基于深度殘差網絡的走滑斷層智能識別方法
——以塔里木盆地富滿油田為例

孫 沖,雷剛林,張銀濤,康鵬飛,謝 舟,鄭明君,曹佳佳,趙海山,陳彥虎,畢建軍

(1.中國石油塔里木油田公司,新疆庫爾勒841000;2.北京中恒利華石油技術研究所,北京100102)

走滑斷層相關的油氣藏是一種全新類型油氣藏,具備較大的勘探潛力[1]。走滑斷層既是儲層形成的主控因素,又是深層油氣向上運移的主要通道,對于油氣藏成儲、成藏具有決定性的作用。走滑斷層的典型特征主要為斷塊的水平位移,通常水平位移在垂直斷層走向的地震剖面上不易識別,從而形成一些特定的識別標志[2]:走滑斷層主要表現為高陡直立樣式,傾角接近90°,在分布上具有明顯的分段式特征,表現為線性平移、壓扭和張扭等不同的形式,同時派生的小斷層具有隱蔽性強、斷距小的特點,當斷層斷距小于1/4波長時,斷層位置同相軸通常錯動不明顯,只發生輕微的扭動,特別是在深層地震資料品質比較低的情況下,走滑斷層識別精度較低。因此如何提高走滑斷層的識別精度,是斷控縫洞型碳酸鹽巖油氣藏勘探開發中非常重要的環節之一。

斷層在地震剖面上存在同相軸不連續的特點,基于此特征,一些經典的斷層屬性算法應運而生。MARFURT等[3]提出了基于波形相似的C1相干技術,但C1算法易受噪聲影響;MARFURT等[4]提出了多道相似性C2相干技術,它改進了C1算法抗噪性低的缺點,但對地層產狀角度變化敏感。GERSZTENKORN等[5]提出了基于協方差矩陣的C3本征相干技術,該方法對斷層的響應精度和分辨率有所提高,但運算量大。仲偉軍等[6]提出了方差體技術,但受限于地震資料信噪比。上述方法對噪聲和地層特征敏感。伍新明等[7]和WU等[8-9]在計算斷層屬性過程中,采用垂直于地層方向的平滑因子增強了斷層的連續性。HALE[10]與WU[11]提出的沿斷層傾角和傾向計算最大似然屬性的方法很好地改善了沿地層方向不連續的干擾,但計算量巨大,故僅依賴于地震同相軸不連續性不足以有效地對斷層進行檢測。還有專家學者利用地震資料開展了走滑斷層識別方法的研究。樂友喜等[12]提出了基于三參數小波變換的時頻分析方法,提高了地震數據能量的聚焦性,走滑斷層的斷點更加清晰,中深層和淺層的走滑斷層縱向連續性大大提高,提高了斷層的可解釋性。張中巧等[13]在總結渤海灣盆地走滑斷層的具體特征的基礎上,引入波數成分的選擇,提出了基于高波數曲率屬性識別隱性走滑斷層的方法,大幅提高了隱蔽型圈閉的識別精度。宋玉婷等[14]提出了將方向可控濾波器理論和圖像金字塔分解技術相結合的導航金字塔技術,提高了隱蔽型走滑斷層的識別精度,該技術在四川盆地高磨地區的應用結果表明,不僅提高了斷層連接部位的刻畫精度,而且對于走滑斷層橫向的延伸性刻畫得也更加清楚。陳永芮等[15]提出了利用連續小波變換方法對斷裂敏感頻率進行篩選加權,突出走滑斷層內幕微小斷裂地震反射特征,縱向上走滑斷層組合關系更加清楚,橫向斷裂邊界和走向更加清晰,提高了地震資料對深層次序級走滑斷裂識別的能力。李飛躍等[16]綜合利用似然屬性和地震剖面確定背景噪聲值,計算最大似然屬性,提高了微小斷裂刻畫精度。

