2. 中国石油大学(北京)克拉玛依校区石油学院, 新疆克拉玛依 834000;
3. 中国石油大学(北京)地球物理学院, 北京 102249
2. College of Petroleum, China University of Petroleum-Beijing at Karamay, Karamay 834000, China;
3. College of Geophysics, China University of Petroleum-Beijing, Beijing 102249, China
地震相是地下沉积相在地震数据中的表现, 可以间接反映地下沉积特征, 其准确识别对于沉积相研究以及油气勘探开发具有重要意义。国内外学者提出了多种地震相识别方法。传统的地震相识别划分是指专业人员根据沉积相在地震剖面上的特征以及经验, 通过肉眼在地震剖面上人工识别划分, 俗称相面法[1]。该方法工作量较大, 专业门槛要求较高, 且人工解释存在一定的多解性, 使得解释结果具有一定的主观性。随着地震勘探技术的进步和勘探开发要求的提高, 导致地震数据量急剧增加和解释精度需求越来越高, 人工方法难以满足要求。研究人员借助具有强大算力的计算机及数学工具, 利用地震属性的组合来实现地震相的识别划分, 诞生了结合相干属性、吸收衰减以及负曲率等进行三维地震相划分的方法[2]; 结合波阻抗及振幅等属性, 以多个三维地震属性体作为输入, 生成三维地震相体, 实现对地震相的划分[3]; 并且在地震相分析中引入时频分析技术, 基于S变换分析地震相并进行总体描述和局部细节的刻画[4]。这些方法利用地震数据的不同特征进行地震相识别, 识别精度高于人工识别。但是, 随着地震属性的增多以及勘探目标的复杂化, 需要研究有效利用这些属性的方法, 以达到更好的识别效果。
1956年达特茅斯会议首次提出的人工智能目前已发展成一门交叉学科。研究方向包括机器学习、自然语言处理和计算机视觉等。目前人工智能已应用到包括地球物理在内的各个领域。其中, 机器学习在地球物理中特别是在地震相识别划分中得到广泛应用。本文对基于机器学习的地震相识别方法进行总结, 详细介绍其原理以及应用情况, 最后做出一些展望。
1 分类与简介地震相自动识别可以看成一个拟合问题, 通过拟合建立起地震记录与沉积相类型之间的非线性关系。机器学习的实质就是在大量数据的驱动下, 从数据中学习到这个非线性关系。地震记录的数据量大且内涵信息丰富, 因而可以采用机器学习的方法来获得这个非线性关系, 从而进行地震相的识别划分。
传统的如S变换等地震相分析方法基于模型驱动, 具有明确的物理含义, 但其受制于人工模型约束, 对于特别复杂的情况, 模型不能细致地全方位描述, 并且在求解过程中需要各种变换计算, 使得效率较低。机器学习通常基于数据驱动拟合非线性关系函数, 并且拟合的函数空间更大, 即得到的模型具有更强的非线性描述表征能力, 可能更适合地震相识别划分。地震相智能识别利用机器学习等技术, 根据地震数据自动学习识别划分模型, 模型参数不需要人为限定, 因而可以学习到表征能力更强的模型。近年来, 随着人工智能技术的快速发展, 国内外学者基于无监督、监督和半监督这3类机器学习方法, 分别发展了相应的地震相智能识别方法, 均可实现对地震相的有效自动识别, 下面将详细介绍其原理、在地震相识别中的应用及其优缺点。
1.1 无监督学习无监督学习在地震相智能识别中起着重要的作用。无监督意味着对无标签的数据样本进行训练, 通过学习揭示数据内部隐性性质及其规律, 然而由于缺乏先验知识的引导, 故无法判断其正确与否。无监督学习包括聚类和自组织映射网络等方法。
1.1.1 聚类聚类是按照特定标准将数据集分割成不同的类, 使得同一个类内的数据相似性尽可能最大, 同时使不在同一个类中的数据差异性也尽可能最大, 即同类尽可能聚在一起, 异类尽可能分开[5]。由于聚类不需要标签数据, 并且简单易实现, 目前已应用于地球物理和医学等多个领域。聚类依据不同的划分标准, 将其分为基于划分式聚类如K均值, 和基于密度聚类如具有噪声的基于密度的聚类(density-based spatial clustering of applications with noise, DBSCAN)方法、层次聚类和谱聚类等。聚类在地震相识别划分中取得显著的成果。属于同一个地震相的数据内部之间具有一定的相似性, 而这恰好符合聚类的特性, 将相似的也就是内部具有共性的划分为一类, 将异类尽可能分开, 这就是聚类在地震相识别划分中的基本思想。传统的K均值聚类收敛缓慢, 学习速率自适应的改进K均值聚类算法可以解决这一问题, 应用于地震相识别中取得较好效果[6]。基于波形聚类分类的技术可以有效识别沉积微相, 在平面上可以较准确刻画沉积微相的分布[7-8]。基于密度的含噪声角道集波形聚类地震相分析方法, 可有效提高地震资料地震相分析的精度[9]。将稀疏表示思想与谱聚类相结合进行无监督的地震相分析, 可以获得更准确的地震相分类结果[10]。基于地震倒谱特征参数谱聚类也可以实现对地震相的识别划分, 实验结果如图 1所示。由图可见, 该方法可以更加清晰地识别划分边界[11], 具有高抗噪性的基于波形层次聚类方法, 可以准确、合理地表征地震相的空间分布[12]。在上述方法中, K均值聚类需要设置K值(类数), 且对噪声比较敏感; DBSCAN方法需要设置邻域半径和邻域密度阈值; 层次聚类需要设置阈值, 但计算复杂度比较高; 对于谱聚类, 如果聚类的维度高, 则分类结果的效果将不明显。因此, 尽管聚类方法不需要人工制作标签, 但人工设置的聚类参数直接影响分类数量和分类结果, 而且分类结果往往缺乏具体地质意义, 与地震相类别不一定具有很好的一一对应关系, 这些缺点限制了聚类算法在地震相识别划分中的广泛应用。
|
图 1 地震相划分结果[11] a真实地震相(根据波阻抗划分); b谱聚类(以地震倒谱特征参数为输入); c K均值聚类(以地震倒谱特征参数为输入); d K均值聚类(以地震记录为输入) |
