基于U-MLP网络的勘探数据初至拾取及反演应用.pdfVIP

摘要

在地震勘探中，初至拾取是地震数据处理中为走时层析成像奠基的重要步骤，初至拾取

的精度也严重影响反演的结果，因此提高初至拾取的准确性对于走时反演至关重要。随着地

质勘探研究的不断深入，传统的初至拾取方法需要更多的人工干预与计算代价，无法很好地

适应现代地震勘探数据规模的增长和任务的复杂化。同时，在低信噪比和地震道数据缺失的

情况下，传统的初至拾取方法容易出现拾取误差大以及泛化性不高的问题。为了提高初至拾

取的准确性和拾取效率，本文将初至拾取任务看作是对图像中某个区域的像素级分类任务，

即图像分割任务，结合深度学习技术对地震勘探初至拾取任务进行了研究，具体工作如下：

第一部分，提出了一种基于改进U-Net模型的初至拾取方法。由于使用交叉熵损失函数

的U-Net网络模型在数据类别不平衡时，更加倾向于优化出现频率较高的类别，从而导致结

果误差较大。本文提出基于WLS损失函数的U-Net网络模型并应用于初至拾取任务当中，

该损失函数使用加权交叉熵和Lovasz-Softmax损失函数的线性组合来解决数据类别不平衡问

题，在此基础上还对Jaccard指数进行了优化。论文在加噪的合成数据集上进行对比实验，

结果证明了使用WLS损失函数的U-Net模型比使用交叉熵损失函数的U-Net模型具有更高

的拾取精度。接着，通过构建两层速度模型，对模型拾取的结果进行反演应用，反演结果表

明基于WLS损失函数的U-Net模型拾取的初至反演图像较为清晰。

第二部分，提出了一种基于U-MLP网络的初至拾取方法。论文在U-Net网络模型特征

融合阶段引入残差连接模块，减少特征融合时的语义误差，提升模型分割的精度。引入标记

化MLP模块代替原模型中部分卷积块，同时在输入MLP模块的过程中改变其特征通道数，

减小了参数数量和计算复杂度，使其在能够关注局部特征的同时也能学习到全局语义特征。

论文使用U-MLP模型在加噪的合成数据集上进行了对比实验，结果证明该模型进一步提升

了初至拾取的精度。另外，通过构建三层速度模型，对拾取的结果进行反演应用，反演结果

表明该模型比U-Net模型更适用于复杂速度模型的反演，其反演图像更为清晰。

第三部分，设计并实现了基于U-MLP模型的初至拾取系统。该系统使用PyQt5作为界

面端开发框架，通过调用标准的python模块和自编译的模块实现后台逻辑，包括用户登录、

模型选择、数据处理、初至拾取以及保存拾取结果等功能。为了让用户可以清晰地观察到拾

取结果，该系统还支持拾取前后的数据可视化。通过自编译反演脚本对系统拾取的初至进行

反演应用验证，结果表明该系统拾取的初至能够很好的反演速度模型，体现了该系统的实用

性。

关键词：初至拾取，走时反演，深度学习，图像分割

Abstract

Inseismicexploration,first-arrivalpickingisanimportantstepfortime-lapsetomographyin

seismicdataprocessing,andtheaccuracyoffirst-arrivalpickingalsoseriouslyaffectstheresultsof

inversion,sohowtoimprovetheaccuracyoffirst-arrivalpickingisextremelyimportantfortravel

timeinversion.Withthedeepeningofgeologicalexplorationresearch,thetraditionalfirst-arrival

pickingmethodrequiresmoremanualinterventionandcalculationeffort,whichcannotadapttothe

growthofmodernseismicexplorationdatascaleandthecomplexityoftasks.Atthesametime,the

traditionalfirst-arrivalpicking