三维地震断层自动识别方法

技术领域

本发明涉及勘探地球物理技术领域，特别是涉及到一种三维地震断层自动识别方法。

背景技术

断层在油气运移和聚集过程中发挥着重要作用。获得精细的断层识别结果需要开展大量的、繁琐的三维地震解释工作。为有效提升解释效率及精度，相干、方差、曲率和断层似然性等常规断层识别技术得到不断发展，研究思路主要是通过人工设计的算法、流程凸显同相轴的不连续性，实现断层特征的增强。但受观测数据和处理噪声等非地质因素的影响，识别结果中包含较多干扰。

为改善上述问题，基于深度神经网络的地震自动解释方法得到广泛关注。该类方法首先通过理论模型正演模拟或实际解释的方法来构建样本数据，之后在样本数据的驱动下，利用深度神经网络学习地震反射特征与断层之间的映射关系，实现端到端的断层自动识别。样本数据的数量和质量是此类方法实现的核心。其中，理论模型正演模拟的优势在于可迅速获得大量样本数据，但无法完全反映真实的断层分布特征及地震反射特征，易导致断层识别的精度不高；实际解释构建的样本数据虽然可从真实的地震反射特征出发，但受勘探认识程度、解释工作量等客观因素影响，往往只会对三维地震工区的重点剖面和区域进行精细断层解释，在整个实际地震数据中断层多为部分标注，该问题会严重影响基于数据驱动的断层自动识别网络模型的判断，给深度神经网络训练的准确性带来了极大的挑战，易导致断层识别模型的泛化能力不强。因此，需要进一步开展方法研究，提升已有解释成果的利用率，有效增加样本数量及质量，提升三维地震断层自动识别网络模型的可靠性及泛化能力。

中国专利申请CN202011006282.8提供了一种断层检测训练数据生成方法及系统。该方法包括：执行如下循环处理：执行如下迭代处理：根据初始地震数据体得到断裂变形地震数据体，根据初始断层标注体得到断裂变形断层标注体；当当前迭代次数达到预设迭代次数时，确定当前迭代中的断裂变形地震数据体和断裂变形断层标注体以生成一个断层检测训练样本对，否则根据断裂变形地震数据体更新初始地震数据体，根据断裂变形断层标注体更新初始断层标注体，继续执行迭代处理；根据预设数量的断层检测训练样本对生成断层检测训练数据集。该发明可以提供低成本、高效率、高精度的包含足够数目样本对的断层检测训练数据集，从而提高深度学习断层检测网络的准确性和泛化能力，加快研究进程。该申请仅针利用正演模拟的方式生成断层样本数据及其对应的地震正演模拟数据，无法完全反映实际断层发育特征及地震反射特征。

中国专利申请CN202010909049.4公开了一种基于深度学习模型的地震数据不连续性检测方法和系统，包括：将地震数据分为简单、中等和困难三类，并根据地震数据的不同类别对其进行不同的处理，生成简单地震数据的初始数据标签建立初始深度学习模型，并通过简单地震数据的初始数据标签对初始深度学习模型进行训练，获得最终的深度学习模型；将待检测地震波信号代入最终的深度学习模型，并对待检测地震波信号的不连续性进行检测。该发明检测地震数据的不连续性时，只需把实际地震数据输入训练好的神经网络模型，就可以获得最终的计算结果，计算速度远远高于传统方法，且该方法从地震实测数据出发，无需人为标记，降低了人为因素的不确定性，有效提高了检测结果的准确性。该申请虽然从实际资料出发，但样本数据是采用不同地震属性的时间切片，未从三维空间进行断层自动识别。同时，未对样本数据进行增强处理，在实际解释数据匮乏时，样本数据易出现规模不足的问题。

