CN114299330A - 一种地震相分类方法 - Google Patents

Abstract

本发明属于地震勘探技术领域，具体涉及一种地震相分类方法。先获取待分类的地震振幅图像，并输入至地震相分类模型中得到地震振幅图像中每一像素点所属的地震相种类；得到地震相分类模型的过程包括：构建机器学习基准模型和训练样本集，训练样本集包括多个地震振幅图像和各像素点相对应的先验标签，先验标签根据像素点与垂直距离最近的某一地震相种类的像素点之间相隔的距离来确定；对机器学习基准模型进行训练得到第一标签精炼模型，进而得到地震相分类模型。本发明将空间先验信息融入地震相标签之中，解决了使用热独编码标签造成的过于稀疏、且无法提取地震数据中的空间先验信息的问题，提高了地震相分类精度。

Description

一种地震相分类方法

技术领域

本发明属于地震勘探技术领域，具体涉及一种地震相分类方法。

背景技术

地震相是指一定分布范围内的地震反射单元，该单元内的地震特征参数(如反射结构、几何外形、振幅、频率、连续性等)与相邻的单元不同，它代表了产生其反射的沉积物的岩性组合、层理和沉积特征。对地震相进行分类就是为了进行区域地层解释，确定沉积体系、岩相特征和解释沉积发育史，最后将地震相转换到沉积相，以此作为研究石油地质生、储、盖组合及其分布规律的依据，从而预测出有利生油区和储集相带。

早期的地震相分析通常需要解释人员根据专业知识与地区经验，以人的视觉为基础，通过地震波运动学几何特征参数常进行地震相识别；或是根据客观的地震属性，按一定的程序对地震相单元进行识别和作图。这些传统的地震相识别方法通常需要大量的人工工作，并且结果不可避免地受到一些主观因素的影响。因此,有必要研究一种快速且有效的地震相分类方法,以减少地震解释人员的人工操作。

近年来，深度学习技术在计算机视觉等领域中取得了重大进展。基于地震解释与计算机视觉间的相似性，以及所获取的地震资料的日益丰富，许多学者通过能够自动提取有用特征的监督学习方法，包括人工神经网络模型、循环神经网络模型、贝叶斯SegNet模型等，将海量地震数据输入模型进行训练，从而实现地震相的智能分类预测。但是，在应用监督学习方法对地震相进行智能识别时，主要是对监督学习模型进行研究与改进。

而且，在处理地震相分类这种多分类任务时，大多数是利用热独编码，将热独编码作为标签进行地震相分类。热独编码是一个与对应地震振幅图像大小相同的矩阵，每个点的数字代表了该点对应的地震相种类。热独编码的制作方法为：对于地震相标签上的点n，其对应的热独编码Y_n是一个由0/1组成、且大小为1×C的向量，即Y_n＝[y_1,n，……，y_c,n，……，y_C,n]，其中，C为地震相总种类数，若某点实际地震相为c，则对应y_c,n的值为1，其余值为0。则各类地震相与对应的热独编码如表1所示。但是，地震相的分布遵循沉积规律，在深度上具有一定的空间分布特征，而热独编码缺乏获取空间先验信息的能力，且由于热独编码的稀疏性和人工标签中的噪声，极易造成深度学习模型的过拟合和过度“自信”，从而造成地震相分类精度较低。

表1

发明内容

本发明的目的在于提供一种地震相分类方法，用以解决现有技术中使用热独编码对地震相进行分类造成的分类精度较低的问题。

为解决上述技术问题，本发明所提供的技术方案以及技术方案对应的有益效果如下：

本发明提供了一种地震相分类方法，包括如下步骤：

获取待分类的地震振幅图像，并输入至地震相分类模型中，得到所述待分类的地震振幅图像中每一个像素点所属的地震相种类；其中，得到所述地震相分类模型的过程包括：

1)构建机器学习基准模型和机器学习基准模型的训练样本集，所述机器学习基准模型的训练样本集包括多个地震振幅图像和与各个地震振幅图像上各像素点相对应的先验标签，所述先验标签通过像素点属于各种地震相的可能性来表示，且根据像素点与垂直距离最近的某一地震相种类的像素点之间相隔的距离确定该像素点属于该种地震相的可能性；

