基于多任务学习与多尺度特征融合的智能三维断层检测方法

针对三维地震数据中断层形态多样性和尺度差异导致的检测精度不足问题，中国研究人员提出MTL-MSF-Fault3D方法，通过多任务学习（MTL）框架联合断层与边缘检测任务提升泛化性，结合双通道注意力门控（DCAG）的多尺度融合（MSF）模块保留断层细节。实验表明该方法在合成与实地数据中均实现高效精准检测，为油气勘探提供智能化解决方案。

　　

在地球物理勘探领域，断层如同地壳的"伤疤"，记录着亿万年的地质运动史。这些断裂带不仅是油气资源运移的"高速公路"，更是勘探人员解读地下迷宫的关键路标。然而，传统断层检测方法正面临三重困境：人工设计的相似度、相干性等地震属性易受噪声干扰；深度学习模型依赖合成数据训练，面对复杂实地数据时泛化能力骤降；而断层自身形态的多样性和尺度差异，更让传统U-Net等编码器-解码器结构在细节保留上力不从心。

针对这些挑战，中国的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果。他们开发的MTL-MSF-Fault3D方法，巧妙地将多任务学习与多尺度特征融合技术相结合。研究采用高分辨率网络（HRNet）作为主干，通过并行处理断层检测（主任务）和边缘检测（辅助任务）实现特征共享；设计的双通道注意力门控（DCAG）模块能动态筛选多尺度特征，尤其强化断层边缘信息的保留。实验数据包含Wu等合成的三维地震数据（含Inline/Crossline/Timeline三维网格）及多个实地数据集。

【Multitask learning】
研究构建的MTL框架通过任务间特征共享机制，使模型在合成数据训练后能适应复杂实地场景。边缘检测任务提供的精确定位信息，与主任务获取的全局语义形成互补，显著提升对小断层的识别灵敏度。

【Approach】
网络架构创新性引入MSF模块，通过空间/通道双重注意力机制实现特征动态加权。相比传统U-Net的串行下采样，HRNet的并行高分辨率特征传递有效缓解边缘信息退化问题。

【Data illustration】
在合成数据测试中，该方法对断层走向预测误差较FaultSeg3D降低23%；在克拉玛依油田实地数据中，对微小断层（位移<5m）的检出率提升17.8%，且计算耗时仅为传统方法的1/3。

【Conclusion】
该研究开创性地将MTL与MSF策略引入三维断层检测，突破合成数据与实地数据间的领域鸿沟。DCAG模块的特征选择机制减少37%冗余计算，使模型在保持轻量化的同时实现多尺度特征最优融合。这不仅为智能地震解释提供新范式，其任务协同框架更为其他医学影像分割等跨领域研究提供借鉴。正如研究者Guangyue Zhou强调，该方法在胜利油田实际应用中已帮助定位多个隐蔽油气藏，验证其在复杂地质条件下的工程实用价值。