阅读说明：本技术 一种基于多尺度特征融合的叠前地震反射模式识别方法 ([db:专利名称-en]) 是由 钱峰 袁英淏 胡光岷 于 2019-08-28 设计创作，主要内容包括：本发明公开一种基于多尺度特征融合的叠前地震反射模式识别方法,应用于地震反射模式识别领域,针对现有的叠前地震发射模式识别存在的叠前地震信号由于数据量庞大,很难通过人工标记的方式为每一个数据加上标签,且单一特征表征不足的问题；本发明通过构建多尺度特征融合网络,通过引入深度卷积生成对抗网络,改进网络结构,能够有效提取叠前地震信号的低层特征和高层特征；并且在改进的卷积生成对抗网络的基础上添加融合模块,通过将高层和低层特征进行多尺度融合,得到叠前地震信号反射模式的完整表征。([db:摘要-en])

一种基于多尺度特征融合的叠前地震反射模式识别方法

技术领域

本发明属于地震反射模式识别领域，特别涉及一种叠前地震反射模式识别技术。

背景技术

随着深度学习等一大批新兴技术的出现，传统石油勘探行业也开始大面积采用先进技术来提升生产效率，这使得石油产业发展迅猛，为国民经济带来了巨大的经济效益。然而，随着石油勘探能力的不断增强，在资源有限的条件下寻找新的油气田变得越来越困难。这就需要人们以更加科学的方式来认识和理解地下油气田的贮存状态，提升勘探预测能力，通过从已有的地球物理、地质以及油藏开发等资料中挖掘更多新的信息来进行油气田的预测研究。

业界通常利用地震信号来对油气田进行勘探。为了详细地描述地层岩性特征并解释地下构造，需要尽可能从采集到的地震信号中获取大量信息。造成地震信号间存在差异的原因主要是储集特征(存在油气)和结构特征(如溶洞、断层)在地下分布的不同。业界通常关注目标油气储层的地震信号，找出其与非目标地震信号之间的差异，并依照地震信号间的相似程度来为这些信号归类。人们将同一种地震信号所具有的不同于其它种类地震信号的现象或特征称为这一种地震信号的反射模式，反射模式主要关注不同种地震信号间的差异性以及同一种地震信号间的相似性。因此通过识别地震信号的反射模式，可以对采集到的地震信号进行区别和归类，进而研究目标工区内各种地质结构的分布。

随着地震地层学在勘探领域的普及，利用地震相进行地质研究的做法受到了广泛的应用。地震相反映了同一区域地震剖面上沉积相表现的总和。地震相划分是依据剖面上地震反射模式识别所确定的地震相类型开展的，它是进行沉积相研究的一种强有力的方法。基于地震信号开展地震反射模式识别，是划分地震相的一种重要方法。如今业界采集地震信号的技术水平不断提升，地震数据中包含的地震信息也愈加丰富，所以通过人工方式对地震反射模式进行识别来描述地震相，具有很大的主观性和不确定性。为了实现自动定量分析地震相的目的，需要依靠地震数据处理技术、信息处理技术和计算机技术，并通过数学表示方法对地震反射模式加以定量表征和精准识别。准确的特征是完整表征地震反射模式的基础，所以本发明提出通过智能提取地震反射信号的特征来增强地震反射模式识别能力的方法，能够进一步提升地震相划分的精度。其结果可以展示地下地质结构的分布，为探井方位的判定提供参考依据，降低钻井失败的可能性，节约勘探成本。

受限于实际工区地震信号性质和地震信号处理技术，基于叠后波形特征的地震相识别是现在自动定量地震相划分的最主要方式。但由于地震叠前数据包含更丰富地下地层信息 (如地震反射随偏移距变化信息和地震反射随方位角变化信息)，相应的叠前地震信号处理技术也日趋成熟，使用叠前地震信号进行地震相划分已成为一个热门方法。所以分别研究叠前地震信号和叠后地震信号的特征提取方法，从而提升对不同工况下地震反射模式的识别能力。但是现有的叠前地震信号特征提取还存在以下问题：

叠前地震信号数据量庞大，很难通过人工标记的方式为每一个数据加上标签；

现有技术的单一特征表征不足。

发明内容

为解决上述技术问题，本发明提出一种基于多尺度特征融合的叠前地震反射模式识别方法，从不确定(噪声等因素)多维地震数据中智能挖掘出能表征多维地震反射模式行为的特征，在无监督的情况下智能识别地震反射模式，最终对地震相进行精准划分。这对促进复杂储层预测向精细化、定量化发展，提高生产效率，降低勘探开发成本，加快复杂性油气储层勘探开发的前进步伐等具有十分重要的意义。

