朱四新, 孟凡可, 姜彤

華北水利水電大學(xué)地球科學(xué)與工程學(xué)院, 鄭州 450053

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,其通過疊加多次反射波從而提高地震勘探數(shù)據(jù)的質(zhì)量和信噪比,從而協(xié)助地質(zhì)工作人員確定地下地質(zhì)構(gòu)造(韓明亮等,2021;Cao et al.,2021).由于近年來大面積三維地震勘探技術(shù)的逐步發(fā)展,處理數(shù)據(jù)時(shí)產(chǎn)生海量的速度譜拾取點(diǎn)需要具有豐富地震處理經(jīng)驗(yàn)和地質(zhì)學(xué)術(shù)背景的專業(yè)人員逐個(gè)鑒別.同時(shí)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)雜區(qū)域等諸多因素的影響,這導(dǎo)致人工拾取速度譜的效率以及拾取的準(zhǔn)確性問題尤為突出(戴曉峰等,2020).基于深度學(xué)習(xí)的地震速度譜自動(dòng)拾取算法研究逐漸成為當(dāng)前解決這一問題的研究方向之一(LeCun et al.,2015;Wu et al.,2020;潘海俠等,2023).

當(dāng)前的速度譜拾取算法研究主要分為半自動(dòng)的優(yōu)化搜索方法和自動(dòng)的深度學(xué)習(xí)拾取方法(董林平和何翔,1996;王立新,1999;張軍華等,2009;彭冬冬等,2022).優(yōu)化搜索方法利用最大相似度準(zhǔn)則與最優(yōu)化算法相結(jié)合,以及相應(yīng)的約束條件通過反演來獲得最優(yōu)的層速度模型.主要包括共軛梯度法、蒙特卡洛法、路徑積分優(yōu)化法、非線性最優(yōu)化法等方法(Toldi et al.,1989;David,1997;林年添等,2013;張建彬等,2016).但是基于這些最優(yōu)化搜尋方法進(jìn)行速度譜自動(dòng)拾取存在著諸多問題.首先,相關(guān)算法都需要專業(yè)人員設(shè)定相關(guān)的先驗(yàn)約束條件和初始化模型(劉愛群等,2008;蔣潤等,2023).其次,在地質(zhì)情況較復(fù)雜的條件下,如探測范圍內(nèi)包含斷層和褶皺等地下地質(zhì)構(gòu)造,則會(huì)導(dǎo)致相應(yīng)算法計(jì)算結(jié)果準(zhǔn)確率降低.

深度學(xué)習(xí)方法又細(xì)分為機(jī)器學(xué)習(xí)方法和人工神經(jīng)網(wǎng)絡(luò)組成神經(jīng)網(wǎng)絡(luò)算法,本文所主要構(gòu)建的深度學(xué)習(xí)網(wǎng)絡(luò)是基于人工神經(jīng)模型組成的自動(dòng)拾取算法.深度學(xué)習(xí)方法是利用人工神經(jīng)網(wǎng)絡(luò)組成目標(biāo)拾取網(wǎng)絡(luò),通過提取疊加速度譜內(nèi)的能量團(tuán)高亮區(qū)域來實(shí)現(xiàn)地震速度譜的自動(dòng)拾取過程(Fish and Kusuma,1994).基于深度學(xué)習(xí)的自動(dòng)化速度譜拾取算法與半自動(dòng)速度譜拾取算法相比,在處理地震勘探資料的疊加速度譜拾取階段徹底脫離了人工參與過程,自動(dòng)化程度高,且拾取點(diǎn)精度有較大提升(崔家豪等,2022).其次,基于深度學(xué)習(xí)的自動(dòng)化速度譜拾取算法在經(jīng)過大量地震數(shù)據(jù)集的訓(xùn)練下能夠適應(yīng)不同復(fù)雜度的工區(qū)場景,具有較強(qiáng)的泛化能力和魯棒性(匡立春等,2021).

在相關(guān)的研究中,Huang和Yang(2015)提出利用霍普菲爾德神經(jīng)網(wǎng)絡(luò)選擇地震速度,該算法將地震速度譜速度拾取轉(zhuǎn)化為一個(gè)神經(jīng)元多段線連接優(yōu)化的問題.Biswas等(2018)提出使用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行堆疊速度估計(jì),使用Adam優(yōu)化算法訓(xùn)練神經(jīng)元網(wǎng)絡(luò)來估算地震的堆疊速度,并以此估計(jì)速度與正確的堆疊速度進(jìn)行對比、更新權(quán)重.Park和Sacchi(2020)提出使用卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)結(jié)合來進(jìn)行自動(dòng)化速度分析,并將速度拾取的過程轉(zhuǎn)換為圖像分類問題.

但是在目前的算法研究中,大多數(shù)深度學(xué)習(xí)算法獲取的拾取點(diǎn)對地層結(jié)構(gòu)的序列特征信息考慮不充分,對于中深部能量團(tuán)發(fā)散等區(qū)域的能量團(tuán)不能有效處理,致使拾取點(diǎn)不夠準(zhǔn)確,甚至出現(xiàn)地質(zhì)解釋偏差(Hochreiter and Schmidhuber,1997;Girshick,2015;王迪等,2021).因此,本文以獲取準(zhǔn)確的拾取點(diǎn)為目標(biāo),針對如何識(shí)別并剔除位于拾取曲線之外的干擾能量團(tuán)以及如何識(shí)別并拾取速度譜中深部能譜群發(fā)散部分的能量團(tuán)點(diǎn),使得這些自動(dòng)拾取的點(diǎn)的準(zhǔn)確性接近于人工拾取的效果等兩個(gè)主要問題,研究具體算法的改進(jìn).在設(shè)計(jì)模型時(shí),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)模型相結(jié)合的方式(LeCun et al.,1989;Elman,1990).通過深度學(xué)習(xí)框架Pytorch混合目標(biāo)拾取網(wǎng)絡(luò)Faster R-CNN和長短期記憶模型(Long-Short Term Memory,LSTM)來構(gòu)建本文的地震速度譜自動(dòng)拾取算法模型VSAP(Velocity Spectrum Accurate Pickup)從而達(dá)到疊加速度譜的準(zhǔn)確拾取以及限定區(qū)域精細(xì)化調(diào)整速度譜拾取點(diǎn)位置的目的.

