基于三維地震成像的裂縫識別卷積神經網絡模型*

任向進 段友祥 孫歧峰

（中國石油大學（華東）計算機科學與技術學院 青島 266580）

1 引言

裂縫既為油氣儲集提供空間，也提高了儲層的滲透性，并且還決定著油氣藏的產量和勘探開發效果［1］，所以對儲層裂縫進行準確識別、描述和定量預測變得尤為重要。

早期較為傳統的裂縫識別是通過地表露頭以及巖芯取樣，直觀觀測裂縫的產狀參數，其結果在很大程度上取決于人的經驗，而且難以廣泛應用于裂縫空間分布特征的研究。

后來陸續研究和提出了縱波各向異性、疊前遠近偏移距屬性差、疊后融合屬性、相對波阻抗反演、遞推反演等常規地震裂縫識別方法。例如通過計算測量地震反射連續性的屬性來識別裂縫的方法，如曲率屬性［2］，相干性［3］或反射不連續，如方差［4］和梯度大小［5］。隨著組合優化算法的發展，蟻群算法也被應用于裂縫、斷層自動識別及分析［6］，如2002年Randen［7］等提出了利用“人工螞蟻”算法以完成對地震斷層的自動提?。粐勒埽?］等提出的一種用于裂縫自動追蹤和識別的方向約束蟻群算法。后來許多半自動和自動裂縫檢測算法應用于地質裂縫檢測識別，楊緒海等［9］提出的算法模型可以有效提取背景噪聲，自動識別巖石裂縫特征；薛國新等［10］提出一種基于多數投票規則的計算機裂縫自動識別方法；陸敬安等［11］提出用霍夫變換實現測井中裂縫的自動識別等。但是這些方法存在計算量大、抗噪性差、裂縫空間展布特征難體現等不足。

隨著機器學習尤其是深度學習的發展，卷積神經網絡在圖像識別領域取得了巨大進展和成功，其強大的特征挖掘和建立數據關系的能力使更多的研究者著力于將機器學習新方法應用到地質分析和解釋等研究領域。Tingdahi［12］等在2005年將神經網絡引入到裂縫識別中，選擇多種地震屬性輸入神經網絡進行訓練實現裂縫的識別；Zazoun［13］利用不同結構的神經網絡對常規測井中攜帶的裂縫信息進行識別，并利用巖心進行標定，訓練后的神經網絡在鄰近地區也取得了較好的實驗效果；Wu［14］等在2018年提出利用人工合成地震數據進行CNN模型訓練，并用于實際地震數據以完成裂縫自動預測；Xiong［15］等在2018年設計了CNN模型，該模型將以某一點為中心的局部圖像塊作為輸入，并輸出該點為裂縫的概率。以上方法在訓練的同一工區中實驗效果較好，但是在其他工區的識別精度存在不足，且對數據集的要求較高。

為增強模型的泛化能力和魯棒性，本文將裂縫識別問題視作特殊的圖像分類問題，并基于VGG16模型設計構造了一種新的卷積神經網絡模型，基于三維地震成像數據實現儲層裂縫識別。

2 相關研究

2.1 相干體技術

相干體屬性分析是通過增強相鄰地震道數據的不連續性來對地質現象進行真實的刻畫，從而可以從地震圖像中定量地識別裂縫。相干數據體技術是利用相鄰地震信號的相似性來描述地層和巖性的橫向不均勻性［16］，當地下存在裂縫時，相鄰道之間的反射波在傳播時會在振幅、頻率和相位等方面產生不同程度的變化，表現為完全不相干，相干值??；而對于橫向均勻的地層，理論上相鄰道的反射波不發生任何變化，表現為完全相干，相干值大。

