崔家豪，楊平，王洪強(qiáng)，邊策，胡揚(yáng)，潘海俠*

1 北京航空航天大學(xué)軟件學(xué)院，北京 100191 2 中國石油天然氣集團(tuán)東方地球物理勘探有限責(zé)任公司，河北涿州 072750

0 引言

疊加速度分析是常規(guī)地震數(shù)據(jù)處理中的重要環(huán)節(jié)之一，也是層析反演、疊前偏移、阻抗反演和全波形反演等初始速度模型建立的基礎(chǔ)（潘宏勛等，2008；Taner and Koehler，2012）.由于拾取疊加速度需要考慮地震噪聲、多次波、繞射波和構(gòu)造復(fù)雜性等諸多因素的影響（戴曉峰等，2020），因此拾取工作需要具有豐富地震處理經(jīng)驗和地質(zhì)學(xué)術(shù)背景的人員來完成.隨著石油勘探技術(shù)的不斷進(jìn)步，地震數(shù)據(jù)的規(guī)模和復(fù)雜性在近些年來一直在不斷增長，而傳統(tǒng)人工能量團(tuán)識別與疊加速度拾取的工作模式容易受拾取標(biāo)準(zhǔn)不一致及人為因素干擾而產(chǎn)生誤差，難以滿足實際生產(chǎn)過程中對拾取精度和效率的要求.如何從速度譜中自動拾取疊加速度成為該行業(yè)面臨的挑戰(zhàn)之一.當(dāng)前速度譜自動拾取的方法主要包括優(yōu)化搜索方法和機(jī)器學(xué)習(xí)方法.

基于優(yōu)化搜索的方法是在層速度約束條件下，采用迭代或搜索算法尋找地質(zhì)上合理的速度模型.算法以層速度作為初始模型，通過反演的方式來得到最優(yōu)的速度模型.Toldi（1989）最先提出基于速度譜中疊加能量的自動速度拾取方法.Zhang（1991）將Viterbi算子引入到地震資料處理中并解決了關(guān)于拾取的一些問題，林年添等（2013）對該方法進(jìn)行了改進(jìn)，將用于圖像處理的光順技術(shù)引用到速度譜能量團(tuán)曲面的處理環(huán)節(jié)，借以提高速度譜的分辨率，然后再通過Viterbi算法自動搜索及獲取最優(yōu)解.Lumley（1997）和陳志德等（2002）提出了一種利用蒙特卡洛方法對初始速度加以隨機(jī)擾動來自動拾取層速度.Almarzoug和Ahmed（2012）將速度拾取視為變分問題，通過有限差分法求解最優(yōu)拾取軌跡.Leite和Vieira（2019）將非線性優(yōu)化方法應(yīng)用于速度拾取中，在滿足邊界條件的前提下設(shè)置合理的搜索帶寬，然后運(yùn)行非線性函數(shù)智能拾取.Li和Biondi（2009）以及Oliveira等（2013）分別將模擬退火算法和遺傳算法應(yīng)用于速度拾取中.這些方法在獲取相對簡單地質(zhì)體的速度時已經(jīng)取得了一定的效果，但是對于橫向速度突變的地區(qū)拾取準(zhǔn)確性相對不高，且需要過多設(shè)置算法超參數(shù)、初始化模型，這并不能實現(xiàn)完全的自動取速過程.

基于機(jī)器學(xué)習(xí)的方法是通過學(xué)習(xí)速度譜中能量團(tuán)的特征來獲取疊加速度.在近期的研究中，Huang和Yang（2015）采用Hopfield神經(jīng)網(wǎng)絡(luò)（Hopfield Neural Network,HNN）對速度譜圖像中的速度進(jìn)行自動拾取.Smith（2017）和Song等（2018）將基于無監(jiān)督學(xué)習(xí)的聚類分析技術(shù)應(yīng)用于速度譜自動拾取過程中.該方法依據(jù)不同的屬性將速度譜劃分為若干個類別，每個類別中的數(shù)據(jù)具有一些共同的特征，通常根據(jù)某種距離度量進(jìn)行分組，然后將聚類中心映射為正確的“時間-速度”對.K-means聚類是最常用的聚類方法之一（Hung et al.，2013；Ahmad and Hashmi，2016），該算法使用歐幾里得距離度量將每個數(shù)據(jù)點分配到最近的聚類中心.對于每個聚類中心，計算分配給它的所有數(shù)據(jù)點的平均值，這個平均值成為聚類中心的新位置，每個聚類的聚類中心即為我們所要拾取的疊加速度點.然而傳統(tǒng)的K-means聚類方法容易受到離群點的影響，使得聚類中心偏離主要數(shù)據(jù)區(qū)域.Liu等（2018）提出了一種相似加權(quán)K-means聚類的新方法，該方法對不同信噪比的數(shù)據(jù)點賦予不同的權(quán)值，使聚類中心更接近權(quán)重大的數(shù)據(jù)點.由于不同速度譜所需拾取的能量團(tuán)個數(shù)不一致，Chen和Schuster（2018）以及王迪等（2021）新提出了一種自底向上的策略來實現(xiàn)K-means迭代過程，該方法可以逐步迭代找到聚類類別最少的聚類分布.除此之外，加速聚類算法（Zhang and Lu，2016）以及DBSCAN聚類（Schubert et al.，2017；Bin Waheed et al.，2019）也被應(yīng)用于智能速度譜解釋過程中.然而傳統(tǒng)機(jī)器學(xué)習(xí)方法也存在一些問題，如易受到噪聲和離群點影響，部分拾取點偏離主要數(shù)據(jù)區(qū)域，進(jìn)而影響到速度拾取精度.近年來，隨著計算機(jī)性能的提高，應(yīng)用深度學(xué)習(xí)方法拾取疊加速度的研究越來越多.Ma等（2018）以及Biswas（2018）和Fabien-Ouellet等（2020）分別采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）來拾取速度譜中的疊加速度.在信噪比較高的工區(qū)中，以上深度學(xué)習(xí)方法可以提高疊加速度的拾取精度，但對于信噪比低的工區(qū)，速度拾取的準(zhǔn)確性不足且受到噪聲的干擾比較大.