1 方法原理

地震疊加速度譜的拾取主要是以選擇速度譜相應(yīng)的能量團(tuán)中能量較強(qiáng)的位置所在的“時(shí)間-速度”對,從而實(shí)現(xiàn)對應(yīng)CMP(Common Middle Point)道集的動(dòng)校正和信號(hào)疊加(王瑞林等,2021).因?yàn)槟芰繄F(tuán)中心高亮點(diǎn)等同于能量極大值,如果速度值選取在這一極值點(diǎn),一定程度上可將獲取的結(jié)果作為有效的動(dòng)校正速度,從而校正CMP道集.因此,對地震數(shù)據(jù)的動(dòng)校正過程可等價(jià)于速度譜拾取問題.由于能量團(tuán)具備獲取速度參數(shù)的特征,而卷積神經(jīng)網(wǎng)絡(luò)具備提取圖像特征的能力,速度譜淺層區(qū)域的拾取問題就可以轉(zhuǎn)化為圖像的分類識(shí)別問題.其次是這些“時(shí)間-速度”對在速度譜上存在著特定的空間關(guān)系,一般情況下疊加速度會(huì)隨著時(shí)間的增加而增大,說明其具有明顯的序列特征.這兩個(gè)速度譜的基本特征為本文后續(xù)的算法設(shè)計(jì)提供了科學(xué)依據(jù)(張昊等,2019).

1.1 VSAP模型整體結(jié)構(gòu)設(shè)計(jì)

首先,在疊加速度譜上半部分信噪比較高的區(qū)域,也就是能量團(tuán)分布較為規(guī)律的區(qū)域,針對目前提出的深度學(xué)習(xí)算法中多次波等復(fù)雜的干擾信號(hào)導(dǎo)致的能量團(tuán)拾取點(diǎn)不準(zhǔn)確的問題,本文提出將目標(biāo)檢測模型中的典型代表Faster R-CNN算法作為綜合目標(biāo)檢測網(wǎng)絡(luò)VSAP中的前半部分,用于速度譜能量團(tuán)的高亮區(qū)域拾取.由于速度譜拾取過程中存在的以上干擾問題,如果全部拾取這些能量團(tuán)會(huì)使動(dòng)校正過程出現(xiàn)錯(cuò)誤,最終導(dǎo)致地質(zhì)解釋的偏差.因此,為避免以上問題造成的干擾情況,本文針對如圖1所示人工拾取的地震速度譜在拾取過程中出現(xiàn)的幾種需要判別的拾取情況,在進(jìn)行能量團(tuán)的目標(biāo)拾取時(shí),除了拾取基本能量團(tuán)之外也要拾取圖中所示的干擾能量團(tuán)和中深部較為發(fā)散的區(qū)域,以便在后續(xù)運(yùn)用LSTM模型來對相應(yīng)的拾取目標(biāo)進(jìn)行進(jìn)一步的調(diào)整,以期達(dá)到或者接近人工拾取的能力.

圖1 地震疊加速度譜的能量團(tuán)信息識(shí)別圖(a) 包含復(fù)雜地質(zhì)構(gòu)造和多次波等信息的速度譜圖像; (b) 包含中深部能譜群區(qū)域等信息的速度譜圖像.

在拾取操作中,本文將圖片特征提取的單分類任務(wù)(CNN模型每次只拾取一種類型的能量團(tuán),例如擁有高亮區(qū)域的單個(gè)能量團(tuán))轉(zhuǎn)換成一個(gè)多分類任務(wù)(CNN模型每次拾取多種類型的能量團(tuán),例如除了在拾取時(shí)分辨出上述能量團(tuán)之外還要將速度譜中多個(gè)高亮能量團(tuán)組成的復(fù)雜信息區(qū)域作為整體的目標(biāo)進(jìn)行拾取),不再像之前的研究中只針對單一的能量團(tuán)高亮區(qū)域進(jìn)行拾取,而忽視了各種因素造成的干擾能量團(tuán)如何拾取的問題.

其次,針對目前的卷積神經(jīng)網(wǎng)絡(luò)算法不能有效地拾取速度譜深部的能量團(tuán)較為發(fā)散區(qū)域的拾取點(diǎn)的問題,本文提出使用卷積神經(jīng)網(wǎng)絡(luò)中的長短期記憶模型LSTM來精細(xì)化調(diào)整拾取點(diǎn)的合理位置,解決偏離能量團(tuán)中心拾取點(diǎn)的問題.