中国专利申请CN202010423320.3公开了一种地震断层数据处理方法及装置，包括：获取地震断层数据；利用预先训练获得断层数据处理模型对获取的地震断层数据进行数据处理，获得断层数据处理结果，以根据断层数据处理结果对地震断层进行勘探；其中，断层数据处理模型通过利用获取的断层样本训练数据集和验证数据集对预先建立的卷积神经网络模型进行训练获得。该申请通过一种深度学习方法，对断层识别算法识别出的结果进行处理，同时结合图像膨胀腐蚀技术以及骨架提取技术，提高断层的连续性，纯净度和精确度，从而为断层解释提供可靠的结果。该申请中断层的自动识别采用的是正演模拟断层数据，未考虑实际资料断层解释数据，无法完全反映实际断层发育特征及地震反射特征。

中国专利申请CN202110946552.1公开了一种基于深度学习语义分割的地震断层识别方法，包括：获取三维地震数据，并从中进行切片提取，以得到二维地震振幅图像；将所得到的二维地震振幅图像输入至断层分割模型，断层分割模型输入断层二值图像；对所述断层二值图像进行优化处理，得到断层识别结果；所述断层分割模型是通过断层训练样本和深度学习语义分割模型所训练而得。该发明基于深度学习语义分割方法，采用模式识别的思路凭借深度卷积神经网络的强大拟合能力对解释断层的模式进行学习，利用计算机视觉在地震振幅图像中拾取断层，实现在三维地震数据中快速准确的进行断层识别，同时在识别过程中减少人为干预以及错误的发生并缩短断层解释所需要的时间。该申请虽然考虑了实际断层对应的地震反射特征，但样本数据及其增强处理仅从二维剖面出发，一是未从三维空间进行断层自动识别，二是未充分考虑实际资料断层解释不全时出现的部分标注问题。

以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题，为此我们发明了一种新的三维地震断层自动识别方法。

发明内容

本发明的目的是提供一种增强断层自动识别的可靠性、精度及效率的三维地震断层自动识别方法。

本发明的目的可通过如下技术措施来实现：三维地震断层自动识别方法，该三维地震断层自动识别方法包括：

步骤1，将实际资料断层解释样本数据进行预处理；

步骤2，进行实际资料断层解释样本数据的增强；

步骤3，进行三维地震断层的自动识别；

步骤4，设计三维地震断层自动识别损失函数；

步骤5，进行三维地震断层自动识别网络训练及验证；

步骤6，将三维地震断层自动识别网络方法进行实际应用测试。

本发明的目的还可通过如下技术措施来实现：

在步骤1中，对实际地震剖面数据及其对应的断层解释成果数据，沿着垂直时间和水平地震道方向分别进行重采样或插值处理，对数据时间采样间隔和道间距进行统一，得到预处理后的地震剖面数据及其对应的断层标签数据。

在步骤1中，对于任意二维地震剖面S

在步骤2中，对预处理后的地震剖面数据及其对应的断层标签数据进行维度扩充，并对其进行随机扭曲和方位角旋转，形成大量的三维实际地震样本特征增强数据及断层样本标签增强数据。

在步骤2中，将二维样本数据维度扩充三维样本数据，将地震数据S

在步骤2中，进行三维断面扭曲，为进一步丰富断层样本的样式，沿着垂直剖面方向，假设为X方向，对维度扩充后的三维地震数据S1和断层样本标签数据F

在步骤2中，进行三维断面方位旋转，对扭曲后的三维地震数据和断面样本标签数据沿着不同方位角进行旋转，之后，按照新的空间坐标进行插值，获得到旋转后的三维实际地震样本特征增强数据体S和断层样本标签增强数据体F。

在步骤2中，进行三维实际地震样本特征增强数据体集合和断层样本标签增强数据体集合生成，随机设置不同的扭曲和方位旋转参数，重复上述断面扭曲和方位角旋转过程，获得大量的不同弯曲形态和方位角旋转角度的三维实际地震样本特征增强数据体集合和断层样本标签增强数据体集合，增加实际断层解释样本数据的多样性。