為了有效解決速度拾取準(zhǔn)確率不高的問題，本文提出了一種深度學(xué)習(xí)的方法.該方法將速度譜視為圖像進(jìn)行處理，結(jié)合目標(biāo)任務(wù)特點改進(jìn)了基于卷積神經(jīng)網(wǎng)絡(luò)的FCOS目標(biāo)檢測模型（Tian et al.，2019）用于速度譜中疊加速度的自動拾取.與傳統(tǒng)的目標(biāo)檢測網(wǎng)絡(luò)不同，改進(jìn)后的FCOS檢測器具有以下優(yōu)點：①顯著減少了設(shè)計參數(shù)的數(shù)目，一方面提升了對能量團(tuán)檢測的識別效果，同時構(gòu)建的混合損失函數(shù)增強(qiáng)了模型對能量團(tuán)檢測的敏感度，使得能量團(tuán)識別和疊加速度拾取僅通過深度學(xué)習(xí)模型即可完成，保證了識別和拾取處理結(jié)果的一致性.②由于預(yù)測目標(biāo)為疊加速度點，每個點在速度譜上的邊界框具有固定的大小，使用改進(jìn)后的FCOS可直接對邊界框進(jìn)行回歸，從而避免了復(fù)雜的計算，極大地減小了內(nèi)存占用并使得訓(xùn)練速度更快.

另外，當(dāng)?shù)卣鹳Y料受多次波干擾較強(qiáng)時，除去一次波反射能量團(tuán)以外，多次波也能形成能量團(tuán)，尤其當(dāng)多次波與一次波速度相差較大時，速度譜能量團(tuán)聚焦特征變差，在同一時刻出現(xiàn)多個能量團(tuán).由于能量團(tuán)較為分散，改進(jìn)后的FCOS模型只能夠拾取到近地表淺層的疊加速度，對于地下深層區(qū)間的疊加速度僅通過單一的FCOS模型未能有效識別，因此在處理低信噪比探區(qū)時本文在FCOS后又加入基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的線性回歸模型以擬合出全局速度曲線.我們從方法原理及模型訓(xùn)練與測試等角度闡述了本文方法的操作流程，并應(yīng)用Ma等（2018）提出的傳統(tǒng)的CNN方法與本文方法處理相同的數(shù)據(jù)集來對比驗證本文方法的有效性.模型和實際地震數(shù)據(jù)的測試結(jié)果表明該網(wǎng)絡(luò)模型準(zhǔn)確度較高，模型魯棒性強(qiáng)，能夠較好的實現(xiàn)對復(fù)雜工區(qū)的速度譜中疊加速度的自動拾取.

1 方法原理

1.1 模型整體結(jié)構(gòu)設(shè)計

結(jié)合目標(biāo)任務(wù)特點設(shè)計的滿足上述需求的網(wǎng)絡(luò)模型的整體設(shè)計流程如圖1所示.該模型分為卷積神經(jīng)網(wǎng)絡(luò)和線性回歸網(wǎng)絡(luò)兩部分.首先對包含速度譜圖像及其標(biāo)簽數(shù)據(jù)的數(shù)據(jù)集進(jìn)行處理使其滿足網(wǎng)絡(luò)的輸入要求，然后將標(biāo)簽數(shù)據(jù)集輸入到基于CNN的FCOS模型中提取能量團(tuán)的特征并計算能量團(tuán)的位置.該模型能夠?qū)μ崛〉降亩喑叨忍卣鬟M(jìn)行融合，從而提升能量團(tuán)檢測精度.卷積神經(jīng)網(wǎng)絡(luò)階段輸出的中間結(jié)果為預(yù)測的“時間-速度”對序列.受多次波及噪聲等影響，速度譜圖像中存在信噪比較低且能量團(tuán)不夠聚焦的區(qū)域，在該區(qū)域FCOS模型只能完成淺層區(qū)域內(nèi)疊加速度的自動拾取.針對這一情況我們引入人工判別機(jī)制，當(dāng)預(yù)測結(jié)果滿足拾取要求時，可直接輸出中間結(jié)果為最終的智能拾取結(jié)果；當(dāng)預(yù)測結(jié)果不能滿足拾取要求時，需要加入基于DNN的線性回歸模型來擬合出能量團(tuán)聚焦特性較差區(qū)域的速度曲線.本章2、3小節(jié)分別對FCOS和線性回歸網(wǎng)絡(luò)展開詳細(xì)介紹.