在實(shí)際工程中,真實(shí)數(shù)據(jù)的拾取點(diǎn)并非全部位于能量團(tuán)極大值,而是是以速度譜為參照,同相軸是否拉平為判斷標(biāo)準(zhǔn)進(jìn)行拾取的.因此,為解決上述問題,本文將VSAP的前半部分的卷積層輸出作為后半部分LSTM的輸入,學(xué)習(xí)拾取點(diǎn)的相關(guān)序列信息,從而進(jìn)一步精細(xì)化調(diào)整速度譜拾取點(diǎn)的位置.在遇到圖1所示的在常規(guī)人工拾取操作中需要判別的能量團(tuán)排列情況也就是在一個(gè)干擾能量團(tuán)拾取框或者中深部能譜群拾取框(后文簡稱為“多點(diǎn)框”)內(nèi)同時(shí)出現(xiàn)兩個(gè)及以上的能量團(tuán)拾取框時(shí),首先清空多點(diǎn)框內(nèi)的所有能量團(tuán)坐標(biāo),然后依據(jù)LSTM學(xué)習(xí)出的拾取序列以及與多點(diǎn)框緊挨著的上一個(gè)能量團(tuán)拾取點(diǎn)的坐標(biāo)預(yù)測出多點(diǎn)框內(nèi)的預(yù)測值,再依照預(yù)測值與多點(diǎn)框內(nèi)的能量團(tuán)坐標(biāo)相對比,從而判別出最優(yōu)解作為最后的拾取點(diǎn).以此實(shí)現(xiàn)將RNN與CNN模型相結(jié)合,同時(shí)也能夠達(dá)到根據(jù)限定區(qū)域精細(xì)化調(diào)整速度譜拾取點(diǎn)位置的目標(biāo).

如圖2所示為VSAP算法模型的整體結(jié)構(gòu)框架,該模型主要由Backbone one和Backbone two兩部分組成.其中,Input map為需要進(jìn)行拾取的地震疊加速度譜原始圖像,Pick coordinate為CNN模型初步拾取后的各拾取點(diǎn)坐標(biāo),Training set 1為人工拾取的地震疊加速度譜訓(xùn)練數(shù)據(jù)集,Training set 2為人工拾取的速度譜各能量團(tuán)的坐標(biāo),Output map 1為CNN模型初次拾取的拾取結(jié)果(設(shè)計(jì)該模塊的主要目的為和VSAP模型最終的拾取結(jié)果進(jìn)行對比),Output map 2為VSAP模型最終輸出的地震疊加速度譜拾取圖像.在使用模型進(jìn)行拾取時(shí),首先將Input map輸入到經(jīng)由Training set 1訓(xùn)練出的Faster R-CNN模型中,模型會(huì)輸出僅由計(jì)算機(jī)視覺模型識(shí)別出的Output map 1和拾取點(diǎn)Pick coordinate.在將相應(yīng)需要預(yù)測的坐標(biāo)輸入給LSTM模型之前,刪除視覺模型中多點(diǎn)框內(nèi)所有點(diǎn)的坐標(biāo).然后把經(jīng)過第一步識(shí)別并篩選后的能量團(tuán)坐標(biāo)輸入由Training set 2訓(xùn)練出的LSTM模型內(nèi),并對其坐標(biāo)進(jìn)行逐點(diǎn)預(yù)測,最后輸出限定區(qū)域精細(xì)化調(diào)整后的速度譜圖像Output map 2.對于VSAP模型的具體效果評(píng)價(jià)詳見第2節(jié).

圖2 VSAP模型結(jié)構(gòu)圖

1.2 Faster R-CNN模型結(jié)構(gòu)與原理

在現(xiàn)有的研究領(lǐng)域中,應(yīng)用較為廣泛的目標(biāo)檢測網(wǎng)絡(luò)有Faster R-CNN、YOLO(You OnlyLook Once)、SSD(Single Shot MultiBox Detector)、RetinaNet和Mask R-CNN等(Redmon et al.,2016;Liu et al.,2016;Lin et al.,2017;He et al.,2017).本文所要進(jìn)行的目標(biāo)拾取主要為小目標(biāo),而且整個(gè)拾取過程并不需要像汽車的自動(dòng)駕駛一樣進(jìn)行快速的實(shí)時(shí)識(shí)別和檢測,同時(shí)還考慮到Faster R-CNN作為一種經(jīng)典的目標(biāo)檢測算法,可以實(shí)現(xiàn)比較高的準(zhǔn)確率和相對較快的檢測速度.所以最后綜合對比各項(xiàng)算法模型的優(yōu)劣,決定使用Two-Stage中最為經(jīng)典的物體檢測算法Faster R-CNN作為本文算法VSAP的前半部分來進(jìn)行能量團(tuán)的拾取工作.

如圖3所示,Relu為激活函數(shù);Full connection為全連接層;Softmax為分類器;Bbox為網(wǎng)絡(luò)預(yù)測的可能值;Feature map為卷積后的特征圖像;Proposal的功能為選定拾取目標(biāo);Reshape的功能為重定義圖片大小;在流程圖中所有的conv層都是：kernel_size=3,pad=1,stride=1;所有的pooling層都是：kernel_size=2,pad=0,stride=2; ROI pooling的功能是收集輸入的Feature map和Proposal,綜合這些信息后送入后續(xù)全連接層判定目標(biāo)類別;cls_prob的功能是獲得檢測框最終的精確位置.

圖3 Faster R-CNN結(jié)構(gòu)圖

Faster R-CNN的整體流程是先將原始的地震速度譜圖片輸入由13個(gè)Conv層,13個(gè)Relu層和4個(gè)Pooling層共同組成的特征提取模塊Conv layers,通過公式(1)、(2)的計(jì)算得到一個(gè)長和寬為原始輸入圖片1/16的Feature map,表達(dá)式為

(1)

(2)

式中height和width分別代表圖片的高和寬,其中下標(biāo)in代表輸入,下標(biāo)out代表輸出,kernel代表卷積核的大小,padding代表充填,stride代表步長.

