基于样本选取和多种质控的地震层位智能拾取

于 越,桑文镜,袁三一,陈 帅,王尚旭

(中国石油大学(北京)地球物理学院,北京 102249)

地震层位追踪与拾取是一项基础且重要的地震解释工作,准确的地震层位能为速度建模、偏移成像、构造解释、属性分析、井震标定、弹性参数反演、物性参数预测和钻前压力监测等勘探开发工作提供基本数据和保障[1]。

目前,层位拾取方法以人工拾取和自动拾取两大类为主。人工拾取是解释人员根据地质沉积演化规律和地震数据的波形、振幅和相位等物理特征,稀疏地解释少量纵横测线剖面的目标层位,再依据波形相似性,通过数学插值的方式追踪其它剖面上的层位线,最终得到三维层位曲面。人工拾取方法具有操作简便和容易学习等优点,但是该方法比较依赖解释人员的主观认识与经验,且无法同时保证层位追踪的精度与效率。当拾取层位线较粗糙时,易丢失地质异常体;当拾取层位线较精细时,会大量耗费时间与精力,降低解释效率。因此为了突破人工拾取方法的局限性,不少学者先后提出了兼顾精度与效率的层位自动拾取方法[2]。

现有的层位自动拾取方法主要分为基于地震道相关性、地震图像像元匹配和神经网络自动追踪3类。基于相关性的层位自动拾取技术是在相干算法[3-4]的基础上,依据地震剖面的波形特征,通过比较道与道之间的相关性追踪并标记层位。基于此思想,ZENG等[5]提出一种利用少量人工标记过的层位对三维层位进行插值的方法;赵成喜等[6]提出通过确定目的层种子点,选取一定大小的相邻时窗,利用线性插值的方法识别相邻地震道追踪地震层位;温庆庆[7]提出利用种子点引导,通过全区插值,对插值点与种子点进行相关计算,将相关系数最大的点作为拾取层位。然而,利用插值的方法虽然总体上可以比较清楚地分辨层位的结构,但人工标记层位种子点的质量对插值结果影响较大,而且容易造成最终层位的不完整。郑公营等[8]提出了波形特征追踪和相关追踪两种层位自动拾取算法。这两种算法提高了层位追踪效率与质量,但在地震波形比较复杂、存在较大断层和分叉的情况下,存在一定的局限性。WU等[9]将动态时间规整(dynamic time warping,DTW)算法引入到地震层位拾取中,利用多网格斜率相关断层两侧的地震道来追踪层位,该方法不仅计算高效,而且在经过断层时仍能够获得准确的相位一致的层位。

基于图像的自动追踪方法引入了图像处理领域中的像元概念,将地震记录点看成像元,通过比较目标窗口内的像元之间的关系,将达到最佳匹配的像元作为追踪的层位目标。涂先见[10]提出了一种基于信号分类的全层位追踪方法,该方法避免了传统层位追踪易受到人为干预的局限性,实现了指定区域内的全层位追踪,但对跨断层区域的层位追踪效果较差。蒋旭东等[11]提出一种基于结构张量算法的自动追踪层位方法,该方法通过结构张量算法计算层位发育角度信息来追踪层位,其层位拾取结果相对稳定,且与同相轴吻合度高,但在波形相似度变弱时,特别是在一些复杂的断层区域,容易造成追踪结果的不连续。

基于神经网络的层位自动追踪方法结合了地震大数据和多类型深度神经网络的各自优势,通过学习大量的地震样本与标签提取层位特征属性并映射出层位,从而达到层位自动拾取的目的。HUANG等[12]曾提出一种基于线性阵列特征图的自组织模型提取地震层位的算法,该算法可以用于地震模式识别的预处理,提高地震解释的水平。ALBERTS等[13]提出了一种基于人工神经网络的层位追踪算法,该方法可以自动跳过断层等不连续地质结构区域,实现了层位的自动追踪和分类,但在断层区域容易产生层位的不连续。赵皓[14]利用自组织特征映射(self-organizing feature mapping,SOFM)网络和反向传播(back propagation,BP)神经网络实现了断层两侧层位同相轴的定位与追踪。PETERS等[15]和YANG等[16]使用深度卷积神经网络,在训练少量地震图像的基础上实现整个数据体的层位自动追踪,提高了层位拾取的效率和精度。SHI等[17]提出了一种基于深度学习自动编码器的无监督层位自动拾取方法,该方法在训练过程中不需要标签,且对噪声和横向扭曲不敏感。但对于不整合以及断距较大的断层,该方法的稳定性较差。袁英淏[18]提出了基于恒等快捷映射的深层卷积神经网络自动层位追踪方法,该方法解决了深层网络中经常出现的梯度弥散问题,提高了拾取结果的准确性,但追踪层位耗费时长远远高于其它层位自动追踪方法。

