李林偉， 彭 崯， 童思友，2??， 王忠成， 尚新民， 趙勝天

(1.中國海洋大學(xué)海底科學(xué)與探測技術(shù)教育部重點實驗室， 山東 青島 266100； 2.青島海洋科學(xué)與技術(shù)試點國家實驗室 海洋礦產(chǎn)資源評價與探測技術(shù)功能實驗室， 山東 青島 266237； 3.中國石化勝利油田物探研究院， 山東 東營 257022)

地震勘探資料初至拾取的準(zhǔn)確性直接影響后續(xù)靜校正、層析成像等處理的精度[1]。在山地、灘淺海等復(fù)雜區(qū)勘探，由于各類噪音發(fā)育，地震資料初至不明顯，高精度的初至拾取受到一定影響?！皩挿轿弧掝l帶、高密度”勘探技術(shù)的發(fā)展使炮、檢密度成倍增加，地震數(shù)據(jù)量可達(dá)PB級別， “大數(shù)據(jù)”時代地震資料初至拾取對效率提出更高要求[2]。人工拾取耗時、耗力，需要具有經(jīng)驗的專業(yè)人士處理，容易引入人為誤差，難以實現(xiàn)工業(yè)化[3]。因此研究高精度、高效率、高自動化的海量數(shù)據(jù)初至拾取方法勢在必行。

迄今為止，國內(nèi)外學(xué)者已經(jīng)提出多種初至波拾取方法，如長短時均值比法(STA/LTA)[4]、相關(guān)法[5]、統(tǒng)計學(xué)方法(Akaike Information Criterion, AIC)[6]、圖像處理法[7]、分形法[8]、神經(jīng)網(wǎng)絡(luò)法[9-11]等。這些方法大多基于地震信號的振幅、能量、頻率或相位的變化以及相鄰道之間的相關(guān)特征確定地震波初至?xí)r間。其通常僅考慮地震信號單一特征，當(dāng)?shù)卣鹦盘柵c背景噪音信號特征差異較大時，拾取精度較高，當(dāng)背景噪音復(fù)雜、信號強度弱或出現(xiàn)空道、廢道時，拾取精度難以滿足后續(xù)處理的需求。

神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)中一種基于對海量數(shù)據(jù)進行表征學(xué)習(xí)的方法，當(dāng)前已經(jīng)成為機器學(xué)習(xí)領(lǐng)域極具競爭力的研究方向，在圖像處理、文本處理和語音識別等方面取得了成功的應(yīng)用[12]。國內(nèi)外專家也將神經(jīng)網(wǎng)絡(luò)成功引入地震資料處理中來，并取得許多成果。BP神經(jīng)網(wǎng)絡(luò)技術(shù)在21世紀(jì)初就應(yīng)用于地震資料的初至拾取以及震相識別[11]。隨著深度學(xué)習(xí)架構(gòu)的發(fā)展，這類方法逐漸被更具活力的卷積神經(jīng)網(wǎng)絡(luò)取代(Convolutional Neural Network, CNN)。Yuan等采用CNN方法實現(xiàn)初至拾取，設(shè)置全連接層將地震記錄分類為初至以及非初至[13]。劉佳楠等引入全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Networks, FCN)，將全連接層替換為反卷積與反池化層將輸出結(jié)果恢復(fù)至輸入數(shù)據(jù)尺寸，實現(xiàn)像素級別的標(biāo)簽劃分[10]。丁建群等采用FCN的改進版本U-NET實現(xiàn)基于圖像訓(xùn)練的初至波拾取[14]。陳德武等結(jié)合U-NET、SegNeT的優(yōu)勢提出混合網(wǎng)絡(luò)U-SegNet地震數(shù)據(jù)初至拾取，并優(yōu)化了樣本制作流程，提高了計算效率[15]。以上這些基于CNN的方法，都將地震記錄作為一種灰度圖像進行處理，并沒有考慮到地震信號是時間序列這一特征。實際上背景噪音具有很強的延續(xù)性，例如陸地環(huán)境干擾，海洋勘探的船干擾、涌浪干擾等，這些時序特征并沒有在神經(jīng)網(wǎng)絡(luò)中得到體現(xiàn)。而循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的出現(xiàn)將時序分析得以實現(xiàn)。