自组织映射网络(SOM)是一种无监督神经网络方法, 由一个输入层和一个输出层构成, 通过学习输入层的高维输入数据, 可以得到一个低维映射。与一般基于损失函数反向传播的神经网络不同, 不需要标签数据, 只通过神经元之间相互竞争来优化自身, 并且还可以维持输入数据的空间拓扑结构。自组织映射网络的应用非常广泛, 目前在地震相智能识别划分中已取得较好效果。Stratimagic软件就是基于自组织映射网络进行波形分类, 进而实现对地震相的识别划分[13-14]。采用这种波形分类方法可以细致刻画出地震信号的横向变化, 从而得到反映地下地层特征的地震相图。但是该方法主要适用于平行地层结构、地层厚度变化较小、构造比较简单的地区。对于一些地层厚度变化较大的地区, 由于地层不等厚, 统一开时窗通常会产生穿时现象, 降低了分类预测的精度[15-16]。与其它几种无监督聚类方法相比, 基于地震响应特征的自组织映射网络在识别地震相结构方面更有优势[17], 而且还可以同时利用多种地震属性[18-19]。在油气勘探新区钻井少的背景下, 利用自组织映射网络进行地震属性分析, 可以预测地震相—沉积相平面展布规律[20]。然而, 仅利用自组织映射网络识别划分地震相精度有限, 因此, 国内外学者将自组织映射网络方法与其它方法相结合, 进一步提高地震相识别精度。MATOS等[21]将小波变换与自组织映射网络方法相结合来进行地震相分析, 首先, 利用小波变换识别地震道奇点, 再通过自组织映射网络神经元的竞争分类建立地震相图。人工免疫算法是模仿生物免疫系统的抗原识别、细胞分化和细胞抑制等功能的一种最优求解算法。在地震相分类中, 基于自组织映射网络方法在数据含噪时性能会下降, 可以先利用人工免疫算法来进行去噪和降维, 然后再通过自组织映射网络方法进行波形分类[22]。多波形分类(multi-waveform classification, MWFC)方法首先从地震数据中提取多波形, 再利用多线性子空间学习进行降维, 最后利用自组织映射网络进行分类获得地震相图; 与传统的波形分类方法相比, 该方法对噪声具有更高的鲁棒性[23]。在进行地震相分类时, 可以添加一些约束物理条件来提高分类精度。ZHAO等[24]利用地层学信息来约束自组织映射网络进行地震相分类, 可以识别更多的细节信息, 发现可能被传统方法忽略的薄层。自组织映射网络属于无监督学习, 因而不需要对数据制作标签, 并且它具有降维作用, 可以将高维数据映射到低维, 还可以保持拓扑结构的不变性。但是, 自组织映射网络方法的网络结构和网络参数会影响地震相分类结果, 而且分类结果的地质意义也不太明确, 这些缺点与聚类方法的缺点类似。
1.1.3 其它方法研究人员还将其它一些无监督方法成功应用于地震相识别中。在无监督学习中, 使用深度卷积自编码器(DCAE)与聚类相结合进行地震相分类[25], 由于使用具有强大非线性拟合能力的深度卷积来进行特征的提取学习, 因而使得该方法具有更高的精度, 而且具有显著突出地层和沉积信息的潜力。VEILLARD等[26]基于无监督深度学习的生成模型, 提出一种能快速、准确地解释三维地质目标的方法, 该方法比较通用并且可以实时得到准确的解释结果。上述方法在地震相识别划分中虽取得了一定的效果, 但由于其属于无监督方法, 没有目标导向, 因而其识别划分精度不高, 有待进一步提高。
1.2 监督学习监督学习是在定义好标签的情况下, 让模型学习到数据的内部隐形特征, 从而可以实现对相似数据的预测。此方法的识别精度几乎取决于是否拥有足够全面的准确标签。监督学习算法包括神经网络、支持向量机和随机森林等, 其中应用最广泛的是神经网络。神经网络受人脑神经系统的启发, 即模拟人脑神经系统来实现对事物的学习、联想、记忆和识别。神经网络的本质就是对数据进行拟合, 根据万能逼近定理[27]得知神经网络可以拟合任何函数。地震相识别划分可以看成一个函数拟合问题, 函数的自变量是地震数据, 因变量是地震相类型, 这个函数具有强烈的非线性特征、非常复杂且难以显式表达。而利用神经网络正好可以拟合出这个函数, 从而实现对地震相的智能识别划分。深度神经网络是个深层模型, 包括卷积层、池化层、全连接层以及各种激活函数。卷积层可以对数据进行局部感知, 即可以考虑局部信息, 也具有全局共享的特点, 因而能对剖面中具有相同特征不同部位的地震相获得相同的响应。池化层能扩大感受野, 因而能考虑更大尺度的特征信息。深层的网络意味着可以提取更高维度的信息, 激活函数使得模型具有更高的非线性拟合能力, 并且卷积可以学习二维和三维信息, 不再仅考虑一维单道信息。由于它可以学习横、纵向信息, 因而可以更好地拟合出这个函数, 从而进一步提高其识别划分精度。
1.2.1 卷积神经网络1943年, 美国心理学家麦克洛奇(MCCULLOCH)和数学家皮兹(PITTS)提出了M-P模型[28]。此模型通过把神经元看作一个功能逻辑器件来实现算法, 从此开创了神经网络模型的理论研究。1998年, LECUN等[29]提出了LeNet-5, 将BP算法应用到神经网络结构的训练上, 形成了当代卷积神经网络的雏形, 但由于当时网络训练难度大且效果不显著, 一直不被看好。直到2012年, 在Imagenet图像识别大赛中, Alexnet网络[30]一举夺冠, 掀起了卷积神经网络研究的热潮。之后又出现了牛津大学的VGG网络[31]、新加坡国立大学的NiN网络[32]、微软的残差网络[33]以及谷歌的GoogLeNet网络[34]等, 这些网络都可以实现对图像高精度的识别。2015年, 提出一种端到端结构, 可以进行任意大小图像输入的网络, 这是一种抛弃全连接的全卷积神经网络[35], 从此图像语义分割得到极大发展。随后在编码-解码器结构的基础上出现了简捷的SegNet[36]、UNet[37]网络以及DeepLab[38-41]系列等, 这些网络有效提高了语义分割的精度。可以说, 卷积神经网络在目前的人工智能中发挥着极其重要的作用。
由于神经网络成熟的技术以及良好的应用效果, 它已被应用于各个领域, 目前在地震相识别中获得较好的应用效果。WEST等[42]将纹理分析与神经网络相结合, 实现对地震相的分类, 提高了分类的效率以及细节程度。深度学习可以学习细微特征, 在地震相识别中比随机森林具有更好的识别能力[43], 还具有较好的泛化性能。对于盐丘的识别与检测, 利用卷积神经网络可以实现对其边界的检测[44]。采用端到端的编码-解码器, 可以实现三维盐丘边界的自动检测[45]。由于编-解码器特殊的结构, 它考虑了低维度信息, 能够编码出高维度的抽象信息, 并通过特征图的缩放减少运算量, 因而其计算成本较小, 并且能准确识别出盐丘边界。编-解码结构的SegNet网络, 可以准确检测出三维地震数据体中的河道[46]。基于卷积神经网络的方法, 不仅可以对盐体进行高精度的自动分类[47], 还可以进行自动地震解释, 该类方法成功解释出了完整的三维盐体[48]。这都是基于卷积、池化、全连接层以及各种激活函数的神经网络的强大拟合能力, 拟合出较为准确的函数, 因而取得较好的结果。采用编-解码结构进行地震解释时, 可以将上采样方式改为反卷积, 反卷积有可学习参数, 因而可以灵活地学习到不同的上采样方式, 进而提高模型刻画、恢复特征图的能力, 以此进一步提高模型的解释精度。反卷积神经网络(deconvolutional neural networks, DCNN)可以实时进行地震解释, 准确地识别和解释地震图像中的重要特征[49]。如图 2所示, DCNN识别结果与实际标签较为接近, 尤其是盐丘(黑色)、强连续反射(青色)和陡峭的倾斜(橙色)结构。在利用卷积神经网络进行地震相分析时, 不仅可利用地震数据进行学习, 还可以利用其它的信息。通过将自然图像中学习到的稀疏特征信息分类作用于地震数据, 突出地震体的不同特征与结构[50]。在利用编-解码结构的神经网络进行地震相分析时, 可以识别划分单个相或同时划分多个相, 也可以采用多个模型集成, 采用投票机制进一步提高模型的识别精度[51]。