[发明专利]基于多任务的断层智能识别方法

说明书

本发明公开一种基于多任务的断层智能识别方法，应用于地质勘探与解释领域，针对现有的三维断层识别网络中模型泛化性不足，在不同工区中识别效果差异较大的问题，本发明引入倾角方位角检测这两个辅助任务，利用主任务以及辅助任务间的相关性以及公共特征的提取，提高了模型的泛化性，使得模型在不同分布，不同特征的地震数据中都有较好的表现。同时也提出了数据预测的改进方法，从断层建模的角度，对断层的预测过程进行相应的优化。本文所提出的方法有效的解决了断层识别问题中模型泛化性较差的问题。网络效果在理论数据以及真实数据集上都表现出了较好的效果，充分证明了本文方法的有效性与实用性。

技术领域

本发明属于地质勘探与解释领域，特别涉及一种断层的识别技术。

背景技术

断层的识别解释是地质勘探与解释中重要的组成部分。长期以来，断层解释通过应用图像分析，图像增强的方法对相应的断层属性进行增强。按照这种思路发展而来的断层解释方法，有着计算步骤冗长，流程复杂，参数众多难以调整，导致断层解释的自动化，智能化程度不高的缺点。随着深度学习的兴起，其凭借着强大的高维复杂特征提取能力，以及端到端智能化的特点被快速引入到断层识别的领域中，并取得了不错的成绩。

在断层解释领域，最开始是由地质专家对地震数据中的断层结构进行人工解释。人工解释将三维地震数据进行二维切片，依靠专家相关地学经验对地震数据中反射层的不连续特征进行分析，最后得到断层解释的结果。使用人工解释的方法大量消耗人力资源，费时费力，且断层解释结果依赖于解释人员的主观判断。基于人工进行断层识别在断层交错等复杂结构下难以实现准确的识别。因此人工识别的方法越来越难以适应规模越来越大的断层识别任务的需求，学术界也在一直探究使用自动方法高效的对断层进行识别。其中相干体属性，方差体属性，基于地震数据的倾角体和方位角体属性，以及利用蚂蚁追踪得到的蚂蚁体属性等多种的属性体增强数据能够有效的对断层进行识别。这些技术中以相干体数据与蚂蚁体数据影响较大。随着卷积神经网络的提出，深度学习网络被广泛应用于计算机视觉领域，并在自然图像，医学图像的分类，目标检测，语义分割，实例分割等领域取得较大突破。各个学科与图像处理相关交叉领域中也开始应用深度学习技术，并取得巨大成功。断层识别依靠识别地震图像中由于断层构造所产生的不连续信息，非常适合深度学习中计算机视觉相关技术，对断层进行识别类似于深度学习中的语义分割任务。

K.M.Tingdahl,M.de Rooij等在2005年提出了一种基于多属性数据的断层半自动算法。该网络将人为挑选的属性作为输入输入到多层感知机中，最终输出断层识别结果。该算法需要人工选择属性无法做到自动的断层识别，并且断层的识别结果依赖于人为经验。2017年，L.Huang,X.Dong将理论正演数据作为训练数据，使用卷积神经网络对分块后的多种断层属性数据进行逻辑回归运算，得到断层识别结果。2017年W.Xiong等在地震属性数据中选取一个待分类点，并以该点为中心inline，xline，timeline三个方向进行切片，将切片数据作为神经网络的输入数据利用分类网络对中心点是否为断层进行分类。该方法使用相干体数据作为输入，在实际工区数据中也取得了一定的效果。上述的两种方法都需要将原始数据进行分块或切片，且每次预测仅预测原始数据中一个点的类别，会有大量的重复计算以及存储的额外开销，时间成本较高。2019年，X.M.Wu将3D U-Net应用于断层识别任务并对原始的网络进行简化以及改进提出了faultSeg3D模型，该模型充分利用了地震数据中的三维空间信息，在识别的效果以及精度上达到了较高水平，并在实际的工区数据中得到了较好的效果，该网络以一定大小的三维地震数据作为输入，输出断层的语义分割结果。该算法使用原始的地震数据作为输入，做到了对断层数据端到端的识别。

虽然目前基于faultSeg3D的网络取得了较好的效果但是其仍然存在一定的问题：首先地震数据随着工区的不同，以及地质结构的不同具有较大的差异，在分布上具有较大的不同，而现阶段使用的训练数据大多数是基于正演模型的理论数据，使用faultSeg3D容易造成模型的过拟合，降低模型的泛化性。在实际不同工区中识别结果表现出较大差异。

发明内容