② 地球内部多尺度成像湖北省重点实验室, 湖北武汉 430074;
③ 中国石化西北油田分公司勘探开发研究院, 新疆乌鲁木齐 830011;
④ 中国石油化工股份有限公司科技部油田处, 北京 100728
② Hubei Subsurface Multiscale Image Key Laboratory, Wuhan, Hubei 430074, China;
③ Research Institute of Exploration and Development, Northwest Oilfield Branch Co., SINOPEC, Urumqi, Xinjiang 830011, China;
④ Oil Field Department of Science and Technology Ministry, SINOPEC, Beijing 100728, China
溶洞是指直径大于10cm的洞穴,在碳酸盐岩缝洞型油气藏中可以成为重要的油气储集空间,因此溶洞的识别对于缝洞型油气藏的勘探与开发具有重要意义[1-2]。在地震剖面上,溶洞体一般为弱反射背景下的多组强反射集合[3]。碳酸盐岩缝洞储集体的正演成果[4]表明,溶洞体在叠后地震剖面上呈“串珠状”异常反射特征。溶洞作为一种小尺度的地质异常体,地震波在波阻抗界面产生绕射波,同时在垂直方向上产生多个具有较强能量的异常反射[5],通常表现为强振幅异常反射、振幅变化大、相干程度弱到中等、低波阻抗、低速度等特征。现有的溶洞识别方法主要基于绕射波地震反射特征[6]、地震属性[7-8]、测井响应特征[9]以及一些反演方法[10]等。这些传统方法受地震数据信噪比的影响较大,对同相轴能量变化十分敏感,并且最终仍然需要人工进行筛选、识别,效率低且多解性强。因此,有必要研究一种快速且有效的溶洞识别方法,以提高溶洞识别的准确率和效率。
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。基于叠后地震数据与像素图片之间的相似性,许多学者在地震资料解释中应用能够自动提取有用特征的卷积神经网络(CNN),如Wu等[11]、Shi等[12]应用带有跳跃连接结构的U-Net模型分别实现了断层识别和盐丘识别;Alaudah等[13]利用弱监督学习方法预测地震相;王天云等[14]利用神经网络聚类方法分析沉积相;Di等[15]、Peters等[16]基于神经网络算法实现了地层解释与层位追踪;Wu等[17]基于U-Net实现了喀斯特地貌中走滑断层的三维识别;朱剑兵等[18]基于双向循环神经网络实现了河流相储层预测。迄今卷积神经网络在溶洞识别方面的应用不多。溶洞的地震响应特征复杂、训练样本难以获取等导致深度学习在识别溶洞时极具挑战性。相较于地震相、盐丘、断层这类大尺度地质目标,深度学习方法在碳酸盐岩溶洞识别时具有以下难点。
(1) 深度学习方法识别的往往是地震异常,而非实际的地质目标。溶洞地震波场特征复杂,地震反射异常无法代表实际的地质目标。图 1为某溶洞的实际模型及其对应的正演偏移剖面。由图可知,如果仅仅是对溶洞的地震反射异常进行识别,则无法确定实际溶洞的结构、形态和位置。
(2) 在地球物理领域,深度学习训练数据最常见的两种来源分别是褶积模型[11, 17]和实际地震数据[13, 19],但这并不适用于溶洞。主要是因为:褶积模型虽然能快速生成大量训练所需的样本数据,但无法模拟地震波在地下的传播情况,溶洞复杂的绕射波场特征无法通过褶积进行还原;实际地震数据虽然能够体现地下情况,但由于溶洞异常体的多解性,无法像标定断层、盐丘等地质体标签那样通过实际地震剖面制作训练数据标签。
(3) 溶洞的尺寸一般只有几米,远小于盐丘、断层这类地质异常体的尺寸。实际地震剖面长度较大,如果直接将地震剖面输入模型,极易造成溶洞识别的遗漏和误判。