总之,现有的层位自动拾取方法仍存在一些不足:①已有的基于波形相关性和基于图像像元相似性的层位自动追踪技术存在效率低,对断层等不连续区域敏感,以及当不同目标层位比较接近且波形相似时易产生串层现象等问题;②大部分神经网络类方法只是应用神经网络实现了层位自动追踪,但没有针对地震数据的固有物理特性开展测试以形成较系统的认识;③没有充分利用已有的地球物理认识和地质规律引导层位拾取网络的建模,对拾取结果缺少多种有效的质控与分析。

为克服现有神经网络类层位自动拾取方法存在的不足,本文以语义分割为基础,以U型神经网络为架构,以层拉平、层位闭合、等t0图、地质导向相位属性和均方根振幅属性等多种地球物理手段为质控,提出了一套综合考虑不同方向、不同大小的地震剖面包含的层位信息和地质结构特征的差异性及标签正确性对网络建模影响的地震层位智能拾取方法与流程。

本文在介绍方法原理和质控手段的基础上,讨论了数据集生成方向、训练样本尺度大小和标签错误程度3种样本选取因素对智能层位拾取的影响。

1 方法原理

1.1 U型神经网络

U-Net网络是一种常见的卷积神经网络,于2015年由RONNEBERGER等[19]提出。U-Net网络最早用于解决医学图像细胞分割问题,由于其具有可解释性较强、分割精度高、所需训练数据量少等优点,因此适用于同样存在少样本、图像语义简单等情况的地震解释领域,在识别层位、断层、河道、溶洞、盐丘和地震相等应用中取得了良好的实际应用效果[20-21]。

原始的U-Net网络主要由包含4次下采样的收缩路径和包含4次上采样的扩张路径两部分组成,收缩路径将输入的地震信息转化为特征图;与其对称的扩张路径将提取的特征图进一步映射成与输入图像等大的输出结果。图1为本文所使用的U型神经网络结构示意。由于本文中部分训练样本大小为128×128,经过4次下采样后特征图无法有效保留原始图像的局部细节信息,因此本文将下采样和上采样次数均从4次减少到3次。其次,原始的U-Net网络通道数依次为64,128,256,512,1024;为提高训练速度,本文的U型神经网络通道数依次设置为16,32,64和512。

图1 U型神经网络结构示意

基于U型神经网络的地震层位智能拾取问题可以被看成是像素级别的地震图像分类任务,其目标函数一般使用交叉熵损失函数。在单套层位拾取(二分类)的情况下,网络模型最后输出表征层位的概率图。层位和非层位两种类别预测得到的概率分别是p和1-p,此时U型神经网络的目标函数如下:

(1)

式中:N表示样本的个数;yi表示第i个样本的类别,层位位置为1,非层位位置为0;pi表示第i个样本被预测为层位的概率。

多套层位拾取(多分类)相应的目标函数为:

(2)

式中:M表示类别的数量;pij表示第i个样本属于类别j的预测概率;yij为符号函数,如果样本的真实类别等于j,则yij=1,否则yij=0。当M=2时,公式(2)与公式(1)等价。

