神经网络在勘探地球物理的应用

王斯昊,何兰芳,李亮

摘 要：隨着地球物理数据和地质信息的不断积累，神经网络作为一种数据驱动的建模工具在地球物理中的应用越来越广泛，在数据预处理和图像识别等方面表现出色。为了梳理神经网络在勘探地球物理的应用现状与发展趋势，本文回顾了神经网络的发展历程、基本原理和主要技术框架，总结了神经网络在勘探地震、电磁法、重磁勘探中的应用，同时分析了神经网络的优势与不足。神经网络在地球物理中的可行性已被学者们广泛认可，但在实际应用中仍然存在一系列难题有待深入探索。

关键词：神经网络;地球物理勘探;应用进展; 发展趋势

地球物理是通过观测数据去探测不同尺度的未知地质目标。对于绝大多数地球物理方法而言，探测目标的特征属性和观测数据之间并不存在线性对应关系，而是一种非线性映射，地球物理反演就是用正演模型去模拟这一映射[1]，但需要对观测数据进行甄选。随着地球物理数据的海量增长，人工甄选和提取数据已变得越来越不现实，这为深度学习在地球物理中推广应用带来了全新的机遇[2-3]。如何利用神经网络提高地球物理数据处理效率和准确度是地球物理普遍关心的问题。此外，与传统地球物理数据处理方法相比，神经网络的优势在于不需要对映射进行先验限制，只要网络经过训练就可直接建立目标映射[4-6]。但是，神经网络主要有“黑盒子”性质，且需大量数据驱动。由于地球物理问题的多解性及神经网络的不确定性，神经网络应用需要有足够多合适的训练数据，同时需要据网络在实际数据的表现进行评估[6]。

1  神经网络的发展历程

20世纪40年代，伊利诺伊大学McClloch和芝加哥大学Pitts基于数学和一种称为阈值逻辑的算法创造了一种神经网络的计算模型[7]，并由此开创了人工神经网络（简称为神经网络）学科（图1）。20世纪60年代，由于多层神经网络训练的可能性被否定，70年代，神经网络领域的研究基本处于停滞状态。80年代，反向传播算法的提取开启了神经网络的第二次研究高潮[8]。随着计算机和网络技术的飞速发展，地球科学已进入大数据时代，神经网络迎来新一轮研究和应用高峰。卷积神经网络（CNN）是目前最广泛应用的深度神经网络，主要特点为通过卷积运算操作来有效地提取数据特征，在学习到数据特征的同时能极大地减少网络参数数量。由于卷积神经网络的飞速发展，已在各个行业广泛应用，在地球物理中的应用已从地震勘探拓展到地球电磁学和位场方法等多个领域，并有综述文献发表[2-3]。

2  卷积神经网络基本原理与技术框架

神经网络的核心可以表示为：y =g（wxT +b），其中y为输出，x为输入，w为加权系统，b为偏置参数，g为激活函数。即神经网络包含3个重要步骤：加权、偏置和非线性激活。神经网络系统通常包含输入层、输出层和隐藏层。复杂神经网络系统可理解为多个单一系统的组合，包含输入层、输出层和多个隐藏层。数据流从输入层至输出层的过程称为正向传播，反过来称为反向传播。

为克服传统神经网络运算量大、过拟合、参数过多等问题，学者们在传统神经网络的基础上发展了卷积神经网络。CNN的基本原理是让神经网络模仿人类在识别图像时的局部感受机制，神经元（卷积核）检测图像是否满足卷积核的特征并输出相应的特征图像，最后通过全连接层对该图像进行分类（图2）。通过反向传播不断地调整卷积核的权值，得到所需要的图像识别器。CNN通过局部感知、共享权值、空间或时间上的池采样来充分利用数据本身包含的局部特性，以优化网络结构，保证一定程度上的位移和变形的不变性[9]。

3  卷积神经网络在地震勘探中的应用

20世纪40年代以来，地震勘探一直是勘探地球物理的主战场，也是现代科技试验田和前沿阵地。在1991年SEG年会上，神经网络被列为“90年代技术突破”四类新兴技术之一。经过30年的发展，以卷积神经网络为代表的神经网络已在地震勘探广泛应用，在初至拾取与结构识别2个方面发展相对完善。

