[发明专利]一种基于深度学习的断层智能识别方法及系统

说明书

本发明涉及一种基于深度学习的断层智能识别方法及系统，其包括：根据输入的地震数据，生成断层以及断层对应的标签，并构建断层样本库，由所述断层样本库提供训练样本及其标签；构建基于图像分割的卷积神经网络，并由所述训练样本及标签对所述卷积神经网络进行训练，得到对三维地震数据中的断层进行智能检测的网络模型；对所述网络模型的参数进行数据标准化和数据增广，并选择优化的损失函数，提升所述网络模型识别断层的能力；将真实的地震数据输入所述网络模型进行预测，将预测结果进行评价，并调整完善训练样本。本发明的效率更加高、结果更加精确、抗噪更强；可以在地震勘探领域中应用。

技术领域

本发明涉及一种地震勘探技术领域，特别是关于一种基于深度学习的断层智能识别方法及系统。

背景技术

地震成像资料中断层的解释不仅是油气勘探和开发中的关键步骤，也是构造以及地球动力学分析的重要依据。在油气勘探开发方面，断层由于对油气的运移和聚集作用而受到国内外广泛关注。同时，断层及其控制的裂缝和溶洞发育带是国内最重要的研究对象。地震资料中断层的精细解释将对油气储层预测以及国内的油气勘探开发起到至关重要的作用。

传统的断层自动解释方法，例如相干、方差、曲率和断层似然性等来检测地震数据中断层的位置，已经广泛应用于断层识别分析中，其中，所有这些属性都是通过计算地震同相轴的连续性或者不连续性来检测断层。由于噪音和地震采集误差等非地质因素也会产生地震同相轴的不连续性，导致以上地震属性计算方法对这些非地质因素非常敏感，在检测断层的同时也会突出一些与断层并不相关的信息。因此，基于这些地震属性，进一步的断层解释往往依然需要大量的后期处理和人工干预。

可以看出，传统的断层自动解释方法受限于相干和方差对噪声或非断层构造引起的地震反射不连续敏感，导致断层检测结果中出现很多噪声或者干扰特征。而深度学习方法可以避免这个问题。传统方法检测的断层特殊不连续，会给后期的断层面拾取或追踪带来挑战。因此，在实际应用中，选择或设计一个精确、高效、轻量级的网络模型是一个重要的问题。

发明内容

针对上述问题，本发明的目的是提供一种基于深度学习的断层智能识别方法及系统，其效率更加高、结果更加精确、抗噪更强。

为实现上述目的，本发明采取以下技术方案：一种基于深度学习的断层智能识别方法，其包括：根据输入的地震数据，生成断层以及断层对应的标签，并构建断层样本库，由所述断层样本库提供训练样本及其标签；构建基于图像分割的卷积神经网络，并由所述训练样本及标签对所述卷积神经网络进行训练，得到对三维地震数据中的断层进行智能检测的网络模型；对所述网络模型的参数进行数据标准化和数据增广，并选择优化的损失函数，提升所述网络模型识别断层的能力；将真实的地震数据输入所述网络模型进行预测，将预测结果进行评价，并调整完善训练样本。

进一步，所述生成断层以及断层对应的标签采用正演的方法，包括：

采用两种类型的垂直剪切位移场S₁(x,y,z)和S₂(x,y,z)，将地震数据的成像通过所述两种类型的垂直剪切位移场从平面空间转换到具有不同弯曲结构的褶皱空间；

采用体积矢量场在地质褶皱结构模型中模拟断层结构，通过随机选择的断层参数来模拟各种广义的断层。

进一步，所述通过随机选择的断层参数来模拟各种广义的断层，包括：

在地震数据中模拟断裂；

在断面处给定沿断层走向的最长直径和沿断层倾斜方向的最小直径，确定断层平面上的位移场，构造断层位移；

构造断层面扰动，扰动断层平面以获得真实的断层面；

从断层面外推位移场构建断层体积位移场，以估算围绕该断面附近的断层的上盘和下盘的倾向位移分量，进而生成断层。

进一步，所述模拟断裂包括：