针对实际溶洞尺寸较小、地震响应复杂等特征,本文提出一种“两步法”溶洞识别方法,即通过两组深度网络分别实现地震反射异常体的识别和地质异常体的预测。第一步,根据实际地震数据制作“串珠状”异常反射体训练样本,再通过训练图像分割网络,对地震剖面上的“串珠状”异常反射体进行识别。第二步,对于网络模型识别的“串珠状”地震反射异常,一方面分析溶洞的分布和发育特征,另一方面在地震剖面上标定溶洞,提取只含有“串珠状”反射异常的小块地震数据;然后,将只含“串珠状”反射异常的小块地震数据输入另一个深度残差网络,并最终映射至实际溶洞轮廓。这样可以避免网络模型在预测溶洞时因实际目标尺寸过小而造成的遗漏和误判,实现对溶洞真实尺寸和结构样式的准确预测。针对溶洞训练数据难以获取这一问题,采用波动方程正演模拟,在保证训练数据具有精确标签的前提下,制备大量训练数据。
2 网络结构分别设计两组深度网络实现地震反射异常体的识别和地质异常体的预测,溶洞轮廓预测网络的输入数据由“串珠状”地震反射异常识别网络的输出结果所确定,具体流程如图 2所示。输入数据均为二维地震数据,输出结果均是大小相同的矩阵。两种任务均属于“端到端”的图像映射,不含全连接层的全卷积神经网络模型(FCN)[20]在处理这类任务时效果很好,因此本文溶洞识别和预测的模型均采用FCN的变种。其中“串珠状”地震反射异常识别任务中,需要精确勾勒异常体的边界,可以看作是一种图像分割任务,因此采用广泛应用于生物医学图像目标分割任务的U-Net模型[21];而真实溶洞的预测则可以看作是一种图像映射任务,可以采用一种含有残差模块[22]的全卷积神经网络构建模型。
本文将“串珠状”地震反射异常体识别任务视为目标分割问题,即需要在识别目标的同时圈定目标位置。叠后地震数据的数量比计算机视觉领域的自然图像少,因而制作标签的难度相对较大。用于“串珠状”反射异常体识别的网络结构不宜太复杂,参数不宜太多,否则,容易过拟合。
U-Net模型结构简单,特有的跳跃结构能融合浅层与深层信息,并且在叠后地震数据上识别目标时效果良好[11]。U-Net模型分为编码、解码两部分。本文设计网络模型如图 3所示。在编码部分,每层包含两个核尺寸为3×3的卷积层和一个核尺寸为2×2的最大池化层,输入的地震剖面在经过编码部分每层的计算后,图像尺寸逐层减半,通道数逐层翻倍,直至512。在解码部分,每层包含两个核尺寸为3×3的卷积层和一个核尺寸为2×2的上采样层,可将特征图的尺寸还原到原始大小,并将通道数从512依次压缩至32,最后通过Sigmoid函数映射到只包含0和1的“串珠状”地震反射异常识别结果图。
在深度神经网络中,浅层网络输出的特征图分辨率高,保留了更多细节信息;深层网络学习的特征则更加抽象,保留了更多语义信息。U-Net模型在解码部分将网络中具有相同尺寸的特征图通过跳跃结构进行连接,从而解决了上采样过程中信息不足的问题。具体如图 4所示,输入数据x在输入卷积层Conv1之后经ReLU函数激活,得到的输出结果x1与卷积层Conv3的输出结果x3合并后,再同时经由ReLU函数激活。
实际溶洞的尺寸往往只有几米至几十米,如果直接在百余公里长的大尺度地震剖面上预测溶洞,极易造成溶洞识别的遗漏和误判。由于数据中预测目标与背景之间的比例极不均衡,在深度网络模型训练时很容易造成目标函数不收敛或收敛方向错误。因此,在溶洞预测时,输入数据为由“串珠状”地震反射异常识别网络所确定的小块“串珠状”反射异常数据。溶洞真实模型至叠后地震数据的映射过程可以表示为
$ \mathit{\boldsymbol{d}} = F\left( \mathit{\boldsymbol{m}} \right) + \mathit{\boldsymbol{n}} $ | (1) |
式中:F为地震正演过程;m是溶洞真实速度模型;n为随机噪声;d为由溶洞异常体所引起的地震波场响应。深度网络预测溶洞的任务就是寻求一个函数满足
$ f = {\rm{arg}}\;_f^{{\rm{min}}}\;L\left\| {f\left( \mathit{\boldsymbol{d}} \right) - \mathit{\boldsymbol{m}}} \right\|_2^2 $ | (2) |
式中函数f代表深度卷积网络,任务是更新卷积神经网络的参数,使d与对应的m之间的重建损失函数L达到最小。为了能将地震剖面上的“串珠状”反射异常图像映射至真实的溶洞,本文采用能够保护信息完整性且易优化的深度残差全卷积神经网络。
