基于樣本選取和多種質(zhì)控的地震層位智能拾取

于 越,桑文鏡,袁三一,陳 帥,王尚旭

(中國(guó)石油大學(xué)(北京)地球物理學(xué)院,北京 102249)

地震層位追蹤與拾取是一項(xiàng)基礎(chǔ)且重要的地震解釋工作,準(zhǔn)確的地震層位能為速度建模、偏移成像、構(gòu)造解釋、屬性分析、井震標(biāo)定、彈性參數(shù)反演、物性參數(shù)預(yù)測(cè)和鉆前壓力監(jiān)測(cè)等勘探開(kāi)發(fā)工作提供基本數(shù)據(jù)和保障[1]。

目前,層位拾取方法以人工拾取和自動(dòng)拾取兩大類(lèi)為主。人工拾取是解釋人員根據(jù)地質(zhì)沉積演化規(guī)律和地震數(shù)據(jù)的波形、振幅和相位等物理特征,稀疏地解釋少量縱橫測(cè)線(xiàn)剖面的目標(biāo)層位,再依據(jù)波形相似性,通過(guò)數(shù)學(xué)插值的方式追蹤其它剖面上的層位線(xiàn),最終得到三維層位曲面。人工拾取方法具有操作簡(jiǎn)便和容易學(xué)習(xí)等優(yōu)點(diǎn),但是該方法比較依賴(lài)解釋人員的主觀(guān)認(rèn)識(shí)與經(jīng)驗(yàn),且無(wú)法同時(shí)保證層位追蹤的精度與效率。當(dāng)拾取層位線(xiàn)較粗糙時(shí),易丟失地質(zhì)異常體;當(dāng)拾取層位線(xiàn)較精細(xì)時(shí),會(huì)大量耗費(fèi)時(shí)間與精力,降低解釋效率。因此為了突破人工拾取方法的局限性,不少學(xué)者先后提出了兼顧精度與效率的層位自動(dòng)拾取方法[2]。

現(xiàn)有的層位自動(dòng)拾取方法主要分為基于地震道相關(guān)性、地震圖像像元匹配和神經(jīng)網(wǎng)絡(luò)自動(dòng)追蹤3類(lèi)?；谙嚓P(guān)性的層位自動(dòng)拾取技術(shù)是在相干算法[3-4]的基礎(chǔ)上,依據(jù)地震剖面的波形特征,通過(guò)比較道與道之間的相關(guān)性追蹤并標(biāo)記層位?；诖怂枷?ZENG等[5]提出一種利用少量人工標(biāo)記過(guò)的層位對(duì)三維層位進(jìn)行插值的方法;趙成喜等[6]提出通過(guò)確定目的層種子點(diǎn),選取一定大小的相鄰時(shí)窗,利用線(xiàn)性插值的方法識(shí)別相鄰地震道追蹤地震層位;溫慶慶[7]提出利用種子點(diǎn)引導(dǎo),通過(guò)全區(qū)插值,對(duì)插值點(diǎn)與種子點(diǎn)進(jìn)行相關(guān)計(jì)算,將相關(guān)系數(shù)最大的點(diǎn)作為拾取層位。然而,利用插值的方法雖然總體上可以比較清楚地分辨層位的結(jié)構(gòu),但人工標(biāo)記層位種子點(diǎn)的質(zhì)量對(duì)插值結(jié)果影響較大,而且容易造成最終層位的不完整。鄭公營(yíng)等[8]提出了波形特征追蹤和相關(guān)追蹤兩種層位自動(dòng)拾取算法。這兩種算法提高了層位追蹤效率與質(zhì)量,但在地震波形比較復(fù)雜、存在較大斷層和分叉的情況下,存在一定的局限性。WU等[9]將動(dòng)態(tài)時(shí)間規(guī)整(dynamic time warping,DTW)算法引入到地震層位拾取中,利用多網(wǎng)格斜率相關(guān)斷層兩側(cè)的地震道來(lái)追蹤層位,該方法不僅計(jì)算高效,而且在經(jīng)過(guò)斷層時(shí)仍能夠獲得準(zhǔn)確的相位一致的層位。

基于圖像的自動(dòng)追蹤方法引入了圖像處理領(lǐng)域中的像元概念,將地震記錄點(diǎn)看成像元,通過(guò)比較目標(biāo)窗口內(nèi)的像元之間的關(guān)系,將達(dá)到最佳匹配的像元作為追蹤的層位目標(biāo)。涂先見(jiàn)[10]提出了一種基于信號(hào)分類(lèi)的全層位追蹤方法,該方法避免了傳統(tǒng)層位追蹤易受到人為干預(yù)的局限性,實(shí)現(xiàn)了指定區(qū)域內(nèi)的全層位追蹤,但對(duì)跨斷層區(qū)域的層位追蹤效果較差。蔣旭東等[11]提出一種基于結(jié)構(gòu)張量算法的自動(dòng)追蹤層位方法,該方法通過(guò)結(jié)構(gòu)張量算法計(jì)算層位發(fā)育角度信息來(lái)追蹤層位,其層位拾取結(jié)果相對(duì)穩(wěn)定,且與同相軸吻合度高,但在波形相似度變?nèi)鯐r(shí),特別是在一些復(fù)雜的斷層區(qū)域,容易造成追蹤結(jié)果的不連續(xù)。

