Сегментирование 2D/3D сейсмических горизонтов

Канониров А.П.


ООО «Тюменский нефтяной

научный центр»

В данной работе сравнивается два подхода к решению задачи выделения сейсмических горизонтов по частично заданным положениям горизонтов в кубе сейсмических амплитуд. Первый подход заключается в обучении нейронной сети архитектуры U-Net для двумерных данных по продольным и поперечным срезам куба, второй подход — в преобразовании стандартной архитектуры U-Net в трехмерную и обучении по 3D-кубам сейсмических данных. Оба подхода протестированы на данных по месторождению F3 Netherlands, находящихся в открытом доступе. Трехмерная модель дает более точный прогноз, а двухмерная модель обучается в разы быстрее и требует меньших вычислительных ресурсов.
Сейсморазведка методом отраженных волн является популярным методом поиска углеводородов. Проходя через геологические слои с разными свойствами, сейсмические волны предоставляют информацию о геофизических характеристиках возможного нефтяного месторождения, позволяющую сформировать двумерное изображение — сейсмический разрез (2D) или трехмерный массив данных – сейсмический куб (3D). Их анализ помогает экспертам находить потенциальные залежи нефти и лучше планировать буровые работы. Точная оценка необходимости в дополнительном бурении также снижает воздействие на окружающую среду. Поскольку понимание геологической структуры возможных запасов углеводородов имеет решающее значение, а объем данных сейсмической разведки возрастает, появляется острая необходимость в разработке методов автоматизации контроля качества получаемой информации [1] и ее интерпретации.
С увеличением вычислительных мощностей и накоплением больших объемов данных получило широкое распространение применение нейронных сетей для решения различных задач нефтегазовой отрасли, например, классификация пород по фотографиям керна [2]. В этом исследовании сравниваются два метода определения породы на основе методов машинного обучения: графические идентификаторы и сверточные нейронные сети. Сверточные нейронные сети — ResNet, ResNeXt и Inception — сравнивались с классификатором XGBoost на основе двух типов графических идентификаторов: цвета (средний цвет, преобладающие цвета) и текстуры (энтропия, число Эйлера, контрастность, однородность).
Сверточные нейронные сети (CNN) — архитектура нейронных сетей, которая состоит из сверточных слоев, способных автоматически выделять наиболее полезные признаки. Начальные слои служат для выделения общих признаков, таких как края, цвета и формы. Затем глубокие слои на основе общих признаков строят более специфические, что позволяет, фильтруя маловажные детали и выделяя существенное, описывать пространственные и временные зависимости в изображении [11].
Нейронные сети для семантической сегментации представляют собой архитектуру кодер-декодер, которая состоит из сверточных слоев [12]. Кодировщик в данной архитектуре служит для обнаружения и классификации объектов, а декодировщик необходим для локализации объекта. Семантическая сегментация — это процесс, при котором каждому пикселю на изображении ставится в соответствие подходящая ему метка определенного класса.
Обработка сейсмических данных включает в себя решение таких задач, как классификация и сегментация. В [13] представлена новая архитектура CNN, которая используется для обнаружения соли, анализируя подаваемые ей на вход кубы сейсмических данных. В [14] CNN используется для обнаружения разломов в трехмерных сейсмических данных. Вход в сеть состоит из трех ортогональных срезов 24×24, а линии на пересечении классифицируются как разлом или не разлом. Также фильтрация шума, выделение разломов и фаций для сейсмических данных с помощью нейронных сетей представлены в исследованиях [7, 8, 9], а в работах [4, 5] они применяются для трассировки сейсмических горизонтов.
В работе рассматривается задача трассировки сейсмических горизонтов по данным сейсмических амплитуд, заданных в виде трехмерного куба. Сейсмический горизонт — это граница между двумя различными типами пород, в простых случаях она хорошо прослеживается на двумерных срезах. Такая граница представляет собой поверхность, которую можно провести внутри куба.
Современный подход к трассировке сейсмических горизонтов сводится к решению задачи сегментации с помощью сверточных нейронных сетей, которым на вход подается куб сейсмических амплитуд, на выходе получается куб вероятностей наличия сейсмического горизонта [11].
Целью данного исследования было на примере сегментационной сверточной нейронной сети U-Net сравнить качество решения задачи выделения сейсмических горизонтов для 2D- и 3D-данных.
Оба подхода используют одинаковый набор входных данных по месторождению F3 Netherlands, сбор которых был произведен в Северном море. Данные находятся в открытом доступе и содержат информацию 9 горизонтов и журналы бурения 4 скважин [3].
Представленный набор данных состоит из горизонтов в формате XYZ и 3 204 изображений, представляющих собой 1 602 сейсмические линии в формате TIFF и 1 602 помеченных изображения в формате PNG (рис. 1).
Рис. 1. Пример изображения сейсмических данных с линией горизонта