2)利用训练样本集对构建的机器学习基准模型进行训练，训练完成后得到第一标签精炼模型；

3)根据第一标签精炼模型得到地震相分类模型。

上述技术方案的有益效果为：本发明不再使用传统的热独编码作为地震相分类模型中的地震相分类标签，而是使用先验标签，该先验标签通过地震振幅图像上像素点属于各种地震相的可能性来表示，且根据像素点与垂直距离最近的某一地震相种类的像素点之间相隔的距离来确定该像素点属于该种地震相的可能性，考虑到了地震相在空间分布上的成层性特点，将空间先验信息融入地震相标签之中，利用该标签对构建的机器学习基准模型进行训练，得到的地震相分类模型解决了现有技术中利用机器学习方法进行地震相识别所使用的热独编码标签过于稀疏、且无法提取地震数据中的空间先验信息的问题，提高了地震相分类精度。

进一步地，通过高斯函数来实现根据像素点与垂直距离最近的某一地震相种类的像素点之间相隔的距离确定该像素点属于该种地震相的可能性，则第k幅地震振幅图像X_k上像素点n被视为属于第c类地震相的可能性w_k,n,c为：

式中，l_c为地震振幅图像X_k上像素点n与垂直距离最近的地震相种类为c的像素点之间相隔的距离，若像素点n的种类为c，则距离l_c＝0，c＝1,2,……,C，C为地震相种类总类数；a、σ、b均为设置的常数。

上述技术方案的有益效果为：基于高斯函数来表征如何通过距离来定义可能性，方法简单容易实现。

进一步地，步骤3)中根据第一标签精炼模型得到地震相分类模型的过程包括：3.1)将各个地震振幅图像分别输入至第一标签精炼模型中，将得到的分类结果作为精炼标签；3.2)将各个地震振幅图像、以及与各个地震振幅图像上各像素点相对应的精炼标签作为新的训练样本集重新对构建的机器学习基准模型进行训练，训练完成后得到调整标签精炼模型；3.3)判断是否满足迭代终止条件，若不满足，则将各个地震振幅图像分别输入至调整标签精炼模型中，将得到的分类结果作为新的精炼标签，并将各个地震振幅图像、以及与各个地震振幅图像上各像素点相对应的新的精炼标签作为新的训练样本集对调整标签精炼模型重新进行训练，训练完成后得到新的调整标签精炼模型，重新执行步骤3.3)进行迭代计算，直至满足迭代终止条件，将最终得到的调整标签精炼模型作为地震相分类模型。

上述技术方案的有益效果为：在将空间先验信息融入地震相标签的基础上，通过迭代训练机器学习模型来生成更加平滑、更具有信息性的精炼标签，从而缓解了模型的过拟合问题，提高了地震相预测准确率。

进一步地，所述调整标签精炼模型所使用的损失函数为：

式中，

为调整标签精炼模型所使用的损失函数；M_t为第t标签精炼模型；M_t-1为第t-1标签精炼模型；X_k为第k幅地震振幅图像。

进一步地，所述第一标签精炼模型所使用的损失函数为：

式中，

为第一标签精炼模型所使用的损失函数，由交叉熵函数L_CE和Dice函数L_CE组成；N为地震振幅图像X_k中像素点的总个数；W_k,n为地震振幅图像X_k上像素点n的先验标签；M₁为第一标签精炼模型；ε为平滑算子；e为Dice函数的权重。