基于神經(jīng)網(wǎng)絡(luò)的層位自動(dòng)追蹤方法結(jié)合了地震大數(shù)據(jù)和多類(lèi)型深度神經(jīng)網(wǎng)絡(luò)的各自?xún)?yōu)勢(shì),通過(guò)學(xué)習(xí)大量的地震樣本與標(biāo)簽提取層位特征屬性并映射出層位,從而達(dá)到層位自動(dòng)拾取的目的。HUANG等[12]曾提出一種基于線(xiàn)性陣列特征圖的自組織模型提取地震層位的算法,該算法可以用于地震模式識(shí)別的預(yù)處理,提高地震解釋的水平。ALBERTS等[13]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的層位追蹤算法,該方法可以自動(dòng)跳過(guò)斷層等不連續(xù)地質(zhì)結(jié)構(gòu)區(qū)域,實(shí)現(xiàn)了層位的自動(dòng)追蹤和分類(lèi),但在斷層區(qū)域容易產(chǎn)生層位的不連續(xù)。趙皓[14]利用自組織特征映射(self-organizing feature mapping,SOFM)網(wǎng)絡(luò)和反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了斷層兩側(cè)層位同相軸的定位與追蹤。PETERS等[15]和YANG等[16]使用深度卷積神經(jīng)網(wǎng)絡(luò),在訓(xùn)練少量地震圖像的基礎(chǔ)上實(shí)現(xiàn)整個(gè)數(shù)據(jù)體的層位自動(dòng)追蹤,提高了層位拾取的效率和精度。SHI等[17]提出了一種基于深度學(xué)習(xí)自動(dòng)編碼器的無(wú)監(jiān)督層位自動(dòng)拾取方法,該方法在訓(xùn)練過(guò)程中不需要標(biāo)簽,且對(duì)噪聲和橫向扭曲不敏感。但對(duì)于不整合以及斷距較大的斷層,該方法的穩(wěn)定性較差。袁英淏[18]提出了基于恒等快捷映射的深層卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)層位追蹤方法,該方法解決了深層網(wǎng)絡(luò)中經(jīng)常出現(xiàn)的梯度彌散問(wèn)題,提高了拾取結(jié)果的準(zhǔn)確性,但追蹤層位耗費(fèi)時(shí)長(zhǎng)遠(yuǎn)遠(yuǎn)高于其它層位自動(dòng)追蹤方法。

總之,現(xiàn)有的層位自動(dòng)拾取方法仍存在一些不足:①已有的基于波形相關(guān)性和基于圖像像元相似性的層位自動(dòng)追蹤技術(shù)存在效率低,對(duì)斷層等不連續(xù)區(qū)域敏感,以及當(dāng)不同目標(biāo)層位比較接近且波形相似時(shí)易產(chǎn)生串層現(xiàn)象等問(wèn)題;②大部分神經(jīng)網(wǎng)絡(luò)類(lèi)方法只是應(yīng)用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了層位自動(dòng)追蹤,但沒(méi)有針對(duì)地震數(shù)據(jù)的固有物理特性開(kāi)展測(cè)試以形成較系統(tǒng)的認(rèn)識(shí);③沒(méi)有充分利用已有的地球物理認(rèn)識(shí)和地質(zhì)規(guī)律引導(dǎo)層位拾取網(wǎng)絡(luò)的建模,對(duì)拾取結(jié)果缺少多種有效的質(zhì)控與分析。

為克服現(xiàn)有神經(jīng)網(wǎng)絡(luò)類(lèi)層位自動(dòng)拾取方法存在的不足,本文以語(yǔ)義分割為基礎(chǔ),以U型神經(jīng)網(wǎng)絡(luò)為架構(gòu),以層拉平、層位閉合、等t0圖、地質(zhì)導(dǎo)向相位屬性和均方根振幅屬性等多種地球物理手段為質(zhì)控,提出了一套綜合考慮不同方向、不同大小的地震剖面包含的層位信息和地質(zhì)結(jié)構(gòu)特征的差異性及標(biāo)簽正確性對(duì)網(wǎng)絡(luò)建模影響的地震層位智能拾取方法與流程。

本文在介紹方法原理和質(zhì)控手段的基礎(chǔ)上,討論了數(shù)據(jù)集生成方向、訓(xùn)練樣本尺度大小和標(biāo)簽錯(cuò)誤程度3種樣本選取因素對(duì)智能層位拾取的影響。

1 方法原理

1.1 U型神經(jīng)網(wǎng)絡(luò)

U-Net網(wǎng)絡(luò)是一種常見(jiàn)的卷積神經(jīng)網(wǎng)絡(luò),于2015年由RONNEBERGER等[19]提出。U-Net網(wǎng)絡(luò)最早用于解決醫(yī)學(xué)圖像細(xì)胞分割問(wèn)題,由于其具有可解釋性較強(qiáng)、分割精度高、所需訓(xùn)練數(shù)據(jù)量少等優(yōu)點(diǎn),因此適用于同樣存在少樣本、圖像語(yǔ)義簡(jiǎn)單等情況的地震解釋領(lǐng)域,在識(shí)別層位、斷層、河道、溶洞、鹽丘和地震相等應(yīng)用中取得了良好的實(shí)際應(yīng)用效果[20-21]。

原始的U-Net網(wǎng)絡(luò)主要由包含4次下采樣的收縮路徑和包含4次上采樣的擴(kuò)張路徑兩部分組成,收縮路徑將輸入的地震信息轉(zhuǎn)化為特征圖;與其對(duì)稱(chēng)的擴(kuò)張路徑將提取的特征圖進(jìn)一步映射成與輸入圖像等大的輸出結(jié)果。圖1為本文所使用的U型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意。由于本文中部分訓(xùn)練樣本大小為128×128,經(jīng)過(guò)4次下采樣后特征圖無(wú)法有效保留原始圖像的局部細(xì)節(jié)信息,因此本文將下采樣和上采樣次數(shù)均從4次減少到3次。其次,原始的U-Net網(wǎng)絡(luò)通道數(shù)依次為64,128,256,512,1024;為提高訓(xùn)練速度,本文的U型神經(jīng)網(wǎng)絡(luò)通道數(shù)依次設(shè)置為16,32,64和512。

