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。     

基于残差网络与迁移学习的断层自动识别

机器学习算法在地球物理领域的应用越来越广泛、深入。在地震资料解释中,目前主要利用实际或人工合成的断层样本,训练浅层卷积神经网络识别断层。实际断层样本需要人工标记,消耗大量时间成本;人工合成的断层样本虽然容易获得,但训练出的网络在应用于实际地震数据时效果不佳。为此,将深度残差网络与迁移学习结合并应用于断层识别。首先构建性能更优秀的深度残差网络训练人工合成的断层样本,然后使用少量实际断层样本进行迁移学习,增强网络的泛化能力,优化网络的识别结果。迁移学习后的网络能够有效提高实际断层的识别准确率,实际地震数据验证了该方法的可行性和有效性。     

改进的整体嵌套边缘检测地震断层识别技术

断层解释的精度和效率对油气藏的勘探与开发非常重要。传统的断层解释方法多以人工为主,其依赖解释人员的经验且耗时较长;常规自动断层解释方法主要是分析地震数据的不连续性,往往涉及多个参数,因而断层解释精度多依赖选取的参数。近年来,随着深度学习技术的发展,非线性卷积神经网络能够描述地震数据中的不连续特征。为此,引入深度学习中的边缘检测技术,即整体嵌套边缘检测（Holistically-Nested Edge Detection,HED）网络,并根据地震数据和断层特点对网络结构进行改进和优化,提出适用于地震断层智能解释的改进HED （Improved HED,IHED）网络。主要步骤包括：①将原始二维HED网络推广至三维,搭建三维HED网络; ②根据HED网络的多尺度特点,调整三维HED网络构架; ③利用三维合成地震数据及其标签数据训练得到三维IHED模型,将该模型用于实际地震数据进行断层智能解释。与相干体算法和U-Net模型相比,三维IHED模型对断层预测的准确性更高,连续性更好。该方法为地震断层智能识别提供了一条可靠途径。     

基于深度残差网络的初至拾取软件开发

基于残差的优化卷积神经网络—深度残差网络(ResNet)能够对图像进行有效的识别分类。将深度残差网络应用于地震数据的初至识别,借助Hadoop分布式批处理计算系统和TensorFlow人工智能学习平台开发了基于残差网络深度学习的初至波自动拾取软件。采用不同地区、不同震源类型和不同地表的地震数据对深度残差神经网络模型进行训练和验证,最终得到一个精度较高的地震初至自动拾取网络模型。本文总结了深度残差网络的基本方法原理、初至波自动拾取软件实现的关键步骤、地震初至自动拾取网络模型的训练、并验证了拾取效果和效率。     

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。     

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。     

空间域加窗二维希尔伯特变换在三维地震资料体边缘检测中的应用

根据地震资料的不连续性能识别河道、断层、裂缝发育带等。为此提出并实现了基于二维希尔伯特变换的三维地震资料体边缘检测方法。通过在三维目的层段时间和深度方向加窗,并引入二维高斯函数,建立了改进后的二维希尔伯特体边缘检测算子,可以在三维空间调节计算孔径以提取不同尺度的不连续性地震异常,并压制噪声。模型试算和实际资料处理结果表明,基于二维希尔伯特变换的地震资料体边缘检测方法能够有效刻画地质异常体的空间分布,很好地突出裂缝发育带的边缘以及走向信息,提高了地震数据解释的准确性。     

基于循环一致性对抗网络的地震断层训练样本合成方法研究

为了获得真实的地震断层训练样本,提出了基于循环一致性对抗网络的断层训练样本合成方法。使用随机生成的断层标签与实际断层数据作为输入,利用无监督的对抗网络学习断层标签与断层数据之间的联系,生成与断层标签特征相匹配的地震断层样本,由此得到带有标签的断层训练样本集。该方法是一种获取断层训练样本集的方法,一定程度上解决了深度学习地震断层解释缺少训练数据集的问题。对合成断层样本与真实断层进行平均主频与纹理差异的定量分析,结果表明两者具有较高的相似性。使用合成的断层样本训练神经网络,并将结果应用于实际数据测试并进行对比,结果表明合成的断层训练样本具有真实可靠的特点,所提方法可以针对不同工区生成具有目标导向性的断层,能够灵活有效地应用于不同工区的地震断层智能识别。     

