0 引言

目前断裂识别的主流技术包括相干类、曲率类、边缘增强类、图像边缘检测类等^[1]。早期“断控储集体”研究采用的方法有传统的相干类及边缘增强类(如AFE)、蚂蚁体、最大似然法等。这些方法都曾取得过一定效果，但对于精细研究尚存一定不足，尤其是对不同规模断裂的分尺度检测。

相干属性是最早用于检测断裂的属性^[2]，从第一代相干算法的提出，到目前已发展为以梯度结构张量(GST)为代表的第四代，其间众多学者提出了不同改进方案^[3-7]。相干类属性识别断裂的不足在于其明显的低精度且不连续性特征。

曲率属性于1994年最早提出^[8]，后来的各种二维曲率属性的计算公式与分类^[9]、三维体曲率及其对应的地质含义^[10]，以及振幅曲率、欧拉曲率、曲率梯度^[11-14]等相继出现，主要用于解决与裂缝相关的问题，但是未经过增强处理的曲率属性也存在低精度的弊端。

边缘增强类以蚂蚁追踪与最大似然属性为代表。蚁群算法由Colorni等^[15]率先提出，并由Randen等^[16]最早应用于断层识别领域。最大似然属性最早由Hale^[17]于2012年提出，是在相干计算基础上，通过寻找局部最大值的方式达到相干增强的目的，最大似然体沿最可能的断面方向进行扩散加强。在同一方向得到的点越多，断裂越发育。边缘增强类属性用于断裂检测的不足之处是应用过程中常会出现大量“阶梯状”假象及过多杂乱的裂缝信息。

边缘检测技术起源于图像处理领域，用于检测图像中的灰度突变区域，地震勘探领域主要用其对地震数据中的不连续区域进行检测^[18]。目前主流的深度学习断裂检测以基于U-Net的卷积神经网络算法为主，U-Net网络最早是应用于医学图像识别领域^[19]。作为一种编码器—解码器架构的网络，因形似英文字母“U”而得名。Badrinarayanan等^[20]和Li等^[21]提出编码器—解码器神经网络并应用于断层检测，以较小的训练集训练网络，然后逐像素预测地震数据中的断层；Wu等^[22]和Qi等^[23]基于U-Net卷积神经网络，通过建立人工合成地震数据模型方式进行训练，快速实现断层数据提取，具有很强泛化能力。其他如张政等^[24]通过残差网络与迁移学习提高其泛化能力，常德宽等^[25]提出应用ResNet与U-Net架构联合的方式形成断层识别网络架构SeisFault-Net用于识别断层。随着以卷积神经网络为代表的深度学习技术的普及应用，它在断层精确检测方面的优势相较于传统的相干、曲率或边缘增强属性愈加明显，尤其是对断层预测的准确性及连续性方面，具有明显优势。

近年来，塔里木盆地顺北地区特深“断控储集体”油气藏不断有重大油气发现，该油气藏具有沿断裂带整体含油、不均匀富集的特点。高角度走滑断裂对“断控储集体”的发育起着决定性的作用^[26]。受走滑断裂带多期活动与流体溶蚀改造，可形成良好的洞穴、裂缝及溶蚀孔洞型储集体。断裂作为重要的油气储集空间和渗流通道，控制着油气藏的形成与分布^[27-28]。前期研究表明，顺北地区奥陶系碳酸盐岩断控缝洞储层普遍埋深较大，非均质性强、缝洞分布规律复杂。

针对研究区走滑断裂埋藏深、断距小、难闭合，以及地震资料信噪比低、断面特征不清晰、空间解释难度大的特点，常规方法如相干、AFE、蚂蚁体等因其算法本身存在的问题，很难分别准确地对走滑断裂中的主干断裂、内部小断裂及裂缝进行综合的表征。为此，本文提出一套针对不同断裂的多尺度综合检测方法，即深度学习识别主干断裂，凌乱性检测与Aberrance增强相结合识别主干断裂内部小断裂和裂缝，综合三种技术的走滑断裂检测方法。

