面向地震波初至智能拾取的超分辨率深度残差方法研究

针对常规语义分割网络在初至拾取中存在的精度低、泛化能力差等问题，基于U-Net网络，结合残差学习模块和亚像素卷积方法，构建了一种超分辨率深度残差网络的初至智能拾取方法(SD-Net)。该方法使用具有跳跃连接的U型网络融合地震数据的多尺度信息，通过端到端的训练方式简化工作。首先，在SD-Net的下采样阶段引入残差学习模块，克服深层网络退化问题，有效提高对地震数据的学习能力；其次，上采样阶段采用亚像素卷积方法，通过卷积和多通道间的像素重组实现特征图超分辨率重建，以更高精度定位初至；另外，利用迁移学习将模型应用于中、低信噪比模拟数据，仅需少量标注数据即可训练得到最优初至拾取模型。实际算例表明：与U-Net方法相比，SD-Net训练效率明显提高；网络模型具有更高准确率和鲁棒性；迁移学习模型预测的结果验证了SD-Net具有较强的泛化能力；该方法在实际生产应用中对实现高效、准确的初至智能拾取具有重要意义。     

基于多分辨率U-Net网络的地震数据断层检测方法

断层检测是地震资料解释的一项重要工作。基于相干体、曲率等属性的常规断层检测方法不够直观,人工手动拾取断层无法高效处理实际生产中的海量地震数据。深度学习网络由于具有强大的特征提取能力和高效的特征表达能力,近年来被广泛应用于地震数据处理和解释中。为此,提出了一种基于多分辨率U-Net网络（MultiResU-Net）的断层检测方法,即引入多分辨率模块增强网络模型的多尺度断层检测能力,使用残差路径代替普通跳跃连接,缩小用于拼接的特征图之间的语义差别。相比于普通U-Net网络,训练完备的多分辨率U-Net网络模型测试结果具有更高的准确度,Jacard指数和Dice系数分别提高了0.027和0.136,并且断层检测错误率降低了0.094。通过网络中间层可视化分析直观地展示了网络模型对地震数据的特征提取、表达过程。将网络扩展到三维并与迁移学习结合后,同样在三维实际地震数据应用中取得了较好的效果。该方法对于实际生产中实现高效、自动化断层检测具有重要意义。     

基于联合小波域深度学习的地震数据规则化方法

数据规则化是地震资料处理的关键步骤之一，基于物理建模的传统方法计算量大且不具备广泛适用性。当前基于卷积神经网络的地震数据规则化方法通常局限在时域，尤其在低采样率条件下，重建数据过于平滑，纹理细节信息损失严重。小波分析具有多尺度、多方向的特性，更适于表示二维数据的纹理特性，可以聚焦地震数据信号的细节信息。为此，提出一种联合小波域的卷积神经网络模型，学习地震数据在时域与小波域的联合分布特征以逼近实际数据，将不规则地震数据重建问题转化为在卷积神经网络框架下各尺度不同方向分量的小波系数预测，重建规则化的地震数据；构建时域与小波域的联合损失函数，结合地震数据的整体分布和局部细节特征，约束网络模型，通过修正联合损失函数的权重调整卷积神经网络学习的注意力，提高重建地震数据信噪比。实验结果表明，与其他方法对比，该方法细节保持效果更好，对地震数据缺失位置不敏感，更具鲁棒性。     

构建三维深度监督网络的断层检测方法

地震资料人工解释断层往往具不确定性。随着计算机和人工智能的发展,深度学习技术越来越多地应用于地球物理领域,多种基于卷积神经网络的算法也广泛地应用于断层识别。为此,结合三维U-Net和深度残差网络,引入多层深度监督的机制,构建了一种基于三维深度监督网络的断层检测方法。残差模块的引入能够简化网络的学习目标,降低训练难度,而多层的深度监督能够为网络提供更多的反馈,减轻训练过程中潜在的梯度消失,使解码器子网络能够学习到不同尺度的断层语义信息,可进一步提高断层识别的准确性。理论模型测试和实际地震资料的应用表明,该方法可以有效识别断层位置;与常规U-Net网络相比,减少了小断层的漏识别和错误识别;识别的大断层连续性好,断层细节更丰富,明显提高了断层识别的准确性。     