3.1  初至拾取

初至拾取是估计地震事件位置及层析成像或矩张量反演等其他工作流程所必需的先期工作，本质上是一个模式识别过程，人工识别初至需耗费大量人力和时间，随着地震数据的大量生成和积累，人工拾取已无法完成，因此许多学者不断地探索自动化拾取初至的方法。Murat等 首次将人工神经网络成功地应用于噪声背景下的初至波提取，此后人工神经网络甚至卷积网络在初至拾取的有效性被多个团队所验证[11-19]。神经网络的优势在于一旦训练完成，处理效率相较于人工处理有极大提高。McCormack等发现训练好的网络三维数据集拾取效率相较人工拾取提高了8倍。在这两位学者之后，相关研究主要基于2个方面：提高神经网络的训练和处理速度与拾取准确度[11，14，15，19]。训练速度方面，利用逻辑模糊网络能保证不损失准确度的同时提升训练速度[11]。Kahrizi等发现在准确度上MLP（多层感知器）表现出色，但在训练速度上RBF（径向基）神经网络更有优势[15]。准确度方面，Yuan等与Duan等指出前人对于地震相拾取的研究都是基于单道的，利用卷积神经网络我们可进行多道数据分析;Zhe等利用级联算法拾取地震初至，级联算法的优势在于其收敛速度快且不需要调整网络结构[16]。Maity等人设计了一种新的混合自动拾取网络结构，发现神经网络在低信噪比情况下，表现比其他方法更稳定[14]。Yuan等指出人工神经网络很少使用波形的空间相干特征，为此提出利用CNN进行初至拾取，但并未对比前人人工神经网络的结果[17]。提取哪些地震属性对初至拾取更有帮助也是未来值得研究的问题之一。

3.2  基于图像处理的地下结构识别

从地震图像中圈定断层是地震构造解释、储层描述和布井的关键步骤。地球科学家通常用一个或多个地震属性来判断三维地震图像中的断层，若所用属性不能很好地将断层与周围非断层区域区分开来，有可能导致错误解释结果。卷积神经网络的优势在于无需选择地震属性，直接建立原始地震信号与断层分布之间的映射，并且随着数据增多，CNN对噪声和不同模式的断层识别能力会越来越强。Wu等提出一种基于卷积神经网络二维地震图像的断层自动解释方法。对于同一地震图像相比于常规方法的结果，CNN能够给出更清晰、更连续断层的特征，甚至在更复杂的情况下，CNN仍然能够很好地预测断层分布[20]。Di等利用CNN原始叠后地震振幅建立地震信号与断层分布之间的映射关系，并将CNN与其他方法进行对比。结果表明，CNN的分类结果最接近手动解释结果[21]。Guitton等设计了一个3D卷积神经网络（3DCNN），它在自动估计地震体特征方面非常有效，可帮助完成分类任务[22]。前人已证明CNN在断层特征识别的有效性。为提升网络性能，Shi等在每次卷积后都对结果进行正则化处理[23];Wu等采用U型网络实现三维地震图像的断层识别（图3），并使用了二元交叉熵损失函数平衡实际地震数据中0（非断层）和1（断层）之间的高度不平衡，这样能使网络对有断层的地震数据更为敏感[24]。随着地震数据的增长，需要新的平台对数据进行管理。Huang等建立了一个基于云的地震数据分析平台，该平台可管理地震数据、计算地震属性、进行特征提取和选择，并应用深度学习软件包（TensorFlow和Caffe）来推断地下结构特征，为进一步工作打下坚实基础[25]。CNN能够有效地从原始地震数据中识别断层，但离实际应用还有一定距离。今后需要评估已训练模型的有效性。Shi等指出，今后可利用贝叶斯分割网络（Bayesian Segnet）对模型的不确定性进行评估以提高推断地下结构的可信度[23]。

4  神经网络在重磁勘探中的应用

相对于地震勘探而言，重力、磁法和电法面对的数学物理问题与地质模型更为复杂，虽然神经网络在非地震勘探中发展历程和地震相似，但进展更为缓慢，仍有很大的拓展空间。对于重磁位场数据，主要是利用位场数据反演地下重磁异常结构。

