基于多维核两阶段深度学习的高精度地震断层识别方法

《Journal of Applied Geophysics》：Multi-dimensional kernel two-stage deep-learning high-precision seismic fault recognition method

　　

基于F-K滤波的高精度断层标签分离方法，旨在降低断层标签的复杂性，并最终提升对应深度学习地震断层识别网络的泛化性能，以获得理想的高精度地震断层识别结果。

多维核两阶段深度学习高精度地震断层识别网络（MTFN），有效结合了二维核深度学习地震断层识别方法的高分辨率地震断层识别结果优势与三维核深度学习地震断层识别方法的高空间连续性地震断层识别结果优势，从而构建一种具有较高泛化性能的深度学习地震断层识别网络，用于高精度（高分辨率且高空间连续性）地震断层识别。

MTFN的Loss函数，旨在构建断层点加权的交叉熵和Dice Loss函数，以降低非断层点的干扰，从而获得高精度的地震断层识别结果。

引言

地震断层识别（Marfurt, 2006; Cohen et al., 2006）是地震勘探中的关键步骤。传统的地震断层识别方法涉及各种地震属性，如相干性（Bahorich and Farmer, 1995）、方差（Marfurt et al., 1998）、曲率（Gersztenkorn and Marfurt, 1999）等；然而，这些方法在处理复杂地震数据（Hale, 2013）时面临巨大挑战，尤其是当正倾角和负倾角断层相交时，导致地震断层识别结果精度低，空间连续性差且分辨率低。

近年来，深度学习已被广泛应用于地震断层识别（Di et al., 2018; Jing et al., 2023）。Wu等人（2019）对U-Net进行了优化，并充分利用了地震数据的三维空间关键特征；Cunha等人（2020）采用迁移学习进行地震断层识别；Liu等人（2020a）提出了可解释性引导的CNN用于地震断层分割；Feng等人（2021）采用dropout方法来增强网络对小断层的检测能力；Gao等人（2022）开发了嵌套残差U-Net用于地震断层识别；Li等人（2022）通过数据增强和集成学习详细比较了深度学习方法；Li等人（2023a）提出了一种不平衡分类的多尺度特征融合地震断层分割方法；Li等人（2023b）提出了一种基于轻量级动态可扩展网络的断层识别方法fault-seg-LNet；Ma等人（2023）采用复合损失函数的RCNN并提出了一种用于三维分割的新型架构；Kaur等人（2023）将U-Net和DeepLab v3整合到一个集成框架中以增强故障识别模型的泛化能力；Han等人（2023）在编码器中使用空洞卷积并在解码器中添加注意力机制以捕捉位置信息和语义信息；Wu等人（2023）提出了一种多任务深度学习方法，以断层检测作为主任务，以三维地震重建作为辅助任务；Dou等人（2024）使用半监督断层识别框架，增强了在有限合成数据集上训练的模型对更广泛真实地震数据的泛化能力。二维（2D）核深度学习地震断层识别方法关注断层在二维地震面（剖面或切片）上的变化特征（或趋势），而不考虑断层在三维空间（或地震数据）中的变化特征（或趋势），通常导致高分辨率但空间连续性低的高精度断层识别结果（Di et al., 2020）。三维核深度学习断层识别方法旨在充分考虑断层在三维空间（或地震数据）中的变化特征（或趋势），以获得高精度（高分辨率且高空间连续性）的断层识别结果，但在处理正倾角和负倾角断层相交的复杂地震数据（如X形和Y形断层）时仍面临巨大挑战，通常导致高空间连续性但分辨率低的低精度断层识别结果。

