基于深度卷积神经网络的地震相识别

2021-11-13硕良勋柴变芳朱乾菲

新一代信息技术 2021年14期

韩红，硕良勋，柴变芳，朱乾菲

(河北地质大学信息工程学院，河北石家庄 050031)

0 引言

由于地震数据量剧增，传统的地震处理和解释方法无法充分利用研究人员长期积累的有效经验，人工解释耗时长，工作量巨大难以承受，一些地震学者对地震自动解释投入了较高的关注，采用智能物探技术可有效提高传统地震处理方法和解释工具的效率以及成果质量。主要的技术有大数据、机器学习和深度学习等。物探数据处理、岩石物性分析、井孔、油藏与油气开发数据领域都用到了机器学习。但是目前绝大多数的研究与分析都基本上应用在了地震数据处理方面。例如，初至拾取、地震反演、储层参数预测、噪声压制与信号增强、地震速度拾取与建模、地震构造解释。在地震解释方面，人工智能、机器学习和深度学习主要应用于断层自动解释、盐体识别、地质体识别、地震相识别、含油气性预测和非常规页岩脆性预测，有效地提高了解释的效率，并且取得了良好的解释效果。

地质油藏的地震响应是多孔岩石的弹性性质的函数，从地震属性中提取各种地震属性是为了识别地震相，提取出具有代表性的属性特征，例如振幅、频率、相位、波形、波峰、波谷等与油气储层的几何结构、岩性、物性、含油气性之间的关系。但是在深度学习的具体应用中，存在属性选择与标签类型的代表性问题。地震相的识别主要有两种方法，第一个是通过肉眼定性地观察地震反射的特征，并与之前的标准地震资料特征进行分析，进而判断地震地震相类别，也就是所说的“相面法”，但是由于地震资料解释人员的主观性和不确定性较强，且地震数据量大、识别率比较低。第二类方法基于数学模型、地震数据处理技术和计算机硬件设备的支持来对地震数据提取出能够反映地质特征的属性参数，根据得到的信息来识别地震相。这类方法能够对地震数据体的属性参数进行精确计算，是一个高效的识别方法。

Kohonen[1]在 2001年提出的自组织映射网络（SOM）成为了无监督地震相中最重要的工具之一，利用波形的相似性和地震属性特征进行地震相分析，对目标层位的地震道的形状进行识别，进而划分地震相。随后，SaggafM[2]等在2003年提出应用于地震反射特征的竞争神经网络地震相识别方法.De Matos[3]等在 2007年提出的基于小波变换提取地震数据中奇异性特征的自组织映射网络（SOM）方法对地震反射波形进行分类，消除人工解释的地震资料中存在的误差对地震相正确识别产生的影响。Hami-Eddine K[4]等在 2009年提出自适应神经网络的测井相校准的地震模型的有监督波形分类方法。刘庆敏等在2010年提出的基于经验模态分解的方法应用于地震相识别。Bagheri[5]等在 2013年使用支持向量机分类器对地震相进行识别，选取了14种地震属性（相位余弦、瞬时频率等）来表达地震相，划分高维特征的小样本在伊朗油田地震数据集上取得了很高的准确率。Ross[6]等在2017年使用深度学习来对地震原始数据提取特征。Waldeland[7]等在2018年提出将深度学习技术应用于断层和盐体的解释。Wu[8]等在 2019年提出使用合成地震数据断层完成了端到端的卷积神经网络模型的训练，该方法大幅度解决了数据量缺乏问题，减轻了手动拾取断层作为训练数据的工作量，并且改进了 U-net网络模型，加快了模型的训练。

传统的地震相识别方法都基于确定性的方法或者一定的模型假设，相比之下，深度学习在数据挖掘和寻找关系方面比较强大，以数据驱动为基础，能够高效地寻找输入数据与目标数据的之间的对应关系，不受模型假设等诸多限制因素的影响。

现有的深度学习方法的网络模型只能提取单一接收域下的目标特征，难以获得地震相在剖面上的全局空间分布信息。本文在前人的研究基础上，改进 VGG16网络模型，在全连接层前端添加混合膨胀卷积和空洞空间金字塔池化模块，多尺度融合信息。