从“串珠状”地震反射异常到“溶洞”的映射较为复杂。如果设计层数过少,深度学习网络在训练时难以有效提取数据特征,从而影响预测精度。如果卷积神经网络层数过深,则会导致深层网络梯度消失或者爆炸,使深度网络模型难以有效训练,出现模型退化问题。
多层卷积神经网络学习的非线性映射难以逼近恒等映射,He等[22]提出的残差模块可以很好地解决这一问题。残差结构和跳跃结构均属于并联结构。如图 5所示,在本文所使用的残差模块中,采用了一层1×1的卷积层逼近残差,其中xres为该卷积层的输出结果,xres与卷积层Conv3输出结果x3相加,最终经由ReLU函数激活。残差模块直接将输入连接到输出,形成短接,将学习目的转换为两者的残差xres。学习的是残差函数G(x)=x3-x1,如果G(x)=0,则是一个恒等映射,在实际中往往更容易优化。因此,残差神经网络相比普通神经网络有更好的性能,并且更容易学到更深的层数,可以解决网络因为层数过深而导致的退化问题。
本文用于溶洞轮廓预测的全卷积残差深度网络结构(图 6)与“串珠状”地震反射异常识别网络相似。以编码—解码模型为基础,输入的“串珠状”反射异常数据首先经过编码部分,该部分每层包含3个核尺寸为3×3的卷积层和一个核尺寸为2×2的最大池化层;之后经过解码部分,该部分每层含有3个核尺寸为3×3的卷积层和一个核尺寸为2×2的上采样层。编码、解码部分每层第一个与第三个卷积层之间均是通过跳跃结构相连接,整体构成一个残差模块。
本文构建的训练样本集分为“串珠状”地震反射异常识别和真实溶洞预测两部分。
3.1 “串珠状”反射异常识别训练数据集溶洞体地震响应特征复杂,人工合成地震数据无法完全重现实际地质、地震条件。因此,本文所用“串珠状”反射异常识别训练样本集来自于实际地震数据,即选用西北地区A油田碳酸盐岩储层三维地震数据。该区奥陶系以断控型油气藏为主,溶洞较发育。
深度神经网络作为一种监督算法,如何获取大量且特征丰富的训练数据,对于模型的训练至关重要。参考前人工作成果和测井资料等,以振幅包络、瞬时振幅、均方根振幅等地震属性作为辅助,对该区地震剖面上的“串珠状”反射异常进行标定,作为“串珠状”反射异常识别训练数据的样本标签。其中,“串珠状”反射异常的值设为1,背景围岩的值设为0。在对地震数据体的“串珠状”反射异常标注完成后,分别沿三维数据体的主测线、联络线两个方向提取二维地震剖面,再在每一个地震剖面上选取一个尺寸为256×256的窗口,通过选取不同的重叠步长,滑动步长,截取所需的地震训练数据与“串珠状”反射异常标签。由于实际地层中溶洞分布并不均匀,在截取方形训练数据时,如果该数据对应的标签中溶洞占比小于一定阈值时则舍去,以保证之后训练的稳定性。最后,对每一个地震数据进行分频、垂直翻转,以增加训练样本的数量和多样性。考虑到不同实际地震数据的振幅彼此差异很大,为了加快目标函数收敛,需要对训练数据中所有地震数据的振幅值进行标准化处理,使其值分布范围为-1.0~1.0。本文共生成4200组数据,其中4000组用于模型的训练,200组用于测试。部分训练地震数据与对应的“串珠状”反射异常标签如图 7所示。
溶洞地震响应特征复杂,并具多解性,因而难以根据实际地震数据的波场特征反推其对应的溶洞模型;通过人工合成数据制作训练样本时,溶洞在地震剖面上的绕射波场特征无法通过一般的褶积模型还原。针对这些问题,本文采用波动方程正演模拟制作训练数据,既能保证训练数据具有精确的标签,又能使样本最大程度地贴近实际数据。
根据研究区地震剖面上不同类型的溶洞特征,参考测井、地震等资料的解释成果,构建地层格架和一系列不同类型、不同尺度的溶洞速度模型。该区溶洞主要分布于地下4000~6000m处的奥陶系,设计的正演速度模型深度为6000m,溶洞埋深约4500m(图 8)。本文主要聚焦于预测溶洞的分布位置与尺寸,因此设计溶洞为具不同尺寸的矩形,未考虑其他形状。溶洞的纵向长度范围为3~100m,横向宽度为5~600m,每个溶洞采用4000~5000m/s的不同充填速度,围岩速度为6000m/s。共建立1820个不同尺寸、样式的溶洞模型。
正演观测系统按照实际野外观测系统参数设定:炮间距、道间距均为50m,采样间隔为2ms,并分别用20、25、30Hz的雷克子波进行波动方程正演模拟。最后通过克希霍夫偏移成像得到偏移剖面,其中溶洞的纵向长度为30m、横向宽度依次从5m增至600m,正演偏移剖面结果如图 9所示。
