0 引言

断层解释是含油气储层描述、油气藏评价及开发工程的基础，并且工作量巨大，因此必须提高解释精度和效率。然而，在地下深层和复杂构造带，地震资料品质较差，断层解释方案往往存在多解性和不确定性^[1-3]。

目前，断层解释依靠多种辅助手段，岩心分析和成像测井解释是断层预测的有效方法^[4]，但获得的断层特征局限于井点，难以反映全区的断层分布。根据区域构造变形机理、演化史等宏观认识可以推测断层分布规律^[5-6]，但以定性描述为主，难以获得定量特征。结合以上地质手段，利用叠后地震资料解释断层是当前的主流方法。对地震数据进行数学分析，得到有关地震波几何学、运动学、动力学和统计学特征的测量值，可获得指示断层的地震属性^[7-8]。长期以来，人们研究了地震属性，陆续形成了基于波形差异、图像分析和深度学习的不同方法，指导基于地震资料的断层解释。常见的对断层敏感的属性主要包括相干、方差、曲率、蚂蚁体、似然等属性^[9-12]，用以强化断层显示。

然而，利用上述断层敏感属性识别断层的精度和适用性有限，主要可识别主干大尺度断层^[13-16]。对于中、小尺度断层，由于欠缺足够的分辨率、连续性，预测的断层数量不准，如果仅依靠单一属性预测断层的可信度较低。此外，长期以来断层解释以人工为主，严重影响工作效率^[17]。

渤海湾盆地X区在新生代遭受强烈的伸展、断陷活动，断层复杂多样，并控制着油气运移和聚集，迫切需要提升断层预测精度和效率。本文采用“级联递进”的断层属性处理方式，创建了基于叠后地震资料的高精度人工智能断层预测流程。该流程综合运用主分量构造导向滤波、人工智能断层预测、“断层增强—骨架化—蚂蚁体”等技术改善断层预测结果的分辨率和连续性，从而提高预测精度、确定断层数量；进而在高精度断层属性约束下，通过剖面断层两点法半自动拾取、平面断层多边形自动追踪等技术提高断层解释效率。

1 方法和流程 1.1 叠后地震资料预处理

地层多窗口倾角扫描利用垂直窗口估算倾角和方位角，并求取相似程度最大的窗口对应的倾角和方位角作为当前分析点的值，可提高倾角和方位角的计算精度。此外，由于地震数据的最大特征值对应的特征向量较好地表示分析窗内地震道的横向振幅变化^[8]，若采用主分量构造导向滤波提取地震数据的最大特征值代替分析点的振幅值，能够在增强同相轴连续性的同时，加强有用的不连续信息（如断层），并且较好地保持原始地震数据体的有效频率和纵向分辨率。因此，结合倾角体和方位角体对叠后地震资料进行主分量构造导向滤波可使地震同相轴更连续及断点更清晰、干脆，为生成高精度断层属性奠定基础。

1.2 人工智能断层预测及质控

人工智能断层属性采用三维高精度卷积网络技术预测断层，创建改进的高分辨率网络（HRNet），包含卷积层、上采样层、下采样层等部分（图 1），相比于其他卷积神经网络（CNNs），HRNet将高级功能与低级功能并行排列，实现了不同层之间的信息传递，从而保持更高的预测分辨率，并利用相同深度和等级相似的低级特征改进高级特征，实现多尺度融合。在数据分析过程中，数据集内不同类别的样本数量差异很大，容易产生模型的性能问题。为了优化模型参数，提高模型精度，采用平衡交叉熵损失函数L^[18]

$ \begin{array}{l}L=-\beta \sum\limits_{i=0}^{N}{y}_{i}\mathrm{l}\mathrm{g}\left({p}_{i}\right)-(1-\beta )\sum\limits_{i=0}^{N}(1-\\ \ \ \ \ \ \ \ \ {y}_{i})\mathrm{l}\mathrm{g}\left(1-{p}_{i}\right)\end{array} $

(1)

衡量预测结果和真实结果之间差异、度量模型的性能，通过加权每个类别的损失，使数量较少的类别在损失函数中占更大的权重。式中$ :\beta =\frac{\sum\limits_{i=0}^{N}\left(1-{y}_{i}\right)}{N} $为非断层像素与总像素的比值，$ {y}_{i} $为真二进制标签，N为输入数据中的像素个数；$ {p}_{i} $为预测概率。