由图 3和图 4可以看出, 集成学习预测结果与标签吻合较好, 说明其模型具有较好的识别性能。神经网络可以与其它方法进行融合, 进一步提高其识别划分的精度。深度卷积嵌入聚类(deep convolutional embedded clustering, DCEC)利用深度神经网络表征高维数据特征, 再使用聚类对地震相进行聚类划分, 以此进一步识别更细微的相[52]。DCEC的网络结构和预测识别结果对比如图 5和图 6所示。由图 5和图 6可以看出, DCEC方法可以预测出更细微的地震相, 说明此方法可以得到更丰富的地震相信息。在利用编-解码结构进行地震相识别时, 加入金字塔池化模块可以更好地刻画边界, 识别地震相更加精确[53]。基于贝叶斯的卷积神经网络不仅可以在地震数据中准确识别出地震相, 还可以定性度量预测的不确定性, 因此解释人员可以利用不确定性判断地震相预测的可靠程度[54-55]。在利用常规单道卷积神经网络进行地震相识别的同时, 可以利用多道并行的方式学习多尺度的信息, 进而提高模型识别性能。采用多尺度信息学习的增强编码器-解码器来进行识别划分, 其结果比常规卷积网络具有更高的识别精度[56]。使用Flood-filling network(FFN)网络的工作流, 交互式跟踪地震地质体进行解释的方法, 与以往最大不同之处在于, 它可以进行迭代分割并移动视场, 不仅能检测地质体, 还可以跟踪单个地质体, 其结果表明该方法改善了分割精度, 并可以分离相同分类属性的多个实例[57]。如图 7所示, 当整个迭代过程结束后, 地质体被较好地检测出来。由于采用监督学习的神经网络有先验知识对其进行引导, 并且由于其结构的独特性而具有较好的非线性表达能力, 因此其识别效率较高、精度较好。然而它是黑盒模型, 难以准确解释模型, 并且需要大量的标签数据进行学习。对于海量的地震数据, 当标签数据稀少时, 会导致实际应用存在一定的局限性。
|
图 2 基于反卷积神经网络进行地震相识别划分的结果[49] |
|
图 3 基于深度学习的地震相识别划分结果(单一相的预测结果)[51] |
|
图 4 基于深度学习的地震相识别划分结果(采用集成学习的多个地震相预测结果)[51] |
|
图 5 深度卷积嵌入聚类的网络结构[52] |
|
图 6 不同方法地震相预测结果对比[52] a地震振幅水平切片; b K-means预测结果; c SOM预测结果; d DAE+K-means预测结果; e DCAE+K-means预测结果; f DCEC预测结果 |
|
图 7 基于FFN网络的地震盐体预测迭代(盐体图像的迭代预测, 以黄色十字为种子点, 模型进行分割、运动和似然(likelihood)更新, 蓝色框代表视场位置)[57] |
其它用于地震相智能识别的监督学习方法包括支持向量机、随机森林和概率神经网络等。如果要将不同的类尽可能分开, 则需要一个高维超平面, 而支持向量机(support vector machine, SVM)可以找到这个超平面, 使各类样本点距此超平面最远。对于超平面的定义, 只与距离最近的样本点有关, 因此将这些点称为支持向量。基于SVM的岩相分类具有很好的泛化性[58]。但是由于SVM具有较高的复杂性, 为了降低计算量, 基于近似支持向量机(proximal support vector machine, PSVM)被用来进行岩相分类[59]。其模型预测结果如图 8所示, 蓝色曲线为石灰岩边界, 灰色和黑色分别代表了PSVM分类的石灰岩和页岩, 可以看出, 采用PSVM预测的结果与传统解释结果非常接近。随机森林是由多个树组成的一种集成算法, 由于它的特殊结构使其具有一定的可解释性, 因而采用它进行地震相分类可以得到每个属性在分类中的重要性以及树形图, 有助于储层解释[60]。基于图像分割的地震相分类可以有效提高分类地震相的空间连续性和精度[61]。由图 9可以看出, 基于图像分割的预测结果空间连续性较好, 而SVM的连续性较差, 精度相对较低。采用支持向量机、随机森林等算法可以实现地震相的快速智能识别划分, 然而其采用一维数据进行学习, 缺失了横向空间信息, 因而具有局限性, 识别方法及识别精度有待进一步提高。
|
图 8 基于近似支持向量机的岩相预测结果[59] |
|
图 9 基于图像分割的地震相预测结果对比[61] a解释人员手动分析结果; b基于图像分割的预测结果; c基于支持向量机的预测结果 |
在实际应用中若仅使用无监督学习, 结果准确率可能较差; 仅使用监督学习, 没有足够的标签数据, 而获取大量的地震标签数据比较难, 那么在标签较少的情况下, 如何处理就值得深入研究。基于此, 发展了半监督学习。半监督学习是指在少量标签样本下, 模型以标签样本基础进行学习, 再结合其它样本不断调整学习, 最终学习到较为理想的模型进行预测。采用弱标签标记技术生成大量训练样本, 进而用来训练反卷积网络, 并且通过修改损失函数进行约束, 解决了标签数据少的问题, 提高了地震相预测的精度[62]。生成对抗网络由判别器与生成器构成, 生成器负责生成数据, 判别器用来辨别真伪, 当二者达到平衡时, 说明生成器可以合成高逼真数据, 进而用生成器可以生成大量数据。半监督生成对抗网络是对常规的生成对抗网络进行修改, 利用少量标签数据来使生成器与判别器进行对抗学习, 当模型收敛后直接用判别器进行地震相分类, 实验结果说明此方法可以进行地震相分类, 而且避免了模型过拟合现象[63]。利用半监督方法可以实现地震相分类, 并且能缓解监督方法在训练数据匮乏时的过拟合问题[64-65]。半监督学习可以缓解数据量不足问题, 为监督学习开辟了一条新道路, 但是由于伪标签等影响, 使得整个模型性能有所下降。
无监督、半监督和监督学习3类方法各有优势与侧重点, 可以根据不同的实际情况选择不同的方法来进行地震相识别划分。无监督方法可以在没有标签数据的情况下, 对数据内部规律进行学习, 通过聚类来实现对地震相的识别划分。由于没有先验知识的约束, 因而其识别划分的精度有限。半监督学习是在标签数据有限的情况下进行地震相识别划分的, 可以看成无监督与监督学习的有机结合, 通过无监督生成伪标签, 再通过监督学习识别划分地震相, 但由于伪标签的负面性, 可能会使得模型精度有所下降。监督学习利用大量标签数据来约束学习, 由于有先验知识的监督, 并且利用神经网络的强大非线性拟合能力, 因而精度较高。
2 基于神经网络的应用实例该实例基于改进的U-Net网络模型进行地震相自动识别。网络模型结构如图 10所示, 输入为地震数据, 在编码阶段先经过4次并行模块, 每次并行模块都进行通道扩增, 进行数据尺寸大小减半的下采样。然后在解码时进行4次上采样过程, 每次上采样都压缩通道数, 再与下采样对应的值在通道维进行拼接融合。上采样结束后, 网络模型得到一张9通道的特征图, 经过Softmax函数得到9张概率图, 取每个像素点最大概率对应的索引值, 得到一张网络模型最终输出剖面, 该剖面即地震相识别分类结果。
