石油物探投稿格式参考范文：基于迁移学习的断层识别方法与应用

　　断层是连续地层受应力挤压、拉伸等作用所产生的地层错断，对地下油气资源的运移和成藏都具有重要作用。断层识别作为油气勘探开发中最重要的基础工作，是地震资料解释的核心内容之一。基于地震资料的断层解释技术发展至今，已经由最初的基于地震剖面的手工解释逐渐发展到基于数据驱动的断层自动化识别。

　　20 世纪 60 至 70 年代，地震属性技术在断层解释中逐步展现出优势。1995 年以来，许多学者研究了相干体断层识别算法，因其高分辨能力和良好的应用效果，相干解释技术得到了快速发展和推广;2001 年，ROBERTS 提出了利用曲率属性进行断层检测的方法，并将其应用于实际工区的断层识别，得到了比较理想的结果;2005 年，斯伦贝谢公司推出集成于 Petrel 软件的蚂蚁追踪断层自动分析和识别技术，该技术得到了广泛应用，大大提高了断层解释的精度和效率;2012 年，基于最佳边缘检测准则，MANZI 等利用三维边缘检测属性进行了断层的识别。

　　随着油气资源勘探规模的扩大、开发周期的缩短以及构造解释精度要求的提升，在大数据驱动的深度学习技术快速发展的推动下，断层的自动化和智能化解释逐渐受到业界学者的广泛关注。TINGDAHL 等实现了一种利用多属性与 BP 神经网络识别断层的半自动算法，该算法的神经网络模型为多层感知器，输入属性的选取依赖于人为经验;孙振宇等构建了基于支持向量机(SVM)的断层自动识别方法，以地震属性作为输入，断层特征作为输出，构建了 SVM 断层识别模型，其断层识别正确率达到 98%;余里辉利用全卷积网络进行三维地震断层识别，该方法从地震振幅图像级别的断层分类延伸到了像素级别的分类，实现了高效、准确地识别断层;曹亮采用深度学习中的卷积神经网络模型进行断层识别，该方法在断层特征明显区域的识别效果较好，但在断层特征不明显区域以及微小断层的识别准确率还需进一步提升。在智能化断层识别方面，WU 等关于断层识别的研究具有以下特点：一是采用大量三维地质模型合成地震记录作为训练数据集;二是不但检测断层存在的概率，还检测断层的倾角;三是基于卷积神经网络模型，同时实现断层检测、局部倾角估算以及边缘保护构造滤波处理。ZHAO 采用类似的方法，使用正演地震数据作为训练数据集，构建了三维断层与方位角检测模型。

　　目前，基于深度学习的断层识别方法主要采用正演数据进行网络训练，并利用训练结果直接进行实际地震数据的断层识别。受地表及地下地质条件影响，不同地区地震资料波场特征千差万别，基于相同正演数据训练的网络模型在实际应用时难以达到理想效果，断层识别效果不佳。针对此缺陷，采用领域自适应神经网络(DANN)与传统 U-Net 相结合的方法对断层识别深度学习网络进行训练。该方法能够利用领域判别器有效提取正演数据与真实数据之间的公共特征，提升深度学习模型的泛化性，提高实际地震数据断层识别的精度和效果。

　　1 方法原理

　　1.1 领域自适应神经网络

　　深度学习通常需要对大规模样本标签数据进行训练，才能获得理想的效果。在缺乏实际地震数据及相应断层解释标签数据的情况下，研究人员常利用源域(断层正演数据集)来训练用于断层识别的有监督神经网络模型。当训练完成的网络应用于目标域(无标签真实地震数据)进行断层识别时，由于源域和目标域在数据特征上存在差异，常导致断层识别效果不理想。针对目标域大量未标注地震数据的实际应用需求，根据领域自适应方法的主要思想，构建特征提取器(神经网络编码器)提取源域和目标域数据分布的相同特征;同时设计领域判别器和断层分类器(神经网络解码器)，给出正确的分类结果，实现精准的断层识别。

　　通过在深度神经网络中加入领域对抗机制来训练特征提取器及领域判别器。其中，特征提取器用于提取源域和目标域数据的公共特征，领域判别器用于判别具有公共特征数据的领域来源。若经过训练的领域判别器无法分辨数据的领域来源，则说明特征提取器已经充分提取到两个领域的公共特征，同时表明，神经网络解码器给出了正确的分类结果。

　　设领域判别器损失函数为 Ld，这里希望找到领域判别器网络权重参数 θd，使得 Ld 尽可能小，即最终领域判别器网络权重 θd*=minθdLd，此时领域判别器的正确率最高;同时，为了使断层分类器能够得到正确的分类结果，需要找到断层分类器网络权重参数 θy，使得分类损失函数 Ly 尽可能小，即最终断层分类器网络权重 θy*=minθyLy。特征提取器的任务是找到特征提取器网络权重参数 θf，使得 Ly−Ld 尽可能小，即最终特征提取器网络权重 θf*=minθf (Ly−Ld)，通过获取源域和目标域的公共特征，可以更好地帮助目标域实现分类任务。