接下來利用RPN(Region Proposal Network,模塊功能為篩選可能包含物體的區(qū)域)在Feature map上均勻的劃分出K*H*W個(gè)區(qū)域(稱為Anchor,K=9,H是Feature map的高度,W是寬度),通過比較計(jì)算得到Anchor(一組固定的框,它們以不同的大小以及寬高比放在整個(gè)圖像當(dāng)中)和Ground truth(人工標(biāo)注的真實(shí)拾取框)間的重疊情況來確定前景和背景.同時(shí)為了得到更加精確的拾取框,我們可以通過公式(3)推導(dǎo)出公式(4)中的四個(gè)偏移量,用來訓(xùn)練RPN模塊的識(shí)別能力,表達(dá)式為

(3)

(4)

在式(3)中,假設(shè)Anchor中心位置坐標(biāo)是[Ax,Ay],長和高為Aw和Ah,對應(yīng)Ground Truth的4個(gè)值為Gx,Gy,Gw,Gh.由此可得,公式(4)中dx(A),dy(A),dw(A),dh(A)就是Anchor與Ground truth之間的偏移量.為了能夠在長和寬的差別較大時(shí)快速收斂,差別較小時(shí)緩慢收斂,在公式(4)中使用了對數(shù)的形式來保證計(jì)算的精度.最后利用RPN獲取到的拾取框精確位置,從Feature map中取出要用于分類的目標(biāo)拾取框,并使用Pooling模塊固定其長度,從而得到最終的拾取結(jié)果.

在計(jì)算模型損失值時(shí),由公式(5)、(6)可得到算法模型拾取能量團(tuán)時(shí)相應(yīng)的損失值：

(5)

(6)

本文針對Faster R-CNN模型內(nèi)在架構(gòu)未進(jìn)行除參數(shù)之外較大的更改.主要修改了目前的研究中僅僅只拾取單一能量團(tuán)的單分類任務(wù),將其變?yōu)橐粋€(gè)能夠同時(shí)識(shí)別單一能量團(tuán)以及干擾能量團(tuán)和中深部能譜群區(qū)域的多分類任務(wù).為了使得卷積神經(jīng)網(wǎng)絡(luò)模型能夠識(shí)別如此復(fù)雜的速度譜分類任務(wù),分別對以上分類做出了詳細(xì)的人工拾取規(guī)則,其具體規(guī)則如下：首先在人工準(zhǔn)備數(shù)據(jù)集時(shí),如圖4所示,圖4a中除了標(biāo)注具有高亮區(qū)域的單一能量團(tuán)EC(Energy Cluster)之外,還標(biāo)注了拾取曲線之外的干擾能量團(tuán)IEC(Interference Energy Cluster).在圖4b中,除了標(biāo)注EC之外,還標(biāo)注了地震疊加速度譜中深部的能量團(tuán)發(fā)散區(qū)MD(Medium-Deep Energy Dispersion Cluster).有別與其他研究僅僅只局限于運(yùn)用目標(biāo)拾取網(wǎng)絡(luò)進(jìn)行能量團(tuán)的單分類拾取,本文將單一的單分類任務(wù)轉(zhuǎn)變?yōu)橐粋€(gè)多分類任務(wù).其中,EC的人工拾取規(guī)則為圖片中的高亮區(qū)域,IEC的人工拾取規(guī)則為橫向并列的多個(gè)能量團(tuán),MD的人工拾取規(guī)則為速度譜底部無明顯能量團(tuán)的部分.經(jīng)過目標(biāo)拾取網(wǎng)絡(luò)模型的拾取,模型基本能夠拾取到每一個(gè)小能量團(tuán),并使得每個(gè)多點(diǎn)框內(nèi)包含著至少兩個(gè)小能量團(tuán).

圖4 目標(biāo)拾取網(wǎng)絡(luò)拾取結(jié)果(a) 某一廠區(qū)的速度譜模型拾取結(jié)果; (b) 另一廠區(qū)的速度譜模型拾取結(jié)果.

1.3 LSTM模型結(jié)構(gòu)與原理

現(xiàn)階段地震速度譜自動(dòng)拾取研究的難點(diǎn)不在于如何更加準(zhǔn)確地識(shí)別能量團(tuán)的高亮區(qū)域,而是在于如何在識(shí)別到所有的能量團(tuán)之后對拾取點(diǎn)的判斷和取舍,以及對速度譜下部無明顯能量團(tuán)部分拾取點(diǎn)的預(yù)測.鑒于地震疊加速度譜拾取的“時(shí)間-速度”對能量團(tuán)存在著緊密的時(shí)序關(guān)系,以及當(dāng)前主流的線性回歸以及前饋神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法只局限于當(dāng)時(shí)訓(xùn)練模型的數(shù)據(jù)集,也就是針對更復(fù)雜的拾取曲線不能有較好的泛化性和魯棒性.于是在本文中選擇循環(huán)神經(jīng)網(wǎng)絡(luò)中最為經(jīng)典的LSTM模型作為VSAP算法的下半部分,用來對算法的前半部分Faster R-CNN拾取后的結(jié)果進(jìn)行調(diào)整和預(yù)測.

圖5 LSTM網(wǎng)絡(luò)的循環(huán)單元結(jié)構(gòu)

由圖5可得,LSTM的整體流程是將原始圖片中人工篩選的能量團(tuán)拾取點(diǎn)坐標(biāo)作為模型的輸入序列X∈RB*L*M.其中B為批大小,L為序列長度,M為輸入特征維度.循環(huán)單元從左到右依次掃描序列,并同時(shí)計(jì)算更新每一刻內(nèi)的單元內(nèi)部狀態(tài)Ct∈RB*D和輸出狀態(tài)Ht∈RB*D.

