摘要： 人工拾取速度譜是地震資料常規(guī)處理中速度分析的主要手段，此方法既耗時、耗力，又限制了大規(guī)模三維地震資料處理的效率和準(zhǔn)確性。為此，提出了一種利用雙路卷積神經(jīng)網(wǎng)絡(luò)的速度譜自動拾取方法。首先，采用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合注意力機制作為主網(wǎng)絡(luò)，從速度譜數(shù)據(jù)中提取能量團的特征并實現(xiàn)速度的自動拾?。黄浯?，訓(xùn)練主網(wǎng)絡(luò)在輸出時間—速度序列之前，通過特征融合和特征轉(zhuǎn)換將速度與另一個卷積神經(jīng)網(wǎng)絡(luò)（輔網(wǎng)絡(luò)）輸入的未校正CMP 道集的隱藏表征進行信息融合，重構(gòu)成校正后的CMP 道集；最后，通過輔網(wǎng)絡(luò)模擬CMP 道集動校正的過程，利用動校正優(yōu)化速度拾取的精度。模型和實際資料測試結(jié)果表明，在加入輔助神經(jīng)網(wǎng)絡(luò)引入動校正信息后，文中方法比單一的卷積神經(jīng)網(wǎng)絡(luò)在速度拾取方面具有更高的精度。

關(guān)鍵詞： 雙路卷積神經(jīng)網(wǎng)絡(luò)，主神經(jīng)網(wǎng)絡(luò)，輔神經(jīng)網(wǎng)絡(luò)，CMP 道集，優(yōu)化拾取

中圖分類號：P631 文獻標(biāo)識碼：A DOI：10. 13810/j. cnki. issn. 1000-7210. 2024. 06. 002

0 引言

在地震資料處理中，常見的速度分析方法有t2 ‐x2 法、速度掃描法、常速疊加法以及基于CMP 道集的速度譜法，其中速度譜法最為常用，通常需人工拾取[1]。隨著三維地震采集技術(shù)的發(fā)展，地震數(shù)據(jù)的規(guī)模和復(fù)雜性顯著增加，人工拾取速度譜的方法由于耗時長、主觀誤差大，已不能適用新的需求。因此，許多研究人員正在積極探索并發(fā)展基于機器學(xué)習(xí)和人工智能的自動化地震資料速度譜拾取算法，以提高拾取效率，減少人工干預(yù)，獲得更準(zhǔn)確的拾取結(jié)果。

地震資料速度譜拾取方法主要歸納為兩類：一類是基于反演的最優(yōu)化算法；另一類是基于機器學(xué)習(xí)的算法。機器學(xué)習(xí)方法又可以分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩種方式。無監(jiān)督學(xué)習(xí)拾取速度譜是通過識別出能量團潛在的特征對無標(biāo)記的數(shù)據(jù)進行聚類分析，算法簡單、易于實現(xiàn)。Galvis 等[2]和Araya-Polo 等[3]使用K 均值聚類算法處理地震數(shù)據(jù)，該算法將聚類中心視為拾取位置，采用距離作為相似性指標(biāo)拾取速度，然而該方法對于非球形速度能量聚類效果差，并且K 值需要手動設(shè)置；Smith[4]將無監(jiān)督機器學(xué)習(xí)聚類算法與地震屬性相結(jié)合，確定了最佳的速度拾取位置，提高了拾取的效率；Chen[5]提出了一種自下而上的拾取策略，解決了不同CMP 道集所對應(yīng)K 值不同的問題；Waheed 等[6]提出了基于密度噪聲應(yīng)用的空間聚類（DBSCAN）算法拾取速度譜，避免了K 均值聚類中手動選擇K 值的問題；王迪等[7]提出了自適應(yīng)閾值約束的智能速度拾取方法，使用時窗法進行閾值計算來獲取速度譜能量團并進行聚類，取得了很好的效果；Wang 等[8]提出了一種高斯混合模型聚類智能速度拾取方法，通過恰當(dāng)擬合低聚焦能力的能量團，得到最優(yōu)拾取速度，避免了多次波和其他噪聲的干擾；Wang 等[9]提出了一種基于Chan-Vese（CV）模型和mean-shift 聚類算法的速度拾取方法，將由專家在速度譜上建立的速度趨勢帶應(yīng)用到CV 模型得到速度候選區(qū)域，再采用均值聚類對有效能量團進行聚類；Xie 等[10]提出了一種無監(jiān)督加權(quán)K 均值聚類速度選擇方法，利用初始速度作為先驗信息，對其設(shè)置幅值閾值，剔除幅值較小的速度，提高了速度拾取的精度。以上無監(jiān)督聚類算法容易受到多次波和隨機噪聲的影響，忽略了地下空間結(jié)構(gòu)的復(fù)雜性和專家經(jīng)驗，從而導(dǎo)致拾取結(jié)果精度較低。

