传统的断层解释是基于断层元素，如倾角、倾向、走向、断层之间的距离和组合模式。然而，断层的人工识别过程耗时且效率低下。当前，基于地震属性的自动断层识别方法，包括相干检测、蚂蚁跟踪、边缘检测等方法可以提高断层识别的速度，但断层识别的准确性仍有待进一步提高。此外，单属性地震断层识别复杂且不稳定。因此，提高神经网络的识别精度和增强神经网络对多属性断层特征的学习能力是准确识别复杂断层（包括低序级断层/裂缝和隐伏断层)的关键。

中国地震局地质研究所活动构造室杨晶博士生在鲁人齐研究员、陶玮研究员的指导下，开发了一种多属性融合主成分分析(PCA)数据降维的U形残差网络(URNet)，将网络结构命名为MultiURNet (图1)。利用褶积方法生成了大量的合成地震反射数据，并基于振幅属性和优选属性体生成地震多属性体。采用PCA对多属性体的特征进行预处理，对原始数据信息进行降尺度和保留，降低数据复杂度和存储空间。在深度编解码网络结构中加入残差块，提高神经网络的表达能力，同时防止梯度消失。

图1多属性融合PCA-MultiURNet断层识别技术路线图，利用多属性融合样本集对MultiURNet进行训练，

然后在应用于实际数据时，首先采用PCA数据降尺度进行断层智能识别。

为验证神经网络的准确性与高效性，将Unet、URNet、BCE以及Focal loss进行了排列组合的综合评估，可知URNet+BCE的组合在各个评价指标中都是最优的（图2）。将训练好的URNet+BCE神经网络模型应用于合成地震反射数据和实际地震反射数据，结果表明高序级断层与低序级断层的识别都得到了显著提高，断层线清晰且连续性高。

图2 四种网络组合评估：(a) 精度；(b) 损失；(c) MeanIoU；(d) 召回率；(e) 精确度，URNet+BCE（蓝色曲线）、U-Net + BCE（橙色曲线）、

URNet+FL（紫色曲线）和U-Net + FL（绿色曲线）。

注：图中实线为训练结果，虚线为测试结果。

为断层、裂缝智能识别结果提供后处理（Post-process）。将智能识别结果进行数据清洗，依据数据情况设定数据清洗程度。通过点云成面的方式观测层面之间的冗余识别点，从而确定最优数据清洗程度。最终确定Kerry3D的数据清洗程度为75%可达到最优程度（图3）。

图3 基于PCA-MultiURNet的Kerry3D断层智能识别结果及数据清洗。(a) PCA程度为0.8时的断层识别效果;

(b) PCA程度为0.8，数据清洗程度为0.75时的断层识别效果。

本项研究由国家重点研发计划项目(2021YFC3000600)资助，近期发表于国际期刊Journal of Applied Geophysics：

Jing Yang, Renqi Lu*, Wei Tao*, MingGang Cai, GuanShen Liu, Xiao Sun, 2024, MultiURNet for 3D seismic fault attributes fusion detection combined with PCA, Journal of Applied Geophysics,221, 0926-9851.

原文链接：https://www.sciencedirect.com/science/article/pii/S0926985124000120.