改進的整體嵌套邊緣檢測地震斷層識別技術(shù)

劉乃豪 李時楨 黃 騰 高靜懷 丁繼才 王治國

(①中海油研究總院有限責任公司，北京 100028； ②西安交通大學信息與通信工程學院，陜西西安 710049； ③西安交通大學人工智能學院，陜西西安 710049； ④西安交通大學數(shù)學與統(tǒng)計學院，陜西西安 710049)

0 引言

斷層解釋的精度和效率對油氣藏的勘探與開發(fā)非常重要。早期主要依靠人工在地震剖面上解釋斷層[1-2]，這極大地依賴于解釋人員的經(jīng)驗，斷層解釋精度和效率難以滿足實際生產(chǎn)需要。隨著信號處理等方法的拓展以及計算機技術(shù)的飛速發(fā)展，越來越多的數(shù)據(jù)處理方法應用于斷層識別，提高了斷層解釋的準確性和效率。

相干體分析技術(shù)常用于描述地質(zhì)體的不連續(xù)性，可用于斷層解釋。相干體是指由地震數(shù)據(jù)體經(jīng)過相關(guān)性計算而得到的一種新的屬性數(shù)據(jù)體，利用該數(shù)據(jù)體，不連續(xù)的斷層信息能夠從三維地震資料中突顯出來。Bahorich等[3]提出了第一代相干體技術(shù)(C1)并用于斷層識別，該算法計算量小，但易受相干噪聲干擾。在C1的基礎(chǔ)上，Marfurt等[4]基于多道相似原理，提出了第二代相干體技術(shù)(C2)，彌補了C1因采樣地震道少而導致的抗噪性差的不足。隨后，Gersztenkorn等[5]提出了基于本征結(jié)構(gòu)的第三代相干體技術(shù)(C3)，可更精細地描述斷層特征。此后，很多學者對相干體技術(shù)進行了發(fā)展和推廣。王西文等[6]在相干分析中引入小波變換，提高了小斷層的識別能力。Li等[7]結(jié)合傾角掃描與超道技術(shù)，提高了相干體技術(shù)對大傾角地質(zhì)結(jié)構(gòu)的適用性。楊培杰等[8]提出了方向性邊界保持斷層增強技術(shù)以提高地震資料分辨率。鄭靜靜等[9]則在Curvelet變換的基礎(chǔ)上進行多尺度相干分析，同樣在斷層識別方面效果較好。Yang等[10]在C3的基礎(chǔ)上引入互信息率和信息散度，提高了相干體計算的效率和不連續(xù)地質(zhì)體的解釋精度。

借助上述相干體技術(shù)可以進行自動或半自動的斷層解釋，與人工標注方法相比，提高了斷層識別的準確性和效率，但是解釋精度易受地震資料中其他不連續(xù)特征(如噪聲和地質(zhì)體等)的影響。

另一種常用的斷層解釋方法是源于仿生學理論的螞蟻追蹤技術(shù)。該技術(shù)首先由Colorni等[11]提出，在引入斷層識別領(lǐng)域后得到了進一步的推廣和發(fā)展。Bullnheimer等[12]改進了“螞蟻體”的行程。Merkle等[13]提出多群螞蟻算法，利用多個螞蟻群體同時對地震斷層進行追蹤。劉財?shù)萚14]基于加權(quán)一致性，改進了螞蟻算法，進一步提升了螞蟻算法的抗噪性能。

BP神經(jīng)網(wǎng)絡(luò)是實現(xiàn)斷層自動識別的另一種途徑，能夠?qū)㈩A測值與真實值之間的誤差逆向傳播，并可以不斷調(diào)整網(wǎng)絡(luò)權(quán)值，具有較好的泛化能力。然而，BP神經(jīng)網(wǎng)絡(luò)存在網(wǎng)絡(luò)收斂慢的缺點，即使對于簡單問題也可能需要上千次的學習，這意味著訓練過程中需要大量地震資料以及較多的運算資源。此外，BP神經(jīng)網(wǎng)絡(luò)也對初始權(quán)重較為敏感，多次訓練結(jié)果可能存在較大差異。

