● 李甜 黄雪影 褚然
在油气勘探领域,地震勘探方法是不可或缺的技术,其中断层解释作为地震资料解释的一部分,对地质认识及地质解释起着至关重要的作用。断层作为地震勘探的重要目标在油气藏的形成、运移、保存及开发过程中具有极其重要的作用,通过识别断层,判断断层在地下的分布,可定位油气藏的分布及规模。因此,快速且准确地识别断层是油气勘探开发的重要研究方向。
基于传统方法的断层识别技术
最早的断层识别方法是通过人工追踪的方式获取三维地震数据垂直切片,并根据地震剖面上同相轴的不连续性特征来手动解释。这种方法依赖于解释人员手动标注,任务量繁琐,识别结果带有较强的人为主观因素。因此,相干算法应运而生。
相干算法也称为相干属性,属于地震属性之一。通常,地震属性描述了地震数据和地震特征之间的关系。相干属性在三维地震资料解释领域应用非常广泛,对三维地震数据中的不连续界线具有较高的敏感度,能够有效刻画断层。
1995年,Bahorich和Farmer两位在地震学和计算机科学领域有着显著贡献的学者提出第一代相干算法,计算地震道与其相邻道之间的相关性,逐道计算并归一化后得到相干体,由于该方法只处理三道数据,计算效率非常高。但是一代相干算法对地震资料质量要求较高并且对噪声敏感,噪声对计算结果影响较大。在第一代的基础上,第二代相干体改进为基于多道的相关性算法,通过建立协方差矩阵来计算各地震道间的相似性系数,抗噪能力很强并且稳定性也有所提升。第二代相干算法由于多条地震道同时计算,增加了计算时间,导致横向分辨率较低。1999年,地震学和地质勘探领域的多名学者提出第三代相干算法,该算法基于特征结构描述地震数据间的相干性,通过构建协方差矩阵计算特征值来检测地震数据中的不连续特征。因此,第三代相干算法不仅改善了二代相干算法中横向分辨率低的问题,还有效加强了识别能力,抗噪性能也优于前两代。
虽然相干技术更清晰地呈现出构造形态,但在遇到地震数据复杂的情况下,还是无法去除噪声的干扰。由此,属性增强技术相继出现。但不论增强技术如何改进,鉴于不同工区独特的地质结构和采集数据质量,断层识别结果依然受所选分析参数的影响,进而研究人员将目标转向智能化识别。
基于深度学习的断层识别技术
在计算机视觉领域,基于深度学习的图像目标检测技术得到了广泛应用,并且取得很好的检测效果。将地震数据转换为图片形式,引入深度学习的方法来学习断层特征,有效地利用网络模型不断提升学习效果,进一步优化识别精度。随着图像识别、图像分类精度提高,基于神经网络的方法能够自动进行特征学习,计算机视觉技术的提升给断层识别带来了新的启示。卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。通常被用来训练地震图像,并判断每个位置是否为断层点,实验结果表示该方法比相干体算法更能突出地震相干性。
在深度学习不断演变的过程中,U型网络(U-Net)在医学细胞图像分割上取得重大进展,越来越多的研究者将其应用到断层识别。断层图像中待识别类型较简单,结构固定,待识别的目标形态相似且有规律可循,但是断层边界模糊,这就需要较多的高分辨率信息,而传统卷积网络识别精度不足,U-Net能够很好地解决这一问题。
在后期研究中,为进一步提高断层识别效果,一些学者对CNN、U-Net进行变形,这两类改进网络在断层识别中使得识别准确度有很大提升。
(作者单位:中国地震局成都青藏高原地震研究所)