1 超深走滑断裂带地震模式识别

构造地质学中将断裂按规模划分为四个等级：一级控盆断裂、二级控带断裂、三级控制局部构造断裂、四级伴生断层或小断层等。主干断裂与次级断裂也是按其发育规模划分，通常认为一~三级为主干断裂，四级为次级断裂。

顺北地区深层奥陶系储层主要受超深走滑断裂及断裂活动相伴生的次级断裂控制，“断控储集体”作为其主要的油气储集空间，内部结构非常复杂，地震剖面显示的反射特征多为几种储层类型的综合响应^[29]。文中提到的主干断裂检测在“断控储集体”研究中的主要目标是精确反映走滑断裂带的空间展布。

图 1展示了走滑断裂正演模型，假设其地层速度为4000m/s，深度学习断层检测可准确识别1/12波长(8m)以上断距的断裂。若以断距为参照，将断距大于1/8波长的断裂定义为主干断裂，1/16~1/8波长断距的断裂定义为次级断裂，将小于1/16波长断距的断裂定义为裂缝。

由于研究区走滑断裂平移、挤压、拉分等不同断裂特征共存。裂缝研究主要针对裂缝带的发育情况，断层在横向或垂向上的错断距离和张开度要远超裂缝。充分消化吸收前人研究成果^[30-31]，针对顺北地区超深走滑断裂带和“断控储集体”发育模式，开展有针对性的模型正演。通过与实际地震、钻井、地质资料结合，合理设计断裂样式，主干断裂、次级断裂、裂缝及洞穴等空间组合，对断裂宽度、缝洞充填样式、充填速度的选择，最终保证构建的正演模型与(实际)地震响应的匹配度高，建立符合研究区地质规律的地质模型。在构建地质模型后，正演生成“断控储集体”在不同深度的地震识别模式。在正演地震数据体上进行属性模拟分析，选取对断裂响应敏感的参数。

图 2a为原始地震剖面，图 2b为设计地质模型，其中的断裂设置为花状类型，在主干断裂附近伴生一系列次级断裂及裂缝。断裂带宽度为40~80m，断距最大为70m，断裂速度比围岩低500m/s，裂缝速度比围岩低600~700m/s。在建立了上述断裂带缝洞体和裂缝体两种类型储集体模型的基础上，开展数值模拟正演研究。从波动方程正演结果(图 2c)及其与断裂的叠合显示(图 2d)可看出：高陡主断面(巨缝)响应主要为线性弱反射，标志波有错断；次级断裂和小断裂发育区主要表现为杂乱弱反射；洞穴主要为串珠或杂乱强反射。实际地层中的裂缝与缝洞是伴生关系，地震剖面上呈现的反射异常是不同尺度断裂及缝洞体的综合响应特征。

在正演地震数据上进行属性模拟计算，分析地震属性对洞穴、裂缝、断裂的响应特征，为后续的断裂预测识别和空间解释提供依据。本次研究选取多项属性进行测试，提出一套针对不同规模断裂进行分级检测的综合研究思路(图 3)：应用基于U-Net卷积神经网络的深度学习技术识别地震同相轴错断的主干断裂，准确地描述断裂的空间展布特征；以基于振幅梯度矢量凌乱性分析的断层检测技术更好地识别深大断裂周边伴生的小尺度断裂的分布；通过Aberrance增强属性有效预测受构造应力作用产生的地层扭曲等伴生的裂缝信息。

图 4所示正演地震数据可看出：深度学习断裂检测算法对主干断裂的识别效果最好，可真实地反映超深走滑断裂的发育样式；基于振幅梯度矢量的凌乱性检测技术是对深度学习断裂检测的有效补充，可进一步识别地震响应相对不明显的次级断裂；Aberrance增强属性对预测裂缝有显著效果，能很好地反映断裂附近裂缝的发育特征。

2 超深走滑断裂地震识别技术

深度学习可识别三级及以上的断裂，或部分四级断裂，需建立几米、几十甚至几百米级别断距的断裂模型作为学习样本。从实际应用角度，一方面受地震资料本身信噪比的影响，无噪正演模型可以识别大于1/12波长断距的断层，但断距较小的单一断层的预测会存在一定不确定性；另一方面三维断层模型的建立也有一定的延伸性特点，比如建立－50~50m过渡断距的走滑断层模型，实现走滑断裂带断层检测中平移段断裂的识别。深度学习以其强大的学习能力，其高分辨率特点可忠实、准确地反映地震剖面上的断裂特征，同时对于断距较小的断裂延伸部分，有较强的延伸性特点。