到目前為止，相干體技術包括了基于三道相關的第一代相干體算法（C1）［17］、基于多道相關的第二代相干體算法（C2）［18］、基于本征值結構的第三代相干體算法（C3）［19］以及在原有三代相干體基礎上發展起來的各種相應的改進算法［20］。與前兩代相干體算法相比，第三代相干體算法橫向分辨率更高、穩定性及抗干擾能力能強。相干體算法利用地震數據在信噪比低的情況下進行計算，計算快速簡單。

2.2 螞蟻追蹤技術

蟻群算法最早由Dorigo在1992年提出，是一種模擬螞蟻在食物與巢穴之間利用生物素移動的這種自然界現象的生物啟發式群體智能優化算法［21］?；谙伻核惴ㄌ岢隽擞糜趶碗s地震解釋的螞蟻追蹤技術，利用該技術可以進行裂縫識別等儲層分析和描述。螞蟻追蹤技術用于識別裂縫的基本思想是：將大量的電子“螞蟻”散播在地震數據體中，當滿足預設斷裂條件時“螞蟻”會在該斷裂處聚集并留下“信息素”，同時呼喚附近的同伴向該處聚集；而在不滿足預設斷裂條件的地方，螞蟻不會聚集，最后通過信息素濃度的不同追蹤整個數據體，從而對裂縫完成自動識別。

自螞蟻追蹤技術提出后被廣泛用于地震資料解釋，并不斷優化和改進。李香臣［22］應用螞蟻算法加強構造特征顯示；劉財等利用加權一致性對螞蟻算法進行改進，提高了螞蟻算法的抗噪性、穩定性與計算效率［23］；隆雨辰等［24］采用螞蟻體與曲率融合屬性進行裂縫綜合刻畫；張瑞等［25］將分頻技術應用于螞蟻追蹤，提高了識別細小裂縫的能力。螞蟻追蹤技術克服了解釋的主觀性，有效提高了解釋的準確性，大幅縮短了人工解釋時間。

2.3 人工神經網絡

人工神經網絡特有的非線性適應性信息處理能力，在很多領域得到了很好的應用，其中就包括油藏地質分析地巖性、層序、裂縫等。深度學習技術的發展，極大提升了人工神經網絡的學習能力，應用深度大大提升。

根據人工神經網絡的基本原理，利用人工神經網絡進行裂縫識別的一般流程如圖1所示。

圖1 神經網絡用于裂縫識別流程

深度神經網絡模型又稱為深度學習模型，它是在神經網絡的層次（深度）和參數規模上拓展而產生的，即它也一個是由多層次的分析和計算組合而成的、能力更強的非線性映射模型。應用深度學習模型的關鍵是數據集的獲取及模型的搭建和訓練，模型搭建和訓練的要素包括激活函數，損失函數，優化算法，調參等。

2.3.1 激活函數

激活函數是在神經網絡的神經元上運行的重要函數，是神經網絡模型的重要函數，它有兩大作用：

1）實現信息過濾，即激活有用的信息，抑制無關的數據點。

2）引入非線性因素，提高網絡模型的表達能力。

2.3.2 損失函數

損失函數是機器學習模型重要的參數評估要素，用來評價數據集的標簽值和預測值不一致的程度，損失函數越小表明模型的魯棒性越好。損失函數分為分類問題損失函數和回歸問題損失函數，本文只涉及分類問題，分類問題常用的損失函數有［26］：對數損失函數、指數損失函數、交叉熵損失函數、Hinge損失函數等。

2.3.3 優化算法

優化算法是為了求出問題的最優解或盡可能地逼近最優解而采用的策略。機器學習通過優化算法對損失函數優化，不斷提高模型準確性，最終訓練得到優化好的模型。選擇合適的優化算法可以保證訓練的穩定及模型的準確。常用的優化算法如下所示。

1）梯度下降（SGD、Momentum、Nestrov Momentum），它是沿著梯度的反方向更新參數優化目標函數。優點是算法簡單，在函數為凸函數時可以找到全局最優解，是最常用的優化算法，但容易陷入局部最優。