4.1  神经网络在重磁反演的应用

利用位场数据反演地下重磁异常结构也是学者们感兴趣的问题。Poulton等通过电磁椭圆率数据反演地下导体的位置、深度和面积，并对比了不同结构神经网络的计算速度与分类准确率。总体看来，对于维度超过100的输入向量，自组织映射到反向传播的混合网络虽然速度较慢，但测试效果最好[26]。Elawadi 等利用反向传播神经网络估计微重力数据，探测美国Medford洞穴在地下的深度，估算参数与钻探资料吻合良好。Elawadi 等指出神经网络优势在于反演效率更高，对大型复杂数据集提供灵活解决方案，同时對噪声容忍性更高[27]。Bescoby等与Al-Garni等利用人工神经网络（ANN）对地下磁性体参数进行反演，结果表明ANN对于实测数据的表现令人满意[28-29]。Al-Garni利用模块化神经网络反演倾斜堤坝模型参数，对于印度安得拉邦卡里姆纳加尔地区露头石英脉状岩体磁异常和秘鲁马可纳地区的马可纳磁异常。结果表明，与大多数常规方法相比，该技术与实测资料吻合较好[30]。由于实际地质模型的复杂性，常需建立不同网络来反演模型，这是神经网络在重磁勘探中的发展较为缓慢的主要原因。

4.2  神经网络在地电学中的应用

神经网络在地电学的应用主要分为3方面：大地电磁测深时间序列处理、直流电测深模型反演和大地电磁反演。神经网络在一维直流电测深模型的反演已相当成熟[31-32]。El-Qady等指出，对于一维反演问题神经网络的结果已足够让人满意。Srinivas等在前人的基础上选择比较了不同网络在一维直流电测深视电阻率反演的表现，如径向基网络、广义回归网络和前馈反向传播网络。选取10组合成数据对网络进行测试，发现前馈反向传播网络表现最佳[38]。二维模型的反演问题仍有待研究[14，28，36]。Neyamadpour等对反向传播、弹性传播等不同算法进行比较，发现在训练过程中，弹性传播算法收敛更快、误差更小。对于二维直流电测深模型反演，弹性反向传播算法可能是一个较有效的选择。

神经网络在大地电磁反演也有应用。普遍认为一维反演需要不同神经网络学习不同的一维模型[4，36-37]。实现自动化反演需要多个网络组成的模块化神经网络，部分网络负责对曲线分类，部分负责对曲线回归[37-38]。对于二维问题，有学者倾向于先对电磁场数据分类再回归，但二维模型如何分类仍有待研究[39-41]。总的来说，一维大地电磁反演较为成熟，二维反演的模型分类及如何设计网络仍有待研究，三维问题的反演结果不尽人意（图4）[40]。

神经网络还能用于大地电磁时间序列噪声识别与去噪分析。电导率结果的可靠性主要取决于电磁场数据的信噪比，采用人工处理的方法需要观察时间序列后手动删除异常数据，耗时费力。学者们为解决该问题提出许多人为消除电磁干扰的方法，相较于神经网络，其他方法无法同时在时域和频域压制噪声[42]。神经网络去噪的可行性已得到认可[43，44]，它的优势在于能够快速、稳健地剔除时间序列中的噪声，在低信噪比情况下，神经网络的表现与人为剔除结果具有一致性[44]。未来应结合无监督式分类器与监督式循环网络进行去噪，无监督式学习可帮助数据分类并节省时间。

5  主要认识

神经网络在地球物理图像识别和数据处理中已取得不俗成果，但在反演中的应用还有待探索，而神经网络在分类中表现更为出色。神经网络本身更适合分类问题，回归问题会弱化神经网络非线性模拟的优势，且对标签数据逆归一化，也需假定预测数据和训练数据为同一分布，这对于地球物理的实测数据要求过于苛刻。神经网络的优势主要有2点：①多个线性分类器组合给予其强大的非线性模拟能力，面对大量数据神经网络的表现显著优于传统算法;②神经网络的训练和预测是分开的，使得神经网络在处理大量数据时速度和准确度具有压倒性优势。神经网络的缺陷也很明显，当出现不同分布的数据，网络需要不断训练来建立新的映射，对神经网络的应用造成一定阻碍。面对多种网络结构和算法，必须理解其原理，针对问题满足不同需求。误差分析对于神经网络的实际应用尤为重要，可帮助人们理解在哪些数据上“犯错”，以便按照生产实践要求进行优化。总之，神经网络在地球物理中的可行性已被学者们广泛认可，但在很多实际应用领域有待探索。

参考文献

[1]    Zhdanov M S. Geophysical inverse theory and regularization problems[M].Annals of Glaciology，2002，32（1）：321-327.

[2]    王昊，严加永，付光明，等.深度学习在地球物理中的应用现状与前景[J].地球物理学进展，2020，35（2）：0642-0655

[3]    王家映.人工神经网络反演法[J].工程地球物理学报，2008，5（3）：  256-265

[4]    Poulton M M. Neural networks as an intelligence amplification tool： A review of applications[J].Geophysics，2002， 67（3）：979-993.