首先在時(shí)刻t,LSTM的循環(huán)單元將當(dāng)前時(shí)刻的輸入Xt∈RB*M與上一時(shí)刻的輸出狀態(tài)Ht-1∈RB*D進(jìn)行計(jì)算.由公式(7)、(8)、(9)計(jì)算可以得到輸入門It,遺忘門Ft,和輸出門Ot,表達(dá)式為

It=σ(XtWi+Ht-1Ui+bi)∈RB*D,

(7)

Ft=σ(XtWf+Ht-1Uf+bf)∈RB*D,

(8)

Ot=σ(XtWO+Ht-1Uo+bo)∈RB*D.

(9)

然后通過公式(10)、(11)分別計(jì)算候選內(nèi)部狀態(tài)以及t時(shí)刻單元的內(nèi)部狀態(tài)：

(10)

(11)

式中,Wc∈RM*D,Uc∈RD*D,bc∈RD為可學(xué)習(xí)的參數(shù),⊙為逐元素積.最后由公式(11)、(12)計(jì)算一個(gè)循環(huán)單元結(jié)束之后的輸出狀態(tài)向量Ct和Ht的值,并將其作為下一次循環(huán)的輸入.式(12)為

Ht=Ot⊙tanh(Ct).

(12)

LSTM循環(huán)單元結(jié)構(gòu)的輸入是t-1時(shí)刻內(nèi)部狀態(tài)向量Ct-1∈RB*D和隱狀態(tài)向量Ht-1∈RB*D,輸出是當(dāng)前時(shí)刻t的狀態(tài)向量Ct∈RB*D和隱狀態(tài)Ht∈RB*D.綜上所述,通過LSTM循環(huán)單元,整個(gè)網(wǎng)絡(luò)可以建立較長距離的時(shí)序依賴關(guān)系,從而能更好的調(diào)整和預(yù)測地震速度譜能量團(tuán)的拾取點(diǎn).

在獲取了卷積神經(jīng)網(wǎng)絡(luò)模型的拾取結(jié)果后,接下來重點(diǎn)要考慮的就是如何對這些眾多種類的拾取目標(biāo)進(jìn)行更進(jìn)一步的取舍和微調(diào),這也是本文提出的為解決目前的速度譜自動(dòng)拾取算法所面臨的對于復(fù)雜地質(zhì)情況不能準(zhǔn)確高效識(shí)別這一問題的解決方案.

首先,在構(gòu)建Faster R-CNN模型的數(shù)據(jù)集時(shí),不光得到了速度譜圖像的人工拾取結(jié)果,同樣得到了每張速度譜上人工拾取的能量團(tuán)的坐標(biāo).同時(shí)本文內(nèi)所有圖表內(nèi)出現(xiàn)的各坐標(biāo)點(diǎn)的坐標(biāo)系建立規(guī)則為,以每張速度譜圖像的左上角作為坐標(biāo)原點(diǎn),橫軸為x軸,縱軸為y軸建立相應(yīng)坐標(biāo)系.

然后將各速度譜內(nèi)人工拾取點(diǎn)的坐標(biāo)作為后半部分LSTM模型的數(shù)據(jù)集進(jìn)行學(xué)習(xí).使得循環(huán)神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)到各個(gè)拾取點(diǎn)坐標(biāo)間相應(yīng)的時(shí)序關(guān)系.

最后,在使用人工標(biāo)注的數(shù)據(jù)訓(xùn)練完模型的卷積和循環(huán)神經(jīng)網(wǎng)絡(luò)兩部分之后,使用需要預(yù)測的原始速度譜圖片輸入Faster R-CNN模型,運(yùn)用訓(xùn)練好的模型對圖片進(jìn)行多分類拾取.在得到模型初步拾取后的拾取框坐標(biāo)后,對初步拾取的拾取框坐標(biāo)進(jìn)行分類.其分類規(guī)則為：(1)保留EC框內(nèi)能量團(tuán)坐標(biāo);(2)刪除IEC框內(nèi)所有能量團(tuán)坐標(biāo);(3)刪除MD框內(nèi)所有能量團(tuán)坐標(biāo).分類結(jié)束后,將剩余的EC框的中心坐標(biāo)輸入訓(xùn)練好的LSTM模型內(nèi),利用各拾取點(diǎn)間存在的時(shí)序關(guān)系,預(yù)測出IEC和MD等多點(diǎn)框內(nèi)點(diǎn)的坐標(biāo).在最后得到保留點(diǎn)和預(yù)測點(diǎn)的總體坐標(biāo)后,輸出在最開始需要拾取的原始速度譜上,得到模型最后的拾取結(jié)果.具體各點(diǎn)的取舍和微調(diào)情況如下一節(jié)表格內(nèi)所示.

為了體現(xiàn)出本文根據(jù)LSTM模型為基礎(chǔ)所設(shè)計(jì)的VSAP模型的后半段對于拾取點(diǎn)的調(diào)整能力,使用不同的方式分別對本文所建立的數(shù)據(jù)集內(nèi)隨機(jī)挑選的幾張包含不同信息的速度譜圖片進(jìn)行拾取操作.為了便于觀察,將坐標(biāo)系橫放,令原先定義的x軸和y軸交換位置,同時(shí)設(shè)定每一個(gè)拾取點(diǎn)的坐標(biāo)為圖片上像素點(diǎn)的坐標(biāo)(沒有單位),后文表格內(nèi)的坐標(biāo)格式同樣按照此規(guī)定獲取.