基于深度卷积神经网络的地震数据断层识别方法

对地震数据进行断层解释一直是油气勘探开发过程中的一项重点工作.传统的断层解释主要是以人机交互方式进行的,效率低,并且人为因素可能增大断层解释结果的不确定性;而常规的断层识别方法则通常需要设置多个控制参数,导致断层识别的结果严重依赖参数设置的准确性.为此,提出一种基于卷积深度神经网络的地震数据断层识别方法,该方法利用Re...     

深度学习与边缘增强相结合的断裂综合检测技术——顺北地区超深走滑断裂检测应用实例

塔里木盆地顺北地区超深断控缝洞型储集体发育,近年来不断有高产井涌现; 同时,大量研究证实高角度走滑断裂对油气藏的运移和聚集起决定性作用。受“断控储集体”埋藏深,且走滑断裂断距小、难闭合等因素的影响,顺北地区地震资料信噪比低、断面特征不清晰,导致走滑断裂检测及空间解释难度较大。针对上述超深走滑断裂检测研究面临的难点,文中提出深度学习与边缘增强相结合的多尺度断裂综合检测技术：首先将走滑断裂按规模划分为主干断裂、伴生次级断裂、小尺度裂缝;通过正演主干断裂、次级断裂、裂缝等不同断裂模式的地震响应特征并进行方法实验,认为可应用U-Net卷积神经网络深度学习技术识别主干断裂、振幅梯度矢量凌乱性检测技术识别伴生次级断裂、Aberrance增强属性识别小尺度裂缝。将该套技术应用于顺北地区走滑断裂实际检测中,取得了显著效果。     

基于VNet深度学习架构的低序级断层智能识别方法

低序级断层识别是油气勘探开发的重要环节，传统的相干体、谱分解、曲率、蚂蚁体、边缘检测等方法虽然能够提高断层识别的效果和精度，但是对断距较小的低序级断层识别效果不佳。基于人工智能技术的全卷积神经网络(FCN)深度学习方法，为识别低序级断层提供了新的途径。在UNet基础上提出的VNet模型深度学习架构，可以在上、下采样过程中增加信号的感受野，尽可能地在提取大尺度断层信息的同时保留和提取小尺度断层信息。选用正演模拟数据和实际地震数据分别对UNet模型、VNet模型进行测试，通过选择合适的损失函数、迭代次数，优选合适模型权重参数对两者进行模型训练和断层识别效果对比，结果表明，基于VNet模型方法提取的信息更丰富，在识别低序级断层方面更有效。     

无监督残差网络的地震数据重构方法

野外采集的地震数据通常会存在地震道缺失的问题,对其进行重构一直是地震资料处理中的一个难题。目前使用深度学习(Deep Learning,DL)方法重构地震数据主要采用完整地震数据作为标签训练网络模型的监督学习方式,然而对实测野外数据很难获得准确的标签。对大量训练样本的依赖影响了DL方法在地震数据重构中的应用。为此,提出了一种基于残差网络的无监督DL的地震数据重构方法。该方法无需使用完整的地震数据作为训练集训练残差网络,而是以随机数据作为残差网络的输入,以含缺失地震道的地震数据作为网络的期望输出。通过对网络预测与期望输出之间的误差的反向传播,迭代优化网络参数,使网络与期望输出间的误差达到最小,获得参数最优的残差网络,并用该网络重构缺失的地震数据。在网络参数优化过程中,利用卷积的局部和平移不变性质,用卷积滤波器学习多尺度下地震数据邻域之间的相似特征,并在网络输出中呈现学习到的这些先验特征。使用所提方法重构Marmousi模型模拟地震资料和实测海洋拖缆资料中规则和不规则缺失的记录道,并与传统的快速凸集投影软阈值(FPOCS-Soft)方法的结果进行对比,结果表明,无监督残差网络方法可有效重构缺失地震道,准确性高、连续性好,精度高于FPOCS-Soft方法。