[5]    Sandham  W A. Leggett， M. Geophysical applications of artificial   neural networks and fuzzy logic[M]. Kybernetes，2003，21

[6]    Baan M ，Jutten C. Neural networks in geophysical applications[J].  Geophysics，2000， 65（4）：1032-1047.

[7]    McCulloch W S， Pitts W. A logical calculus of the ideas immanent in nervous activity[J]. The bulletin of mathematical biophysics，1943， 5（4）：115-133.

[8]    Hinton G E .Osindero， S. A fast learning algorithm for deep belief nets[J]. Neural Computation，2006， 18（7）：1527-1554.

[9]    Lecun Y， Bottou L， Bengio Y，et al. Gradient-based learning applied to document recognition[J]. Intelligent Signal Processing，2001，86（11）：306-351.

[10]  付文博，孫 涛，梁 藉，等.深度学习原理及应用综述[J].计算机科学，2018，45（6）：11-15.

[11]  Chu P， Mendel J M. First break refraction event picking using fuzzy logic systems[J].IEEE International Conference on Fuzzy Systems，1993， 2（4）：255-266

[12]  Murat M E， Rudman A J. AUTOMATED FIRST ARRIVAL PICKING： A NEURAL NETWORK APPROACH1[J]. Geophysical Prospecting，1992， 40      （6）： 587-604.

[13]  McCormack， M D. FIRST-BREAK REFRACTION EVENT PICKING AND SEISMIC DATA TRACE EDITING USING NEURAL NETWORKS[J].Geo    physics，1993， 58（1）：67-78.

[14]  Maity D， Aminzadeh， F， Karrenbach M. Novel hybrid artificial neural network based autopicking workflow for passive seismic data[J]. Geophysical Prospecting，2014， 62（4）：834-847.

[15]  Kahrizi A， Hashemi H. Neuron curve as a tool for performance evaluation of MLP and RBF architecture in first break picking of seismic data[J]. Journal of Applied Geophysics，2014， 108：159-166.

[16]   Zhe L， Rong S， Weixiu X， et al. The Improvement of Neural Network Cascade-Correlation Algorithm and Its Application in Picking Seismic First Break[J]. Advances in Petroleum Exploration and Development，2013， 5（2）：41-51.

[17]   Yuan S， Liu J， Wang S， et al. Seismic Waveform Classification and First-Break Picking Using Convolution Neural Networks[J]. IEEE Geoscience and Remote Sensing Letters，2018， 15（2）：272-276.

[18] Zhu W， Beroza G C. PhaseNet： a deep-neural-network-based seismic arrival-time picking method[J]. Geophysical Journal International，2018， 216（1）：261-273.

[19] Duan X， Zhang J. Multitrace first-break picking using an integrated seismic and machine learning methodPicking based on machine learning[J]. Geophysics，2020， 85（4）：269-277.

[20] Wu X， Shi， Y. Fomel， S.，Liang， L. Convolutional neural networks for fault interpretation in seismic images[J]. In 2018 SEG International Exposition and Annual Meeting，2018：1946-1950

[21] Di H， Wang Z， AlRegib G. Seismic Fault Detection from Post-Stack Amplitude by Convolutional Neural Networks[J]. In 80th EAGE Conference and Exhibition 2018，2018：1-5.

[22] A Guitton， 3D Convolutional Neural Networks for Fault Interpretation[J].In 80th EAGE Conference & Exhibition 2018，2018：1-5

[23] Shi Y， Wu X， Fomel S. Automatic salt-body classification using a deep convolutional neural network[J]. In 2018 SEG International Exposition and Annual Meeting，2018：1971-1975

[24] Wu X， Liang L， Shi Y， Fomel， S. （2019）. FaultSeg3D： Using synthetic data sets to train an end-to-end convolutional neural network for 3D seismic fault segmentation CNN for 3D fault segmentation[J]. Geophysics， 84（3）：35-45.

[25] Huang L， Dong X， Clee T E. A scalable deep learning platform for identifying geologic features from seismic attributes[J]. Geophysics，2017，36（3）：249-256.

[26] Poulton M M.“Location of Subsurface Targets in Geophysical        Data Using Neural Networks.” Geophysics，57（12）：1534-1544.

[27] Elawadi E， Salem A， Ushijima K. Detection of cavities and tun     nels from gravity data using a neural network[J]. Exploration           Geophysics， 2001，（1）：1-4.