借鑒RNN在語音識別中的成功應(yīng)用[16]，本文提出利用RNN的改進方法長短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)進行初至拾取，為實現(xiàn)“高精度、高效率、高自動化”的初至拾取提供一種全新的思路。應(yīng)用本文方法分別在海洋OBC地震資料、西部山地地震資料進行拾取試驗，取得較好的效果，證明了本文方法的應(yīng)用價值。

1 基本原理

地震信號實質(zhì)上是一種時間序列，初至拾取與語音識別具有高度相似性，同時地震數(shù)據(jù)也具有空間特征，共炮集數(shù)據(jù)在橫向上具有很強的連續(xù)性。相比于CNN類圖像分割方法，RNN在學(xué)習(xí)空間特征的基礎(chǔ)上，能夠?qū)W習(xí)時間特征，非常適合用于地震數(shù)據(jù)初至拾取。根據(jù)任務(wù)目標(biāo)即輸入輸出的不同，RNN有多種結(jié)構(gòu)，包括One to One、One to Many、Many to One、Many to Many等，初至拾取問題可以看作一個二分類問題，在時序上將初至?xí)r刻分為一類，非初至?xí)r刻歸為另一類，Many to One結(jié)構(gòu)符合初至拾取任務(wù)的需求，即輸入為二維地震數(shù)據(jù)矩陣，輸出為標(biāo)簽值0或1。

圖1 RNN的Many to one單隱藏層結(jié)構(gòu)

RNN中典型的Many to one單層結(jié)構(gòu)(見圖1)，由輸入層(Input Layer)、隱藏層(Hidden Layer)、輸出層(Output Layer)、各層相應(yīng)的權(quán)重、時間步長(Time Step)等組成。X1,X2,X3,X4…XT是1,2,3,4…T時刻的輸入值，h1,h2,h3,h4…h(huán)T為對應(yīng)的隱藏層狀態(tài)，YT是最終輸出結(jié)果，箭頭代表對向量進行一次變換。計算從左向右進行，可以看出隨著Time Step移動，上一時刻的計算結(jié)果隨時間傳入下一時刻的計算，這就是循環(huán)神經(jīng)網(wǎng)絡(luò)的記憶功能。每一時刻的隱藏層hT計算公式(1)，U和W是參數(shù)矩陣，b是偏置項參數(shù)，f是激活函數(shù)。輸出值是將在最后一個時間點的隱藏層hT變換后輸出，如公式(2)，這里使用的矩陣參數(shù)V與偏執(zhí)項參數(shù)c與公式(1)中的不同，此輸出受到整個時間段數(shù)據(jù)的影響。深層RNN結(jié)構(gòu)即是在單層結(jié)構(gòu)的基礎(chǔ)上添加多個隱藏層。

ht=f(U·Xt+W·ht-1+b) 。

(1)

YT=Softmax(V·hT+c) 。

(2)

在式(1)中，RNN前一層的隱藏狀態(tài)經(jīng)過變換和激活函數(shù)得到下一層隱藏狀態(tài)，使得反向傳播求導(dǎo)結(jié)果包含所有梯度的連乘，從而導(dǎo)致梯度消失或梯度爆炸，因此RNN處理“長程依賴”問題能力不足，通俗的講就是忘事兒。為了解決這個問題，LSTM應(yīng)運而生。LSTM在隱藏態(tài)計算時，使用加法替換了原本的迭代變換，可以避免梯度消失的問題，能夠?qū)W到長程的規(guī)律。LSTM通過對RNN的隱藏層計算單元的優(yōu)化改造，用細(xì)化的具有不同功能的網(wǎng)絡(luò)結(jié)構(gòu)替代簡單線性結(jié)構(gòu)，這樣的網(wǎng)絡(luò)結(jié)構(gòu)可以看作成一個細(xì)胞。與其說LSTM是一種RNN結(jié)構(gòu)，倒不如說LSTM是RNN的單元升級組件，因此RNN中可以使用的每一結(jié)構(gòu)都可以無縫切換到LSTM。LSTM的網(wǎng)絡(luò)細(xì)胞結(jié)構(gòu)見圖2，內(nèi)部具有若干神經(jīng)網(wǎng)絡(luò)層分別負(fù)責(zé)不同的功能。

圖2 LSTM 網(wǎng)絡(luò)細(xì)胞結(jié)構(gòu)

