利用雙路卷積神經網絡的速度自動拾取方法

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

關鍵詞： 雙路卷積神經網絡，主神經網絡，輔神經網絡，CMP 道集，優化拾取

中圖分類號：P631 文獻標識碼：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的發展，地震數據的規模和復雜性顯著增加，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展基于機器學習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，獲得更準確的拾取結果。

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化算法；另一類是基于機器學習的算法。機器學習方法又可以分為有監督學習和無監督學習兩種方式。無監督學習拾取速度譜是通過識別出能量團潛在的特征對無標記的數據進行聚類分析，算法簡單、易于實現。Galvis 等[2]和Araya-Polo 等[3]使用K 均值聚類算法處理地震數據，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 值需要手動設置；Smith[4]將無監督機器學習聚類算法與地震屬性相結合，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K 值不同的問題；Waheed 等[6]提出了基于密度噪聲應用的空間聚類（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，通過恰當擬合低聚焦能力的能量團，得到最優拾取速度，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用到CV 模型得到速度候選區域，再采用均值聚類對有效能量團進行聚類；Xie 等[10]提出了一種無監督加權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，忽略了地下空間結構的復雜性和專家經驗，從而導致拾取結果精度較低。

近年來，有監督學習方法得到了快速發展，它可以依靠已經標記的訓練樣本，將輸入數據與輸出數據建立映射關系。Ma 等[11]采用了卷積神經網絡（CNN）實現了疊前CMP 道集的自動拾取；Biswas等[12]提出了利用遞歸神經網絡（RNN）直接從地震數據中計算疊加速度；Zhang 等[13-14]將長短期記憶模型（LSTM） 分別與CNN 和YOLO（You Only LookOnec）相結合，解決了梯度消失和梯度爆炸的問題；Wang 等[15]使用U-Net 結構設計了速度譜拾取網絡，并比較了分類網絡和回歸網絡，證明了回歸網絡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]設計了一種基于目標檢測拾取速度的方法，并應用Fcos 神經網絡模型實現了速度譜自動拾取；此外，Wang 等[19]提出一種多信息融合網絡，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換為語義分割問題；Xue等[20]提出一種約束最優曲面拾取方法，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]設計了一種域自適應速度譜拾取模型DAYOLOv7，并優化了網絡結構，證明該網絡模型的拾取精度優于現有模型；伍國富等[22]提出在高維速度譜數據體中，以Bayes 風險決策函數值最小為原則，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。無論是有監督還是無監督學習方法，雖然研究人員已經在網絡結構和算法優化方面做了大量的創新工作，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 數據和速度譜在地震速度的表達方面相互補充[24]。CMP 數據在整個時間和偏移范圍內強調了振幅—速度的關系，以揭示局部詳細信息。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雜射線傳播關系及增加抵抗噪聲的能力。本文針對CMP 數據、速度譜和地震速度之間的關系，提出了一種利用雙路卷積神經網絡結構的速度譜自動拾取方法，首先采用卷積神經網絡結合注意力機制作為主網絡，從速度譜數據中提取能量團的特征并實現速度的自動拾取，并在輸出時間—速度序列之前，通過特征融合和轉換將速度與輔助神經網絡輸入的未校正CMP道集的隱藏表征進行信息融合，重構成校正后的CMP 道集，從而利用動校正來優化速度拾取的精度。該方法將地震數據的獨特特點與深度學習理論相結合，通過精心設計的訓練樣本來訓練卷積神經網絡，實現了速度自動拾取過程。實驗結果表明，該方法在速度自動拾取領域勝過現有技術，展現了其在推進速度譜拾取自動化和智能化方面的潛力。