[发明专利]一种基于多模态U-Net的断层识别方法

说明书

本发明公开一种基于多模态U‑Net的断层识别方法，应用于断层识别领域，针对现有技术的研究基本上都是单一输入，而单一属性通常存在多解性问题，对于刻画异常体的边缘细节难以保证准确性；本发明通过提取断层原始振幅数据的相干体属性和蚂蚁体属性，将包括原始地震数据在内的三种属性作为输入数据，构建多输入的U‑Net卷积神经网络，在网络中使用密集连接来进行三种属性的特征融合，最后实现断层识别；本发明通过实验分析证明了多模态融合和U‑Net网络识别断层技术二者的结合很好的实现了断层的分割。

技术领域

本发明属于地震数据处理领域，特别涉及一种断层识别技术。

背景技术

在地质勘探研究中，断层解释是地震资料解释的核心，它直接影响到油气田勘探开采的准确性。断层本身形态复杂，分布无规律，采用传统人工标注的方法会耗费大量的人力物力。因此，业界学术界将目光逐渐转向对断层进行智能解释。基于深度学习的计算机视觉方法可以挖掘数据中的高维信息，且能完成目标特征的自动提取，是目前的科学研究热点。将地震数据看作图像，可以利用深度学习的方法去解决断层识别问题。

目前对断层的识别和解释多是基于单一属性进行的，虽然存在多模态融合的方法，但都是利用算法进行多模态融合，依赖于人工并且需要花费大量时间，难以满足当前勘探开发需求。另一方面，随着人工智能技术的发展，基于卷积神经网络进行断层识别研究逐渐成为研究热点，但目前的研究基本上都是单一输入，而单一属性通常存在多解性问题，对于刻画异常体的边缘细节难以保证准确性。

相关技术的研究情况如下：

1U-Net模型

图像分割把图像按照区域差异性分割为多个互不重叠的子区域。它在宏观层面上可以理解为把图像分割为多个区域并赋予每个分割区域以内容，在微观层面上可以理解为对图像中每一个像素点进行分类，并确定每个点的类别，从而进行区域划分。整个分割要求是像素级别的精确分割。U-Net卷积神经网络是用于图像分割的经典网络，网络模型如图1所示。

U-Net网络是一种具有独特的对称结构的语义分割模型。分为左右两个部分，左半部分是编码即下采样部分，重复使用2个卷积层和一个最大池化层的结构进行特征提取；右半部分是解码即上采样部分，在这个过程中，U-Net通过4个跳层连接构建了多条特征通道来实现高层特征图与底层特征图的拼接、结合，从而极大地提高了对图像像素级定位的精度，接着通过多次反卷积和卷积将特征图还原。

目前地震勘探领域有使用U-Net网络进行断层识别的，但是输入数据一般都是断层的原始数据。2019年，X.M.Wu提出以U-Net为基础的faultSeg3D神经网络模型，通过学习大量的理论数据样本实现了对实际工区断层分布的预测，并对比了多种断层识别方法，识别准确率达到了业界较高水平。但是该方法识别的断层细化程度不够高，仍存在改进的空间，没有考虑到地震属性与深度学习的结合以及地震属性对于断层识别的影响。

2地震属性融合方法

随着获取的地震属性越来越丰富，其中包含的信息也越来越多，一方面，由于地下结构的复杂以及目前技术的限制，基于单一属性的地震数据解释存在多解性和对地质构造刻画不准确的问题；另一方面，许多地震属性得到的信息有些会彼此联系甚至产生冗余的信息。为了解决以上问题，地震属性融合技术应运而生，常用的地震属性融合方法有以下几种：

1)、基于RGB的地震属性融合方法