基于多分辨率U-Net網(wǎng)絡(luò)的地震數(shù)據(jù)斷層檢測方法

唐 杰 孟 濤 韓盛元 陳學(xué)國

(①中國石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院，山東青島 266580；②中國石油化工股份有限公司勝利油田分公司勘探開發(fā)研究院，山東東營 257015)

0 引言

斷層檢測是地震資料解釋的一項(xiàng)重要工作[1-2]。人工手動拾取斷層不僅耗時、耗力，而且具有較強(qiáng)的主觀性[3-4]。為了提高效率，研究人員提出了多種斷層自動檢測方法。Gersztenkorn等[5]提出的C3相干體技術(shù)能極大地提高斷層解釋精度。張瑞等[6]使用分頻螞蟻?zhàn)粉櫦夹g(shù)能夠識別深部小斷層，識別結(jié)果較為清晰、準(zhǔn)確。孫振宇等[7]提出了一種基于支持向量機(jī)(SVM)的斷層自動識別方法，能夠有效識別地震數(shù)據(jù)中的小斷層。李軍等[8]提出了基于魔方矩陣的斷層邊緣檢測方法，利用斷層傾角和傾向等信息可以檢測地震數(shù)據(jù)中斷層的分布和發(fā)育方向。隨著地震勘探技術(shù)的不斷發(fā)展，采集的地震數(shù)據(jù)量越來越大，傳統(tǒng)的斷層檢測方法在效率和精度方面存在明顯的不足。如何從海量的地震資料中高效、準(zhǔn)確地挖掘更多的斷層信息，是當(dāng)前地震資料解釋面臨的一項(xiàng)巨大挑戰(zhàn)[9-11]。

近年來，隨著計算機(jī)運(yùn)算能力的提升，機(jī)器學(xué)習(xí)方法得到了越來越多的應(yīng)用。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個熱點(diǎn)領(lǐng)域，具有強(qiáng)大的特征提取能力和高效的特征表達(dá)能力，被廣泛應(yīng)用于圖像分類、目標(biāo)檢測等，并取得了很好的效果[12-14]。深度學(xué)習(xí)也廣泛應(yīng)用于油氣勘探，如橫波速度預(yù)測[15]、測井曲線重構(gòu)[16]、鹽丘檢測[17]和地震資料構(gòu)造解釋[18]等。

基于深度學(xué)習(xí)的斷層檢測方法通常采用像素分類或語義分割深度學(xué)習(xí)網(wǎng)絡(luò)。Xiong等[19]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)自動檢測三維地震數(shù)據(jù)中的斷層，識別的斷層具有較好的連續(xù)性。Guo等[20]提出了基于卷積神經(jīng)網(wǎng)絡(luò)的斷層檢測方法，充分學(xué)習(xí)、利用解釋人員的斷層拾取經(jīng)驗(yàn)，自動檢測斷層，精度較高。Li等[21]提出了編碼器—解碼器卷積神經(jīng)網(wǎng)絡(luò)斷層檢測方法，即采用一個較小的訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)，然后逐像素地預(yù)測地震數(shù)據(jù)中的斷層。Wu等[22]基于U-Net卷積神經(jīng)網(wǎng)絡(luò)，使用人工合成地震數(shù)據(jù)對搭建的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，可快速預(yù)測實(shí)際地震數(shù)據(jù)中的斷層位置。張政等[23]將深度殘差網(wǎng)絡(luò)與遷移學(xué)習(xí)相結(jié)合，增強(qiáng)了網(wǎng)絡(luò)的斷層識別泛化能力。常德寬等[24]提出基于卷積深度神經(jīng)網(wǎng)絡(luò)的地震數(shù)據(jù)斷層識別方法，克服深層網(wǎng)絡(luò)梯度彌散的不足，提高了網(wǎng)絡(luò)的訓(xùn)練效率。