进一步地，常数a的取值范围为0.8≤a≤1，常数σ的取值为σ＝2，常数b的取值范围为-10≤b≤10。

进一步地，所述机器学习基准模型为深度学习模型。

进一步地，所述迭代终止条件为：调整标签精炼模型的模型精度达到精度要求，或者迭代次数达到迭代次数要求。

附图说明

图1是本发明的地震相分类方法中所使用的地震相分类模型的训练过程流程图；

图2是本发明的标签精炼的流程图；

图3-1是本发明方法实施例中训练所用地震振幅数据图；

图3-2是与图3-1相对应的标记好地震相标签的示意图；

图4是本发明的三次标签精炼过程中预测准确率随训练轮次变化的曲线图；

图5是本发明方法实施例中280号剖面地震振幅图；

图6是本发明方法实施例中280号剖面真实地震相图；

图7是本发明方法实施例中第一次标签精炼后使用深度学习模型对280号剖面的地震相预测结果图；

图8是本发明方法实施例中第二次标签精炼后使用深度学习模型对280号剖面的地震相预测结果图；

图9是本发明方法实施例中第三次标签精炼后使用深度学习模型对280号剖面的地震相预测结果图。

具体实施方式

本发明将地震振幅图像输入至构建的地震相分类模型中，便可得到地震振幅图像中每个像素点所属地震相种类的分类结果。具体操作时，首先，在对地震相分类模型进行训练时，所使用的训练数据中的标签不再是热独编码，而是融入空间先验信息的先验标签，该先验标签表示某一像素点被视为属于每类地震相的可能性。其次，通过迭代训练地震相分类模型生成更加平滑、更具有信息性的精炼标签。经过这些处理，可以缓解地震相分类模型的过拟合问题，提高了模型预测地震相的准确率。

下面结合附图和实施例，对本发明的一种地震相分类方法进行详细说明。

方法实施例：

本发明的一种地震相分类方法实施例，其过程如下：

步骤一，构建深度学习模型和深度学习模型的训练样本集，利用训练样本集对深度学习模型进行训练，训练完成后得到地震相分类模型。如图1所示，具体过程如下：

1、构建训练样本集

Z为地震振幅图像的总个数。训练样本集包含地震振幅图像X_k和已经标记好地震振幅图像中每个像素点的先验标签W_k,n，即

N为地震振幅图像X_k中像素点的总个数。

(1)对于不同地震相之间的空间关系信息，本实施例通过一个高斯函数来定义某一个像素点属于各类地震相的可能性。对于地震振幅图像X_k的地震剖面上的每一地震道，像素点n被视为第c类地震相的可能性w_k,n,c为：

式中，l_c为像素点n与垂直距离最近的地震相种类为c的像素点之间相隔的距离，这里用相隔的像素点个数表示距离，若像素点n的种类为c，则距离l_c＝0，c＝1,2,……,C，C为地震相种类总类数；a、σ、b均为设置的常数，且本实施例中这三个常数的取值范围为0.8≤a≤1，σ＝2，-10≤b≤10。

(2)利用步骤(1)中的公式可计算得到像素点n被视为每一类地震相的可能性，得到该像素点n所对应的先验标签W_k,n＝[w_k,n,1,……,w_k,n,c,……,w_k,n,C]。

(3)当n取不同的值时，便可得到地震振幅图像X_k上不同像素点对应的先验标签。进而针对不同的地震振幅图像均按照步骤(1)～(3)的方式处理可得到所有地震振幅图像以及每一地震振幅图像上每一个像素点对应的先验标签，即为训练样本集

2、利用步骤1中构建的训练样本集

对深度学习模型进行训练，训练完成后得到第一标签精炼模型M₁。其中，第一标签精炼模型M₁所使用的损失函数

为：

式中，

为第一标签精炼模型所使用的损失函数，由交叉熵函数L_CE和Dice函数L_CE组成；N为地震振幅图像中像素点的总个数；X_k为输入的地震振幅图像；M₁(X_k)为第一标签精炼模型的输出结果；W_k,n为地震振幅图像X_k上像素点n的先验标签；ε为平滑算子，一般取一个较小的常数；e为Dice函数的权重。