在步骤3中，构建适用于三维实际地震样本特征增强数据及断层样本标签增强数据的三维地震断层自动识别网络结构。

在步骤3中，三维地震断层自动识别网络的输入为三维实际地震样本特征增强数据体，输出结果为三维实际断层样本标签增强数据体。

在步骤3中，三维地震断层自动识别网络正向传播过程包含编码和解码两个步骤，编码包含3次特征提取过程，从小尺度到大尺度提取地震反射特征；解码包含3次特征恢复过程，分别恢复出不同尺度特征的断层识别结果；每个解码层输出结果与编码层输出结果进行连接，用于融合来自不同尺度编码器和上层解码层的特征，以捕获全尺度下的细粒度语义和粗粒度语义；同时，为更好地分析同一断面的不同断点间的空间相关关系，在每个编码层和解码层都引入了注意力层，即每个编码层为卷积层、注意力层、激活函数和最大池化层的连接，每个解码层为一个转置卷积层、注意力层、激活函数的连接，以增强网络的数据空间特征分析能力。

在步骤4中，设计可适用于部分标注三维实际地震样本特征增强数据及断层样本标签增强数据的损失函数。

在步骤4中，三维地震断层自动识别网络模型的预测结果与已知断层标签之间的损失函数可表达为：

其中，F为实际断层样本标签，

在步骤4中，在已解释区域，标注的断层标签是明确的，而在未解释区域，既包含非断层的地震反射特征，还包含了未解释的断层反射特征；因此，应将训练损失函数的计算聚焦于已解释区域，并着重加强该区域的断层标签与地震反射特征的相关性分析；聚焦在断层已解释区域的定量化表达方式为：

B＝g*F

其中，g为高斯卷积核，g＞1，*为卷积过程，B为聚焦区域数据体，尺寸大小与断层样本标签F相同；在此基础上，构建掩码权重矩阵M，其水平Y方向、水平X方向及垂直时间T方向的尺寸大小为N

则改进后的断层自动识别损失函数为：

其中，M·F和

在步骤5中，对三维实际地震样本特征增强数据及断层样本标签增强数据进行训练样本集和验证样本集拆分，设置网络训练关键参数，在训练样本集数据驱动下，通过断层自动识别网络进行正向传播，并计算预测结果与断层标签间的损失函数，反复迭代优化求解断层自动识别网络权重参数，将满足验证集要求的结果作为最终的断层自动识别网络模型。

在步骤5中，进行三维实际样本数据尺寸大小一致性预处理，统计三维实际地震样本特征增强数据及断层样本标签增强数据的尺寸大小，得到统计结果中的水平Y方向、水平X方向及垂直时间T方向的最小尺寸为N

在步骤5中，进行三维断层正演样本数据生成，按照最小尺寸N

在步骤5中，进行三维地震断层自动识别样本数据训练集及验证集拆分，采用随机选择的方式，将样本数据进行训练样本集和验证样本集拆分。

在步骤5中，进行三维地震断层自动识别网络权重参数优化，设置迭代次数、学习率这些关键参数，在训练样本集数据驱动下，通过断层自动识别网络进行正向传播，并计算预测结果与断层标签间的损失函数，反复迭代优化求解断层自动识别网络权重参数。

在步骤5中，进行三维地震断层自动识别网络模型输出，利用训练好的断层自动网络模型，对验证集进行测试，当预测结果满足要求时，输出最终的三维地震断层自动识别网络模型，否则，重新调整网络参数，直至满足验证集测试要求。

