一种基于人工智能断层识别方法技术

针对如何从地震数据中精确识别出断层并提高计算效率的问题，本发明专利技术公开了一种基于人工智能断层识别方法。通过对传统AlexNet神经网络一系列改进，包括用批量归一化(BN)代替原来的局部响应归一化(LRN)，增加了训练速度。把断层识别看作是二分类问题，用Sigmoid替代Softmax来作为分类函数。同时由于在断层识别问题中，正、负样本(断层与非断层)比例严重不均衡，所以在二分类交叉熵损失函数的基础上引入平衡交叉熵损失函数来解决此问题。最后使用1

【技术实现步骤摘要】
一种基于人工智能断层识别方法


[0001]本专利技术涉及地震勘探数据处理
，更具体的说是涉及一种人工智能卷积神经网络对地震数据断层的自动识别方法。

技术介绍

[0002]断层识别在地震勘探解释过程中起着至关重要的作用。断层是地壳内部运动所形成的一种常见的地质现象，是指底层沿破裂面发生相对位移的现象，它是构造活动位移的伴生产物，与油气藏的形成、分布、富集有着非常密切的联系。要对断层进行解释，首要的问题就是在地震剖面上把它识别出来，根据实践，断层在地震剖面上主要有以下标志：
①
反射波同相轴错断。由于断层的规模、级别大小不同，可表现为反射标准层的错断和波组、波系的错断。若断层两侧波组关系是相对稳定的、特征是清楚的，则一般是中、小型断层的反应。它的特点是断距不大，延伸较短，破碎带较窄。
②
标椎反射波同相轴发生包括同相轴的分叉、合并、扭曲、强相位转换等局部变化。
③
反射波同相轴突然增加或消失，波组间隔突然变化。对于拉张式构造模式，断层上升盘由于沉积地层少，甚至未接受沉积，因而在地震剖面上反射波同相轴减少、埋深变浅甚至缺失。
④
由于断层错动引起的两侧底层产状突变，或由于断层面的屏蔽作用和对射线的畸变造成的反射零乱或出现空白带。
⑤
在水平叠加剖面上出现了特殊波。在反射层错断处，往往伴随出现断面波、绕射波等。鉴于我国目前多数含油气盆地内的含油气构造都伴随极发育的断层，它对石油和天然气的储集或破坏起着控制作用。所以在地震剖面上分析和确定断层是地震资料解释中很重要的内容。
[0003]断层的解释实际上就是确定断层的性质，包括断层的位置、错开层位、断面产状、升降盘、落差等。这些断层要素的确定通常要依据地质规律和特点对研究区地质情况的分析，同时要结合地震剖面上的断层标志来进行。解释断层的方法有很多，效果也有很大的差别。常规的断层识别方法主要有：
①
通过地震剖面识别断层(吕双兵，2015)；地震剖面识别在断层解释发展初期起着至关重要的作用。根据上述的断层特征通过肉眼直接观察地震数据上面的断层。
②
井断点引导断层识别技术(陈国飞，2005)；在准确的断点时深转换前提下，井点处断层位置严格对应井断点信息，井断点引导断层识别技术就是利用井的钻遇断点信息对断层进一步解释的一种技术。此外还有基于地震属性断层识别方法。主要包括：
①
相干体技术(Farmer，1995)；相干体技术被称为是近几十年来三维地震资料解释方面最重要的突破。相干体特有算法是通过三维数据体来比较局部地震波形的相似性。相干值较低的点与地质不连续性密切相关。
②
曲率属性；根据曲面的曲率特征，可以提取等值线曲率、走向曲率、倾向曲率、形态指数、最小负曲率、最大正曲率、极小曲率、极大曲率、平均曲率、高斯曲率和弯曲度等他多种曲率。曲率是单位弧长段上切线旋转角度大小的极限，可描述曲线上任意一点的弯曲程度，利用过该点内切圆半径的倒数来表示，曲率越大线性形变越强。曲率与地质构造之间的几何联系使得曲率成为定量描述构造特征的重要手段。
③
方差体技术。方差体是一种加权移动方差算法，计算数据体中每个采样点的方差值。方差体参数根据所要预测的断层走向选择加法模式或乘法模式。
[0004]通过地震剖面识别断层，容易受到人主观意识以及地震资料分辨率的影响，容易出现较大的错误。同时对于断距较小的断层无法精确的识别，通常在地震剖面上无法准确识别断距为5m以下的断层，从而需要借助一些其他方法辅助识别断层。通过井断点引导断层识别技术可以准确识别出地震剖面所不能识别出的小断距断层，但其对于井网密度要求较高，在井断点信息较少的稀井网地区，指导识别断层的效果不佳，目前通常采用地震剖面与井断点引导技术相结合的方式进行。通过相干体技术进行断层识别能够从三维地震资料中定量地识别出断层，避免了解释误差的影响，从而极大提高了断层解释精度。但是C1相干体技术计算速度较快，但相对噪声对其干扰明显。C2相干体技术的速度以及抗噪性都有提升，但分辨率较低。C3相干体技术分辨率明显高于C1，C2相干体技术，对于断层的边界及走向的刻画更精细，但速度较慢。通过曲率属性识别断层，兼具了较高的抗噪性和较好的三维可视化解释功能。基于二维空间的曲面曲率和基于三维空间的体曲率都对断层有着较好的识别效果，但曲面曲率相对于直接从地震数据体中提取的体曲率还存在着较大的局限性。通过方差体技术识别断层，尽可能的减少了人为因素或其他外界因素对断层识别的影响，进一步提升了断层识别的精度，但是也出现了一系列的问题，比如参与的运算量巨大，运算速度稍慢。参与运算的道数多少要根据所要预测断层的大小来确定，太多太少都会影响结果。
[0005]因此，如何研究出一种能满足断层识别高精度需求并能提升运算速度的方法是本领域技术人员所急需解决的问题。
[0006]近几年，卷积神经网络(Convolutional Neural Networks，CNN)在图像识别方面大放异彩，几乎所有的图像识别方面的突破都是卷积神经网络取得的。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift
‑
invariant classification)，因此也被称为“平移不变人工神经网络(Shift
‑
Invariant Artificial Neural Networks，SIANN)”。卷积神经网络采用原始图像作为输入，可以有效的从大量样本中学习到相应地特征，避免了复杂的特征提取过程。由于卷积神经网络可以直接对二维图像进行处理，不需要在训练之前对图像进行前期复杂的预处理因此，在图像处理方面得到了广泛的应用，并取得了较多的研究成果。该网络通过简单的非线性模型从原始图像中提取出更加抽象的特征，并且在整个过程中只需少量的人工参与，因此，在图像识别方面卷积神经网络是最热门的神经网络之一。