本发明采用的技术方案为：一种基于多尺度特征融合的叠前地震反射模式识别方法，包括：

S1、对输入的叠前地震信号进行预处理，获得叠前地震图像集；

S2、构建多尺度特征融合网络；

S3、采用步骤S1的叠前地震图像集对步骤S2的多尺度特征融合网络进行训练；

S4、采用步骤S3训练完成的多尺度特征融合网络进行叠前地震反射模式识别。

进一步地，步骤S1具体为：首先采用结构导向滤波算法对获得的叠前地震信号进行去噪；然后参考层位所在位置，在时间维度的上方和下方截取目标数据段；最后将位置相同但方位角不同的数据段连接起来，构成叠前地震图像集。

进一步地，步骤S2所述多尺度特征融合网络包括：融合网络与生成网络；融合网络为提取叠前地震信号低层特征和高层特征并进行多尺度融合的网络结构；生成网络为一个全卷积网络。

进一步地，所述融合网络包括三个部分：多级特征提取部分、多尺度特征融合部分以及分类器部分；多级特征提取部分采用Conv1、Conv2、Conv3、Conv4一共四个卷积层来提取多级特征；多尺度特征融合部分将从卷积层Conv2、Conv4中分别提取特征图Fea2和 Fea4进行融合后形成的新特征图；分类器部分对融合后的新特征图进行判别。

更进一步地，所述多尺度融合部分的实现过程为：

(1)多级特征，从卷积层Conv2、Conv4中分别提取特征图Fea2和Fea4；将特征图Fea2 和Fea4进行融合后形成的新特征图；

(2)尺寸放缩，对特征图Fea2采用最大值池化，使特征池化后特征图Fea2的尺寸与步骤(1)中特征图Fea4的尺寸相同；

(3)幅值归一化，分别对特征图Fea4与经尺寸缩放后的特征图Fea2进行幅度归一化操作；

(4)特征图融合，将经步骤(3)处理后的Fea2和Fea4按通道方向合并，形成新的融合特征图Feaf；

(5)融合特征维度转化，将融合特征图Feaf通过两个卷积层：Conv5和Conv6，使其变为一维的融合特征向量，最后输入分类器进行判别。

进一步地，所述生成网络采用Deconv1，Deconv2，Deconv3，Deconv4四个反卷积层来逐层生成地震图像。

进一步地，所述步骤S3具体为：

S31、从叠前地震图像集中随机抽取m个图像，组成一个batch并对其归一化；

S32、抽取m个50维高斯噪声矢量输入生成网络，生成m个生成地震图像；

S33、保持生成网络不变，将生成地震图像和真实地震图像随机输入融合网络中，采用随机梯度下降法更新融合网络的参数；

S34、重新抽取m个50维高斯随机噪声并输入生成网络，产生m个新的生成地震图像；

S35、保持融合网络参数不变，采用随机梯度下降法对生成网络参数进行更新；

S36、迭代次数加1，直到网络达到最大迭代次数M后停止训练；得到训练完整的多尺度特征融合网络。

本发明的有益效果：本发明的叠前地震反射模式识别方法，具备以下优点：

(1)叠前地震信号由于数据量庞大，很难通过人工标记的方式为每一个数据加上标签，所以需要通过无监督的方式对其进行分析；本发明的生成对抗网络模型是最新的无监督生成模型，相对其他无监督模型，其具有细节学习能力强、抗噪能力强等特点；本发明引入深度卷积生成对抗网络，改进网络结构，使其能够有效提取叠前地震信号的低层特征和高层特征；

(2)高层特征表征了叠前地震信号的全局抽象信息，低层特征表征了叠前地震信号的局部具体信息，它们分别在不同层次上刻画了叠前地震信号的反射模式；不同层次的特征在表征上均有优势和不足，针对传统方法单一特征表征不足的问题，本发明在改进的卷积生成对抗网络的基础上添加融合模块，通过将高层和低层特征进行多尺度融合，得到叠前地震信号反射模式的完整表征。