|
图 10 用于地震相识别划分的神经网络模型结构 |
经过多次实验发现, 采用卷积下采样比最大池化效果好, 这是因为卷积下采样时有可学习的参数, 可以学习到更好的下采样策略, 但是由于引入过多参数, 导致模型运算速度减慢, 因此最终选择最大池化作为本模型下采样方式。通过多次实验, 最终采用转置卷积作为此模型的上采样方式。转置卷积也具有可学习的参数, 可以灵活地学习多种上采样模式, 数据特征信息之间也可以相互融合, 而不是和反最大池化一样只将值放入最大值的位置上, 其它位置用0替补。为了降低模型复杂度, 提高模型效率, 所以有下采样过程, 但无法避免下采样存在信息丢失现象。如果在下采样前提取更多的特征, 则可以学习更多有用的信息。即使在下采样时丢失一部分信息, 也会有所保留, 而且由于跃层拼接结构的存在, 在上采样时会用到这些提取的信息, 可以缓解信息丢失问题。设计模型如图 10和图 11所示。图 11表示图 10中的并行模块。并行模块采用5个不同大小的卷积层来并行学习不同尺度的信息, 该卷积层由深度可分离卷积与空洞卷积组合构成, 再将各自学习到的信息进行通道维的拼接, 最后经过1×1卷积进行信息融合输出。使用基于Python编程语言的PaddlePaddle框架和百度AI Studio平台, 实现了地震相的自动识别划分。在模型训练时, 采用Adam优化器, 学习率设定为0.001, 批次为8。由于本研究属于分类问题, 因而损失函数采用交叉熵(Cross Entropy), 评价指标选取语义分割中常用的mIoU。
|
图 11 图 10中并行模块的结构 |
地震数据测试表明, 图 10模型在验证集上mIoU为0.943, 在测试集上为0.941。图 12为模型在测试集上预测的剖面结果。从结果与标签对比可以看出, 两者吻合较好, 说明网络模型具有表征学习出各个地震相的能力, 表明深度学习在地震相识别中的可行性。
|
图 12 图 10模型预测地震相结果对比 |
目前的地震相智能识别方法主要包括无监督、半监督与监督3类。由于地震相识别问题的特点、神经网络方法的灵活性以及易实现性, 使得神经网络方法成为目前地震相智能识别的主要方法。神经网络可以利用多个卷积和池化层, 使之具有强大的非线性拟合能力, 因而具有更高识别精度。对于具体的实际问题, 应该依据具体条件通过优选得到一个较好的模型进行地震相的智能识别。
随着技术的不断更新和算力的不断增强, 地震相识别方法从最初的人工相面法发展到目前自动智能识别, 从常规的二维面识别发展到现在的三维体识别, 以高效的人工智能方法取代了低效的人工识别。对地震相识别方法的发展做出以下几点展望。
1) 少量标签数据的神经网络地震相识别有待发展。神经网络属于数据驱动模型, 标签数据是模型是否成功的关键。地震数据量大而广, 然而往往缺乏足够的真实标签, 对于神经网络这种监督学习来说是致命的, 没有大量标签数据来训练, 就难以得到有效的识别模型。对于标签数据稀少的问题, 可以利用无监督和半监督学习等技术有效克服。从调研中发现, 已经有人展开这方面的技术研究, 并取得一定的成果, 但多数还是以监督学习为主, 因而有待进一步研究; 另外可以应用迁移学习技术, 发展具有一定普适性的网络模型, 使一个工区训练的模型可以迁移到其它工区使用, 从而缓解标签数据少的问题。
2) 基于神经网络的地震相自动识别精度有待提高。地下各种地震相之间大小不一, 差别较大。在训练网络模型时会出现数据不平衡问题, 导致在训练过程中看似训练准确率很高, 实际上占多数的数据类别可能会夺取训练主导权, 让占少数的数据类别很难被网络学习到, 导致实际预测结果较差。对于这个问题, 可以从以下3个方面着手解决: ①前期特征工程处理, 可以考虑将占多数的丢弃一部分, 或者可以将小部分多重复几次, 使各类数据占比较为均衡; ②网络模型处理, 向网络模型中加入物理约束层, 将一些类似的经验公式和机理模型等加入网络模型中进行约束, 以此来削弱数据不平衡的影响; ③损失函数处理, 通过修改损失函数约束网络模型的训练, 根据一些经验公式等, 加入到损失函数中, 以有效消除此问题。以上3种方法的具体实现还需开展进一步的研究。
3) 基于注意力机制的神经网络地震相自动识别。注意力机制是模仿生物视觉机制, 让系统学会注意力关注重点信息忽略无效信息, 从而提高预测精度。目前注意力机制在图像分类与分割中取得了较好的效果, 但很少有人将其应用于地震相识别中, 可以尝试将其与地震相识别相结合以提高识别精度。目前, Transformer在计算机视觉中取得较好的效果, 也可以将其用来助力地震相智能识别, 进一步提高网络模型预测精度。
4) 基于强化学习的地震相智能识别。强化学习不依赖于标签数据, 它包含一个奖励系统, 通过观察环境、执行动作以及得到的奖励不断学习。在地震相识别中不需要标签数据, 只需要建立好系统, 即可通过自主学习进行地震相识别, 而且识别的精度和效率可能会更高, 但如何有效应用还需要研究。
| [1] |
朱剑兵, 赵培坤. 国外地震相划分技术研究新进展[J]. 勘探地球物理进展, 2009, 32(3): 167-171. ZHU J B, ZHAO P K. New progress in the study of seismic facies division technology abroad[J]. Progress in Exploration Geophysics, 2009, 32(3): 167-171. |
| [2] |
NEVES F A, TRIEBWASSER H. Multi-attribute seismic volume facies classification for predicting fractures in carbonate reservoirs[J]. The Leading Edge, 2006, 25(5): 698-700. |
| [3] |
VICTOR L, MARCELO S, CARLOS P, et al. Seismic facies analysis based on 3D multi-attribute volume classification, La Palma Field, Maracaibo, Venezuela[J]. The Leading Edge, 2003, 22(1): 32-36. |
| [4] |
邹文, 陈爱萍, 贺振华, 等. 基于S变换的地震相分析技术[J]. 石油物探, 2006, 45(1): 48-51. ZOU W, CHEN A P, HE Z H, et al. Seismic facies analysis technology based on S transform[J]. Geophysical Prospecting for Petroleum, 2006, 45(1): 48-51. DOI:10.3969/j.issn.1000-1441.2006.01.009 |