圖1 模型整體設(shè)計流程圖Fig.1 Overall design flow chart of the model

1.2 FCOS網(wǎng)絡(luò)結(jié)構(gòu)與工作原理

本文針對能量團(tuán)結(jié)構(gòu)復(fù)雜、體積小，在速度譜中難以檢測等難點對FCOS網(wǎng)絡(luò)進(jìn)行了改進(jìn)，改進(jìn)后的模型更適用于識別和定位速度譜中能量團(tuán)的位置.如圖2所示，首先通過一個卷積層和一個最大池化層將原始圖片轉(zhuǎn)化為特征圖.卷積操作（Convolution）采用卷積核提取能量團(tuán)的特征，該操作能突破傳統(tǒng)機(jī)器學(xué)習(xí)方法的限制，通過共享多個卷積核的權(quán)值，來學(xué)習(xí)每張速度譜圖片的局部信息，并用于構(gòu)建抽象特征圖譜.卷積核共享特性大大降低了訓(xùn)練網(wǎng)絡(luò)所需的參數(shù)量.最大池化操作（Maxpooling）將卷積處理后生成的特征圖劃分為若干個矩形區(qū)域，對每個子區(qū)域輸出最大值，從而有效的壓縮數(shù)據(jù)空間的大小，避免在模型訓(xùn)練過程中出現(xiàn)過擬合.然后將最大池化操作產(chǎn)生的特征圖輸入到4級降采樣（Down-sample）模塊中，每一級包含有若干個降采樣過程，用于逐級提取數(shù)據(jù)特征.降采樣模塊的設(shè)計可以降低特征的維度并保留有效信息，一定程度上減少了計算量，有效解決了傳統(tǒng)CNN網(wǎng)絡(luò)隨層數(shù)的加深容易出現(xiàn)的梯度爆炸或梯度消失等問題.選用1×1大小的卷積核對第4級降采樣模塊輸出的特征圖進(jìn)行卷積操作，得到P5特征層.然后使用步長為2大小為3×3的卷積核對P5特征層進(jìn)行兩次降采樣得到P6、P7特征層.同時對P5特征層進(jìn)行兩次上采樣（Up-sample），上采樣階段通過轉(zhuǎn)置卷積操作（Deconvolution）來提升特征圖的大小.分別將上采樣后得到的高層特征與對應(yīng)的殘差網(wǎng)絡(luò)模塊相同放大倍數(shù)的低層特征進(jìn)行融合（Concatenate）得到P3、P4特征層，融合操作可將低層次的細(xì)節(jié)信息與高層次的語義信息結(jié)合到一起，從而使特征提取更完備.通過上述操作可在5個不同尺寸的特征層上進(jìn)行目標(biāo)檢測，從而實現(xiàn)對較小目標(biāo)與多尺度目標(biāo)的準(zhǔn)確識別.本文中卷積層和上采樣層均采用ReLU非線性激活函數(shù)，并在卷積階段對圖像的邊緣進(jìn)行填充，使邊緣信息提取更加充分.

圖2 FCOS結(jié)構(gòu)圖左側(cè)降采樣模塊用于逐層提取特征；中間部分進(jìn)行多尺度特征融合；右側(cè)是多個共享權(quán)重的FCOS檢測頭.參數(shù)含義：通道數(shù)Channel和降采樣率Down-sample Rate（標(biāo)注于每層左側(cè)），H×W×C表示圖像的高×寬×通道數(shù).Fig.2 FCOS structure diagramThe left Up-sample module is used to extract features layer by layer;Multi-scale feature fusion was performed in the middle part;On the right are multiple FCOS detection heads with shared weights.Parameter meaning:Channel number and Down-sample Rate （marked on the left of each layer）.H×W×C represents the height × width × number of channels of the image.

