一种基于知识约束的深度学习地震相识别方法

1.本发明属于人工智能与地球科学交叉领域，特别涉及一种地震相识别技术。


背景技术：

2.地震相是沉积相在地震剖面上的反映，地震相识别旨在通过将地震属性划分为可能与地质非均质性相关的类别来表征储层的地震表现。其准确识别可以为地下资源尤其是油气资源的勘探开发提供有效依据，对沉积相研究以及油气勘探开发都具有重要意义。传统的地震相识别俗称相面法，是通过专业人员根据沉积相再剖面上的特征以及经验进行人工标定的。但是人工地震相识别工作量大，通常很耗时，而且还具有一定的主观性。随着勘探开发领域的不断发展，地震相解释需求大量增加，研究人员开始借助计算机利用地震属性的组合来实现地震相的识别。之后，随着地震数据急剧增长以及解释精度需求越来越高，传统的地震相识别已经难以满足需求，研究人员们开始关注人工智能。近年来，dl(deep learning)模型已经被广泛的用于地震相识别。深度学习是机器学习的一个分支，机器学习属于人工智能的范畴，其主要研究如何在经验学习中改善具体的计算机算法的性能。从2006年提出以来，其被用于计算机视觉、自然语言处理等多个领域，并发展出许多优秀的深度学习模型。随着人工智能的不断发展，国内地质行业逐渐注力于数字化、信息化、智能方向化的转型。近年来，国内外相继开展了一系列基于dl模型的地震相识别工作，chevitarese等人提出了一种使用卷积神经网络(cnn)来解释地震数据的技术并且结果表明，该方法可以得到一个接近人工解释的分割结果，但这种方法相较于人工解释速度更快；zhang等人建立了u-net和segnet网络并利用集成学习方法对模型进行组合以及对分类结果进行优化，结果表明，深度学习方法能够准确地对地震相进行分类。islam等人提出了一种基于u-net和se-resnet的新的深度学习方法来识别地震图像中的盐体。结果表明可以地震数据中自动提取所需的有用特征。
3.在样本数量足够时，dl模型可以取得不错的效果，但由于勘探程度和成本等原因，尤其对于一个新区而言，钻井数据往往很有限，容易造成样本的不足，所以地震相识别往往是一个小样本问题。另外，深度学习由数据驱动，深度学习的“黑盒”特性使其易于使用，但导致其可靠性较低。当地震图像的地震反射特征明显时dl模型是具有明显效果的，但对于一些复杂地区或者地震反射特征不明显区域，则呈现地震相结果混乱，不符合地质规律，解释混乱，泛化效果差等一系列问题。
4.因此，如何实现在小样本和地震反射特征薄弱条件下的地震相分割，是目前需要解决的问题。