利用国内1000多个断层体模型和对应的地震正演标签训练改进的HRNet，在多分辨率子网络上反复交换信息，获得断层预测模型。影响预测精度的关键因子为单位块体的计算尺寸和拉伸速度。计算尺寸细分为线数（主测线）、道数（联络线）和深度；拉伸速度代表地震资料纵向拉伸的比例，可放大地震同相轴的“断距”，以尽可能多地识别有效断层。

当关键因子与地震资料、常规断层属性（相干体、曲率体等）及井资料匹配时，可识别的断层数量最多，分辨率和连续性也相对较高，则预测精度较高。否则，重新调整因子，以保证预测精度。

1.3 断层增强处理

断层增强属性通过断层边缘保护滤波压制背景噪声、凸显断层信息，并生成断层概率体，可以突出断层、不整合面及其他与倾斜反射层平行的不连续特征^[20]，提高断层属性的对比度。同时，断层增强处理有助于避免“双边界”效应（图 2），即在真实断层附近产生平行的非真实线状信息，并非反映两条断层。这是由于初始断层属性在断层处的值具有一定范围，经过蚂蚁体等属性处理易在断层边缘两侧各产生一条“断层”信息。若经过断层增强处理生成断层概率体，在概率最大位置只有一个值，避免了“双边界”效应，可保证结果的真实性。若未能及时消除“双边界”效应，容易干扰和误判断层解释，影响解释方案的准确性。

断层骨架化属性利用断层倾角和方位角追踪断层位置，并通过断层增强结果生成骨架化的断层段，能够识别不连续的线状构造。通过去除分析窗口中断层发育概率较低的异常点提升断层属性的分辨能力，并生成断层骨架化属性体^[21]。

连续蚂蚁体技术通过蚁群算法进一步提高断层属性的精度^[22]。蚁群算法是受蚂蚁觅食过程中路径选择行为的启发而提出的一种仿生进化算法，在断层处的局部属性表现为极大值或极小值。

为了进一步提升断层预测精度，改善对比度、分辨率和连续性，并消除局部的“双边界”假象，以人工智能断层属性作为输入，通过级联、递进的方式进行“断层增强—骨架化—蚂蚁体”处理，获得改进蚂蚁体属性，从而提高断层预测精度。

1.4 多属性融合分析

多属性融合技术将两个数据体A和B（地震或地震属性数据体）按一定比例关系融合在一起，生成新的数据体C^[23-24]，C的信息量更丰富和全面，同时包含了A和B的关键信息，可减少单一数据体解释的不确定性。

将改进蚂蚁体属性与相干、曲率等常规断层属性融合可获得更丰富的断层信息，可刻画不同尺度断层，结合三维可视化技术可全面、直观地展现断层空间分布及组合特征。

1.5 智能化断层解释

断层处的属性表现为能量最大值，采用剖面断层两点法半自动拾取技术在属性体中搜索能量最大值位置，并自动生成断层线，进而采用平面断层组合线自动追踪技术，根据相邻投影点之间的匹配关系将相同断层的投影点连接，从而自动生成平面断层组合线。

为了充分发挥高精度人工智能断层预测技术的组合优势，突破单一方法的极限，本文根据以上方法的特点和自身优势，创建了高精度人工智能断层预测流程（图 3），逐级提升断层解释精度和效率。

2 应用效果

本文将高精度人工智能断层预测流程用于渤海湾盆地实际资料。研究区为渤海湾盆地X区，面积约为300 km²，该区遭受新生代的伸展变形，断层形态复杂、多样，发育多尺度、多方位断层，为油气大规模成藏提供了储集空间和运移通道。首先，开展叠后地震资料预处理，提高原始地震数据的品质，为生成高精度断层属性建立基础；其次，进行人工智能断层预测，为了进一步提升预测精度，对人工智能预测结果进行“断层增强—骨架化—蚂蚁体”处理；再次，利用多属性融合丰富多尺度断层信息；最后，依托高精度断层预测结果，结合智能化技术提高断层解释效率。

2.1 叠后地震资料预处理

研究区受复杂变形影响，原始地震剖面在断层附近的波形特征较杂乱（图 4a），在浅层可见伸展断陷结构，地震主频约为35 Hz，地震同相轴错断，连续性较差。深层地震成像不清晰，反射特征杂乱，基底呈西北高、东南低的起伏特征。为了提高地震资料品质，增强断层的地震响应特征，首先进行基于平面波分解技术的多窗口倾角扫描，估算地震反射层的倾角体和方位角体，然后开展主分量构造导向滤波（图 4b）。与图 4a相比，图 4b地震同相轴的连续性更好，断点更干脆、清晰，构造边界特征更清楚，易于识别不同级别的断层和层位，提高了断层解释精度。