基于U-Net深度学习网络的地震数据断层检测

断层解释是地震资料解释的关键环节之一。随着人工智能技术的发展,断层的自动、快速识别成为机器学习方法在地球物理领域应用的一个研究热点。目前,断层智能识别还存在着模型训练难度大以及实际资料预测效果不理想等问题。为此,提出一种基于U-Net深度学习网络的地震数据断层检测方法,即在网络结构中结合U-Net和残差模块Res-50,构建了新的网络——ResU-Net。ResU-Net利用1×1×1卷积核处理特征图像通道数,在减少网络时间复杂度的同时,在原有U-Net基础上扩展了网络的深度,有效提高了网络的运算效率和学习能力,可快速、准确地识别断层。通过合成数据集进行训练和测试,证明ResU-Net具有更小的时间复杂度,并且通过设置合适的网络输入、数据扩充和重叠边界加权处理,解决了实际数据体不规则情况下的断层检测等问题。实际数据应用结果表明,ResU-Net训练模型抗噪能力强,泛化能力强,预测的断层准确性高、连续性好。     

基于LinkNet的地震相自动划分

地震相人工解释需要耗费大量的时间和精力，并存在很大的主观性和不确定性，从而直接影响地震资料解释的准确性。虽然深度学习算法已经广泛用于地震相划分，然而由于地震相出现的模式及其空间尺度的多样性，在保证高分辨率以及高精度的同时，提高计算效率仍是一项具有挑战性的任务。为此，提出基于LinkNet的地震相自动划分方法，采用多分类交叉熵与Tversky的加权线性组合作为网络训练的损失函数。Tversky通过调整参数平衡假正类和假负类，进而提升召回率等指标以提高不均衡数据中少数类地震相边界的刻画精度。LinkNet解码层共享编码层的学习特征，使解码层的结构更精简，大大提高了计算效率。在荷兰北海F3区块的测试结果表明：所提方法刻画地震相的精度高于U-Net+PPM(金字塔池化模块),在面对不均衡数据时，对占比较小的类别的关注度更高，并具有更好的边界刻画能力；LinkNet计算速度快，可以在配置更低的设备上运行，较U-Net+PPM更实用。     

基于改进深度学习方法的地震相智能识别

基于深度学习方法的地震相智能识别技术可以大幅度减少人工操作。现有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,难以获取地震相在剖面上的全局空间分布信息,模型对少数类地震相的边界刻画效果较差,且缺乏对预测结果可靠程度进行评估的手段。针对这些问题,提出一种用于地震相分类识别的深度学习方法：在U-Net模型的末端加入金字塔池化模块以提高模型获取全局信息的能力;采用一种融合交叉熵与Dice指数的目标函数,改善不均衡数据中少数类地震相边界的刻画问题;提出“预测信息熵”的概念用于评估地震相预测结果的不确定性。该研究方法应用于F3工区地震相预测的实验结果表明：改进深度学习方法在地震相预测中具有更高的精度和更良好的边界刻画能力;同时,预测信息熵指标也能够较好地评价预测结果的不确定性。     

基于深度嵌入网络的地震相聚类技术

早期基于机器学习的地震相聚类分析依赖地震属性种类的选择与组合,结果具有很强的主观性,而数据驱动下的深度学习可以规避该缺陷。因此,利用深度学习技术,采用自编码网络架构,通过嵌入编码(Embedding Code)对地震数据进行抽象表示;引入聚类损失函数与重建损失函数,建立联合损失函数并优化,使学习到的地震特征既能重建地震数据,又具有较好的聚类能力。鄂尔多斯盆地A致密气探区实际应用结果表明:经过500次迭代后,嵌入编码已具有明显的聚类特征,同时能很好地恢复原始地震信号,相对误差小于5%;与均方根振幅属性相比,基于深度嵌入网络的地震相聚类技术计算的地震相图刻画河道更准确、细节更丰富;比K-Means聚类算法预测结果的井震符合率更高,可达89.3%。     