| [5] |
周志华. 机器学习[M]. 北京: 清华大学出版社, 2016: 1-425. ZHOU Z H. Machine learning[M]. Beijing: Tsinghua University Press, 2016: 1-425. |
| [6] |
庞锐, 魏嘉. 利用K均值聚类方法进行地震相识别[J]. 中国地球物理学会第二十四届年会论文集, 2018, 132. PANG R, WEI J. Seismic facies recognition using K-means clustering method[J]. On the 24th Annual Conference of the Chinese Geophysical Society, 2018, 132. |
| [7] |
徐海, 都小芳, 高君, 等. 基于波形聚类的沉积微相定量解释技术研究[J]. 石油物探, 2018, 57(5): 744-755. XU H, DU X F, GAO J, et al. Research on quantitative interpretation technology of sedimentary microfacies based on waveform clustering[J]. Geophysical Prospecting for Petroleum, 2018, 57(5): 744-755. DOI:10.3969/j.issn.1000-1441.2018.05.014 |
| [8] |
刘忠亮, 张成富, 张渊. Oriente盆地L-I-Y油田Hollin组与Napo组沉积微相研究[J]. 石油物探, 2017, 56(4): 581-588. LIU Z L, ZHANG C F, ZHANG Y. Sedimentary microfacies of the Hollin and Napo formations in the L-I-Y oilfield of the Oriente Basin[J]. Geophysical Prospecting for Petroleum, 2017, 56(4): 581-588. DOI:10.3969/j.issn.1000-1441.2017.04.015 |
| [9] |
刘仕友, 宋炜, 应明雄, 等. 基于密度的含噪声角道集波形聚类地震相分析[J]. 石油物探, 2019, 58(5): 773-782. LIU S Y, SONG W, YING M X, et al. Density-based clustering seismic facies analysis of noisy corner gather waveforms[J]. Geophysical Prospecting for Petroleum, 2019, 58(5): 773-782. DOI:10.3969/j.issn.1000-1441.2019.05.017 |
| [10] |
WANG Y J, WANG L J, LI K H, et al. Unsupervised seismic facies analysis using sparse representation spectral clustering[J]. Applied Geophysics, 2020, 17(4): 533-543. |
| [11] |
桑凯恒, 张繁昌, 李传辉. 地震倒谱特征参数谱聚类地震相分析方法[J]. 石油地球物理勘探, 2021, 56(1): 38-48. SANG K H, ZHANG F C, LI C H. Seismic cepstrum characteristic parameter spectrum clustering seismic facies analysis method[J]. Oil Geophysical Prospecting, 2021, 56(1): 38-48. |
| [12] |
刘仕友, 宋炜, 应明雄, 等. 基于波形特征向量的凝聚层次聚类地震相分析[J]. 物探与化探, 2020, 44(2): 339-349. LIU S Y, SONG W, YING M X, et al. Seismic facies analysis of agglomerated hierarchical clustering based on waveform feature vector[J]. Geophysical and Geochemical Exploration, 2020, 44(2): 339-349. |
| [13] |
潘少伟, 杨少春, 陈旋, 等. 吐哈盆地红台地区中侏罗统地震相分析[J]. 石油地球物理勘探, 2008, 43(4): 425-429. PAN S W, YANG S C, CHEN X, et al. Seismic facies analysis of the Middle Jurassic in Hongtai area, Turpan-Hami Basin[J]. Oil Geophysical Prospecting, 2008, 43(4): 425-429. DOI:10.3321/j.issn:1000-7210.2008.04.013 |
| [14] |
赵力民, 郎晓玲, 金凤鸣, 等. 波形分类技术在隐蔽油藏预测中的应用[J]. 石油勘探与开发, 2001, 28(6): 53-55. ZHAO L M, LANG X L, JIN F M, et al. Application of waveform classification technology in the prediction of subtle oil reservoirs[J]. Petroleum Exploration and Development, 2001, 28(6): 53-55. DOI:10.3321/j.issn:1000-0747.2001.06.015 |
| [15] |
尹青, 万朝大, 刘伟君, 等. 地震相分析及其在石油勘探中的应用[J]. 地质找矿论丛, 2011, 26(1): 79-84. YIN Q, WAN C D, LIU W J, et al. Seismic facies analysis and its application in petroleum exploration[J]. Collection of Geological Prospecting, 2011, 26(1): 79-84. |
| [16] |
COLEOU T, POUPON M, AZBEL K. Unsupervised seismic facies classification: A review and comparison of techniques and implementation[J]. The Leading Edge, 2003, 22(10): 942-953. |