次级断裂主要指四级断裂，凌乱性检测可识别三级、四级断裂及裂缝。凌乱性检测与深度学习的适用范围有部分重叠，但因深度学习的准确性及延伸性更好，因此三级断裂主要参考深度学习的结果。

2.1 基于卷积神经网络深度学习断层检测技术

卷积神经网络(CNN)是一种监督学习技术，可用于解决勘探地球物理中许多具有挑战性的问题。与所有监督学习技术一样，CNN断裂检测的性能高度依赖于训练数据，并且通过分类正则化可大大提高检测结果的稳定性^[32]。

从计算机视觉角度来看，在地震数据中，断裂是一组特殊的边缘，在地震数据上会表现出不连续的特性，经过边缘检测技术处理后，这些不连续的边缘特性会得到凸显。因此边缘检测技术可识别地震数据体中的断裂并能较准确地刻画断层形态。地震数据中的断裂与计算机视觉图像中的边缘有着本质上的区别。在传统的计算机视觉图像中，由边缘分割的区域是相对均匀的；而在地震数据中，这些区域是由反射层的模式定义的。此外，并非地震数据中所有边缘都是断层，某些地层边缘(如不整合面、河道岸和喀斯特坍塌等)也可呈现很好的边缘图像。传统边缘检测算法，如Kirsch、Prewitt、Sobel、Robert、Canny、Laplacian等在边缘检测领域都取得了较好应用效果^[33]。

深度学习断层检测主要由模型选择与训练学习两部分组成。其中模型既可以是人工合成地震数据，也可以是实际地震数据，都需对其进行标签化以用于训练学习。对比两种方法：实际地震数据需人工解释断层，标注实际数据中断层位置，制作标签数据，该解释结果存在极大不确定性，且非常耗时；人工合成地震数据对断层的定义较明确，可通过调整断距、旋转倾角等方式实现不同类型、不同尺度断层的准确模拟，且可不断更新模型库用于训练学习，极大地提高了断层检测的效率^[34-35]。

本次无噪模型设定样本库数近4000个，训练学习采用U-Net架构，主要由下采样特征提取、上采样特征恢复与分类器三部分组成(图 5)。具体实现过程：首先给定地震数据并将其图像化，下采样部分由卷积层与池化层组成，每轮卷积层过滤完成后紧接着进行池化层运算(采用2×2×2重采样因子)。每一轮卷积与池化处理便是对图像特征的一次抽象，逐层完成高级像素特征的提取。上采样部分由反卷积与池化层组成，它是下采样操作的反运算。上采样过程是对提取特征逐层恢复过程，逐层累积直至完成初始图像的最终恢复。上采样与下采样之间由全连接层连接，基于ReLU (Rectified Linear Units)激活函数不断调整参数，进行多轮加权—叠加，最终还原原始维度的图像。上采样完成后，通过Sigmoid激活函数评判断层与非断层即标签化。

深度学习过程需测试的参数达上百万个，运算量巨大，需采用GPU运算以提高效率。

基于有监督的深度学习断裂检测的一个特点是它的暴力性，其检测过程完全依赖于训练数据，而不是遵循地质/地球物理原理。在现实中，不可能得到能覆盖地震数据中所有可能出现的断裂的训练数据，且数据也不是无噪声的。因此，虽然CNN分类器的原始输出可很好地代表结构简单、低噪的合成数据中的断层，但要使结果对实际数据有用，还需一些后续处理。采用基于U-Net的CNN网络实现断裂的高精度识别，有下列主要特点和优势：