以每个溶洞速度模型的空间中心为基准,将偏移剖面截取成80×40像素点的数据块,并在加入一定的随机噪声后,对数据振幅值标准化处理。将速度模型中溶洞处纵波速度作为阈值,模型中速度值在4000~5000之间的像素点赋值为1,表示溶洞;其余点赋值为0,表示背景。以此确定精确的溶洞结构与尺寸,作为溶洞预测训练样本的标签数据。共制作5460组训练样本,其中5000组用于网络模型训练,460组用于测试,部分训练数据及标签如图 10所示。从图中可以看出,实际的溶洞模型与地震响应中的“串珠状”反射异常之间具有较大差异,如果仅仅以“串珠状”反射异常作为标准,则无法准确地判断实际地层中溶洞的空间位置与形态。
“串珠状”反射异常识别模型和溶洞预测模型训练均采用Adam优化算法[23],学习率设置为1×10-4,训练完成后,保存网络参数并进行测试。为了评估深度学习模型溶洞识别与预测的效果,将训练好的模型应用于理论模型数据的测试。
首先,根据地质、测井等资料,构建符合实际地下构造的地质模型,具体速度模型如图 11a所示;然后,通过波动方程数值模拟获得炮集数据,并经过地震资料处理流程得到地震深度偏移剖面;最后,加入随机噪声,获得信噪比为20dB的地震数据,使正演数据更符合实际情况(图 11b)。将正演地震数据输入“串珠状”反射异常识别模型,输出结果如图 11c所示。图 11d是其选定阈值为2000后的瞬时振幅地震属性剖面,作为传统的溶洞识别方法与深度学习识别方法进行对比。由图可以看出,深度学习模型识别结果中,溶洞与地震剖面中的“串珠状”反射异常以及瞬时振幅属性中的高值部分基本吻合,表明识别结果较准确,抗噪性强,不受同相轴振幅强弱的影响。而传统的地震属性识别方法主要依据振幅,当溶洞处于强能量同相轴下方时,识别效果较差,因为它对于噪声十分敏感,且需要人工选定相应阈值。另外,虽然训练数据来自于实际地震数据,但在正演数据中仍然具有较好的效果,说明该“串珠状”反射异常识别模型具有一定的泛化性。
为了检测深度学习模型预测溶洞的效果,在完成“串珠状”反射异常识别后,以每个“串珠状”反射异常的空间中心为基准,截取80×40像素点的小块“串珠状”反射地震数据,输入深度学习溶洞预测模型。其中选取图 11a模型中6块具有代表性的溶洞预测结果进行展示(图 12),每组图从左向右依次为“串珠状”反射地震数据、真实溶洞速度模型、深度学习溶洞预测结果。从图中可以看出,深度学习溶洞预测模型对①、④、⑥号这种单一溶洞预测结果(图 12a、图 12d、图 12f)较为准确。虽然本文训练数据均为矩形溶洞,但对于图 12d、图 12f中这类不规则溶洞预测时也具有一定的可靠性。由于本文训练数据只考虑了单一溶洞,并未考虑多组溶洞组合,因此对于②、③、⑤号这类组合溶洞预测效果不够理想。但即使训练数据均为单一溶洞,对于图 12b、图 12c中横向间距较小的溶洞依然能预测。只是对于纵向间距较小的组合溶洞的识别效果较差,两组溶洞被深度学习模型识别为一个较大的溶洞(图 12e)。另外,如果尺寸差距较大的两个溶洞距离较近,较小溶洞的地震响应会被深度学习模型视为噪声,从而无法识别(图 12f)。但即便如此,本文的深度学习溶洞预测模型对于溶洞发育规模与尺寸的预测总体较为准确。
由理论模型测试结果可知,本文深度学习溶洞识别与预测模型具有一定的泛化性和可靠性。将本文模型应用于实际工区地震数据的“串珠状”反射异常识别,部分剖面识别结果如图 13所示。从图中可以看出,识别结果与剖面上的“串珠状”反射异常基本重合,位置准确。这表明经过训练后的模型具有较好的“串珠状”反射异常识别能力,且几乎不受地震数据噪声和同相轴振幅强弱影响。溶洞体在地震剖面上呈现“串珠状”异常响应,因而可以根据深度网络识别的“串珠状”反射异常分布大致确定溶洞的范围和发育规律。图 14为该区三维数据体4790ms处的等时切片。由图可见,溶洞集中发育在北东—南西向的断裂带上。