近年來，深度學習技術(shù)是機器學習領(lǐng)域的重要研究方向之一，它的出現(xiàn)極大地推動了人工智能技術(shù)的發(fā)展。常見的深度學習算法有：堆棧自編碼網(wǎng)絡(luò)(SA)、深度置信網(wǎng)絡(luò)(DBN)以及卷積神經(jīng)網(wǎng)絡(luò)(CNN)等。相較于BP神經(jīng)網(wǎng)絡(luò)，CNN引入了卷積和池化兩種運算方式，在精簡網(wǎng)絡(luò)模型參數(shù)的同時使模型性能也有所提升。學者們將其應用于斷層等地質(zhì)結(jié)構(gòu)的智能識別與解釋，如Xiong等[15]利用實際數(shù)據(jù)以及對應的斷層標簽，訓練CNN模型并用于斷層智能化識別，取得了初步效果。Wu等[16]使用帶標簽的合成三維地震數(shù)據(jù)樣本，進行U-Net模型訓練，最終將訓練模型用于三維實際地震數(shù)據(jù)的斷層智能解釋。Liu等[17]搭建了Res-Unet，并利用訓練模型進行寬方位角地震數(shù)據(jù)斷層智能解釋，提出了新思路。常德寬等[18]利用多個深度CNN模塊，構(gòu)建了用于地震數(shù)據(jù)斷層識別的SeisFault-Net模型。

邊緣檢測作為一種常用的圖像處理方法，目的是標識圖像屬性顯著變化的位置[19-20]。斷層發(fā)生在相對位移顯著的巖層的邊緣，在地震圖像上多表現(xiàn)為同相軸的高度不連續(xù)特征。因此，本文引入深度學習邊緣檢測算法——整體嵌套邊緣檢測(Holistically-Nested Edge Detection，HED)網(wǎng)絡(luò)[21]，并將其推廣至三維形式，即三維HED模型； 根據(jù)地震數(shù)據(jù)和斷層特點對三維HED模型進行改進和優(yōu)化，提出了三維改進HED(Improved HED，IHED)模型； 利用三維合成地震數(shù)據(jù)及其標簽數(shù)據(jù)進行訓練，將訓練模型用于三維實際地震數(shù)據(jù)進行斷層智能解釋，并與常規(guī)算法進行對比、分析，驗證了三維IHED模型的準確性和有效性。

1 HED網(wǎng)絡(luò)

1.1 HED網(wǎng)絡(luò)結(jié)構(gòu)

HED網(wǎng)絡(luò)由Xie等[21]提出，用于解決圖像處理領(lǐng)域中的邊緣檢測問題。該網(wǎng)絡(luò)具有多尺度的結(jié)構(gòu)，其中骨干網(wǎng)絡(luò)結(jié)構(gòu)來源于VGG16網(wǎng)絡(luò)[22]。HED網(wǎng)絡(luò)保留了VGG16網(wǎng)絡(luò)主體的卷積層和池化層，舍棄了用于分類的全連接層。HED網(wǎng)絡(luò)在每一個尺度的卷積塊的最后各引出一個側(cè)輸出(Side Output)，分別生成特征圖，最終將所得的不同尺度的特征圖和對這些特征圖進行融合操作所得到的融合特征圖共同作為網(wǎng)絡(luò)的輸出。

具體而言，HED網(wǎng)絡(luò)是在VGG16網(wǎng)絡(luò)的每一個尺度的最后一個卷積層之后各引出一個側(cè)輸出，共計引出5個不同尺寸的側(cè)輸出。以輸入數(shù)據(jù)矩陣尺寸128×128×1為例，此時5個側(cè)輸出前端特征圖的尺寸分別為128×128×64、64×64×128、32×32×256、16×16×512、8×8×512。由于每一個模塊引出特征圖的尺寸不同，HED網(wǎng)絡(luò)采用了轉(zhuǎn)置卷積(Transposed Convolution)對每一組得到的數(shù)據(jù)集合進行反卷積運算，分別將第二～第五組得到特征圖的尺寸擴大了2～16倍，第一組特征圖的尺寸保持不變。至此，網(wǎng)絡(luò)在每個尺度上得到了相同尺寸的特征圖。為了將每一組特征圖合并成一個反映圖像當前尺度特征的單一圖像，需要將生成的特征數(shù)據(jù)集合的深度降至一維，因此引入了輸出通道數(shù)為1、卷積核尺寸為1×1的卷積操作，以實現(xiàn)特征圖的“去”深度。最終各個輸出層都得到了矩陣尺寸為128×128×1的特征圖像，從而完成了5個不同尺度特征圖像的提取。

