基于AHRFaultSegNet 深度學(xué)習(xí)網(wǎng)絡(luò)的地震數(shù)據(jù)斷層自動(dòng)識(shí)別

摘要： 斷層識(shí)別是地震數(shù)據(jù)解釋的重要環(huán)節(jié)之一。深度學(xué)習(xí)技術(shù)的發(fā)展有效提高了斷層自動(dòng)識(shí)別的效率和準(zhǔn)確性。然而，目前在斷層的自動(dòng)識(shí)別任務(wù)中，如何準(zhǔn)確捕捉斷層細(xì)微結(jié)構(gòu)并有效抵抗噪聲干擾仍然是一個(gè)具有挑戰(zhàn)性的問(wèn)題。為此，在HRNet 網(wǎng)絡(luò)的基礎(chǔ)上，構(gòu)建了一種基于解耦自注意力機(jī)制的高分辨率斷層識(shí)別網(wǎng)絡(luò)模型AHRFaultSegNet。對(duì)于自注意力機(jī)制解耦，結(jié)合空間注意力和通道注意力，代替HRNet 中并行傳播的卷積層，在減少傳統(tǒng)自注意力機(jī)制計(jì)算量的同時(shí)，模型可以在全局范圍內(nèi)計(jì)算輸入特征的相關(guān)性，更準(zhǔn)確地建模非局部特征； 對(duì)解耦自注意力使用殘差連接來(lái)保留原始特征，在加速模型訓(xùn)練的同時(shí)，使模型能夠更好地保持細(xì)節(jié)信息。實(shí)驗(yàn)結(jié)果表明，所提出的網(wǎng)絡(luò)模型在Dice、Fmeasure、IoU、Precision、Recall 等性能評(píng)價(jià)指標(biāo)上均優(yōu)于其他常見(jiàn)的斷層自動(dòng)識(shí)別網(wǎng)絡(luò)模型。通過(guò)對(duì)合成地震數(shù)據(jù)與實(shí)際地震數(shù)據(jù)等進(jìn)行測(cè)試，證明了該方法對(duì)斷層細(xì)微結(jié)構(gòu)具有良好的識(shí)別效果并且具有良好的抗噪能力。

關(guān)鍵詞： 斷層檢測(cè)識(shí)別，深度學(xué)習(xí)，解耦自注意力機(jī)制，殘差連接

中圖分類(lèi)號(hào)：P631 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10. 13810/j. cnki. issn. 1000‐7210. 2024. 06. 004

0 引言

斷層識(shí)別是地震數(shù)據(jù)解釋的重要環(huán)節(jié)之一，它是通過(guò)分析地震數(shù)據(jù)確定斷層位置和形態(tài)的過(guò)程。斷層識(shí)別通常要求地震資料具有較高的分辨率[1]，特別是在揭示地下斷層中的微小特征和連續(xù)性差的復(fù)雜結(jié)構(gòu)方面，這對(duì)于地震危險(xiǎn)性評(píng)估和地質(zhì)資源勘探至關(guān)重要[2‐3]。實(shí)際地震資料在采集過(guò)程中易受到噪聲的干擾，這就要求斷層識(shí)別方法具有良好的抗噪聲能力[4‐5]。

傳統(tǒng)的斷層識(shí)別方法通常依賴(lài)于人工解譯，耗時(shí)且容易受到主觀(guān)因素的影響。針對(duì)斷層識(shí)別中存在的問(wèn)題，學(xué)者們提出例如相干體技術(shù)[6‐7]、方差體技術(shù)[8]、邊緣檢測(cè)技術(shù)[9]、斷層似然性技術(shù)[10]和全三維解釋技術(shù)[11]等斷層自動(dòng)識(shí)別方法。這些方法提高了斷層識(shí)別的精度，但存在著計(jì)算過(guò)程繁瑣、運(yùn)算速度相對(duì)較慢、易受到噪聲等非地質(zhì)因素的影響等缺陷。

近年來(lái)，利用人工智能技術(shù)自動(dòng)、快速、準(zhǔn)確地識(shí)別斷層成為了地球物理勘探領(lǐng)域的熱點(diǎn)之一。Huang 等[12]將卷積神經(jīng)網(wǎng)絡(luò)（CNN）用于地質(zhì)特征分析，利用多種地震屬性作為特征對(duì)斷層進(jìn)行自動(dòng)識(shí)別。Xiong 等[13]利用相干體作為斷層標(biāo)簽數(shù)據(jù)，訓(xùn)練CNN 模型，模型的預(yù)測(cè)結(jié)果與應(yīng)用相干體技術(shù)預(yù)測(cè)斷層結(jié)果相似，但精度并未明顯提高。Guo 等[14]將三維地震數(shù)據(jù)切片的二維數(shù)據(jù)和人工標(biāo)注的標(biāo)簽數(shù)據(jù)作為CNN 模型的輸入，提高了自動(dòng)識(shí)別斷層的效率，但是模型受限于人工標(biāo)注標(biāo)簽的準(zhǔn)確性。Wu等[15]提出了一種基于U‐Net 網(wǎng)絡(luò)的三維地震數(shù)據(jù)斷層識(shí)別方法，三維地震數(shù)據(jù)驅(qū)動(dòng)的方法大幅度提高了模型的預(yù)測(cè)精度和效率。楊午陽(yáng)等[16]將殘差模塊引入U(xiǎn)‐Net，提出了基于ResU‐Net 的三維地震數(shù)據(jù)斷層識(shí)別方法，進(jìn)一步提高了模型預(yù)測(cè)結(jié)果的準(zhǔn)確率。Cunha 等[17]將遷移學(xué)習(xí)用于斷層識(shí)別，對(duì)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，提高了斷層識(shí)別的效率和準(zhǔn)確性，但是對(duì)復(fù)雜地區(qū)細(xì)微構(gòu)造的識(shí)別仍較困難。Yang 等[18]利用U‐Net++ 提取三維地震數(shù)據(jù)的斷層特征，對(duì)斷層進(jìn)行自動(dòng)檢測(cè)，但是具有較大的計(jì)算復(fù)雜度。Gao 等[19]提出了一種多尺度注意力卷積神經(jīng)網(wǎng)絡(luò)（MACNN），使生成的斷層圖像具有更高的分辨率和保真度，但是由于注意力機(jī)制的計(jì)算難以并行化，訓(xùn)練和推理速度受限。