Помеченные изображения были созданы путем взятия пересечения между сейсмическими линиями и горизонтальными поверхностями.
Для сравнения двухмерной и трехмерной архитектур U-Net обучающий набор входных данных был представлен как куб сейсмических амплитуд H — матрица размерности il×xl×t, где il, xl — количество ячеек куба в продольном и поперечном направлениях; t — количество временных отсчетов. Отметки трассируемого горизонта заданы матрицей L той же размерности, что H. Матрица L при этом может содержать три значения: 0 — горизонт отсутствует, 1 — горизонт присутствует, -100 — нет информации. Стоит отметить, что эксперт, заполняющий матрицу L, может заполнять ее как по выбранным срезам в продольном и поперечном направлениях, так и по отдельным трассам/участкам.
В работе используется модификация ставшей уже классической нейронной сети U-Net [6] (рис. 2), оптимизированной для решения задачи выделения сейсмических горизонтов [4].
Рис. 2. Архитектура сети U-Net
Для двумерных и трехмерных данных используется одинаковая ее архитектура, единственное отличие — это размерности операторов свертки, нормализации (BN) и пулинга (maxpool). Для 2D-варианта нейросети на вход подается срез сейсмического куба Q размерности M×N, для 3D-варианта — это будет куб размерности M×N×N, где M — количество отсчетов по вертикали (временная шкала), N — количество отсчетов по горизонтали. На выходе получается соответствующего размера матрица, содержащая значения вероятностей наличия горизонта.
Для оценки качества выделения сейсмических горизонтов с помощью 2D- и 3D-архитектур U-Net используется метрика DICE [10]. Обозначая пиксели, принадлежащие истинному положению горизонта, как А, а пиксели, принадлежащие к предсказанному положению, как B, метрика DICE вычисляется по формуле (1):

Трассировка и оценка полученных результатов для 2D- и 3D-подходов производилась по каждому из 9 горизонтов. Все вычисления производились с помощью видеокарты NVIDIA GeForce GTX 1650 MAX-Q. Общее время обучения для 2D-архитектуры заняло 4,3 часа, а для 3D — 12,8 часа. Ниже представлена таблица с данными метрики качества экспериментов на тестовой выборке.
Табл. 1. Значения метрики качества для 2D- и 3D-архитектур
Подход на основе 3D-архитектуры показывает более точные результаты для всех горизонтов, чем 2D. Средний прирост метрики на 0,1 можно считать значимым результатом, поскольку границы сегментируемых горизонтов являются довольно тонкими линиями, а значит, увеличение значения качества сегментации достигается за счет выделения более сложных зависимостей, например, резких изгибов. На рисунке 3 в левом столбце изображены результаты сегментации
2D-архитектуры, а в правом — 3D.
Рис. 3. Сегментированные линии горизонта. Красный цвет — результат выделения нейронной сетью. Синий цвет — реальная
траектория линии горизонта
Такой эффект достигается потому, что 3D U-Net решает поставленную задачу, используя трехмерные сверточные ядра, которые позволяют использовать межсрезовый контекст внутри сейсмического куба, что и приводит к повышению производительности. Однако увеличиваются и вычислительные затраты в результате увеличения количества параметров нейронной сети.
Канониров А.П.


ООО «Тюменский нефтяной
научный центр», Тюмень, Россия

apkanonirov@tnnc.rosneft.ru
Материалы и методы
Ключевые слова
Для цитирования
Поступила в редакцию
УДК и DOI
Выполнен сравнительный анализ качества решения задачи выделения сейсмических горизонтов для 2D- и 3D-архитектур сегментационной сверточной нейронной сети U-Net, определены достоинства и недостатки каждого из подходов. Приведены практические рекомендации по оценке и обучению моделей на новых данных.
сейсморазведка, метод отраженных волн, геология, сегментация, компьютерное зрение, U-Net, сейсмические горизонты, нейронные сети
Канониров А.П. Сравнительный анализ применения 2D/3D сегментационных моделей в задаче выделения сейсмических горизонтов // Экспозиция Нефть Газ. 2022. № 8. С. 36–39. DOI: 10.24412/2076-6785-2022-8-36-39
21.11.2022
УДК 004.855.5
DOI: 10.24412/2076-6785-2022-8-36-39

Рекомендуемые статьи
© Экспозиция Нефть Газ. Научно-технический журнал. Входит в перечень ВАК
+7 (495) 414-34-88