基于改进UNet++的地震断层识别方法研究

断层解释是油气勘探开发过程中的重要工作,但是随着勘探规模的增大,传统的人工解释断层的方法已经无法满足实际生产的需要。针对人工标注断层特征费时费力、传统断层识别结果连续性不足的局限,以及地震资料中断层与非断层样本分类不均衡的问题,提出基于CBAM-UNet++模型的地震断层识别方法。采用合成地震数据自动生成地震数据和断层标签,提高断层标注的效率。首先,将CBAM注意力模块引入UNet++,从通道和空间两个维度抑制地震振幅信号干扰,增强地震断层的检测能力,采用DropBlock模块抑制网络中产生的过拟合问题;其次,引入Dice Loss损失函数用于减小断层识别任务中数据不均衡问题对模型的影响;再次,对断层预测结果进行霍夫变换,提取骨架,使断层预测结果更好地应用于地质目标;最后,在合成地震数据集、北海地区F3区块真实地震数据上评估CBAM-UNet++模型,与UNet++、UNet、SegNet进行对比。结果表明,基于CBAM-UNet++的断层识别方法在准确率、断层连续性方面表现优异,可自动、有效地识别地震图像中的断层。

基于循环一致性对抗网络的地震断层训练样本合成方法研究

为了获得真实的地震断层训练样本,提出了基于循环一致性对抗网络的断层训练样本合成方法。使用随机生成的断层标签与实际断层数据作为输入,利用无监督的对抗网络学习断层标签与断层数据之间的联系,生成与断层标签特征相匹配的地震断层样本,由此得到带有标签的断层训练样本集。该方法是一种获取断层训练样本集的方法,一定程度上解决了深度学习地震断层解释缺少训练数据集的问题。对合成断层样本与真实断层进行平均主频与纹理差异的定量分析,结果表明两者具有较高的相似性。使用合成的断层样本训练神经网络,并将结果应用于实际数据测试并进行对比,结果表明合成的断层训练样本具有真实可靠的特点,所提方法可以针对不同工区生成具有目标导向性的断层,能够灵活有效地应用于不同工区的地震断层智能识别。

一种用于地震断层图像识别的SPD-UNet模型

断层是控制油气田形成和分布的主要因素,断层检测和识别对于油气勘探具有重要作用。基于AttentionUNet神经网络模型,构建一种面向地震断层图像识别的SPD-UNet模型。引入空洞卷积,在保证卷积核感受野大小且不损失原始图像分辨率的情况下,增强SPD-UNet模型的断层图像特征提取能力。将金字塔结构的空洞卷积组合成SPD模块,解决空洞卷积的局部信息丢失问题,提高断层信息关联性及图像识别精度。实验结果表明,SPD-UNet模型对于地震断层图像的识别精度优于SegNet与ResUNet模型,并且识别结果与实际标注的地震断层形状及位置更接近。

基于平衡分类网络的地震断层智能识别方法及应用

针对训练样本集不均衡造成的地震断层智能识别精度不高,卷积神经网络(CNN)训练速度慢的问题,本文将断层识别与深度学习算法相结合,设计了一种基于改进的平衡交叉熵(BCE)损失函数的CNN的地震断层智能识别方法。通过自编算法逐层提取特征图,分析地震特征提取结果,从而确定网络结构与最优参数,进而修改CNN以优化模型。利用BCE损失函数,添加非断层与总样本集的比率参数,从而改变损失函数寻找最小权重参数的基准,调优断层与非断层的数据比例。该方法克服了样本集类别数量不均衡的问题,提高了迭代速度,经过少量的训练即可达到95%以上的精度,梯度下降明显。将本文方法应用于某油田地区的断层识别,所训练的模型预测断层较为清晰,预测结果与实际情况基本吻合,因此该方案具有有效性和适应性。