[论文解读] Seismic facies recognition based on prestack data using deep convolutional autoencoder

Feng Qian, Miao Yin+3 more|arXiv (Cornell University)|Apr 8, 2017

Seismic Imaging and Inversion Techniques参考文献 8被引用 7

一句话总结

本文提出一种用于地震相带识别的深度卷积自编码器（CAE），利用共炮点道集作为图像输入，通过无监督训练学习分层特征。该方法在提取更具判别性的特征方面优于主成分分析（PCA）和叠加域数据方法，生成的相带图更清晰，能更好地保留小尺度地质构造（如溶洞和裂缝）。

ABSTRACT

Prestack seismic data carries much useful information that can help us find more complex atypical reservoirs. Therefore, we are increasingly inclined to use prestack seismic data for seis- mic facies recognition. However, due to the inclusion of ex- cessive redundancy, effective feature extraction from prestack seismic data becomes critical. In this paper, we consider seis- mic facies recognition based on prestack data as an image clus- tering problem in computer vision (CV) by thinking of each prestack seismic gather as a picture. We propose a convo- lutional autoencoder (CAE) network for deep feature learn- ing from prestack seismic data, which is more effective than principal component analysis (PCA) in redundancy removing and valid information extraction. Then, using conventional classification or clustering techniques (e.g. K-means or self- organizing maps) on the extracted features, we can achieve seismic facies recognition. We applied our method to the prestack data from physical model and LZB region. The re- sult shows that our approach is superior to the conventionals.

研究动机与目标

• 解决从高冗余预叠加地震数据中有效提取特征以提升地震相带识别性能的挑战。
• 通过利用深度学习学习分层非线性特征，克服传统方法（如PCA和叠加域数据）的局限性。
• 构建一种将预叠加地震共炮点道集视为图像的框架，以实现端到端的特征学习，采用卷积自编码器。
• 证明该方法在捕捉细微地质特征（如小溶洞和裂缝）方面优于传统方法。
• 建立一个结合无监督特征学习与聚类的深度学习流程，实现自动化地震相带制图。

提出的方法

• 将每个预叠加地震共炮点道集视为二维图像，使用多层深度卷积自编码器（CAE）学习分层特征。
• 使用反向传播和均方误差（MSE）损失进行分层训练：$ L = \frac{1}{2n}\sum_{i=1}^{n}(\mathbf{X}_i - \mathbf{Z}_i)^2 $，以最小化重构误差。
• 在每个卷积层后应用最大池化操作，以降低特征图的空间维度。
• 通过在训练过程中以低概率随机丢弃神经元，引入稀疏自编码器正则化，以提升泛化能力。
• 从训练完成的CAE中间层提取学习到的特征，并将其作为无监督聚类的输入。
• 对提取的特征应用K均值聚类，生成最终的地震相带图。

实验结果

研究问题

• RQ1 与传统方法（如PCA）相比，深度卷积自编码器能否有效从预叠加地震数据中学习到有意义的低维表示？
• RQ2 与叠加域数据相比，使用预叠加数据结合深度特征学习是否能更有效地检测细微地质特征（如小溶洞和裂缝）？
• RQ3 在相带图的清晰度和地质细节保留方面，所提出的基于CAE的方法与PCA和叠加域数据相比表现如何？
• RQ4 在无标签数据条件下，CAE的无监督预训练在多大程度上提升了地震相带识别的特征提取能力？
• RQ5 网络深度与架构对学习到的特征质量及最终聚类结果有何影响？

主要发现

• 基于CAE的方法成功从预叠加地震数据中学习到分层非线性特征，在冗余性降低和有效信息提取方面优于PCA。
• 在物理模型测试中，CAE方法清晰识别出最小的溶洞和河流特征（红色圆圈标记），而PCA和叠加域方法未能分辨这些结构。
• 在LZB区域，CAE方法生成了更详细、更准确的相带图，对地质构造的边界刻画优于PCA和叠加域数据。
• CAE重构的特征在空间模式和地质细节保留方面优于传统方法，如图3和图4所示的视觉对比结果所示。
• 该方法在合成数据（物理模型）和真实数据（LZB区域）的预叠加地震数据上均表现出鲁棒性和优越性能。
• 在CAE提取的特征上应用无监督聚类，生成了连贯且地质上合理的相带图，验证了所学表征的有效性。