一种基于属性引导的三维U-Net范式，用于地震数据体中断层与反射界面的联合预测

《Physics and Chemistry of the Earth, Parts A/B/C》：An attribute-guided 3D U-Net-based paradigm for joint fault and horizon prediction in seismic volume

　　

•同时预测断层与层位的完整框架 •使用DSMF和EPS滤波器清洗数据并增强地震不连续性 •使用FL、TFL和数学属性生成断层-层位掩膜 •预测概率断层-层位图，辅助地震分析中的不确定性分析 •所提工作流具有可扩展性，可适应其他复杂盆地使用 引言 在勘探与开发（E&P）行业，传统的地震解释方法具有主观性、劳动密集性和人为偏见，而复杂地质环境相关的海量数据使解释工作更加严格。断层和层位的精确解释对石油行业至关重要。断层提供关于流体流动的洞察，界定构造圈闭、密封完整性和储层隔挡，而层位解释与断层、井及物性数据的整合，则指导钻井、油田开发和决策活动。自20世纪80年代以来，针对层位追踪已开发出多种方法，以绕过地震解释中耗时的部分（Gogia等，2020）。1991年，Howard发明了一种基于振幅值的层位追踪过程，用于监测地震峰值、波谷和零穿越（Howard，1991）。然而，该方法适用于连续反射层，但在断层存在或反射层横向不连续的情况下无法有效执行。Dorn（1998）总结了早期层位追踪中使用的综合步骤，包括手动拾取、插值、自动拾取、切片和体素追踪。相对地质时间（RGT）过程涉及追踪或手动拾取地震层位（Stark，2004），受精度限制，且经常无法解析局部构造。此外，借助基于模型的方法（Admasu和Toennies，2004）和基于遗传算法的方法（Aurnhammer和T?nnies，2005），在跨断层自动层位追踪方面取得了显著进步。De Groot等（2016）指出，在近些年，自动或半自动的全局地震解释技术显著增强了地震解释步骤，并扩展了数据驱动的地质信息量。全局地震解释方法的开发用于解释完整数据体（Dirstein和Fallon Gary，2012；Stark等，2013），有助于阐明沉积历史、地层圈闭以及更快地构建地质模型（Gogia等，2020）。全局方法分为事件相关、人工智能（AI）和拉平，根据技术和算法在相关性、存储和用户交互方面有所不同（Gogia等，2020）。基于事件相关的方法设计基于传统的振幅和相似性追踪，并使用基于反演的方法进行了改进（Pauget等，2009）。基于事件相关的方法遵循搜索最可能相邻事件的策略，基于地震道的最小值、最大值和零穿越，生成三维网格来计算层位。然而，该过程容易受到环路跳过（loop skipping）的影响，在相关横向变化事件（如大型断层、不整合面等）时面临困难，需要专业人员干预来修复问题。进一步，拉平地震倾角场的方法用于层位检测（Lomask等，2006；Wu和Hale，2013）。然而，层位可能与拉平的倾角场不相符，导致错误的解释。为避免相位不一致的问题，研究人员在计算层位时考虑了地震道的局部坡度和多网格相关性（Wu和Fomel，2018）。然而，迭代层位提取和同时跟踪其横向连续性，可能无法正确跨断层和裂隙相关反射模式，导致峰值和波谷之间的跳跃造成不一致的相位跟踪。同样，地下断层是另一种重要的地质构造，通常使用地震图像识别。在地震剖面中，断层通常由横向反射不连续性表示。过去十年，研究人员部署了基于属性的方法进行地震数据中的断层识别，例如：相干性（Bahorich和Farmer，1995；Marfurt等，1999）、曲率（如Kazmi等，2012）、方差（Van Bemmel和Pepper，2000）、相似性（如Marfurt等，1998）、断层似然性（Hale，2012）、挠曲属性（Di和Gao，2017）。基于滤波器的方法，如断层增强滤波器（FEF）（Pereira和Antunes，2024）和边缘保持平滑器（EPS）（Al-Dossary等，2002）滤波器，被应用于地震数据以增强断层特征，使解释更加容易。最近，Wang等（2023）使用多尺度地震属性融合方法来描绘塔里木盆地超深层碳酸盐岩储层中受断层控制的岩溶导流系统的内部结构和连通性。然而，断层属性的计算涉及沿地震层位测量反射坡度和不连续性（如Hale，2013；Karimi等，2015）。这些测量对噪声或地层特征敏感（Bi等，2021），需要额外的处理，如最优面投票（Wu和Fomel，2018）、蚁群跟踪（Pedersen等，2003）以及专家解释干预来突出断层及相关特征。一些研究人员提出了基于数学变换的方法在地震数据中检测断层，例如霍夫变换（Jacquemin和Mallet，2005）、结合散射小波变换和卷积神经网络（Shen等，2022）、窗口化三维Radon变换（Boe，2012）、三维Curvelet变换（如Yu等，2013）。然而，这些基于变换的工具受噪声含量、断层倾角和理想化数据结构的假设影响，需要仔细调谐参数以获得地质上有意义的断层解释。为避免这些人工干预，已开发出多种数据驱动的方法并成功部署于地震数据，以自动和半自动方式检测层位和断层。研究人员使用基于机器学习（ML）的方法进行断层和层位描绘，例如：使用多分辨率神经网络进行层位追踪（如Peters等，2019）、自组织网络（Huang等，1990）；使用支持向量机（Di等，2017）、神经网络（Yasin等，2022）、比较性机器学习方法（多层感知机（MLP）、随机森林（RF）、极端梯度提升（XGBoost）和支持向量回归（SVR）（Yasin等，2024）进行断层预测。