LSTM神經(jīng)網(wǎng)絡(luò)的關(guān)鍵是細(xì)胞狀態(tài)，其數(shù)據(jù)流向見圖2中頂部的直線所示，用Ct表示。LSTM細(xì)胞狀態(tài)具有刪除或者添加信息的能力，該能力是門(Gate)結(jié)構(gòu)賦予的。門結(jié)構(gòu)由一個Sigmoid神經(jīng)網(wǎng)絡(luò)層和一個點乘運算組成。

計算第一步見圖2中左側(cè)部分I(灰色框標(biāo)識)，該部分決定從細(xì)胞狀態(tài)中丟棄哪些信息，稱為遺忘門(Forget Gate)。它查看ht-1和Xt，并為細(xì)胞狀態(tài)中的每個元素輸出0到1之間的值，1代表完全保留，0代表徹底刪除。計算過程如公式(3)，(4)。ft為遺忘門的輸出，Wt為當(dāng)前層權(quán)重系數(shù)，bt為當(dāng)前層偏置項參數(shù)，[ht-1,Xt]為上一層傳過來的隱藏層狀態(tài)與當(dāng)前時刻輸入值的合并矩陣，σ為Sigmoid激活函數(shù)。

ft=σ(Wf·[ht-1,Xt]+bf) 。

(3)

(4)

it=σ(Wi·[ht-1,Xt]+bi)。

(5)

(6)

(7)

完成以上兩個步驟的結(jié)果，就可以實現(xiàn)當(dāng)前時刻細(xì)胞狀態(tài)的更新，如公式(8)，Ct為當(dāng)前時間節(jié)點計算所得細(xì)胞狀態(tài)，將輸入下一時間節(jié)點來參與運算。

(8)

最后需要確定輸出的部分，見圖2中部分III。公式(9)、(10)中Sigmoid層ot決定輸出細(xì)胞狀態(tài)的哪個部分，再將其乘以tanh規(guī)則化后的當(dāng)前細(xì)胞狀態(tài)，就得到輸入下層計算的隱藏層狀態(tài)。

ot=σ(Wo·[ht-1,Xt]+bo)。

(9)

ht=ot·tanh(Ct)。

(10)

2 處理流程

LSTM神經(jīng)網(wǎng)絡(luò)地震初至拾取流程包括樣本集制作、LSTM神經(jīng)網(wǎng)絡(luò)模型設(shè)計及訓(xùn)練。

2.1 樣本集制作

樣本集制作是神經(jīng)網(wǎng)絡(luò)效果好壞的基礎(chǔ)，針對地震資料初至拾取任務(wù)的特殊性，本文采用以下幾個步驟制作樣本集。

(1) 原始地震數(shù)據(jù)預(yù)處理，并使用已有軟件拾取若干炮集數(shù)據(jù)的初至，人工調(diào)整未能正常拾取以及偏差較大的初至值，保證初至拾取的準(zhǔn)確性。

(2) 根據(jù)人工拾取的初至截取地震記錄制作樣本，并手工分類標(biāo)注。在地震記錄上以初至點為中心截取51×51的矩形時窗數(shù)據(jù)作為初至類別，標(biāo)簽設(shè)為1，截取初至點前同樣大小的時窗，作為初至前類別，標(biāo)簽設(shè)為0。其中訓(xùn)練樣本與測試樣本的比例為7∶3，初至類樣本與非初至類別樣本比例為1∶1。初至樣本應(yīng)涵蓋全部偏移距范圍的數(shù)據(jù)，非初至樣本應(yīng)包含地震數(shù)據(jù)中各類別的背景噪音，以提高模型泛化能力。

(3) 樣本數(shù)據(jù)歸一化處理。對于不同炮，不同接收地形所測得的地震數(shù)據(jù)差別非常大，甚至?xí)嗖顜讉€數(shù)量級。對數(shù)據(jù)進行訓(xùn)練時，保證數(shù)據(jù)相近尺度能夠有效地幫助梯度下降算法更快收斂。本文采取逐道歸一化的方式，先獲得每一道的最大值，然后將每一道的數(shù)據(jù)除以相應(yīng)最大值，將數(shù)據(jù)映射到-1到1之間。歸一化公式如下：

(11)