圖1 U型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意

基于U型神經(jīng)網(wǎng)絡(luò)的地震層位智能拾取問(wèn)題可以被看成是像素級(jí)別的地震圖像分類(lèi)任務(wù),其目標(biāo)函數(shù)一般使用交叉熵?fù)p失函數(shù)。在單套層位拾取(二分類(lèi))的情況下,網(wǎng)絡(luò)模型最后輸出表征層位的概率圖。層位和非層位兩種類(lèi)別預(yù)測(cè)得到的概率分別是p和1-p,此時(shí)U型神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)如下:

(1)

式中:N表示樣本的個(gè)數(shù);yi表示第i個(gè)樣本的類(lèi)別,層位位置為1,非層位位置為0;pi表示第i個(gè)樣本被預(yù)測(cè)為層位的概率。

多套層位拾取(多分類(lèi))相應(yīng)的目標(biāo)函數(shù)為:

(2)

式中:M表示類(lèi)別的數(shù)量;pij表示第i個(gè)樣本屬于類(lèi)別j的預(yù)測(cè)概率;yij為符號(hào)函數(shù),如果樣本的真實(shí)類(lèi)別等于j,則yij=1,否則yij=0。當(dāng)M=2時(shí),公式(2)與公式(1)等價(jià)。

1.2 層位智能拾取過(guò)程

利用U型神經(jīng)網(wǎng)絡(luò)智能拾取層位時(shí),首先在人工解釋層位附近設(shè)置時(shí)窗,將時(shí)窗內(nèi)區(qū)域標(biāo)記為所屬的層位類(lèi)別,時(shí)窗外區(qū)域標(biāo)記為0,最終生成與地震剖面等大的層位標(biāo)簽。以包含3套目標(biāo)層位的地震剖面(圖2a)為例,其中層位用黑色線(xiàn)表示。標(biāo)記從上到下的3套層位及其鄰域分別為1,2,3,剩下的區(qū)域標(biāo)記為0,獲得層位標(biāo)簽見(jiàn)圖2b。重復(fù)上述步驟,完成三維地震數(shù)據(jù)的層位標(biāo)簽制作。然后等間隔抽取地震剖面和層位標(biāo)簽,訓(xùn)練U型神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)置為0.001,經(jīng)過(guò)50次迭代訓(xùn)練獲得具有層位特征識(shí)別能力的網(wǎng)絡(luò)模型,從而比較清晰地分割出層位區(qū)域,并減少了非層位區(qū)域的干擾。接著,將智能層位拾取模型推廣到待測(cè)試剖面。網(wǎng)絡(luò)將輸入的二維地震數(shù)據(jù)端到端、圖像到圖像、像素到像素地轉(zhuǎn)化為輸出的層位拾取概率圖。層位拾取概率圖是層位和非層位區(qū)域的語(yǔ)義分割結(jié)果,概率值越接近預(yù)設(shè)標(biāo)簽值,被認(rèn)為是該層位的可能性越大。為獲得更可靠合理的層位拾取結(jié)果,接著對(duì)層位拾取概率圖沿著人工拾取層位線(xiàn)設(shè)置窗口大小為15×1的時(shí)窗,通過(guò)閾值對(duì)窗內(nèi)的層位概率分類(lèi)(將窗內(nèi)大于臨界值的點(diǎn)設(shè)為表示層位的1,其它點(diǎn)設(shè)為表示非層位的0)。最后,窗內(nèi)每道非零位置的中心點(diǎn)即為智能拾取的地震層位。

圖2 多套層位標(biāo)簽制作示意a 地震剖面(黑線(xiàn)為人工拾取的3套層位); b 地震剖面對(duì)應(yīng)的多套層位標(biāo)簽

2 質(zhì)控方法

為檢查和把控地震層位智能拾取結(jié)果,本文在判斷拾取的層位是否準(zhǔn)確追蹤同相軸的基礎(chǔ)上,加入多種質(zhì)控方法。

1) 層拉平:準(zhǔn)確拾取的地震層位會(huì)統(tǒng)一追蹤地震波同相軸的波峰、波谷或零值點(diǎn)位置,若將層位附近區(qū)域沿層位拉平后會(huì)得到波形水平的地震剖面;地震剖面拉平效果越好,層位拾取越準(zhǔn)確。

2) 層位閉合:Inline方向和Crossline方向上的層位線(xiàn)應(yīng)閉合相交于一個(gè)坐標(biāo)點(diǎn)。

3) 層位等t0圖:直觀(guān)地反映地震層位的三維形態(tài)和起伏變化。

4) 沿層振幅切片:比較清晰地反映構(gòu)造發(fā)育及展布特征。

5) 均方根振幅屬性:對(duì)地震數(shù)據(jù)振幅變化敏感,可以檢驗(yàn)拾取層位對(duì)地質(zhì)異常體的刻畫(huà)能力。

6) 地質(zhì)導(dǎo)向相位屬性[22]:表征三維曲面中近似垂直于構(gòu)造的不連續(xù)性,突出和識(shí)別地下微小構(gòu)造。

7) 層位概率圖:可視化智能層位在人工層位位置的概率圖,概率值越高,預(yù)測(cè)的置信度越高。

選取如圖3a所示的三維裂縫物理模擬數(shù)據(jù)[23]開(kāi)展測(cè)試,并選取幾種質(zhì)控手段檢驗(yàn)獲得的智能層位拾取結(jié)果是否準(zhǔn)確。若不滿(mǎn)足條件,調(diào)整樣本選取策略重新訓(xùn)練網(wǎng)絡(luò)。該模型數(shù)據(jù)Inline方向、Crossline方向和時(shí)間方向的采樣大小分別為750,750和400,時(shí)間采樣間隔為1ms,沿Crossline方向(西—東)和Inline方向(北—南)道間距為12.5m,覆蓋面積約90km2。物理模型(圖3b)由淺到深依次發(fā)育6套沉積層,分別命名為L(zhǎng)1～L6。其中,第4套沉積層L4為本文研究的目的層,其平均厚度約為190m,對(duì)應(yīng)的地震層位為圖3a中的黑線(xiàn)所示層位。從目的層頂部的二維示意(圖3c)及對(duì)應(yīng)的沿層振幅切片(圖3d)可以看到,目的層主要由位于北部的不同長(zhǎng)度、寬度、密度、水平間隔、形狀的八組簡(jiǎn)化裂縫帶和位于南部的包含四個(gè)東西向斷裂體系兩大部分構(gòu)成。此外,裂縫帶比斷裂體系埋藏更深,形成南高北低,自南向北逐漸傾伏的地質(zhì)結(jié)構(gòu)。