1.2 层位智能拾取过程

利用U型神经网络智能拾取层位时,首先在人工解释层位附近设置时窗,将时窗内区域标记为所属的层位类别,时窗外区域标记为0,最终生成与地震剖面等大的层位标签。以包含3套目标层位的地震剖面(图2a)为例,其中层位用黑色线表示。标记从上到下的3套层位及其邻域分别为1,2,3,剩下的区域标记为0,获得层位标签见图2b。重复上述步骤,完成三维地震数据的层位标签制作。然后等间隔抽取地震剖面和层位标签,训练U型神经网络。网络的学习率设置为0.001,经过50次迭代训练获得具有层位特征识别能力的网络模型,从而比较清晰地分割出层位区域,并减少了非层位区域的干扰。接着,将智能层位拾取模型推广到待测试剖面。网络将输入的二维地震数据端到端、图像到图像、像素到像素地转化为输出的层位拾取概率图。层位拾取概率图是层位和非层位区域的语义分割结果,概率值越接近预设标签值,被认为是该层位的可能性越大。为获得更可靠合理的层位拾取结果,接着对层位拾取概率图沿着人工拾取层位线设置窗口大小为15×1的时窗,通过阈值对窗内的层位概率分类(将窗内大于临界值的点设为表示层位的1,其它点设为表示非层位的0)。最后,窗内每道非零位置的中心点即为智能拾取的地震层位。

图2 多套层位标签制作示意a 地震剖面(黑线为人工拾取的3套层位); b 地震剖面对应的多套层位标签

2 质控方法

为检查和把控地震层位智能拾取结果,本文在判断拾取的层位是否准确追踪同相轴的基础上,加入多种质控方法。

1) 层拉平:准确拾取的地震层位会统一追踪地震波同相轴的波峰、波谷或零值点位置,若将层位附近区域沿层位拉平后会得到波形水平的地震剖面;地震剖面拉平效果越好,层位拾取越准确。

2) 层位闭合:Inline方向和Crossline方向上的层位线应闭合相交于一个坐标点。

3) 层位等t0图:直观地反映地震层位的三维形态和起伏变化。

4) 沿层振幅切片:比较清晰地反映构造发育及展布特征。

5) 均方根振幅属性:对地震数据振幅变化敏感,可以检验拾取层位对地质异常体的刻画能力。

6) 地质导向相位属性[22]:表征三维曲面中近似垂直于构造的不连续性,突出和识别地下微小构造。

7) 层位概率图:可视化智能层位在人工层位位置的概率图,概率值越高,预测的置信度越高。

选取如图3a所示的三维裂缝物理模拟数据[23]开展测试,并选取几种质控手段检验获得的智能层位拾取结果是否准确。若不满足条件,调整样本选取策略重新训练网络。该模型数据Inline方向、Crossline方向和时间方向的采样大小分别为750,750和400,时间采样间隔为1ms,沿Crossline方向(西—东)和Inline方向(北—南)道间距为12.5m,覆盖面积约90km2。物理模型(图3b)由浅到深依次发育6套沉积层,分别命名为L1～L6。其中,第4套沉积层L4为本文研究的目的层,其平均厚度约为190m,对应的地震层位为图3a中的黑线所示层位。从目的层顶部的二维示意(图3c)及对应的沿层振幅切片(图3d)可以看到,目的层主要由位于北部的不同长度、宽度、密度、水平间隔、形状的八组简化裂缝带和位于南部的包含四个东西向断裂体系两大部分构成。此外,裂缝带比断裂体系埋藏更深,形成南高北低,自南向北逐渐倾伏的地质结构。

图3 三维裂缝物理模拟数据示意a 三维地震数据(黑线表示人工层位); b 包含6个沉积层的裂缝物理模型[23]; c 第4个沉积层(目的层)的俯视图[23]; d 目的层的沿层振幅切片

首先等间隔地从三维物理模拟数据中抽取100个Inline剖面,并利用人工层位生成层位标签,每个地震样本和层位标签的大小都是400×750。此时层位标签包含目标层位区域(对应的标签为1)以及非目标层位区域(标签为0)两个语义类别。然后将获得的样本集按1∶1分成训练集和验证集。层位拾取网络训练好后,测试所有Inline剖面获得三维层位拾取结果。抽取两个典型剖面分析智能层位拾取效果,图4a为一仅经过断层的东西向剖面Crossline 150,图4b为同时经过断层和多个裂缝的南北向剖面Inline 406。图4a和图4b中的黑线和绿线分别表示人工、智能拾取的层位。对比发现,智能拾取的层位基本能够正确地反映层位变化趋势,追踪与地震构造一致的反射波同相轴信息在断层和裂缝位置没有出现串层现象,与人工层位拾取结果整体相当。为进一步检验拾取的智能层位,对含断层和裂缝等特殊构造区域(图4a和图4b中椭圆圈)分别沿着人工层位(图4c和图4d中的黑线)和智能层位(图4c和图4d中的绿线)拉平。可以看出,沿着智能层位拉平后的地震剖面(图4d和图4f)更为平缓,波形抖动小,层拉平质控说明基于U型神经网络的智能层位拾取方法能比人工拾取方法更好地刻画断层和裂缝两类地质结构。