圖6 不同拾取方式在速度譜內(nèi)的拾取表現(xiàn)(a) 數(shù)據(jù)集內(nèi)隨機(jī)一張速度譜的拾取坐標(biāo)(包含斷層和多次波等信息); (b) 數(shù)據(jù)集內(nèi)隨機(jī)一張速度譜的拾取坐標(biāo)(包含斷層、多次波和復(fù)雜地質(zhì)構(gòu)造區(qū)域等信息).

如圖6所示,如果單純的使用CNN模型,則只能拾取所有的能量團(tuán)目標(biāo),而不能分辨出速度譜圖像中所體現(xiàn)出來的復(fù)雜信息;如果不使用CNN對目標(biāo)進(jìn)行拾取操作,同時(shí)沒有根據(jù)前文所說的相應(yīng)步驟使用RNN對應(yīng)該預(yù)測的拾取點(diǎn)進(jìn)行有選擇的預(yù)測,就只是單純的使用LSTM進(jìn)行對速度譜的預(yù)測的話,就只能得到一條和線性回歸等其他非深度學(xué)習(xí)方法一樣的一條固定的拾取曲線;但是如果我們按照本文中所提出的相應(yīng)步驟,以CNN和RNN相結(jié)合的方式進(jìn)行對速度譜的拾取操作,我們就能在不同的信息條件下拾取到和人工相近的拾取點(diǎn)和拾取曲線.

2 實(shí)驗(yàn)與結(jié)果分析

2.1 建立數(shù)據(jù)集

為驗(yàn)證模型自動(dòng)拾取速度譜的能力以及在訓(xùn)練中盡可能地提高模型的準(zhǔn)確性和泛化性.本文選擇了三個(gè)不同的廠區(qū)作為數(shù)據(jù)采集場地,使用428XL地震采集系統(tǒng)進(jìn)行數(shù)據(jù)采集.該采集系統(tǒng)的采樣間隔為0.5 ms,記錄長度3 s,掃描長度16 s,掃描次數(shù)3次.以此標(biāo)準(zhǔn),本次采樣共采集了5條總長度為12 km地震剖面,累計(jì)獲得了包含2400張速度譜圖像的數(shù)據(jù)集.將該數(shù)據(jù)集以8∶1∶1的形式分成訓(xùn)練集,驗(yàn)證集和測試集三部分,并使用Labelimg軟件為速度譜圖片打標(biāo)簽,人工打標(biāo)簽的規(guī)則如第1.2節(jié)所示.

為了訓(xùn)練VSAP模型后半部分的LSTM模型,先要人工對數(shù)據(jù)集內(nèi)的速度譜圖片進(jìn)行一一的拾取.每張速度譜內(nèi)都有10～15個(gè)數(shù)量不等的能量團(tuán),將這些能量團(tuán)的坐標(biāo)進(jìn)行整理,作為LSTM模型的數(shù)據(jù)集進(jìn)行模型的訓(xùn)練,使得模型學(xué)習(xí)坐標(biāo)內(nèi)部存在的時(shí)間序列關(guān)系,為下一步的能量團(tuán)拾取點(diǎn)精細(xì)化調(diào)整做準(zhǔn)備.數(shù)據(jù)集內(nèi)隨機(jī)挑選的一張速度譜的拾取框坐標(biāo)格式如表1所示,其中X1、Y1表示的是拾取框的左上角的坐標(biāo),X2、Y2表示的是拾取框的右下角坐標(biāo),可根據(jù)這四個(gè)坐標(biāo)數(shù)據(jù)求取相應(yīng)能量團(tuán)高亮區(qū)域的具體坐標(biāo)X和Y.

表1 速度譜在數(shù)據(jù)集內(nèi)的格式Table 1 Format of velocity spectra within the data set

2.2 模型評(píng)價(jià)

目標(biāo)檢測網(wǎng)絡(luò)在對數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí),輸入的數(shù)據(jù)集格式為VOC格式,主干網(wǎng)絡(luò)使用Resnet50,先驗(yàn)框大小設(shè)計(jì)為[4,16,32],優(yōu)化器選擇Adam,學(xué)習(xí)率設(shè)計(jì)為10-4,并使用GPU對訓(xùn)練過程進(jìn)行加速,不進(jìn)行凍結(jié)訓(xùn)練.以此標(biāo)準(zhǔn),在訓(xùn)練了500個(gè)Epoch之后,得到了如圖7所示的關(guān)于模型的各項(xiàng)評(píng)價(jià)指標(biāo).

在圖7中,橫坐標(biāo)為訓(xùn)練輪次,統(tǒng)一為500輪,縱坐標(biāo)為各項(xiàng)指標(biāo)的得分,也就是各張圖片的圖名(沒有單位).圖7a指的是目標(biāo)檢測loss均值,其訓(xùn)練的結(jié)果越小目標(biāo)檢測越準(zhǔn);圖7b指的是分類loss均值,同樣也是越小分類越準(zhǔn)確.圖7c指的是精度,其具體定義也就是模型中分類器認(rèn)為是正類并且確實(shí)是正類的部分占所有分類器認(rèn)為是正類的比例;圖7d指的是召回率,含義為分類器認(rèn)為是正類并且確實(shí)是正類的部分占所有確實(shí)是正類的比例;圖7e、f指的是驗(yàn)證集的目標(biāo)檢測均值和分類loss均值;圖7g、h指的就是mAP,mAP這種評(píng)價(jià)指標(biāo)是用Precision和Recall作為兩軸作圖后圍成的面積,其中m表示平均,@后面的數(shù)表示判定iou為正負(fù)樣本的閾值,@0.5：0.95表示閾值取0.5∶0.05∶0.95后取均值.一般訓(xùn)練結(jié)果主要觀察精度和召回率波動(dòng)情況(波動(dòng)不是很大則訓(xùn)練效果較好)然后觀察mAP@0.5 &mAP@0.5∶0.95 評(píng)價(jià)訓(xùn)練結(jié)果.經(jīng)過訓(xùn)練,本模型的mAP值能夠達(dá)到0.94,對于目標(biāo)的拾取有著較高的準(zhǔn)確度.