圖3 三維裂縫物理模擬數(shù)據(jù)示意a 三維地震數(shù)據(jù)(黑線(xiàn)表示人工層位); b 包含6個(gè)沉積層的裂縫物理模型[23]; c 第4個(gè)沉積層(目的層)的俯視圖[23]; d 目的層的沿層振幅切片

首先等間隔地從三維物理模擬數(shù)據(jù)中抽取100個(gè)Inline剖面,并利用人工層位生成層位標(biāo)簽,每個(gè)地震樣本和層位標(biāo)簽的大小都是400×750。此時(shí)層位標(biāo)簽包含目標(biāo)層位區(qū)域(對(duì)應(yīng)的標(biāo)簽為1)以及非目標(biāo)層位區(qū)域(標(biāo)簽為0)兩個(gè)語(yǔ)義類(lèi)別。然后將獲得的樣本集按1∶1分成訓(xùn)練集和驗(yàn)證集。層位拾取網(wǎng)絡(luò)訓(xùn)練好后,測(cè)試所有Inline剖面獲得三維層位拾取結(jié)果。抽取兩個(gè)典型剖面分析智能層位拾取效果,圖4a為一僅經(jīng)過(guò)斷層的東西向剖面Crossline 150,圖4b為同時(shí)經(jīng)過(guò)斷層和多個(gè)裂縫的南北向剖面Inline 406。圖4a和圖4b中的黑線(xiàn)和綠線(xiàn)分別表示人工、智能拾取的層位。對(duì)比發(fā)現(xiàn),智能拾取的層位基本能夠正確地反映層位變化趨勢(shì),追蹤與地震構(gòu)造一致的反射波同相軸信息在斷層和裂縫位置沒(méi)有出現(xiàn)串層現(xiàn)象,與人工層位拾取結(jié)果整體相當(dāng)。為進(jìn)一步檢驗(yàn)拾取的智能層位,對(duì)含斷層和裂縫等特殊構(gòu)造區(qū)域(圖4a和圖4b中橢圓圈)分別沿著人工層位(圖4c和圖4d中的黑線(xiàn))和智能層位(圖4c和圖4d中的綠線(xiàn))拉平?？梢钥闯?沿著智能層位拉平后的地震剖面(圖4d和圖4f)更為平緩,波形抖動(dòng)小,層拉平質(zhì)控說(shuō)明基于U型神經(jīng)網(wǎng)絡(luò)的智能層位拾取方法能比人工拾取方法更好地刻畫(huà)斷層和裂縫兩類(lèi)地質(zhì)結(jié)構(gòu)。

再選取層位閉合、層位等t0圖、地質(zhì)導(dǎo)向相位屬性這3種手段進(jìn)一步質(zhì)控三維層位拾取質(zhì)量。圖5a和圖5b為隨機(jī)抽取兩組兩兩相交的Inline剖面和Crossline剖面。如黑色箭頭所示,兩個(gè)方向上的智能層位(綠線(xiàn))相交于一點(diǎn),說(shuō)明滿(mǎn)足層位閉合條件。人工和智能層位對(duì)應(yīng)的等t0圖(圖6a和圖6b)都能清晰地刻畫(huà)斷層系統(tǒng),但智能層位等t0圖能夠更明顯地表征北部的裂縫帶?；谌S地質(zhì)導(dǎo)向相位結(jié)果,圖6c和圖6d分別為沿著人工、智能層位提取出的地質(zhì)導(dǎo)向相位切片,后者刻畫(huà)斷層和裂縫組合清晰,受到噪聲干擾少,獲得連續(xù)性較好、構(gòu)造細(xì)節(jié)豐富的地質(zhì)異常體。綜合分析圖4、圖5 和圖6發(fā)現(xiàn),本文方法解釋的層位比人工層位在斷層和裂縫等不連續(xù)構(gòu)造附近表現(xiàn)更好,識(shí)別細(xì)微構(gòu)造的能力更強(qiáng)。

圖4 物理模型地震剖面的層位拾取結(jié)果 a,b 分別為Crossline150剖面、Inline406剖面; c,d 分別為 a圖中斷層(橢圓圈)附近沿人工(黑線(xiàn))、智能(綠線(xiàn))層位拉平; e,f 分別為 b圖中裂縫(橢圓圈)附近沿人工(黑線(xiàn))、智能(綠線(xiàn))層位拉平

圖5 物理模擬數(shù)據(jù)三維層位智能拾取質(zhì)控與評(píng)價(jià)a Inline600和Crossline600剖面層位閉合情況(黑色箭頭所示); b Inline300和Crossline700剖面層位閉合情況(黑色箭頭所示)

圖6 物理模擬數(shù)據(jù)三維層位智能拾取質(zhì)控與評(píng)價(jià)a 人工層位等t0圖; b 智能層位等t0圖; c 人工層位對(duì)應(yīng)的地質(zhì)導(dǎo)向相位切片; d 智能層位對(duì)應(yīng)的地質(zhì)導(dǎo)向相位切片

3 樣本選取策略

在引入多種質(zhì)控方法評(píng)價(jià)智能層位拾取效果的基礎(chǔ)上,討論數(shù)據(jù)集生成方向、訓(xùn)練樣本尺度大小和標(biāo)簽錯(cuò)誤程度3種因素對(duì)建立智能層位拾取模型的影響,以形成一種比較可靠的樣本選取策略。

