摘要： 利用地震資料識(shí)別斷層在油氣勘探中有著重要的作用。目前，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)提高了斷層識(shí)別的精度和效率，但斷裂預(yù)測(cè)結(jié)果仍難以滿足生產(chǎn)需求。為此，提出基于Transformer 的地震斷層識(shí)別方法，即3D SwinTrans‐U‐Net。該網(wǎng)絡(luò)由Swin Transformer 模塊、卷積模塊組成。其中，Swin Transformer 模塊可以利用Transformer 的注意力機(jī)制提取全局信息，并將計(jì)算全局注意力轉(zhuǎn)變?yōu)橛?jì)算窗口的注意力，從而比Transformer減少了計(jì)算復(fù)雜度； 卷積模塊具有歸納偏置的特性，避免了Swin Transformer 存在弱歸納偏置的缺陷；最后，利用U‐Net 結(jié)構(gòu)，結(jié)合Swin Transformer 層與卷積層，融合深層與淺層的信息并提取相關(guān)特征，充分學(xué)習(xí)全局性和局部依賴性信息，在保證斷層識(shí)別精度的基礎(chǔ)上提高了計(jì)算效率，實(shí)現(xiàn)端到端的地震斷層學(xué)習(xí)。模型數(shù)據(jù)和實(shí)際數(shù)據(jù)測(cè)試均表明，3D SwinTrans‐U‐Net 網(wǎng)絡(luò)能進(jìn)一步提升斷層識(shí)別精度。

關(guān)鍵詞： 深度學(xué)習(xí)，3D SwinTrans‐U‐Net，斷層識(shí)別，Transformer，Swin Transformer，卷積

中圖分類號(hào)：P631 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10. 13810/j. cnki. issn. 1000‐7210. 2024. 06. 003

0 引言

斷層識(shí)別一直是地震資料解釋的一個(gè)重要部分。傳統(tǒng)的斷層解釋主要基于人工，其精度和效率都難以滿足生產(chǎn)需求。

隨著計(jì)算機(jī)技術(shù)的發(fā)展，自動(dòng)、半自動(dòng)檢測(cè)方法提高了斷層識(shí)別效率。Xiong 等[1]利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）將斷層檢測(cè)視為圖像分類問(wèn)題，斷層識(shí)別結(jié)果具有更高的分辨率。殘差連接[2]可以加深網(wǎng)絡(luò)結(jié)構(gòu)，提高模型性能。據(jù)此，張政等[3]提出了一個(gè)與遷移學(xué)習(xí)相結(jié)合的34 層深度的殘差網(wǎng)絡(luò)，更全面地解析了地震數(shù)據(jù)中的斷層結(jié)構(gòu)。

U‐Net 是一種常用的語(yǔ)義分割網(wǎng)絡(luò)，可以得到不同層次的斷層特征。據(jù)此，Wu 等[5‐6]利用合成地震數(shù)據(jù)對(duì)U‐Net 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)了端到端的斷層智能識(shí)別。王海龍等[7]利用GeoEast 軟件斷層智能檢測(cè)技術(shù)逐級(jí)識(shí)別斷層，解決了實(shí)際需求。常德寬等[8]聯(lián)合ResNet 與U‐Net，提高了地震資料斷層的識(shí)別效率。何濤等[9]將殘差模塊引入U(xiǎn) ‐ Net 網(wǎng)絡(luò)，提出了ResU‐Net 網(wǎng)絡(luò)，進(jìn)一步提高了模型的泛化性能。路鵬飛等[10]利用VNet 網(wǎng)絡(luò)進(jìn)行斷層識(shí)別，該網(wǎng)絡(luò)可以在下采樣過(guò)程中增加信號(hào)感受野，從而能夠更好地保留信號(hào)的細(xì)節(jié)信息。

在面對(duì)特征較復(fù)雜的地震數(shù)據(jù)時(shí)，U‐Net 無(wú)法對(duì)復(fù)雜的特征給予更多關(guān)注，而注意力機(jī)制可以關(guān)注某些特定信息，忽略無(wú)關(guān)信息。Transformer[11]是一種基于自注意力機(jī)制的編碼器—解碼器結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型，可以有效提取全局信息，具有強(qiáng)大的表達(dá)能力。Dosovitskiy 等[12]將Trasnsformer 用于圖像分類，提出了Vision Transformer（ViT）模型，然而所帶來(lái)的問(wèn)題是計(jì)算量的劇增。為了提高計(jì)算效率，Liu 等[13]提出了Swin Transformer 網(wǎng)絡(luò)架構(gòu)，與Vision Transformer 相比，基于窗口的自注意力機(jī)制僅僅只用計(jì)算窗口內(nèi)的自注意力，降低了計(jì)算成本，并且基于移動(dòng)窗口的多頭自注意力機(jī)制可以引入相鄰窗口之間的信息，從而能夠獲取全局信息，因此能夠在保證精度的同時(shí)能夠提高計(jì)算效率。Tang等[14]在U‐Net 網(wǎng)絡(luò)中引入Transformer 模塊進(jìn)行特征提取，使用2. 5D 地震合成數(shù)據(jù)進(jìn)行訓(xùn)練，相比于3D U‐Net，該方法可以獲得更連續(xù)的斷層預(yù)測(cè)結(jié)果。目前，Swin Transformer 多應(yīng)用于醫(yī)學(xué)、遙感領(lǐng)域中，均取得了不錯(cuò)的效果。Cao 等[15]設(shè)計(jì)了一個(gè)U型純Transformer 網(wǎng)絡(luò)，在多器官和心臟分割任務(wù)方面具有出色的性能和泛化能力。Liang 等[16]建立了一個(gè)3D U 型對(duì)稱的Swin Transformer 網(wǎng)絡(luò)，在分割遠(yuǎn)離腫瘤中心的小面積的病變時(shí)，該網(wǎng)絡(luò)性能幾乎優(yōu)于基于卷積的方法。Cai 等[17]設(shè)計(jì)了基于Swin Transformer 和卷積的醫(yī)學(xué)圖像分割網(wǎng)絡(luò)，在模型參數(shù)數(shù)量和精度之間達(dá)到了很好的平衡。

因此，基于注意力機(jī)制能夠提取全局信息的優(yōu)勢(shì)以及卷積的歸納偏置特性，為了滿足對(duì)復(fù)雜構(gòu)造區(qū)域斷裂預(yù)測(cè)的油氣勘探需求，本文將Swin Transformer[13]與卷積層進(jìn)行結(jié)合，提出基于Transformer的地震斷層識(shí)別方法，即3D SwinTrans‐U‐Net，以提高斷層識(shí)別的精度。