近年来，准噶尔盆地玛湖凹陷玛中地区中浅层上三叠统白碱滩组多口井连续获得高产工业油气流，打开了准噶尔盆地勘探新领域。三叠系白碱滩组油气藏受断裂和岩性双重因素控制，断裂不但是油气垂向运移的通道，而且还具有控藏作用^[1]，因此精细识别断裂，对提高三叠系白碱滩组的油气勘探成功率具有重要意义。

如何提高断层解释的精度与效率，一直是油气勘探者重点关注的问题。利用相干体技术来刻画断层，是目前地震勘探中应用十分广泛且效果较好的方法之一，自Gersztenkorn等^[2]提出第三代相干体技术C3以来，相干体技术对断层识别的精度已大幅度提高。曲率是另一种可用于断层解释的地震属性，是对地质体变形方向和变形程度的一种度量，对河道及断层的识别效果较好^[3]。尹成等^[4]在地震数据中提取了振幅类属性和波形结构类属性，并建立了这2种属性与小断层的关系且给出了判别准则。张璐等^[5]从地震数据中提取似然属性体，再结合研究区地质资料进行综合判断，提高了断层识别的精度。王建君等^[6]结合地质背景，分析了太阳—大寨地区各类裂缝地震相所对应地震属性的分布特征，建立起地震相与断裂级别的联系。由于上述方法不仅对断层敏感，对河道、背（向）斜、尖灭线等地质异常体也能较好地进行反映，利用这些方法进行断层检测具有较强的多解性，因此在获得相干体、曲率体的基础上，仍要进行人工核实与修正，才能获得较准确的断层空间展布。为了减少解释人员的主观因素，提高对断层等地质体判断的客观性，多种基于人工智能的断层识别方法涌现出来^[7]，这些方法能在地震数据中充分挖掘出相关有效信息，找出数据间的本质特征及其规律^[8]。余里辉^[9]提出了基于卷积自编码器神经网络，利用大批量数据让网络对断层特征进行充分学习，并在此基础上给出基于全卷积网络的断层自动识别方法，可以快速准确地识别断层；段艳廷等^[10]改进了半密度卷积神经网络，用于断层检测；Wu等^[11]基于人工合成地震记录，采用大量数据进行训练，使网络充分学习断层特征，完成了高效、高精度的断层识别；Wu等^[12]将地震数据中的断层边缘、地震数据去噪和估计地震法向量集成到卷积神经网络中，使断层自动识别的精度和效率得到明显提高；陈芊澍等^[13]利用极限学习机算法，综合利用多种地震属性，准确地刻画了川东北某工区的大尺度裂缝带。总体来看，人工智能方法虽然可以提高断层解释的效率，减少人工断层解释的主观性，但微小断层易受周围大断层或其他异常体的影响，使得人工智能方法对微小断层的识别不够精细。

通过引入跳跃连接、中继监督、正态标准化及聚焦均方损失函数对U-Net网络结构进行优化调整，对准噶尔盆地玛湖凹陷玛中地区三叠系白碱滩组开展断层识别，并对有利勘探区进行预测，以期为该区下一步油气勘探有利目标识别、井位部署提供依据。

玛湖凹陷位于准噶尔盆地西北部，是准噶尔盆地油气富集的生烃凹陷之一（图 1a）。玛湖凹陷玛中地区自下而上分别沉积了石炭系、二叠系、三叠系、侏罗系、白垩系，其中三叠系可分为百口泉组、克拉玛依组、白碱滩组^[14-15]。白碱滩组（T₃b）自下而上进一步分为一段、二段和三段。研究区白碱滩组二段（T₃b₂）发育规模滩坝砂体，以细砂岩为主，单期砂体厚度为2~4 m，叠置厚度可达10 m，受印支运动影响，发育继承性鼻状构造，是油气聚集的有利区域（图 1b）。三叠系白碱滩组油藏受断裂和岩性双重因素控制，为典型的“走滑通源、断砂控藏”型油藏。大侏罗沟走滑断裂自东向西横穿玛湖凹陷，沟通二叠系油源并纵向运移至三叠系白碱滩组，同时三叠系白碱滩组沿大侏罗沟断裂发育多排雁式次级断裂，垂直断距小（约10 m），对油气起到二次调整及控藏的作用（图 1c）。

图 1

Fig. 1

下载原图 图 1 准噶尔盆地玛湖凹陷玛中地区构造位置（a）、三叠系白碱滩组岩性地层综合柱状图（b）及油藏剖面（c） Fig. 1 Structural location(a), stratigraphic column of Triassic Baijiantan Formation(b)and reservoir profile(c)of Mazhong area in Mahu Sag, Junggar Basin