(1) 训练数据以建立大量不同类型断裂模式并合成地震模型的方式获得，并赋予“断层”标签，实现基于大数据的有监督的深度学习；

(2) 采用基于U-Net的卷积神经网络以实现“断层”与“非断层”的分类问题，具很强泛化能力；

(3) 采用GPU，大幅提高深度学习断层检测效率。

2.2 基于振幅梯度矢量的凌乱性断裂检测技术

基于振幅梯度矢量凌乱性断层检测技术，是在最新一代相干计算的基础上实施边缘增强的断裂检测思路。该方法核心思想是：假设断层面在局部区域是一个面，通过在三维空间里各个方位角和倾角搜索地震振幅梯度向量的凌乱度，据此开展断层体优化处理，最终得到的反映断面特征的凌乱体，并对它做边缘增强处理。具体实现过程如下：

以地震样点s为中心，在任意方向υ(倾角θ、方位α由第一步倾角计算提供)创建矩阵T_θα，该矩阵的协方差矩阵R_θα表达为^[36]

$ \boldsymbol{R}_{\theta \alpha}=\boldsymbol{T}_{\theta \alpha}^{\mathrm{T}}(s) * \boldsymbol{T}_{\theta \alpha}(s) $

(1)

对R_θα沿x、y、t方向分别求偏导数D_x、D_y、D_t，得到相应的梯度矢量

$ \begin{aligned} \nabla[p(s)] & =\left[\frac{\partial p(s)}{\partial x} \frac{\partial p(s)}{\partial y} \frac{\partial p(s)}{\partial t}\right]^{\mathrm{T}} \\ & =\left[D_x, D_y, D_t\right]^{\mathrm{T}} \end{aligned} $

(2)

将该梯度矢量的协方差矩阵定义为结构张量

$ \boldsymbol{T}(s, \boldsymbol{v})=\left[\begin{array}{ccc} D_x^2 & D_x D_y & D_x D_t \\ D_x D_y & D_y^2 & D_y D_t \\ D_x D_t & D_y D_t & D_t^2 \end{array}\right] $

(3)

结构张量T(s, υ)的特征向量为X₁、X₂、X₃，对应特征值为λ₁、λ₂、λ₃。将特征向量沿方向υ旋转(即通过与方向υ表示的矢量矩阵R进行矩阵相乘)，分别表示如下

$ \boldsymbol{R} * \boldsymbol{X}=\left[\begin{array}{l} X_1 υ_{11}+X_2 υ_{12}+X_3 υ_{13} \\ X_1 υ_{21}+X_2 υ_{22}+X_3 υ_{23} \\ X_1 υ_{31}+X_2 υ_{32}+X_3 υ_{33} \end{array}\right] $

(4)

$ \boldsymbol{R}=\left(\begin{array}{l} \varepsilon_1 \\ \varepsilon_2 \\ \varepsilon_3 \end{array}\right)=\left(\begin{array}{lll} υ_{11} & υ_{12} & υ_{13} \\ υ_{21} & υ_{22} & υ_{23} \\ υ_{31} & υ_{32} & υ_{33} \end{array}\right) $

(5)

若三个特征值满足λ₁≥λ₂≥λ₃，会有一个平面相干异常，其中第一和第二特征向量的方向υ₁和υ₂表示平行于平面异常即断面的方向，第三特征向量的方向υ₃表示球面分析窗口垂直于平面异常的方向。通过特征值求得相干异常

$ c(s)=1-\frac{3\left(\lambda_2+\lambda_3\right)}{2\left(\lambda_1+\lambda_2+\lambda_3\right)} $

(6)

断层体优化的目的是使上述相干异常变细且提高其连续性，能够更准确反映断层信息，本文主要采用了图像增强处理中的高斯—拉普拉斯(LoG)滤波与骨架化处理相结合的研究思路。该思路也同样适用于Aberrance属性的边缘增强处理。LoG滤波是针对图像进行边缘滤波的一种算法，主要起到平滑与锐化的作用。其中：高斯滤波器通过低通滤波起到平滑图像、抑制噪声的作用；拉普拉斯算子是一种高通滤波器，通过对图像灰度函数在两个方向二阶偏导数求和(一阶导数梯度算子求极值，二阶导数过零点)以提取图像边缘，实现边缘检测与断层增强的目的^[37-38]。