近年來,隨著深度學習方法的興起及其在各個領域的廣泛應用,多種深度學習模型被引用到了地震斷層解釋工作中。董守華等[17]應用BP神經網絡對斷層進行了自動檢測。CHEHRAZI等[18]應用多層感知器(MLP)的網絡結構訓練斷層自動識別模型。HUANG等[19]和ZHAO等[20]利用卷積神經網絡(CNN)進行斷層建模與斷層預測。WU等[21]應用U-net利用合成地震數據作為訓練數據,提高了模型的泛化度。HE等[22]提出了利用ResNet模型,提高了網絡預測和手動解釋的吻合率。陳俊安等[23]提出一套利用3種方法組合識別走滑斷層的方法,即基于卷積神經網絡的深度學習技術識別大型走滑斷層,基于凌亂性屬性及Aberrance增強屬性識別派生的次級小斷層,在塔里木盆地順北地區實現了超深層地層條件下的不同級別的走滑斷層的精細識別。張黎等[24]提出了基于全卷積神經網絡的走滑斷裂識別技術,在利用構造導向濾波方法對地震數據進行斷裂增強處理的基礎上,利用大量合成的三維走滑斷層樣本進行全卷積神經網絡訓練,然后應用于塔河油田托甫臺地區的走滑斷裂精細刻畫實踐中,提高了走滑斷層識別的分辨率、抗噪性和連續性。杜炳毅等[25]利用支持向量機算法建立敏感屬性集與微小斷裂系統指示因子的非線性映射關系,實現復雜儲層微小斷裂系統特征的準確刻畫。目前,基于深度學習的斷層智能識別方法種類較多,但在實際生產應用中存在諸多問題,由于可用于訓練模型的含標簽樣本較少,且分類樣本嚴重不平衡,導致模型訓練的難度大,易出現模型退化和斷層預測不準等情況,尤其是對于小斷層的預測,是目前深度學習斷層預測的難點。

針對走滑斷層地震識別的難題,本文提出了一種端到端的基于結構特征的深度殘差網絡斷層智能識別方法,首先構建了包括3個子網絡的深度殘差網絡模型,通過提取邊界結構的殘差映射實現斷層解釋的目標。然后采用模型數據進行深度殘差網絡訓練。最后利用塔里木盆地富滿油田實際地震資料進行了走滑斷層的精細刻畫,驗證了本文方法對不同性質的走滑斷層的識別效果。

1 方法原理

利用傳統機器學習方法進行走滑斷層解釋分類學習,需以結構特征為輸入,此過程需要大量的預處理和后處理。近年來,圖像處理器并行處理技術顯著加速了深度神經網絡的運算速度,促進了深度學習方法在走滑斷層解釋工作中的應用。單一的深度學習方法大多是端到端的學習過程,由于網絡深度增加,深度學習建模對數據特征的提取和數據的包容性大幅增加,但深度學習網絡建模過程也是卷積核參數的預測過程,因此深度學習斷層解釋建模過程也是深度網絡斷層特征提取的自學習過程。當樣本數據較小或者樣本數據中噪聲較大的時候,單一深度學習方法會出現過擬合和泛化性能較差的情況,因此設計了具有去噪功能和斷層邊界提取功能的深度學習聯合網絡結構,其目的是斷層識別。斷層是地震信號中的邊緣信息,而傳統邊緣提取技術是梯度提取與低通濾波的聯合作用。受傳統邊緣檢測的思想啟發,我們設計了3個子網絡:特征提取子網絡的卷積核的作用是提取地震不同分辨率的特征信息,結構特征子網絡的卷積核作用是提取地震數據中梯度變化特征,而卷積去噪子網絡的卷積核的作用是對梯度小的地方進行低通濾波。這3個子網絡結構采用多層輸出融合和聯合遷移學習方式,縮短了深度網絡邊界特征提取的自學習進程,在邊界保持去除噪聲的同時,提取斷層邊界特征。