將這5個特征圖像疊加，可以得到尺寸為128×128×5的特征數(shù)據(jù)集合。因為期望最終輸出結(jié)果通道數(shù)與原圖一致，因此引入了輸出通道數(shù)為1、卷積核尺寸為1×1的卷積操作，以得到通道數(shù)為1的輸出，且各權(quán)值可以通過網(wǎng)絡(luò)訓練自主學習，逐步接近最優(yōu)的權(quán)值配比。該加權(quán)得到的輸出就是HED網(wǎng)絡(luò)學習和訓練得到的最佳邊緣特征結(jié)果。HED網(wǎng)絡(luò)結(jié)構(gòu)[21]如圖1所示。

圖1 HED網(wǎng)絡(luò)結(jié)構(gòu)示意圖(據(jù)文獻[21])X為輸入圖像； Y為真值標簽； l為網(wǎng)絡(luò)損失，下標side、fuse分別為側(cè)輸出、融合輸出

1.2 HED網(wǎng)絡(luò)特性分析

VGG16網(wǎng)絡(luò)具有強大的特征提取能力，HED主體網(wǎng)絡(luò)結(jié)構(gòu)是基于VGG16網(wǎng)絡(luò)設(shè)計的，可以通過多次池化操作縮小圖像的處理尺寸，從而獲得更深的模型架構(gòu)，這使其在保持圖像多層次、多維度特征提取能力的同時減少了計算量的增加。

HED網(wǎng)絡(luò)的核心是融合5個源于不同尺度的特征圖像，其中淺層網(wǎng)絡(luò)的感受野較小，可以提供準確的位置信息，且充分保留了局部細節(jié)信息。然而，隨著網(wǎng)絡(luò)的加深，深層網(wǎng)絡(luò)由于感受野的逐步擴大，對位置信息的敏感度下降，并在池化過程中損失了大部分細節(jié)信息且降低了圖像分辨率； 但是與此同時，深層網(wǎng)絡(luò)通過對數(shù)據(jù)特征不斷抽象，語義信息逐步豐富。而HED網(wǎng)絡(luò)對不同層次的特征圖像進行融合的優(yōu)勢在于同時利用淺層網(wǎng)絡(luò)準確的位置信息與深層網(wǎng)絡(luò)豐富的語義信息，以獲得最佳的邊緣特征圖像。

在圖像邊緣檢測中，Xie等[21]將HED網(wǎng)絡(luò)訓練結(jié)果與優(yōu)化過的Canny算子進行比較，可直觀地展示HED網(wǎng)絡(luò)的優(yōu)勢：可以在不同的尺度分別得到該尺度獨特的邊緣結(jié)果并加以融合； HED模型能進行多尺度的特征學習和整體圖片的訓練、預測。這是它相較常規(guī)邊緣檢測算法的兩大優(yōu)勢。因此，本文充分利用HED模型的多尺度信息提取能力，進行多尺度斷層智能解釋。

