FaultUKAN:一种基于柯尔莫哥洛夫 - 阿诺德网络增强的 U-Net,用于地震断层检测

《Journal of Applied Geophysics》:FaultUKAN: A Kolmogorov–Arnold network-enhanced U-Net for seismic fault detection

【字体: 大 中 小 】 时间:2026年09月20日 来源:Journal of Applied Geophysics 2.6

编辑推荐:

   FaultUKAN 引入基于 KAN 的细化模块用于地震断层检测。注意力门在解码器融合前过滤跳跃特征。合成数据和野外数据结果表明断层分割效果有所提升。 引言 地震断层检测是地下构造解释中的一项基础任务,在构造分析、储层表征、油气运移评估和钻井风险评价等方面发挥着至关重要的

  

FaultUKAN 引入基于 KAN 的细化模块用于地震断层检测。注意力门在解码器融合前过滤跳跃特征。合成数据和野外数据结果表明断层分割效果有所提升。

引言

地震断层检测是地下构造解释中的一项基础任务,在构造分析、储层表征、油气运移评估和钻井风险评价等方面发挥着至关重要的作用(Monteiro 等,2024)。然而,从地震图像中进行断层解释仍然充满挑战,因为断层响应往往微弱、不连续且非平稳,并且可能进一步被噪声、地层复杂性、有限分辨率和振幅变化所掩盖(Verma 等,2022;An 等,2023)。这些因素使得薄断层、微弱的不连续性以及相交的断层系统特别难以识别。此外,对大规模三维地震资料的人工解释耗时且存在解释者依赖的不确定性。因此,准确、稳健且高效的自动断层检测对于现代地震解释仍然具有重要意义。

自动断层检测已从地震不连续属性和手工特征逐步发展为数据驱动的深度学习方法。CNN 和 U 形编码器–解码器架构通过直接从地震振幅中学习层次化表示,显著提升了断层分割效果(Xiong 等,2018;An 等,2021;Pochet 等,2018;Wu 等,2019;Cunha 等,2020)。随后的发展涉及残差和嵌套架构、注意力机制、迁移学习、半监督学习、基于图的建模以及 Transformer 架构,进一步改进了特征提取、标签效率和结构表示能力(Gao 等,2021;Lu 等,2022;Wu 等,2024;Lin 等,2022;Wang 等,2021;Dou 等,2024;Palo 等,2023;Wang 等,2025)。然而,准确表示微弱、不连续且结构复杂的断层响应仍然具有挑战性。

卷积层为提取局部地震纹理提供了有效的空间归纳偏置,但其非线性变换通常依赖于预定义的激活函数。这种固定的非线性响应在断层相关激活随断层走向、断距、反射强度、地震分辨率和周围地震干扰大幅变化时可能缺乏灵活性。此外,重复的卷积、下采样和特征聚合可能会削弱与薄而微弱或不连续性相交相关的高频成分(An 等,2023;Wu 等,2019;Wei 等,2022)。当在合成数据上训练的模型应用于野外地震数据集时,这些局限性变得尤为重要,因为频率内容、噪声特性、振幅变化和地质复杂性的差异可能导致显著的分布差异(Farady 等,2025;Zhao 和 Mukhopadhyay,2018;Wu 等,2019)。尽管注意力机制和 Transformer 改善了特征选择和长程依赖建模,但它们主要通过特征加权或关系建模来运作,并不直接修改应用于单个特征表示的非线性变换函数。因此,改善非线性特征变换仍然是地震断层检测的一个互补方向。

Kolmogorov–Arnold 网络(KAN)提供了一种解决该问题的潜在机制。与在节点上应用预定义非线性激活函数的传统神经网络不同,KAN 在网络边上分配可学习的一元函数,使非线性映射能够根据输入特征分布自适应调整(Somvanshi 等,2025;Liu 等,2025)。近期的研究已经展示了基于 KAN 的映射在不同科学和工程应用中自适应特征表示和函数逼近的潜力(Li 等,2025;Zheng 等,2025;Cheng 等,2025)。这种灵活性对于地震断层检测尤其相关,因为微弱断层响应和强烈的结构不连续性可能表现出显著不同的特征特性。然而,直接为高分辨率地震图像构建纯 KAN 分割网络可能引入相当大的计算成本,并且可能无法保留卷积架构提供的层次化空间归纳偏置。

为了平衡空间特征提取、非线性表示灵活性和计算效率,我们提出了 FaultUKAN,一种混合 KAN 增强的 U-Net,用于地震断层检测。FaultUKAN 保留了 U-Net 的多尺度编码器–解码器结构,同时选择性地将其基于 KAN 的特征细化模块引入瓶颈和解码路径。此外,采用注意力门控跳跃连接在解码器融合之前抑制与断层无关的编码器响应。通过这种方式,卷积操作提供层次化空间特征提取,基于 KAN 的变换执行自适应非线性细化,注意力门提供选择性特征过滤。