2）牛頓法和擬牛頓法，它是通過不斷迭代迭代點處的二階導數對目標函數進行求解。優點是收斂速度快，常用于求解無約束最優化問題，但是計算比較復雜。

3）自適應方法，如Adam它是通過計算梯度的一階矩估計和二階矩估計而為不同的參數設計獨立的自適應性學習率［27］。優點是計算高效且調參相對簡單。

3 本文模型

本文將裂縫識別問題視作特殊的圖像二值分類問題，基于VGG16模型建立裂縫識別模型，網絡模型結構如圖2，模型的結構參數見表1。

表1 本文網絡模型結構參數表

圖2 本文網絡模型結構

與經典的CIFAR-10分類問題［28］相比，本文模型識別的裂縫圖像與背景及幾何特征密切相關，加上裂縫信息和噪聲干擾，因此本文網絡模型刪除了VGG16模型的最后兩層卷積層和池化層，減少了卷積層和全連接層層數，避免了degrade問題；對三層卷積部分的最后一層進行反池化以獲得三層輸出；添加了一個softmax分類層獲得是裂縫的概率，并給出預測輸出［29］。每個Conv層都由3×3的卷積核組成，卷積核的個數依次為32、64、128，卷積核個數的逐步增大有利于在圖像集中度逐步降低的情況下捕捉到更大面積的特征。

激活函數是影響模型性能的重要因素之一。經過實驗，模型在Conv層采用ReLU函數作為激活函數，使用二維filter對輸入圖像進行卷積，添加偏置參數，然后進行整流線性激活（ReLU）；在每個池化層采用softmax函數為激活函數，將圖像中每個像素的值在0和1之間歸一化，表示該點為裂縫的概率。

損失函數是影響模型性能的又一個重要因素，對于普通圖像二值分類學習模型，在正負樣本分布基本均衡的情況下，式（1）是一種效果很好的損失函數。但在本文問題中，樣本數據中90%以上的樣本是非裂縫樣本（二進制標簽設為0），裂縫樣本（標簽設為1）非常有限。如果使用此損失函數訓練神經網絡，則網絡很容易收斂到錯誤的方向并導致識別結果錯誤，因此該損失函數不適用于地震裂縫分類模型。針對以上問題本文提出用平衡交叉熵損失函數［30］代替一般的二值損失函數，以減小數據集比例不平衡對模型訓練的影響。損失函數定義見式（2）。

深度神經網絡的訓練是對損失函數優化的過程，也就是不斷提高模型準確性的過程，選擇合適的優化算法可以保證訓練的穩定及訓練模型的準確。通過實驗本文最終選擇Adam優化算法優化模型，同時模型還引用Dropout方法有效緩解過擬合的發生，大大增強了網絡的泛化能力。

本文模型具有多尺度和多層次的特點，可以從多尺度卷積層中提取局部細節，并且可以通過上采樣來控制全局特征，使裂縫檢測更加準確。

4 數據集建立及模型訓練

4.1 數據集的建立

考慮到裂縫識別問題的特點，保證訓練得到的模型有很強的泛化能力，本文的數據集由合成地震數據和真實工區地震數據混合組成。數據集的建立方法是先獲得地震切片圖像，然后再生成樣本數據集。

1）獲得切片圖像。合成地震切片圖像采用的是Wu和Hale［31］于2016年給出的方法，主要步驟如圖3所示，具體過程本文不做詳述。本文合成了7幅地震切片圖像，每張像素尺寸為128×128，如圖4是其中一幅。真實工區地震數據來自北海荷蘭海上F3區塊，選擇沿著F3工區inline方向切片，共取80幅完整的地震切片圖像，切片參數為951[xline]×462[time]，垂直時間采樣間隔為0.004s，得到的切片圖像像素尺寸為951×1848，圖5為其中一幅。為了增強網絡的泛化能力，本文對切片圖像進行了數據增強。