3、将步骤1中构建的训练样本集

输入至第一标签精炼模型M₁中进行预测，得到的结果M₁(X_k)作为“第一精炼标签”，替换训练样本集中的先验标签，得到新的训练样本集，为

且d′_k＝{X_k,M₁(X_k)}。

4、利用步骤3得到的替换后的训练样本集为

重新对第一标签精炼模型M₁进行训练，训练完成后得到第二标签精炼模型M₂。需说明的是，得到的第二标签精炼模型M₂与第一标签精炼模型M₁的网络结构是一致的。

5、将步骤3得到的替换后的训练样本集为

输入至第二标签精炼模型M₂中进行预测，得到的结果作为“第二精炼标签”，替换训练样本集中的“第一精炼标签”，得到新的训练样本集，为

且d″_k＝{X_k,M₂(X_k)}。

6、按照步骤4～5相同的方法进行重复计算迭代，不断生成新的精炼标签以及标签精炼模型，直达迭代次数或者深度学习模型输出结果的准确率满足精度需求，具体操作如图2所示，得到最终次迭代对应的标签精炼模型。这里每一个标签精炼模型的网络结构均一致，对于第二标签精炼模型以及之后的标签精炼模型(称第二标签精炼模型以及之后的标签精炼模型为调整精炼标签)所使用的损失函数

为KL散度，即：

式中，M_t为第t标签精炼模型；M_t-1为第t-1标签精炼模型。通过训练使两者的KL散度达到最小，上式中后半项为一个网络的交叉熵，是一个定值，因此在训练时可以省略，化简后的损失函数

为：

7、迭代结束后，保存最终得到的标签精炼模型，作为地震相分类模型。

步骤二，获取待分类的地震振幅图像，并输入至地震相分类模型中，得到待分类的地震振幅图像中每一个像素点所属的地震相种类。

下面利用某工区公开数据来验证本发明方法的有效性。该某工区是一个大型河控三角洲体系沉积。主测线从100到700，共600条剖面，701道。

图3-1和图3-2展示了该工区地震振幅数据与标记好的地震相标签。将该工区数据体中的300到700号剖面作为训练样本集，用于输入深度学习模型进行训练；100到299号剖面作为测试集，用于评估模型的预测效果。按照本发明提出标签精炼流程，将训练样本集数据输入深度学习模型进行迭代训练，直到测试集的预测准确率达到0.9以上为止。最终共进行了3次标签精炼，每次标签精炼过程中，预测准确率随训练轮次的变化曲线如图4所示。从图中可以看出，每进行一次标签精炼，模型的预测准确率均有所提升。在经过第一次标签精炼后，模型的准确率最终稳定在0.879；第二次则稳定在0.893；第三次则最终达到了0.909，达到了迭代终止条件。

为了进一步展现本发明的效果，在测试集数据中，选取280号剖面为例进行展示。图5为该剖面的地震振幅图像，图6为该剖面的真实地震相。图7为第一次标签精炼后，深度学习模型对该剖面的预测结果；图8为第二次签精炼后深度学习模型对该剖面的预测结果；图9为第三次签精炼后深度学习模型对该剖面的预测结果。由图可知，随便标签精炼流程的迭代次数增加，同一个深度学习模型对于地震相的预测效果有着显著的提升。即，本发明在并没有改变网络模型结构，或是增加训练数据的前提下，仅通过对训练样本集的标签进行迭代改进，提高了深度学习模型的预测准确率。

综上，本发明解决了现有深度学习地震相识别方法所使用的热独编码标签过于稀疏，且无法提取地震数据中的空间先验信息的问题。本发明根据地震相在空间分布上的成层性特点，将空间先验信息融入地震相标签之中，并通过迭代训练深度学习模型进一步生成更加平滑，更具有信息性的“精炼标签”，从而缓解了深度学习地震相预测模型的过拟合问题，提高了模型预测地震相的准确率。