近年來，有監(jiān)督學(xué)習(xí)方法得到了快速發(fā)展，它可以依靠已經(jīng)標(biāo)記的訓(xùn)練樣本，將輸入數(shù)據(jù)與輸出數(shù)據(jù)建立映射關(guān)系。Ma 等[11]采用了卷積神經(jīng)網(wǎng)絡(luò)（CNN）實現(xiàn)了疊前CMP 道集的自動拾?。籅iswas等[12]提出了利用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）直接從地震數(shù)據(jù)中計算疊加速度；Zhang 等[13-14]將長短期記憶模型（LSTM） 分別與CNN 和YOLO（You Only LookOnec）相結(jié)合，解決了梯度消失和梯度爆炸的問題；Wang 等[15]使用U-Net 結(jié)構(gòu)設(shè)計了速度譜拾取網(wǎng)絡(luò)，并比較了分類網(wǎng)絡(luò)和回歸網(wǎng)絡(luò)，證明了回歸網(wǎng)絡(luò)在速度譜拾取方面具有更高的精度。Bian 等[16-17]和崔家豪等[18]設(shè)計了一種基于目標(biāo)檢測拾取速度的方法，并應(yīng)用Fcos 神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)了速度譜自動拾取；此外，Wang 等[19]提出一種多信息融合網(wǎng)絡(luò)，利用速度譜和部分疊加道集的融合信息估計疊加速度，從而將速度譜拾取問題轉(zhuǎn)換為語義分割問題；Xue等[20]提出一種約束最優(yōu)曲面拾取方法，能夠高效魯棒地從三維相似體中自動拾取二維速度場；Xi 等[21]設(shè)計了一種域自適應(yīng)速度譜拾取模型DAYOLOv7，并優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)，證明該網(wǎng)絡(luò)模型的拾取精度優(yōu)于現(xiàn)有模型；伍國富等[22]提出在高維速度譜數(shù)據(jù)體中，以Bayes 風(fēng)險決策函數(shù)值最小為原則，挑選出合理的時間—速度對；潘海俠等[23]提出了利用改進后的Faster-RCNN 目標(biāo)檢測算法進行速度譜拾取，并加入了注意力模塊來提高其拾取精度。無論是有監(jiān)督還是無監(jiān)督學(xué)習(xí)方法，雖然研究人員已經(jīng)在網(wǎng)絡(luò)結(jié)構(gòu)和算法優(yōu)化方面做了大量的創(chuàng)新工作，但速度拾取的精度和效率依然有很大提升空間。

在地震勘探中，CMP 數(shù)據(jù)和速度譜在地震速度的表達(dá)方面相互補充[24]。CMP 數(shù)據(jù)在整個時間和偏移范圍內(nèi)強調(diào)了振幅—速度的關(guān)系，以揭示局部詳細(xì)信息。速度譜則包含了對雙曲線的先驗知識，有助于簡化旅行時間與速度之間的復(fù)雜射線傳播關(guān)系及增加抵抗噪聲的能力。本文針對CMP 數(shù)據(jù)、速度譜和地震速度之間的關(guān)系，提出了一種利用雙路卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的速度譜自動拾取方法，首先采用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合注意力機制作為主網(wǎng)絡(luò)，從速度譜數(shù)據(jù)中提取能量團的特征并實現(xiàn)速度的自動拾取，并在輸出時間—速度序列之前，通過特征融合和轉(zhuǎn)換將速度與輔助神經(jīng)網(wǎng)絡(luò)輸入的未校正CMP道集的隱藏表征進行信息融合，重構(gòu)成校正后的CMP 道集，從而利用動校正來優(yōu)化速度拾取的精度。該方法將地震數(shù)據(jù)的獨特特點與深度學(xué)習(xí)理論相結(jié)合，通過精心設(shè)計的訓(xùn)練樣本來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了速度自動拾取過程。實驗結(jié)果表明，該方法在速度自動拾取領(lǐng)域勝過現(xiàn)有技術(shù)，展現(xiàn)了其在推進速度譜拾取自動化和智能化方面的潛力。