基于深度学习的地震双图像协同识别算法研究及其在地球物理勘探中的应用

《Engineered Regeneration》：Dual seismic image collaborative recognition algorithm based on deep learning

本文提出了一种基于改进YOLOv8架构的双图像协同识别（DICR）模型，通过双流特征提取网络并行处理地震叠加速度谱与地震道集数据。该模型创新性地引入跨模态校正机制，利用速度-时域变换矩阵实现双向反馈，将能量团定位误差控制在5%以内，处理效率较人工解释提升约30倍，为复杂地质条件下的地震勘探提供了高精度、高效率的智能化解决方案。

　　

Highlight

这项研究通过深度学习技术实现了地震叠加速度谱与地震道集数据的协同分析，显著提升了油气勘探中地下构造识别的自动化水平。DICR模型采用创新的跨模态校正机制，在强噪声干扰下仍能保持4.7%（±1.3%）的能量团定位精度，为复杂地质环境下的储层预测提供了可靠技术支撑。

Theoretical analyses

速度谱方法作为提取速度参数的关键技术，其基本原理依赖于地震波在地下介质中的传播特性。通过不同速度值对道集内特定反射同相轴进行正常时差校正（NMO）并分析叠加效果，可确定最佳叠加速度。当采用正确的叠加速度时，反射波同相轴将呈现最佳叠加效果，并在速度谱上形成显著的能量团聚焦特征。

Image processing using DICR algorithm

图像识别技术凭借其高效的特征提取能力和多场景适应性，已成为计算机视觉领域的核心研究方向。本研究采用的改进型YOLOv8架构结合多任务优化的CSPDarknet-PANet骨干网络，通过几何形态分析模块解析地震反射事件的空间展布特征，同时利用置信度融合机制实现速度谱与道集特征的决策级集成。

Dataset construction

为评估模型在自动拾取速度谱和同相轴方面的能力，本研究采用中国三个典型构造区域（城市化沉积盆地、造山带和海岸俯冲带）的地震勘探数据。所有数据均通过428XL地震采集系统获取，采样间隔0.5ms，记录长度3s，最终构建包含728幅图像的数据集，涵盖强噪声干扰和波形畸变等复杂场景。

Conclusion

在实际应用中，钻探技术被广泛用于调查地下地质构造，为不同规模的工程项目提供关键地质数据。然而在广袤的沉积覆盖区（如平原）或无法实施钻探的海域，通常需要借助地震勘探进行地下构造调查。传统人工解释存在主观性差异，而DICR模型通过将领域知识融入深度学习框架，建立了具有物理可解释性的智能识别系统，其误差率严格控制在5%置信区间内，满足实际工程精度需求。