實(shí)際地震數(shù)據(jù)中往往存在著不同尺度斷層，為了提高斷層解釋效率、改善斷層檢測效果，本文提出了一種基于深度學(xué)習(xí)的多分辨率U-Net網(wǎng)絡(luò)(MultiResU-Net)斷層檢測方法。首先引入多分辨率模塊增強(qiáng)網(wǎng)絡(luò)模型的多尺度斷層檢測能力，使用殘差路徑代替普通跳躍連接，縮小用于拼接的特征圖之間的語義差別；然后使用人工合成的地震數(shù)據(jù)和斷層標(biāo)簽數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型，在合成數(shù)據(jù)測試集和二維實(shí)際地震數(shù)據(jù)中斷層檢測效果均較好；最后將網(wǎng)絡(luò)模型擴(kuò)展為三維并與遷移學(xué)習(xí)結(jié)合后，在三維實(shí)際地震數(shù)據(jù)測試中也取得了很好的效果。

1 多分辨率U-Net網(wǎng)絡(luò)

1.1 U-Net網(wǎng)絡(luò)

U-Net網(wǎng)絡(luò)由Ronneberger等[25]在2015年提出，最初用于生物醫(yī)學(xué)圖像分割任務(wù)，如細(xì)胞分割、腫瘤檢測等。U-Net網(wǎng)絡(luò)是一種編碼器—解碼器結(jié)構(gòu)的網(wǎng)絡(luò)，因網(wǎng)絡(luò)結(jié)構(gòu)類似于字母“U”而得名。

U-Net網(wǎng)絡(luò)主要由兩大部分構(gòu)成：①下采樣部分，即特征提取部分，每一層由兩個3×3卷積序列和一個最大池化層組成；②上采樣部分，即特征恢復(fù)部分，每一層由兩個3×3卷積序列和一個反卷積操作組成，可以將下采樣得到的高級語義特征恢復(fù)至上一層的尺度。

U-Net網(wǎng)絡(luò)與全卷積網(wǎng)絡(luò)(Fully Convolutional Networks，F(xiàn)CN)[26]雖然結(jié)構(gòu)相似，但卻采用了完全不同的特征融合方式。U-Net網(wǎng)絡(luò)每進(jìn)行一次上采樣后，將恢復(fù)的特征圖與對應(yīng)特征提取部分得到的相同尺度的特征圖在通道(Channel)維度上進(jìn)行拼接，從而形成更厚的特征層，使同一大小的特征圖擁有更多的特征表示，并且不會因占用過多顯存而導(dǎo)致網(wǎng)絡(luò)訓(xùn)練速度下降過多；而FCN僅僅是特征圖的簡單相加，并不能形成更厚的特征層。

1.2 多分辨率U-Net網(wǎng)絡(luò)

普通U-Net網(wǎng)絡(luò)中，下采樣部分和上采樣部分的每一層中的兩個3×3卷積序列運(yùn)算效果等價于一個5×5卷積層運(yùn)算[27]。多分辨率U-Net網(wǎng)絡(luò)(圖1)引入多分辨率模塊改進(jìn)普通U-Net網(wǎng)絡(luò)，將一個3×3卷積層和一個7×7卷積層與上述的5×5卷積層并行，以此增強(qiáng)網(wǎng)絡(luò)的多尺度斷層檢測能力[28]。為了進(jìn)一步減少網(wǎng)絡(luò)的內(nèi)存需求，將多分辨率模塊中的7×7卷積層替換為具有等價效果的三個3×3卷積序列，此外還在模塊中添加了一個1×1的卷積層，使網(wǎng)絡(luò)能夠獲取更多的空間信息。

圖1 多分辨率U-Net網(wǎng)絡(luò)結(jié)構(gòu)