FCOS的檢測模塊總體分為類別判斷分支（Classification）與位置回歸分支（Regression），它作用在特征融合后的多個不同層級的特征圖上，同時這些檢測模塊的權(quán)值共享.模型的損失函數(shù)如（1）式展示：

（1）

（2）

（3）

整體損失函數(shù)由類別損失Lcls與位置損失Lreg組成.對于類別損失，采用交叉熵?fù)p失（focal loss）的設(shè)計，其含義為目標(biāo)與預(yù)測值之間概率分布的距離，交叉熵越小，概率分布越接近.它能夠較好地解決樣本不均衡問題.對于位置損失，采用交并比損失（IOU loss）的設(shè)計，其含義為預(yù)測框與標(biāo)注框的交集與并集的比值，它能夠編碼空間相關(guān)性信息輔助更加準(zhǔn)確地定位.

1.3 線性回歸網(wǎng)絡(luò)結(jié)構(gòu)與工作原理

在不考慮速度倒轉(zhuǎn)的情況下疊加速度會隨著時間的增大而增大，在處理能量團(tuán)聚焦特性較差的速度譜時，經(jīng)驗較為豐富的專家一般會根據(jù)拾取到的淺層疊加速度的線性趨勢來完成對較深地層中疊加速度的拾取.而僅僅依靠單個目標(biāo)檢測網(wǎng)絡(luò)很難處理復(fù)雜地質(zhì)體條件下的能量團(tuán)識別問題.為了完善本文的算法方案，我們在FCOS模型的基礎(chǔ)上設(shè)計了一個線性回歸網(wǎng)絡(luò)，其本質(zhì)為深度神經(jīng)網(wǎng)絡(luò)（DNN）模型.該網(wǎng)絡(luò)主要由輸入層、隱藏層和輸出層等層級結(jié)構(gòu)組成（圖3），可通過學(xué)習(xí)淺層區(qū)域內(nèi)疊加速度的線性趨勢來完成對較深地層中疊加速度的預(yù)測.網(wǎng)絡(luò)的輸入為FCOS模型自動拾取的“時間-速度”對，隱藏層由若干個全連接層構(gòu)成，全連接層的作用為擬合經(jīng)插值處理后形成的全局速度曲線，其前向計算公式為

（4）

（5）

使用ReLU激活函數(shù)可以克服訓(xùn)練過程中出現(xiàn)的梯度消失等問題，加快訓(xùn)練速度.損失函數(shù)采用l2Loss，其形式如下：

Loss（z[l],y）=0.5×（z[l]-y）2，

（6）

式中y表示網(wǎng)絡(luò)的輸入值，z[l]表示第l層輸出的數(shù)值矩陣.全連接層的反向傳播過程如下：

dx=?Loss/?u，

（7）

其中u表示任意變量，包括z,x,W,b等.通過一系列前向和反向傳播過程來不斷更新網(wǎng)絡(luò)模型的參數(shù)，直到Loss層的梯度保持平穩(wěn)不再下降.網(wǎng)絡(luò)最后一層采用sigmoid激活函數(shù)進(jìn)行二分類任務(wù)，使輸出轉(zhuǎn)換為0～1之間的概率分布，公式表示如下：

（8）

圖3 線性回歸網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Linear fitting network structure diagram

2 實驗與結(jié)果分析

為了驗證提出方法的可行性，采用Marmousi模型數(shù)據(jù)和兩個實際探區(qū)數(shù)據(jù)對本文方法進(jìn)行測試.在訓(xùn)練階段采用小批量梯度下降法，我們設(shè)置batchsize為2，其含義為進(jìn)行一次訓(xùn)練所抓取的數(shù)據(jù)集樣本數(shù)量.訓(xùn)練過程中以一個batchsize為最小結(jié)構(gòu)單元進(jìn)行損失函數(shù)計算和參數(shù)梯度更新，并采用雙線程計算以提升程序的運(yùn)行效率.實驗選取Adam算法來解決參數(shù)更新過程中的優(yōu)化問題，基礎(chǔ)學(xué)習(xí)率設(shè)置為0.01，共計訓(xùn)練24個輪次，分別在第8輪和第11輪進(jìn)行學(xué)習(xí)率衰減，權(quán)重衰減系數(shù)設(shè)置為0.0001.實驗應(yīng)用Pytorch深度學(xué)習(xí)框架，并使用GPU來加速訓(xùn)練過程.

本文使用平均準(zhǔn)確度均值（mAP）來評估目標(biāo)檢測器的有效性，mAP的計算方法如公式（9）—（10）所示：

（9）

（10）

其中P表示精準(zhǔn)度，其含義為所有預(yù)測為正樣本的樣本中正樣本所占比例；R表示召回率，其含義為正樣本被預(yù)測正確的比例.TP表示既是正樣本又被預(yù)測為正樣本的個數(shù)；FP表示負(fù)樣本被預(yù)測為正樣本的個數(shù)；FN表示正樣本被預(yù)測為負(fù)樣本的個數(shù).精準(zhǔn)度和召回率始終處于矛盾的狀態(tài)，當(dāng)其中一個增高，必然意味著另一個降低.以PR為橫縱坐標(biāo)建立坐標(biāo)系，AP（Average Precision）計算方法為PR曲線下覆蓋的面積，所有類別的AP進(jìn)行平均，得到的即為mAP （mean Average Precision）.對于目標(biāo)檢測器的評估方法，其mAP越高，檢測方法越有效.

