基于深度残差网络的走滑断层智能识别方法——以塔里木盆地富满油田为例

孙 冲,雷刚林,张银涛,康鹏飞,谢 舟,郑明君,曹佳佳,赵海山,陈彦虎,毕建军

(1.中国石油塔里木油田公司,新疆库尔勒841000;2.北京中恒利华石油技术研究所,北京100102)

走滑断层相关的油气藏是一种全新类型油气藏,具备较大的勘探潜力[1]。走滑断层既是储层形成的主控因素,又是深层油气向上运移的主要通道,对于油气藏成储、成藏具有决定性的作用。走滑断层的典型特征主要为断块的水平位移,通常水平位移在垂直断层走向的地震剖面上不易识别,从而形成一些特定的识别标志[2]:走滑断层主要表现为高陡直立样式,倾角接近90°,在分布上具有明显的分段式特征,表现为线性平移、压扭和张扭等不同的形式,同时派生的小断层具有隐蔽性强、断距小的特点,当断层断距小于1/4波长时,断层位置同相轴通常错动不明显,只发生轻微的扭动,特别是在深层地震资料品质比较低的情况下,走滑断层识别精度较低。因此如何提高走滑断层的识别精度,是断控缝洞型碳酸盐岩油气藏勘探开发中非常重要的环节之一。

断层在地震剖面上存在同相轴不连续的特点,基于此特征,一些经典的断层属性算法应运而生。MARFURT等[3]提出了基于波形相似的C1相干技术,但C1算法易受噪声影响;MARFURT等[4]提出了多道相似性C2相干技术,它改进了C1算法抗噪性低的缺点,但对地层产状角度变化敏感。GERSZTENKORN等[5]提出了基于协方差矩阵的C3本征相干技术,该方法对断层的响应精度和分辨率有所提高,但运算量大。仲伟军等[6]提出了方差体技术,但受限于地震资料信噪比。上述方法对噪声和地层特征敏感。伍新明等[7]和WU等[8-9]在计算断层属性过程中,采用垂直于地层方向的平滑因子增强了断层的连续性。HALE[10]与WU[11]提出的沿断层倾角和倾向计算最大似然属性的方法很好地改善了沿地层方向不连续的干扰,但计算量巨大,故仅依赖于地震同相轴不连续性不足以有效地对断层进行检测。还有专家学者利用地震资料开展了走滑断层识别方法的研究。乐友喜等[12]提出了基于三参数小波变换的时频分析方法,提高了地震数据能量的聚焦性,走滑断层的断点更加清晰,中深层和浅层的走滑断层纵向连续性大大提高,提高了断层的可解释性。张中巧等[13]在总结渤海湾盆地走滑断层的具体特征的基础上,引入波数成分的选择,提出了基于高波数曲率属性识别隐性走滑断层的方法,大幅提高了隐蔽型圈闭的识别精度。宋玉婷等[14]提出了将方向可控滤波器理论和图像金字塔分解技术相结合的导航金字塔技术,提高了隐蔽型走滑断层的识别精度,该技术在四川盆地高磨地区的应用结果表明,不仅提高了断层连接部位的刻画精度,而且对于走滑断层横向的延伸性刻画得也更加清楚。陈永芮等[15]提出了利用连续小波变换方法对断裂敏感频率进行筛选加权,突出走滑断层内幕微小断裂地震反射特征,纵向上走滑断层组合关系更加清楚,横向断裂边界和走向更加清晰,提高了地震资料对深层次序级走滑断裂识别的能力。李飞跃等[16]综合利用似然属性和地震剖面确定背景噪声值,计算最大似然属性,提高了微小断裂刻画精度。