普通U-Net網(wǎng)絡(luò)直接將下采樣部分得到的特征圖與上采樣部分得到的相同尺度的特征圖通過跳躍連接拼接起來。下采樣部分的特征圖為淺層、級別較低的特征，而上采樣部分的特征圖具有更深層、級別更高的特征，因此這兩組特征之間存在一定的語義差別，直接拼接可能會對網(wǎng)絡(luò)訓(xùn)練和預(yù)測結(jié)果產(chǎn)生不利影響。本文使用殘差路徑代替普通跳躍連接，殘差路徑中的非線性操作有望縮小語義差別，使網(wǎng)絡(luò)模型更容易學(xué)習(xí)到所需的特征信息。由于下采樣部分與上采樣部分特征之間的語義差別會隨著網(wǎng)絡(luò)的加深而減小，因而可減少深層殘差路徑中使用的殘差塊的數(shù)量。本文網(wǎng)絡(luò)模型從淺層到深層的四條殘差路徑分別設(shè)置4、3、2、1個殘差塊。

圖1為多分辨率U-Net網(wǎng)絡(luò)模型結(jié)構(gòu)，將普通U-Net網(wǎng)絡(luò)中的兩個3×3卷積序列替換為多分辨率模塊，并通過調(diào)整模塊中卷積層的卷積核數(shù)目防止網(wǎng)絡(luò)模型的總參數(shù)量過多。網(wǎng)絡(luò)模型分別進(jìn)行四次下采樣和四次上采樣，將得到的相同尺度的特征圖通過殘差路徑連接起來，最后輸出結(jié)果。

2 數(shù)據(jù)準(zhǔn)備與網(wǎng)絡(luò)訓(xùn)練

2.1 數(shù)據(jù)集建立

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)是一種數(shù)據(jù)驅(qū)動的優(yōu)化方法，訓(xùn)練數(shù)據(jù)集的制作是一項(xiàng)重要工作。斷層數(shù)據(jù)集的制作有兩種方法可供選擇：①人工合成地震數(shù)據(jù)及其相應(yīng)的斷層標(biāo)簽，以此作為訓(xùn)練和測試數(shù)據(jù)集分別對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測試；②使用實(shí)際地震數(shù)據(jù)和人工拾取的斷層標(biāo)簽作為訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)模型，再將訓(xùn)練完備的網(wǎng)絡(luò)模型應(yīng)用于其他實(shí)際地震數(shù)據(jù)進(jìn)行斷層檢測。第一種方法解決了訓(xùn)練數(shù)據(jù)集制作時間長的問題，可以快速制作大量的訓(xùn)練數(shù)據(jù)，適用于實(shí)驗(yàn)研究；第二種方法需要人工標(biāo)注實(shí)際地震數(shù)據(jù)中的斷層位置、制作斷層標(biāo)簽數(shù)據(jù)，或者利用其他傳統(tǒng)方法進(jìn)行斷層標(biāo)注，再從中挑選出較好的斷層檢測結(jié)果作為斷層標(biāo)簽數(shù)據(jù)。人工合成地震數(shù)據(jù)及其相應(yīng)斷層標(biāo)簽數(shù)據(jù)的過程如圖2所示。

圖2 人工合成數(shù)據(jù)的生成(a)水平反射系數(shù)序列； (b)進(jìn)行彎曲變形； (c)將數(shù)據(jù)與雷克子波進(jìn)行褶積 并添加斷層； (d)添加噪聲； (e)提取的含斷層地震數(shù)據(jù)； (f)提取的斷層標(biāo)簽數(shù)據(jù)

首先，創(chuàng)建一個大小為200×200的水平反射系數(shù)序列(圖2a)，其地質(zhì)意義為水平沉積地層；其次，在這個水平反射層上應(yīng)用彎曲變形(圖2b)，這個過程相當(dāng)于水平沉積地層經(jīng)過地質(zhì)作用后產(chǎn)生褶皺；再其次，使用雷克子波與模型進(jìn)行褶積，在模型中添加斷層的同時生成相應(yīng)的斷層標(biāo)簽(圖2c)，在這一步驟中，還可以使用目標(biāo)區(qū)提取的子波與模型數(shù)據(jù)的反射系數(shù)褶積以進(jìn)一步減小人工合成數(shù)據(jù)與實(shí)際地震數(shù)據(jù)之間的差異；然后，添加一定強(qiáng)度的噪聲使合成地震數(shù)據(jù)更具真實(shí)性(圖2d)；最后，分別從合成地震數(shù)據(jù)和標(biāo)簽數(shù)據(jù)中心提取大小為128×128的數(shù)據(jù)，便可得到含有斷層的人工合成地震數(shù)據(jù)(圖2e)及其相應(yīng)的斷層標(biāo)簽數(shù)據(jù)(圖2f)。基于此，可以人工合成足量的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。

