[发明专利]一种基于grad-CAM注意力引导的断层识别方法

说明书

本发明公开了一种基于grad‑CAM注意力引导的断层识别方法，包括以下步骤：S1、通过grad‑CAM获得卷积神经网络的注意力图；S2、向卷积神经网络的目标函数中添加注意力图和地学专家标记的注意力图的交叉熵损失函数，得到新的卷积神经网络目标函数；S3、利用步骤S2得到的目标函数训练断层识别模型。本发明在典型的深度学习框架基础上，引入注意力引导机制，可以有效的增加网络对于断层及其邻域像素的关注，能够实现对神经网络做出断层分类判断的有效引导，能够有效改善断层识别结果发生断裂的情况，得到了连续性更好的识别结果。

技术领域

本发明属于地震数据识别技术领域，特别涉及一种基于grad-CAM注意力引导的断层识别方法。

背景技术

地震数据解释是油气勘探工作的重要一步，而对断层的识别是地震数据解释的重要组成部分。断层是地壳受力发生断裂，沿断裂面两侧岩块发生的显著相对位移的构造。断层破坏了岩层的连续性。断层的性质、破碎和紧结程度，以及断层面两侧岩性组合间的接触关系等，对油气运移、聚集和破坏都有密切关系。同一断层，在深部和浅部所起的作用不同；在历史发展过程中，在不同时期内，也可能起着封闭或破坏两种相反的作用。由于断层对油气的运动和聚集所起到重要的控制作用，因此对于断层的识别具有很高的实用价值。

断层识别是地震数据解释中最重要的任务之一，因为断层对油气的运动和聚集所起到重要的控制作用。由于地学数据非常庞大，自动化解释断层的方法是业界一直在研究的。断层作为地震属性的一种，常见属性有相干体，方差体，混沌体等。相对来说，使用推广率高，识别效果好，算法稳定成熟的是相干体属性，它主要是用相邻道之间的振幅不连续性来突出断层。相干体的实现思想是估计主测线和联络测线方向上的波形相似性。通常来说，相干体的相干特征会在断层切割的地震道波形之间体现出相干性的差异，尤其是走向平行于地层的断层在相干属性中体现的更为明显。

目前，对于断层的解释方法主要有：(1)基于地震属性方法的断层识别；(2)基于图像分析的断层识别；(3)基于深度学习的断层识别。断层识别的效果通常由地质专家给出经验上的评价。观察地震剖面上的断层，按照断层的尺寸可以分为大型断层，中型断层和小型断层。大断层多为一组性质相似的断层形成的断裂带，它控制着主要断层构造方向。一般来说，它有一定的断裂厚度，断层展布方向变化不大，紧邻断层带常伴有褶皱较强的背斜和向斜和断裂分支。中断层的平面延伸一般较远，其走向一般与构造走向平行或斜交。小断层多是断层裂缝，断裂方向不确定，平面横向延伸不远。评判断层识别的效果除了考察断层分布与形态是否符合地质规律之外，还要重点从断层的细节部分，如断层边缘是否有大量毛刺，切片背景的抗噪性以及断层延展方向上的连续性等几个角度去考量。

深度学习在计算机视觉、自然语言处理等领域得到了很多成功的应用。深度学习技术的发展结合地震数据本身体量巨大的特点，这为断层识别提供了新的方法。深度学习方法的优势在于神经网络模型具有产生高阶函数来拟合模型的能力。神经网络在有监督地训练下能够自动提取断层特征，摆脱了人为手动选取断层特征的麻烦，极大程度地减低了断层识别整个流程的复杂程度。另一个方面，一个良好的深度学习模型应该具备不错的泛化能力，当该神经网络模型学习到了大量地震数据背后的断层形态特征和断层分布规律，即便输入是其他工区的地震数据也能给出不错的断层识别效果，深度神经网络模型在地震解释邻域有优异的效果，蕴含无穷的潜力。但是深度学习这一端到端的“黑盒”模型，存在大量参数，人们很难理解其中的隐藏层、神经元、激活函数等关键部分会对最终的学习结果有什么样的影响。当前利用深度学习识别断层的方法，在预测部分断层样本时可能会产生明显的断裂。神经网络做出断层分类的关键像素可能会存在一些偏差，与人类的客观认识不符。

发明内容

本发明的目的在于克服现有技术的不足，提供一种在典型的深度学习框架基础上，引入注意力引导机制，可以有效的增加网络对于断层及其邻域像素的关注，能够实现对神经网络做出断层分类判断的有效引导，能够有效改善断层识别结果发生断裂的情况，得到了连续性更好的识别结果的基于grad-CAM注意力引导的断层识别方法。