本研究的主要贡献总结如下:
1. 我们提出了 FaultUKAN,一种用于地震断层检测的 KAN 增强 U-Net。该模型在瓶颈和解码路径中引入基于 B 样条的 KAN 细化模块,以改善断层相关地震响应的非线性表示。
2. 我们设计了一种选择性 KAN 集成策略,并进行了受控的架构对比实验,以评估基于 KAN 的非线性变换的贡献。通过替换 KAN 变换同时保留其余架构,构建了一个参数匹配的纯 MLP 变体,并将 Attention U-Net 作为额外的基于注意力的基线。
3. 我们在 FaultSeg3D 合成数据集上评估了 FaultUKAN,并进一步将其应用于 F3 和 Kerry3D 野外地震数据集。通过定量比较、消融实验和野外数据定性评估,评价了分割精度、结构连续性、计算效率和野外数据适用性。

本文其余部分组织如下:第 2 节介绍相关工作。第 3 节介绍问题建模、KAN 层、提出的 FaultUKAN 架构以及训练目标。第 4 节描述数据集、数据准备流程、实现细节和评估指标。第 5 节呈现定量比较、消融研究、定性分析和野外数据应用。第 6 节讨论主要发现和局限性。最后,第 7 节总结本文。

片段

相关工作

早期的自动断层检测方法主要依赖地震不连续属性和手工特征,包括相干性(Duan 等,2018;Gersztenkorn 和 Marfurt,1999;Bahorich 和 Farmer,1995)、相似性(Marfurt 等,1998)、方差(Duan 等,2018)、曲率(Yang 等,2015)、倾角引导属性(Li 等,2018)以及其他统计量(Lu 等,2014;Messuti 等,2025)。尽管这些方法仍然有助于增强结构……

问题建模

地震断层检测被建模为逐像素的二值分割问题。给定二维地震剖面 X ∈ R^{1×H×W},目标是学习一个映射函数 f_θ(?),以预测断层概率图:
P = f_θ(X), P ∈ [0,1]^{H×W},
其中 θ 表示网络的可学习参数,P 中的每个元素 p_i 表示对应像素属于断层的概率。
真实标签记为 Y ∈ {0,1}^{H×W},其中 y_i = 1 表示断层像素,y_i = 0 表示非……

数据集

本研究使用了三个地震数据集。FaultSeg3D 用于监督训练和验证,F3 和 Kerry3D 用于野外数据推理和定性评估。训练过程中未使用任何野外地震切片。

FaultSeg3D:FaultSeg3D 是一个为地震断层分割研究而生成的合成数据集(Wu 等,2019)。它包含 220 个三维地震体积,每个体积的尺寸为……

合成数据上的定量比较

我们首先在 FaultSeg3D 合成验证数据集上评估 FaultUKAN,该数据集提供了密集的二值断层标签。使用四个具有代表性的分割模型进行比较:U-Net(Yang 等,2021)、Attention U-Net(Oktay 等,2018)、Fault-Seg-Net(Li 等,2023;Li 等,2024)和 TransUNet(Wang 等,2023;Zhao 和 Zhao,2025)。U-Net 作为传统的卷积编码器–解码器基线。Attention U-Net 在跳跃连接中引入了加性注意力门……

讨论

受控实验阐明了各主要架构组件的不同作用。注意力门控跳跃连接通过抑制与断层无关的编码器响应来改善空间特征选择,而 KAN 模块通过可学习的样条映射修改非线性通道表示。因此,它们的功能是互补而非冗余的。

纯 MLP 比较对于解释 KAN 的贡献尤为重要……

结论

在本研究中,我们提出了 FaultUKAN,一种用于二维地震断层检测的 KAN 增强 U 形网络。该模型在瓶颈和解码路径中嵌入基于 KAN 的特征细化模块,并使用注意力门控跳跃连接进行跳跃特征过滤。这一设计将卷积空间特征提取、基于 KAN 的非线性细化和基于注意力的特征选择整合到统一的断层分割框架中。

在 FaultSeg3D 合成验证……

CRediT 作者贡献声明

张文燕:初稿撰写、软件、方法论、形式分析、数据整理、概念设计。邹坚:审阅与编辑、指导、方法论、形式分析、概念设计。乔丹:审阅与编辑、指导、调查研究、数据整理。陈钟:验证、指导、资金获取。张涛:验证、指导、资金获取、概念设计。曹小玲:验证、形式分析、数据整理。

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,这些关系可能会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(项目编号 62273060 和 62373066)的支持。

张文燕 | 邹坚 | 乔丹 | 陈钟 | 张涛 | 曹小玲
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号