2.2 網(wǎng)絡(luò)訓(xùn)練

本文基于Keras框架搭建網(wǎng)絡(luò)模型，模型中除了最后一層的激活函數(shù)選用Sigmoid外，其他各層均使用ReLU(Rectified Linear Units)激活函數(shù)，兩者的表達(dá)式分別為

(1)

(2)

ReLU是目前使用最為廣泛的一種激活函數(shù)，其優(yōu)點(diǎn)是沒有復(fù)雜的指數(shù)運(yùn)算，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中能以較快的速度收斂，并且在一定程度上避免梯度爆炸和梯度消失問題。最后一層的激活函數(shù)選用Sigmoid函數(shù)，是因?yàn)楸疚牡臄鄬訖z測任務(wù)本質(zhì)上是一個二分類任務(wù)(斷層/非斷層)，Sigmoid函數(shù)是二分類神經(jīng)網(wǎng)絡(luò)的輸出層常用激活函數(shù)。

本文使用了5500個大小為128×128的合成地震數(shù)據(jù)及其對應(yīng)的斷層標(biāo)簽訓(xùn)練并測試網(wǎng)絡(luò)模型，將其中4455個數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)、495個數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)、550個數(shù)據(jù)作為測試數(shù)據(jù)。訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集與測試集不相交。

在正式訓(xùn)練網(wǎng)絡(luò)之前，首先為網(wǎng)絡(luò)模型選用不同優(yōu)化算法(RMSprop、Adam、Adagrad和SGD等函數(shù))進(jìn)行了30輪(Epoch)的預(yù)訓(xùn)練測試，以便選擇最合適的優(yōu)化函數(shù)，測試準(zhǔn)確度(Accuracy)曲線如圖3所示。由圖可見，使用Adagrad和SGD優(yōu)化函數(shù)時，網(wǎng)絡(luò)訓(xùn)練的收斂速度相對較慢，準(zhǔn)確度最終分別收斂至0.94和0.95左右；使用RMSprop和Adam優(yōu)化函數(shù)時收斂相對較快，準(zhǔn)確度能達(dá)到0.97左右，其中Adam優(yōu)化函數(shù)效果最優(yōu)。對Adam優(yōu)化函數(shù)的不同學(xué)習(xí)率(Learning Rate)進(jìn)行測試，結(jié)果如圖4所示。由圖可見，當(dāng)學(xué)習(xí)率為0.0001時網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確度不僅前期上升較快，且后期能達(dá)到最高值。

圖4 Adam優(yōu)化函數(shù)的不同學(xué)習(xí)率測試結(jié)果

在正式訓(xùn)練過程中，使用Adam優(yōu)化函數(shù)對網(wǎng)絡(luò)模型在反向傳播過程中的權(quán)重進(jìn)行優(yōu)化，學(xué)習(xí)率設(shè)為0.0001；使用二進(jìn)制交叉熵(Binary Cross-Entropy)損失函數(shù)衡量網(wǎng)絡(luò)的斷層預(yù)測結(jié)果與真實(shí)斷層標(biāo)簽數(shù)據(jù)之間的差異。網(wǎng)絡(luò)訓(xùn)練50輪，將訓(xùn)練得到的準(zhǔn)確度曲線(圖5)和損失(Loss)曲線(圖6)分別與普通U-Net網(wǎng)絡(luò)的準(zhǔn)確度曲線和損失曲線對比。