1 方法原理

在本实验中，我们使用了dGB地球科学公司的荷兰北海F3区块叠后地震解释数据集，该数据集包含了384平方千米的地震数据，共有951条imlines，651条Crosslines，采样率4 ms，记录长度1848 ms，面元大小25×25米，生成了9个不同的层位，将不同的地震相分割出来，另有4口井的测井曲线，这些数据集经过解释形成了标签样本数据集。图1为F3的位置。在北海大陆内，根据文献（Van Adrichem Bogaert and Kouwe, 1993[9];Mijnlieff,2002[10]; Scheck-Wenderoth and Lamarche,2003[11]; Duin et al. 2006[12]）已经确定了十组岩石。按照地质年代从新到旧进行划分，如Upper North Sea group、Lower and Middle North Sea groups、Chalk group、Rijnland group、Schieland, Scruff and Niedersachsen groups、Altena group、Lower and Upper Germanic Trias groups、Zechstein group、Upper and Lower Rotliegend groups、Limburg group。

图1 荷兰北海F3位置Fig.1 F3 location in the Netherlands North Sea

为在地震剖面上训练不同深度的二维切片，将二维剖面按振幅属性划分为九类，选取北海叠后F3的inline339的完全有标签数据，并使用滑动窗口选取158812个patch作为样本对网络进行训练。通过对 CNN模型进行简化以减少模型训练时间，并对其修改以提高性能。在提取特征层的末端采用混合空洞卷积（Hybrid Dilation Convolution,HDC），还应用了空间金字塔池化模块（Atrous Spatial Pyramid Pooling）进一步多尺度融合特征，将深度学习解释的结果与人工解释的结果相结合，更好地确定油气的聚集区域。

空洞卷积（Dilation Convolution）：普通卷积对图像的细节信息不够敏感，于是在网络中使用了空洞卷积来解决该问题。它在卷积层中引入了名为“膨胀率”的参数，定义了卷积核的点间隔的个数，空洞卷积是一种在特征图上进行上采样的方法，可以在不牺牲分辨率的情况下增强感受野。

混合空洞卷积（Hybrid Dilation Convolution,HDC）：虽然空洞卷积可以扩大感受野并减缓下采样，但是会产生问题。当多次使用相同的膨胀率时，特征图中有些像素始终不参与运算，不利于密集预测。而且，空洞卷积对于获取远程信息，在膨胀率较大的情况下使用它可能只对一些大目标的分类有效，而忽略了小目标。为了解决这个问题，我在网络中应用了混合空洞卷积，即为每一层设置不同膨胀率，从而扩大感受野的同时降低了网格效应。

空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）：在网络中采用了空间金字塔模块进行多尺度采样，进一步增强提取的特征。通过使用多个不同膨胀率的并行空洞卷积来提取特征，获取特征图的上下文信息，然后融合特征。

网络模型的结构基于改进的VGG16，在网络全连接的前端加入HDC+ASPP，然后再连接三个全连接层对地震相进行识别。

2 应用实例

根据上述原理，对北海F3的三维叠后地震数据体进行模型训练，并用该模型预测出Inline500和Crossline500结果。HDC使用膨胀率分别为1，2和3的空洞卷积，ASPP使用并联的空洞卷积，膨胀率分别为1，3，5。该网络使用的是Relu激活函数进行激活，最后一层使用Softmax激活函数输出每个类的概率。我们用较低的学习率，低衰减和经典SGD优化器取代Adam优化器，并且使用了三个回调函数，在测试集上损失和准确率的早停技术，在训练集上的损失达到最优时保存模型[13]。

3 实验结果

按照振幅属性划分，将划分为九种地震相。我们使用Inline339生成带标注的数据集，如图2所示。棕色代表低相干性，灰色代表急倾斜反射体，草绿色代表低振幅倾斜反射体，蓝色代表连续高振福，橙色代表灰度，黄色代表低振幅，洋红色代表高振幅，灰色代表盐侵入体，蓝绿色代表其他。训练集和测试集的损害和准确率，如图3和4所示。用该模型预测Inline500和Crossline500如图5和6所示。