在完成“串珠状”反射异常识别后,以每个“串珠状”反射异常的空间中心为基准,在对应的地震剖面上分别向上、下各选取80ms(采样间隔为2ms,即40个采样点)、左右截取20道、确定一个80×40像素点的小窗口,使窗口内几乎只含有“串珠状”反射异常地震数据。将其输入深度学习溶洞预测模型,可实现“串珠状”反射异常到“溶洞”的映射,精确预测实际溶洞的形态和尺寸。图 15为该工区部分“串珠状”反射异常数据及与其对应的溶洞轮廓的预测结果。从图中可以看出,深度学习方法可以较好地将“串珠状”反射异常映射至对应的溶洞。
溶洞的地震波场响应特征复杂,深度学习方法在识别溶洞时,存在小尺度目标难以预测、地震反射异常与地质异常差异较大、训练数据难以制备等问题,因此本文提出“两步法”地震溶洞智能识别方法,通过建立U-Net模型与深度残差网络模型分别实现地震反射异常体的识别与地质异常体的预测,并采用波动方程正演模拟的方法制备了一系列具有准确溶洞标签的训练样本。通过在中国西北地区溶洞识别与预测中的应用,得到了如下认识。
(1) 通过波动方程正演模拟的地震数据可以较好地应用于溶洞轮廓的预测。溶洞引起的“串珠状”地震反射异常波场响应特征与实际溶洞之间具有较大差异,因而在溶洞预测时,不能仅根据“串珠状”地震反射异常特征作为训练数据的标签。
(2) U-Net模型可以较为准确识别地震数据中的“串珠状”反射异常,识别结果可以用于表征溶洞的分布与发育规律。深度学习方法识别效果优于传统地震属性方法,通过深度残差网络可以进一步将“串珠状”地震反射异常映射到溶洞,从而可以实现溶洞尺寸与分布位置的预测。
本文方法尚存在不足之处,即在制备溶洞轮廓预测训练数据时,正演模型设计的溶洞类型过于单一。因此,在识别更为复杂类型的组合溶洞时,结果可信度较低。设计不同形状、不同组合关系的溶洞模型以丰富溶洞预测训练样本是进一步的研究方向。
[1] |
韩剑发, 程汉列, 施英, 等. 塔中缝洞型碳酸盐岩储层连通性分析及应用[J]. 科学技术与工程, 2016, 16(5): 147-153. HAN Jianfa, CHENG Hanlie, SHI Ying, et al. Connectivity analysis and application of fracture cave carbonate reservoir in Tazhong[J]. Science Technology and Engineering, 2016, 16(5): 147-153. DOI:10.3969/j.issn.1671-1815.2016.05.027 |
[2] |
崔泽飞, 熊晓军, 龚思宇, 等. 碳酸盐岩裂缝储层精细建模及其数值模拟[J]. 科学技术与工程, 2017, 17(26): 177-180. CUI Zefei, XIONG Xiaojun, GONG Siyu, et al. Carbonate fractured reservoir modeling and its numerical simulation[J]. Science Technology and Engineering, 2017, 17(26): 177-180. DOI:10.3969/j.issn.1671-1815.2017.26.028 |
[3] |
曲寿利, 朱生旺, 赵群, 等. 碳酸盐岩空洞型储集体地震反射特征分析[J]. 地球物理学报, 2012, 55(6): 2053-2061. QU Shouli, ZHU Shengwang, ZHAO Qun, et al. Analysis of seismic reflection characters for carbonate Karst reservoir[J]. Chinese Journal of Geophysics, 2012, 55(6): 2053-2061. |
[4] |
马灵伟, 顾汉明, 李宗杰, 等. 正演模拟碳酸盐岩缝洞型储层反射特征[J]. 石油地球物理勘探, 2015, 50(2): 290-297. MA Lingwei, GU Hanming, LI Zongjie, et al. Simulation of carbonate fracture-cavern reservoir reflection characteristics with forward modeling[J]. Oil Geophysical Prospecting, 2015, 50(2): 290-297. |