近年来,随着深度学习方法的兴起及其在各个领域的广泛应用,多种深度学习模型被引用到了地震断层解释工作中。董守华等[17]应用BP神经网络对断层进行了自动检测。CHEHRAZI等[18]应用多层感知器(MLP)的网络结构训练断层自动识别模型。HUANG等[19]和ZHAO等[20]利用卷积神经网络(CNN)进行断层建模与断层预测。WU等[21]应用U-net利用合成地震数据作为训练数据,提高了模型的泛化度。HE等[22]提出了利用ResNet模型,提高了网络预测和手动解释的吻合率。陈俊安等[23]提出一套利用3种方法组合识别走滑断层的方法,即基于卷积神经网络的深度学习技术识别大型走滑断层,基于凌乱性属性及Aberrance增强属性识别派生的次级小断层,在塔里木盆地顺北地区实现了超深层地层条件下的不同级别的走滑断层的精细识别。张黎等[24]提出了基于全卷积神经网络的走滑断裂识别技术,在利用构造导向滤波方法对地震数据进行断裂增强处理的基础上,利用大量合成的三维走滑断层样本进行全卷积神经网络训练,然后应用于塔河油田托甫台地区的走滑断裂精细刻画实践中,提高了走滑断层识别的分辨率、抗噪性和连续性。杜炳毅等[25]利用支持向量机算法建立敏感属性集与微小断裂系统指示因子的非线性映射关系,实现复杂储层微小断裂系统特征的准确刻画。目前,基于深度学习的断层智能识别方法种类较多,但在实际生产应用中存在诸多问题,由于可用于训练模型的含标签样本较少,且分类样本严重不平衡,导致模型训练的难度大,易出现模型退化和断层预测不准等情况,尤其是对于小断层的预测,是目前深度学习断层预测的难点。

针对走滑断层地震识别的难题,本文提出了一种端到端的基于结构特征的深度残差网络断层智能识别方法,首先构建了包括3个子网络的深度残差网络模型,通过提取边界结构的残差映射实现断层解释的目标。然后采用模型数据进行深度残差网络训练。最后利用塔里木盆地富满油田实际地震资料进行了走滑断层的精细刻画,验证了本文方法对不同性质的走滑断层的识别效果。

1 方法原理

利用传统机器学习方法进行走滑断层解释分类学习,需以结构特征为输入,此过程需要大量的预处理和后处理。近年来,图像处理器并行处理技术显著加速了深度神经网络的运算速度,促进了深度学习方法在走滑断层解释工作中的应用。单一的深度学习方法大多是端到端的学习过程,由于网络深度增加,深度学习建模对数据特征的提取和数据的包容性大幅增加,但深度学习网络建模过程也是卷积核参数的预测过程,因此深度学习断层解释建模过程也是深度网络断层特征提取的自学习过程。当样本数据较小或者样本数据中噪声较大的时候,单一深度学习方法会出现过拟合和泛化性能较差的情况,因此设计了具有去噪功能和断层边界提取功能的深度学习联合网络结构,其目的是断层识别。断层是地震信号中的边缘信息,而传统边缘提取技术是梯度提取与低通滤波的联合作用。受传统边缘检测的思想启发,我们设计了3个子网络:特征提取子网络的卷积核的作用是提取地震不同分辨率的特征信息,结构特征子网络的卷积核作用是提取地震数据中梯度变化特征,而卷积去噪子网络的卷积核的作用是对梯度小的地方进行低通滤波。这3个子网络结构采用多层输出融合和联合迁移学习方式,缩短了深度网络边界特征提取的自学习进程,在边界保持去除噪声的同时,提取断层边界特征。

1.1 网络总体架构

传统的深度学习网络,往往包含低层、中层和高层等若干个网络层次,深度学习的过程是分别对每一层次提取不同层次的特征信息,伴随着网络深度的增加,会获取越来越多个层次的信息,随之而来的层次间信息组合也会呈指数级增长,易导致梯度消失或梯度爆炸的现象。传统深度学习算法的解决对策是数据的初始化和正则化,这在一定程度上解决了网络梯度的问题,但同时也带来了新的网络退化问题。残差网络的出现,降低了深度网络训练的难度,它每层的网络映射结构是F(x)=H(x)-x,其中,x是输入,H(x)是期望输出,F(x)是映射残差函数,残差网络训练的目标就是将残差结果逼近0,随着网络深度的增加,仍然能保持网络训练的准确率。这种残差跳跃式的连接方式,使得某一层的输出可以直接跨越几层作为后面某层输入,网络总体架构的目标是学习具有推理功能的残差函数,而不是学习不具备推理功能的函数,以往的实验结果表明,残差网络更容易获得最优解[26]。

本文提出的网络模型如图1所示,由特征提取子网络(fF)、卷积去噪子网络(fC)和结构特征提取子网络(fS)组成:fF通过多方向的特征核函数提取地震资料中不同频率规模残差特征;fC的功能则是去除fF卷积层的累计噪声;fS是fF和fC的阶段性衍生网络,通过建立残差映射网络,提取有意义的边界信息,即地震资料中的断层,其中fS中的每个结构映射是fF中下一层的权值映射。fF,fC和fS的层数分别是16层、4层和10层。