2 三維IHED網(wǎng)絡(luò)模型

2.1 三維HED網(wǎng)絡(luò)搭建

原始HED網(wǎng)絡(luò)是一個二維圖像處理網(wǎng)絡(luò)，在對三維地震數(shù)據(jù)體進行斷層智能解釋時表現(xiàn)欠佳，這是因為在使用二維卷積神經(jīng)網(wǎng)絡(luò)處理三維數(shù)據(jù)體時，需要對每個二維地震剖面分別進行預測，未考慮相鄰剖面之間的空間關(guān)系，從而丟失了斷層的三維空間信息，最終導致斷層智能識別精度不高。因此，本文借鑒原始二維HED網(wǎng)絡(luò)的思想，將卷積、池化等操作變?yōu)槿S形式，提出了三維HED網(wǎng)絡(luò)模型。利用該三維模型可以將一個三維數(shù)據(jù)體作為整體進行網(wǎng)絡(luò)模型訓練，從而充分利用三維訓練數(shù)據(jù)集提供的斷層空間信息，解決上述二維斷層智能解釋面臨的斷層空間信息缺失問題(圖2)。

2.2 三維HED網(wǎng)絡(luò)模型分析

邊緣通常表現(xiàn)為屬性局部的急劇變化，例如顏色、梯度、亮度等的變化。鑒于邊緣的微觀特性，人們通常運用一階或者二階微分算子對其進行檢測，如Canny[23]的常規(guī)邊緣檢測算法。HED淺層網(wǎng)絡(luò)與Canny等常規(guī)檢測算法相似，感受野較小，只考慮圖像局部的急劇變化。但僅靠這些局部特征難以勾勒出完整的主體輪廓，在主體存在內(nèi)部紋理或背景雜亂的條件下，淺層網(wǎng)絡(luò)的識別精度不高。因此，HED網(wǎng)絡(luò)利用深度學習的優(yōu)勢，引入嵌套的卷積池化操作，逐級對圖像特征進行濃縮、提取，并通過加入深層的語義信息對圖像邊緣進行魯棒性更強的檢測。但究其根本，HED網(wǎng)絡(luò)解決常規(guī)邊緣檢測問題的核心依舊是通過淺層網(wǎng)絡(luò)的特征輸出(圖2中O1、O2)提取到圖像在小尺度中具有強烈反差的特征信息，從而獲得初步的邊緣檢測結(jié)果。而深層網(wǎng)絡(luò)的特征輸出(圖2中O3、O4、O5)僅提供優(yōu)化邊緣結(jié)果的輔助作用。

圖2 三維HED網(wǎng)絡(luò)結(jié)構(gòu)

斷層是斷裂面兩側(cè)巖層發(fā)生顯著相對位移的構(gòu)造，具有一定規(guī)模，大者可連續(xù)延伸數(shù)百千米。斷層通常在二維、三維的地震數(shù)據(jù)中以連續(xù)的斷層線、斷層面的形式存在，而不是離散孤立的斷層點。這表明了斷層是地質(zhì)結(jié)構(gòu)中的一種宏觀構(gòu)造，僅憑借局部特征并不能有效地識別斷層，對某點是否為斷層點的預測通常需要綜合考量該點周邊范圍的地質(zhì)結(jié)構(gòu)特征。

由于實際斷層本身形式多樣，又加之復雜的地震噪聲，局部像素信息具有很強的隨機性，這使斷層智能解釋與常規(guī)邊緣檢測問題不同，僅依據(jù)局部像素信息很難得到有效的邊緣預測結(jié)果。圖3和圖4分別展示了圖像邊緣檢測和地震斷層解釋這兩種問題的代表性圖、局部圖像、局部的期望預測結(jié)果。圖像邊緣檢測時，僅僅利用局部像素特征即可檢測圖像邊緣(圖3b、圖3c)。但在進行斷層解釋時，僅依據(jù)局部像素特征很難得到準確的斷層預測結(jié)果，如圖4a中紅色矩形框正處在實際地震數(shù)據(jù)的斷層線上，但圖4b中局部像素特征不能正確表征斷層信息，即僅利用局部像素信息不能得到圖4c中的斷層期望解釋結(jié)果。