再选取层位闭合、层位等t0图、地质导向相位属性这3种手段进一步质控三维层位拾取质量。图5a和图5b为随机抽取两组两两相交的Inline剖面和Crossline剖面。如黑色箭头所示,两个方向上的智能层位(绿线)相交于一点,说明满足层位闭合条件。人工和智能层位对应的等t0图(图6a和图6b)都能清晰地刻画断层系统,但智能层位等t0图能够更明显地表征北部的裂缝带。基于三维地质导向相位结果,图6c和图6d分别为沿着人工、智能层位提取出的地质导向相位切片,后者刻画断层和裂缝组合清晰,受到噪声干扰少,获得连续性较好、构造细节丰富的地质异常体。综合分析图4、图5 和图6发现,本文方法解释的层位比人工层位在断层和裂缝等不连续构造附近表现更好,识别细微构造的能力更强。

图4 物理模型地震剖面的层位拾取结果 a,b 分别为Crossline150剖面、Inline406剖面; c,d 分别为 a图中断层(椭圆圈)附近沿人工(黑线)、智能(绿线)层位拉平; e,f 分别为 b图中裂缝(椭圆圈)附近沿人工(黑线)、智能(绿线)层位拉平

图5 物理模拟数据三维层位智能拾取质控与评价a Inline600和Crossline600剖面层位闭合情况(黑色箭头所示); b Inline300和Crossline700剖面层位闭合情况(黑色箭头所示)

图6 物理模拟数据三维层位智能拾取质控与评价a 人工层位等t0图; b 智能层位等t0图; c 人工层位对应的地质导向相位切片; d 智能层位对应的地质导向相位切片

3 样本选取策略

在引入多种质控方法评价智能层位拾取效果的基础上,讨论数据集生成方向、训练样本尺度大小和标签错误程度3种因素对建立智能层位拾取模型的影响,以形成一种比较可靠的样本选取策略。

3.1 数据集生成方向

沿不同方向提取的地震剖面可以突显不同尺度、不同构造走向的地下异常体,尤其是小尺度异常体。本文分别沿三维地震数据的Crossline和Inline方向等间隔抽取50个地震剖面,构建两个不同的训练数据集,并训练出两个智能层位拾取网络,分别命名为Crossline网络和Inline网络,以探究不同方向数据集对层位拾取结果的影响及原因。其中,Inline网络也是图4 和图5对应的网络。利用这两个网络分别测试对应的测线剖面,得到两个层位概率体。图7a和图7b 分别为从这两个三维概率体提取出人工层位位置对应的概率图。可以看出,Crossline网络得到的人工层位切片概率图在南部断层区域表现为深红色,切片边界及北部裂缝内部出现较多呈橘红色和蓝色的低概率值,表明Crossline网络对这些位置是否是目标层位判断不准,拾取结果偏离了人工层位;而Inline网络得到的人工层位切片概率图整体表现为深红色,即判定该位置为目标层位的置信度高。图7a 和图7b的对比说明沿Inline方向训练网络在人工层位切片位置预测的概率图整体概率较高,对应的层位拾取效果较好。接着对于三维地震数据分别沿着人工拾取、Crossline网络拾取、Inline网络拾取层位提取沿层振幅切片,如图7c至图7e所示。两个网络对应的沿层振幅切片都能刻画出断层和裂缝的基本形态且相较人工沿层振幅切片对断层的走势、裂缝的边界刻画得更加精细和清晰。

