利用双路卷积神经网络的速度自动拾取方法

摘要： 人工拾取速度谱是地震资料常规处理中速度分析的主要手段，此方法既耗时、耗力，又限制了大规模三维地震资料处理的效率和准确性。为此，提出了一种利用双路卷积神经网络的速度谱自动拾取方法。首先，采用卷积神经网络结合注意力机制作为主网络，从速度谱数据中提取能量团的特征并实现速度的自动拾取；其次，训练主网络在输出时间—速度序列之前，通过特征融合和特征转换将速度与另一个卷积神经网络（辅网络）输入的未校正CMP 道集的隐藏表征进行信息融合，重构成校正后的CMP 道集；最后，通过辅网络模拟CMP 道集动校正的过程，利用动校正优化速度拾取的精度。模型和实际资料测试结果表明，在加入辅助神经网络引入动校正信息后，文中方法比单一的卷积神经网络在速度拾取方面具有更高的精度。

关键词： 双路卷积神经网络，主神经网络，辅神经网络，CMP 道集，优化拾取

中图分类号：P631 文献标识码：A DOI：10. 13810/j. cnki. issn. 1000-7210. 2024. 06. 002

0 引言

在地震资料处理中，常见的速度分析方法有t2 ‐x2 法、速度扫描法、常速叠加法以及基于CMP 道集的速度谱法，其中速度谱法最为常用，通常需人工拾取[1]。随着三维地震采集技术的发展，地震数据的规模和复杂性显著增加，人工拾取速度谱的方法由于耗时长、主观误差大，已不能适用新的需求。因此，许多研究人员正在积极探索并发展基于机器学习和人工智能的自动化地震资料速度谱拾取算法，以提高拾取效率，减少人工干预，获得更准确的拾取结果。

地震资料速度谱拾取方法主要归纳为两类：一类是基于反演的最优化算法；另一类是基于机器学习的算法。机器学习方法又可以分为有监督学习和无监督学习两种方式。无监督学习拾取速度谱是通过识别出能量团潜在的特征对无标记的数据进行聚类分析，算法简单、易于实现。Galvis 等[2]和Araya-Polo 等[3]使用K 均值聚类算法处理地震数据，该算法将聚类中心视为拾取位置，采用距离作为相似性指标拾取速度，然而该方法对于非球形速度能量聚类效果差，并且K 值需要手动设置；Smith[4]将无监督机器学习聚类算法与地震属性相结合，确定了最佳的速度拾取位置，提高了拾取的效率；Chen[5]提出了一种自下而上的拾取策略，解决了不同CMP 道集所对应K 值不同的问题；Waheed 等[6]提出了基于密度噪声应用的空间聚类（DBSCAN）算法拾取速度谱，避免了K 均值聚类中手动选择K 值的问题；王迪等[7]提出了自适应阈值约束的智能速度拾取方法，使用时窗法进行阈值计算来获取速度谱能量团并进行聚类，取得了很好的效果；Wang 等[8]提出了一种高斯混合模型聚类智能速度拾取方法，通过恰当拟合低聚焦能力的能量团，得到最优拾取速度，避免了多次波和其他噪声的干扰；Wang 等[9]提出了一种基于Chan-Vese（CV）模型和mean-shift 聚类算法的速度拾取方法，将由专家在速度谱上建立的速度趋势带应用到CV 模型得到速度候选区域，再采用均值聚类对有效能量团进行聚类；Xie 等[10]提出了一种无监督加权K 均值聚类速度选择方法，利用初始速度作为先验信息，对其设置幅值阈值，剔除幅值较小的速度，提高了速度拾取的精度。以上无监督聚类算法容易受到多次波和随机噪声的影响，忽略了地下空间结构的复杂性和专家经验，从而导致拾取结果精度较低。

近年来，有监督学习方法得到了快速发展，它可以依靠已经标记的训练样本，将输入数据与输出数据建立映射关系。Ma 等[11]采用了卷积神经网络（CNN）实现了叠前CMP 道集的自动拾取；Biswas等[12]提出了利用递归神经网络（RNN）直接从地震数据中计算叠加速度；Zhang 等[13-14]将长短期记忆模型（LSTM） 分别与CNN 和YOLO（You Only LookOnec）相结合，解决了梯度消失和梯度爆炸的问题；Wang 等[15]使用U-Net 结构设计了速度谱拾取网络，并比较了分类网络和回归网络，证明了回归网络在速度谱拾取方面具有更高的精度。Bian 等[16-17]和崔家豪等[18]设计了一种基于目标检测拾取速度的方法，并应用Fcos 神经网络模型实现了速度谱自动拾取；此外，Wang 等[19]提出一种多信息融合网络，利用速度谱和部分叠加道集的融合信息估计叠加速度，从而将速度谱拾取问题转换为语义分割问题；Xue等[20]提出一种约束最优曲面拾取方法，能够高效鲁棒地从三维相似体中自动拾取二维速度场；Xi 等[21]设计了一种域自适应速度谱拾取模型DAYOLOv7，并优化了网络结构，证明该网络模型的拾取精度优于现有模型；伍国富等[22]提出在高维速度谱数据体中，以Bayes 风险决策函数值最小为原则，挑选出合理的时间—速度对；潘海侠等[23]提出了利用改进后的Faster-RCNN 目标检测算法进行速度谱拾取，并加入了注意力模块来提高其拾取精度。无论是有监督还是无监督学习方法，虽然研究人员已经在网络结构和算法优化方面做了大量的创新工作，但速度拾取的精度和效率依然有很大提升空间。

在地震勘探中，CMP 数据和速度谱在地震速度的表达方面相互补充[24]。CMP 数据在整个时间和偏移范围内强调了振幅—速度的关系，以揭示局部详细信息。速度谱则包含了对双曲线的先验知识，有助于简化旅行时间与速度之间的复杂射线传播关系及增加抵抗噪声的能力。本文针对CMP 数据、速度谱和地震速度之间的关系，提出了一种利用双路卷积神经网络结构的速度谱自动拾取方法，首先采用卷积神经网络结合注意力机制作为主网络，从速度谱数据中提取能量团的特征并实现速度的自动拾取，并在输出时间—速度序列之前，通过特征融合和转换将速度与辅助神经网络输入的未校正CMP道集的隐藏表征进行信息融合，重构成校正后的CMP 道集，从而利用动校正来优化速度拾取的精度。该方法将地震数据的独特特点与深度学习理论相结合，通过精心设计的训练样本来训练卷积神经网络，实现了速度自动拾取过程。实验结果表明，该方法在速度自动拾取领域胜过现有技术，展现了其在推进速度谱拾取自动化和智能化方面的潜力。