技术实现思路

[0007]关于卷积网络模型的设置，目前较热门的网络模型有LetNet
‑
5、AlexNet、ZFNet、VGG
‑
16、GoogLenet、ResNet等。其中在2012年的lmageNet竞赛中，AlexNet网络相对于使用传统的人工提取特征的方法，错误率降低了将近10％，由此可以看出，AlexNet网络在图像识别领域所占据的独特的优势。AlexNet网络作为深度学习中的一种经典网络，目前在图像分类任务中仍被大量使用。相比于其他大型网络而言，AlexNet深度卷积神经网络复杂度低、参数量少，相比现在的轻量级网络深度深，训练难度不会很大，表征能力强，可以节省大量模型训练时间，进行快速预测。因此更适合于本领域中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能断层识别方法，其特征在于，考虑到传统AlexNet网络耗费的训练时间较长，以及为了进一步提升断层识别精度，本发明在传统AlexNet网络基础上，做出了包括以下改进：S1：网络结构分别使用3
×
3、5
×
5的卷积核64个和32个；然后采用批量归一化(BN)层代替原来的LRN层，S2：在网络最后一层采用Sigmoid替代Softmax作为分类函数，同时引进平衡交叉熵损失作为损失函数，S3：使用一层1
×
1的卷积替代网络最后的3层全连接层，首先本发明改进的网络结构分别使用3
×
3、5
×
5的卷积核64个和32个，保留最大池化层来减少模型大小，提高计算精度，同时提高所提取特征的鲁棒性，然后采用批量归一化(BN)层代替原来的LRN层，LRN使得局部较大的响应值更大，而小的会变得更小，从而抑制了小的神经元，增强了模型的泛化能力，BN在此基础上，还加快了模型收敛，打乱了训练数据，大大减少了训练的时间，在网络的每一层输入x的时候，又插入了一个归一化层，也就是先做一个归一化处理(归一化至均值0、方差1)，然后进入网络的下一层。设输入x是d维，则x＝(x1x2...x
d
)
ꢀꢀ
公式(3)对每一维进行归一化，则如果是仅仅使用上面的归一化公式，对网络某一层的输出数据做归一化，然后送入下一层，这样会影响到本层网络所学习到的特征，于是进行变换重构，引入可学习参数γ、β，这是算法的关键之处，可以表示为这是算法的关键之处，可以表示为β
(k)
＝E[x
(k)
]
ꢀꢀ
公式(7)在实际测试中，依然采用下面的公式：这里的均值和方差不再是针对某一个批量，而是面向整个数据集，因此在训练过程中除了正常的前向传播和方向求导之外，还要记录每一个批量的均值和方差，以便训练完成之后计算整体的均值和方差，即E[x]
←
E
B
[μ
B
]
ꢀꢀ
公式(9)式中：x表示一层d维的输入数据，B表示一个尺寸为m的小批量，B＝{x1...m}；y为x的线性变换，ε表示一个常数，μ
B
表示小批量平均值。。2.根据权利要求1所述的一种基于人工智能断层识别方法，其特征在于，S2包括以下内容：本发明考虑到在地震数据断层识别问题中，是一个二分类问题，即断层和非断层，所以
在网络最后一层采用Sigmoid替代Softmax作为分类函数，同时用Binary_crossentropy作为损失函数，sigmoid函数针对两点分布提出，神经网络的输出经过它的转换，可以将数值压缩到(0，1)之间，得到的结果可以理解成“分类成目标类别的概率P”，而不分类到该类别的概率，就是(1
‑
P)，这也是典型的两点分布的形式，softmax本身针对多项分布提出，当类别数是2时...

【专利技术属性】
技术研发人员：李辉，
申请(专利权)人：李辉，
类型：发明
国别省市：