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。