圖3 常規(guī)圖像局部邊緣檢測示意圖(a)動物圖像； (b)圖a紅框局部放大圖；(c)圖a紅框局部邊緣檢測期望

圖4 地震數(shù)據(jù)局部斷層解釋示意圖(a)實際地震數(shù)據(jù)； (b)圖a紅框局部放大圖；(c)圖a紅框局部斷層期望

2.3 三維IHED網(wǎng)絡(luò)模型搭建

對于圖2所示的HED網(wǎng)絡(luò)結(jié)構(gòu)，淺層網(wǎng)絡(luò)只有5×5的感受野范圍，因此僅憑小尺度(局部)的像素信息難以得到準確的斷層預測結(jié)果。因此，本文在圖2所示三維HED模型的基礎(chǔ)上，根據(jù)地震數(shù)據(jù)和斷層特征進一步優(yōu)化?；谇拔牡睦碚摲治?，重新調(diào)整三維HED網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，提出了一種改進的三維HED網(wǎng)絡(luò)結(jié)構(gòu)——IHED模型，即在淺層網(wǎng)絡(luò)中加入擁有更大感受野的深層網(wǎng)絡(luò)的信息，改善三維HED邊緣檢測技術(shù)在斷層智能解釋領(lǐng)域的適用性。

本文提出的三維IHED網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。該網(wǎng)絡(luò)取消了淺層網(wǎng)絡(luò)預測失靈的側(cè)輸出及側(cè)輸出特征圖(O1、O2)，只通過感受野更大的深層網(wǎng)絡(luò)提取地震數(shù)據(jù)特征，并分析語義信息，最后輸出有效的斷層識別特征圖(O3、O4、O5)。此時，淺層網(wǎng)絡(luò)不再直接對斷層進行預測，而是通過卷積處理預先對地震特征進行增強，以提取斷層特征，輔助深層網(wǎng)絡(luò)進行斷層智能解釋。

圖5 三維IHED網(wǎng)絡(luò)結(jié)構(gòu)示意圖

深層網(wǎng)絡(luò)隨著感受野的擴大，數(shù)據(jù)特征不斷抽象，語義信息逐步豐富，但同時也隨著池化過程而損失了部分細節(jié)信息，所得深層網(wǎng)絡(luò)特征圖(O3、O4、O5)斷層分辨率較低，即斷層線“粗”，斷層邊緣模糊。鑒于此，三維IHED網(wǎng)絡(luò)將深層特征圖重新加入到淺層網(wǎng)絡(luò)中進行訓練。由于結(jié)合了大感受野的深層網(wǎng)絡(luò)信息，淺層網(wǎng)絡(luò)也能提取到全面的斷層特征，最終可得到具有高分辨率的側(cè)輸出特征圖(O1、O2)，彌補了深層網(wǎng)絡(luò)特征圖在分辨率方面的不足。

最后，將O1～O5這5個特征圖像疊加，并加權(quán)得到網(wǎng)絡(luò)輸出(Ofuse)，作為三維IHED模型學習得到的最終斷層智能識別結(jié)果。

3 三維IHED模型訓練

3.1 訓練集

在斷層智能識別領(lǐng)域，神經(jīng)網(wǎng)絡(luò)模型需要判斷待預測像素點是否為斷層點的二分類任務，需要大量的地震數(shù)據(jù)及其對應的斷層標簽。但是，在實際地震數(shù)據(jù)中，手動標記或解釋斷層非常耗時且主觀程度很高，斷層的三維特性和空間特征也增加了人工解釋斷層的復雜度，容易產(chǎn)生斷層標記的紕漏，從而誤導深度網(wǎng)絡(luò)學習和訓練過程。故本文采用了合成地震數(shù)據(jù)集作為訓練集，即將地質(zhì)模型的反射系數(shù)與地震子波褶積、正演得到三維合成地震記錄[16]，用于模型訓練。

原始合成地震數(shù)據(jù)集共包含200個三維合成地震數(shù)據(jù)體及其對應的二值斷層標簽(1為斷層點，0為非斷層點)，每個三維合成地震數(shù)據(jù)體的尺寸均為128×128×128。此外，另有20個三維合成地震數(shù)據(jù)體和斷層標簽數(shù)據(jù)體作為驗證集。如若對該數(shù)據(jù)體作歸一化處理，并映射至0～255的灰度范圍，可得如圖6所示灰度圖像。