技术实现要素：

5.为解决上述技术问题，本发明提出一种基于知识约束的深度学习地震相识别方法。
6.本发明采用的技术方案为：一种基于知识约束的深度学习地震相识别方法，包括
以下步骤：
7.步骤一：选择原始地震图像中的m张影像，由地质专家进行解释得到每一张原始地震图像对应的标签，并根据inline进行编号；
8.步骤二：构建地震相知识图谱，具体的：采用“实体-关系-实体”结构的三元组对步骤一中已有标签的地震图像进行表征；主要分为两个部分，地震相知识图谱实体抽取、地震相知识图谱关系抽取；
9.步骤三：采用图嵌入模型通过学习相关地震相的属性和关系，来获得地震相表征向量从而体现地震相之间的相似度；
10.步骤四：将步骤一中得到的标签数据进行插值，得到每两张标签数据中间部分地震数据的地震相分布情况，然后将各类地震相的地震相表征向量填充形成空间知识约束特征图；
11.步骤五：将原始地震图像和空间知识约束特征图组合作为深度语义分割网络的输入数据，基于损失函数，通过后向传播算法训练深度语义分割网络；
12.步骤六：进行分割预测，在训练完成的深度语义分割网络中输入所有原始地震图像和各原始地震图像对应的空间知识约束特征图，来预测出原始地震图像的分割结果图。
13.本发明的有益效果：本发明通过将地震相知识图谱g中所表征的地震相实体的信息通过地震相知识图谱实体关系学习模型进行学习，最终得到各个地震相实体的知识图谱实体表征向量v，然后利用标签插值得到中间部分地震数据的空间约束，并将得到的知识图谱实体表征向量v进行填充，得到地震数据的空间知识约束，最后将原始地震数据及其空间知识约束共同输入深度学习网络进行训练，并用收敛后的深度学习网络进行地震相分割预测；对比现有技术，本发明在小样本和地震反射特征薄弱条件下可以更准确的实现地震相的精细识别，应用本发明后，采用传统的纯数据驱动的深度学习神经网络模型出现的识别结果不准确，层序混乱等问题均得到了改善。
附图说明
14.图1为本发明的方法流程图；
15.图2为地震相标签；
16.图3为地震相知识图谱图；
17.图4为知识提取-地震相表征向量学习示意图；
18.图5为空间知识约束形成示意图；
19.图6为inline 332地震相识别结果；
具体实施方式
20.为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
21.如图1所示为本技术实施例所提供的一种基于知识约束的深度学习地震相识别方法的流程图。
22.具体步骤包括：
23.1、本实施例主要采用的是在北海采集的三维地震数据f3，该区域有明显的大三角
洲系沉积的大尺度s型床，有明显的褶皱和断层结构，地震相标签如图2所示。由于本发明所研究的是小样本数据，因此本发明抽取原始地震图像(剖面图)中的7张图像，由地质专家进行解释得到每一张原始地震图像对应的层位线图，并根据inline进行编号。inline表示注册线。
24.2、构建地震相知识图谱，本实施例构建的知识图谱主要是聚焦于地震相与地震相之间的关系，采用“实体-关系-实体”结构的三元组对其进行表征。地震相知识图谱构建模块主要分为两个部分，地震相知识图谱实体抽取、地震相知识图谱关系抽取。
25.(1)地震相知识图谱实体抽取
26.本实施例数据集将参考yazeed alaudah等(alaudah y,michalowicz p,alfarraj m,et al.amachine learning benchmark for facies classification:interpretation,10.1190/int-2018-0249.1[p].2019.)提供的出的荷兰北海数据地震相，根据地层和时期岩性共分为6类，分别是：上北海组(the upper north sea group、中北海组(the middle north sea group)、下北海组(the lower north sea group)、白垩和莱茵兰组(the chalk and rijnland group)、斯克鲁夫组(the scruff group)和泽希施泰因组(the zechstein group)同时，由于考虑到构造层次和组成成分将产生新的实体，因此添加构造层次相关实体：新生代(cenozoic)、中生代(mesozoic)、二叠纪(permian)以及组成成分结点：黏土岩(claystones)、砂岩(sandstones)、黏土地质层(clayformations)、蒸发岩(evaporites)、碳酸盐(carbonates)。
[0027]
(2)地震相知识图谱关系抽取