2.1 模型數(shù)據(jù)

首先應(yīng)用二維的Marmousi模型對本文方法進(jìn)行測試，從該模型中等間隔抽取了900道作為本次測試的真實層速度場（圖4）.選用主頻為35 Hz的雷克子波通過聲波波動方程有限差分法對該速度模型正演得到一系列CMP道集，然后對CMP道集進(jìn)行速度掃描，共計算得到900張速度譜圖像.再經(jīng)由專家來人工拾取速度譜中的疊加速度，并從某商業(yè)軟件中導(dǎo)出統(tǒng)一大小的速度譜圖像及其對應(yīng)的疊加速度做為標(biāo)簽數(shù)據(jù).將數(shù)據(jù)集按8∶1∶1分為訓(xùn)練集、驗證集和測試集三部分，用于訓(xùn)練速度譜識別模型并對該方法進(jìn)行檢驗.在訓(xùn)練階段使用梯度反向傳播的方法來不斷地更新優(yōu)化Loss函數(shù)，并使用mAP來衡量檢測模型在驗證集上精度表現(xiàn)的優(yōu)劣，實驗結(jié)果如圖5所示.

圖4 層速度場模型Fig.4 Interval velocity model

從圖5中可以看出通過梯度反向傳播的方式來不斷地更新和優(yōu)化Loss后，本文方法相較傳統(tǒng)CNN方法得到的Loss曲線更為收斂，且應(yīng)用本文方法訓(xùn)練的目標(biāo)檢測器在Marmousi數(shù)據(jù)集上的mAP精度最高為74.1，而傳統(tǒng)CNN方法在Marmousi數(shù)據(jù)集上的mAP精度最高僅為54.5.上述結(jié)果驗證了本文方法在速度譜能量團(tuán)檢測上的有效性.

選擇訓(xùn)練好的FCOS模型對測試集中的速度譜圖片進(jìn)行預(yù)測.圖6（a,b）分別展示了應(yīng)用傳統(tǒng)CNN方法及本文方法拾取的疊加速度和真實均方根速度的對比.從圖中可以看出在淺層區(qū)間不存在多次波的干擾，能量團(tuán)集中在一個較窄的速度范圍內(nèi)，聚焦較好.而在2.5 s以后多次波干擾較大，多次波速度與一次波速度疊加在一起導(dǎo)致能量團(tuán)逐漸發(fā)散，在同一時刻出現(xiàn)多個能量團(tuán).受深層多次波干擾的影響，傳統(tǒng)CNN方法（圖6a）僅能拾取到0.4～3.0 s時間范圍內(nèi)的速度，且該方法在2.3～3.0 s區(qū)間內(nèi)拾取結(jié)果遠(yuǎn)偏離真實值；而FCOS方法（圖6b）得到的速度曲線與真實值非常近似，證明該方法能夠有效避免多次波的影響，使拾取結(jié)果具有更高的精度.圖6（c—f）分別展示了Marmousi模型中第400道動校正前后的CMP道集，從動校正后的道集中可以看出，F(xiàn)COS方法（圖6e）拾取的速度拉平了淺層的同相軸，而深層區(qū)間受多次波剩余時差較大影響，導(dǎo)致同相軸隨偏移距增大具有下拉現(xiàn)象；而傳統(tǒng)CNN方法（圖6d）在2.3～3.0 s區(qū)間選取比疊加速度小的多次波速度進(jìn)行動校正，導(dǎo)致同相軸被錯誤的拉平.將FCOS方法得到的動校正后道集與真實速度動校正后道集（圖6f）進(jìn)行對比后發(fā)現(xiàn)二者主要反射同相軸拉平程度相一致，也驗證了本文算法的有效性.

圖5 Marmousi模型Loss曲線圖（a）及mAP曲線圖（b）Fig.5 Marmousi model loss curve （a） and mAP curve （b）

圖6 Marmousi模型預(yù)測結(jié)果（a） 傳統(tǒng)CNN方法拾取的速度曲線；（b） 本文方法拾取的速度曲線；（c） CMP400道集；（d） 傳統(tǒng)CNN方法拾取速度動校正；（e） 本文方法拾取速度動校正；（f） 人工拾取速度動校正.Fig.6 Prediction results of Marmousi model（a） Velocity curve picked up by traditional CNN method;（b） Velocity curves picked up by the method in this paper;（c） CMP400 gather;（d） NMO gather corrected of the stacked velocity picked up by traditional CNN method;（e） NMO gather corrected of the stacked velocity picked up by the method in this paper;（f） NMO gather corrected of the stacked velocity picked up by manual method.