[5] |
任海洋. 基于深度学习方法的溶洞体识别及定量计算[D]. 四川成都: 电子科技大学, 2019.
|
[6] |
王保才, 刘军, 马灵伟, 等. 塔中顺南地区奥陶系缝洞型储层地震响应特征正演模拟分析[J]. 石油物探, 2014, 53(3): 344-350. WANG Baocai, LIU Jun, MA Lingwei, et al. Forward modeling for seismic response characteristics of the fracture-cavity Ordovician reservoir in Shunnan area of central Tarim Basin[J]. Geophysical Prospecting for Petroleum, 2014, 53(3): 344-350. DOI:10.3969/j.issn.1000-1441.2014.03.013 |
[7] |
王立华, 魏建新, 狄帮让. 溶洞物理模型地震响应及其属性分析[J]. 石油地球物理勘探, 2008, 43(3): 291-296. WANG Lihua, WEI Jianxin, DI Bangrang. Seismic response of Karst cave physical model and analysis of its attributes[J]. Oil Geophysical Prospecting, 2008, 43(3): 291-296. DOI:10.3321/j.issn:1000-7210.2008.03.010 |
[8] |
张军华, 刘振, 刘炳杨, 等. 强屏蔽层下弱反射储层特征分析及识别方法[J]. 特种油气藏, 2012, 19(1): 23-26. ZHANG Junhua, LIU Zhen, LIU Bingyang, et al. Analysis and identification of reservoir characteristics of weak reflectors under strong shielding layer[J]. Special Oil & Gas Reservoirs, 2012, 19(1): 23-26. DOI:10.3969/j.issn.1006-6535.2012.01.004 |
[9] |
赵裕辉, 胡建中, 鲁新便, 等. 碳酸盐岩缝洞型储集体识别与体积估算[J]. 石油地球物理勘探, 2010, 45(5): 720-724. ZHAO Yuhui, HU Jianzhong, LU Xinbian, et al. Identification of carbonate fractured-vuggy reservoir and volume estimation[J]. Oil Geophysical Prospecting, 2010, 45(5): 720-724. |
[10] |
奚先, 黄江清. 基于卷积神经网络的地震偏移剖面中散射体的定位和成像[J]. 地球物理学报, 2020, 63(2): 687-714. XI Xian, HUANG Jiangqing. Location and imaging of scatterers in seismic migration profiles based on convolution neural network[J]. Chinese Journal of Geophysics, 2020, 63(2): 687-714. |
[11] |
WU X, SHI Y, FOMEL S, et al. Convolutional neural networks for fault interpretation in seismic images[C]. SEG Technical Program Expanded Abstracts, 2018, 37: 1946-1950.