1.1 網絡總體架構

傳統的深度學習網絡,往往包含低層、中層和高層等若干個網絡層次,深度學習的過程是分別對每一層次提取不同層次的特征信息,伴隨著網絡深度的增加,會獲取越來越多個層次的信息,隨之而來的層次間信息組合也會呈指數級增長,易導致梯度消失或梯度爆炸的現象。傳統深度學習算法的解決對策是數據的初始化和正則化,這在一定程度上解決了網絡梯度的問題,但同時也帶來了新的網絡退化問題。殘差網絡的出現,降低了深度網絡訓練的難度,它每層的網絡映射結構是F(x)=H(x)-x,其中,x是輸入,H(x)是期望輸出,F(x)是映射殘差函數,殘差網絡訓練的目標就是將殘差結果逼近0,隨著網絡深度的增加,仍然能保持網絡訓練的準確率。這種殘差跳躍式的連接方式,使得某一層的輸出可以直接跨越幾層作為后面某層輸入,網絡總體架構的目標是學習具有推理功能的殘差函數,而不是學習不具備推理功能的函數,以往的實驗結果表明,殘差網絡更容易獲得最優解[26]。

本文提出的網絡模型如圖1所示,由特征提取子網絡(fF)、卷積去噪子網絡(fC)和結構特征提取子網絡(fS)組成:fF通過多方向的特征核函數提取地震資料中不同頻率規模殘差特征;fC的功能則是去除fF卷積層的累計噪聲;fS是fF和fC的階段性衍生網絡,通過建立殘差映射網絡,提取有意義的邊界信息,即地震資料中的斷層,其中fS中的每個結構映射是fF中下一層的權值映射。fF,fC和fS的層數分別是16層、4層和10層。

圖1 基于結構特征的殘差網絡斷層解釋網絡結構

1.2 子網絡結構

1.2.1 特征提取子網絡fF

特征提取子網絡fF提取了殘差特征。整個網絡訓練從fF開始,它的輸入是地震資料,該子網絡一共有16個卷積層,Conv1,Conv2,…,Conv8的卷積核的功能是提取不同分辨率特征,而S-Conv1,S-Conv2,…,S-Conv8的卷積核的功能是提取梯度變化特征,Conv1,Conv2,Conv3,Conv4是一個階段學習,Conv4提取的特征信息是S-Conv2卷積層的輸入,Conv8提取的特征信息是S-Conv8卷積層的輸入,同時S-Conv2層與S-Conv8層特征提取反饋回Conv4層與Conv8層進行特征融合,經過上、下聚合,提高了網絡對于斷層信息的提取能力。

該子網絡第一個卷積層生成的特征映射定義為:

(1)

式中:x是網絡輸入數據;W1,b1分別是第一層網絡的權值和偏量;BN(·)作用是批處理;σL(x)=max(kx,x)是非線性雙曲整流函數,也即網絡中的激活函數,其中,k=0.2;*是褶積運算符。fF由16個卷積層組成,每4個卷積層構成一個階段學習,通過使用上下聚合網絡的擴展卷積,最終層在所有階段的輸出產生了具有不同大小的噪聲和殘差特征。

1.2.2 結構特征提取子網絡fS

結構提取子網絡fS,即為兩個主要子網絡(fC,fF)的階段性衍生網絡,通過提取邊界結構特征實現斷層解釋的目標。結構特征提取子網絡功能是存儲、保留和提取重要的邊緣信息,也即斷層解釋結果。特征提取子網絡中的S-Conv1,S-Conv2,…,S-Conv8這8個卷積層是特征提取子網絡與結構特征提取子網絡的公用卷積層,S-Conv9則是以卷積去噪子網絡中R-Conv3網絡權值作為梯度特征提取輸入,則整個斷層信息特征在R-Conv3層后被提取出來。作為特征提取子網絡和卷積去噪子網絡的衍生網絡,結構特征提取子網絡的網絡權值訓練過程主要是通過多層輸出融合與遷移學習的方式進行訓練。