2.2 人工智能断层预测

围绕图 4b测试人工智能断层预测的关键因子（计算尺寸和速度），确定适用于X区的最优参数。测试结果表明，在固定拉伸速度为2500 m/s的前提下，计算尺寸越小，可识别的有效断层数量越多，特别是小尺度断层，但断层的连续性整体变差（图 5a）。反之，断层识别能力会降低。根据前期地质认识，该区断层的连续性较好，因此设置计算尺寸为“4（线数）、4（道数）、8 ms”，可获得理想的断层识别效果（图 5b）。

在计算尺寸不变的基础上，测试不同拉伸速度的预测结果。结果表明，当拉伸速度为3500 m/s时识别的有效断层数量最多，分辨率和连续性也相对较高（图 5c），随着拉伸速度继续增大，卷入的无效信息开始增多，降低了断层识别精度（图 5d）。

用优选参数生成全区的人工智能断层属性体，检查其与相干、曲率等属性、地震特征及井资料的吻合情况，若不一致则重新调整参数，保证断层预测精度。通过对比、分析可知，所提方法识别的断层数量多、分辨率高、连续性好、对比度强，表现为以下方面。

（1）识别的断层数量更多、识别能力增强

相干属性在测线位置识别出3条断层（图 6a），未能有效识别地震剖面的部分（同相轴明显错断）断层。人工智能断层属性在平面上识别出6条断层（图 6b），与地震剖面更吻合，特别识别了更多中、小尺度的断层。

（2）分辨率更高、边界更清晰

由该区深部地层切片可见，多期构造变形叠加导致断层分布更密集，无论在切片还是剖面上，相干属性识别了密集的断层破碎带（图 7a红圈区域），背景噪声干扰严重，难以清晰分辨断层内幕特征。人工智能断层属性背景噪声小，断层破碎带（图 7b红圈区域）与周围区域的对比度显著提升，能够更清晰地刻画破碎带内部断层的边界特征，显著提升了分辨率。

（3）断层延伸更长，连续性改善

相干属性识别的断层并未向南延伸（图 8a红圈区域），然而地震剖面在南部存在同相轴错断——断层响应。人工智能断层属性有效识别了区域断层的延伸范围（图 8b），断层信息连续性更好，末端终止范围清晰，并且与地震剖面吻合。

2.3 人工智能断层属性增强

为了进一步提升断层预测精度，避免预测结果在断层附近出现“双边界”效应，将得到的人工智能断层属性（图 9b）通过断层增强、断层骨架化处理后作为输入（图 9c）计算蚂蚁体属性（图 9d），可显著提高预测精度。经断层增强处理，既保留了人工智能断层属性的独特优势，同时又提高了断层对比度，进一步突出了断层形态。在部分区域，地震同相轴错断处仅发育一条断层，若直接计算蚂蚁体属性，预测结果会出现“双边界”效应。断层增强属性避免了“双边界”效应（图 9e），断层骨架化处理使断层线条变细，提高了分辨率。最终，蚂蚁体属性计算拓展了断层延伸范围，改善了连续性，从而精细地识别断层。

将图 9d的断层标在图 4a（图 10a）与水平切片（图 10b）上，可见断层与地震同相轴错断位置吻合（图 10a），并且与确定的断层解释方案一致，特别是图 10b清晰地刻画了断层的“梳状”组合样式。图 11为录井岩性剖面与改进蚂蚁体属性剖面叠合图。由图可见，玄武岩的分布与断层预测位置一致（图 11），指示该区在新生代时期，岩浆沿断层向上运移^[25]，与地质认识一致，表明断层预测结果准确、可靠，为构造解释和断层发育规律研究提供了有效支撑。

2.4 多属性融合分析

由于不同属性反映的断层信息存在差异，因此将改进蚂蚁体属性与常规断层属性融合，获得的断层信息更丰富、全面，可展现多尺度断层特征。改进蚂蚁体属性利于识别大、中尺度断层，而短波长构造曲率属性更利于识别小尺度断层。针对断层以及地质异常体，构造曲率属性在地震剖面上表现为同相轴变化、扭曲、振幅突变等特征——线性构造，可指示断层位置^[8]。利用该区地震资料计算构造曲率，如果将计算过程的分数导数指数调大，得到的短波长输出结果反映了微弱的振幅变化，能够提取更多细节信息，从而刻画更多的微小尺度断层，并与人工智能断层预测结果相互验证。