　　1.2 领域自适应神经网络与传统 U-Net 相结合的迁移学习断层识别方法

　　考虑从实际地震数据中获得断层标签的困难以及迁移学习提取源域和目标域数据公共特征的能力，采用领域自适应神经网络作为迁移学习方法，并将其与传统 U-Net 网络相结合，构建一种新型的迁移学习断层识别网络模型。基于领域自适应神经网络构架，训练过程中将输入的正演数据的断层检测定义为源域任务，而将输入的实际数据断层检测看作目标域任务，经过对抗机制提取正演数据和实际数据公共特征。理想的特征提取结果表现为深度学习模型无法区分输入数据来自源域任务还是目标域任务，当网络模型最终无法判别输入数据来源时，即表明其学习到了两类数据的公共特征表示，利用这种公共特征就能够有效提升实际数据的断层检测效果。由于该方法无需实际地震数据的断层标签即可实现知识迁移，不仅显著提高了网络泛化能力，还能使实际地震数据的断层识别精度得到大幅提升。

　　这里给出使用该迁移学习网络模型进行断层检测的数学描述。源域任务(基于正演数据的断层检测)的训练数据集合 Ds 为：Ds={(x0,y0),…,(xi,yi)}。目标域任务(基于实际地震数据的断层检测)的训练数据集合 Dt 为：Dt={(xi+1),…,(xi+m)}。式中：x∈RM×N×O 为正演地震数据或实际地震数据;y∈RM×N×O 是正演地震数据对应的标签，其中，R 表示三维数据体，M，N，O 分别为数据体三维空间尺寸。若为非断层，yi−abc=0 则表示非断层，yi−abc=1 则表示断层。假设正演数据和实际数据具有相同的特征，则正演数据的输出空间 Ys 与实际数据的输出空间 Yt 相同，即 Ys=Yt (Y∈{0,1})，但是由于两种数据之间存在差异，即正演数据与实际数据的特征空间 Xs、Xt 以及正演数据与实际数据两个领域的边缘分布 Ps (xs)、Pt (xt) 不同(即 Xs≠Xt、Ps (xs)≠Pt (xt))，进而正演数据与实际数据两者之间的输出空间条件概率分布 Qs、Qt 也存在差异 Qs (ys|xs)≠Qt (yt|xt)，其中，xs，ys 分别为正演数据样本和标签，xt、yt 分别为实际数据样本和标签。因此，本文研究的目的是使用正演数据集合 Ds 以及不含标签的实际地震数据 Dt 来学习深度迁移模型 f，从而实现目标领域断层标签 yt∈Yt 的预测。

　　引入领域自适应网络来同时学习源域和目标域之间的公共特征以及训练断层分类器。网络由特征提取器、断层分类器以及领域判别器组成。特征提取器的输入为正演地震数据和实际地震数据，主要功能为提取两者之间的公共特征，然后，将公共特征作为断层分类器以及领域判别器的输入;领域判别器用于判别输入特征的领域来源，即判断特征来自于实际地震数据还是正演数据;断层分类器用于判断特征属于断层还是非断层。网络使用对抗机制来获取正演数据和实际数据之间的公共特征，采用训练领域判别器来提高模型区别特征来源的能力，同时，训练特征提取器来产生公共特征从而混淆领域判别器。经过充分训练后，如果领域判别器无法区分特征来源时，则表示特征提取器已经挖掘到了正演数据和实际地震数据两种数据之间的公共特征。

　　网络模型中的对抗思想由梯度反转层来实现，在损失前向传播过程中，梯度反转层直接传递损失。深度学习常用的 U-Net 网络在断层检测中已得到广泛应用。为了获得好的断层检测效果，以 U-Net 网络构架为基础，将上述领域自适应思想与 U-Net 结构相结合，改进后的网络架构中蓝色实线框标记区域即为新增的领域判别器，通过梯度反转层构建具有迁移对抗能力的深度学习网络。网络整体结构组成为：采用 3×3 的卷积核来提取地震数据的断层特征，卷积充填方式设置为 “same” 以保证输出与输入样本尺寸相同;采用 2×2 池化层进行下采样，反卷积层为 2×2 的上采样过程;通过跨层拼接融合不同层(即不同尺度)的特征，在保持输入数据的细节不丢失的同时在一定程度上有效防止梯度弥散，加速网络收敛;全连接层用于构建领域判别器，随机失活层连接于全连接层之后，用于降低网络过拟合风险;梯度反转层用于提取正演数据与实际地震数据之间的公共特征。