图7 训练集生成方向对物理模拟数据层位拾取的影响a Crossline网络在人工层位位置的概率图; b Inline网络在人工层位位置的概率图; c 人工层位对应的沿层振幅切片; d Crossline网络层位对应的沿层振幅切片; e Inline网络层位对应的沿层振幅切片

由沿层振幅切片可以看到,由于Crossline地震剖面往往只经过断层或裂缝,而Inline地震剖面同时经过断层和裂缝,因此Inline网络的训练集比Crossline网络包含更丰富的地质信息,使其在训练过程中能够学习更多元化的地质结构特征与模式,提高了网络自适应提取层位的能力。因此本文认为当三维地震数据的不同方向地质结构特征差异较大时,沿着地质结构特征复杂的方向提取数据构建训练集建立的层位智能拾取模型更有利于推广测试。在后续的模拟数据测试中,我们均使用Inline方向作为数据集生成方向。

利用上文使用的Inline网络测试所有的Crossline剖面,进一步探究层位拾取网络沿着垂直于训练集生成方向推广时的层位拾取效果。图8a中黑线为人工层位,绿线为Inline网络测试Crossline150剖面得到的智能层位,与Inline网络沿Inline方向测试三维地震数据后提取Crossline150剖面上的智能层位(图4a绿线)基本一致。图8b为Inline网络测试Crossline剖面得到的概率体在人工层位位置的概率图,可以看到整体表现较好;与Inline网络测试Inline剖面得到的概率体在人工层位位置的概率图(图7b) 相比,仅在断层和裂缝位置概率值有所下降,但优于Crossline网络测试Crossline剖面得到的概率体在人工层位位置的概率图(图7a)。图8c为Inline网络测试Crossline剖面获得的智能拾取层位对应的沿层振幅切片,其对断层和裂缝的刻画能力介于图7d 和图7e之间。以上测试可以说明:对于当前数据,当沿着包括更多地质结构模式的方向生成训练数据集构建层位解释模型时,测试集数据生成方向无论是平行或垂直于训练集数据生成方向,U型神经网络都能获得稳定的波形特征一致的层位拾取结果;且测试集与训练集的数据生成方向相同比二者生成方向垂直时拾取的层位结果精度和置信度更高。

图8 Inline网络测试Crossline剖面得到的层位拾取结果a Crossline150剖面层位拾取结果; b Inline网络测试所有Crossline剖面后得到的人工层位位置的概率图; c Inline网络测试所有Crossline剖面后得到的智能层位对应的沿层振幅切片

3.2 训练样本尺度大小

考虑到不同大小的地震剖面包含的地质结构和目标层位存在差异,在此进一步探究训练样本尺度大小对智能层位拾取的影响。这里将前文训练使用的50个Inline剖面称为大尺度训练集(大小为50个400×750)。进一步对大尺度训练集中的每个剖面按照大小为128×128的滑动时窗截取小尺度训练样本(测线、时间方向的滑动步长分别设置为20和40),构建小尺度训练集(大小为2700个128×128)。为便于区分,将大尺度训练集和小尺度训练集训练得到的网络分别命名为大尺度网络、小尺度网络。利用训练好的大尺度网络和小尺度网络分别测试模拟数据的全部Inline剖面,得到两个三维层位拾取结果。提取人工、大尺度网络、小尺度网络拾取层位对应的均方根振幅切片,如图9所示。相比于人工层位对应的均方根振幅切片(图9a),小尺度网络拾取层位对应的均方根振幅切片(图9c)在断层附近出现了较多的地质假象;而大尺度网络拾取层位对应的均方根振幅切片(图9b)对断层和裂缝的刻画整体更为清晰干净,减少了噪声干扰。

图9 训练样本尺度大小对物理模拟数据层位拾取的影响a 人工层位对应的均方根振幅切片; b 大尺度样本网络层位对应的均方根振幅切片; c 小尺度样本网络层位对应的均方根振幅切片

