[发明专利]地震地层智能识别方法、装置、设备及存储介质

说明书

本发明提供了一种地震地层智能识别方法、装置、设备及存储介质，该方法具体步骤包括：构建改进型U‑Net模型；从三维地震数据集获取地震切片，转为灰度图片并将其调整为m×m的尺寸；训练模型；使训练后的U‑Net模型对工区中地层进行识别，获取像素级的目标地层分割结果。本发明通过构建改进型U‑Net模型，能够高效提取地震地层特征并进行精确定位，满足在有限的时间和计算资源情况下解释地震数据，完成地震地层的识别。

技术领域

本发明涉及地震资料解释技术领域，具体涉及一种地震地层智能识别方法、装置、设备及存储介质。

背景技术

地震勘探是目前最常用的一种探测方法，地震成像使地下结构可视化成为可能。该方法基于地下结构的反射，并通过检波器在近地表进行检测，记录反射信号以便进一步处理，从而得到三维的地下地层结构。理论上，反射波强度与接触点岩石物理性质的差异成正比。这实际上意味着地震图像包含了沉积物之间边界的信息。因此地震地层的解释对于地下地层空间结构分析、石油天然气等矿产资源的分析具有重要意义。然而从地下接收的反射波受到许多因素的影响，而且地震剖面的特征复杂，包含多类地震相，所以三维地震数据体中地震地层智能识别面临很多挑战。

地层解释方法通常可分为人工解释和半自动人机交互解释。人工解释方法十分耗时，并且依赖邻域专家的知识经验等主观因素，可重复性差，不能完全满足地震勘探日益增加的数据量。半自动分割方法采取人机交互，虽然在一定程度上提高了分割的速度，但仍然依赖于观察者的经验，限制了该方法的广泛应用。上述所提及的方法通常应用在常规的2D地震和较小的3D地震数据中，解释员目视检查地震反射图案，并用不同的颜色标记不同类型的地层。此外，地震剖面不同于一般自然场景下的图像，由先进采集系统生成的地震数据具有更高的分辨率，并且揭示了地下地质结构更复杂的细节，包含了更加丰富的地下信息。同时随着勘探深度的增加地层界面反射能量会逐渐减弱，且剖面噪声变化较大。这些特征使得地层的边界难以区分，内部特征难以提取，最终导致解释的效果不佳。因此，高效的提取地震剖面特征方法已成为地震解释研究热点之一。

由于地震数据可看作灰度矩阵，因此将地震解释问题转化为图像处理的问题，是目前处理叠后数据的主要手段之一。随着计算机图像处理技术的飞速发展，很多研究者不断将相关方法应用于地震解释任务中。传统的方法是从地震资料中通过地质原理、物理和几何原理导出地震属性，主要包括层位跟踪、地质建模、基于振幅、梯度等地震信号横向连续性的种子自动跟踪、以及相干体技术。但是以上的传统方法过于依赖地震剖面的信噪比(S/N)以及层位横向的高度连续性。当在低质量的剖面数据上，传统方法极容易产生误判。相比于传统的方法，图像处理的理论和算法也一直被用于辅助地震解释，并对该领域做出了重要贡献，主要包括基于边缘算法的图像分割方法、基于纹理的方法、以及通过地震振幅等属性计算的方法来识别解释地层。

尽管以上方法是根据一定的理论知识来计算得到地震属性，但是由于噪声等干扰的存在，以上方法可能无法完全地描述实际地震数据。随着科技的发展，深度神经网络技术被广泛应用于各个领域，包括图像识别、目标检测、图像分割和自然语言处理等。其中许多研究表明卷积神经网络在地质异常体识别中具有不错表现，相较于传统方法，基于卷积神经网络的算法具有强大的学习能力，在运行速度和准确率上都有很大的优势。

其中U-Net是一种具有跳跃连接和编解码结构的全卷积神经网络，自提出以来就在自然图像语义分割任务中具有不俗表现。该方法在识别地震数据体中某一类地质异常体具有良好的表现，即单一的地震属性从地震剖面中分离。相关学者也采用一种相似的网络模型，一种不含有跳跃连接架构的全卷积神经网络，但是该方法往往需要大量的标签数据才能实现高精度的地震地层分割，然而在实际中，获取大量人工标注的真实数据是不可行的。因此，提供一种在实际的三维地震数据能够准确且快速识别多类地层的方法是亟待解决的技术问题。

发明内容