基于物理约束U-Net网络的地震数据低频延拓

由于震源与采集技术的影响,地震勘探数据往往缺失低频信息,严重影响后续的反演和成像处理。现有的地震数据低频延拓方法,大多建立在时域数据分布特征的基础上,容易导致频率与相位信息严重损失。为解决该问题,文中提出一种基于地震波物理参数约束的U-Net深度学习网络进行地震数据低频延拓。首先,利用理论引导数据的思想组织样本,生成大量不同特征的地震数据;然后,通过结合残差跳跃连接改进的U-Net模型学习从中高频地震数据生成低频成分的非线性映射;最后,结合地震信号的物理参数约束提升对频率、相位的恢复效果。实验证明,文中所提方法对地震数据低频恢复具有较好的效果,并在频率与相位的保持上优于同类方法,对提高后续的处理与解释精度具有较高的实用价值。     

应用双通道卷积神经网络的地震随机噪声压制方法

地震资料中随机噪声的压制一直是人们关注的热点。传统方法难以平衡噪声的去除与有效信号的保护,且执行效率低。为此,提出了基于双通道卷积神经网络的随机噪声压制方法。首先,该网络是一个双通道网络,即由两个结构不同的子网络组成,目的是在压制噪声过程中提取到互补有效信息;其次,在下通道子网络中引入空洞卷积增大感受野,充分捕捉到地震资料中的邻域信息,从而更充分地保留细节信息;最后,借鉴残差学习的思想并使用Swish激活函数,提高了网络的降噪性能。模型和实际资料的实验结果表明,所提方法在有效地压制随机噪声的同时能够保留更丰富的纹理细节信息。     

基于混合网络U-SegNet的地震初至自动拾取

传统初至拾取方法拾取效果和效率不能兼顾、算法稳定性差、工业化应用成熟度不高;基于深度学习的初至拾取方法制作标签耗时费力、数据预处理过程繁琐、网络结构过于复杂,导致训练和测试效率较低。为此,将U-Net与SegNet深度学习网络的优点相结合,构建新的混合网络U-SegNet,并基于U-SegNet自动拾取初至。U-SegNet以SegNet结构为基础,通过在解码器网络的反卷积层之前融合跳跃连接信息,提供编码器网络的多尺度信息,以获得更好的性能,并且其上采样操作将U-Net中的反卷积改为反池化,池化索引被传递到上采样层,网络模型收敛更快。因此,U-SegNet网络结构更利于分割背景噪声区域和含噪信号区域,从而提高初至拾取精度。基于U-SegNet的初至自动拾取流程包括制作训练数据集、设计网络模型、训练网络模型、测试网络模型和实际资料应用。测试和应用结果表明,所提方法的初至拾取效率约为某商业软件的2.2倍,且易于工业化应用,具有良好的发展前景。     

结合改进CNN和双约束损失函数的叠前地震数据低频补偿方法

陆地深层、超深层地震资料低频信息缺失、地震资料分辨率低,影响后续地震资料的准确解释。基于模型驱动的低频补偿方法依赖严格假设且参数调整不灵活;卷积神经网络(CNN)对细微变化的特征提取能力有限且梯度变化不明显、网络易陷入局部最优,导致低频欠补偿或补偿精度低。为此,提出一种结合改进CNN和双约束损失函数的叠前地震数据低频补偿方法。为解决梯度消失问题,在不增加CNN计算复杂度的前提下,加入可直接学习输入与输出之间残差特征的网络单元(残差块),并采用批归一化处理,使网络对细微变化更敏感,从而提高网络训练效率。为解决梯度变化不明显导致网络过早收敛的问题,以网络输出与原始地震记录差异和相关度为优化目标,通过均方误差和皮尔逊距离的加权求和建立双约束条件的损失函数计算补偿误差,使梯度变化更明显以保证梯度下降过程可跳出局部最优,从而提高低频补偿精度。合成数据和中国西部X地区实际叠前地震数据低频补偿处理结果验证了该方法的可行性和有效性。与基于CNN低频补偿方法及反褶积结合宽带俞式低通滤波器的低频补偿方法相比,在补偿低频成分的同时不会破坏原始信号的中高频信息。     