與特征提取子網絡fF類似,結構特征提取子網絡fS的第一個卷積層的網絡映射結構定義為:

(2)

(3)

其中,K[·]表示兩個元素組合的權重函數,定義如下:

(4)

1.2.3 卷積去噪子網絡fC

卷積去噪子網絡fC的卷積核的作用是對梯度小的地方進行低通濾波,fC中的每一層的卷積和激活功能同公式(1)。與其它兩個子網絡不同的是,卷積去噪子網絡中,所有層都使用了1×1×1的卷積核,它的功能是實現跨通道的交互和信息整合,卷積去噪子網絡對網絡中的累計誤差進行去除并實現邊界細化的功能,卷積去噪子網絡fC中有意義的邊界信息在第3層后被提取了出來。

1.3 網絡訓練

模型訓練的損失函數定義為:

l(θ)=αlF(θ)+(1-α)lS(θ)

(5)

式中:α=0.8是常系數權值;lF(θ)和lS(θ)分別為事故殘差和結構的損失分量。定義:

(6)

(7)

其中,θ是網絡模型的權值,N是通道號,C是數據的維度,F(x)是對輸入數據的預測殘差結果,S是網絡訓練標簽值,y是預測值,l是網絡層序號。(7)式中,lS(θ)是通過結構特征子網絡模型估算結果來計算的。

為了使訓練出來的網絡適應于不同大小的實際數據,訓練網絡前,對訓練數據集進行樣本分割,每個樣本的大小設置為64×64×64,對體邊緣樣本,采用對稱延拓的方式進行補齊。

2 模型數據測試

首先采用合成地震數據驗證本文提出的方法。由于目前可用于訓練走滑斷層解釋的數據集較少,本文采用WU等[21]開源的合成地震數據集,共有220個三維合成地震數據以及與之對應的標簽集,每個數據體的大小為[128,128,128],此數據集引入了大量符合實際地質條件下的特殊構造樣式和反射特征,例如高傾角、小斷距斷層、伴隨褶皺發育的逆斷層等特殊斷層特征,提高了合成數據的真實性和多樣性,具有和走滑斷層相似的斷層構造樣式,能大概率的覆蓋實際斷層解釋的復雜度,適合于作為走滑斷層識別的訓練數據集。同時,合成地震數據的信噪比分布的覆蓋范圍較廣,同樣也適用于后續實際數據低信噪比的特征。模型訓練過程中,使用了具有零均值和標準差為0.01,偏置是0分布的高斯函數進行初始化模型,并使用了學習率為0.001的Adam優化器。

圖2顯示了合成地震數據深度殘差網絡斷層智能識別的結果,其中,圖2a是正演模型的斷層分布,圖2b是含斷層合成地震數據,圖2c是本文方法預測的斷層分布。從圖2中可以看出,本文方法對于斷層的識別精度高,大斷層(圖2c中斷層屬性大于0.6的斷層)往往呈現強反射和高信噪比的地震響應特征,預測的損失率低,預測斷層連續性好,斷層邊界清晰,且抗噪性較好。低序級小斷距斷層(圖2c中斷層屬性位于0.4～0.6的斷層)往往呈現低信噪比、地震同相軸雜亂的響應特征,從圖2c中可以看出對于低序級小斷層預測精度較高,因此本文方法對于小斷層識別的泛化力和抗噪性也較高。

圖2 合成地震數據的深度殘差網絡斷層智能識別結果a 正演模型的斷層分布; b 含斷層合成地震數據; c 本文方法預測的斷層屬性分布

3 實際數據應用

以塔里木盆地富滿油田果勒西區塊典型走滑斷層為例,開展基于深度殘差網絡的走滑斷層智能識別研究。果勒西區塊處于北部坳陷的構造斜坡位置,位于阿瓦提凹陷和滿加爾凹陷之間,是塔里木盆地斷控縫洞型碳酸鹽巖油氣藏增儲上產的主要工區。