[28] Bescoby D J， Cawley G C， Chroston P N. Enhanced interpretation of magnetic survey data from archaeological sites using arti     ficial neural networks[J]. Geophysics，2006， 71（5）：45.

[29] Al-Garni， Mansour A. “Interpretation of Magnetic Anomalies Due to Dipping Dikes Using Neural Network Inversion[J].” Arabian Journal of Geosciences，2014，8（10）：8721-8729.

[30] Al-Garni， Mansour A. “Interpretation of Some Magnetic Bodies Using Neural Networks Inversion[J].” Arabian Journal of Geosciences，2009，2（2）：175-184.

[31] Calderón-Macías C， Sen M K， Stoffa， P L. Artificial neural networks for parameter estimation in geophysics[J]. Geophysical Prospecting，2000， 48（1）：21-47.

[32] El-Qady G， Ushijima K. Inversion of DC resistivity data using neural networks[J]. Geophysical Prospecting，2001，49（4）：417-430.

[33] Srinivas Y， Raj A S， Oliver D H. Muthuraj， D.， et al.A robust behavior of Feed Forward Back propagation algorithm of Artificial Neural Networks in the application of vertical electrical sounding data inversion[J]. Geoscience Frontiers，2012，3（5）：729-736.

[34] Singh U K， Tiwari. Inversion of 2-D DC resistivity data using rapid optimization and minimal complexity neural network[J]. Nonlinear Processes in Geophysics，2010， 17（1）： 65-76.

[35] Neyamadpour A， Taib S， Abdullah. Using artificial neural networks to invert 2D DC resistivity imaging data for high resistivity contrast regions： A MATLAB application[J]. Computers & Geosciences，2009， 35（11）：2268-2274.

[36] Hidalgo H，Gomez-Trevino E，Swiniarski R.Neural network approximation of an inverse functional[J].In Proceedings of 1994       IEEE International Conference on Neural Networks，1994，5：3387 -3392.

[37] Zhang L， Poulton. Borehole electrical resistivity modeling using neural networks[J]. Geophysics，2002， 67（6）：1790-1797.

[38] Poulton M M， Birken R A. Estimating one-dimensional models from frequency-domain electromagnetic data using modular neural networks. IEEE Transactions on Geoscience and Remote Sensing，1998，36（2）：547-555.

[39] Zhang Y， Paulson K V， Magnetotelluric inversion using regularized Hopfield neural networks[J]. Geophysical Prospecting，1997，45（5）：725-743.

[40] Shimelevich M I， Obornev E A. Formalized Inversion of Geophysical Data Using Neural Network Technologies with Application to the Tasks of Geoelectrics and Gravimetry[J]. In Engineering and Mining Geophysics 2019 15th Conference and Exhibition，2019，2019：1-5.

[41] Shimelevich M I， Obornev M A. Rapid neuronet inversion of 2D magnetotelluric data for monitoring of geoelectrical section parameters[J]. Annals of Geophysics，2007， 50（1）.

[42] Popova I V， Ogawa Y. Application of a Modified Hopfield Neural Network to Noisy Magnetotelluric Data[J]. Izvestiya-Physics of The Solid Earth，2007， 43（3）：217-224.

[43] Carbonari R， Maio R D， Piegari， E. Filtering of noisy magnetotelluric signals by SOM neural networks[J]. Physics of the Earth and Planetary Interiors，2018，285：12-22.

[44] Manoj C， Nagarajan N. The application of artificial neural networks to magnetotelluric time-series analysis[J]. Geophysical Journal International，2003，153（2）：409-423.

Application of Neural Network in Exploration Geophysics

Wang Sihao，He Lanfang，Li Liang

（Institute of Geology and Geophysics， Chinese Academy of Sciences， Beijing，100029，China）

Abstract：With the development of the geophysical and geological computing， neural network， a data-driven modeling tool， has been widely used in geophysics. Great progress has been made in geophysical data processing and image recognition based on neural network. We briefly reviews the state of the art and the way ahead of the neural network and its apllication in geophysics in this paper. The development history， basic principles and main technical framework of neural network， summarizes the application of neural network in exploration seismic， electromagnetic， gravity and magnetic exploration are presented. The advantages and disadvantages of neural network are discussed. The feasibility of neural network in geophysics has been widely recognized by scholars， but there are still a series of problems to be further explored in practical application.

Key words： Nerual network;Geophysical exploration; Application progress; Development trend