　　选择线性整流函数(Rectified Linear Unit，ReLU)作为激活函数，该函数计算速度快，且能够一定程度上缓解梯度弥散问题。去除领域判别器部分后即为常规的 U-Net 断层识别模型网络结构。加入领域判别器前后网络第 14 层所提取输入数据的特征存在差异，深度学习网络仅在输出层能明确展现检测目标，中间层表达了不同卷积核在不同采样下一定感受野区域的图像特征，具有神经网络不可解释性，但特征差异直观验证了加入领域判别器后深度网络对提取特征精度和效果的提升作用。

　　2 应用实例

　　模型训练所用样本标签数据来自于正演合成数据，正演数据可帮助解决实际数据需要大量人工断层标注的麻烦。根据 WU 等所提方法，基于地质和地球物理过程正演，制作了大量地震反射特征丰富、断层产状多样的三维合成地震数据以及对应的正确的断层标签，同时，在合成数据中加入了从实际数据中提取的噪声，使得合成数据更加接近真实地震数据。因而，在实际应用中会具有更高的稳定性和泛化能力。本研究经过在实际数据中应用并与常规 U-Net 模型进行对比分析，验证所提方法的实际效果。

　　2.1 北海 F3 数据断裂识别

　　对荷兰北海地区 F3 地震数据分别使用常规 U-Net 网络和本文迁移学习网络进行网络训练和最终的断层识别。常规 U-Net 网络利用合成数据进行训练的误差和精度变化，以及本文的迁移学习网络利用合成数据和实际数据进行训练的误差和精度变化结果显示，由于常规 U-Net 网络仅使用合成数据，所以只需要很少的轮次(Epoch)即可达到较高的识别精度且误差下降速度很快。迁移学习网络涉及到合成数据和实际数据的领域对抗判别，误差下降速度较慢，但经过近 30 轮次的训练后也可达到很高的识别精度和很小的误差。

　　从剖面、平面和三维空间的断层识别结果对比可以看出，由于迁移学习利用实际数据对训练的正演数据作了特征上的对抗和匹配，使得迁移学习的断层识别结果能够更好地反映实际数据的断裂特征。常规 U-Net 模型识别的断层细节和连续性较差，而迁移学习识别的断层与地震剖面波组特征更吻合，识别的断层发育细节、断层空间连续性更好，且整体符合断裂发育构造样式。同时，对于地震剖面上无地震波组错断部位，常规 U-Net 模型出现了错误的断层识别结果，而迁移学习模型识别结果则相对正确。

　　2.2 国内西部某工区深层断裂识别

　　西部某工区深部断裂破碎带既是油气疏导通道，又是油气成藏有利空间。钻井揭示主干断裂有较好的油气开发价值，但断裂带内部破碎严重，非均质性极强，存在横向和纵向分段特征。钻井部署时往往采用斜井或者水平井钻探技术，因此，需要准确预测断裂纵横向发育及分布特征，保障钻井轨迹和靶点设计。同时，主干断裂附近所发育的次级断裂也是勘探开发的重要目标，但在地震剖面上这类走滑断裂断距不明显且识别十分困难。

　　分别利用常规深度学习网络和本文提出的迁移学习网络断层识别方法在该工区的断层识别结果显示，本文迁移学习所识别的断裂带分别由左右两条断层所夹持，且内部破碎带的小型断层也比较清晰。过井剖面对比不同方法断层识别结果可以看出，相比地震相干、蚂蚁追踪方法等，迁移学习识别断层受噪声影响较小，信噪比更高，在纵向上具有更好的连续性，其空间特征更符合人工解释走滑断裂带发育模式，与井上储层(断裂 / 裂缝)解释结果吻合度也更高。平面上，将迁移学习断层识别结果与常规高精度相干预测结果进行叠加对比，明显看出迁移学习识别断层能力大幅提高，相干属性识别的断层特征模糊，分辨能力相对较低，而迁移学习清晰地展现了走滑断裂内部断层及裂缝的发育特征，在相干属性中难以识别的走滑断裂带部位以及伴生的次级断裂，通过迁移学习也获得了好的识别效果，较好地展示了走滑断裂带整体走向与发育特征。

　　3 结论

　　在只有断层正演数据情况下，领域自适应迁移学习深度网络采用对抗机制，实现输入正演数据和实际地震数据的特征挖掘和领域判别，有效提取了源域正演数据与目标域实际地震数据间的公共特征，并迁移实际地震数据特征到正演数据特征中，使得训练的网络模型泛化性能大大提升，满足了实际地震资料在无断层解释标签情况下的高精度断层识别需求。实际资料应用结果表明，基于迁移学习的断层识别结果与实际资料的吻合度更高，误差更小。与常规深度学习断层识别方法相比，提高了断层识别的精度和分辨能力，具有较强的实用性。

　　由于实际地下构造断裂样式复杂多样，当实际区域发育断裂样式与正演模型中所包含断裂模式存在大的差异时，迁移学习往往也难以达到好的迁移效果。此时，需要建立更多不同断裂样式的正演模型来丰富正演数据的样本标签，进一步提升训练网络模型的泛化性。

唐金良,中石化石油物探技术研究院有限公司,202503