在步骤6中，利用训练得到的最终断层自动识别网络模型，在实际工区开展三维断层自动识别应用测试。

本发明的三维地震断层自动识别方法，包括：实际资料断层解释样本数据预处理；实际资料断层解释样本数据增强；三维地震断层自动识别；三维地震断层自动识别损失函数设计；三维地震断层自动识别网络训练及验证；三维地震断层自动识别网络方法实际应用测试。本发明对实际解释样本数据进行维度和数量的扩充，在保留实际断层地震反射特征的同时，有效地扩大了断层样本数据样式及规模，重新构建和设计了三维地震断层网络结构及损失函数，既可保证训练过程考虑实际地震数据的空间结构特征与断层的对应关系，又可避免未解释区域的断层解释不全、部分标注带来的干扰，增强断层自动识别的可靠性、精度及效率。

与现有技术相比，本发明的有益效果主要在于：

(1)提出了针对实际断层解释样本的数据三维增强方法，对实际解释样本数据进行维度和数量的扩充，在保留实际断层地震反射特征的同时，有效地扩大了断层样本数据样式及规模，提升断层自动识别网络训练过程中权重参数求解的稳定性；

(2)构建和设计了三维地震断层网络结构及损失函数，既可保证训练过程考虑实际地震数据的空间结构特征与断层的对应关系，又可避免未解释区域的断层解释不全、部分标注带来的干扰，增强断层自动识别的可靠性、精度及效率。

附图说明

图1为本发明的三维地震断层自动识别方法的一具体实施例的流程图；

图2为本发明一具体实施例中的实际资料断层解释结果预处理后的断层标签数据与地震数据叠合图；

图3为本发明一具体实施例中的实际资料断层样本数据的维度扩充结果与地震数据叠合图；

图4为本发明一具体实施例中的实际资料断层样本数据的扭曲及方位角旋转增强结果与地震数据叠合图；

图5为本发明一具体实施例中的三维地震断层自动解释网络结构图；

图6为本发明一具体实施例中的待预测地震剖面与部分标注的断层解释样本标签叠合图；

图7为本发明一具体实施例中的待预测地震剖面对应的断层真实标签图；

图8为本发明一具体实施例中的采用常规的骰子损失函数的待预测地震剖面断层识别结果图；

图9为本发明一具体实施例中本专利提出的损失函数的待预测地震剖面断层识别结果图；

图10为本发明一具体实施例中本专利提出的一种地震自动识别结果与地震剖面叠合图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。

本发明的三维地震断层自动识别方法，首先，对实际断层解释成果数据进行了预处理和增强处理，获得大量的三维实际地震样本特征增强数据体集合和断层样本标签增强数据体集合；其次，构建了适用于实际断层解释三维样本增强数据的断层自动识别网络结构；再次，设计了适用于部分标注实际断层解释样本数据的三维地震断层自动识别损失函数。如图1所示，图1为本发明的三维地震断层自动识别方法的流程图。该三维地震断层自动识别方法具体包括：

(1)实际资料断层解释样本数据预处理。对实际地震剖面数据及其对应的断层解释成果数据，沿着垂直时间和水平地震道方向分别进行重采样或插值处理，对数据时间采样间隔和道间距进行统一，得到预处理后的地震剖面数据及其对应的断层标签数据。

(2)实际资料断层解释样本数据增强。对预处理后的地震剖面数据及其对应的断层标签数据进行维度扩充，并对其进行随机扭曲和方位角旋转，形成大量的三维实际地震样本特征增强数据及断层样本标签增强数据。

(3)三维地震断层自动识别网络结构构建。构建适用于三维实际地震样本特征增强数据及断层样本标签增强数据的三维地震断层自动识别网络结构。

(4)三维地震断层自动识别损失函数设计。设计可适用于部分标注三维实际地震样本特征增强数据及断层样本标签增强数据的损失函数。

(5)三维地震断层自动识别网络训练及验证。对三维实际地震样本特征增强数据及断层样本标签增强数据进行训练样本集和验证样本集拆分，设置网络训练关键参数，在训练样本集数据驱动下，通过断层自动识别网络进行正向传播，并计算预测结果与断层标签间的损失函数，反复迭代优化求解断层自动识别网络权重参数，将满足验证集要求的结果作为最终的断层自动识别网络模型。

