基于ResUNet和Dense CRF模型的地震裂缝识别方法
发布时间：2021-11-17
摘要：针对人工解释地震资料耗时长、效率低、受主观因素影响较大的不足，提出了一种基于ResUNet和全连接条件随机场(denseconditionalrandomfield,DenseCRF)模型的裂缝识别方法。该方法首先使用ResUNet模型提取地震振幅数据体中裂缝的不同分辨率的特征，实现地震裂缝识别;然后利用DenseCRF模型进一步优化识别结果，从而实现地震裂缝的精准识别。将该方法与传统UNet、ResUNet模型在合成地震振幅数据体和F3工区地震数据体进行了实验比较，结果表明运用所提方法识别的裂缝更准确、裂缝尺寸更细、连续性更好。
关键词：三维地震数据集;裂缝识别;深度学习;ResUNet神经网络模型;DenseCRF模型
在现代地质勘探中，裂缝识别是地震资料解释中的核心与基础。传统裂缝识别方法是地震解释人员根据自身经验及地质知识通过InLine与CrossLine对三维地震数据体逐线解释而完成的。这种方法极大地耗费了解释人员的时间与精力，并且受主观因素影响较大。后来，陆续涌现出了纵波各向异性、叠前远近偏移距属性、叠后融合属性、相对波阻抗反演、递推反演等常规地震裂缝识别方法[1-10]，极大地提升了地震解释的效率和准确性。随着油气资源需求的快速增长和勘探开发的不断深入，勘探目标越来越复杂，主要集中在隐蔽油气藏、非常规油气藏等，并且地震裂缝识别的难度也大大增加。信息技术已经成为油气资源勘探开发的关键支撑技术之一，特别是以机器学习为代表的人工智能新技术的发展为油气资源领域的识别、预测、解释等难题带来了新的解决途径。
随着计算机图像处理技术的发展，应用深度神经网络在实现图像识别方面取得了巨大成就。图像识别可看作像素层面上的二分类问题，因此可以采用深度学习方法解决地震裂缝识别问题。相关研究人员在油气储层表征方面已经尝试过多种深度学习方法，并取得了较好的效果。文献[11]提出了一种自动提取裂缝表面的方法，其中关键步骤是计算裂缝可能性。首先把基于卷积神经网络(convolutionalneuralnetworks,CNN)的裂缝识别方法当作产生裂缝似然量的替代方法，然后根据裂缝可能性计算裂缝倾角和断层走向。文献[12]将CNN及传统的深度学习模型与各种地震属性相结合以识别三维地震体中的地震裂缝。文献[13]使用骨架化地震相干自动提取的裂缝作为标签来训练CNN模型，与常规地质方法相比，在识别裂缝时能够获得清晰度更高的结果。
本文提出了一种ResUNet和全连接条件随机场(denseconditionalrandomfield,DenseCRF)相结合的模型用于裂缝识别的方法，包括训练数据集的准备、模型训练、识别与分割、优化后处理等步骤。该方法以数据驱动的方式高效地学习裂缝特征，进而实现更精确的裂缝识别。
1本文模型结构
本文提出了ResUNet和DenseCRF模型相结合的裂缝识别方法，其流程如图1所示。首先制作地震振幅数据体作为训练集，将训练集经过归一化、灰度化等预处理后训练ResUNet模型。然后用训练好的模型对真实工区地震数据进行裂缝识别，从而得到裂缝概率图。最后，利用DenseCRF模型进一步优化ResUNet模型的输出，得到清晰而准确的裂缝识别结果。
1.1ResUNet模型
因为地震振幅数据体是三维的，所以裂缝等构造使地震图像具有丰富的上下文环境。使用二维的卷积、池化、上采样操作会丢失大部分的空间信息和上下文信息，故本文使用图2所示的神经网络模型对地震裂缝进行识别。网络模型包括收缩路径(左侧)和扩展路径(右侧)。在左侧收缩路径中，每一个步骤都包含一个卷积残差块和一个恒等残差块，然后是2×2×2的最大池化操作。ConvBlock是卷积残差块，如图3所示。Shortcut路径中的卷积层能将输入x调整为不同的尺寸，而且此卷积层不使用任何非线性激活函数;主路径上包括3个卷积层，每个卷积层都有批量标准化(batchnormalization,BN)[14]来提高训练速度，使用线性整流函数(rectifiedlinearunit,ReLU)[15]作为激活函数。IdentityBlock是恒等残差块，如图4所示，它是残差模块中使用的标准块，与ConvBlock不同的是在shortcut路径中没有卷积层。在右侧扩展路径中，每一步都包含2×2×2的上采样操作、左侧收缩路径的特征合并、1个卷积残差块和1个恒等残差块。
在每次上采样之后，本文不会像传统UNet模型[16]的扩展路径那样使用2×2×2的向上卷积层，而是使用文献[17]定义的UpSampling3D函数来实现上采样操作。随后具有Sigmoid激活函数[18]的1×1×1卷积层将每个特征向量映射到最终裂缝概率体中的概率值上，其中裂缝概率体与输入地震数据体的尺寸相同。
1.2DenseCRF模型
将地震裂缝的识别结果输入到DenseCRF模型[19]中进行优化，以进一步提高裂缝识别的准确率。其中每一个像素点对应于DenseCRF模型的一个节点，同时任何一对节点通过一组成对边互相连接，如图5所示。
2实验与分析
2.1实验数据
为了得到样本数据的标签，实验数据集需要采用文献[20]中提到的方法进行人工合成，数据体的尺寸大小为128×128×128。合成过程如图6所示，本文不作详述。图6(d)是对应的二值裂缝标签数据，图6(f)是最终得到的地震振幅数据。取其中200对数据作为模型训练数据集，20对数据作为模型验证数据集，而且验证数据集中的数据均没有用于模型训练。
