wǎng)絡(luò)測試Inline剖面得到的概率體在人工層位位置的概率圖(圖7b) 相比,僅在斷層和裂縫位置概率值有所下降,但優(yōu)于Crossline網(wǎng)絡(luò)測試Crossline剖面得到的概率體在人工層位位置的概率圖(圖7a)。圖8c為Inline網(wǎng)絡(luò)測試Crossline剖面獲得的智能拾取層位對應(yīng)的沿層振幅切片,其對斷層和裂縫的刻畫能力介于圖7d 和圖7e之間。以上測試可以說明:對于當前數(shù)據(jù),當沿著包括更多地質(zhì)結(jié)構(gòu)模式的方向生成訓(xùn)練數(shù)據(jù)集構(gòu)建層位解釋模型時,測試集數(shù)據(jù)生成方向無論是平行或垂直于訓(xùn)練集數(shù)據(jù)生成方向,U型神經(jīng)網(wǎng)絡(luò)都能獲得穩(wěn)定的波形特征一致的層位拾取結(jié)果;且測試集與訓(xùn)練集的數(shù)據(jù)生成方向相同比二者生成方向垂直時拾取的層位結(jié)果精度和置信度更高。

圖8 Inline網(wǎng)絡(luò)測試Crossline剖面得到的層位拾取結(jié)果a Crossline150剖面層位拾取結(jié)果; b Inline網(wǎng)絡(luò)測試所有Crossline剖面后得到的人工層位位置的概率圖; c Inline網(wǎng)絡(luò)測試所有Crossline剖面后得到的智能層位對應(yīng)的沿層振幅切片

3.2 訓(xùn)練樣本尺度大小

考慮到不同大小的地震剖面包含的地質(zhì)結(jié)構(gòu)和目標層位存在差異,在此進一步探究訓(xùn)練樣本尺度大小對智能層位拾取的影響。這里將前文訓(xùn)練使用的50個Inline剖面稱為大尺度訓(xùn)練集(大小為50個400×750)。進一步對大尺度訓(xùn)練集中的每個剖面按照大小為128×128的滑動時窗截取小尺度訓(xùn)練樣本(測線、時間方向的滑動步長分別設(shè)置為20和40),構(gòu)建小尺度訓(xùn)練集(大小為2700個128×128)。為便于區(qū)分,將大尺度訓(xùn)練集和小尺度訓(xùn)練集訓(xùn)練得到的網(wǎng)絡(luò)分別命名為大尺度網(wǎng)絡(luò)、小尺度網(wǎng)絡(luò)。利用訓(xùn)練好的大尺度網(wǎng)絡(luò)和小尺度網(wǎng)絡(luò)分別測試模擬數(shù)據(jù)的全部Inline剖面,得到兩個三維層位拾取結(jié)果。提取人工、大尺度網(wǎng)絡(luò)、小尺度網(wǎng)絡(luò)拾取層位對應(yīng)的均方根振幅切片,如圖9所示。相比于人工層位對應(yīng)的均方根振幅切片(圖9a),小尺度網(wǎng)絡(luò)拾取層位對應(yīng)的均方根振幅切片(圖9c)在斷層附近出現(xiàn)了較多的地質(zhì)假象;而大尺度網(wǎng)絡(luò)拾取層位對應(yīng)的均方根振幅切片(圖9b)對斷層和裂縫的刻畫整體更為清晰干凈,減少了噪聲干擾。

圖9 訓(xùn)練樣本尺度大小對物理模擬數(shù)據(jù)層位拾取的影響a 人工層位對應(yīng)的均方根振幅切片; b 大尺度樣本網(wǎng)絡(luò)層位對應(yīng)的均方根振幅切片; c 小尺度樣本網(wǎng)絡(luò)層位對應(yīng)的均方根振幅切片