圖6 三維合成地震數(shù)據(jù)集及斷層標簽(紅色)示例圖

3.2 數(shù)據(jù)預處理

為了使不同工區(qū)的地震數(shù)據(jù)互相兼容，需要在網(wǎng)絡(luò)訓練前對地震數(shù)據(jù)進行預處理。常用的數(shù)據(jù)預處理方式是將地震數(shù)據(jù)做標準化處理，標準化方式的選擇會影響神經(jīng)網(wǎng)絡(luò)的學習和訓練過程。

本文在數(shù)據(jù)預處理方法選取方面，分別對比了(0,1)標準化、(-0.5,0.5)標準化和Z-Score標準化三種方式，并設(shè)置未標準化處理作為空白對照組。對四種不同方法處理后的合成數(shù)據(jù)集進行網(wǎng)絡(luò)模型訓練，并分別計算各自的評價指標。本文選取準確率、精確率、召回率和F1分數(shù)作為定量評價指標，其定義如下。

(1)準確率。指所有預測正確的樣本占全部樣本的比例。

(2)精確率。指預測為正(負)的正類(負類)樣本占所有被預測為正類(負類)樣本的比例。本文將斷層作為正類樣本、非斷層作為負類樣本。

(3)召回率。指預測為正(負)的正類(負類)樣本占所有正類(負類)樣本的比例。

(4)F1分數(shù)。是精確率和召回率的調(diào)和平均結(jié)果。F1分數(shù)同時兼顧了精確率和召回率。

不同方式訓練得到的網(wǎng)絡(luò)模型對應的準確率、精確率、召回率和F1分數(shù)等如表1所示。

表1 不同處理方式訓練的網(wǎng)絡(luò)模型評價指標

另外，本文引入了ROC曲線和AUC值作為模型評價指標。ROC曲線也稱為接收者操作特征曲線，是反映敏感性和特異性連續(xù)變量的綜合指標。ROC曲線的橫坐標為偽正類率(False Positive Rate，F(xiàn)PR)，指預測為正但實際為負的樣本占所有負類樣本的比例； 縱坐標是真正類率(True Positive Rate，TPR)，指預測為正且實際為正的樣本占所有正類樣本的比例。AUC值是指ROC曲線下的面積，通常0.5

由圖7可見，未標準化網(wǎng)絡(luò)的AUC值(為0.9906)最接近1，斷層分類性能最優(yōu)； Z-Score標準化方式次之(AUC值為0.9890)； (0,1)標準化結(jié)果最差(AUC值為0.9419)。從表1中的數(shù)據(jù)同樣可以得到相同結(jié)論，即未標準化對照組的所有評價指標均為最優(yōu)，推測原因可能是因為標準化處理會損失部分數(shù)據(jù)特征信息。但是，在利用實際地震數(shù)據(jù)進行斷層智能解釋時，不同工區(qū)地震數(shù)據(jù)幅值范圍往往不盡相同，因此為使所訓練網(wǎng)絡(luò)模型兼容多個工區(qū)實際地震數(shù)據(jù)，必須引入標準化處理以使訓練數(shù)據(jù)與預測數(shù)據(jù)的幅值范圍相同，為斷層精確解釋提供保障。在除對照組(未標準化處理)外的三種標準化處理方式中，Z-Score標準化的各評價指標均最高，因此本文選擇其進行數(shù)據(jù)預處理。

圖7 不同處理方式訓練的網(wǎng)絡(luò)模型的ROC曲線

3.3 模型訓練

本文IHED模型基于Python3.6實現(xiàn)，通過搭建Cuda11下的Tensorflow2.3環(huán)境，利用GeForce RTX 3090GPU訓練，采用Adam優(yōu)化器，并設(shè)置初始學習率為0.0001，且該學習率可以隨著迭代次數(shù)的增加而動態(tài)下降。