3.1 數(shù)據(jù)集生成方向

沿不同方向提取的地震剖面可以突顯不同尺度、不同構(gòu)造走向的地下異常體,尤其是小尺度異常體。本文分別沿三維地震數(shù)據(jù)的Crossline和Inline方向等間隔抽取50個(gè)地震剖面,構(gòu)建兩個(gè)不同的訓(xùn)練數(shù)據(jù)集,并訓(xùn)練出兩個(gè)智能層位拾取網(wǎng)絡(luò),分別命名為Crossline網(wǎng)絡(luò)和Inline網(wǎng)絡(luò),以探究不同方向數(shù)據(jù)集對(duì)層位拾取結(jié)果的影響及原因。其中,Inline網(wǎng)絡(luò)也是圖4 和圖5對(duì)應(yīng)的網(wǎng)絡(luò)。利用這兩個(gè)網(wǎng)絡(luò)分別測(cè)試對(duì)應(yīng)的測(cè)線(xiàn)剖面,得到兩個(gè)層位概率體。圖7a和圖7b 分別為從這兩個(gè)三維概率體提取出人工層位位置對(duì)應(yīng)的概率圖?？梢钥闯?Crossline網(wǎng)絡(luò)得到的人工層位切片概率圖在南部斷層區(qū)域表現(xiàn)為深紅色,切片邊界及北部裂縫內(nèi)部出現(xiàn)較多呈橘紅色和藍(lán)色的低概率值,表明Crossline網(wǎng)絡(luò)對(duì)這些位置是否是目標(biāo)層位判斷不準(zhǔn),拾取結(jié)果偏離了人工層位;而Inline網(wǎng)絡(luò)得到的人工層位切片概率圖整體表現(xiàn)為深紅色,即判定該位置為目標(biāo)層位的置信度高。圖7a 和圖7b的對(duì)比說(shuō)明沿Inline方向訓(xùn)練網(wǎng)絡(luò)在人工層位切片位置預(yù)測(cè)的概率圖整體概率較高,對(duì)應(yīng)的層位拾取效果較好。接著對(duì)于三維地震數(shù)據(jù)分別沿著人工拾取、Crossline網(wǎng)絡(luò)拾取、Inline網(wǎng)絡(luò)拾取層位提取沿層振幅切片,如圖7c至圖7e所示。兩個(gè)網(wǎng)絡(luò)對(duì)應(yīng)的沿層振幅切片都能刻畫(huà)出斷層和裂縫的基本形態(tài)且相較人工沿層振幅切片對(duì)斷層的走勢(shì)、裂縫的邊界刻畫(huà)得更加精細(xì)和清晰。

圖7 訓(xùn)練集生成方向?qū)ξ锢砟M數(shù)據(jù)層位拾取的影響a Crossline網(wǎng)絡(luò)在人工層位位置的概率圖; b Inline網(wǎng)絡(luò)在人工層位位置的概率圖; c 人工層位對(duì)應(yīng)的沿層振幅切片; d Crossline網(wǎng)絡(luò)層位對(duì)應(yīng)的沿層振幅切片; e Inline網(wǎng)絡(luò)層位對(duì)應(yīng)的沿層振幅切片

由沿層振幅切片可以看到,由于Crossline地震剖面往往只經(jīng)過(guò)斷層或裂縫,而Inline地震剖面同時(shí)經(jīng)過(guò)斷層和裂縫,因此Inline網(wǎng)絡(luò)的訓(xùn)練集比Crossline網(wǎng)絡(luò)包含更豐富的地質(zhì)信息,使其在訓(xùn)練過(guò)程中能夠?qū)W習(xí)更多元化的地質(zhì)結(jié)構(gòu)特征與模式,提高了網(wǎng)絡(luò)自適應(yīng)提取層位的能力。因此本文認(rèn)為當(dāng)三維地震數(shù)據(jù)的不同方向地質(zhì)結(jié)構(gòu)特征差異較大時(shí),沿著地質(zhì)結(jié)構(gòu)特征復(fù)雜的方向提取數(shù)據(jù)構(gòu)建訓(xùn)練集建立的層位智能拾取模型更有利于推廣測(cè)試。在后續(xù)的模擬數(shù)據(jù)測(cè)試中,我們均使用Inline方向作為數(shù)據(jù)集生成方向。

利用上文使用的Inline網(wǎng)絡(luò)測(cè)試所有的Crossline剖面,進(jìn)一步探究層位拾取網(wǎng)絡(luò)沿著垂直于訓(xùn)練集生成方向推廣時(shí)的層位拾取效果。圖8a中黑線(xiàn)為人工層位,綠線(xiàn)為Inline網(wǎng)絡(luò)測(cè)試Crossline150剖面得到的智能層位,與Inline網(wǎng)絡(luò)沿Inline方向測(cè)試三維地震數(shù)據(jù)后提取Crossline150剖面上的智能層位(圖4a綠線(xiàn))基本一致。圖8b為Inline網(wǎng)絡(luò)測(cè)試Crossline剖面得到的概率體在人工層位位置的概率圖,可以看到整體表現(xiàn)較好;與Inline網(wǎng)絡(luò)測(cè)試Inline剖面得到的概率體在人工層位位置的概率圖(圖7b) 相比,僅在斷層和裂縫位置概率值有所下降,但優(yōu)于Crossline網(wǎng)絡(luò)測(cè)試Crossline剖面得到的概率體在人工層位位置的概率圖(圖7a)。圖8c為Inline網(wǎng)絡(luò)測(cè)試Crossline剖面獲得的智能拾取層位對(duì)應(yīng)的沿層振幅切片,其對(duì)斷層和裂縫的刻畫(huà)能力介于圖7d 和圖7e之間。以上測(cè)試可以說(shuō)明:對(duì)于當(dāng)前數(shù)據(jù),當(dāng)沿著包括更多地質(zhì)結(jié)構(gòu)模式的方向生成訓(xùn)練數(shù)據(jù)集構(gòu)建層位解釋模型時(shí),測(cè)試集數(shù)據(jù)生成方向無(wú)論是平行或垂直于訓(xùn)練集數(shù)據(jù)生成方向,U型神經(jīng)網(wǎng)絡(luò)都能獲得穩(wěn)定的波形特征一致的層位拾取結(jié)果;且測(cè)試集與訓(xùn)練集的數(shù)據(jù)生成方向相同比二者生成方向垂直時(shí)拾取的層位結(jié)果精度和置信度更高。