将改进蚂蚁体与短波长构造曲率融合，先将构造曲率体整体作为背景数据，再将蚂蚁体中代表大、中尺度断层信息的大值部分融入构造曲率体，获得断层融合属性。在众多近SN向的断层之间，断层融合属性可识别细小的裂缝，从而反映不同尺度、不同方位的断层特征，使断层信息更丰富，从而提升断层识别数量和效率。不同深度的断层融合属性切片（图 12）表明，断层数量和密度由浅至深逐渐增加（图 12a~图 12c），因此深层经历的构造变形强度更大。最后，利用三维可视化技术展示改进蚂蚁体、短波长构造曲率等断层敏感属性（图 13），突出了多方位、多尺度断层的空间分布规律及组合特征，为断层解释提供了直观、全面的依据。可见，在三维空间内，大多数断层呈NE向，部分断层分叉为多条断层、或者多条小断层聚敛为一条大断层，大尺度断层与周缘小尺度断层相交，在该区北部和南部分别发育断层带，中部则断层相对稀疏。

2.5 断层高效解释

高精度断层预测结果可直接解释断层，将断层融合属性与地震资料叠合显示，在剖面上既能显示地震波组特征，又能显示断层预测结果。在断层融合属性约束下，采用剖面断层两点法半自动拾取技术（图 14a），围绕某一处断层，先点击断层属性最大值的一端，再双击另一端，自动生成断层线，并沿着该断层属性的最大值自动归位。由此反复，在等间隔的地震剖面上半自动解释断层。然后，以等间隔的骨架断层线和断层融合属性为约束，自动插值间隔内由剖面属性约束的断层线（图 14b），并解释全部主测线方向地震剖面的断层。

常规构造解释需要在主测线和联络线两个垂直方向解释断层。主测线方向剖面的断层线在联络线方向剖面形成相应的断层投影点，在投影点和断层融合属性联合约束下，在联络线方向剖面继续采用断层两点法半自动拾取技术，快速闭合两个方向剖面断层面。最后，将剖面断层线在平面层位的投影点作为约束，应用平面断层组合线自动追踪技术（图 14c），根据相邻投影点的位置关系自动勾绘闭合的断层组合线，根据断层两侧的层位高低关系自动分配断层组合线的上盘、下盘，最终完成剖面和平面断层解释。

预测结果表明，剖面正断层以阶梯状、“Y”式组合为主，大部分为SE倾向（图 10a），与断陷同期形成。平面上断层优势方位为NE向，与近SN向次级断层构成“梳状”组合（图 10b），表明该地区发生伸展变形的同时，可能遭受左旋走滑作用。

将断层融合属性与地震数据叠合进行解释，总耗时由63.0 h缩短为36.3 h，减少了42%。

尚需指出，由于人工智能断层标签库不丰富，后续将探索用户自定义的训练集进行机器学习，力求获得更适合X区的断层预测结果。

3 结论

（1）断层预测新技术显著改善了常规方法的识别精度。以渤海湾盆地X区为例，综合运用主分量构造导向滤波、人工智能断层预测、“断层增强—骨架化—蚂蚁体”等技术，提高断层识别数量、改善断层预测的分辨率和连续性，进而提高断层预测精度；在高精度断层属性约束下，运用断层两点法半自动拾取、断层多边形自动追踪等技术提高断层解释效率。

（2）创建了高精度人工智能断层预测技术流程，首先获得高精度的断层融合属性，以此为约束，准确、高效地智能化追踪断层。主要包括叠后地震资料预处理、人工智能断层预测及质控、断层增强处理、多属性融合分析、智能化断层解释等关键步骤。应用成效体现在：①识别了更多的断层；②改善了断层预测的分辨率和连续性；③避免了“双边界”效应，从而提升了可信度。预测结果与地震资料、常规断层属性以及井资料吻合较好。

（3）运用级联递进的“断层增强—骨架化—蚂蚁体”处理流程，能够克服单一方法的局限性，逐级提升断层预测精度。多属性融合分析有助于展现更全面的断层信息，从而刻画多尺度、多方位的断层特征。高精度断层属性为提升解释效率奠定了基础，以此为约束的智能化断层追踪更准确、高效。在地震资料品质较差的地下深层和强烈变形地区，断层形态复杂、多样，所提技术流程应具有一定的应用前景。