图1 基于结构特征的残差网络断层解释网络结构

1.2 子网络结构

1.2.1 特征提取子网络fF

特征提取子网络fF提取了残差特征。整个网络训练从fF开始,它的输入是地震资料,该子网络一共有16个卷积层,Conv1,Conv2,…,Conv8的卷积核的功能是提取不同分辨率特征,而S-Conv1,S-Conv2,…,S-Conv8的卷积核的功能是提取梯度变化特征,Conv1,Conv2,Conv3,Conv4是一个阶段学习,Conv4提取的特征信息是S-Conv2卷积层的输入,Conv8提取的特征信息是S-Conv8卷积层的输入,同时S-Conv2层与S-Conv8层特征提取反馈回Conv4层与Conv8层进行特征融合,经过上、下聚合,提高了网络对于断层信息的提取能力。

该子网络第一个卷积层生成的特征映射定义为:

(1)

式中:x是网络输入数据;W1,b1分别是第一层网络的权值和偏量;BN(·)作用是批处理;σL(x)=max(kx,x)是非线性双曲整流函数,也即网络中的激活函数,其中,k=0.2;*是褶积运算符。fF由16个卷积层组成,每4个卷积层构成一个阶段学习,通过使用上下聚合网络的扩展卷积,最终层在所有阶段的输出产生了具有不同大小的噪声和残差特征。

1.2.2 结构特征提取子网络fS

结构提取子网络fS,即为两个主要子网络(fC,fF)的阶段性衍生网络,通过提取边界结构特征实现断层解释的目标。结构特征提取子网络功能是存储、保留和提取重要的边缘信息,也即断层解释结果。特征提取子网络中的S-Conv1,S-Conv2,…,S-Conv8这8个卷积层是特征提取子网络与结构特征提取子网络的公用卷积层,S-Conv9则是以卷积去噪子网络中R-Conv3网络权值作为梯度特征提取输入,则整个断层信息特征在R-Conv3层后被提取出来。作为特征提取子网络和卷积去噪子网络的衍生网络,结构特征提取子网络的网络权值训练过程主要是通过多层输出融合与迁移学习的方式进行训练。

与特征提取子网络fF类似,结构特征提取子网络fS的第一个卷积层的网络映射结构定义为:

(2)

(3)

其中,K[·]表示两个元素组合的权重函数,定义如下:

(4)

1.2.3 卷积去噪子网络fC

卷积去噪子网络fC的卷积核的作用是对梯度小的地方进行低通滤波,fC中的每一层的卷积和激活功能同公式(1)。与其它两个子网络不同的是,卷积去噪子网络中,所有层都使用了1×1×1的卷积核,它的功能是实现跨通道的交互和信息整合,卷积去噪子网络对网络中的累计误差进行去除并实现边界细化的功能,卷积去噪子网络fC中有意义的边界信息在第3层后被提取了出来。

1.3 网络训练

模型训练的损失函数定义为:

l(θ)=αlF(θ)+(1-α)lS(θ)

(5)

式中:α=0.8是常系数权值;lF(θ)和lS(θ)分别为事故残差和结构的损失分量。定义:

(6)

(7)

其中,θ是网络模型的权值,N是通道号,C是数据的维度,F(x)是对输入数据的预测残差结果,S是网络训练标签值,y是预测值,l是网络层序号。(7)式中,lS(θ)是通过结构特征子网络模型估算结果来计算的。

为了使训练出来的网络适应于不同大小的实际数据,训练网络前,对训练数据集进行样本分割,每个样本的大小设置为64×64×64,对体边缘样本,采用对称延拓的方式进行补齐。

2 模型数据测试

首先采用合成地震数据验证本文提出的方法。由于目前可用于训练走滑断层解释的数据集较少,本文采用WU等[21]开源的合成地震数据集,共有220个三维合成地震数据以及与之对应的标签集,每个数据体的大小为[128,128,128],此数据集引入了大量符合实际地质条件下的特殊构造样式和反射特征,例如高倾角、小断距断层、伴随褶皱发育的逆断层等特殊断层特征,提高了合成数据的真实性和多样性,具有和走滑断层相似的断层构造样式,能大概率的覆盖实际断层解释的复杂度,适合于作为走滑断层识别的训练数据集。同时,合成地震数据的信噪比分布的覆盖范围较广,同样也适用于后续实际数据低信噪比的特征。模型训练过程中,使用了具有零均值和标准差为0.01,偏置是0分布的高斯函数进行初始化模型,并使用了学习率为0.001的Adam优化器。