圖8 Inline網(wǎng)絡(luò)測(cè)試Crossline剖面得到的層位拾取結(jié)果a Crossline150剖面層位拾取結(jié)果; b Inline網(wǎng)絡(luò)測(cè)試所有Crossline剖面后得到的人工層位位置的概率圖; c Inline網(wǎng)絡(luò)測(cè)試所有Crossline剖面后得到的智能層位對(duì)應(yīng)的沿層振幅切片

3.2 訓(xùn)練樣本尺度大小

考慮到不同大小的地震剖面包含的地質(zhì)結(jié)構(gòu)和目標(biāo)層位存在差異,在此進(jìn)一步探究訓(xùn)練樣本尺度大小對(duì)智能層位拾取的影響。這里將前文訓(xùn)練使用的50個(gè)Inline剖面稱(chēng)為大尺度訓(xùn)練集(大小為50個(gè)400×750)。進(jìn)一步對(duì)大尺度訓(xùn)練集中的每個(gè)剖面按照大小為128×128的滑動(dòng)時(shí)窗截取小尺度訓(xùn)練樣本(測(cè)線(xiàn)、時(shí)間方向的滑動(dòng)步長(zhǎng)分別設(shè)置為20和40),構(gòu)建小尺度訓(xùn)練集(大小為2700個(gè)128×128)。為便于區(qū)分,將大尺度訓(xùn)練集和小尺度訓(xùn)練集訓(xùn)練得到的網(wǎng)絡(luò)分別命名為大尺度網(wǎng)絡(luò)、小尺度網(wǎng)絡(luò)。利用訓(xùn)練好的大尺度網(wǎng)絡(luò)和小尺度網(wǎng)絡(luò)分別測(cè)試模擬數(shù)據(jù)的全部Inline剖面,得到兩個(gè)三維層位拾取結(jié)果。提取人工、大尺度網(wǎng)絡(luò)、小尺度網(wǎng)絡(luò)拾取層位對(duì)應(yīng)的均方根振幅切片,如圖9所示。相比于人工層位對(duì)應(yīng)的均方根振幅切片(圖9a),小尺度網(wǎng)絡(luò)拾取層位對(duì)應(yīng)的均方根振幅切片(圖9c)在斷層附近出現(xiàn)了較多的地質(zhì)假象;而大尺度網(wǎng)絡(luò)拾取層位對(duì)應(yīng)的均方根振幅切片(圖9b)對(duì)斷層和裂縫的刻畫(huà)整體更為清晰干凈,減少了噪聲干擾。

圖9 訓(xùn)練樣本尺度大小對(duì)物理模擬數(shù)據(jù)層位拾取的影響a 人工層位對(duì)應(yīng)的均方根振幅切片; b 大尺度樣本網(wǎng)絡(luò)層位對(duì)應(yīng)的均方根振幅切片; c 小尺度樣本網(wǎng)絡(luò)層位對(duì)應(yīng)的均方根振幅切片

總的來(lái)說(shuō),U型神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)小尺度和大尺度地震樣本及標(biāo)簽基本上都能得到比較完整和清晰的層位結(jié)果。但是,由于大尺度樣本集一定程度上包含更連續(xù)完整的層位信息和更少的邊界信息,得到的網(wǎng)絡(luò)模型能夠更全面地包含全局地震數(shù)據(jù)特征,追蹤更為一致的地震波同相軸,使得層位拾取結(jié)果更加精確和穩(wěn)定,從而減少了層位細(xì)節(jié)的丟失及地質(zhì)假象的產(chǎn)生。而小尺度樣本集比大尺度樣本集的地質(zhì)結(jié)構(gòu)不連續(xù)性更強(qiáng),邊界信息更多,可能會(huì)增加網(wǎng)絡(luò)學(xué)習(xí)難度,降低拾取結(jié)果的穩(wěn)定性和抗噪性。因此根據(jù)以上測(cè)試,本文認(rèn)為訓(xùn)練大尺度樣本比小尺度樣本更適用于層位拾取問(wèn)題。

3.3 標(biāo)簽錯(cuò)誤程度

基于神經(jīng)網(wǎng)絡(luò)的智能層位拾取方法嚴(yán)重依賴(lài)層位標(biāo)簽,標(biāo)簽的準(zhǔn)確性(假設(shè)正確拾取的層位準(zhǔn)確追蹤地震波同相軸)對(duì)智能拾取效果起著決定性的作用。以往文獻(xiàn)通常沒(méi)有討論標(biāo)簽錯(cuò)誤程度對(duì)智能層位拾取的影響,因此這里采用前文提到的50個(gè)大小為400×750的Inline剖面和標(biāo)簽構(gòu)建數(shù)據(jù)集進(jìn)行標(biāo)簽出錯(cuò)試驗(yàn)與分析。本文通過(guò)使層位標(biāo)簽的出錯(cuò)程度逐漸增大來(lái)生成3個(gè)訓(xùn)練集,即第一、第二和第三次試驗(yàn)分別使每個(gè)標(biāo)簽的Crossline450～600、Crossline250～650和Crossline1～750對(duì)應(yīng)的層位隨機(jī)上移或下移15～30ms。以Inline393剖面為例,圖10a為其正確的層位標(biāo)簽,圖10b到圖10d分別為第一、第二和第三次試驗(yàn)中對(duì)應(yīng)的層位標(biāo)簽。3種試驗(yàn)情況下Inline600測(cè)試剖面的智能拾取層位如圖10e所示。其中,黃線(xiàn)為人工層位,藍(lán)線(xiàn)、綠線(xiàn)和粉線(xiàn)分別為第一、第二和第三次試驗(yàn)智能拾取的層位。將圖10e局部放大得到圖10f,可以看出藍(lán)線(xiàn)與黃線(xiàn)大體一致,綠線(xiàn)相較黃線(xiàn)有一定的抖動(dòng),粉線(xiàn)抖動(dòng)嚴(yán)重,產(chǎn)生了嚴(yán)重的串層現(xiàn)象。在展示標(biāo)簽出錯(cuò)對(duì)二維剖面層位拾取影響的基礎(chǔ)上,進(jìn)一步繪制3種情況下人工層位切片位置對(duì)應(yīng)的概率圖,分別為圖10g,圖10h和圖10i。這3幅圖的顏色變化直觀(guān)反映了標(biāo)簽出錯(cuò)越嚴(yán)重,網(wǎng)絡(luò)判定智能層位為目標(biāo)層位的概率越低,相應(yīng)的層位拾取結(jié)果越差。

