基于LOFUnet深度卷积神经网络低序级断层多属性识别方法

摘要

低序级断层控制圈闭及油气富集，对油气勘探开发具有重要的意义。但其识别描述难度大、效率低，严重制约了该类油藏的勘探开发进程。随着人工智能的发展，深度学习为低序级断层识别提供了新的途径。这里在样本集构建及方法上都有创新之处：建立了同相轴错动、扭动、微扭动地震响应特征的低序级断层样本集，为智能识别奠定了良好的样本库；LOFUnet网络是在UNet基础上进行的改进，可以获取样本中更多低序级断层信息的特征。笔者通过方差属性、倾角属性和振幅属性融合获得新的断层体，用构建的LOFUnet网络进行低序级断层识别。网络通过残差块构建编码器端可以获取更多的低序级断层特征，解决梯度消失问题，提高模型的收敛速度，增强模型的稳定性以及低序级断层检测的精度和效率。选用正演模拟数据和实际地震数据分别对UNet模型、LOFUnet模型进行测试，结果表明，基于LOFUnet深度卷积神经网络低序级断层多属性识别方法提取的信息更加丰富，提高了低序级断层识别的准确度。

关键词

低序级断层 / Unet网络 / LOFUnet网络 / 多属性识别 / 模型试算