由圖5和圖6可以看出，多分辨率U-Net網(wǎng)絡(luò)模型(本文模型)在訓(xùn)練過程中收斂較好，訓(xùn)練準(zhǔn)確度曲線(圖5中的紅色實(shí)線)和驗(yàn)證準(zhǔn)確度曲線(圖5中的綠色實(shí)線)整體趨勢為：在前7輪訓(xùn)練中快速上升，然后趨于穩(wěn)定，可分別達(dá)到98%和97%左右。訓(xùn)練損失曲線(圖6中的紅色實(shí)線)在前10輪訓(xùn)練中快速下降，訓(xùn)練20輪后便降到0.1以下并在訓(xùn)練50輪后收斂到0.077，驗(yàn)證損失曲線(圖6中的綠色實(shí)線)也以較快的速度收斂趨至0.13左右。因此，可初步判斷網(wǎng)絡(luò)模型在訓(xùn)練過程中得到了有效訓(xùn)練，未出現(xiàn)不良訓(xùn)練現(xiàn)象。普通U-Net網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)確度雖然達(dá)到了98%以上，可是它的驗(yàn)證準(zhǔn)確度卻只能趨近于96%左右；其訓(xùn)練損失雖然降到了5%以下，但是驗(yàn)證損失曲線在訓(xùn)練15輪后卻開始逐漸上升，這是典型的過擬合現(xiàn)象。如果在實(shí)際網(wǎng)絡(luò)模型訓(xùn)練過程中遇到這一問題，必須提前結(jié)束訓(xùn)練或者增加訓(xùn)練樣本數(shù)量。

圖5 網(wǎng)絡(luò)準(zhǔn)確度曲線

圖6 網(wǎng)絡(luò)損失曲線

2.3 中間層可視化分析

為了直觀形象地展示數(shù)據(jù)在網(wǎng)絡(luò)模型中的變化，分析網(wǎng)絡(luò)模型各個模塊的中間運(yùn)行狀態(tài)，對測試數(shù)據(jù)(圖7)在模塊1、3、5、7、9中的部分特征圖(圖8)以及最終斷層預(yù)測結(jié)果(圖9)進(jìn)行了可視化輸出。

其中，模塊1、3、5是下采樣特征提取模塊，模塊7、9為上采樣特征恢復(fù)模塊。從圖8a～圖8c中可以直觀地看出，模塊1、3、5有效地提取出了測試數(shù)據(jù)中的斷層特征，隨著網(wǎng)絡(luò)的加深，提取到的斷層特征越來越抽象。模塊7(圖8d)和模塊9(圖8e)逐步將斷層特征信息恢復(fù)出來，最終輸出斷層預(yù)測結(jié)果(圖9a)。對比圖9a與圖9b可知，網(wǎng)絡(luò)模型具備了從地震數(shù)據(jù)中提取斷層信息的能力。

圖7 輸入的測試數(shù)據(jù)

圖8 網(wǎng)絡(luò)中間層的部分特征圖(a)模塊1； (b)模塊3； (c)模塊5； (d)模塊7； (e)模塊9

圖10展示了普通U-Net網(wǎng)絡(luò)中的跳躍連接(第1層與第9層、第2層與第8層)特征融合恢復(fù)結(jié)果和本文使用的殘差路徑跳躍連接(模塊7與模塊9、模塊2與模塊8)特征融合恢復(fù)結(jié)果。由圖可見，相比于普通跳躍連接，殘差路徑跳躍連接(多分辨率U-Net網(wǎng)絡(luò))特征融合的恢復(fù)結(jié)果具有更加完整的斷層特征信息。因此，殘差路徑中的非線性操作有望縮小下采樣部分與上采樣部分得到的特征圖之間的語義差別，改善預(yù)測效果。