研究區主要發育加里東晚期、晚海西期和燕山期等3期走滑斷層系統。在加里東晚期受南部的區域擠壓作用,以壓扭性走滑斷層為主,正花狀構造形成的壓扭斷壘帶發育,并發育一系列小型的短軸背斜。在晚海西期受北東向張扭作用,沿早期北東向斷裂帶發育張扭性斷裂,向下合并主斷裂部位形成斷裂性質的反轉。燕山期時沿北東向主走滑帶在中生界發育張扭小斷陷與雁列構造,拉張作用強烈,以右旋伸展走滑為主。

根據走滑斷層的斷開層位、切割關系、區域構造應力場背景等因素的差異,果勒西區塊走滑斷層從南向北分為線性走滑斷層、壓扭辮狀走滑斷層和拉張辮狀走滑斷層3種不同的構造樣式。

3.1 線性走滑斷層

線性走滑斷層在地震剖面上表現為斷面近乎直立,斷面單一、清晰,同相軸錯動明顯,產狀有時表現為正斷層、有時表現為逆斷層,斷面兩側能量存在差異,走滑斷層特征明顯。圖3展示了線性走滑斷層的智能識別結果。從圖3a所示的原始地震剖面可以看出,由于地震資料信噪比較低,走滑斷層解釋精度較低;圖3b為對原始地震剖面開展構造導向濾波處理的結果,可以看出,地震信噪比明顯提高,斷層解釋精度明顯提高;圖3c為采用本文方法提取的走滑斷層屬性,可以清晰地表征走滑斷層的垂向分布,特別是可以清晰確定走滑斷層縱向發育層段,具有較高的可信度;圖3d為傳統螞蟻體剖面,可以看出,與采用本文方法提取的走滑斷層屬性相比,傳統螞蟻體對于走滑斷層識別精度較低。

圖3 線性走滑斷層智能識別結果a 原始地震剖面; b 構造導向濾波地震剖面; c 本文方法預測的斷層屬性; d 螞蟻體剖面

3.2 壓扭辮狀走滑斷層

壓扭辮狀走滑斷層在平面上呈現背斜或地塹模式,斷面往往呈現扭曲,在地震剖面上呈現正花或“Y”型以及花上花特征。正花壓扭模式下,主干斷層斷面可呈現出同向軸的錯斷,分支斷裂錯斷不明顯或僅體現為扭曲。圖4展示了壓扭辮狀走滑斷層智能識別結果。圖4a為原始地震剖面,可以看出,由于地震資料信噪比較低,走滑斷層解釋精度較低;圖4b為對原始地震剖面進行構造導向濾波處理后的剖面,可以看出,地震信噪比和斷層解釋精度明顯提高;圖4c為采用本文方法提取的走滑斷層屬性,可以清晰地識別花狀特征,特別是可以清晰確定走滑斷層分支錯斷特征,具有較高的可信度;圖4d為傳統螞蟻體剖面,可以看出,與本文方法提取的走滑斷層屬性相比,傳統螞蟻體對于走滑斷層的識別精度較低。