本实施例中，机器学习基准模型选择深度学习模型，即所有的标签精炼模型的基本框架均是基于深度学习模型。作为其他实施方式，还可采用现有技术中的其他机器学习模型，例如神经网络模型。

Claims (8)

1.一种地震相分类方法，其特征在于，包括如下步骤：

获取待分类的地震振幅图像，并输入至地震相分类模型中，得到所述待分类的地震振幅图像中每一个像素点所属的地震相种类；其中，得到所述地震相分类模型的过程包括：

1)构建机器学习基准模型和机器学习基准模型的训练样本集，所述机器学习基准模型的训练样本集包括多个地震振幅图像和与各个地震振幅图像上各像素点相对应的先验标签，所述先验标签通过像素点属于各种地震相的可能性来表示，且根据像素点与垂直距离最近的某一地震相种类的像素点之间相隔的距离确定该像素点属于该种地震相的可能性；

2)利用训练样本集对构建的机器学习基准模型进行训练，训练完成后得到第一标签精炼模型；

3)根据第一标签精炼模型得到地震相分类模型。

2.根据权利要求1所述的地震相分类方法，其特征在于，通过高斯函数来实现根据像素点与垂直距离最近的某一地震相种类的像素点之间相隔的距离确定该像素点属于该种地震相的可能性，则第k幅地震振幅图像X_k上像素点n被视为属于第c类地震相的可能性w_k,n,c为：

式中，l_c为地震振幅图像X_k上像素点n与垂直距离最近的地震相种类为c的像素点之间相隔的距离，若像素点n的种类为c，则距离l_c＝0，c＝1,2,……,C，C为地震相种类总类数；a、σ、b均为设置的常数。

3.根据权利要求1或2所述的地震相分类方法，其特征在于，步骤3)中根据第一标签精炼模型得到地震相分类模型的过程包括：

3.1)将各个地震振幅图像分别输入至第一标签精炼模型中，将得到的分类结果作为精炼标签；

3.2)将各个地震振幅图像、以及与各个地震振幅图像上各像素点相对应的精炼标签作为新的训练样本集对构建的第一标签精炼模型重新进行训练，训练完成后得到调整标签精炼模型；

3.3)判断是否满足迭代终止条件，若不满足，则将各个地震振幅图像分别输入至调整标签精炼模型中，将得到的分类结果作为新的精炼标签，并将各个地震振幅图像、以及与各个地震振幅图像上各像素点相对应的新的精炼标签作为新的训练样本集对调整标签精炼模型重新进行训练，训练完成后得到新的调整标签精炼模型，重新执行步骤3.3)进行迭代计算，直至满足迭代终止条件，将最终得到的调整标签精炼模型作为地震相分类模型。

4.根据权利要求3所述的地震相分类方法，其特征在于，所述调整标签精炼模型所使用的损失函数为：

式中，

为调整标签精炼模型所使用的损失函数；M_t为第t个调整标签精炼模型；M_t-1为第t-1个调整标签精炼模型，且t为1时，M₀为第一标签精炼模型；X_k为第k幅地震振幅图像。

5.根据权利要求3所述的地震相分类方法，其特征在于，所述第一标签精炼模型所使用的损失函数为：

式中，

为第一标签精炼模型所使用的损失函数，由交叉熵函数L_CE和Dice函数L_CE组成；N为地震振幅图像X_k中像素点的总个数；W_k,n为地震振幅图像X_k上像素点n的先验标签；M₁为第一标签精炼模型；ε为平滑算子；e为Dice函数的权重。

6.根据权利要求2所述的地震相分类方法，其特征在于，常数a的取值范围为0.8≤a≤1，常数σ的取值为σ＝2，常数b的取值范围为-10≤b≤10。

7.根据权利要求1或2所述的地震相分类方法，其特征在于，所述机器学习基准模型为深度学习模型。

8.根据权利要求3所述的地震相分类方法，其特征在于，所述迭代终止条件为：调整标签精炼模型的模型精度达到精度要求，或者迭代次数达到迭代次数要求。

Images