式中：x*為每一道樣本歸一化的數(shù)據(jù)值；xj為每個時間點的值；xmax為每一道的最大值。

以模擬數(shù)據(jù)為例，模擬地震剖面的地震道數(shù)在100～500不等，基于數(shù)據(jù)增廣的思想加入了均值為0、方差為0.1～0.5的高斯隨機噪音，并人工添加靜校正量模擬復(fù)雜地形資料，制作包含13 525個樣本的樣本集，9 467個樣本作為訓(xùn)練集，4 058個樣本作為測試集。部分初至樣本見圖3。

圖3 模擬數(shù)據(jù)初至樣本

2.2 LSTM神經(jīng)網(wǎng)絡(luò)模型設(shè)計及訓(xùn)練

本文基于LSTM基本原理搭建LSTM神經(jīng)網(wǎng)絡(luò)架構(gòu)用于地震數(shù)據(jù)初至拾取，其實質(zhì)上是解決一個二分類問題，因此隱藏層不宜過深，本文方法設(shè)置2層隱藏層，隱藏層狀態(tài)維數(shù)160。最終網(wǎng)絡(luò)輸出為數(shù)據(jù)分類的標(biāo)簽，即1或0。

訓(xùn)練過程一共重復(fù)訓(xùn)練樣本數(shù)據(jù)10次，單次訓(xùn)練采用小批量梯度下降算法，每批次喂入量為64個樣本。訓(xùn)練學(xué)習(xí)率LR設(shè)置為0.001，損失函數(shù)采用二元交叉熵函數(shù)(Binary Cross-Entropy)，對于包含n個訓(xùn)練樣本的批次，損失函數(shù)為：

(12)

評價網(wǎng)絡(luò)性能的指標(biāo)為分類的準(zhǔn)確率，即輸入網(wǎng)絡(luò)的測試樣本正確分類的數(shù)量與總數(shù)量的比值：

(13)

以模擬地震資料為例， 9 467個樣本參與訓(xùn)練并對模型進行測試，訓(xùn)練正確率及Loss函數(shù)隨訓(xùn)練進度變化見圖4，經(jīng)過100次訓(xùn)練正確率就能達(dá)到99%及以上，Loss函數(shù)收斂迅速。圖5為模擬數(shù)據(jù)LSTM神經(jīng)網(wǎng)絡(luò)初至波拾取的結(jié)果，模型具有較強的抗噪能力，在背景隨機噪音較強且具有較大靜校正量的情況下，依然能夠準(zhǔn)確的識別初至?xí)r刻。

圖4 訓(xùn)練正確率及Loss函數(shù)

((a)初至拾取結(jié)果剖面； (b)初至拾取結(jié)果。(a) The profile with the first break picking results； (b) The first break picking results.)圖5 含噪模擬剖面拾取試驗(0.45噪音方差)

3 實際資料應(yīng)用

采用本文方法分別對勝利油田海洋地震勘探資料和西部復(fù)雜地形陸地勘探資料進行初至拾取試驗，取得較為滿意的結(jié)果。每種資料各制作6 960個樣本，按照7∶3比例劃分訓(xùn)練集和測試集，將訓(xùn)練好的模型用于實際地震資料初至拾取。

3.1 海洋OBC地震資料初至拾取試驗

勝利油田OBC地震勘探資料整體信噪比較高，探區(qū)海底地形平坦，無明顯靜校正量存在，但是存在少量異常道現(xiàn)象，LSTM神經(jīng)網(wǎng)絡(luò)初至拾取結(jié)果見圖6。圖6(a)展示波形初至拾取點與波形吻合度高，曲線平滑，無跳點出現(xiàn)，LSTM神經(jīng)網(wǎng)絡(luò)對于信噪比較高的海洋資料拾取效果非常好；圖6(b)異常道部分局部放大，異常道雖然初至信息不清晰，但是本文方法依然能夠利用橫向空間特征正確預(yù)測初至位置，證明方法受數(shù)據(jù)完整度的影響小，穩(wěn)定性高。

((a) 初至拾取結(jié)果剖面； (b)異常道附近拾取結(jié)果。(a) The profile with the first break picking results; (b) The first break picking results near the abnormal traces.)