LoG算子在平行于断面方向做平滑处理，垂直于断面方向做锐化处理。为了保证沿断层而不是垂直断层方向更大平滑，高斯函数G的表达式为

$ G\left(\varepsilon_1, \varepsilon_2, \varepsilon_3\right)=\frac{1}{2 \pi \sigma^2} \mathrm{e}^{-\left(\frac{\varepsilon_1^2}{2 \sigma_1^2}+\frac{\varepsilon_2^2}{2 \sigma_2^2}+\frac{\varepsilon_3^2}{2 \sigma_3^2}\right)} $

(7)

其中高斯算子标准差σ₁、σ₂、σ₃满足$\sigma_3^2<\frac{1}{3} \sigma_1^2=\frac{1}{3} \sigma_2^2$。设σ₃为道间距，为了保证LoG算子具有方向性，需对垂直于断面方向进行锐化处理(式(5)中沿轴方向进行二阶偏导)，LoG算子的表达式

$ \mathrm{LoG}=\frac{\mathrm{d}^2 G}{\mathrm{~d} \varepsilon_3^2}=\left(-\frac{1}{\sigma_3^2}+\frac{\varepsilon_3^2}{\sigma_3^4}\right) \mathrm{e}^{-\left(\frac{\varepsilon_1^2}{2 \sigma_1^2}+\frac{\varepsilon_2^2}{2 \sigma_2^2}+\frac{\varepsilon_3^2}{2 \sigma_3^2}\right)} $

(8)

该式为高斯算子与拉普拉斯算子结合的结果，表示沿断面方向“拉长”的高斯算子。通过该算子以卷积核方式对数据做滤波与边缘增强，每次运算所得结果作为输入，多次迭代得到最终结果。通常该断层增强过程需三次以上迭代才能得到理想结果。

2.3 基于Aberrance增强属性裂缝识别技术

深度学习与凌乱性检测可识别主体断层及构造裂缝的发育范围，而曲率增强技术是对凌乱性裂缝检测的有效补充。曲率类算法已被证明为可靠的断裂检测手段。构造曲率通过计算地层弯曲程度，以反映裂缝发育强度。常用的最大正曲率和最大负曲率所预测的断裂位置均有一定误差。Aberrance属性是对曲率的求导，其预测结果相对更准确。从其原理图(图 6)可看出，断面位置深度落差最大，对应构造曲率0值。而构造曲率的最大值位于断层扭曲的转换位置(包括最大正曲率和最大负曲率)，处于断面的两翼，这就造成构造曲率对断面的识别存在一定误差。对于中小尺度断层，这种误差会难以接受。而Aberrance属性最大值正好位于断面位置，明显提高了断面的识别精度。

地震同相轴明显褶曲的地层，由于地震同相轴没有明显错断，但受构造应力作用，会伴生大量小尺度裂缝。由于这种褶曲地层振幅横向连续性强，用深度学习及凌乱性检测无法有效识别，而利用A berrance属性则可对其进行有效识别。由于原始Aberrance属性计算结果信噪比稍低，需对此属性做边缘增强处理，得到的结果信噪比明显改善，裂缝可清晰识别，更易于精细解释。

3 实际资料应用效果分析

研究区位于顺托果勒低隆与沙雅隆起南斜坡的结合部位，该区长期处于顺托果勒构造脊部，深层发育玉尔吐斯组烃源岩，存在多期活动深大断裂(图 7)，这些深大走滑断裂不仅为油气运移提供了良好通道，且可作为优质储集空间。中下奥陶统主要发育裂缝—洞穴型、裂缝—孔洞型和裂缝型三种类型储集体，储层发育规模受控于多期活动的走滑断及断裂溶蚀作用，在深层形成不同程度的压扭性走滑断裂。在喜山晚期，深层玉尔吐斯组生成的高成熟度轻质油气沿深大断裂以垂向运移为主、侧向运移为辅，在有利储层发育区聚集成藏。断裂带中上奥陶统发育齐全，巨厚桑塔木组泥质岩作为区域盖层，有利于晚期轻质油气运聚与保存^[40]。