此外，为实现更高精度并通过保留顺序结构信息，研究人员转向部署基于深度学习的算法。例如，针对卷积神经网络（CNN）用于自动断层检测（如Xiong等，2018；Li等，2024；Zhou等，2024）和层位提取（如Tschannen等，2020；Zhao和Zhao，2025；Jung等，2025）的研究已作出诸多尝试。然而，针对从地震数据体中同时预测多类特征（断层网络和层位）的尝试非常有限（Guo等，2020；Bi等，2021；Yang等，2023）。然而，在地下构造评估的研究中存在一些明显的局限性。缺乏完全标注的场地尺度三维真值，导致依赖于合成数据和稀疏标注，这引发了关于域偏移和实用性的担忧。计算限制通常导致二维推理过程，可能损害真正的三维连续性，尤其是在复杂的断层-层位系统中。此外，混淆矩阵和分类别准确率等性能指标通常不完整，掩盖了可靠性和泛化能力。因此，需要一种稳健的数据驱动方法来改进评估并减少传统解释方法中的人为偏见。本研究的新颖之处在于开发了一种集成框架，用于在构造复杂的地质环境中同时预测断层和层位。据我们所知，这是首次报告的研究，在狄布拉格尔勘探区的复杂地质环境中证明了断层和层位的同时预测能力。为加快E&P行业在地震数据解释过程中针对地下地质特征提取的效率，我们提出了一种新的、可复现且稳健的工作流，通过协同应用滤波器、地震属性和三维U-Net（一类CNN）以自动方式同时提取断层概率网络和层位。在本研究中，我们首先使用倾角引导中值滤波器（DSMF）对深度偏移地震数据体进行处理，通过抑制噪声道提高数据质量，使其适合进行构造解释。随后，使用边缘保持平滑滤波器（EPS）增强数据中的构造不连续性，以便容易地识别断层。之后，将断层似然性（FL）和稀化断层似然性（TFL）属性应用于EPS滤波后的数据，以识别细微不连续性，生成高清晰度地震数据体用于快速断层平面映射。然后，使用数学属性从TFL属性地震数据体中生成断层掩膜数据体。除了断层掩膜生成外，我们还根据先验地质信息从DSMF滤波后的地震数据中解释了层位，并通过数学属性将这些手动解释的层位合并以构建层位数据体。随后，我们将断层掩膜数据体与层位数据体合并，生成包含地震数据体中断层网络和层位综合信息的断层-层位掩膜数据体。最后，选取一小块DSMF滤波后的地震子数据体作为输入，对应的断层-层位掩膜子数据体作为目标，训练三维U-Net模型，并使用整个地震数据体测试该模型，以预测整个地震数据体的断层网络和层位。为展示三维U-Net模型的预测性能效果，我们将传统解释的断层网络和层位与预测结果进行了叠加对比。各节摘要 方法 U-Net架构的概念由Ronneberger等（2015）提出，并用于医学图像分割。进一步，?i?ek等（2016）引入了用于医学数据分析的体数据图像分割，优化了图像的空间上下文保持。该网络遵循对称的U形设计，组织为两个主要路径，即编码器和解码器。编码器逐步压缩输入数据体，在每一层逐级提取特征。案例研究 狄布拉格尔勘探区位于印度东北部的上阿萨姆陆架。研究区域面积约631.35平方公里，包含内联102-734、外联101-847和z切片1500-4700米，内联间距为50.69米，外联间距为26.34米。数据集采购自新德里国家数据仓库，石油管理局。所选深度范围涉及多个层位，包括Namsang、Girujan、Tipam、Barail、Kopili。讨论 倾角引导中值滤波器（DSMF）、边缘保持平滑（EPS）滤波器以及断层似然性（FL）和稀化断层似然性（TFL）等断层属性的使用，在从地震数据中自动增强断层和计算断层掩膜数据体方面发挥着重要作用。DSMF通过沿倾角方向引导中值滤波有效地抑制噪声，增强了地震数据体中可解释的地下构造。随后，部署EPS滤波器。结论 我们已成功将基于三维CNN U-Net的算法应用于狄布拉格尔勘探区的三维地震数据，以同时预测断层网络和层位。在地震数据上应用DSMF、EPS滤波器以及FL和TFL属性，有利于稳健的噪声抑制，保持地质结构的边缘，并提供锐利、高分辨率的断层网络描绘，从而改进构造解释并减少断层定位的不确定性。这些属性提取。CRediT作者贡献声明 Bappa Mukherjee：写作—审阅与编辑、写作—初稿、可视化、验证、软件、方法、调查、形式分析、数据整理、概念构思。Soumitra Kar：写作—初稿、可视化、验证、软件、形式分析、概念构思。Kalachand Sain：可视化、验证、资源、数据整理。未引用参考文献 Aurnhammer和Tonnies，2005；Dirstein和Fallon，2012；Fomel，2002；Huo和Zhu，2016；Wu和Zhong，2012；Yang和Sun，2020。利益冲突 作者声明不存在利益冲突。数据和代码可用性 本文手稿中使用的数据是保密的。但是，工作算法和部分代码将在要求下提供。资金支持 本研究未获得公共、商业或非营利部门的任何特定机构的资助。利益冲突声明 ? 作者声明不存在任何可能影响本文所报告工作的已知经济利益或个人关系。致谢 作者感谢瓦迪亚喜马拉雅地质研究所所长、印度理工学院（印度矿业学校）丹巴德分校和印度科技研究委员会国家地球物理研究所海德拉巴分校，准许发表本工作。我们衷心感谢印度新德里国家石油管理局（NDR）和国家数据仓库。我们感谢主编苏宏波教授和匿名审稿人提出的建设性建议。 Bappa Mukherjee | Soumitra Kar | Kalachand Sain