圖9 測試數(shù)據(jù)的斷層預(yù)測結(jié)果(a)與真實(shí)斷層標(biāo)簽(b)對比

圖10 普通跳躍連接(U-Net)與殘差路徑跳躍連接(多分辨率U-Net網(wǎng)絡(luò))特征融合恢復(fù)結(jié)果對比 (a)U-Net第2與第8層特征融合； (b)多分辨率模塊2 與模塊8特征融合； (c)U-Net第1與第9層特征融合； (d)多分辨率模塊1與模塊9特征融合

3 數(shù)據(jù)測試

3.1 人工合成地震數(shù)據(jù)測試

為了檢驗(yàn)網(wǎng)絡(luò)模型的訓(xùn)練效果，使用與訓(xùn)練數(shù)據(jù)尺寸相同的550個人工合成地震數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行測試，并與普通U-Net網(wǎng)絡(luò)的測試結(jié)果進(jìn)行對比。測試結(jié)果如圖11所示。對比圖11中的紅色箭頭處可知，本文的網(wǎng)絡(luò)模型訓(xùn)練完備后，比普通U-Net網(wǎng)絡(luò)的斷層檢測結(jié)果更加完整。

為了進(jìn)一步檢驗(yàn)和量化評估網(wǎng)絡(luò)模型的斷層檢測能力，引入了Jacard指數(shù)和Dice系數(shù)兩個經(jīng)典的相似度評價指標(biāo)量化評估斷層預(yù)測結(jié)果，即

(3)

(4)

式中：J(A，B)和D(A，B)分別為計算得到的Jacard指數(shù)和Dice 系數(shù)；|A|為測試數(shù)據(jù)的真實(shí)斷層數(shù)據(jù)集合；|B|為預(yù)測結(jié)果中的斷層數(shù)據(jù)集合；|A∩B|代表預(yù)測結(jié)果中預(yù)測正確的斷層數(shù)據(jù)集合；|A∪B|是真實(shí)斷層數(shù)據(jù)與預(yù)測斷層數(shù)據(jù)的并集。

此外，本文還提出了一種斷層預(yù)測錯誤率量化指標(biāo)作為輔助評價指標(biāo)，稱為EFP(Error of Fault Prediction)，定義為

(5)

上述三個評價指標(biāo)如圖12所示。

對550個樣本數(shù)據(jù)進(jìn)行測試后，根據(jù)每個樣本數(shù)據(jù)及其測試結(jié)果可分別計算得出三個評價指標(biāo)數(shù)值。分別求出所有測試數(shù)據(jù)的三個指標(biāo)數(shù)值的平均值制成如圖13所示的統(tǒng)計直方圖。由圖可見，普通U-Net網(wǎng)絡(luò)和本文方法測試結(jié)果的Jacard指數(shù)平均值分別為0.588和0.615；Dice系數(shù)的平均值分別為0.730和0.751。這表明本文方法檢測出的斷層與真實(shí)斷層位置相似度更高，具有更高的準(zhǔn)確度。另外，本文方法預(yù)測結(jié)果的EFP系數(shù)平均值為0.137，相比于普通U-Net網(wǎng)絡(luò)降低了0.094，說明本文方法的預(yù)測結(jié)果中的錯誤斷層點(diǎn)更少。

圖11 合成地震數(shù)據(jù)測試結(jié)果對比 從上到下分別是兩個測試數(shù)據(jù)，從左到右依次為地震數(shù)據(jù)、真實(shí)斷層位置、普通U-Net預(yù)測結(jié)果和本文方法預(yù)測結(jié)果

圖12 評價指標(biāo)示意圖(a) Jacard指數(shù)； (b) Dice系數(shù)； (c) EFP系數(shù)。|A|為真實(shí)斷層 數(shù)據(jù)集合，|B|為預(yù)測斷層數(shù)據(jù)集合，兩者重疊位置為預(yù)測正確的 斷層數(shù)據(jù)集合，|B|中紅色部分為預(yù)測錯誤的斷層數(shù)據(jù)集合