圖3 合成地震圖像主要步驟

圖4 合成地震切片圖像

圖5 真實地震切片圖像

2）生成樣本數據集。在每幅切片圖像上以待判斷點O為中心，取其附近21×21像素的圖像數據塊，人工根據是否為裂縫標記為1或0，其中1代表圖像塊中心位置為裂縫，0為非裂縫。在數據增強后的87幅切片圖像中人工任意選取4000個裂縫標簽樣本和8000個非裂縫標簽樣本，共計12000個標簽樣本數據，其中90%用于模型訓練，10%用作驗證。部分樣本標簽數據如圖6所示。

圖6 部分樣本標簽數據

4.2 模型訓練

使用前面得到的訓練數據集（共12000×90%=10800個）進行模型訓練?？紤]到合成數據和真實數據的振幅值會有很大差異，需要對所有訓練集中的地震數據進行標準化輸入以提高訓練的準確性。方法是對訓練數據集按式（3）進行歸一化的處理，即將原始數據減去其均值μ后，再除以其方差σ。

本文通過初始化所有層的權重開始訓練網絡，訓練樣本在每個時期被送入網絡之前隨機洗牌，這是獲得良好網絡性能的關鍵步驟。由于GPU顯存限制的原因，需要采用分批的方式將數據集輸入到模型中，批大?。╞atch_size）設置為64，epochs設置為200，學習率初始值為0.0001，并伴隨訓練的過程進行微調。dropout_ratio設置為0.5，設置輸出應用的閾值為0.7，即高于閾值時認為是裂縫，而低于閾值時則認為是非裂縫。

5 實驗及分析

本文實驗在CPU為Intel Xeon Gold 6126@2.60GHz，GPU為NVIDIA Tesla P100，顯存為16GB的主機上進行。實驗平臺搭載CentOS 7.0操作系統，深度學習框架TensorFlow 1.12，CUDA 10.0。

1）合成地震數據裂縫識別。合成地震數據中的裂縫是人為添加的，可以比對模型識別輸出結果是否正確，從而驗證本文模型的正確性。圖7（a）是輸入的一幅合成地震切片圖像，圖7（b）為裂縫識別結果，可以看出輸出識別與合成前添加的裂縫完全一致。

圖7 合成地震裂縫識別結果

2）實際工區數據裂縫識別。為了進一步驗證本文模型的有效性，在公開的F3工區上選取一幅切片圖像，如圖8（151道inline，道采樣點為88，采樣間隔為0.004s）。將本文模型與相干體、螞蟻追蹤、VGG16模型進行了裂縫識別實驗對比，圖9～圖12是裂縫識別對比結果。

圖8 真實地震數據

圖9 相干體識別結果

圖10 螞蟻追蹤識別結果

圖11 VGG16模型識別結果

圖12 本文模型識別結果

從對比中可以看出，相比較于相干體、螞蟻追蹤方法，在地震數據響應度低的情況下，本文模型可以減小噪聲等對識別精度的干擾，識別結果更清晰；相比較于經典的卷積神經網絡模型VGG16，本文模型裂縫特征學習更準確、識別精度更高，可以高效地檢測地震裂縫并且對裂縫進行清晰標識。

6 結語

本文基于VGG16網絡設計了一種卷積神經網絡模型，采用合成地震數據與真實地震數據混合的策略生成訓練樣本數據集，增強了模型的泛化能力；采用數據增強技術，選擇類平衡的二值交叉熵損失函數，減小了數據不平衡的問題，從而使模型能更深入的學習裂縫特征。在合成地震數據上驗證了模型的正確性，同時在真實F3工區地震數據上將本文模型和相干體、螞蟻追蹤、VGG16模型進行了有效性實驗對比，結果表明，本文模型基本消除了地震噪聲對識別裂縫造成的影響，避免了VGG16模型復雜參數調整的問題，地震裂縫識別的準確度、清晰度更高。本文研究為深度學習技術在油氣資源勘探等特定領域的應用進行了有益的探索。