[发明专利]一种基于自注意力机制与U型结构结合的地震相自动化识别方法

说明书

本发明公开了一种基于自注意力机制和U型结构的地震相自动识别方法，首先提出了一种基于Segformer的编码器结构，然后将块扩张模块引入构建解码器结构，并引入Hypercolumns技术融合特征进行地震相识别。通过设计合理的训练及推理流程进行图像地震相分割，最后基于这个地震相识别结果构成地震相体，从而解释地下不同的沉积环境。通过公开数据和实际数据实验，对比传统卷积神经网络的地震相识别模型，本发明提出的地震相自动识别方法具有较少的噪声点，边界细节更加明显、横向连续性更强，能够更加准确的解释地下不同的沉积环境。

技术领域

本发明属于地震勘探技术领域，涉及一种基于自注意力机制与U型结构结合的地震相自动化识别技术，尤其是一种利用Segformer自注意力分割网络、UNet网络结构和Hypercolumn语义分割技术相结合的地震图像语义分割方法，并将该地震图像语义分割方法用于地震数据的地震相自动化识别分类。

背景技术

随着人们对石油和天然气需求的日益增长与人工智能技术的快速发展，现代油气勘探技术正逐渐向智能与自动化发展。目前油气勘探主要是采用地震勘探方法，即通过人工地震波反射获取到叠后地震数据，并通过多学科知识挖掘分析出所蕴涵的地下构造、岩性和含油气性等信息，从而定位地下油气藏分布。传统的地震相划分方案是由解释人员手动解释或采用一些数学方法来半自动化地提取特征和分割地震相。然而这些传统方法具有很大的主观性，半自动方法准确性不够高，且时效性较差，无法在地下构造和沉积条件复杂的情况下准确定位油气储层。如何借助计算机资源，实现高效的自动化地震相识别方法，成为了当前需要解决的问题。

为了改进地震相自动化识别方法，基于深度学习的地震相分类方法被许多研究者们提了出来，该类方法是根据已有标签的地震数据，以端到端的形式学习一个从地震数据到地震相标签的非线性映射，并将其应用到未见过的地震数据上进行地震相分类。这种方法的优点是可以省去大量人工成本直接进行端到端的地震相分类，并在一定程度上提升解释效果。Jesper(2018)将ImageNet预训练好的VGG16网络迁移到手工标注的地震数据上，通过滑窗的方式来识别滑窗中心的地震相，从而实现地震相自动化分类。Zhao(2019)使用编码-解码结构的CNN网络来对地震相分类。Di(2019)标注了4个Inline剖面并采用一个类似于UNet的网络实现地震相自动化识别。上述基于深度学习的地震相识别方法虽然可以提高地震相识别精度，但是这些方法存在以下缺点，从而导致无法获得更加高效、准确的地震相解释结果。

以上技术具有如下缺点：

(1)将地震相识别任务当作单区域分类问题，而不是像素级语义分割问题，因此计算量较大，存在大量的重复计算。

(2)上述方法都是基于窗口实现的，利用窗口内像素点组成块作为输入来预测中心一个点的地震相类型，只用到了局部特征，未用到全局信息。

发明内容

本发明的目的在于克服上述现有技术的缺点，提出一种基于自注意力机制与U型结构结合的地震相自动化识别方法，该方法在自注意力机制的语义分割网络的基础上，引入编码-解码U型结构，将该语义分割网络作为编码器模块，并在解码器中引入基于全连接层上采样的块扩张模块，使用超列技术融合特征，从而获得具有较低计算量、能够提取多尺度特征的全局注意力地震相分割方法。

本发明提供了一种基于注意力机制与U型结构结合的地震相自动识别方法，所述方法包括以下步骤：

获得叠后地震数据，并对所述叠后地震数据体进行预处理，以构建样本训练验证数据集；

利用具有下采样功能的重叠块合并模块与能够全局建模表示的高效自注意力变换器模块构造编码器；

利用具有线性上采样功能的块扩张模块、所述高效自注意力变换器模块与能够融合高低层特征的跳跃连接模块构造解码器；

利用所述编码器、所述解码器与超列模块构造地震相识别模型，所述地震相识别模型包括超列酉分割器；