與目前應(yīng)用廣泛的能量比法拾取初至進行對比，能量比法利用初至前后時窗內(nèi)能量特征的差異來判斷初至?xí)r間，在工業(yè)生產(chǎn)實踐中取得良好的效果，但仍存在復(fù)雜地表條件下拾取精度不高的問題。圖7(a)是本文LSTM神經(jīng)網(wǎng)絡(luò)拾取結(jié)果，圖7(b)是能量比法的拾取結(jié)果。能量比法拾取結(jié)果存在明顯跳點，見圖7(b)中紅圈，并且整體波形不夠平滑，吻合度較低，LSTM神經(jīng)網(wǎng)絡(luò)方法拾取精確度更高，結(jié)果更加可靠。

((a)LSTM神經(jīng)網(wǎng)絡(luò)初至拾取結(jié)果； (b)能量比法拾取結(jié)果。(a) The first break picking results using LSTM network； (b) The first break picking results using commercial software.)

3.2 西部山地地震資料試驗

我國西部地區(qū)地形崎嶇、地貌復(fù)雜，野外采集地震資料初至特征復(fù)雜。本文所用勝利油田西部地區(qū)復(fù)雜山地地震資料由可控震源激發(fā)，地震勘探資料存在信噪比低、初至不明顯以及靜校正問題嚴(yán)重等特點。采用本文方法流程訓(xùn)練模型并對實際資料進行處理，拾取的結(jié)果見圖8。圖8(a)是實際資料初至拾取結(jié)果，圖8(b)是實際資料局部放大圖，拾取的初至?xí)r刻曲線較為平滑，無跳點出現(xiàn)，吻合度較高，抗噪能力強。在初至拾取的基礎(chǔ)上進行初至波層析靜校正處理并形成疊加剖面，靜校正方法采用Fresnel層析靜校正技術(shù)，與能量比法拾取初至的成像剖面對比如圖9。相比于使用能量比法初至拾取結(jié)果的層析靜校正疊加剖面(見圖9(a))，使用LSTM神經(jīng)網(wǎng)絡(luò)方法拾取初至的疊加剖面(見圖9(b))高速層頂部起伏更加穩(wěn)定可靠，同相軸連續(xù)性更強，層位信息更豐富，構(gòu)造特征更明顯，本文的LSTM神經(jīng)網(wǎng)絡(luò)初始拾取方法對于復(fù)雜山地資料同樣具有很好的適用性。

((a)初至拾取結(jié)果剖面； (b)紅框位置局部放大剖面。(a) The profile with the first break picking results； (b) Locally enlarge the profile at the red box position.)

((a)使用能量比法拾取初至的疊加剖面； (b)使用本文LSTM神經(jīng)網(wǎng)絡(luò)方法拾取初至的疊加剖面。(a) The stacked profile using the first break picked by commercial software； (b) The stacked profile using the first break picked by LSTM network.)

4 結(jié)論

本文提出了利用LSTM神經(jīng)網(wǎng)絡(luò)來拾取地震勘探資料的初至，這為實現(xiàn)“高精度、高效率、高自動化”的初至拾取提供一種全新的思路。通過模擬資料和實際生產(chǎn)資料拾取試驗，并與目前應(yīng)用廣泛的能量比法拾取結(jié)果進行對比分析，表明LSTM神經(jīng)網(wǎng)絡(luò)對于海洋和陸地資料的拾取精度都很高，并且能夠勝任信噪比不高、數(shù)據(jù)量巨大的地震資料的初至自動拾取工作。通過研究得出以下結(jié)論與認(rèn)識：

(1) 基于LSTM神經(jīng)網(wǎng)絡(luò)建立一套海量數(shù)據(jù)、高精度的人工地震自動初至拾取流程。對原始地震數(shù)據(jù)進行裁剪、標(biāo)簽化和歸一化處理，設(shè)計合適的LSTM網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)進行訓(xùn)練建模，通過模擬資料優(yōu)化并驗證模型的可靠性。

(2) LSTM神經(jīng)網(wǎng)絡(luò)初至拾取適用于各種類型的實際地震資料處理，不但適用于高信噪比的OBC資料，而且對于像勝利油田西部這種強干擾、靜校正問題嚴(yán)重的地震資料的初至拾取的應(yīng)用效果良好，證明其具有很好的抗噪性能和良好的適用性。

(3) LSTM神經(jīng)網(wǎng)絡(luò)能夠提取數(shù)據(jù)的時序特征，貼合地震數(shù)據(jù)是時間序列這一特點。通過成功解決地震信號初至拾取二分類問題，證明了該方法在地震信號處理方面具有良好的應(yīng)用前景。