盡管利用深度學(xué)習(xí)檢測(cè)斷層技術(shù)已取得了較大的進(jìn)展，但是在實(shí)際地震資料應(yīng)用過(guò)程中還存在著構(gòu)造復(fù)雜地區(qū)斷層細(xì)微結(jié)構(gòu)識(shí)別困難、現(xiàn)有模型對(duì)噪聲的抗干擾能力較差的問(wèn)題。為此，本文構(gòu)建了一種基于注意力機(jī)制的高分辨率斷層識(shí)別網(wǎng)絡(luò)模型（Attention based High ‐ Resolution Fault SegmentationModel，AHRFaultSegNet），實(shí)現(xiàn)對(duì)地震數(shù)據(jù)斷層快速、準(zhǔn)確地自動(dòng)識(shí)別。該模型主要對(duì)HRNet[20]中并行傳播的卷積層進(jìn)行改進(jìn)，用解耦自注意力代替?zhèn)鹘y(tǒng)的卷積層，在減少傳統(tǒng)自注意力機(jī)制計(jì)算量的同時(shí)，對(duì)噪聲進(jìn)行篩選和壓制，從而更準(zhǔn)確地建模非局部特征； 同時(shí)，使用殘差連接保留原始特征，加速模型訓(xùn)練的同時(shí)，使模型能夠更好地保持細(xì)節(jié)信息。最后，通過(guò)數(shù)據(jù)實(shí)驗(yàn)測(cè)試本文方法的有效性，以期為地震勘探提供一種更為精確且高效的斷層識(shí)別方法。

1 AHRFaultSegNet 網(wǎng)絡(luò)模型

1. 1 解耦自注意力

對(duì)于三維地震數(shù)據(jù)，傳統(tǒng)的自注意力機(jī)制中大量的矩陣計(jì)算帶來(lái)非常高的計(jì)算復(fù)雜度。目前常用的辦法就是對(duì)自注意力計(jì)算進(jìn)行解耦[21]。本文改進(jìn)傳統(tǒng)的自注意力模塊，對(duì)空間和通道進(jìn)行了注意力解耦，提出了解耦自注意力模塊（Decoupled Self‐Attention）。

1. 1. 1 解耦查詢(xún)和鍵

傳統(tǒng)的自注意力機(jī)制將查詢(xún)和鍵作為具有相同維度的線(xiàn)性變換結(jié)果。然而，這種處理方式可能導(dǎo)致查詢(xún)和鍵之間的冗余信息，增加了計(jì)算復(fù)雜度并可能降低建模效果。解耦自注意力模塊通過(guò)使用不同的線(xiàn)性變換處理查詢(xún)和鍵，即分別對(duì)它們應(yīng)用獨(dú)立的線(xiàn)性變換，可以減少冗余信息，提高建模效果，并降低計(jì)算復(fù)雜度。

如圖1 所示，通過(guò)三個(gè)不同的自注意力權(quán)重矩陣f （ x ）、g （ x ） 和h （ x ） 計(jì)算得到查詢(xún)向量Q、值向量V 和鍵向量K。分別用不同的卷積核對(duì)各向量進(jìn)行兩次卷積，其中查詢(xún)向量Q 通過(guò)卷積后對(duì)空間維度進(jìn)行全局池化（ GAP1 ） 得到向量QS； 鍵向量K 通過(guò)卷積后對(duì)通道維度進(jìn)行全局池化（ GAP2 ） 得到向量K C。QP、K P 是Q、K 分別進(jìn)行卷積后的結(jié)果向量。V P0 、V P1分別是值向量通過(guò)不同卷積核卷積后的結(jié)果向量。

利用局部化的卷積和池化操作分別得到向量QS 和向量K C，利用它們分別代替?zhèn)鹘y(tǒng)注意力機(jī)制中的查詢(xún)向量Q 和鍵向量K，實(shí)現(xiàn)了計(jì)算注意力時(shí)對(duì)空間和通道維度的解耦處理。這在減少計(jì)算量的同時(shí)，使注意力機(jī)制只關(guān)注特定維度的相關(guān)信息，避免了不同維度間的冗余交互。另外，通過(guò)不同層次的特征融合，使模型能夠更好地捕捉不同尺度下的特征，提高了建模的精度。