附图说明

图1为现有的地震反射模式识别的流程图；

图2为本发明的方法流程图；

图3为融合网络结构示意图；

图4为生成网络结构示意图；

图5为卷积与反卷积关系图A；

图6为卷积与反卷积关系图B；

图7为某工区叠前地震信号波形；

其中，图7(a)为真实地震波形；图7(b)为生成地震波形图；

图8为多尺度特征融合网络和自编码器分类结果区分度统计图；

图9为物理模型数据的原型；

图9(a)为实际物理模型，图9(b)为物理模型的蓝本；

图10为基于DCAE的物理模型叠前地震相图；

图11为本发明方法生成的物理模型叠前地震相图；

图12为LZB工区的振幅属性；

图13为基于DCAE方法生成的LZB工区叠前地震相图；

图14为本发明方法生成的LZB工区叠前地震相图；

图15为云锦工区的振幅属性；

图16为基于DCAE方法生成的云锦工区叠前地震相图；

图17为本发明方法生成的云锦工区叠前地震相图。

具体实施方式

图1为地震反射模式识别的流程图，首先要对地震信号进行预处理，在层位上选择合适的时窗大小，获得目标层位段的地震信号。然后结合地震信号特征提取方法和机器学习分类算法，对目标层段地震信号反射特征进行分类，并通过类标签的方式区分对应的地震相，进而就可以对各种目标地质结构的分布情况进行研究。在地震反射模式识别的流程中，提取特征和特征分类是最为关键的两个步骤，其中对地震反射模式进行识别的前提是可以提取到完整表征目标信号的特征，因此，地震信号特征提取方法是本发明研究的重点。从输入特征类型角度，地震反射模式识别又可以分为基于波形分类和基于地震属性分类，所以本发明从这两个角度出发对地震反射模式识别进行综述，以求全面了解当今国内外研究现状及发展动态。以下为现有的两种地震反射模式识别方式：

1、基于波形分类的地震反射模式识别

基于波形分类的地震反射模式识别(后面简称波形分类方法)将单个地震道视为一个波形信号。波形分类方法本质上是识别不同波形信号的模式，所以才称之为地震波形分类。地震波形具有直观的解释意义，因此在地震相划分过程中通常会采用波形分类技术，使其成为当前地震反射模式识别领域内中最关键的方法。在经典信号处理理论中，时间序列变换方法常常用于提取波形信号的特征，波形信号的特征因此可以分成时域、频域和时频域特征，下面我们按照这三个方面进行综述：

(1)时域波形特征：最简洁时域波形特征就是直接的波形时间序列，沙特阿美公司Saggaf等人直接输入波形时间序列作为特征，然后使用竞争神经网络进行波形模式识别。国内电子科技大学Song等人进一步利用邻域内的多道波形时间序列作为输入进行分类，通过在时域中利用多道特性，可以减小噪声对波形特征提取过程的影响。法国SNEA(P)科技与技术中心Dummy等人提取波形的峰值、过零点、峰值时间等统计信息作为时域波形，相比直接时间序列更精确，也更稳健。时域波形特征缺点是稳定差，不确定性强，尤其是对层位解释误差敏感。

(2)频域波形特征：Dummy等人在在功率谱中提取了功率谱总能量，以达到10％，20％，30％，...功率谱总能量所需时间作为频域波形特征。国内中国石油勘探开发研究院Xie等人认为地震波和语音信号在介质中传播具有相同的物理本质，所以提出了用语音识别中应用非常成功的Mel系数来表示地震波形特征。

(3)时频域波形特征：无论时域还是频域特征对波形的特征表征都是粗糙的、非稳健的，所以现在波形分类方法的研究重点是在时频域波形特征提取上。印度矿业学院Saraswat 等人利用人工免疫神经网络优越的降维特性，对小波变换特征进行降维去除冗余特征，再利用神经网络进行聚类，取得了十分稳健效果。基于小波变换的时频域波形特征并非最好的，国内成都理工大学Du等人利用经验模态分解方法来提取波形的时频特征，其比小波分解模型能够更多地保留波形特征，所以具有更高的波形分类分辨率。意大利埃尼集团 R&D部门Amendola等人和Xie等人持一样观点，即地震波形和语音信号物理本质是类似的，不同的是他们采用了音乐领域里面的特征更精细地表征地震波形，具体思路是首先采用时频变换(比如小波变化，S变换等)获得地震波形的谱图，然后从谱图中提取出地震波形音乐属性。由于音乐领域的音乐属性比奇异点特征更细腻，所以可以提升波形分类的分辨率。在国内，清华大学杨占龙等人对得到的地震相首先进行筛选，然后对其再次进行分类，从而研究目标勘探区域内地下结构的变化细节。成都理工大学徐希坤等人在地震反射波形分类研究中提出加入分数阶导数，构造出由子波分数阶导数组成的波形集合，其能够精确匹配地震信号中每一道地震波形，从而对地震反射模式进行识别。