總的來說,U型神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)小尺度和大尺度地震樣本及標簽基本上都能得到比較完整和清晰的層位結(jié)果。但是,由于大尺度樣本集一定程度上包含更連續(xù)完整的層位信息和更少的邊界信息,得到的網(wǎng)絡(luò)模型能夠更全面地包含全局地震數(shù)據(jù)特征,追蹤更為一致的地震波同相軸,使得層位拾取結(jié)果更加精確和穩(wěn)定,從而減少了層位細節(jié)的丟失及地質(zhì)假象的產(chǎn)生。而小尺度樣本集比大尺度樣本集的地質(zhì)結(jié)構(gòu)不連續(xù)性更強,邊界信息更多,可能會增加網(wǎng)絡(luò)學(xué)習(xí)難度,降低拾取結(jié)果的穩(wěn)定性和抗噪性。因此根據(jù)以上測試,本文認為訓(xùn)練大尺度樣本比小尺度樣本更適用于層位拾取問題。

3.3 標簽錯誤程度

基于神經(jīng)網(wǎng)絡(luò)的智能層位拾取方法嚴重依賴層位標簽,標簽的準確性(假設(shè)正確拾取的層位準確追蹤地震波同相軸)對智能拾取效果起著決定性的作用。以往文獻通常沒有討論標簽錯誤程度對智能層位拾取的影響,因此這里采用前文提到的50個大小為400×750的Inline剖面和標簽構(gòu)建數(shù)據(jù)集進行標簽出錯試驗與分析。本文通過使層位標簽的出錯程度逐漸增大來生成3個訓(xùn)練集,即第一、第二和第三次試驗分別使每個標簽的Crossline450～600、Crossline250～650和Crossline1～750對應(yīng)的層位隨機上移或下移15～30ms。以Inline393剖面為例,圖10a為其正確的層位標簽,圖10b到圖10d分別為第一、第二和第三次試驗中對應(yīng)的層位標簽。3種試驗情況下Inline600測試剖面的智能拾取層位如圖10e所示。其中,黃線為人工層位,藍線、綠線和粉線分別為第一、第二和第三次試驗智能拾取的層位。將圖10e局部放大得到圖10f,可以看出藍線與黃線大體一致,綠線相較黃線有一定的抖動,粉線抖動嚴重,產(chǎn)生了嚴重的串層現(xiàn)象。在展示標簽出錯對二維剖面層位拾取影響的基礎(chǔ)上,進一步繪制3種情況下人工層位切片位置對應(yīng)的概率圖,分別為圖10g,圖10h和圖10i。這3幅圖的顏色變化直觀反映了標簽出錯越嚴重,網(wǎng)絡(luò)判定智能層位為目標層位的概率越低,相應(yīng)的層位拾取結(jié)果越差。

圖10 標簽錯誤程度對物理模擬數(shù)據(jù)層位拾取的影響a Inline393地震剖面對應(yīng)的正確層位標簽; b～d 分別為Inline393地震剖面在第一、第二和第三次標簽出錯試驗中對應(yīng)的層位標簽; e Inline600地震剖面在3次標簽出錯試驗中獲得的層位拾取結(jié)果; f e 圖中黑色矩形框的放大; g,h,i 分別為第一、第二和第三次標簽出錯試驗中人工層位切片位置對應(yīng)的概率圖

3種標簽出錯試驗結(jié)果說明:U型神經(jīng)網(wǎng)絡(luò)具有一定的矯正錯誤標簽的能力,當標簽錯誤部分較少時,仍然能夠追蹤地震同相軸波形一致的層位位置;當標簽大量錯誤時,網(wǎng)絡(luò)矯正錯誤標簽?zāi)芰ο陆?網(wǎng)絡(luò)朝著錯誤方向進行層位拾取,導(dǎo)致整體拾取精度下降;當標簽完全出錯時,超出了網(wǎng)絡(luò)的矯正能力,拾取層位完全偏離正確位置,不滿足層位拾取要求。