圖10 標(biāo)簽錯(cuò)誤程度對(duì)物理模擬數(shù)據(jù)層位拾取的影響a Inline393地震剖面對(duì)應(yīng)的正確層位標(biāo)簽; b～d 分別為Inline393地震剖面在第一、第二和第三次標(biāo)簽出錯(cuò)試驗(yàn)中對(duì)應(yīng)的層位標(biāo)簽; e Inline600地震剖面在3次標(biāo)簽出錯(cuò)試驗(yàn)中獲得的層位拾取結(jié)果; f e 圖中黑色矩形框的放大; g,h,i 分別為第一、第二和第三次標(biāo)簽出錯(cuò)試驗(yàn)中人工層位切片位置對(duì)應(yīng)的概率圖

3種標(biāo)簽出錯(cuò)試驗(yàn)結(jié)果說(shuō)明:U型神經(jīng)網(wǎng)絡(luò)具有一定的矯正錯(cuò)誤標(biāo)簽的能力,當(dāng)標(biāo)簽錯(cuò)誤部分較少時(shí),仍然能夠追蹤地震同相軸波形一致的層位位置;當(dāng)標(biāo)簽大量錯(cuò)誤時(shí),網(wǎng)絡(luò)矯正錯(cuò)誤標(biāo)簽?zāi)芰ο陆?網(wǎng)絡(luò)朝著錯(cuò)誤方向進(jìn)行層位拾取,導(dǎo)致整體拾取精度下降;當(dāng)標(biāo)簽完全出錯(cuò)時(shí),超出了網(wǎng)絡(luò)的矯正能力,拾取層位完全偏離正確位置,不滿(mǎn)足層位拾取要求。

4 實(shí)際數(shù)據(jù)應(yīng)用

實(shí)際數(shù)據(jù)選取我國(guó)西部某工區(qū)品質(zhì)較好、信噪比較高的疊后三維地震數(shù)據(jù)(圖11a)。該數(shù)據(jù)大小為400×400×800,時(shí)間采樣間隔為2ms,道間距為25m,覆蓋面積約100km2。實(shí)際數(shù)據(jù)由淺到深包含T1,T2和T3三個(gè)目的層位(圖11a的黑線(xiàn))。T2層位上部為碎屑巖沉積,下部為海相沉積。由3套層位對(duì)應(yīng)的沿層振幅切片(圖11b至圖11d)可以看到,整個(gè)工區(qū)地層較平,主要發(fā)育一套由淺到深斷距逐漸變小的大型走滑斷裂。

圖11 三維實(shí)際數(shù)據(jù)及目的層位對(duì)應(yīng)的沿層振幅切片a 三維實(shí)際地震數(shù)據(jù)(黑線(xiàn)表示人工拾取層位); b,c,d 分別為目的層位T1,T2和T3對(duì)應(yīng)的沿層振幅切片

沿著三維實(shí)際數(shù)據(jù)的主測(cè)線(xiàn)和聯(lián)絡(luò)測(cè)線(xiàn)方向可以看到:Crossline剖面波形較穩(wěn)定,同相軸連續(xù);Inline剖面上深大斷裂導(dǎo)致其同相軸中斷,波形較復(fù)雜。因此在制備數(shù)據(jù)集時(shí),基于前文試驗(yàn)得到的沿著地質(zhì)結(jié)構(gòu)特征復(fù)雜方向提取大尺度樣本建模更有利于推廣測(cè)試的認(rèn)識(shí),沿著三維實(shí)際數(shù)據(jù)及三維標(biāo)簽的Inline方向等間隔抽取地震剖面及層位標(biāo)簽(大小為800×400),獲得50組樣本標(biāo)簽對(duì)。其中40組用于訓(xùn)練,剩余10組用于驗(yàn)證。為更好展示本文方法拾取實(shí)際層位的效果,沿著圖11b中的黑線(xiàn)提取多次穿過(guò)走滑斷裂的地震剖面,即圖12a。其中,黑線(xiàn)和綠線(xiàn)分別表示人工與智能拾取層位。放大圖12a中黑框部分(圖12b)可以看出,智能拾取層位能夠追蹤波形一致的同相軸,準(zhǔn)確識(shí)別出斷層等復(fù)雜構(gòu)造層位的位置和走向,具有較高的穩(wěn)定性和較好的準(zhǔn)確性。

圖12 實(shí)際地震剖面的層位拾取結(jié)果a 沿圖11b折線(xiàn)提取的地震剖面; b 圖a中黑色矩形框的放大

基于已有的三維地質(zhì)導(dǎo)向相位屬性,進(jìn)一步檢查實(shí)際數(shù)據(jù)的三維智能層位拾取結(jié)果。圖13a至圖13f分別為人工和智能拾取的T1、T2、T3層位對(duì)應(yīng)的地質(zhì)導(dǎo)向相位切片。可以看到,基于U型神經(jīng)網(wǎng)絡(luò)智能解釋的3套目的層位與人工解釋層位整體上具有較高的一致性,它們的地質(zhì)導(dǎo)向相位切片對(duì)不同尺度斷層和溶洞的刻畫(huà)效果都較好。