2、基于地震属性的地震反射模式识别

基于地震属性的地震反射模式识别(后面简称地震属性方法)与基于波形分类的方法最大不同是输出结果形式不一样：地震属性方法得到是三维地震相体，而波形分类方法得到是二维地震相面，所以地震属性方法又称为体波形分类。基于输入地震属性的数量，地震属性可以进一步划分为单地震属性和多地震属性。

(1)单地震属性：美国麻省理工学院Herrmann等人提出了一种基于连续小波变换的尺度不变差分锐度地震相属性，能用于刻画主地震反射模式且对振幅强度不敏感。美国马拉松石油公司Gao等人则从回归模型角度分析提出了一种基于纹理模型回归(TextureModel Regression,TMR)的地震相属性。其具体思路是在实际地震反射信号与预先选定的参考模型之间进行线性最小二乘回归分析从而实现地震相分析。美国西弗吉尼亚大学Gao等人进一步对他以前提出的TMR模型进行了改进，改进主要体现在预先选定参考模型上面，在其 2008年的工作中，预先选定的参考模型是自适应相位、固定频率和幅值的余弦信号。在 2011年工作中，Gao在井数据的参与下，对余弦信号进行训练得到参考模型，这样可以有效提升地震相分析的分辨率。国内清华大学Liu等人的工作很有新意，完全不同以上工作，采用图像分割技术在地震属性的图像中提取地震相。其具体思路是：首先通过人工方式在图像上标识地震相样点，然后通过种子区域生长技术生长出完整的地震相，这样的方式可以最大程度保证得到地震相的空间连续性。

(2)多地震属性：单一的地震属性通常无法完整地表征较为复杂的地质特征，通常在描述目标储层的过程中，会结合多种地震属性进行分析。多地震属性与单地震属性最本质区别是多地震属性和波形分类一样也是模式识别问题。美国埃克森美孚上游研究公司West 等人首先提出使用多个图像纹理结合神经网络分类器对三维地震数据的地震相进行量化分析。阿根廷tecpetrol能源公司Linari等人则认为以二维图像纹理表征三维地震数据丢失了时间维信息，提出一个新的三维地震相分类的框架，该框架确定后一直沿用至今。三维地震相分类框架采用多个三维地震属性作为输入，采用主成分分析等算法进行特征融合分析并提升了抗噪性，最后用分层分类方法进行分类。后面研究者对这个框架不断进行改进，沙特阿美石油公司Neves和Triebwasser拓展了Linari等人的三维地震相分类框架的应用范围，使用了新的对裂缝响应的三维地震属性，用来预测碳酸盐岩储层的裂缝。伊朗比尔詹德科技大学Sabeti等人尝试整合West和Linari两人的框架，得到能同时处理二维地震属性和三维地震属性的三维波形分类框架，该框架核心是使用了分层聚类算法。但是由于二维地震属性的局限性，导致Sabeti框架相比Linari并无多大优越性，反而增加了复杂性。美国俄克拉荷马大学Roy等人对Linari等人的三维地震相分类框架进行了改进，主要体现在使用自组织神经网络和GTM等更好性能的聚类算法对多个三维地震属性数据体进行有监督和无监督体地震相分类，然后系统地对一个实际工区的硅质岩储层进行了量化分析。在国内，成都理工大学朱强等人对碳酸盐沉积环境生物礁等地质构造的内部储层使用基于多属性体的地震反射模式识别技术来进行刻画。中国石油大学郎晓玲等人对华北油田万庄地区扇三角洲砂体采用多属性分类技术进行研究，通过对沙三中段扇三角洲砂体的三维空间分布进行刻画，展示了发育区在有利储层中的方位。

本发明提出的基于多尺度特征融合的叠前地震反射模式识别方法的流程如图2所示。在提取融合特征之前，首先采用结构导向滤波算法对获得的叠前地震信号进行去噪，然后参考层位所在位置，在时间维度的上方和下方截取目标数据段，并将位置相同但方位角不同的数据段连接起来，构成样本数据集。假设x表示叠前地震数据某个方位角中一道数据，其维度为v，若某工区叠前地震信号共有n个方位角，则合并后每道数据的维度为n×v，即为输入多尺度特征融合网络的叠前地震图像集其中X_i∈R^n×v。