总的来说,U型神经网络学习小尺度和大尺度地震样本及标签基本上都能得到比较完整和清晰的层位结果。但是,由于大尺度样本集一定程度上包含更连续完整的层位信息和更少的边界信息,得到的网络模型能够更全面地包含全局地震数据特征,追踪更为一致的地震波同相轴,使得层位拾取结果更加精确和稳定,从而减少了层位细节的丢失及地质假象的产生。而小尺度样本集比大尺度样本集的地质结构不连续性更强,边界信息更多,可能会增加网络学习难度,降低拾取结果的稳定性和抗噪性。因此根据以上测试,本文认为训练大尺度样本比小尺度样本更适用于层位拾取问题。

3.3 标签错误程度

基于神经网络的智能层位拾取方法严重依赖层位标签,标签的准确性(假设正确拾取的层位准确追踪地震波同相轴)对智能拾取效果起着决定性的作用。以往文献通常没有讨论标签错误程度对智能层位拾取的影响,因此这里采用前文提到的50个大小为400×750的Inline剖面和标签构建数据集进行标签出错试验与分析。本文通过使层位标签的出错程度逐渐增大来生成3个训练集,即第一、第二和第三次试验分别使每个标签的Crossline450～600、Crossline250～650和Crossline1～750对应的层位随机上移或下移15～30ms。以Inline393剖面为例,图10a为其正确的层位标签,图10b到图10d分别为第一、第二和第三次试验中对应的层位标签。3种试验情况下Inline600测试剖面的智能拾取层位如图10e所示。其中,黄线为人工层位,蓝线、绿线和粉线分别为第一、第二和第三次试验智能拾取的层位。将图10e局部放大得到图10f,可以看出蓝线与黄线大体一致,绿线相较黄线有一定的抖动,粉线抖动严重,产生了严重的串层现象。在展示标签出错对二维剖面层位拾取影响的基础上,进一步绘制3种情况下人工层位切片位置对应的概率图,分别为图10g,图10h和图10i。这3幅图的颜色变化直观反映了标签出错越严重,网络判定智能层位为目标层位的概率越低,相应的层位拾取结果越差。

图10 标签错误程度对物理模拟数据层位拾取的影响a Inline393地震剖面对应的正确层位标签; b～d 分别为Inline393地震剖面在第一、第二和第三次标签出错试验中对应的层位标签; e Inline600地震剖面在3次标签出错试验中获得的层位拾取结果; f e 图中黑色矩形框的放大; g,h,i 分别为第一、第二和第三次标签出错试验中人工层位切片位置对应的概率图

3种标签出错试验结果说明:U型神经网络具有一定的矫正错误标签的能力,当标签错误部分较少时,仍然能够追踪地震同相轴波形一致的层位位置;当标签大量错误时,网络矫正错误标签能力下降,网络朝着错误方向进行层位拾取,导致整体拾取精度下降;当标签完全出错时,超出了网络的矫正能力,拾取层位完全偏离正确位置,不满足层位拾取要求。

4 实际数据应用

实际数据选取我国西部某工区品质较好、信噪比较高的叠后三维地震数据(图11a)。该数据大小为400×400×800,时间采样间隔为2ms,道间距为25m,覆盖面积约100km2。实际数据由浅到深包含T1,T2和T3三个目的层位(图11a的黑线)。T2层位上部为碎屑岩沉积,下部为海相沉积。由3套层位对应的沿层振幅切片(图11b至图11d)可以看到,整个工区地层较平,主要发育一套由浅到深断距逐渐变小的大型走滑断裂。

图11 三维实际数据及目的层位对应的沿层振幅切片a 三维实际地震数据(黑线表示人工拾取层位); b,c,d 分别为目的层位T1,T2和T3对应的沿层振幅切片

沿着三维实际数据的主测线和联络测线方向可以看到:Crossline剖面波形较稳定,同相轴连续;Inline剖面上深大断裂导致其同相轴中断,波形较复杂。因此在制备数据集时,基于前文试验得到的沿着地质结构特征复杂方向提取大尺度样本建模更有利于推广测试的认识,沿着三维实际数据及三维标签的Inline方向等间隔抽取地震剖面及层位标签(大小为800×400),获得50组样本标签对。其中40组用于训练,剩余10组用于验证。为更好展示本文方法拾取实际层位的效果,沿着图11b中的黑线提取多次穿过走滑断裂的地震剖面,即图12a。其中,黑线和绿线分别表示人工与智能拾取层位。放大图12a中黑框部分(图12b)可以看出,智能拾取层位能够追踪波形一致的同相轴,准确识别出断层等复杂构造层位的位置和走向,具有较高的稳定性和较好的准确性。