圖7 Marmousi模型疊加速度場（a） 人工方法拾取的速度場；（b） 傳統(tǒng)CNN方法自動拾取的速度場；（c） 本文方法自動拾取的速度場.Fig.7 Stacking velocity field of Marmousi model（a） The velocity field picked up by manual method;（b） Velocity field automatically picked up by traditional CNN method;（c） The velocity field automatically picked by the method in this paper.

圖8 Marmousi模型疊加剖面（a） 人工方法拾取的速度場疊加；（b） 傳統(tǒng)CNN方法自動拾取的速度場疊加；（c） 本文方法自動拾取的速度場疊加.Fig.8 Stacked sections of Marmousi model（a） The Stacked section of velocity field picked up by manual method;（b） The Stacked section of velocity field picked up by traditional CNN method;（c） The Stacked section of velocity field picked up by the method in this paper.

圖9 實際探區(qū)數(shù)據(jù)Loss曲線圖（a）及mAP曲線圖（b）Fig.9 Actual exploration area data loss curve （a） and mAP curve （b）

圖10 實際數(shù)據(jù)CMP道集（a） 傳統(tǒng)CNN方法拾取的速度曲線；（b） 本文方法拾取的速度曲線；（c） 2560測線CMP2240道集；（d） 傳統(tǒng)CNN方法拾取速度動校正；（e） 本文方法拾取速度動校正；（f） 人工拾取速度動校正.Fig.10 CMP gather of actual data（a） Velocity curve picked up by traditional CNN method;（b） Velocity curves picked up by the method in this paper;（c） CMP2240 gather in the2560Line;（d） NMO gather corrected of the stacked velocity picked up by traditional CNN method ;（e） NMO gather corrected of the stacked velocity picked up by the method in this paper;（f） NMO gather corrected of the stacked velocity picked up by manual method.

對整個Marmousi模型數(shù)據(jù)集進(jìn)行預(yù)測，并將本文方法自動拾取的疊加速度場（圖7c）與傳統(tǒng)CNN方法得到的疊加速度場（圖7b）和人工方法得到的速度場（圖7a）進(jìn)行對比.總體上看，本文方法拾取的速度場在構(gòu)造刻畫與連續(xù)性上與人工方法得到的速度場基本相同；而傳統(tǒng)CNN方法拾取的速度場在深層區(qū)間（2.5～4.0 s）內(nèi)速度值偏小，且橫向連續(xù)性較差.以CMP間隔為10將動校正后的道集進(jìn)行同相疊加形成疊加剖面.與傳統(tǒng)CNN方法得到的疊加剖面（圖8b）相比，使用本文方法得到的疊加剖面（圖8c）在淺層成像更加清晰，對構(gòu)造細(xì)節(jié)刻畫地更為準(zhǔn)確，而傳統(tǒng)CNN方法得到的疊加剖面受多次波等因素的影響，在淺層部分區(qū)間同相軸橫向波動較大，在3.0 s以后未見明顯地震反射（如紅色框所示）；與人工拾取拾取速度場得到的剖面相比（圖8a），本文方法得到的疊加剖面在構(gòu)造連續(xù)性與清晰度上與人工方法基本一致，這進(jìn)一步證明了本文方法的有效性.

2.2 實際數(shù)據(jù)

基于模型數(shù)據(jù)的實驗結(jié)果，分別選用不同信噪比的實際探區(qū)數(shù)據(jù)對傳統(tǒng)CNN方法和本文方法進(jìn)行了測試.首先選用中國西部某陸上三維探區(qū)真實數(shù)據(jù)集，該探區(qū)信噪比較高，偏移距展布范圍為0～8 km，數(shù)據(jù)的時間總長度7 s，采樣間隔為2 ms.從中等間隔抽取若干條測線，并以相同間隔從每條測線上抽取CMP道集，共獲得包含1000張速度譜圖像的數(shù)據(jù)集.將生成的數(shù)據(jù)集按 8∶1∶1分為訓(xùn)練集、驗證集和測試集三部分，用于訓(xùn)練傳統(tǒng) CNN 方法和本文方法設(shè)計的速度譜識別模型并對實驗結(jié)果進(jìn)行測試.訓(xùn)練過程中梯度下降損失和推理過程中mAP精度表現(xiàn)如圖9所示.從圖9中可以看出本文方法計算梯度下降得到的Loss曲線更為收斂，且應(yīng)用本文方法訓(xùn)練的目標(biāo)檢測器在Marmousi數(shù)據(jù)集上的mAP精度最高為75.7，而傳統(tǒng)CNN方法在Marmousi數(shù)據(jù)集上的mAP精度最高僅為57.4.