在对输入数据完成预处理之后，使用获得的叠前地震图像集训练多尺度特征融合网络。在整个网络训练收敛之后，利用子网络(融合网络)对叠前地震信号提取融合特征。最后采用FSOM对这些融合特征开展无监督分类，为每一道地震信号打上标签，同时生成相应的叠前地震相图，并根据实际工区的地质状况分析叠前地震相划分结果。

本发明的方法包括以下步骤：

S1、多尺度特征融合网络构建

近年来在计算机视觉领域，利用CNN进行监督学习已经拥有众多成功的应用，特征提取是CNN最大的优势，因为CNN可以直接输入原始训练数据，从而隐式地从训练数据中进行学习而避免了传统显式地特征抽取，所以学习到的特征更能表征原始数据的特性。利用一系列从低层到高层的卷积层，CNN以端到端的方式从大规模的训练数据中自动学习特征。不同层次的特征包含有不同层次的信息，低层特征包含很多细节信息，但很难与背景区分出来，而高层特征更为抽象，较少关注细节信息。

在实际油气田勘探中，通过人工震源采集得到叠前地震信号往往数据量巨大但样本标签很少，所以需要无监督学习的方法来提取特征。在叠前地震反射模式分析中，由于我们关注的地质结构尺度间的差异十分大，既有大面积的断层、河道，又有小范围的溶洞、孔隙，所以仅凭单一尺度的特征无法对所有结构进行准确的识别。因此，本发明利用DCGAN 结合GAN无监督学习优点和CNN特征提取优点的特性，通过改进网络结构，提出一种基于DCGAN的多尺度特征融合网络对叠前地震信号提取特征。多尺度特征融合网络结构由一个融合网络和一个生成网络两部分组成。其中融合网络是提取叠前地震信号低层特征和高层特征并进行多尺度融合的网络结构；生成网络则用于辅助整个多尺度融合网络的训练过程，是一个全卷积网络。为了训练出一个能准确提取叠前地震信号特征的网络，需要将这两个网络结合在一起展开训练。在网络训练的每个迭代中，为了使融合网络能够准确识别真实地震信号与生成的地震信号，需要首先更新融合网络。然后更新生成网络，使其能够生成足够“真实”的地震信号可以达到欺骗融合网络的目的。

1、融合网络

获取叠前地震信号各个方位角目标数据段，并将位于相同位置的地震道数据(一般为向量)并排放摆放形成数据矩阵，该矩阵可以被认为是单通道的图像，即其为对应于每个地震道的地震图像。本发明设计的融合网络的输入为真实地震图像和生成地震图像(由生成网络生成)，尺寸一般为24×6(6个方位角，24个采样点)。如图3所示，为融合网络的网络结构图，包括卷积层和池化层；整个融合网络可以划分为三个部分：多级特征提取部分、多尺度特征融合部分以及分类器。其中最后一层为一个logistics回归的二分类器，输出为输入样本是否为真实数据的标签，即0(输入为生成地震图像)和1(输入为真实地震图像)。

融合网络的多级特征提取部分采用Conv1、Conv2、Conv3、Conv4一共四个卷积层来提取多级特征，每一个卷积层后面都附有一个LeakyReLU函数和一个批标准化层，各个卷积层的规格如表1所示。每层输出的图像特征尺寸减半，通道数量增加一倍，逐级从低层特征抽象到高层特征。

表1多级特征提取部分架构参数

Type	Kernel	Channels	Stride	Outputs
					input	-	-	-	24x6
Conv1	4x 3	1	2x 2	24x 6x 1
					Conv2	4x 2	16	2x 1	12x 3x 16
Conv3	2x 3	32	3x 3	6x 3x 32
					Conv4	2x 1	64	1x 1	2x 2x 64

表1中Output列的元素各维度为：trace number×time×channels

多级特征提取部分利用了CNN的思想，每一层卷积层的输出都是输入地震图像不同层次的特征，卷积层数越深，特征图的尺度越小，感受野越大，特征越集中于整幅地震图像的趋势以及较大的地址结构，但细节信息丢失会更加严重。受到图像目标检测领域中Inside-Outside Net和特征级联的启发，本发明在多级特征提取的基础上，为融合网络加入了多尺度特征融合部分，该部分主要有如下几个特点：