基于深度卷积神经网络的地震数据溶洞识别

溶洞识别对于缝洞型油气藏的勘探与开发具有重要意义。传统溶洞识别方法多解性强且效率低,因此将具有强特征学习能力、高泛化性的深度学习方法引入溶洞识别中,但溶洞的地震波场响应特征复杂、异常体尺寸较小、训练样本难以获取等导致深度学习在识别溶洞时仍具挑战性。为此,提出一套识别地震数据溶洞的"两步法"深度学习方法:首先通过U-Net模型识别地震剖面上的"串珠状"异常反射;再根据"串珠状"异常识别结果对地震数据进行小范围截取,输入深度残差网络中,实现对实际溶洞轮廓的预测。对于实际溶洞预测训练数据难以获取这一问题,采用波动方程正演模拟的方法制作具有准确标签的溶洞地震数据。实际地震数据的应用表明,该方法对于溶洞识别准确性高,抗噪能力强,可以极大地节约人工解释成本。     

基于深度卷积神经网络的地震数据溶洞识别

溶洞识别对于缝洞型油气藏的勘探与开发具有重要意义。传统溶洞识别方法多解性强且效率低,因此将具有强特征学习能力、高泛化性的深度学习方法引入溶洞识别中,但溶洞的地震波场响应特征复杂、异常体尺寸较小、训练样本难以获取等导致深度学习在识别溶洞时仍具挑战性。为此,提出一套识别地震数据溶洞的"两步法"深度学习方法:首先通过U-Net模型识别地震剖面上的"串珠状"异常反射;再根据"串珠状"异常识别结果对地震数据进行小范围截取,输入深度残差网络中,实现对实际溶洞轮廓的预测。对于实际溶洞预测训练数据难以获取这一问题,采用波动方程正演模拟的方法制作具有准确标签的溶洞地震数据。实际地震数据的应用表明,该方法对于溶洞识别准确性高,抗噪能力强,可以极大地节约人工解释成本。     

基于循环一致性生成对抗网络的地震数据随机噪声压制方法

压制随机噪声、提高信噪比是地震数据处理中的关键任务。为此,提出一种基于循环一致性生成对抗网络（CycleGAN）的地震数据随机噪声压制方法。构建的CycleGAN由两个生成器和两个判别器构成,为防止网络退化,生成器由Resnet构成,用以学习含噪数据与无噪数据之间的特征映射;为提高网络的分辨率和准确性,选用PatchGAN作为判别器;同时,在传统对抗损失的基础上,添加循环一致性损失,用以提升网络训练的稳定性。完成网络构建后,针对模型数据和实际数据调整网络参数,训练和测试网络,分析去噪前后数据的信噪比和均方根误差;并通过计算单道数据频谱,进一步分析局部去噪效果。模型数据和实际数据测试结果表明,该方法能够较好地消除地震数据中的随机噪声,且去噪效果优于小波阈值去噪方法,从而验证了所提方法的可行性。     

基于深度学习的子波整形反褶积方法

地震数据偏移成像是地下介质反射系数估计的重要方法之一，其结果通常受子波影响而波数带展布有限。有效拓展成像结果的波数带、提高空间分辨率是宽带反射系数估计的一个重要目的。为此，首先从反演成像的角度分析，指出子波和观测系统照明是影响成像结果分辨率的两个主要因素；其次，基于卷积神经网络（CNN），利用宽频子波构建标签，将常规成像结果作为输入，利用CNN挖掘其中的映射关系，提出了相应的深度学习算法子波整形反褶积方法；然后，针对反褶积中初始子波估计不准确的问题，设计了子波与反射系数串联、迭代、更新的实现方案，定制的宽频子波能兼顾低波数和高波数信息，用于训练网络时可以更好地恢复宽带的反射系数；最后，利用已知模型进行网络的预训练，将基于目标数据体提取的有效子波作为靶区数据反褶积的初始子波，进行子波整形反褶积处理，并通过薄层模型测试了该方法的正确性和可靠性。实际资料处理结果表明了该方法具有较好的应用潜力。     

