断层几何属性的详细三维表征：基于深度学习的地震数据断层成像技术带来的新见解

《Journal of Structural Geology》：Detailed 3D characterization of Fault Geometric Attributes: Insights from Deep Learning-based Fault Imaging in Seismic Data

3D地震断层网络架构的深度学习自动提取方法及几何属性研究，利用训练于合成地震数据的三维卷积神经网络，首次在挪威巴伦支海波赫姆次级平台贾森断层复合体实现无人工解释的三维断层网络自动生成与高精度几何属性（长度、宽度、位移）提取，验证显示断层段长度最大值出现在上端，宽度与断层交切关系显著，该方法有效提升复杂断层的三维成像精度和解释客观性。

　　本研究由Abhisek Basa、Behzad Alaei和Anita Torabi三位科学家共同完成，他们来自挪威奥斯陆大学的地球科学系。研究聚焦于如何利用深度学习技术对三维地震数据中的断层网络进行自动化识别和详细刻画，从而更精确地提取断层几何属性。传统的地震解释方法通常依赖于人工追踪断层在多个相邻垂直剖面上的不连续性，这种方法不仅耗时，而且容易受到主观偏见的影响，导致断层几何属性的不确定性，例如断层长度、宽度和位移等关键参数难以可靠量化。而本研究提出了一种数据驱动的方法，通过训练深度学习模型，对断层网络进行高精度的三维可视化，并从中提取断层几何属性，从而提供一种更稳健的替代方案。

断层是地质构造中的重要组成部分，它们不仅影响岩石的变形和应力分布，还在油气勘探、地质灾害评估、地热能开发等众多领域具有重要意义。因此，对断层几何特征的准确理解对于提升对断层力学理论的认知至关重要。传统的断层解释方法通常依赖于人工判断和经验，这在复杂地质环境中可能会导致解释偏差和不确定性。而近年来，深度学习技术在断层识别和建模方面的应用逐渐兴起，显示出其在处理大规模、高分辨率三维地震数据方面的潜力。特别是当数据包含噪声时，深度学习方法相比传统方法更能有效提取断层几何属性。

本研究中使用的数据集是一套来自挪威巴伦支海西南部Polhem次平台东侧的三维地震数据，具体为Jason断层复合体。该数据集采用了先进的TopSeis采集技术，具有非常高的垂直和水平分辨率。数据集包含3685条测线，测线间距为8.33米，6561条测线，测线间距为6.25米，采样间隔为2毫秒。这种高分辨率的数据为深度学习模型的训练提供了坚实的基础，使得模型能够准确识别断层，并预测其几何属性。

为了实现这一目标，研究团队采用了一种基于深度神经网络（DNN）的方法，对合成地震数据进行训练，并将其应用于实际地震数据中。合成数据集是基于地质合理的三维地震数据构建的，具有已知的构造信息。这种训练方法确保了模型能够识别真实断层，并排除误判。研究团队还特别强调了模型的可靠性，通过人工验证的方式确保预测结果与真实的地震反射不连续性相符，而不是误判。这种方法不仅减少了人为因素对结果的影响，还提高了断层几何属性的准确性和一致性。

研究结果显示，所有断层区域的断层段长度在上端呈现最大值，并随着向下延伸而逐渐减少。这一发现表明，断层的几何特征并非均匀分布，而是存在一定的空间变化。此外，研究团队还发现，断层段的宽度在东-西方向的垂直扫描剖面上变化较大，主要集中在10至20米之间。这些宽度值在断层段相互连接或与反向断层相互作用的区域会显著增加。这种空间变化的发现对于理解断层网络的结构特征和演化过程具有重要意义。

同时，研究团队还发现，断层段的位移和总断层宽度在断层的下端呈现更高的值。这一现象可能与断层段的生长机制和构造活动有关。通过对断层概率体积的详细分析，研究团队能够提取断层段的几何属性，并对其在不同空间尺度上的分布进行研究。这种高精度的三维可视化方法使得研究团队能够更全面地理解断层的几何特征，并评估其对周围地质结构的影响。

研究团队进一步指出，传统的断层解释方法在处理复杂断层网络时存在诸多限制。一方面，这些方法依赖于人工判断，容易受到主观偏见的影响；另一方面，它们在处理大规模、高分辨率数据时效率较低，且难以准确提取断层几何属性。相比之下，基于深度学习的方法能够自动识别断层，并生成断层概率体积，从而提供更可靠的数据支持。这种方法不仅提高了断层识别的效率，还减少了人为因素对结果的影响，使得断层几何属性的提取更加客观和准确。

此外，研究团队还强调了数据驱动方法在断层建模中的重要性。传统的断层解释方法通常需要大量的地质知识和经验，而数据驱动方法则通过模型的训练和应用，能够从数据中学习到断层的几何特征和分布规律。这种方法特别适用于复杂地质环境，例如断层网络高度发育的区域，其中传统的解释方法可能难以提供足够的信息支持。通过深度学习方法，研究团队能够提取断层几何属性，并对其在不同深度和空间尺度上的分布进行研究，从而提供更全面的断层网络分析。

研究团队还指出，深度学习方法在断层建模中的应用具有广泛的前景。一方面，它可以有效处理大规模、高分辨率的三维地震数据，提高断层识别的效率和准确性；另一方面，它能够自动提取断层几何属性，并生成详细的断层概率体积，从而提供更可靠的数据支持。这种数据驱动的方法不仅适用于断层网络的识别，还可以用于其他地质构造特征的分析，例如岩性分布、构造演化等。

综上所述，本研究通过引入深度学习技术，对三维地震数据中的断层网络进行了自动化识别和详细刻画，从而更精确地提取断层几何属性。这种方法不仅减少了人为因素对结果的影响，还提高了断层识别的效率和准确性。研究团队通过详细的分析，揭示了断层段在不同空间尺度上的几何特征，并评估了断层网络的演化过程。这些发现对于提升对断层力学理论的认知和预测断层生长过程具有重要意义。同时，本研究也展示了深度学习技术在地质建模中的广泛应用前景，为未来的地质研究和工程应用提供了新的思路和技术支持。