(1)多级特征。从卷积层Conv2、Conv4中分别提取特征图Fea2和Fea4。Fea2是低层特征，尺度较小，主要描述地震图像中的细节信息；Fea4为高层特征，尺度相对较大，其特征倾向于表征地震图像整体结构走势。将二者进行融合后形成的新特征图能够从多个层次描述整个地震图像，使得表征更加充分。

(2)尺寸放缩。两个特征图尺寸不一致，对Fea2采用最大值池化，使特征池化后的尺寸与Fea4相同。

(3)幅值归一化。在卷积网络结构中，特征图的幅值在不同层次的卷积层中有很大差异，如果直接合并这些值将会使网络训练过程变得不稳定，所以需要加入归一化操作。本网络采用L2范数归一化。

(4)特征图融合。将处理后的Fea2和Fea4按通道方向合并，形成新的融合特征图Feaf。

(5)融合特征维度转化。将融合特征图Feaf通过两个卷积层Conv5和Conv6，使其变为一维的融合特征向量，最后输入分类器进行判别。

2、生成网络

本发明提出的生成网络是一个辅助网络，用于辅助整个多尺度特征融合网络的训练。整个网络基于全卷积网络构建，目的是学习真实地震图像的概率分布从而模仿生成十分逼真的生成地震图像。整个生成网络模型的结构如图4所示，生成网络的输入为50维的高斯随机噪声，输出则是一个二维的生成地震图像，其尺寸与输入融合网络的真实地震图像的尺寸一致。

与传统CNN所用到的卷积层不同，在生成网络的中间层中，生成网络用反卷积层代替了卷积层。在生成网络模型中，共采用Deconv1，Deconv2，Deconv3，Deconv4四个反卷积层来逐层生成地震图像，各个反卷积层的规格如表格2所示。

表2生成网络架构参数

Type	Kernel	Channels	Stride	Outputs
					input	-	-	-	50x 1
Deconv1	2x 1	64	1x 1	2x 2x 64
					Deconv2	2x 3	32	3x 3	6x 3x 32
Deconv3	4x 2	16	2x 1	12x 3x 16
					Deconv4	4x 3	1	2x 2	24x 6x 1

表2中Output列的元素各维度为：trace number×time×channels

除了输出层外，每一个反卷积层后面都有一个修正线性单元(包括激活函数ReLU函数和批标准化层)。为了将输出标准化到[0,1]范围内，输出层由一个卷积层和一个Tanh函数构成。作为传统卷积运算的一种“逆”转换过程，反卷积也被称为微步卷积。一般情况下，反卷积变换也受“前向”卷积变换参数的约束，即填充方式(Padding)和步长(Stride)。根据填充参数的不同(valid和same)，可以将生成网络中的反卷积层分为两种，以下通过对比相同参数的卷积层分别举例介绍：

(1)valid填充，步长不为1

由于首先需要提升输入随机噪声的维度，生成网络的Deconv1层的填充方式为有填充。在这种情况下，卷积与反卷积的关系如图5所示。

对于卷积操作而言，假设输入为x∈R^4×4，卷积核尺寸大小为3×3，Stride为2；Padding 选择valid，即有填充。如图5中的卷积操作示意图。那么根据式(1)可以计算得到输出：

y＝conv(x,ω,'valid')∈R^2×2 (1)

其对应的反卷积操作如图5所示，输入为p∈R^2×2，输出为q∈R^4×4。

(2)same填充，步长不为1

生成网络其余的反卷积层Deconv2，Deconv3和Deconv4均采用这种参数。在这情况下，卷积与反卷积的关系如图6所示。

对于卷积操作而言，输入为x∈R^4×4，设置卷积核(Kernel)的kernel_size为3，也就是说它的尺寸大小为3×3，且Stride为2；Padding为same，即无填充。那么可以通过如下的公式计算输出大小：

可知输入为y＝conv(x,ω,'same')∈R^2×2。作为“逆”卷积的过程，反卷积能够解释如何将y∈R^2×2变换为x∈R^4×4，首先需要利用如下公式计算新的Stride和Padding：