图2显示了合成地震数据深度残差网络断层智能识别的结果,其中,图2a是正演模型的断层分布,图2b是含断层合成地震数据,图2c是本文方法预测的断层分布。从图2中可以看出,本文方法对于断层的识别精度高,大断层(图2c中断层属性大于0.6的断层)往往呈现强反射和高信噪比的地震响应特征,预测的损失率低,预测断层连续性好,断层边界清晰,且抗噪性较好。低序级小断距断层(图2c中断层属性位于0.4～0.6的断层)往往呈现低信噪比、地震同相轴杂乱的响应特征,从图2c中可以看出对于低序级小断层预测精度较高,因此本文方法对于小断层识别的泛化力和抗噪性也较高。

图2 合成地震数据的深度残差网络断层智能识别结果a 正演模型的断层分布; b 含断层合成地震数据; c 本文方法预测的断层属性分布

3 实际数据应用

以塔里木盆地富满油田果勒西区块典型走滑断层为例,开展基于深度残差网络的走滑断层智能识别研究。果勒西区块处于北部坳陷的构造斜坡位置,位于阿瓦提凹陷和满加尔凹陷之间,是塔里木盆地断控缝洞型碳酸盐岩油气藏增储上产的主要工区。

研究区主要发育加里东晚期、晚海西期和燕山期等3期走滑断层系统。在加里东晚期受南部的区域挤压作用,以压扭性走滑断层为主,正花状构造形成的压扭断垒带发育,并发育一系列小型的短轴背斜。在晚海西期受北东向张扭作用,沿早期北东向断裂带发育张扭性断裂,向下合并主断裂部位形成断裂性质的反转。燕山期时沿北东向主走滑带在中生界发育张扭小断陷与雁列构造,拉张作用强烈,以右旋伸展走滑为主。

根据走滑断层的断开层位、切割关系、区域构造应力场背景等因素的差异,果勒西区块走滑断层从南向北分为线性走滑断层、压扭辫状走滑断层和拉张辫状走滑断层3种不同的构造样式。

3.1 线性走滑断层

线性走滑断层在地震剖面上表现为断面近乎直立,断面单一、清晰,同相轴错动明显,产状有时表现为正断层、有时表现为逆断层,断面两侧能量存在差异,走滑断层特征明显。图3展示了线性走滑断层的智能识别结果。从图3a所示的原始地震剖面可以看出,由于地震资料信噪比较低,走滑断层解释精度较低;图3b为对原始地震剖面开展构造导向滤波处理的结果,可以看出,地震信噪比明显提高,断层解释精度明显提高;图3c为采用本文方法提取的走滑断层属性,可以清晰地表征走滑断层的垂向分布,特别是可以清晰确定走滑断层纵向发育层段,具有较高的可信度;图3d为传统蚂蚁体剖面,可以看出,与采用本文方法提取的走滑断层属性相比,传统蚂蚁体对于走滑断层识别精度较低。

图3 线性走滑断层智能识别结果a 原始地震剖面; b 构造导向滤波地震剖面; c 本文方法预测的断层属性; d 蚂蚁体剖面

3.2 压扭辫状走滑断层

压扭辫状走滑断层在平面上呈现背斜或地堑模式,断面往往呈现扭曲,在地震剖面上呈现正花或“Y”型以及花上花特征。正花压扭模式下,主干断层断面可呈现出同向轴的错断,分支断裂错断不明显或仅体现为扭曲。图4展示了压扭辫状走滑断层智能识别结果。图4a为原始地震剖面,可以看出,由于地震资料信噪比较低,走滑断层解释精度较低;图4b为对原始地震剖面进行构造导向滤波处理后的剖面,可以看出,地震信噪比和断层解释精度明显提高;图4c为采用本文方法提取的走滑断层属性,可以清晰地识别花状特征,特别是可以清晰确定走滑断层分支错断特征,具有较高的可信度;图4d为传统蚂蚁体剖面,可以看出,与本文方法提取的走滑断层属性相比,传统蚂蚁体对于走滑断层的识别精度较低。

