基于U-Net深度学习网络的地震数据断层检测

断层解释是地震资料解释的关键环节之一.随着人工智能技术的发展,断层的自动、快速识别成为机器学习方法在地球物理领域应用的一个研究热点.目前,断层智能识别还存在着模型训练难度大以及实际资料预测效果不理想等问题.为此,提出一种基于U-Net深度学习网络的地震数据断层检测方法,即在网络结构中结合U-Net和残差模块Res-50,构建了新的网络——ResU-Net.ResU-Net利用1×1×1卷积核处理特征图像通道数,在减少网络时间复杂度的同时,在原有U-Net基础上扩展了网络的深度,有效提高了网络的运算效率和学习能力,可快速、准确地识别断层.通过合成数据集进行训练和测试,证明ResU-Net具有更小的时间复杂度,并且通过设置合适的网络输入、数据扩充和重叠边界加权处理,解决了实际数据体不规则情况下的断层检测等问题.实际数据应用结果表明,ResU-Net训练模型抗噪能力强,泛化能力强,预测的断层准确性高、连续性好.