可以得到新的输出为x∈R^4×4。

选取采样率为2ms的某工区叠前地震信号，其中一个道集中的地震信号波形如图7(a) 所示，将其输入训练好的生成网络后，图7(b)为生成的地震信号波形。

S2、多尺度特征融合网络训练算法

前面介绍了本发明提出的多尺度特征融合网络的架构，一方面，卷积网络的特征提取能力很强，能够将叠前地震信号一系列从低层到高层的特征提取出来，从而多尺度地表征叠前地震反射模式；另一方面，子网络间生成对抗的训练方式使得网络在标记数据稀缺时也能表现出良好的收敛性，适用于无监督的特征学习。假设多尺度特征融合网络的输入为叠前地震图像其中N是CDP的总数，N₁是时间方向的采样点个数，N₂是一个叠前CDP(CommonDepth Point)的道集数。生成网络的函数形式由G(z)表示，其中z表示输入的随机噪声向量，生成网络的作用是通过学习真实地震图像的分布而合成生成地震图像，这意味着生成网络可以通过训练让输出尽可能与输入X相似。同样地，将函数形式的融合网络用F(X)表示，其中X表示输入的图像，融合网络的目标是能够自动学习到完整表征X_n的融合特征。在融合网络中，首先对输入的叠前地震图像X_n用一系列的卷积核W进行卷积，W的尺寸为c×l×l×k，其中l表示卷积核的大小，k表示卷积核的个数，c是输入图像的通道数(叠前地震图像为单通道图像，所以c的值始终是1)，相当于W用l×l的卷积核对X_n计算k次卷积。在函数上，对于输入的图像X_n，其第k个特征图像可以表示为：

Φ(X_n)＝σ(X_n*W^(k)+B_k) (4)

其中，σ(·)表示激活函数，B_k表示第k个特征图像的偏置，*表示二维卷积操作。其次，将得到的低层特征Φ(X_i)和高层特征Φ(X_j)进行融合，其中i＜j，得到的是能够多尺度表征输入的地震图像的融合特征图。最后，对这些特征采用逻辑回归操作进行分类，得到输入地震图像为真实地震图像的概率F(X)。通过改进GAN的目标函数，得到本发明提出的多尺度特征融合网络的目标函数：

S3、多尺度特征融合网络训练算法流程

输入：叠前地震图像集X_i为一个二维矩阵；最大训练次数M。

1：从训练图像集S中随机抽取m个图像{x⁽¹⁾,...,x^(m)}，组成一个batch并对其归一化；

2：抽取m个50维高斯噪声矢量{z⁽¹⁾,...,z^(m)}输入生成网络，生成m个生成地震图像；

3：保持生成网络不变，将生成地震图像和真实地震图像随机输入融合网络中，采用随机梯度下降法(SGD)更新融合网络的参数

4：重新抽取m个50维高斯随机噪声{x⁽¹⁾,...,x^(m)}并输入生成网络，产生m个新的生成地震图像；

5：保持融合网络参数不变，采用随机梯度下降法(SGD)对生成网络参数进行更新

6：迭代次数iter＝iter+1，直到网络达到最大迭代次数M后停止训练；

输出：生成的叠前地震信号图像。

大多数实际工区在提供数据时往往缺少测井或相关地质资料，所以获取的地震信号是缺少标签数据的，通常在实验结束后会将划分好的地震相图交给地质专家去鉴定，从而判定识别方法的有效性。本发明为了定量地说明所提出的两种地震反射模式识别方法的效果，选择从算法的角度提取区分度指标来衡量地震反射模式的识别效果，如下为该指标的定义：

区分度

式中，x为输入向量，n₁表示x所在簇的中心向量，n₂表示离x次近的簇的中心向量，||*||表示L₂范数。区分度量取决于向量空间中从输入向量x到两个最近的聚类中心的相对距离，其衡量了所识别的反射模式与其他类别的反射模式的区分程度。区分度越高说明识别的反射模式与其他类别的反射模式差异越明显，从而分类结果越可靠。相反，区分度越低说明地震反射模式识别结果越不确定。

计算区分度的统计分布：

式中n表示分类结果的总标签数，n_d表示分类结果中区分度值为d的标签个数。为了量化地验证本发明方法的特征提取的能力，结合以下实验数据进行说明：

(1)提取一段叠前地震信号，使用特征融合网络提取融合特征；

(2)使用传统的自编码器算法处理相同的信号，得到对应的特征；

(3)使用FSOM算法将两种方法得到的特征均聚为8类，计算每一道信号的区分度指标并画出区分度统计图。

多尺度特征融合网络和自编码器的区分度统计分布如图8所示。相比传统的自编码器，多尺度特征融合网络在高的区分度有较大的百分比，而在低的区分度百分比较小。越高的区分度表明分类结果越可靠，因此本发明提出的多尺度特征融合网络最终分类的可靠性要高于自编码器，从而验证了多尺度特征融合网络提取到的融合特征对于叠前地震信号的表征能力更强，达到了较高的叠前地震相反射模式识别能力。