|
[12] |
SHI Y, WU X, FOMEL S. Automatic salt-body classification using deep-convolutional neural network[C]. SEG Technical Program Expanded Abstracts, 2018, 37: 1971-1975.
|
[13] |
ALAUDAH Y, ALFARRAJ M. Structure label prediction using similarity-based retrieval and weakly supervised label mapping[J]. Geophysics, 2019, 84(1): V67-V79. DOI:10.1190/geo2018-0028.1 |
[14] |
王天云, 韩小锋, 许海红, 等. 无监督神经网络地震属性聚类方法在沉积相研究中的应用[J]. 石油地球物理勘探, 2021, 56(2): 372-379. WANG Tianyun, HAN Xiaofeng, XU Haihong, et al. Study on sedimentary facies based on unsupervised neural network seismic attribute clustering[J]. Oil Geophysical Prospecting, 2021, 56(2): 372-379. |
[15] |
DI H, LI Z, MANIAR H, et al. Seismic stratigraphy interpretation via deep convolutional neural networks[C]. SEG Technical Program Expanded Abstracts, 2019, 38: 2358-2362.
|
[16] |
PETERS B, GRANEK J, HABER E. Multiresolution neural networks for tracking seismic horizons from few training images[J]. Interpretation, 2019, 7(3): SE201-SE213. DOI:10.1190/INT-2018-0225.1 |
[17] |
WU X, YAN S, QI J, et al. Deep learning for characterizing paleokarst collapse features in 3-d seismic ima-ges[C]. SEG Technical Program Expanded Abstracts, 2020, 39: 1454-1459.
|
[18] |
朱剑兵, 王兴谋, 冯德永, 等. 基于双向循环神经网络的河流相储层预测方法及应用[J]. 石油物探, 2020, 59(2): 250-257. ZHU Jianbing, WANG Xingmou, FENG Deyong, et al. Predicting fluvial reservoirs using seismic data based on a Bi-recurrent neural network[J]. Geophysical Prospecting for Petroleum, 2020, 59(2): 250-257. DOI:10.3969/j.issn.1000-1441.2020.02.011 |
[19] |
闫星宇, 顾汉明, 罗红梅, 等. 基于改进深度学习方法的地震相智能识别[J]. 石油地球物理勘探, 2020, 55(6): 1169-1177. YAN Xingyu, GU Hanming, LUO Hongmei, et al. Intelligent seismic facies classification based on an improved deep learning method[J]. Oil Geophysical Prospecting, 2020, 55(6): 1169-1177. |
[20] |
LONG J, SHELHAMER E, DARRELL T. Fully convolutional networks for semantic segmentation[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015, 3431-3440.
|
[21] |
RONNEBERGER O, FISCHER P, BROX T. U-Net: Convolutional networks for biomedical image segmentation[C]. International Conference on Medical Image Computing and Computer-Assisted Intervention, Springer, Cham, 2015, 234-241.
|
[22] |
HE K, ZHANG X, REN S, et al. Deep residual lear-ning for image recognition[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, 770-778.
|
[23] |
KINGMA D P, BA J. Adam: A method for stochastic optimization[C]. The 3rd International Conference on Learning Representations, 2015. http://arxiv.org/abs/1412.6980.
|