一种基于深度学习边缘检测的断层解释方法及系统技术方案

本发明专利技术涉及一种基于深度学习边缘检测的断层解释方法及系统，其特征在于，包括：获取实际叠后地震数据；将获取的实际叠后地震数据输入至预先构建的IHED断层解释网络模型，得到断层解释结果，本发明专利技术构建的IHED断层解释网络模型取消了低层网络预测失灵的侧输出及侧输出特征图，同时将高层特征图重新加入低层网络，使得低层网络也能提取到全面的断层特征，得到具有高分辨率的特征图像，进而得到最终断层解释结果，本发明专利技术可以广泛应用于勘探地球物理领域中。域中。域中。

【技术实现步骤摘要】
一种基于深度学习边缘检测的断层解释方法及系统


[0001]本专利技术涉及勘探地球物理领域，特别是关于一种基于深度学习边缘检测的断层解释方法及系统。

技术介绍

[0002]随着油气勘探工作的不断发展与深入，对断层解释的效率与精度提出了更高的要求。早期对地震断层的解释主要是根据地震同相轴的不连续性进行人工的断层标注，然而，这类单纯依靠人工标注的方法存在一定的主观因素，不仅耗费大量人力且解释精度难以满足勘探的需要。为此，一系列基于地震属性的自动或半自动断层识别方法被提出，由于地震断层的一个典型地震响应特征是同相轴的不连续性，因此通过特定的算法运算可以放大同相轴不连续的这一特性，从而达到自动或半自动断层识别的目的。
[0003]相干体方法是一种常用的基于地震属性的断层识别方法，它在地质结构识别和解释领域表现出良好的性能，主要被应用于地质结构、沉积环境的解释以及油气藏的勘探与解释工作。1995年，Amoco公司首次提出了相干体方法，相干体是指由地震数据体经过相关性计算得到的一个新的属性数据体，利用该相干数据体，断层信息能够从三维地震数据中突显出来。第一代相干体方法(C1)的算法运算量小，但是对于相干噪声较敏感；在C1的基础上，研究人员提出了基于多道相似原理的第二代相干体方法(C2)，改进了C1因采样地震道少导致的抗噪性差的缺陷；随后研究人员提出了基于本征结构的第三代相干体方法(C3)，使得显示断层特征的精度明显提升。借助上述相干体方法，可以达到的自动或半自动断层识别，相较于人工标注进一步提高了断层识别的准确性与解释效率，但是这种通过提取地震属性来突出不连续特性的方式，会受到地震数据中其他不连续特征(例如噪声和河道等地质结构特征)的影响，也存在一定的缺陷。
[0004]另一种常用的断层解释方法是来源于仿生学理论的蚂蚁追踪方法，该方法在断层识别等寻找最优解问题中表现出优异的特性，之所以被称为蚂蚁追踪是因为它的计算过程模拟了在自然界觅食过程中蚂蚁通过释放“信息素”聚集周围蚂蚁的行为。蚂蚁追踪方法的原理就是在地震数据中设置大量的“人造蚂蚁体”，并让每一“蚂蚁体”沿着可能的断层面向前移动，若沿断层爬行的“蚂蚁体”遇到预期的断层线则会采用“信息素”做出标记，最终根据信息素的分布，“蚁群”将捕获地震数据中的断裂信息。该方法在引入断层识别领域后，得到了进一步的发展，研究人员改进了“蚂蚁体”的行程，提出多群蚂蚁算法，利用多个蚂蚁群体同时对地震断层进行追踪，研究人员还基于加权一致性改进了蚂蚁算法，进一步提升了蚂蚁算法的抗噪性能。BP(back propagation，反向传播)神经网络是实现断层自动解释的另一种途径，BP神经网络能够通过将预测值与真实值间的误差逆向传播并不断调整网络权值，具有较好的泛化能力，通过一定量带有断层标签的地震数据训练后，能够较好地完成断层自动识别任务。然而，BP神经网络存在网络收敛慢的缺点，对于简单问题也可能需要上千次的学习，这意味着训练往往需要大量的地震数据以及较多的运算资源。此外，BP神经网络也对初始权重过于敏感，多次训练结果可能存在较大差异。
[0005]整体嵌套边缘检测(Holistically
‑
Nested Edge Detection，HED)网络最初为解决边缘检测问题而提出，该模型具有多尺度多融合(multi
‑
scale and multi
‑
level feature learning)的网络结构，其骨干网络结构来源于VGG16网络。地震断层是沿断裂面两侧岩层发生的显著相对位移的构造，具有一定规模，大者可连续延伸数百千米，断层通常在二维、三维的地震数据中以连续的断层线、断层面的形式存在，而不是离散孤立的断层点，这表明了断层是地质结构中的一种宏观构造，仅仅凭借局部特征并不能有效地识别断层，对一点是否为断层点的预测通常需要综合考量周边范围的地质结构特征。对于HED网络，低层网络只有5
×
5的感受野范围，因此很难仅凭小尺度的像素信息得到初步有效的断层预测结果，而后深层网络提取错误的低层预测信息，会导致该模型不适用于断层解释。