断层周围干扰波较发育，为了提高断层检测的准确率，需要在断层检测前，先对地震数据进行滤波处理^[16]。常规的中值滤波、均值滤波虽然均具有一定的抗噪性，但无法将断层边缘信息较完整地保留下来，甚至会导致假异常，影响后续工作的进行。构造导向滤波是通过地震剖面同相轴的局部倾角信息来表征同相轴的局部走向，沿此走向设置滤波窗口，再利用同相轴振幅值对信号进行滤波处理^[17-18]，滤波处理后可以更加有效地突出地层断点、断面等信息，改善低信噪比地震资料的品质，加强较弱的同相轴^[19-22]。因此本文应用以倾角为导向的构造导向滤波方法，在保护地层构造特征的基础上进行去噪。由图 2可看出，构造导向滤波能有效压制随机噪声，使断层反射特征更加清晰，并可在一定程度上突出断层边界。

图 2

Fig. 2

下载原图 图 2 地垒断层模型构造导向滤波处理前后对比 （a）模型剖面；（b）加入随机噪声后的模型剖面；（c）构造导向滤波处理后的模型剖面。 Fig. 2 Comparison of horst model before and after construct-guided filtering processing

U-Net网络结构包含下采样（降采样）和上采样，下采样可以增加对原始输入图像的抗噪性，上采样可以保留原始图像的关键信息，最终得到高精度的分割结果，卷积层在下采样和上采样完全对称且呈现U型结构（图 3a）。U-Net网络结构是编码器-解码器的组合，编码器用来提取样本点的特征信息，解码器的作用则是进行特征优化和任务处理。

图 3

Fig. 3

下载原图 图 3 U-Net网络结构（a）和改进后的U-Net网络结构（b） Fig. 3 U-Net network structure(a)and improved U-Net network structure(b)

对U-Net网络结构的改进主要是加入跳跃连接和设置中继监督来调整网络结构，加入正态标准化处理来控制输入，改变损失函数来控制输出。卷积核过大会增加卷积过程中的过拟合现象，本文的所有卷积层均使用大小为3×3×3的卷积核，该卷积核可捕获周围26个邻域信息的最小尺寸。改进后的U-Net网络结构如图 3（b）所示，图中L所连接的是3个不同阶段的输出，跳跃连接能将保存的特征图像由编码器传递给解码器。

改进后的U-Net网络结构采用跳跃连接来缩小不同语义间的差距，并采用Dense Block来实现这种连接。Dense Block在向后传递时，其每一层均会综合前面各层的输入信息^[23]，不仅可以在一定程度上避免梯度消失，还可以充分挖掘信息，保留关键的特征值，应用效果更客观、更全面。

为了使U-Net网络结构的浅层也能得到充分的训练，避免梯度消失和减少输出层误差的反向传递，本文加入中继监督优化（深度监督）来提高运算速度和运算结果的精度，不仅使每个阶段的输出都能正常计算损失，而且可以保证浅层网络参数的正常更新，有助于模型的训练。该优化是通过修剪模型结构来调整模型的复杂性，当结果的精度满足要求时，可以直接保存此结果，不让其参与下一层的计算，同时剪掉多余的网络结构，从而使计算效率得到提升。

模型训练时输入的初值会影响到后续每一层的计算，由于网络中每一层的线性变换与非线性激活映射存在，网络参数带来的微弱变化会随着网络层数的加深而被放大，导致神经网络需要不断进行调整来适应输入数据带来的变化，这不仅会导致学习效率下降，还会使神经网络难以正确地收敛。正态标准化能够加快神经网络训练过程中梯度更新的收敛速度，提高训练的精度，降低对输入初值的敏感度，更利于模型参数的优化，而且还具备一些正则化功能，可以降低样本点数据之间的耦合性^[24-26]，可在一定程度上缓解过拟合现象。

在神经网络的每一层数据输出前，先将输出数据进行正态标准化，通过拉伸参数和偏移参数，对数据的范围进行限制，使其满足均值为0、方差为1的正态分布。在数据分布满足统一、稳定的要求后，再输出到神经网络的下一层，这样可以提升自动识别的准确度，增强模型的通用性与鲁棒性。

损失函数是评价卷积神经网络优劣性的重要函数，通常用来计算网络模型的输出结果与真实结果的差异，二者误差越小，网络模型的应用效果则越好，鲁棒性也越强。常见的损失函数有平均绝对误差（MAE）损失函数和均方误差（MSE）损失函数等。