| [17] |
MARROQU ÍN I D, JEAN-JULES B, HART B S. A visual data-mining methodology for seismic facies analysis: Part 1-Testing and comparison with other unsupervised clustering methods[J]. Geophysics, 2009, 74(1): P1-P11. |
| [18] |
ROY A, DOWDELL B L, MARFURT K J. Characterizing a Mississippian tripolitic chert reservoir using 3D unsupervised and supervised multiattribute seismic facies analysis: An example from Osage County, Oklahoma[J]. Interpretation, 2003, 1(2): SB109-SB124. |
| [19] |
ZHAO T, LI F Y, MARFURT K J. Seismic attribute selection for unsupervised seismic facies analysis using user-guided data-adaptive weights[J]. Geophysics, 2018, 83(2): O31-O44. |
| [20] |
王天云, 韩小锋, 许海红, 等. 无监督神经网络地震属性聚类方法在沉积相研究中的应用[J]. 石油地球物理勘探, 2021, 56(2): 372-379. WANG T Y, HAN X F, XU H H, et al. Application of unsupervised neural network seismic attribute clustering method in sedimentary facies research[J]. Oil Geophysical Prospecting, 2021, 56(2): 372-379. |
| [21] |
MATOS M C D, OSORIO P L M, JOHANN P R S. Unsupervised seismic facies analysis using wavelet transform and self-organizing maps[J]. Geophysics, 2007, 72(1): P9-P21. |
| [22] |
SARASWAT P, SEN M K. Artificial immune-based self-organizing maps for seismic-facies analysis[J]. Geophysics, 2012, 77(4): O45-O53. |
| [23] |
SONG C Y, LIU Z N, WANG Y J, et al. Multi-waveform classification for seismic facies analysis[J]. Computers & Geosciences, 2017, 101(4): 1-9. |
| [24] |
ZHAO T, LI F Y, MARFURT K J. Constraining self-organizing map facies analysis with stratigraphy: An approach to increase the credibility in automatic seismic facies classification[J]. Interpretation, 2017, 5(2): T163-T171. |
| [25] |
QIAN F, YIN M, LIU X Y, et al. Unsupervised seismic facies analysis via deep convolutional autoencoders[J]. Geophysics, 2018, 83(3): A39-A43. |
| [26] |
VEILLARD A, MOREÒRE O, GROUT M, et al. Fast 3D seismic interpretation with unsupervised deep learning: Application to a potash network in the North Sea[J]. Conference Proceedings of 80th EAGE Annual Conference & Exhibition, 2018, 1-5. |
| [27] |
HORNIK K, STINCHCOMBE M, WHITE H. Multilayer feedforward networks are universal approximators[J]. Neural Networks, 1989, 2(5): 359-366. |
| [28] |
刘荣. 人工神经网络基本原理概述[J]. 计算机产品与流通, 2020(6): 35. LIU R. Overview of the basic principles of artificial neural networks[J]. Computer Products and Circulation, 2020(6): 35. |
| [29] |
LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324. |
| [30] |
KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Imagenet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems, 2012, 25(2): 1097-1105. |
| [31] |
KAREN S, ANDREW Z. Very deep convolutional networks for large-scale image recognition[J]. Computer Science, 2015, 1-14. |
| [32] |
LIN M, CHEN Q, YAN S C. Network in network[J]. Computer Science, 2013, 1(1): 85-97. |
| [33] |
HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[J]. IEEE Conference on Computer Vision and Pattern Recognition, 2016, 770-778. |
| [34] |
SZEGEDY C, LIU W, JIA Y Q. Going deeper with convolutions[J]. IEEE Conference on Computer Vision and Pattern Recognition, 2015, 1-9. |
| [35] |
LONG J, SHELHAMER E, DARRELL T. Fully convolutional networks for semantic segmentation[J]. 2015 IEEE Conference on Computer Vision and Pattern Recognition, 2015, 3431-3440. |
| [36] |
BADRINARAYANAN V, KENDALL A, CIPOLLA R. SegNet: A deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481-2495. |
| [37] |
RONNEBERGER O, FISCHER P, BROX T. U-Net: Convolutional networks for biomedical image segmentation[J]. International Conference on Medical Image Computing and Computer-Assisted Intervention, 2015, 234-241. |
| [38] |
CHEN L C, PAPANDREOU G, KOKKINOS I, et al. Semantic image segmentation with deep convolutional nets and fully connected CRFs[J]. Computer Science, 2014, 12(4): 357-361. |
| [39] |
CHEN L C, PAPANDREOU G, KOKKINOS I, et al. DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4): 834-848. |
| [40] |
CHEN L C, PAPANDREOU G, SCHROFF F, et al. Rethinking atrous convolution for semantic image segmentation[J]. Computer Science, 2017, 1-14. |
| [41] |
CHEN L C, ZHU Y, PAPANDREOU G, et al. Encoder-Decoder with atrous separable convolution for semantic image segmentation[J]. Computer Science, 2018, 833-851. |
| [42] |
WEST B P, MAY S R, EASTWOOD J E, et al. Interactive seismic facies classification using textural attributes and neural networks[J]. The Leading Edge, 2002, 21(10): 1042-1049. |
| [43] |
王树华, 于会臻, 谭绍泉, 等. 基于深度卷积神经网络的地震相识别技术研究[J]. 物探化探计算技术, 2020, 42(4): 475-480. WANG S H, YU H Z, TAN S Q, et al. Research on seismic facies recognition technology based on deep convolutional neural network[J]. Computing Techniques for Geophysical and Geochemical Exploration, 2020, 42(4): 475-480. |
| [44] |
GRAMSTAD O, NICKEL M. Automated interpretation of top and base salt using deep convolutional networks[J]. Expanded Abstracts of 88th Annual Internat SEG Mtg, 2018, 1956-1960. |
| [45] |
ZHANG Y, LIU Y, ZHANG H R, et al. Automatic salt dome detection using U-net[J]. Conference Proceedings of 81st EAGE Annual Conference & Exhibition, 2019, 1-5. |
| [46] |
PHAM N, FOMEL S, DUNLAP D. Automatic channel detection using deep learning[J]. Expanded Abstracts of 88th Annual Internat SEG Mtg, 2018, 2026-2030. |
| [47] |
SHI Y Z, WU X M, FOMEL S. Automatic salt-body classification using deep-convolutional neural network[J]. Expanded Abstracts of 88th Annual Internat SEG Mtg, 2018, 1971-1975. |
| [48] |
WALDELAND A U, JENSEN A C, GELIUS L J, et al. Convolutional neural networks for automated seismic interpretation[J]. The Leading Edge, 2018, 37(7): 529-537. |
| [49] |
DI H B, WANG Z, ALREGIB G. Real-time seismic image interpretation via deconvolutional neural network[J]. Expanded Abstracts of 88th Annual Internat SEG Mtg, 2018, 2051-2055. |
| [50] |