相关知识推荐：地震裂缝相关论文发表期刊
模型的实际验证使用了F3工区三维地震振幅数据体，尺寸大小为951×462×651，切片可视化的数据体如图7所示。
2.2模型训练
实验采用AMDA10-7300RadeonR61.90GHz,10ComputeCore4C+6G和16GB显存的NVIDIATeslaP100PCI-EGPU来训练网络模型，编程语言是Python，深度学习框架是Keras。
对于输入的三维地震振幅数据体x中的任何像素，相应的神经网络模型输出是该像素被判定为裂缝的后验概率。为了提高训练准确度，在模型的最后添加一个softmax[21]层来计算预测损失。
在训练模型过程中因为模型参数过多且训练集中的样本过少，所以当迭代次数增加时，训练出来的模型很容易发生过拟合，于是本文引用Dropout方法[22]有效缓解过拟合的发生，在一定程度上达到正则化的效果。本文在dropout的参数设置中，把dropout_ratio设置为0.5，即每个神经元有50%的概率不起作用。
用200对人工合成地震数据体和相对应的裂缝标签数据对模型进行训练。考虑到不同的真实地震图像的振幅值可能有很大差异，需要对所有训练集中的地震数据进行归一化处理，将振幅值减去其平均值再除以其标准差。数据体的尺寸是128×128×128，选择这个相对较小的尺寸是因为GPU的显存只有16GB。如果GPU显存足够大就可以考虑使用更大尺寸的数据体。另外，同样是由于GPU显存限制，需要采用分批的方式将三维数据体输入到神经网络模型中，每批只包含5对数据体。使用Adam方法[23]优化模型参数并将学习率设置为0.001，迭代次数设置为100。
2.3模型评价指标
为验证本文提出的网络模型的有效性，将模型输出图和裂缝标签图分别二值化，使得裂缝所在的像素点为1，非裂缝所在的像素点为0。本文采用精确度(precision)[24]、召回率(recall)[24]和准确度(accuracy)[25]这3个指标对传统Unet模型、ResUNet模型和本文模型进行客观评价。
使用神经网络模型进行裂缝识别实质上就是对数据体内的像素点进行二分类，分别被定义为正类(裂缝)和负类(非裂缝)。于是，裂缝识别问题就可以细分为4种情况：真正类、假正类、假负类和真负类，如表1所示。
精确率是真正类TP的数量和真正类TP加假正类FP数量的比率，是针对模型预测结果而言的，表示预测为正类的样本中有多少是真正的正样本。召回率是真正类TP的数量和真正类TP加假负类FN数量的比率，是针对样本而言的，表示样本中的正类有多少被模型预测正确。在数学上，精确率θprecision和召回率θrecall可以根据上述4种情况(TP,FP,FN,TN)表示出来
2.4实验结果及分析
为验证本文方法的有效性，首先在合成数据集上使用20对验证数据对本文模型与传统UNet模型、ResUNet模型进行实验对比。图8∼11是原始标签数据及3种模型实验得到的裂缝识别结果。可以看出，传统UNet模型受噪声影响较大(见图9)，ResUNet模型的识别结果与标签数据基本一致(见图10)，而本文方法的识别结果与ResUNet模型相比，裂缝更细，识别精度得到进一步提高(见图11)。
为了进一步验证本文模型的有效性，在公开的F3工区三维地震振幅数据体(见图7)上将本文模型与传统UNet模型、ResUNet模型进行实验对比，得到的裂缝识别结果如图12∼14所示。
图12是传统UNet模型对裂缝的识别结果，可以看出该模型能识别实际地震数据中的裂缝，而且较为清晰。图13是ResUNet模型对裂缝的识别结果，与图12相比，噪声更少(黄色箭头指向区域)，裂缝尺寸更细(蓝色箭头指向区域)，裂缝也更连续(绿色箭头指向区域)，可以更好地突出该地震数据中的裂缝。图14是本文模型的识别结果，与图13结果相比，裂缝的连续性进一步增强，噪声特征进一步减弱，裂缝更加清晰，准确率得到了提高。因此，本文模型与另外两种模型相比极大地减少了对噪声的敏感程度，能够识别出较短或者微小的裂缝，对噪声的鲁棒性更好。
下面给出了定量分析的P-R数据(表2)、P-R曲线(图15)和准确率(表3)。
从表2和图15可以看出，本文模型的性能优于另外两个模型。从表3可以看出本文模型的识别准确率高于另外两个模型。
综上，本文提出的模型具有更强的泛化能力，且精确率和识别准确率更高。
3结语
为进一步提高地震裂缝识别的准确率和效率，本文提出了基于ResUNet和DenseCRF的地震裂缝识别方法。首先采用ResUNet模型对地震振幅数据体进行裂缝识别后得到裂缝概率分布图。之后连接DenseCRF模型，将目标图像中像素间的关系考虑在内，优化ResUNet模型的裂缝概率图，输出具有空间一致性的识别结果。最后将传统UNet模型、ResUNet模型和本文模型在合成地震振幅数据体和F3工区地震数据体上进行了实验比较。结果表明，本文模型基本消除了地震噪声对识别裂缝造成的影响，降低了对于地震数据预处理的要求，避免了传统地震裂缝识别模型存在的参数调整的问题，对于裂缝识别的准确度、清晰度更高，验证了本文模型的有效性，为深度学习技术在油气资源勘探等特定领域的应用进行了有益的探索。——论文作者：杜承泽，段友祥，孙歧峰