图4 压扭辫状走滑断层智能识别结果a 原始地震剖面; b 构造导向滤波地震剖面; c 本文方法预测的断层属性; d 蚂蚁体剖面

3.3 拉张辫状走滑断层

拉张辫状走滑断层为果勒西地区最常见的走滑断层类型,中晚加里东期受挤压后,在早海西期拉张形成该模式走滑断层。地震剖面上,一般在辫中呈负花状,链接处呈“Y”型,整体呈现花上花特征,多分支造成断面破碎;一间房组呈现拉分地堑模式,在上寒武收敛为一个断面。图5展示了拉张辫状走滑断层智能识别结果。图5a为原始地震剖面,可以看出,由于地震资料信噪比较低,走滑断层解释精度较低;图5b 为对原始地震剖面开展构造导向滤波处理后的剖面,可以看出,地震信噪比和断层解释精度明显提高;图5c为本文方法提取的走滑断层属性,可以清晰地识别6条走滑断层,并可以清晰确定走滑断层发育强度的差异性,特别是3条弱走滑断层识别精度大大提高,同时也能清晰地识别由于拉张作用形成的地堑特征;图5d 为传统蚂蚁体剖面,可以看出,与本文方法提取的走滑断层属性相比,传统蚂蚁体对于走滑断层的识别精度较低。

图5 拉张辫状走滑断层智能识别结果a 原始地震剖面; b 构造导向滤波地震剖面; c 本文方法预测的断层属性; d 蚂蚁体剖面

进一步利用沿层切片来对比不同方法对走滑断层的识别精度。图6为一间房组顶面不同方法提取的沿层切片的对比结果。其中,图6a为传统相干切片,图6b为蚂蚁体切片,图6c为本文方法预测的断层属性切片。

图6 走滑断层沿层切片对比效果a 传统相干切片; b 蚂蚁体切片; c 本文方法预测的断层属性切片

从图6可以看出,传统相干切片对于大断层的识别精度较高,也具有较高的信噪比,但是对于弱走滑小断层识别精度较低;蚂蚁体对于弱走滑小断层识别精度有所提高(如J3井附近),但是对于部分小断层识别精度仍然较低(如J303H井北部地区),同时蚂蚁体仍然存在不足之处,在地震资料信噪比差的区域(图中东部地区和西北部地区),地震反射相对凌乱,影响了蚂蚁自动追踪效果,其结果比较杂乱无规律,检测结果具有多解性;本文方法预测的断层属性对大断层具有较高的识别精度,同时,相比于传统相干和蚂蚁体,本文方法预测的断层属性对于弱走滑小断层的识别精度大大提高,主要表现在两个方面:一方面是弱走滑小断层刻画精度大幅提高,另一方面是可以清晰地识别大断层之间的相互连通性。同时本文方法预测的断层属性克服了蚂蚁体属性存在的低信噪比地区存在多解性的问题,提高了走滑断层识别的精度和可靠性。

4 结论

本文提出了一种端到端的基于深度残差网络的走滑断层智能识别方法,其网络模型包括特征提取网络、结构提取网络和去噪卷积网络3个子网络。网络在预测时,采用了多层输出融合技术和迁移学习方式,有效避免了高频特征信息的丢失,增强了对不同规模断层分类解释的鲁棒性和泛化力。合成地震数据和实际地震数据的走滑断层预测结果表明,本文方法对低信噪比地震数据的小断距、弱走滑断层的识别精度高,预测的损失率低,预测断层连续性好,断层边界清晰,且抗噪性较好。在塔里木盆地富满油田断控缝洞型碳酸盐岩油藏走滑断层识别的过程中,本文方法对于线性走滑断层、压扭辫状走滑断层和拉张辫状走滑断层均取得了较好的识别结果,相比于常规的蚂蚁体等技术,走滑断层刻画得更清晰,断层花状特征更符合走滑断层实际的地质模式。

同时,在利用深度残差网络进行走滑断层智能识别的过程中,也存在一定的问题,走滑断层在不同的盆地具体的构造样式、地震响应特征等方面差异较大,目前专门针对走滑断层的训练样本较少,因此,在利用深度学习算法开展走滑断层识别的研究中,建立适用于具体盆地和特定的地层特征的训练样本是一项重要的工作,可以丰富训练网络模型的构建,完善训练集和损失函数的设计,不断提高走滑断层的识别精度。