圖10展示了采用兩種方法得到的2560測線上CMP2240道集的速度拾取結(jié)果及動校正前后的道集.為了增加對比效果，將人工拾取的速度曲線與網(wǎng)絡(luò)模型自動拾取的速度曲線可視化到同一個速度譜中.圖10（a,b）分別展示了兩種方法的拾取結(jié)果，從速度譜中可以看出在3.5 s后雖然受到多次波的干擾，且在5 s以后能量團(tuán)橫向較為分散，但FCOS方法自動拾取的疊加速度與人工拾取的疊加速度經(jīng)插值處理后的曲線基本重合.而傳統(tǒng)的CNN方法得到的速度曲線在3.5～4.5 s內(nèi)波動較大，拾取結(jié)果明顯偏離人工拾取速度值.圖10c展示了動校正前的CMP2240道集圖像，從中可以看出該道集淺層反射波時距曲線成像較為清晰，在深層區(qū)間（5 s以后）未見明顯的反射雙曲線.分別對兩種方法的拾取結(jié)果進(jìn)行動校正，采用FCOS網(wǎng)絡(luò)模型自動拾取的疊加速度的動校正的結(jié)果如圖10e所示，從圖中可知FCOS方法拾取的疊加速度動校正結(jié)果的主要反射同相軸拉平程度與人工拾取速度動校正結(jié)果（圖10f）相一致，這進(jìn)一步展現(xiàn)了本文方法的穩(wěn)健性.圖10d展示了傳統(tǒng)CNN方法得到的疊加速度的動校正結(jié)果，在3.7 s處該方法受低速值的影響錯誤的拉平了道集中的時距曲線，而在4.9 s處該方法又受低速值的影響，導(dǎo)致同相軸隨偏移距增大出現(xiàn)上翹現(xiàn)象.

對第2560測線上的CMP道集進(jìn)行測試，然后將應(yīng)用兩種方法得到的疊加速度場與人工拾取速度場進(jìn)行對比.總體上看基于FCOS方法拾取的速度場（圖11c）與人工拾取速度場（圖11a）在構(gòu)造上基本一致，且通過本文方法得到的速度場在橫向上速度走勢更加平穩(wěn)；而傳統(tǒng)CNN方法得到的速度場（圖11b）在4.5 s以后速度值偏小，且在橫向分布上較為散亂，未出現(xiàn)明顯的速度分界面.為了進(jìn)一步展現(xiàn)結(jié)果的準(zhǔn)確性，本文展示了采用FCOS方法所得到的第2560測線上局部疊加剖面（圖12c）與和人工拾取疊加剖面（圖12a）的對比，從圖中可以看出FCOS方法得到的疊加剖面與人工拾取結(jié)果非常近似；而傳統(tǒng)CNN方法得到的局部疊加剖面（圖12b）與本文方法相比，其在3.5 s后由于受多次波能量團(tuán)的影響導(dǎo)致拾取的速度值偏低，在地震剖面上出現(xiàn)多次波能量聚焦效應(yīng)，同相軸更為清晰（如紅色框所示）.

然后，采用中國西部某三維探區(qū)的信噪比較低的CMP道集數(shù)據(jù)進(jìn)一步測試本文方法.該探區(qū)偏移距展布范圍為0～7 km，數(shù)據(jù)的時間總長度8 s，采樣間隔為2 ms.從中等間隔抽取若干條測線，并從每條測線上等間距抽取CMP道集，共獲得包含1000張速度譜圖像的數(shù)據(jù)集，進(jìn)而采用在上述實際探區(qū)中所訓(xùn)練模型來測試本文方法的泛化性能.由于該探區(qū)信噪比低，在疊前道集中未見明顯的反射波時距曲線，本文只展示出傳統(tǒng)CNN方法與本文方法得到的預(yù)測結(jié)果與人工拾取結(jié)果的對比（圖13）.由圖中可以看出該探區(qū)數(shù)據(jù)質(zhì)量不高，速度譜上的能量團(tuán)聚焦特性較差.傳統(tǒng)CNN方法僅拾取到了0～3 s區(qū)間內(nèi)的疊加速度（圖13a），且在1.1 s處和2.0 s處拾取到部分高速異常值，在3～8 s區(qū)間范圍內(nèi)由于速度譜能量團(tuán)較為分散，傳統(tǒng)CNN方法未能自動拾取.圖13b展示了僅使用FCOS方法（圖中黃線）的拾取結(jié)果，該方法僅能拾取到0～4 s區(qū)間內(nèi)的疊加速度，由于其不滿足時間域全局的拾取要求，本文在FCOS網(wǎng)絡(luò)的基礎(chǔ)上加入一個基于DNN的線性回歸模型，即通過學(xué)習(xí)0～4 s區(qū)間內(nèi)的疊加速度的線性趨勢來完成對4～8 s區(qū)間內(nèi)的疊加速度的預(yù)測，最終的預(yù)測結(jié)果如圖13b（綠線+黃線）所示.由圖可知在加入線性歸回模型后本文算法的輸出結(jié)果與人工拾取結(jié)果基本相符.