平均绝对误差损失函数是以绝对误差为距离进行判断的，其计算公式为

式中：n为每组的样本数，个；y_i为标注的标签，y'_i是网络预测的标签。

该损失函数虽然对异常值进行判别时更为稳定，但其梯度始终不变，即使较小的损失值，其梯度也会较大，求解效率较低，不利于模型的学习。

均方误差损失函数是计算预测值和真实值的差值平方和，对异常值尤为敏感，但其优势在于具有一定的损失变化性，即梯度可随损失的改变而改变，损失大则梯度大，损失小则梯度小，其计算公式为

徐锐^[27]提出的聚焦均方（FMSE）损失函数是在均方误差损失函数的基础上添加了前置权重，其计算公式为

式中：δ为极小值；γ为平衡因子，用于调节标签对损失函数的贡献大小。

通过对前景（断层）和背景（非断层）赋予不同的标签，可有效减少断层边缘采样点不均衡时对UNet网络结构的影响，不仅收敛速度快，而且得到的结果更准确，具有更佳的抗噪性。因此本文基于聚焦均方损失函数，对改进的U-Net网络结构进行评价。

使用200组训练样本集和20组验证样本集，每组包含128×128×128的理论模型数据和同样大小的断层标签（图 4）。模型地震数据由反射系数与雷克子波褶积生成，断层由人工标注而成。

图 4

Fig. 4

下载原图 图 4 训练集中一组模型地震数据及断层标签 Fig. 4 A set of model seismic data and fault labels in the training set

设计训练学习80轮，在每次训练结束后保存此次训练的网络模型，并开展精度和损失值分析（图 5、图 6）。在训练开始时，训练和验证的差异较大，但在80轮训练完成后，训练输出与实际结果的准确率极为接近，均高于90%；训练完成后，训练与测试的损失值收敛至5% 以下。由此可见，训练的模型已满足对地震数据断层识别的精度和稳定性要求。

图 5

Fig. 5

下载原图 图 5 训练模型的准确率 Fig. 5 Accuracy rate of training model

图 6

Fig. 6

下载原图 图 6 训练模型的损失值 Fig. 6 Loss value of training model

选取最优的网络模型参数，并在合成的含噪地震数据上分别利用相干属性、常规U-Net网络方法及改进的U-Net网络方法进行测试，测试数据共128道，时间采样点256个，共设计断层5条（图 7a中F1—F5），地震数据的构造导向滤波结果如图 7（b）所示。基于滤波前地震数据的断层识别测试结果如图 8a—8c所示，基于滤波后的地震数据的断层识别如图 8d—8f所示。

图 7

Fig. 7

下载原图 图 7 合成地震数据（a）及构造导向滤波结果（b） Fig. 7 Profiles of synthetic seismic data(a)and construct-guided filtering result(b)

图 8

Fig. 8

下载原图 图 8 合成地震数据构造导向滤波前后与对应断层识别结果叠加 Fig. 8 Superposition of synthetic seismic data before and after construct-guided filtering and faults identification result

比较图 7a与图 7b可看出，构造导向滤波有效突出了断层的边界，且增强了同相轴的横向连续性。从图 8可看出，利用经过构造导向滤波预处理后的地震数据进行断层识别，准确率有较大提升。相干体检测出的断层连续性较弱，且易受边界影响产生错误的识别；常规U-Net网络方法得到的断层连续性较好，但检测精度有待进一步提高；滤波处理后的数据结合改进的U-Net网络方法的识别效果更好。

为验证改进的U-Net网络结构断层识别的精度，针对正演结果进行了试算：设计一个垂直断距自左向右依次为1 m到10 m的断层模型（图 9a），分别利用相干属性、常规U-Net网络和改进后的UNet网络等方法进行断层识别（图 9b—9d）），在测试中相干属性识别出现偏差，常规U-Net网络方法能有效识别10 m断距的断层，而改进的U-Net网络方法对于7 m以上的断层均可进行有效识别。