圖13 實(shí)際數(shù)據(jù)三維層位拾取質(zhì)控與評(píng)價(jià)a,b,c 分別為人工拾取的T1,T2,T3層位對(duì)應(yīng)的地質(zhì)導(dǎo)向相位切片; d,e,f 分別為智能拾取的T1,T2,T3層位對(duì)應(yīng)的地質(zhì)導(dǎo)向相位切片

此外,為進(jìn)一步明確數(shù)據(jù)集生成方向和樣本尺度大小兩種訓(xùn)練樣本選取影響因素的相對(duì)重要性,在保持原始剖面數(shù)量以及包含信息豐富程度一致的情況下進(jìn)行以下四種測(cè)試。每種測(cè)試采用的訓(xùn)練樣本選取策略見(jiàn)表1。圖14a至圖14e分別為人工拾取、復(fù)雜方向+大尺度、復(fù)雜方向+小尺度、簡(jiǎn)單方向+大尺度、簡(jiǎn)單方向+小尺度拾取測(cè)試對(duì)應(yīng)的T1層位的等t0圖,可以看出,沿復(fù)雜方向采樣并結(jié)合大尺度樣本這種建模策略對(duì)應(yīng)的層位拾取效果最佳(圖14b),與人工拾取的層位等t0圖最接近;僅改變采樣方向時(shí)拾取結(jié)果變化較小(圖14c);改變樣本大小導(dǎo)致拾取的層位產(chǎn)生了明顯的地質(zhì)假象(圖14d),說(shuō)明拾取結(jié)果存在一定的串層現(xiàn)象;采樣方向和樣本大小同時(shí)改變時(shí)拾取結(jié)果最差(圖14e)。說(shuō)明對(duì)于該數(shù)據(jù),選擇合適的樣本尺度比采樣方向?qū)χ悄軐游痪W(wǎng)絡(luò)性能的影響更大。

表1 四種訓(xùn)練樣本選取策略

圖14 數(shù)據(jù)集生成方向及樣本尺度大小對(duì)實(shí)際數(shù)據(jù)T1層位拾取的影響a 人工拾取的T1層位等t0圖; b,c,d,e 分別為復(fù)雜方向+大尺度、復(fù)雜方向+小尺度、簡(jiǎn)單方向+大尺度、簡(jiǎn)單方向+小尺度4種樣本選取策略智能拾取的T1層位等t0圖

5 結(jié)論

本文通過(guò)將層位拾取問(wèn)題轉(zhuǎn)換為圖像語(yǔ)義分割問(wèn)題,提出了一種基于U型神經(jīng)網(wǎng)絡(luò)的多套目標(biāo)層位智能拾取方法。三維裂縫物理模擬數(shù)據(jù)和三維實(shí)際數(shù)據(jù)試驗(yàn)得出以下幾點(diǎn)結(jié)論。

1) 基于圖像語(yǔ)義分割和U型神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了多套目標(biāo)層位的高效同時(shí)提取,拾取結(jié)果與人工層位拾取吻合度高,且同相軸追蹤結(jié)果穩(wěn)定。通過(guò)應(yīng)用層拉平、層位閉合、等t0圖、均方根振幅屬性、地質(zhì)導(dǎo)向相位屬性等多種地球物理質(zhì)控手段可以有效檢驗(yàn)和評(píng)價(jià)智能層位拾取與人工層位拾取的優(yōu)劣,指導(dǎo)訓(xùn)練樣本選取與智能層位拾取模型的建立與優(yōu)化。

2) 提出了一種沿著地質(zhì)結(jié)構(gòu)特征復(fù)雜方向提取大尺度數(shù)據(jù)構(gòu)建訓(xùn)練集的逐級(jí)樣本選取策略,對(duì)于建立層位智能解釋模型具有一定的物理可解釋性和普適性。在數(shù)據(jù)集信息量相近情況下,該策略建立的層位拾取網(wǎng)絡(luò)泛化能力最強(qiáng),適合推廣到平行或垂直于訓(xùn)練集數(shù)據(jù)生成方向的地震剖面。相比于沿著地質(zhì)結(jié)構(gòu)簡(jiǎn)單方向或使用小尺度樣本構(gòu)建訓(xùn)練集,本文提出的樣本選取策略更能獲得波形穩(wěn)定、特征一致的層位拾取結(jié)果。并且,樣本尺度大小比訓(xùn)練集生成方向?qū)游恢悄苁叭〗Y(jié)果的影響更大。此外,U型神經(jīng)網(wǎng)絡(luò)具有一定的標(biāo)簽容錯(cuò)能力,在本文數(shù)據(jù)標(biāo)簽錯(cuò)誤程度低于20%的情況下,網(wǎng)絡(luò)能糾正標(biāo)簽錯(cuò)誤準(zhǔn)確拾取目標(biāo)層位。

本文方法還存在不足之處。首先當(dāng)?shù)卣饠?shù)據(jù)的信噪比較低、同相軸不清晰時(shí),智能拾取的層位精度會(huì)有所下降;其次,本文方法遵循統(tǒng)一追蹤同相軸的波峰、波谷或零值點(diǎn)原則,實(shí)際復(fù)雜數(shù)據(jù)的目標(biāo)層位可能不統(tǒng)一追蹤同相軸的波峰、波谷或零值點(diǎn)。因此在后續(xù)的研究中,將考慮引入地質(zhì)模式與規(guī)律和地球物理準(zhǔn)則或約束,提高人工智能層位拾取的精度及探究跨工區(qū)層位拾取的可行性。