3.1 深度学习主干断裂识别

图 8为研究区地震相干与深度学习两种方法得到的断层预测结果剖面，可见基于U-Net卷积神经网络的深度学习断裂检测结果精度高，可解释性强。

图 9为沿超深走滑断裂带挤压段、拉分段、平移段深度学习断裂检测结果，该方法对主干断裂具有很强识别能力，可准确反映断裂空间展布特征。图 10为预测结果的平面分布。可见在主要标志层主干断裂展布特征一致性好，该深大走滑断裂具有很好的继承性。图 11为顺北地区走滑断裂带深度学习断裂检测三维空间展示效果，从侧面观察断裂清晰连片，空间延展性好，可很好地展示与深层烃源岩的沟通特征。

3.2 凌乱性检测识别伴生次级断裂

图 12展示凌乱性检测剖面，该检测结果沿断裂面连续性强，断裂带内部细节丰富，对走滑断裂及伴生的小尺度断裂的刻画较清晰。

从其沿层切片(图 13)可看出，凌乱性检测结果在清晰度和细节方面比传统相干方法有明显提升，对断裂带的精细刻画更有利，不同层位的凌乱性检测属性切片，清晰地呈现了不同时期断裂的发育特征，断裂具有明显的继承性。

3.3 Aberrance增强属性识别裂缝

该区走滑断裂尺度不一，纵向断距小的断裂往往在地震剖面上表现出挠曲或能量微弱变化。图 14为解释性处理剖面与深度学习、小尺度曲率增强属性裂缝检测叠合剖面，图 15为Aberrance增强属性裂缝检测沿层切片，可见裂缝的发育与断层的发育具有明显的关联性，越靠近断裂带，裂缝越发育，且能量与距离成反比。在得到深度学习断裂检测与曲率增强属性检测结果的基础上，在剖面及平面上进行叠合显示。

3.4 井位论证与综合评价

图 16为过该断裂带上一口高产油气井X8的剖面，该井表现出典型的裂缝型油气藏特征。深度学习很明确地指示了通源断裂的展布，凌乱性检测显示在该走滑断裂带X8井周边有部分小尺度断层并伴有大量裂缝的发育，尤其在走滑断裂带内部凌乱性检测与Aberrance增强属性展示了很好的裂缝发育特征，裂缝的存在极大地提升了油气的储存空间。钻井过程中该井有两处漏失，图 16d显示两处漏失点与深度学习断裂检测确定的断面吻合，此处用到的振幅曲率属性对于洞穴型储层有较好指示作用。在目的层鹰山组与一间房组之上覆盖着巨厚泥岩盖层，有利于油气保存、成藏。

图 17为深度学习断裂检测、凌乱性检测与小尺度曲率增强裂缝检测平面叠合图。可见深度学习断裂检测对主要断裂特征具有很好的表征，凌乱性检测可反映层间的小断裂信息，曲率增强属性检测结果可进一步表征层间裂缝的发育规律，三者结合可全面地描述主干断裂、次级断裂及层间裂缝的整体发育规律。从深至浅，断裂具有较强的继承性，尤其在目的层奥陶系一间房组(T74)顶面，断裂带特征非常明显，伴生大量的小断裂及裂缝的发育。为该区域油气的高产、稳产提供了很好的运移通道与储集空间。

4 结论

针对研究区超深走滑断裂研究中面临的各种问题，本文提出一套针对性的深度学习与边缘增强相结合的多尺度断裂综合预测技术，并在顺北地区超深走滑断裂检测中首次应用，得到以下认识：

(1) 基于U-Net卷积神经网络的深度学习技术可识别1/12波长以上断距的断层。该技术克服了边缘增强技术在断裂检测中出现的“阶梯状”假象问题，能很好地反映断裂的空间延伸，并在顺北地区超深走滑断裂检测中精确地预测了主干走滑断裂的空间展布。

(2) 凌乱性属性及Aberrance增强属性适用于顺北地区走滑断裂带内部小断层及裂缝的预测研究，两者结合可更精细地描述走滑断裂带周边小断层及裂缝的发育。

(3) 针对区内断裂带上已有的一口钻井，深度学习断层检测准确地预测了该井旁的通源断裂的存在，凌乱性检测及Aberrance增强属性预测了井周边小断层及大量裂缝的发育，表现为典型的断控裂缝型储集体特征。结合近期放空、漏失点的标定，进一步论证了该断裂综合检测技术在顺北地区超深走滑断裂检测中的应用价值。