在目標(biāo)檢測模型識(shí)別出速度譜相關(guān)的信息之后,需要將這些信息作為LSTM模型的輸入,對其進(jìn)行進(jìn)一步的篩選、調(diào)整和預(yù)測.在對LSTM模型進(jìn)行訓(xùn)練時(shí),輸入的訓(xùn)練集格式如表1所示,模型層數(shù)設(shè)計(jì)為兩層,隱層設(shè)計(jì)為10層,學(xué)習(xí)步長設(shè)計(jì)為50,學(xué)習(xí)率為0.01,訓(xùn)練輪次5000次,并使用GPU對訓(xùn)練過程進(jìn)行加速.

由表2可得模型對于坐標(biāo)數(shù)據(jù)的預(yù)測能力,例如在清空IEC框內(nèi)的兩個(gè)能量團(tuán)之后LSTM模型在該多點(diǎn)框內(nèi)的預(yù)測坐標(biāo)為(391,190),而人工的拾取結(jié)果為(390,190);又或者在清空MD框內(nèi)的五個(gè)能量團(tuán)之后模型預(yù)測了(574,625)和(670,800)兩個(gè)坐標(biāo),而人工在此中深部能量團(tuán)發(fā)散區(qū)域拾取的兩個(gè)坐標(biāo)為(572,625)和(668,796).由此可見,模型預(yù)測的坐標(biāo)和人工拾取的坐標(biāo)誤差范圍區(qū)間很小,只有1%～2%左右.同時(shí)因?yàn)槿斯ぴ谑叭r(shí)也會(huì)不可避免的存在一定的誤差,所以模型存在的像素級(jí)別的誤差基本可以忽略不計(jì).我們由此可以判斷出LSTM模型對于地震速度譜的拾取坐標(biāo)的調(diào)整與預(yù)測已經(jīng)基本與人工拾取的結(jié)果一致.

圖7 目標(biāo)檢測模型的各項(xiàng)評(píng)價(jià)指標(biāo)(a) 目標(biāo)檢測損失均值; (b) 分類損失均值; (c) 精度; (d) 召回率; (e) 驗(yàn)證集損失均值; (f) 驗(yàn)證集分類損失均值; (g) 閾值取0.5的mAP值; (h) 閾值取0.5∶0.05∶0.95的mAP值.

表2 人工拾取點(diǎn)坐標(biāo)與模型預(yù)測坐標(biāo)Table 2 Manual pickup point coordinates and model predicted coordinates

2.3 模型驗(yàn)證

為了進(jìn)一步驗(yàn)證該模型的準(zhǔn)確性以及魯棒性,本文選取了某一廠區(qū)的原始地震勘探數(shù)據(jù),對數(shù)據(jù)進(jìn)行了各項(xiàng)處理操作,僅在拾取速度譜階段有人工操作與模型自動(dòng)拾取的區(qū)別.從圖8a可以看出傳統(tǒng)的CNN方法能夠識(shí)別相應(yīng)能量團(tuán)信息,但是其不能夠識(shí)別哪些能量團(tuán)是應(yīng)該拾取的,哪些是應(yīng)該舍棄的.由圖8b可得人工在對這張速度譜圖像進(jìn)行拾取操作時(shí)所得到的拾取曲線,借此可以與其他拾取方式得到的拾取曲線進(jìn)行對比.由圖8c可得單純的RNN模型僅僅只是針對特定的數(shù)據(jù)集圖像可以進(jìn)行較為準(zhǔn)確地預(yù)測,但是其泛化能力非常差,不能解決不同工況所形成的不同速度譜圖像的拾取.由圖8d可以看出模型對于數(shù)據(jù)集內(nèi)在的序列關(guān)系學(xué)習(xí)的很好,能夠?qū)Χ帱c(diǎn)框內(nèi)的能量團(tuán)坐標(biāo)一一識(shí)別和調(diào)整.同時(shí)可以從圖中看出模型分辨出了位于上部右側(cè)的干擾能量團(tuán)和圖片中部較為明顯的豎向排列的多次波能量團(tuán),并在自動(dòng)拾取時(shí)將其篩選出去;同時(shí)模型也識(shí)別出了中深部能量團(tuán)發(fā)散區(qū)域的圖像特征,篩選并修正了能量團(tuán)群內(nèi)的應(yīng)拾取點(diǎn),預(yù)測了深部無明顯能量團(tuán)處的一處拾取點(diǎn),其整體拾取效果接近于人工拾取.

圖8 人工拾取速度譜與模型拾取速度譜的對比(a) 傳統(tǒng)CNN方法拾取的速度譜圖像; (b) 人工拾取的速度譜圖像; (c) 傳統(tǒng)RNN方法拾取的速度譜圖像; (d) VSAP模型自動(dòng)拾取的速度譜圖像.