圖14展示了人工拾取速度場（圖14a）、傳統(tǒng)CNN方法拾取的速度場（圖14b）和本文方法拾取的速度場（圖14c）的比較.受信噪比較低的影響，傳統(tǒng)CNN方法只能拾取到0～3 s區(qū)間的速度場，且在部分道存在低速或高速速度異常導(dǎo)致橫向連續(xù)性較差，在3.0 s以后的速度相較人工拾取速度場中的速度值普遍偏低.而本文方法拾取的速度場在速度變化趨勢上與人工拾取速度場相一致，但由于應(yīng)用本文方法拾取速度場并未充分考慮道間相似性，拾取結(jié)果在橫向連續(xù)性上相較人工拾取速度場較差，在速度分界面處的速度值較為發(fā)散.對上述三種方法拾取的道集進(jìn)行動校正和疊加處理后得到疊加剖面.總體來看，本文方法的疊加剖面（圖15c）與人工拾取結(jié)果（圖15a）相近；在紅色框所示位置使用本文方法得到的同相軸相較傳統(tǒng)CNN方法（圖15b）表現(xiàn)更為連續(xù)，這進(jìn)一步檢驗了本文拾取結(jié)果的準(zhǔn)確性.

圖11 實際探區(qū)速度場（a） 人工方法拾取的速度場；（b） 傳統(tǒng)CNN方法自動拾取的速度場；（c） 本文方法自動拾取的速度場.Fig.11 The actual velocity field in the exploration area（a） The velocity field picked up by manual method;（b） Velocity field automatically picked up by traditional CNN method;（c） The velocity field automatically picked by the method in this paper.

圖12 實際地震資料疊加剖面（a） 人工方法拾取的速度場疊加；（b） 傳統(tǒng)CNN方法自動拾取的速度場疊加；（c） 本文方法自動拾取的速度場疊加.Fig.12 Stacked sections ofactual seismic data（a） The Stacked section of velocity field picked up by manual method;（b） The Stacked section of velocity field picked up by traditional CNN method;（c） The Stacked section of velocity field picked up by the method in this paper.

圖13 實際數(shù)據(jù)速度曲線 （a） 傳統(tǒng)CNN方法拾取的速度曲線；（b） 本文方法拾取的速度曲線.Fig.13 Velocity curve of actual data（a） Velocity curve picked up by traditional CNN method;（b） Velocity curves picked up by the method in this paper.

圖14 拾取的速度場與真實速度場比較（a） 人工方法拾取的速度場；（b） 傳統(tǒng)CNN方法自動拾取的速度場；（c） 本文方法自動拾取的速度場.Fig.14 The actual velocity field in the exploration area（a） The velocity field picked up by manual method;（b） Velocity field automatically picked up by traditional CNN method;（c） The velocity field automatically picked by the method in this paper.

圖15 實際地震資料疊加剖面（a） 人工方法拾取的速度場疊加；（b） 傳統(tǒng)CNN方法自動拾取的速度場疊加；（c） 本文方法自動拾取的速度場疊加.Fig.15 Stacked sections of actual seismic data（a） The Stacked section of velocity field picked up by manual method;（b） The Stacked section of velocity field picked up by traditional CNN method;（c） The Stacked section of velocity field picked up by the method in this paper.

3 結(jié)論

本文對FCOS目標(biāo)檢測模型進(jìn)行了優(yōu)化，分別采用模型數(shù)據(jù)集和實際工區(qū)數(shù)據(jù)集對該網(wǎng)絡(luò)模型進(jìn)行測試，并與傳統(tǒng)CNN方法與人工拾取方法得到的結(jié)果做對比來展示本文算法的應(yīng)用效果.通過對實驗結(jié)果做分析得到以下結(jié)論：

（1） 優(yōu)化后的FCOS模型能夠較為精準(zhǔn)的實現(xiàn)速度譜中能量團(tuán)的定位與識別，從而使速度拾取結(jié)果具有更高的準(zhǔn)確率.針對低信噪比探區(qū)中存在能量團(tuán)聚焦特征較差的情況又加入線性回歸模型來完成對復(fù)雜地質(zhì)體的速度拾取.

（2） 本文設(shè)計的網(wǎng)絡(luò)模型能夠較為快速的拾取疊加速度，預(yù)測10000張速度譜圖片僅需耗時30 min.預(yù)測過程不需要任何人工干預(yù)，其自動化程度及準(zhǔn)確度較高，為解決地震資料速度譜自動拾取問題提供了一種新的方案.

由于本文在進(jìn)行研究時所用數(shù)據(jù)集數(shù)據(jù)量比較少，一般情況下目標(biāo)檢測數(shù)據(jù)集圖片的數(shù)據(jù)量都在幾萬張以上.在實際應(yīng)用中，可以通過增加數(shù)據(jù)量重新訓(xùn)練網(wǎng)絡(luò)模型，使其應(yīng)用于疊加速度拾取時具有更高的精度.