技术实现思路

[0006]针对上述问题，本专利技术的目的是提供一种基于深度学习边缘检测的断层解释方法及系统，能够解决原始HED模型的低层网络由于感受野小而无法获得有效的断层预测结果的技术问题。
[0007]为实现上述目的，本专利技术采取以下技术方案：第一方面，提供一种基于深度学习边缘检测的断层解释方法，包括：
[0008]获取实际叠后地震数据；
[0009]将获取的实际叠后地震数据输入至预先构建的IHED断层解释网络模型，得到断层解释结果。
[0010]进一步地，所述IHED断层解释网络模型的构建过程包括：
[0011]构建HED断层解释网络模型；
[0012]对HED断层解释网络模型进行改进和优化，得到IHED断层解释网络模型。
[0013]进一步地，所述构建HED断层解释网络模型，包括：
[0014]构建HED断层解释网络模型；
[0015]采用二维合成地震数据集及其标签数据集作为训练集，对构建的HED断层解释网络模型进行训练，得到训练好的HED断层解释网络模型。
[0016]进一步地，所述HED断层解释网络模型保留VGG16网络主体的二维卷积层和最大池化层，舍弃VGG16网络的全连接层和softmax层，同时，HED断层解释网络模型在每一尺度的卷积块的最后各引出一个侧输出，侧输出在引出的特征图后通过反卷积操作恢复出图像尺度，分别命名为o1、o2、o3、o4、o5，最后对所得的不同尺度的特征图融合得到的融合特征图通过二维卷积操作进行降维，得到断层解释结果，作为HED断层解释网络模型的输出。
[0017]进一步地，所述对HED断层解释网络模型进行改进和优化，得到IHED断层解释网络模型，包括：
[0018]根据地震断层特征和HED网络特点，对HED断层解释网络模型进行改进和优化，得到IHED断层解释网络模型；
[0019]采用二维合成地震数据集及其标签数据集作为训练集，对构建的IHED断层解释网络模型进行训练，得到训练好的IHED断层解释网络模型。
[0020]进一步地，所述IHED断层解释网络模型在第一个尺度的卷积模块后引出一个分支，将HED断层解释网络模型中的侧输出o3、o4、o5与分支特征相连，然后依次进行卷积块、
池化块和卷积块的操作，并在上述两个卷积块最后各引出一个侧输出，命名为o1和o2，最终对所得的不同尺度的特征图融合得到的融合特征图，通过卷积操作降维，得到断层解释结果。
[0021]进一步地，所述实际叠后地震数据为三维实际地震数据体。
[0022]第二方面，提供一种基于深度学习边缘检测的断层解释系统，包括：
[0023]数据获取模块，用于获取实际叠后地震数据；
[0024]断层解释模块，用于将获取的实际叠后地震数据输入至预先构建的IHED断层解释网络模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习边缘检测的断层解释方法，其特征在于，包括：获取实际叠后地震数据；将获取的实际叠后地震数据输入至预先构建的IHED断层解释网络模型，得到断层解释结果。2.如权利要求1所述的一种基于深度学习边缘检测的断层解释方法，其特征在于，所述IHED断层解释网络模型的构建过程包括：构建HED断层解释网络模型；对HED断层解释网络模型进行改进和优化，得到IHED断层解释网络模型。3.如权利要求2所述的一种基于深度学习边缘检测的断层解释方法，其特征在于，所述构建HED断层解释网络模型，包括：构建HED断层解释网络模型；采用二维合成地震数据集及其标签数据集作为训练集，对构建的HED断层解释网络模型进行训练，得到训练好的HED断层解释网络模型。4.如权利要求3所述的一种基于深度学习边缘检测的断层解释方法，其特征在于，所述HED断层解释网络模型保留VGG16网络主体的二维卷积层和最大池化层，舍弃VGG16网络的全连接层和softmax层，同时，HED断层解释网络模型在每一尺度的卷积块的最后各引出一个侧输出，侧输出在引出的特征图后通过反卷积操作恢复出图像尺度，分别命名为o1、o2、o3、o4、o5，最后对所得的不同尺度的特征图融合得到的融合特征图通过二维卷积操作进行降维，得到断层解释结果，作为HED断层解释网络模型的输出。5.如权利要求4所述的一种基于深度学习边缘检测的断层解释方法，其特征在于，所述对HED断层解释网络模型进行改进和优化，得到IHED断层解释网络模型，包括：根据地震断层特征和HED网络特点，对HED断层解释网络模型进...

【专利技术属性】
技术研发人员：王建花，范廷恩，王清振，牛聪，王艳冬，糜芳，丁继才，叶云飞，凌云，黄饶，王迪，李超，肖曦，
申请(专利权)人：中海石油中国有限公司北京研究中心，
类型：发明
国别省市：