圖9 人工拾取與模型拾取對CMP道集的動(dòng)校正效果對比(a) VSAP模型Backbone one組件的拾取圖像; (b) 人工拾取的速度譜圖像; (c) VSAP模型拾取的速度譜圖像; (d) CMP1200道集; (e) 人工拾取速度動(dòng)校正; (f) VSAP模型拾取速度動(dòng)校正.

圖10 實(shí)際廠區(qū)的地震資料疊加速度場(a) 人工拾取并處理的地震疊加速度場; (b) 傳統(tǒng)CNN方法拾取后處理的地震疊加速度場; (c) VSAP模型自動(dòng)拾取后處理的地震疊加速度場.

圖11 實(shí)際廠區(qū)的地震資料疊加剖面(a) 人工拾取并處理的地震疊加剖面; (b) 傳統(tǒng)CNN方法拾取后處理的地震疊加剖面; (c) VSAP模型自動(dòng)拾取后處理的地震疊加剖面.

如圖9所示為人工拾取與模型拾取對CMP道集的動(dòng)校正效果對比.通過圖9a可以看出本文所提出的VSAP模型Backbone one組件識(shí)別出了19個(gè)普通能量團(tuán),其中包含干擾能量團(tuán)以及中深部能量團(tuán)發(fā)散區(qū)域.該組件已經(jīng)基本上能夠提取出速度譜上的所有能量團(tuán)信息;從圖9b可以得知在進(jìn)行人工拾取速度譜操作時(shí)剔除了多余的干擾能量團(tuán)信息以及中深部能量團(tuán)發(fā)散區(qū)域的干擾,只有12個(gè)拾取點(diǎn);由圖9c可以看出經(jīng)過VSAP模型對速度譜進(jìn)行目標(biāo)識(shí)別和坐標(biāo)調(diào)整之后能夠得到非常接近人工拾取的12個(gè)拾取點(diǎn)組成的拾取曲線;圖9d為數(shù)據(jù)集內(nèi)CMP1200道集,使用其未校正的狀態(tài)進(jìn)行對比;圖9e、f分別為人工拾取速度動(dòng)校正結(jié)果和VSAP模型拾取速度動(dòng)校正結(jié)果,從以上結(jié)果可以更加直觀的展示出本文提出的VSAP模型對于更加復(fù)雜的速度譜圖像的自動(dòng)拾取能力.如圖10所示速度場圖片,將人工拾取的疊加速度場圖 10a與傳統(tǒng)CNN方法得到的疊加速度場圖10b以及本文模型自動(dòng)拾取方法得到的速度場圖10c進(jìn)行對比.如圖11所示實(shí)際廠區(qū)的地震資料疊加剖面的人工處理結(jié)果與模型處理結(jié)果的對比.由此可得本文所提出的VSAP算法模型在多次波、復(fù)雜地質(zhì)構(gòu)造區(qū)域的干擾中自動(dòng)拾取速度譜的能力已經(jīng)基本與人工拾取的結(jié)果相似.

3 結(jié)論

本文利用目標(biāo)拾取網(wǎng)絡(luò)模型Faster R-CNN構(gòu)建的多分類拾取任務(wù),對地震速度譜內(nèi)的一般能量團(tuán)、干擾能量團(tuán)和中深部的發(fā)散能量團(tuán)等區(qū)域形成的能量團(tuán)進(jìn)行特征提取.再將初步得到的拾取點(diǎn)坐標(biāo)按照相應(yīng)的拾取規(guī)則進(jìn)行篩選和調(diào)整,然后由循環(huán)神經(jīng)網(wǎng)絡(luò)中的長短期記憶模型LSTM學(xué)習(xí)到的拾取點(diǎn)之間的序列關(guān)系來對拾取坐標(biāo)進(jìn)行進(jìn)一步的預(yù)測和調(diào)整.最終得到了和人工拾取結(jié)果接近的基于深度學(xué)習(xí)的地震速度譜拾取算法模型VSAP.通過實(shí)際廠區(qū)的數(shù)據(jù)驗(yàn)證,本文得到了如下結(jié)論：

(1)本文運(yùn)用Faster R-CNN模型提取圖片特征時(shí)運(yùn)用到的多分類任務(wù)提取方式,使得算法能夠獲取全局與局部的聯(lián)系,降低冗余信息對于圖像的影響,使網(wǎng)絡(luò)關(guān)注于拾取點(diǎn)及其臨近點(diǎn)的相關(guān)信息.

(2)本文運(yùn)用LSTM模型學(xué)習(xí)拾取點(diǎn)坐標(biāo)的相關(guān)序列信息,并且能夠準(zhǔn)確地輸出限定區(qū)域精細(xì)化調(diào)整后的速度譜圖像.其準(zhǔn)確性更是接近人工識(shí)別并拾取速度譜能量團(tuán)相關(guān)信息的能力.

(3)本文構(gòu)建的VSAP深度學(xué)習(xí)模型可以在較短的時(shí)間內(nèi)對大量的速度譜圖像進(jìn)行精準(zhǔn)識(shí)別并輸出拾取圖像.相對于傳統(tǒng)的人工拾取方式,極大地提高了速度譜拾取的效率和拾取精度.

在構(gòu)建模型時(shí),本文所使用的數(shù)據(jù)集數(shù)量和多樣性還不夠,這對模型的泛化能力造成了一定的影響,使得模型對于更加復(fù)雜的地質(zhì)構(gòu)造所體現(xiàn)出來的能量團(tuán)信息識(shí)別能力不足.在實(shí)際的應(yīng)用中,可以通過增加訓(xùn)練集的廣度和深度以及遷移學(xué)習(xí)等方式來提高模型在面對各種各樣的復(fù)雜情況時(shí)的魯棒性.