網(wǎng)絡(luò)模型和訓練數(shù)據(jù)的匹配程度會隨訓練迭代次數(shù)的增加而不斷變化。如果模型訓練的迭代次數(shù)太少，模型將無法充分擬合訓練集數(shù)據(jù)而產(chǎn)生欠擬合； 如果訓練迭代次數(shù)過多，模型將因過度依賴訓練集數(shù)據(jù)的分布而產(chǎn)生過擬合。過擬合的模型將會傾向于學習噪聲特征而忽略了斷層的典型特征，導致網(wǎng)絡(luò)泛化能力下降。在網(wǎng)絡(luò)學習中，通常將測試集的損失值作為評價網(wǎng)絡(luò)是否達到最佳擬合狀態(tài)的重要指標。測試集的損失值與該網(wǎng)絡(luò)模型在實際場景中的預測效果呈負相關(guān)，故大致可以推斷在測試集的損失值最小時網(wǎng)絡(luò)性能達到最優(yōu)。因此，本文最終將測試集損失值最小的訓練模型加以保存。

3.4 模型驗證

由表1可知，選擇Z-Score標準化處理的IHED網(wǎng)絡(luò)的預測準確率達到95.07%，其他評價指標也比較高，在一定程度上證明了該模型的有效性。

本文選取測試集中的一個三維合成地震數(shù)據(jù)體進行驗證。由圖8可見，IHED模型對測試集數(shù)據(jù)的斷層預測走勢與標簽結(jié)果高度吻合，定性地驗證了本文所提出模型的有效性。

圖8 測試集地震數(shù)據(jù)體(左)與IHED網(wǎng)絡(luò)斷層智能解釋結(jié)果(右)

4 實際資料應用

4.1 Kerry-3D三維實際地震數(shù)據(jù)體斷層識別

使用上述訓練的IHED模型對Kerry-3D數(shù)據(jù)體進行斷層自動解釋，該三維實際地震數(shù)據(jù)體為New Zealand Petroleum and Minerals公司提供的時間偏移疊后地震數(shù)據(jù)(圖9a)。同時，引入了一種改進的適用于斷層智能解釋的U-Net網(wǎng)絡(luò)模型[17]和第三代相干體(C3)方法作為對比，最終得到的三維斷層解釋結(jié)果如圖9所示。

由圖9可知，三種方法均可揭示地震數(shù)據(jù)不連續(xù)的位置，但相干體方法結(jié)果(圖9b)較為模糊，尤其是時間切片，可見相干體方法不能從地震反射不連續(xù)性中精確識別斷層位置； U-Net模型(圖9c)和IHED模型(圖9d)對斷層的識別和定位效果優(yōu)于相干體方法，證明了深度學習算法在斷層智能解釋中的有效性； IHED模型識別的斷層更為連續(xù)，且不連續(xù)點(散點)更少，這說明IHED模型在識別不同尺度斷層信息的能力上要優(yōu)于U-Net模型。

同樣，可以利用Kerry-3D數(shù)據(jù)體中的Inline 585地震剖面(圖10)進一步分析本文IHED模型在斷層智能解釋方面的優(yōu)勢。與相干體識別結(jié)果(圖10b)相比，兩種深度學習模型(圖10c、圖10d)均能有效地識別斷層的所在位置，且識別出的斷層連續(xù)性較高； 同時，兩種模型識別出的斷層邊緣清晰、光滑，不存在明顯的毛刺，且斷層與非斷層部分特征對比明顯，驗證了深度學習模型的優(yōu)越性。相比U-Net模型，IHED模型的斷層智能解釋結(jié)果背景區(qū)域更干凈，斷層預測散點較少，如圖10c和圖10d中藍色矩形所示。這說明IHED模型對地震背景噪聲的抗干擾能力較強。此外，與U-Net模型相比，IHED模型的斷層預測分類更加明確，預測的斷層概率取值主要集中在1(圖10d中紅色)附近，介于斷層點和非斷層點間的分類不明確的預測結(jié)果(圖中呈現(xiàn)為黃、綠、藍的部分)較少出現(xiàn)，進一步證明了本文模型對斷層智能解釋的有效性和準確性。