圖4 壓扭辮狀走滑斷層智能識別結果a 原始地震剖面; b 構造導向濾波地震剖面; c 本文方法預測的斷層屬性; d 螞蟻體剖面

3.3 拉張辮狀走滑斷層

拉張辮狀走滑斷層為果勒西地區最常見的走滑斷層類型,中晚加里東期受擠壓后,在早海西期拉張形成該模式走滑斷層。地震剖面上,一般在辮中呈負花狀,鏈接處呈“Y”型,整體呈現花上花特征,多分支造成斷面破碎;一間房組呈現拉分地塹模式,在上寒武收斂為一個斷面。圖5展示了拉張辮狀走滑斷層智能識別結果。圖5a為原始地震剖面,可以看出,由于地震資料信噪比較低,走滑斷層解釋精度較低;圖5b 為對原始地震剖面開展構造導向濾波處理后的剖面,可以看出,地震信噪比和斷層解釋精度明顯提高;圖5c為本文方法提取的走滑斷層屬性,可以清晰地識別6條走滑斷層,并可以清晰確定走滑斷層發育強度的差異性,特別是3條弱走滑斷層識別精度大大提高,同時也能清晰地識別由于拉張作用形成的地塹特征;圖5d 為傳統螞蟻體剖面,可以看出,與本文方法提取的走滑斷層屬性相比,傳統螞蟻體對于走滑斷層的識別精度較低。

圖5 拉張辮狀走滑斷層智能識別結果a 原始地震剖面; b 構造導向濾波地震剖面; c 本文方法預測的斷層屬性; d 螞蟻體剖面

進一步利用沿層切片來對比不同方法對走滑斷層的識別精度。圖6為一間房組頂面不同方法提取的沿層切片的對比結果。其中,圖6a為傳統相干切片,圖6b為螞蟻體切片,圖6c為本文方法預測的斷層屬性切片。

圖6 走滑斷層沿層切片對比效果a 傳統相干切片; b 螞蟻體切片; c 本文方法預測的斷層屬性切片

從圖6可以看出,傳統相干切片對于大斷層的識別精度較高,也具有較高的信噪比,但是對于弱走滑小斷層識別精度較低;螞蟻體對于弱走滑小斷層識別精度有所提高(如J3井附近),但是對于部分小斷層識別精度仍然較低(如J303H井北部地區),同時螞蟻體仍然存在不足之處,在地震資料信噪比差的區域(圖中東部地區和西北部地區),地震反射相對凌亂,影響了螞蟻自動追蹤效果,其結果比較雜亂無規律,檢測結果具有多解性;本文方法預測的斷層屬性對大斷層具有較高的識別精度,同時,相比于傳統相干和螞蟻體,本文方法預測的斷層屬性對于弱走滑小斷層的識別精度大大提高,主要表現在兩個方面:一方面是弱走滑小斷層刻畫精度大幅提高,另一方面是可以清晰地識別大斷層之間的相互連通性。同時本文方法預測的斷層屬性克服了螞蟻體屬性存在的低信噪比地區存在多解性的問題,提高了走滑斷層識別的精度和可靠性。

4 結論

本文提出了一種端到端的基于深度殘差網絡的走滑斷層智能識別方法,其網絡模型包括特征提取網絡、結構提取網絡和去噪卷積網絡3個子網絡。網絡在預測時,采用了多層輸出融合技術和遷移學習方式,有效避免了高頻特征信息的丟失,增強了對不同規模斷層分類解釋的魯棒性和泛化力。合成地震數據和實際地震數據的走滑斷層預測結果表明,本文方法對低信噪比地震數據的小斷距、弱走滑斷層的識別精度高,預測的損失率低,預測斷層連續性好,斷層邊界清晰,且抗噪性較好。在塔里木盆地富滿油田斷控縫洞型碳酸鹽巖油藏走滑斷層識別的過程中,本文方法對于線性走滑斷層、壓扭辮狀走滑斷層和拉張辮狀走滑斷層均取得了較好的識別結果,相比于常規的螞蟻體等技術,走滑斷層刻畫得更清晰,斷層花狀特征更符合走滑斷層實際的地質模式。

同時,在利用深度殘差網絡進行走滑斷層智能識別的過程中,也存在一定的問題,走滑斷層在不同的盆地具體的構造樣式、地震響應特征等方面差異較大,目前專門針對走滑斷層的訓練樣本較少,因此,在利用深度學習算法開展走滑斷層識別的研究中,建立適用于具體盆地和特定的地層特征的訓練樣本是一項重要的工作,可以豐富訓練網絡模型的構建,完善訓練集和損失函數的設計,不斷提高走滑斷層的識別精度。