圖13 測試結(jié)果的Jacard指數(shù)、Dice系數(shù)和EFP系數(shù)對比圖

3.2 二維實(shí)際數(shù)據(jù)測試

為了檢驗(yàn)網(wǎng)絡(luò)模型在實(shí)際數(shù)據(jù)中斷層的檢測效果，選取了一個大小為570×170的二維實(shí)際地震數(shù)據(jù)對訓(xùn)練完備網(wǎng)絡(luò)模型進(jìn)行測試。在預(yù)測任意大小(如m×n)的實(shí)際地震數(shù)據(jù)時，數(shù)據(jù)大小與網(wǎng)絡(luò)模型的輸入不一致，可以使用一個128×128的滑動窗口對地震數(shù)據(jù)進(jìn)行滑動預(yù)測。具體操作為：首先在實(shí)際數(shù)據(jù)的四周進(jìn)行填充操作(填充大小為128)，得到(m+256)×(n+256)的數(shù)據(jù)；然后使用一個大小為128×128的滑動窗口以一定步幅預(yù)測數(shù)據(jù)的不同部分；最后將每個數(shù)據(jù)點(diǎn)的預(yù)測值的總和除以該數(shù)據(jù)點(diǎn)處重疊窗口的數(shù)目，得到最終輸出數(shù)據(jù)結(jié)果。該方法的優(yōu)點(diǎn)是：當(dāng)滑動窗口在填充后的數(shù)據(jù)上滑動時，數(shù)據(jù)中的每個數(shù)據(jù)點(diǎn)都被滑動窗口框定，并且被預(yù)測的次數(shù)相同。

二維實(shí)際地震數(shù)據(jù)斷層預(yù)測結(jié)果如圖14所示，可以看出，實(shí)際數(shù)據(jù)剖面中的主要斷層均被準(zhǔn)確預(yù)測出來，斷層顯示清晰。

圖14 二維實(shí)際地震數(shù)據(jù)斷層檢測結(jié)果 紅線表示預(yù)測斷層

3.3 三維實(shí)際數(shù)據(jù)測試

為了測試本文方法的應(yīng)用前景，將二維的多分辨率U-Net網(wǎng)絡(luò)模型擴(kuò)展為三維，使用1600個網(wǎng)格大小為64×64×64的三維人工合成地震數(shù)據(jù)對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。如果在計算機(jī)硬件允許的條件下，可以使用網(wǎng)格更大的訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型，這樣可以在增加網(wǎng)絡(luò)模型的感受野的同時，減少預(yù)測實(shí)際數(shù)據(jù)滑動窗口的滑動次數(shù)，從而進(jìn)一步改善斷層檢測結(jié)果。

三維網(wǎng)絡(luò)模型訓(xùn)練完備后，通過遷移學(xué)習(xí)方法，繼續(xù)利用實(shí)際地震數(shù)據(jù)及其斷層標(biāo)簽數(shù)據(jù)對網(wǎng)絡(luò)模型進(jìn)行再訓(xùn)練，可以進(jìn)一步提高對目標(biāo)區(qū)實(shí)際地震數(shù)據(jù)中的斷層檢測準(zhǔn)確度。

本文用于遷移學(xué)習(xí)的三維實(shí)際地震數(shù)據(jù)訓(xùn)練樣本制作方法及主要過程如下：首先利用現(xiàn)有的斷層檢測方法對實(shí)際數(shù)據(jù)中的斷層進(jìn)行檢測；然后從中人為挑選出較好的斷層檢測結(jié)果作為三維實(shí)際地震數(shù)據(jù)的斷層標(biāo)簽數(shù)據(jù)。

網(wǎng)絡(luò)模型經(jīng)過遷移學(xué)習(xí)再訓(xùn)練之后，選取某一工區(qū)(工區(qū)1)內(nèi)的大小為130×260×128的三維實(shí)際地震數(shù)據(jù)(圖15a)進(jìn)行斷層檢測。由圖可見，相比于相干體屬性(圖15b)，本文方法(圖15c)能夠較清晰地預(yù)測三維地震數(shù)據(jù)中的主要斷層。對比圖15c 與圖15d可以看出，網(wǎng)絡(luò)經(jīng)過遷移學(xué)習(xí)之后，預(yù)測的斷層更加清晰、連續(xù)性更好。

