[發明專利]基于恒等快捷映射的深層卷積神經網絡自動層位追蹤方法

在審

• 申請號: 202010841336.6
• 申請日: 2020-08-20
• 公開（公告）號: CN111815680A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 錢峰;范昱琪;袁英淏;胡光岷
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

本發明公開了一種基于恒等快捷映射的深層卷積神經網絡自動層位追蹤方法，包括以下步驟：S1、對地震剖面圖像進行預處理；S2、使用恒等快捷連接卷積神經網絡對地震反射特征進行提取、壓縮和精煉；S3、對步驟S2提取的信息進一步采集局部特征以及全局特征；S4、將采集的特征進行分類計算。本發明以深層卷積神經網絡為骨干搭建模型，以恒定快捷連接為核心，改變了傳統網絡的梯度流，更有效地提取了地震反射中的特征，實現了地震相位特征的深度級聯聚合，提高了層位分辨的準確率。

技術領域

本發明涉及一種基于恒等快捷映射的深層卷積神經網絡自動層位追蹤方法。

背景技術

地震層位解釋與層序地層劃分有著十分重要的相關性，準確的層位信息是地震解釋基礎工作，而層位的識別和跟蹤是地震層位解釋的重要組成部分，研究者們一直著力于解決同相軸的自動跟蹤。地震數據是由炸藥或地震車對地面通過爆炸或者重擊產生地震波，其在遇到地表下的地層時會發生發射形成反射波并被地表的檢波器接收信號，最終得到了地震振幅等反射數據。通常地震解釋人員認為地震數據的剖面中的波峰或者波谷是同相軸經過的位置。常規人工層位標記是通過地震剖面的波峰和波谷確定同相軸的位置并進行連接，最終將各個剖面標記的層位連接形成同相軸的面。由于人工標記本身需要的成本及時間較大，研究者們又發展了自動層位追蹤的手段。基于上述的原理，研究者們通過計算波形相關系數或者相干性等來尋找一定范圍內的相似點，并將其作為同相軸經過的點，最終劃定同相軸。但是在斷層或分叉等情況出現時，容易出現計算誤差導致最終標記出現問題。三維地震數據能夠大概反映探測區域的地表下復雜地層情況，由于地下結構大多是層狀分布的，在地下的不同深度有著不同年代產生的不同地層，且由于地層本身性質不同所帶來的密度的不同導致地震波在此處傳播的速度不同，最終使人們能夠得到具有差異的地震反射數據。地層密度也叫巖石密度，其和聲波在巖石上傳播速度共同被稱為巖石物理特性，簡稱巖性參數。不同地層的巖性參數差別很大，波阻抗為上述兩者的乘積，這意味著波阻抗在不同地層上也會出現顯著的變化。由于巖性參數的差距，聲波在傳播到兩個地層交界處時會發生反射，最終這樣的反射被地表的傳感器接收生成了各種各樣的波形，而變化強烈且一致并互相鄰接的波形被稱為同相軸，也就是層位。所以研究者們認為層位能夠表達地下的層序劃分，并能表示地下的巖性分布結構狀況。層位一般是由多個點組成，每個點有對應的線號以及時間(深度)，一般情況下勘探區域得到的三維地震體會存在多個層位，但是需要對所有層位點找到其對應所屬的層位，這就體現了層位追蹤的重要性以及意義。

目前主要有以下幾種層位追蹤方法：

(1)基于相關的自動層位追蹤

它是一種傳統的自動層位追蹤技術，主要利用過去提出的相干算法進行施展，該種類方案通過兩道或多道之間的相關性對同相軸進行追蹤并標記得到層位，其魯棒性及對噪聲的抵抗性能較好，但對算力的需求相當大，而且當鄰近的兩個層位的波形非常近似的情況下，極易產生串層的情況，這可能導致得到的結果不夠準確。

(2)基于圖像的自動跟蹤方法

Hale和Naeini等人在層位追蹤以及斷層識別領域使用了結構張量，通過一些帶方向的濾波器，得到了具體特征的方向，最后能夠獲得層位延伸及育成的主要方位。這種方式計算的功效較高，但是若遇到結構復雜的地層，追中的精度以及穩定程度無法得到確保。

(3)基于神經網絡的自動跟蹤方法

Huang,Lu等人發表了使用自組織映射網絡的無監督自動層位跟蹤方法，但是該方案的成敗取決于自組織映射網絡的初始化，這和結果的好壞直接相關。Alberts、Huang等人通過人工神經網絡來對層位進行追蹤，這種方法需要較多的訓練數據，且對數據代表性有要求，但得到的效果不錯。由于人工智能本身及深度學習的快速發展背后，數據倉庫和圖形處理器等算力相關的技術也得到快速發展，卷積神經網絡的提出使其被運用到了圖像識別，NLP，回歸等常見的應用，在這之中Alex等人將CNN運用到圖像分類中取得了良好的效果，進一步引爆了深度學習的火熱。

(4)基于相干的同相軸自動追蹤方法