王天琪等-Geophysics：地震斷層識別與解釋的人工智能算法（FaultAdvNet）

2022年11月02日10:26:33 熱門 1615

地震斷層檢測是建立地球儲層模型的關鍵任務，而高精度、高效率、高分辨率的檢測結果是精確地質構造解釋的重要保障。隨着人工智能算法在目標檢測領域的發展，利用深度卷積神經網絡預測地震數據中的斷層位置成為了研究熱點。神經網絡通過從地震反射信息中提取斷層的潛在特徵，並抑制背景噪聲的干擾，建立了一種從地震數據到目標斷層的非線性映射關係，從而實現端到端的快速預測。目前主流的斷層智能檢測方法是使用大規模合成數據訓練圖像分割網絡（如U-Net及其變體）。然而，大規模的網絡訓練和高參量的神經網絡依賴於高計算性能的硬件設備，計算代價高昂，便攜性較差，影響了技術發展和工業推廣。並且合成數據是對人工模型的正演模擬，經地質條件簡化的模型難以反映地下複雜的實際構造情況。因此，探索使用小樣本真實地震數據訓練輕量化神經網絡實現高分辨率斷層識別是一個非常有意義的研究方向。

中國科學院地質與地球物理研究所油氣資源研究院重點實驗室王天琪博士研究生與導師王彥飛研究員，提出了一種基於對抗博弈機制和正則化技術結合的高分辨率地震斷層解釋網絡（FaultAdvNet）。該網絡一方面利用全局特徵融合模塊綜合考慮目標和背景信息，另一方面利用數據驅動下的輔助網絡作為隱式正則化約束項，僅需使用有限的訓練樣本，便可實現高分辨率的目標地質體檢測。

FaultAdvNet的網絡架構由三部分組成（圖1）：包含一個根據地震輸入執行斷層識別的分割模塊，一個將目標特徵（斷層）和背景信息（地層反射）整合為全局特徵圖的特徵融合模塊，以及一個用來區分斷層預測結果和斷層標籤的鑒別器模塊。其中，分割模塊（圖1a）是一個輕量化預測網絡，其參數量僅為常規U-Net模型的1.5%。特徵融合模塊（圖1b）是根據斷層的地球物理概念而設計的特徵增強流程，通過突出主要地層界面和斷層錯動邊界，督促網絡在訓練過程中同時關注斷層和周圍沉積物的反射特徵，從而克服常見的斷層分割問題（如邊界模糊、連續性差和誤判傾斜地層為斷層等）。分割模塊（圖1a）和鑒別器模塊（圖1c）通過對抗博弈的訓練方式來提高彼此性能，具體而言，前者通過生成與標籤更接近的預測結果來欺騙後者，後者通過判別預測結果和標籤的差異來懲罰前者。把懲罰值量化可構成正則化損失函數，它是像素級預測誤差和圖像級預測誤差的加權，反映了FaultAdvNet對局部目標信息和全局宏觀信息的整體掌控。

圖1 FaultAdvNet模型的網絡架構。（a）分割模塊；（b）特徵融合模塊；（c）鑒別器模塊

通過模塊功能對比分析（圖2），他們評估了FaultAdvNet模型中各模塊的重要性和彼此間的協同關係，驗證了該網絡架構的優越性。通過與 U-Net模型的對比，論證了針對特定任務而設計的神經網絡架構更適合解決專業問題。

圖2 FaultAdvNet模型在訓練過程中的模塊功能分析。（a）初步訓練分割模塊的FaultAdvNet模型；（b）FaultAdvNet模型；（c）無特徵融合模塊和鑒別器模塊的FaultAdvNet模型；（d）U-Net模型

墨西哥灣地區的案例研究表明，相比於傳統方法（如相干算法）和其他智能方法（包含多種CNN深度學習方法），FaultAdvNet的三維預測結果具有良好的連續性、清晰的邊界和更高的置信度（圖3）。該方法作為計算機視覺和地球物理學科的交叉研究，在各種地質識別任務（如河道、鹽丘和氣煙囪等）中有着廣闊的應用前景。

圖3 斷層預測結果的三維視圖。（a）墨西哥灣地區的三維地震數據；（b）第三代相干算法的預測結果；（c）三維卷積神經網絡的預測結果；（d）U-Net模型的預測結果；（e）FaultAdvNet模型的預測結果

研究成果發表於國際學術期刊Geophysics（Wang T Q and Wang Y F*. High-resolution seismic faults interpretation based on adversarial neural networks with a regularization technique[J]. Geophysics, 2022, 87 (6): IM207–IM219. DOI:10.1190/geo2021-0383.1）。研究受國家自然科學基金（12171455）、中科院從0到1原始創新項目（ZDBS-LY-DQC003）及中科院地質與地球物理研究所重點部署項目（IGGCAS-2019031）資助。