與遷移學(xué)習(xí)結(jié)合的優(yōu)點(diǎn)是：可以在一定程度上縮小因訓(xùn)練數(shù)據(jù)與實(shí)際測試數(shù)據(jù)的差異而引起的不利影響，在實(shí)際應(yīng)用時能夠節(jié)省訓(xùn)練時間，使訓(xùn)練完備的網(wǎng)絡(luò)模型不需要重復(fù)性訓(xùn)練，僅使用少量目標(biāo)區(qū)的人工拾取的斷層標(biāo)簽數(shù)據(jù)對其進(jìn)行參數(shù)調(diào)優(yōu)就能得到更好的斷層檢測性能。這非常適合應(yīng)用于實(shí)際生產(chǎn)工作，可以節(jié)省人力和時間。

為了進(jìn)一步檢驗(yàn)三維網(wǎng)絡(luò)模型對實(shí)際地震數(shù)據(jù)中小尺度斷層的檢測能力，選取了另一工區(qū)(工區(qū)2)內(nèi)大小為225×795×150的三維實(shí)際地震數(shù)據(jù)(圖16a)，該數(shù)據(jù)體內(nèi)含有豐富的小尺度斷層。對比相干體屬性斷層檢測結(jié)果(圖16b)，本文方法能夠更加清晰、準(zhǔn)確地預(yù)測出多數(shù)小尺度斷層(圖16c)。

圖15 工區(qū)1三維實(shí)際數(shù)據(jù)斷層檢測結(jié)果對比(a)實(shí)際數(shù)據(jù)； (b)相干體屬性斷層檢測結(jié)果； (c)三維多分辨率U-Net網(wǎng)絡(luò)斷層檢測結(jié)果； (d)遷移學(xué)習(xí)前斷層檢測結(jié)果

圖16 工區(qū)2三維實(shí)際數(shù)據(jù)斷層檢測結(jié)果對比 (a)實(shí)際數(shù)據(jù)； (b)相干體屬性斷層檢測結(jié)果； (c)三維多分辨率U-Net網(wǎng)絡(luò)斷層檢測結(jié)果

4 結(jié)論

本文提出了一種基于深度學(xué)習(xí)的多分辨率U-Net網(wǎng)絡(luò)地震數(shù)據(jù)斷層檢測方法，即引入多分辨率模塊增強(qiáng)網(wǎng)絡(luò)模型的多尺度斷層檢測能力，使用殘差路徑代替普通跳躍連接縮小用于拼接的特征圖之間的語義差別。通過網(wǎng)絡(luò)中間層可視化分析直觀地展示了網(wǎng)絡(luò)模型對地震數(shù)據(jù)的特征提取、表達(dá)過程。主要結(jié)論如下。

(1)合成地震數(shù)據(jù)測試集的測試結(jié)果和量化評估指標(biāo)表明，本文提出的多分辨率U-Net網(wǎng)絡(luò)比普通U-Net網(wǎng)絡(luò)預(yù)測斷層具有更高的準(zhǔn)確度和更少的錯誤點(diǎn)，能夠準(zhǔn)確地預(yù)測二維實(shí)際地震剖面中主要的斷層，并且斷層清晰、連續(xù)性較好。

(2)通過三維實(shí)際地震數(shù)據(jù)測試結(jié)果可知，三維多分辨率U-Net網(wǎng)絡(luò)與遷移學(xué)習(xí)結(jié)合之后具有較強(qiáng)的實(shí)用性，本文方法比相干體屬性檢測的斷層更加清晰、連續(xù)性更好。本文方法有望應(yīng)用于實(shí)際生產(chǎn)工作中，實(shí)現(xiàn)高效、自動化斷層檢測，節(jié)省地震資料解釋工作所需的人力和時間。