为了减少正倾角和负倾角地震断层相交的复杂地震数据的影响，从而实现理想的高精度（高分辨率且高空间连续性）地震断层识别结果，我们提出了一种多维（二维和三维）核两阶段深度学习高精度（高分辨率且高空间连续性）地震断层识别方法（MTFM）。MTFM由基于F-K滤波的高精度断层标签分离方法（FKFS）（Liang et al., 2022）、多维核两阶段深度学习高精度地震断层识别网络（MTFN）以及MTFN的Loss函数组成。FKFS旨在避免断层数据（或断层标签）中正倾角和负倾角断层的相互干扰，并最终为MTFN获得高精度的正倾角和负倾角断层标签。MTFN由阶段（或任务）I和阶段II组成，其中阶段I以输入的三维地震数据、从输入三维地震数据中提取的Inline和Crossline剖面地震数据作为输入，对应的高精度正倾角和负倾角断层标签作为标签，并使用多维（二维和三维）核分别输出正倾角和负倾角断层识别结果。阶段II以输入的三维地震数据作为输入，对应的高精度正倾角和负倾角断层标签作为标签，阶段I的输出作为对应的注意力系数，并使用三维核分别获得对应的高精度正倾角和负倾角断层识别结果。MTFN的Loss函数旨在构建断层点加权的交叉熵Loss函数和Dice函数，以降低非断层点的干扰。

本文的创新点可归纳如下：（1）FKFS，旨在降低断层标签的复杂性，并最终提升对应深度学习地震断层识别网络的泛化性能，以获得理想的高精度地震断层识别结果。（2）MTFN，有效结合了二维核深度学习地震断层识别方法的高分辨率地震断层识别结果优势与三维核深度学习地震断层识别方法的高空间连续性地震断层识别结果优势，从而构建一种具有较高泛化性能的深度学习地震断层识别网络，用于高精度（高分辨率且高空间连续性）地震断层识别。（3）MTFN的Loss函数，旨在构建断层点加权的交叉熵和Dice Loss函数，以降低非断层点的干扰，从而获得高精度的地震断层识别结果。

MTFM理论

MTFM由FKFS（Liang et al., 2022）、MTFN以及MTFN的Loss函数组成。图1展示了MTFM的流程图。

示例

此处，我们基于公开含噪合成三维地震数据集（https://github.com/xinwucwp/faultSeg）（Wu et al., 2019）以及三个不同数据量的真实三维地震数据集，通过与SSFN-2D-PN、SSFN-3D-PN、具有二维核的单阶段双任务U-Net地震断层识别网络（STFN-2D）、具有三维核的单阶段双任务U-Net地震断层识别网络（STFN-3D）以及FaultSSL（训练网络下载自//github.com/douyimin/FaultSSL）的比较，来展示MTFM的性能。

MTFM处理效率评估

此处，我们使用"示例"部分中"在公开合成三维地震数据集上的测试"小节所用的公开尺寸合成三维地震数据集，来评估MTFM的处理效率。表2展示了SSFN-2D-PN、SSFN-3D-PN、FaultSSL和MTFM的计算时间对比。需要注意的是，所有实验都在一台配有Intel Core i5-12600KF CPU（32GB内存）和NVIDIA GeForce RTX 4060 Ti GPU的台式计算机上进行。输入数据为二进制格式。

结论

为了实现理想的高精度（高分辨率且高空间连续性）地震断层识别结果，基于二维核深度学习地震断层识别方法的高分辨率地震断层识别结果优势和三维核深度学习地震断层识别方法的高空间连续性地震断层识别结果优势，我们提出了MTFM。MTFM由FKFS、MTFN以及MTFN的Loss函数组成。FKFS可以提取……

计算机代码可用性

联系人：[e-mail]

硬件要求：Intel专用显卡，显存16GB或更高；建议最低32GB系统内存以确保任务稳定运行。

编程语言：Python。

所需软件：PyCharm。

程序大小：源代码占用30KB。

源代码可通过以下链接下载：https://github.com/Liang-papercode/MTFMC

CRediT作者贡献声明

Chenxi Liang：软件、方法论、形式化分析、概念构思、初稿撰写。Gulan Zhang：验证、监督、方法论、概念构思、审阅与编辑。Jiachun You：调查、数据整理。Xiangwen Li：可视化、调查。Guangyuan Qin：验证、数据整理。Yiliang Luo：可视化、方法论、概念构思。

未引用参考文献

Dou et al., 2022; Duan et al., 2022; Duan et al., 2024

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

致谢

本工作得到国家自然科学基金（编号41874168）、四川科技计划（编号2024NSFSC0006）以及中国石油天然气集团公司青年科技专项（编号2024DQ03011）的支持。

Chenxi Liang|Gulan Zhang|Jiachun You|Xiangwen Li|Guangyuan Qin|Yiliang Luo