應用RAtte?UNet 的三維斷層識別方法

摘要： 地震數據中的斷層結構可以揭示地下構造和巖層變化，為資源勘探和地質災害防治提供重要依據。然而實際采集的三維地震數據中包含大量噪聲且斷層體所占比例極小，利用螞蟻體識別方法得到的結果誤差較大，連續性和準確性不夠。為此，提出一種基于深度學習的三維殘差注意力RAtte?UNet 斷層識別方法，即融合殘差跳躍連接與注意力機制并進行模型訓練，采用混合損失函數減少斷層與非斷層的極度不平衡對網絡訓練的影響，使網絡對于小斷層具有更好的識別能力。通過對模擬數據和真實數據進行斷層識別，準確率、召回率和精確率等評價指標均有所提升。相比于螞蟻體等斷層識別方法，該方法的識別結果中斷層連續性更好，并能識別小斷層，模型泛化能力更強。該方法可推廣應用到實際地震勘探中。

關鍵詞： 斷層識別，殘差跳躍連接，注意力機制，混合損失函數，RAtte?UNet

中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000?7210. 20240160

0 引言

斷層的準確識別有助于預測油氣資源的分布，從而指導石油和天然氣的勘探與開發。早期常規的斷層識別方法多依賴于解釋人員的手工標注，通過先驗知識和經驗識別地震數據中的不連續性以確定斷層，導致周期過長且結果不一定準確。其后，由手工標注斷層階段發展至利用地震屬性識別[1]斷層階段，即利用方差體、相干體、曲率和螞蟻體等屬性識別斷層。雖然斷層識別準確率和效率有了很大的提升，但仍然存在識別斷層連續性差和一些小斷層難以識別的問題。

近年來，人工智能逐漸用于斷層識別領域。崔若飛[2]、董守華等[3]利用BP 神經網絡識別斷層；鄒冠貴等[4]采用支持向量機、陳雷等[5]采用聚類算法識別小斷層；黨騰雲等[6]結合匹配追蹤與核主成分分析提高地震資料分辨率以識別斷層。但此類機器學習方法由于網絡層數有限，學習到的斷層特征較少。

卷積神經網絡（CNN）的訓練數據分為二維切片集和三維數據體兩種。對于二維切片，Xiong 等[7]利用七個真實數據體切片作為CNN 模型的訓練集，最終模型的斷層檢測效果明顯優于地震相干體。Chang 等[8]以VGG16 為基礎建立了地震斷層檢測模型（SFDU ? Net），可從地震數據中檢測出斷層。常德寬等[9]結合ResNet 與U?Net 模型，有效利用殘差網絡的優勢，相比相干算法識別的斷層細節更豐富。Zhou 等[10]提出了迭代深度學習方法，通過多次迭代，模型的預測效果顯著提高。Li 等[11]在編碼器部分采用多尺度殘差模型，使用Fault?Seg?Attention模塊重新設計跳躍連接，利用復合損失函數訓練模型，在大規模實際數據集上驗證了模型的實用價值。

針對三維地震數據體，何濤等[12]提出了一種改進AlexNet 的分類CNN 模型，較為準確地識別出測試集和實際地震數據中的斷層。Wu 等[13]提出了FaultSeg3D 模型，準確地識別了F3、Kerry3D 等實際地震數據中的斷層。Wang 等[14]通過知識蒸餾方法用兩個教師CNN 模型訓練學生CNN 模型，使學生CNN 模型能更準確地識別出斷層并且分辨率更高。楊午陽等[15]將殘差模塊Res?50 與U?Net 結合形成ResU?Net，在斷層識別方面具有更好的泛化能力和抗噪能力。Wang 等[16]將U?Net 中的所有卷積層替換為殘差塊，并通過知識蒸餾訓練學生模型，結合教師模型與學生模型計算混合損失函數，最終獲得了更多的斷層信息，極大地提高了網絡性能。Gao 等[17]提出了一個嵌套殘差U?Net 的斷層識別方法，在斷層識別方面具有更高的分辨率。Yu 等[18]在U?Net 編碼階段的最后部分加入通道注意力SE 模塊，進一步提高了網絡識別斷層的準確率。Zhang等[19]將空間注意力機制加入V?Net 中并動態調整學習率，從而對于低序級斷層有更強的識別能力。

對于二維地震資料的斷層識別，模型只能學習到沿某一維的切片信息，缺乏全局的上、下文信息，無法捕捉到三維空間中斷層的結構特征，而三維空間的斷層識別可以克服該缺點。上述的識別方法在規模大的斷層識別方面效果較好，但對于小規模斷層或邊界斷層識別能力不足，存在漏識和錯識等問題。針對這些問題，本文提出了一個基于三維 U ?Net 的殘差注意力模型（Residual Attention U ?Net，RAtte?UNet）的斷層識別方法。首先，改進U?Net模型，結合殘差模塊與跳躍連接組成殘差跳躍連接，有助于高、低分辨率更好地結合；在解碼器最后一層引入注意力模塊，提高模型的穩定性和泛化能力，最終構成RAtte?UNet 模型。其次，合成三維地震數據作為訓練集，在訓練過程中改進損失函數，減少樣本極度不平衡帶來的影響。最后，將訓練好的模型應用于合成數據和真實數據中。斷層識別結果表明，相比于其他三維識別方法和傳統螞蟻體方法，本文方法識別出的斷層更加全面、連續，因此證明了本文方法的有效性。

1 RAtte?UNet 網絡斷層識別方法

在基于深度學習的斷層識別研究中，超過86%的文獻均使用U ? Net 及其變體網絡進行斷層識別[20]。傳統的U?Net 雖能夠較好地識別大斷層，但其在下采樣及簡單、直接的跳躍連接過程中易丟失重要的信息特征，導致邊界處或交叉處的斷層難以識別。同時，網絡層數過淺導致學習不到小斷層的特征，隨著網絡深度的加深又容易丟失空間信息，還易出現過擬合現象。因此，本文在3D U?Net 的基礎上進行改進，提出RAtte?UNet 模型，使用混合損失函數訓練網絡，并使用多種衡量指標評估本文方法的有效性。