基于先验约束的深度学习地震波阻抗反演方法

不同于传统的深度学习反演方法,文中提出一种基于先验约束的深度学习地震波阻抗反演方法：参照地震相类型分割待反演区域,且将区域分割结果作为一种明确的空间约束条件监控网络模型的反演过程;将蕴含丰富低频信息的初始模型作为一种标签以丰富反演结果的低频信息;并使用一种强抗噪性激活函数提高网络模型对噪声数据的适应能力。为降低标签数据的获取难度并保证网络的反演精度,还采取半监督学习方式对网络模型进行训练。将所提方法应用于Marmousi 2模型,测试结果表明反演效果良好且具有较强抗噪性能;随后将该方法成功地应用于M油田实际勘探数据。     

基于GRNN振幅谱估计的井控提高地震分辨率技术

提高分辨率一直是地震勘探必不可少的处理过程,当前简单油气藏逐渐减少,薄层、薄互层等复杂地质体已成为油气藏勘探开发的主要目标,对勘探精度的要求也越来越高。传统提高分辨率的方法主要依据地震剖面信息,这种处理方法往往比较盲目,缺少判断依据,而井控地震处理技术能将井资料信息运用到地震勘探处理中。提出了一种与广义回归神经网络(GRNN)相结合,利用井资料的介入提高地震资料分辨率的方法。由于广义回归神经网络具有较强的自适应学习逼近能力,可将其作为修整和拓展地震数据频谱的手段,以井作为约束条件,提高地震数据的分辨率。模型测试和实际数据处理表明基于GRNN振幅谱估计的井控提高地震分辨率技术是有效可行的。     

三维数据体时深转换速度模型的精细构建方法

由于三维地震勘探成果绝大部分是时间域的,要与深度域钻测井资料紧密结合,时深转换是必不可少的重要环节。但常规时深转换方法主要是针对二维构造面提出的,难以满足三维数据体精细时深转换的要求。通过综合测井、地震、地质、油藏等多专业信息,以地震处理速度、钻井时深关系、高分辨率反演速度体、地震解释成果、声波测井曲线和已有地质认识为基础,借鉴剥层法和变速成图思想,针对三维体的精细时深转换提出了"高分辨率反演速度体+控制层位+层间网格智能剖分"的三维速度建模新方法。采用该方法建立的速度模型井间加入了地震信息和已有地质认识,较单纯用井数据插值更精确,且符合岩性分布变化趋势,同时较地震处理速度场具有更高的纵向分辨率和准确性。采用该方法进行三维体时深转换能够达到深度域地震数据体与测井曲线一一对应,便于油藏工程师进行储层连通性研究和开发方案优化调整。     

基于多层感知机网络的薄储层预测

相比地震反演方法和技术,基于多属性回归方法的储层预测技术能够缓解分辨率有限、过于模型化等问题,但模型泛化能力不足常造成井间薄储层预测结果不合理。为此,提出基于多层感知机深度学习网络的多属性回归薄储层预测方法,即以地震数据（提供背景信息）、90°相移数据（提供储层结构近似信息）、储层不连续界限属性（提供储层空间分布信息）为输入,以井点高频自然伽马为期望输出,利用多层感知机深度学习网络训练模型,预测井间自然伽马值,利用自然伽马值与砂—泥岩性的高度相关特性刻画薄储层。A油田实际资料测试表明,自然伽马预测值与真实值平均相关系数达到86.4%（训练集,10口井）和85.5%（验证集,两口井）,明显优于传统多属性回归方法。应用该方法解释重点层段6套小层,薄储层预测结果与156口井实钻砂岩厚度平均相关系数较相移数据提升约38%,证实该方法应用效果良好。