4 實際數(shù)據(jù)應(yīng)用

實際數(shù)據(jù)選取我國西部某工區(qū)品質(zhì)較好、信噪比較高的疊后三維地震數(shù)據(jù)(圖11a)。該數(shù)據(jù)大小為400×400×800,時間采樣間隔為2ms,道間距為25m,覆蓋面積約100km2。實際數(shù)據(jù)由淺到深包含T1,T2和T3三個目的層位(圖11a的黑線)。T2層位上部為碎屑巖沉積,下部為海相沉積。由3套層位對應(yīng)的沿層振幅切片(圖11b至圖11d)可以看到,整個工區(qū)地層較平,主要發(fā)育一套由淺到深斷距逐漸變小的大型走滑斷裂。

圖11 三維實際數(shù)據(jù)及目的層位對應(yīng)的沿層振幅切片a 三維實際地震數(shù)據(jù)(黑線表示人工拾取層位); b,c,d 分別為目的層位T1,T2和T3對應(yīng)的沿層振幅切片

沿著三維實際數(shù)據(jù)的主測線和聯(lián)絡(luò)測線方向可以看到:Crossline剖面波形較穩(wěn)定,同相軸連續(xù);Inline剖面上深大斷裂導(dǎo)致其同相軸中斷,波形較復(fù)雜。因此在制備數(shù)據(jù)集時,基于前文試驗得到的沿著地質(zhì)結(jié)構(gòu)特征復(fù)雜方向提取大尺度樣本建模更有利于推廣測試的認識,沿著三維實際數(shù)據(jù)及三維標簽的Inline方向等間隔抽取地震剖面及層位標簽(大小為800×400),獲得50組樣本標簽對。其中40組用于訓(xùn)練,剩余10組用于驗證。為更好展示本文方法拾取實際層位的效果,沿著圖11b中的黑線提取多次穿過走滑斷裂的地震剖面,即圖12a。其中,黑線和綠線分別表示人工與智能拾取層位。放大圖12a中黑框部分(圖12b)可以看出,智能拾取層位能夠追蹤波形一致的同相軸,準確識別出斷層等復(fù)雜構(gòu)造層位的位置和走向,具有較高的穩(wěn)定性和較好的準確性。

圖12 實際地震剖面的層位拾取結(jié)果a 沿圖11b折線提取的地震剖面; b 圖a中黑色矩形框的放大

基于已有的三維地質(zhì)導(dǎo)向相位屬性,進一步檢查實際數(shù)據(jù)的三維智能層位拾取結(jié)果。圖13a至圖13f分別為人工和智能拾取的T1、T2、T3層位對應(yīng)的地質(zhì)導(dǎo)向相位切片?？梢钥吹?基于U型神經(jīng)網(wǎng)絡(luò)智能解釋的3套目的層位與人工解釋層位整體上具有較高的一致性,它們的地質(zhì)導(dǎo)向相位切片對不同尺度斷層和溶洞的刻畫效果都較好。

圖13 實際數(shù)據(jù)三維層位拾取質(zhì)控與評價a,b,c 分別為人工拾取的T1,T2,T3層位對應(yīng)的地質(zhì)導(dǎo)向相位切片; d,e,f 分別為智能拾取的T1,T2,T3層位對應(yīng)的地質(zhì)導(dǎo)向相位切片