[0028]
关系抽取需要从文本中抽取两个或多个实体之间的语义关系。语义关系通常用于连接两个实体，并与实体一起表达文本的主要含义。采用主谓宾(简称spo，即主subject，谓predication，宾object)三元结构表示关系抽取结果。通过收集相关资料，本发明对六类地震相的属性和关系进行了整理，从地质对象、组成成分、构造层次、沉积关系、邻接关系等多个角度构建了实体与实体间的关系。
[0029]
完成地震相知识图谱实体抽取和地震相知识图谱关系抽取后，采用“实体-关系-实体”结构的三元组对其进行表征，也就完成了地震相知识图谱的构建，得到了地震相知识图谱三元组集合(s)。
[0030]
最后所构建的地震相知识图谱如图3所示。
[0031]
3、如图4所示，采用图嵌入模型通过学习相关地震相的属性和关系来获得地震相表征向量从而体现地震相之间的相似度，本实施例采用trane(translating embeddings)图嵌入方法。
[0032]
首先定义所构建的地震相知识图谱三元组集合s为本发明的正样本集合，如公式(1)所示：
[0033]
s＝{(h,r,t)}
⑴
[0034]
其中，h,t∈e，e为地震相知识图谱实体集合，r∈r，r为地震相知识图谱关系集合，(h,r,t)∈s，s为知识图谱三元组集合。
[0035]
在此基础上，本发明选择修改集合s中三元组(h,r,t)中的实体h或者实体t，得到负样本(h',r,t)或(h,r,t')，从而形成三元组负样本集合s'
(h',r,t')
，如公式(2)所示：
[0036]
s'
(h',r,t')
＝{(h',r,t),h'∈e}∪{(h,r,t'),t'∈e}
⑵
[0037]
然后定义具体的模型损失函数如公式(3)所示
[0038][0039]
其中，d(h+r,t)表示的是h+r与t之间的距离，[γ+d(h+r,t)-d(h'+r,t')]
+
指的是取γ+d(h+r,t)-d(h'+r,t')正的部分，γ》0是一个边缘超参数。
[0040]
最后本发明不断通过损失函数的随机梯度下降进行地震相表征向量更新，并最终最小化模型损失函数得到各类地震相的地震相表征向量v。
[0041]
4、如图5所示，将7张标签数据进行插值得到中间部分地震数据的地震相分布情况，然后将各类地震相的地震相表征向量填充形成空间知识约束特征图。主要分为以下两步：
[0042]
(1)使用插值方法，对这7张标签数据进行处理，生成中间部分地震数据的地震相分布情况，用来估计在标签数据之间缺失的地震相分布情况。如：假设标签数据inline号是0、20、40，则通过插值得到inline号为1-19，21-39的地震数据的地震相分布情况。
[0043]
(2)将各类地震相的地震相表征向量填充到插值生成的中间部分地震相分布图中，形成了空间知识约束特征图。
[0044]
5、训练语义分割网络。
[0045]
(1)本实施例选择的基础分割网络为u-net和segnet网络。
[0046]
(2)将原始地震图像和空间知识约束特征图组合作为深度语义分割网络的输入数据，空间知识约束特征图能够提供一些先验知识，帮助模型更好地理解地震图像中的地震相分布情况。
[0047]
(3)本实施例的损失函数采用了交叉熵损失函数，基于损失函数，通过后向传播算法训练深度语义分割网络。另外，优化器采用了adam优化器。
[0048]
6、进行地震相分割预测
[0049]
(1)向收敛后的语义分割网络模型中输入所有原始地震图像和其对应的空间知识约束特征图来预测出原始地震图像的地震相分割结果图。
[0050]
(2)inline 331剖面预测结果如图6所示。如图6第一层图像所示，采用dl模型识别结果出现了边缘粗糙、解释混乱，地震相解释缺失等情况，由于地层具有一定的连续性，可以通过插值大致知道地层在当前剖面的一个分布情况，所以通过空间约束加入这种先验知识，其实际含义是使得训练过程中训练结果向空间约束进行偏移。另外，虽然地层之间存在一定的连续性，但是也存在许多的突变情况，如尖灭情况，因此在空间约束中填充实体表征向量完成知识图谱约束，最终形成空间知识约束。实体表征向量是从知识图谱中学习得到，其可以体现地震相和地震相之间的关系，从而体现地震相之间的相似和不同，因此通过将空间知识约束和原始地震影像共同学习，可以使其表现良好，如图6第二层图像所示，在采用本发明后，在dl模型的出现的边缘粗糙、解释混乱，地震相解释缺失的问题均有所改善。
[0051]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

