[论文解读] A deep convolutional encoder-decoder neural network in assisting seismic horizon tracking

Hao Wu, Bo Zhang|arXiv (Cornell University)|Apr 18, 2018

Seismic Imaging and Inversion Techniques参考文献 2被引用 24

一句话总结

本文提出一种用于自动3D地震层位追踪的深度卷积编码器-解码器神经网络，利用端到端语义分割技术同时检测多个层位。该方法通过从地震体中学习空间层次特征，实现了高精度和强鲁棒性，结果表明其与人工勾绘的层位具有高度一致性。

ABSTRACT

Seismic horizons are geologically significant surfaces that can be used for building geology structure and stratigraphy models. However, horizon tracking in 3D seismic data is a time-consuming and challenging problem. Relief human from the tedious seismic interpretation is one of the hot research topics. We proposed a novel automatically seismic horizon tracking method by using a deep convolutional neural network. We employ a state-of-art end-to-end semantic segmentation method to track the seismic horizons automatically. Experiment result shows that our proposed neural network can automatically track multiple horizons simultaneously. We validate the effectiveness and robustness of our proposed method by comparing automatically tracked horizons with manually picked horizons.

研究动机与目标

• 减少在3D地震体中人工进行层位解释所耗费的时间和出错的可能性。
• 开发一种能够实现地震层位语义分割的端到端深度学习框架。
• 实现在复杂地质环境中对多个层位的同步追踪。
• 通过与人工勾绘的参考层位对比，验证该方法的精度和鲁棒性。
• 为 hydrocarbon exploration（油气勘探）中的地震解释提供可扩展的自动化解决方案。

提出的方法

• 该方法采用类似U-Net的编码器-解码器架构，并通过跳跃连接保留空间分辨率。
• 使用全卷积神经网络（FCN）实现地震数据的端到端语义分割。
• 网络在带有真实层位标签的3D地震体上进行训练，以学习分层特征表示。
• 将编码器的特征图进行上采样，并与解码器的跳跃连接特征进行拼接，以实现精确的定位。
• 通过交叉熵损失函数进行优化，以提高层位边界分割的精度。
• 在真实3D地震数据集上对模型进行训练和评估，以评估其在多个层位上的性能。

实验结果

研究问题

• RQ1 深度卷积编码器-解码器网络是否能准确检测3D地震体中的多个地震层位？
• RQ2 在空间精度方面，该模型的性能与人工层位勾绘相比如何？
• RQ3 该网络在不同地质构造和噪声水平下的泛化能力如何？
• RQ4 跳跃连接和端到端训练是否能提高层位追踪的精度？
• RQ5 该方法是否能在保持复杂地震数据高可靠性的同时，显著减少解释时间？

主要发现

• 所提出的模型能够同时在3D地震体中成功追踪多个地震层位。
• 自动追踪的层位与人工勾绘的层位在空间上高度一致，表明其具有高精度。
• 该方法对信噪比变化和地质复杂性的适应能力表现出强鲁棒性。
• U-Net架构中使用跳跃连接显著提升了边界定位精度和分割保真度。
• 端到端训练框架实现了可靠的推理，无需人工特征工程。
• 结果证实了深度学习在加速和标准化地震层位解释方面的可行性。