图12 实际地震剖面的层位拾取结果a 沿图11b折线提取的地震剖面; b 图a中黑色矩形框的放大

基于已有的三维地质导向相位属性,进一步检查实际数据的三维智能层位拾取结果。图13a至图13f分别为人工和智能拾取的T1、T2、T3层位对应的地质导向相位切片。可以看到,基于U型神经网络智能解释的3套目的层位与人工解释层位整体上具有较高的一致性,它们的地质导向相位切片对不同尺度断层和溶洞的刻画效果都较好。

图13 实际数据三维层位拾取质控与评价a,b,c 分别为人工拾取的T1,T2,T3层位对应的地质导向相位切片; d,e,f 分别为智能拾取的T1,T2,T3层位对应的地质导向相位切片

此外,为进一步明确数据集生成方向和样本尺度大小两种训练样本选取影响因素的相对重要性,在保持原始剖面数量以及包含信息丰富程度一致的情况下进行以下四种测试。每种测试采用的训练样本选取策略见表1。图14a至图14e分别为人工拾取、复杂方向+大尺度、复杂方向+小尺度、简单方向+大尺度、简单方向+小尺度拾取测试对应的T1层位的等t0图,可以看出,沿复杂方向采样并结合大尺度样本这种建模策略对应的层位拾取效果最佳(图14b),与人工拾取的层位等t0图最接近;仅改变采样方向时拾取结果变化较小(图14c);改变样本大小导致拾取的层位产生了明显的地质假象(图14d),说明拾取结果存在一定的串层现象;采样方向和样本大小同时改变时拾取结果最差(图14e)。说明对于该数据,选择合适的样本尺度比采样方向对智能层位网络性能的影响更大。

表1 四种训练样本选取策略

图14 数据集生成方向及样本尺度大小对实际数据T1层位拾取的影响a 人工拾取的T1层位等t0图; b,c,d,e 分别为复杂方向+大尺度、复杂方向+小尺度、简单方向+大尺度、简单方向+小尺度4种样本选取策略智能拾取的T1层位等t0图

5 结论

本文通过将层位拾取问题转换为图像语义分割问题,提出了一种基于U型神经网络的多套目标层位智能拾取方法。三维裂缝物理模拟数据和三维实际数据试验得出以下几点结论。

1) 基于图像语义分割和U型神经网络实现了多套目标层位的高效同时提取,拾取结果与人工层位拾取吻合度高,且同相轴追踪结果稳定。通过应用层拉平、层位闭合、等t0图、均方根振幅属性、地质导向相位属性等多种地球物理质控手段可以有效检验和评价智能层位拾取与人工层位拾取的优劣,指导训练样本选取与智能层位拾取模型的建立与优化。

2) 提出了一种沿着地质结构特征复杂方向提取大尺度数据构建训练集的逐级样本选取策略,对于建立层位智能解释模型具有一定的物理可解释性和普适性。在数据集信息量相近情况下,该策略建立的层位拾取网络泛化能力最强,适合推广到平行或垂直于训练集数据生成方向的地震剖面。相比于沿着地质结构简单方向或使用小尺度样本构建训练集,本文提出的样本选取策略更能获得波形稳定、特征一致的层位拾取结果。并且,样本尺度大小比训练集生成方向对层位智能拾取结果的影响更大。此外,U型神经网络具有一定的标签容错能力,在本文数据标签错误程度低于20%的情况下,网络能纠正标签错误准确拾取目标层位。

本文方法还存在不足之处。首先当地震数据的信噪比较低、同相轴不清晰时,智能拾取的层位精度会有所下降;其次,本文方法遵循统一追踪同相轴的波峰、波谷或零值点原则,实际复杂数据的目标层位可能不统一追踪同相轴的波峰、波谷或零值点。因此在后续的研究中,将考虑引入地质模式与规律和地球物理准则或约束,提高人工智能层位拾取的精度及探究跨工区层位拾取的可行性。