此外,為進一步明確數(shù)據(jù)集生成方向和樣本尺度大小兩種訓(xùn)練樣本選取影響因素的相對重要性,在保持原始剖面數(shù)量以及包含信息豐富程度一致的情況下進行以下四種測試。每種測試采用的訓(xùn)練樣本選取策略見表1。圖14a至圖14e分別為人工拾取、復(fù)雜方向+大尺度、復(fù)雜方向+小尺度、簡單方向+大尺度、簡單方向+小尺度拾取測試對應(yīng)的T1層位的等t0圖,可以看出,沿復(fù)雜方向采樣并結(jié)合大尺度樣本這種建模策略對應(yīng)的層位拾取效果最佳(圖14b),與人工拾取的層位等t0圖最接近;僅改變采樣方向時拾取結(jié)果變化較小(圖14c);改變樣本大小導(dǎo)致拾取的層位產(chǎn)生了明顯的地質(zhì)假象(圖14d),說明拾取結(jié)果存在一定的串層現(xiàn)象;采樣方向和樣本大小同時改變時拾取結(jié)果最差(圖14e)。說明對于該數(shù)據(jù),選擇合適的樣本尺度比采樣方向?qū)χ悄軐游痪W(wǎng)絡(luò)性能的影響更大。

表1 四種訓(xùn)練樣本選取策略

圖14 數(shù)據(jù)集生成方向及樣本尺度大小對實際數(shù)據(jù)T1層位拾取的影響a 人工拾取的T1層位等t0圖; b,c,d,e 分別為復(fù)雜方向+大尺度、復(fù)雜方向+小尺度、簡單方向+大尺度、簡單方向+小尺度4種樣本選取策略智能拾取的T1層位等t0圖

5 結(jié)論

本文通過將層位拾取問題轉(zhuǎn)換為圖像語義分割問題,提出了一種基于U型神經(jīng)網(wǎng)絡(luò)的多套目標層位智能拾取方法。三維裂縫物理模擬數(shù)據(jù)和三維實際數(shù)據(jù)試驗得出以下幾點結(jié)論。

1) 基于圖像語義分割和U型神經(jīng)網(wǎng)絡(luò)實現(xiàn)了多套目標層位的高效同時提取,拾取結(jié)果與人工層位拾取吻合度高,且同相軸追蹤結(jié)果穩(wěn)定。通過應(yīng)用層拉平、層位閉合、等t0圖、均方根振幅屬性、地質(zhì)導(dǎo)向相位屬性等多種地球物理質(zhì)控手段可以有效檢驗和評價智能層位拾取與人工層位拾取的優(yōu)劣,指導(dǎo)訓(xùn)練樣本選取與智能層位拾取模型的建立與優(yōu)化。

2) 提出了一種沿著地質(zhì)結(jié)構(gòu)特征復(fù)雜方向提取大尺度數(shù)據(jù)構(gòu)建訓(xùn)練集的逐級樣本選取策略,對于建立層位智能解釋模型具有一定的物理可解釋性和普適性。在數(shù)據(jù)集信息量相近情況下,該策略建立的層位拾取網(wǎng)絡(luò)泛化能力最強,適合推廣到平行或垂直于訓(xùn)練集數(shù)據(jù)生成方向的地震剖面。相比于沿著地質(zhì)結(jié)構(gòu)簡單方向或使用小尺度樣本構(gòu)建訓(xùn)練集,本文提出的樣本選取策略更能獲得波形穩(wěn)定、特征一致的層位拾取結(jié)果。并且,樣本尺度大小比訓(xùn)練集生成方向?qū)游恢悄苁叭〗Y(jié)果的影響更大。此外,U型神經(jīng)網(wǎng)絡(luò)具有一定的標簽容錯能力,在本文數(shù)據(jù)標簽錯誤程度低于20%的情況下,網(wǎng)絡(luò)能糾正標簽錯誤準確拾取目標層位。

本文方法還存在不足之處。首先當?shù)卣饠?shù)據(jù)的信噪比較低、同相軸不清晰時,智能拾取的層位精度會有所下降;其次,本文方法遵循統(tǒng)一追蹤同相軸的波峰、波谷或零值點原則,實際復(fù)雜數(shù)據(jù)的目標層位可能不統(tǒng)一追蹤同相軸的波峰、波谷或零值點。因此在后續(xù)的研究中,將考慮引入地質(zhì)模式與規(guī)律和地球物理準則或約束,提高人工智能層位拾取的精度及探究跨工區(qū)層位拾取的可行性。