图 9

Fig. 9

下载原图 图 9 多断层识别精度测试 Fig. 9 Test of multi faults identification accuracy

在模型试验的基础上，选择玛湖凹陷MZ4井区200 km²的地震数据体开展断层识别。由图 10、图 11可看出：玛湖坳陷玛中地区三叠系白碱滩组以高角度走滑断裂和断距较小的伴生断裂为主，叠后地震数据沿层切片及相干体沿层切片对目标层断裂的识别较困难；构造导向滤波前、后断层识别结果及剖面的精度差异较大，滤波后的识别结果明显优于滤波前，说明构造导向滤波可有效突出断层的边界，增强断层检测的精度；常规U-Net网络方法和改进后的U-Net网络方法均能较好地识别目的层高角度走滑断裂及伴生的中小断裂，但在断裂刻画精度及对微小断裂的刻画上，改进后的U-Net网络方法明显优于常规U-Net网络方法。由图 10d—10f中红色和绿色箭头所指位置可看出，改进后的U-Net网络方法检测的沿层切片断层信息更丰富，对高角度走滑断裂和小断裂的刻画精度明显优于常规U-Net网络方法；图 11b、图 11d中F1号为大侏罗沟走滑断裂，改进后的U-Net网络方法可以清楚地刻画走滑断裂，但常规U-Net网络方法在部分断距较小的地方难以识别；F2—F7是断距为10~15 m的高角度伴生断裂，常规U-Net网络方法识别效果较差，而改进后的U-Net网络方法可以较好地识别。

图 10

Fig. 10

下载原图 图 10 叠后地震数据的沿层切片及相应的断层检测沿层切片 注：红色箭头所指的位置为玛湖凹陷高角度大侏罗沟走滑断裂，绿色箭头所指区域为伴生垂直断距较小的断裂。 Fig. 10 Horizontal slices of post-stack seismic data and corresponding faults identification

图 11

Fig. 11

下载原图 图 11 过Crossline 2054线目的层段剖面与识别结果的叠加 Fig. 11 Comparison of sections across Crossline 2054 by three identification methods

综合分析玛湖凹陷玛中地区三叠系白碱滩组二段断层与砂体的叠合图（图 12）可看出：①MZ4井区三叠系白碱滩组油藏为走滑伴生接力型^[28]，研究区发育的东西向走滑断裂沟通二叠系油源至中下三叠统，起到一级输导作用，而三叠系内部伴生的一系列北北西向的雁列式次级断裂沟通油源至上三叠统白碱滩组储层，起到二级输导作用（图 13a）。②MZ4井区三叠系白碱滩组上下砂层组发育的4套砂体与断裂匹配关系良好，具备成藏条件。其中在①号、②号砂体部署的MZ4井、MZ401井、MZ402井均已获工业油流。大侏罗沟走滑断裂F1沟通二叠系烃源岩至三叠系克拉玛依组，三叠系内部的伴生次级断裂F2和F3进一步沟通油源至白碱滩组二段③号与④号砂体中。由此可见，研究区大侏罗沟断裂北翼的③号与④号砂体具备与南翼①号和②号砂体相同的有利成藏条件，是拓展MZ4井区三叠系白碱滩组高效勘探的有利区（图 13b）。

图 12

Fig. 12

下载原图 图 12 改进后的U-Net网络方法断层检测沿层切片与玛中地区三叠系白碱滩组二段砂体叠合图 注：F1为大侏罗沟走滑断裂；F2为三叠系内部伴随走滑断裂形成的次级断裂；F3为三叠系内部伴生的小断裂；①，②，③，④为白碱滩组二段发育的4套砂体。 Fig. 12 Superposition of faults identification horizontal slices by the improved U-Net network method and sand bodies of the second member of Triassic Baijiantan Formation in Mazhong area

图 13

Fig. 13

下载原图 图 13 玛湖凹陷MZ4井区三叠系白碱滩组油藏模式示意图（a）及过Crossline2014线目的层段剖面与改进后的U-Net网络方法识别结果叠加（b） Fig. 13 Reservoir model of Triassic Baijiantan Formation(a)and superposition of target interval profile across Crossline 2014 and fault identification results by improved U-Net network method(b)in MZ4 well area, Mahu Sag

（1）构造导向滤波的预处理能有效增强地震资料的断层边界信息，为U-Net网络断层识别提供了良好的基础。通过对U-Net网络结构进行改进，不仅更充分地综合了各层的特征信息，而且使得到的结果更加准确。对比常规断层识别方法，改进后的U-Net网络方法对断层识别的准确率更高，断点更清晰明确，同时识别出了较多的小断层。

（2）改进后的U-Net网络方法对高角度走滑断裂、小断距断裂的识别精度明显高于相干属性和常规U-Net网络方法，可以高精度开展储层综合解释研究，为准确预测油气勘探有利目标提供了有力支撑。

（3）玛湖凹陷MZ4井区三叠系白碱滩组油藏为走滑伴生接力型，断裂对成藏起到关键作用。研究区大侏罗沟走滑断裂北翼发现的2个断层-砂体匹配关系良好，是下一步拓展白碱滩组高效勘探的重点领域。