另外，從細節(jié)方面看，本文IHED模型識別的主要斷層連續(xù)性更好。由于原始地震數(shù)據(jù)中部分區(qū)域同相軸的不連續(xù)性特征不顯著(如圖10a中紅色虛線附近)，導致U-Net模型難以準確識別該處的斷層特征，即本該連續(xù)的斷層在縱向上不連續(xù)(如圖10c中白色矩形框所示)。鑒于HED模型多尺度的特性，該模型對部分數(shù)據(jù)缺失或局部噪聲的抗干擾性更強，因此IHED模型依然能夠準確識別該區(qū)域的斷層特征(圖10d中白色矩形框所示)。

4.2 渤海B工區(qū)三維實際地震數(shù)據(jù)體斷層識別

為進一步驗證本文模型的泛化性，選取渤海B工區(qū)的一個三維地震數(shù)據(jù)體進行斷層識別。將本文IHED模型與U-Net模型、C3相干體方法作對比，得到的三維斷層解釋結(jié)果如圖11所示。由圖可見，三種方法識別的斷層的分布特征大致相同，但相干體方法識別的有效斷層較少且較為混亂； 兩種深度學習模型由于使用相同訓練集進行模型訓練，斷層預測結(jié)果的相似程度較高，并且斷層的識別和定位效果均優(yōu)于相干體方法； IHED模型比U-Net模型識別的斷層更為清晰，且散點更少。

圖9 Kerry-3D三維數(shù)據(jù)體不同方法斷層解釋結(jié)果(a)地震數(shù)據(jù)體； (b)相干體方法； (c)U-Net模型； (d)IHED模型

圖10 Kerry-3D三維數(shù)據(jù)體Inline 585地震剖面不同方法斷層解釋結(jié)果(a)地震剖面； (b)相干體方法； (c)U-Net模型； (d)IHED模型

圖11 渤海B工區(qū)三維數(shù)據(jù)體不同方法斷層解釋結(jié)果(a)地震數(shù)據(jù)體； (b)相干體方法； (c)U-Net模型； (d)IHED模型

為了進一步展示IHED模型在斷層智能解釋方面的優(yōu)勢，結(jié)合原始地震數(shù)據(jù)時間切片與不同方法斷層解釋結(jié)果進行對比和分析。由圖12可見，兩種深度學習模型的斷層檢測結(jié)果中，IHED模型識別的斷層背景區(qū)域更干凈，斷層散點更少，斷層連續(xù)性也更高； IHED模型的斷層分類結(jié)果更加明確，介于斷層點和非斷層點間的預測結(jié)果出現(xiàn)較少(如圖12c藍色矩形框中呈現(xiàn)藍、綠色部分的斷層點)。

圖12 渤海B工區(qū)1808ms地震時間切片不同方法斷層解釋結(jié)果(a)地震剖面； (b)相干體方法； (c)U-Net模型； (d)IHED模型

5 結(jié)論

根據(jù)三維地震數(shù)據(jù)和斷層的特點，本文將整體嵌套邊緣檢測網(wǎng)絡(luò)應用于斷層識別，提出了一種新的三維改進嵌套邊緣檢測網(wǎng)絡(luò)模型。相比傳統(tǒng)的嵌套邊緣檢測網(wǎng)絡(luò)模型，三維改進嵌套邊緣檢測網(wǎng)絡(luò)模型具有如下優(yōu)點：

(1)將二維嵌套邊緣檢測網(wǎng)絡(luò)模型推廣為三維嵌套邊緣檢測，可以直接處理三維地震數(shù)據(jù)體，進行斷層智能解釋；

(2)將淺層網(wǎng)絡(luò)中加入擁有更大感受野的深層網(wǎng)絡(luò)的信息，可以在更多尺度上捕捉不同規(guī)模斷層的連續(xù)性特征，從而提高斷層智能解釋的精度。

在Kerry-3D和渤海B工區(qū)的兩個三維實際地震工區(qū)的應用效果表明，與相干體算法、U-Net模型對比，本文提出的改進嵌套邊緣檢測模型預測斷層更準確，連續(xù)性更好。三維改進嵌套邊緣檢測網(wǎng)絡(luò)模型為地震斷層智能識別提供了一種可靠途徑。