SHAFIQ M A, PRABHUSHANKAR M, DI H, et al. Towards understanding common features between natural and seismic images[J]. Expanded Abstracts of 88th Annual Internat SEG Mtg, 2018, 2076-2081. |
| [51] |
ZHANG Y X, LIU Y, ZHANG H R, et al. Seismic facies analysis based on deep learning[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 17(7): 1119-1123. |
| [52] |
DUAN Y T, ZHENG X D, HU L L, et al. Seismic facies analysis based on deep convolutional embedded clustering[J]. Geophysics, 2019, 84(6): IM87-IM97. |
| [53] |
闫星宇, 顾汉明, 罗红梅, 等. 基于改进深度学习方法的地震相智能识别[J]. 石油地球物理勘探, 2020, 55(6): 1169-1177. YAN X Y, GU H M, LUO H M, et al. Intelligent recognition of seismic facies based on improved deep learning methods[J]. Oil Geophysical Prospecting, 2020, 55(6): 1169-1177. |
| [54] |
PHAM N, FOMEL S. Uncertainty estimation using Bayesian convolutional neural network for automatic channel detection[J]. Expanded Abstracts of 90th Annual Internat SEG Mtg, 2020, 3462-3466. |
| [55] |
FENG R H, BALLING N, GRANA D, et al. Bayesian convolutional neural networks for seismic facies classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(10): 1-8. |
| [56] |
ZHANG H R, CHEN T S, LIU Y, et al. Automatic seismic facies interpretation using supervised deep learning[J]. Geophysics, 2021, 86(1): IM15-IM33. |
| [57] |
SHI Y Z, WU X M, FOMEL S. Interactively tracking seismic geobodies with a deep-learning flood-filling network[J]. Geophysics, 2021, 86(1): A1-A5. |
| [58] |
AL-ANAZI A, GATES I D. A support vector machine algorithm to classify lithofacies and model permeability in heterogeneous reservoirs[J]. Engineering Geology, 2010, 114(3): 267-277. |
| [59] |
ZHAO T, JAYARAM V, MARFURT K J. Lithofacies classification in Barnett Shale using proximal support vector machines[J]. Expanded Abstracts of 84th Annual Internat SEG Mtg, 2014, 1491-1495. |
| [60] |
KIM Y, HARDISTY R, TORRES E, et al. Seismic facies classification using random forest algorithm[J]. Expanded Abstracts of 88th Annual Internat SEG Mtg, 2018, 2161-2165. |
| [61] |
LIU J L, DAI X F, GAN L D, et al. Supervised seismic facies analysis based on image segmentation[J]. Geophysics, 2018, 83(2): O25-O30. |
| [62] |
ALAUDAH Y, GAO S, ALREGIB G. Learning to label seismic structures with deconvolution networks and weak labels[J]. Expanded Abstracts of 88th Annual Internat SEG Mtg, 2018, 2121-2125. |
| [63] |
LIU M L, JERVIS M, LI W C, et al. Seismic facies classification using supervised convolutional neural networks and semisupervised generative adversarial networks[J]. Geophysics, 2020, 85(4): O47-O58. |
| [64] |
DUNHAM M, MALCOLM A, WELFORD J K. Toward a semisupervised machine learning application to seismic facies classification[J]. Conference Proceedings of 82nd EAGE Annual Conference & Exhibition, 2020, 1-5. |
| [65] |
蔡涵鹏, 胡浩炀, 吴庆平, 等. 基于叠前地震纹理特征的半监督地震相分析[J]. 石油地球物理勘探, 2020, 55(3): 504-509. CAI H P, HU H Y, WU Q P, et al. Semi-supervised seismic facies analysis based on pre-stack seismic texture features[J]. Oil Geophysical Prospecting, 2020, 55(3): 504-509. |