本发明选择一块叠前物理模型数据来验证本发明提出算法的可行性，该物理模型的研究目标为侏罗系致密储层，数据原型如图9所示，主要模拟了溶洞和断层的结构。数据采集过程为：首先制作10000:1的空间模型，并采用2:1的速度比例因子，然后将模型放入水槽中设计出地震信号采集系统，最后利用超声波采集数据(设置采样率为1ms)。选取的数据包含六个方位角，580个crosslines和690个inlines，一共400200个叠前地震道，即数据集中有400200个样本图像。每一道选取24个采样点，所以样本图像维度为24×6。

为了验证本发明提出方法在地震相识别效果上的提升，本发明使用最新的基于深度卷积自编码器(Deep Convolutional Autoencoders，DCAE)的叠前地震信号分类方法来实验对比。首先使用DCAE提取叠前地震信号特征，然后使用FSOM分为10类，如图10为DCAE方法得到的叠前地震相图。利用多尺度特征融合网络提取叠前地震信号的融合特征，并同样使用FSOM分成10类，得到的叠前地震相图如图11所示。由于该工区是一个较为成熟的勘探工区，可以将后期地质专家制作的数据原型(图9)作为叠前地震反射模式识别结果的评价标准图10虽然能很好地识别了较大尺度的断层以及溶洞，但对图10中上下两个圈内较小尺度的溶洞精细度不够，尤其是没有清晰地描述中间圈内复杂的小断层，难以满足更高的勘探需求，不利于实际应用。相反，图11不但很好刻画了断层的发展趋势，又将不同尺度的溶洞和断层清晰地识别了出来，更接近图9。通过对比，本发明提出方法能够更加清晰地识别溶洞、断层等地质结构，对于叠前地震反射模式识别效果更好，这说明了多尺度特征融合网络提取到的特征更能表征叠前地震反射模式。

实际工区数据

(1)LZB工区

LZB工区位于四川盆地之中，该工区在致密油的储层预测、成藏机理以及勘探方向等的研究仍有很多难题需要攻克，所以利用地震反射模式识别技术对该工区进行研究具有非常高的实用价值。该工区的叠前地震信号共包含六个方位角数据，目标层中断层及溶洞特征较为明显，图12为该工区的振幅属性。

实验选取该工区950个inlines和550个crosslines，总共接近522500个样本。数据采样率为2ms，每一个地震道选取24个采样点。与物理模型数据对比实验相同，本发明继续采用DCAE和本发明所提出的方法进行对比，分别使用两种方法提取叠前地震信号的特征，然后使用FSOM分为10类，最后将得到的叠前地震相图与图12进行对照验证结果的准确性。

图13为DCAE方法生成的LZB工区的叠前地震相图，从图中可以看出大的断层走势，但对于两边红圈内小的断层结构表现的十分模糊，其也无法预测出中间红圈内的溶洞，主要原因是溶洞的尺度较小，所以在地震数据中区分性较差。

本发明方法生成的LZB工区的叠前地震相图如图14所示，对照图12，图13的整体地质结构走势是准确的，但比图13在小尺度的断层和溶洞结构上的描述更为清晰，验证了本发明方法在叠前地震反射模式识别效果上的提升，同时也表明了多尺度特征融合网络更能在叠前地震信号中提取揭示其反射模式的特征。

(2)云锦工区

云锦工区振幅属性如图15所示，其中包含有明显的断层分布区域。实验选取工区数据采样率为1ms，包含1051个inlines和551个crosslines，并且含有六个方位角数据。沿层位选取每个叠前地震道上的24个点的数据，构成输入数据的样本集。继续采用对比 DCAE的实验方法，由于本工区地下地质结构相对简单，所以在对叠前地震信号提取特征之后，使用FSOM分为6类。图16为基于DCAE的方法生成的云锦工区叠前地震相图，图17为本发明方法生成的叠前地震相图。分别与图15中实际的地质结构进行对照，图16 虽然可以准确描述整体断层方向，但对于图16中圈内的一些位于末端的细节信息，只有图17的描述更加清晰和连续，因此本发明提出的方法对于叠前地震反射模式的识别效果更好。使用不同工区数据但识别效果仍然很好也说明了本发明提出的特征提取方法十分通用，可以满足实际应用中识别不同工区叠前地震信号反射模式的需求。

本发明中inline是主测线地震解释剖面，crossline是联络线地震解释剖面。

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。