技术特征：
1.一种基于知识约束的深度学习地震相识别方法，其特征在于，包括以下步骤：步骤一：由地质专家进行解释得到每一张原始地震图像对应的标签，并根据inline进行编号；步骤二：构建地震相知识图谱，具体的：采用“实体-关系-实体”结构的三元组对步骤一中已有标签的地震图像进行表征；主要分为两个部分，地震相知识图谱实体抽取、地震相知识图谱关系抽取；步骤三：采用图嵌入模型通过学习相关地震相的属性和关系，来获得地震相表征向量；步骤四：将步骤一中得到的标签数据进行插值，得到每两张标签数据中间部分地震数据的地震相分布情况，然后将各类地震相的地震相表征向量填充形成空间知识约束特征图；步骤五：将原始地震图像和空间知识约束特征图组合作为深度语义分割网络的输入数据，基于损失函数，通过后向传播算法训练深度语义分割网络；步骤六：进行分割预测，在训练完成的深度语义分割网络中输入所有原始地震图像和各原始地震图像对应的空间知识约束特征图，来预测出原始地震图像的分割结果图。2.根据权利要求1所述的一种基于知识约束的深度学习地震相识别方法，其特征在于，步骤二中地震相知识图谱实体抽取，具体为根据地层和时期岩性对地震相进行分类，得到不同类别的地震相实体。3.根据权利要求2所述的一种基于知识约束的深度学习地震相识别方法，其特征在于，步骤三具体为：采用图嵌入模型通过学习地震相的属性和关系来获得地震相表征向量；记根据步骤二的三元组得到的集合为s，定义s为正样本集合，表达式为：s＝{(h,r,t)}其中，h与t为三元组(h,r,t)中的实体，h,t∈e，e为地震相知识图谱实体集合，r∈r，r为地震相知识图谱关系集合，(h,r,t)∈s，s为知识图谱三元组集合；选择修改集合s中三元组(h,r,t)中的实体h或者实体t，得到负样本(h',r,t)或(h,r,t')，从而形成三元组负样本集合s'
(h',r,t')
，表达式为：s'
(h',r,t')
＝{(h',r,t),h'∈e}∪{(h,r,t'),t'∈e}然后定义具体的模型损失函数为：其中，d(h+r,t)表示的是h+r与t之间的距离，[γ+d(h+r,t)-d(h'+r,t')]
+
指的是取γ+d(h+r,t)-d(h'+r,t')正的部分，γ是一个边缘超参数；最后通过损失函数的随机梯度下降进行地震相表征向量更新，最终最小化模型损失函数得到各类地震相的地震相表征向量v。4.根据权利要求3所述的一种基于知识约束的深度学习地震相识别方法，其特征在于，图嵌入模型采用trane图嵌入方法。5.根据权利要求4所述的一种基于知识约束的深度学习地震相识别方法，其特征在于，步骤四具体为：对于步骤一得到的标签数据，若相邻两张地震图像的inline号不连续，则通过插值生
成这两个inline号之间的地震数据的地震相分布；从而得到插值后的地震相分布图；将各类地震相的地震相表征向量填充到插值生成的地震相分布图中，形成了空间知识约束特征图。6.根据权利要求5所述的一种基于知识约束的深度学习地震相识别方法，其特征在于，步骤五采用的深度语义分割网络为u-net和segnet网络。7.根据权利要求6所述的一种基于知识约束的深度学习地震相识别方法，其特征在于，步骤五采用的损失函数为交叉熵损失函数。

技术总结
本发明公开一种基于知识约束的深度学习地震相识别方法，应用于人工智能与地球科学交叉领域，针对现有技术存在的无法实现在小样本和地震反射特征薄弱条件下的地震相分割的问题；本发明通过将地震相知识图谱G中所表征的地震相实体的信息通过地震相知识图谱实体关系学习模型进行学习，最终得到各个地震相实体的知识图谱实体表征向量V，然后利用标签插值得到中间部分地震数据的空间约束，并将得到的地震相表征向量进行填充，得到地震数据的空间知识约束，最后将地震数据及其空间知识约束共同输入深度学习网络进行训练，并用收敛后的模型进行地震相分割预测。型进行地震相分割预测。型进行地震相分割预测。


技术研发人员：姚兴苗 张祥烨 董月 郭翔宇 胡光岷
受保护的技术使用者：电子科技大学
技术研发日：2023.05.19
技术公布日：2023/8/14