(6)三维地震断层自动识别网络方法实际应用测试。利用训练得到的最终断层自动识别网络模型，在实际工区开展三维断层自动识别应用测试。

以下为应用本发明的几个具体实施例

实施例1：

步骤1，对实际地震剖面数据及其对应的断层解释成果数据，沿着垂直时间和水平地震道方向分别进行重采样或插值处理，对数据时间采样间隔和道间距进行统一，得到预处理后的地震剖面数据及其对应的断层标签数据。

对于任意二维地震剖面S

步骤2，对预处理后的地震剖面数据及其对应的断层标签数据进行维度扩充，并对其进行随机扭曲和方位角旋转，形成大量的三维实际地震样本特征增强数据及断层样本标签增强数据。

二维样本数据维度扩充三维样本数据。将地震数据S

三维断面扭曲。为进一步丰富断层样本的样式，沿着垂直剖面方向(假设为X方向)，对维度扩充后的三维地震数据S

三维断面方位旋转。对扭曲后的三维地震数据和断面样本标签数据沿着不同方位角进行旋转，之后，按照新的空间坐标进行插值，获得到旋转后的三维实际地震样本特征增强数据体S和断层样本标签增强数据体F。

三维实际地震样本特征增强数据体集合和断层样本标签增强数据体集合生成。随机设置不同的扭曲和方位旋转参数，重复上述断面扭曲和方位角旋转过程，获得大量的不同弯曲形态和方位角旋转角度的三维实际地震样本特征增强数据体集合和断层样本标签增强数据体集合，增加实际断层解释样本数据的多样性。

步骤3，构建适用于三维实际地震样本特征增强数据及断层样本标签增强数据的三维地震断层自动识别网络结构。

三维地震断层自动识别网络的输入为三维实际地震样本特征增强数据体，输出结果为三维实际断层样本标签增强数据体。

三维地震断层自动识别网络正向传播过程包含编码和解码两个步骤，编码包含3次特征提取过程，从小尺度到大尺度提取地震反射特征；解码包含3次特征恢复过程，分别恢复出不同尺度特征的断层识别结果。每个解码层输出结果与编码层输出结果进行连接，用于融合来自不同尺度编码器和上层解码层的特征，以捕获全尺度下的细粒度语义和粗粒度语义。同时，为更好地分析同一断面的不同断点间的空间相关关系，在每个编码层和解码层都引入了注意力层，即每个编码层为卷积层、注意力层、激活函数和最大池化层的连接，每个解码层为一个转置卷积层、注意力层、激活函数的连接，以增强网络的数据空间特征分析能力。

步骤4，设计可适用于部分标注三维实际地震样本特征增强数据及断层样本标签增强数据的损失函数。

三维地震断层自动识别网络模型的预测结果与已知断层标签之间的损失函数可表达为：

其中，F为实际断层样本标签，

在已解释区域，标注的断层标签是明确的，而在未解释区域，既包含非断层的地震反射特征，还包含了未解释的断层反射特征。因此，应将训练损失函数的计算聚焦于已解释区域，并着重加强该区域的断层标签与地震反射特征的相关性分析。聚焦在断层已解释区域的定量化表达方式为：

B＝g*F

其中，g为高斯卷积核(g＞1)，*为卷积过程，B为聚焦区域数据体，尺寸大小与断层样本标签F相同。在此基础上，构建掩码权重矩阵M，其水平Y方向、水平X方向及垂直时间T方向的尺寸大小为N

则改进后的断层自动识别损失函数为：

其中，M·F和

步骤5，对三维实际地震样本特征增强数据及断层样本标签增强数据进行训练样本集和验证样本集拆分，设置网络训练关键参数，在训练样本集数据驱动下，通过断层自动识别网络进行正向传播，并计算预测结果与断层标签间的损失函数，反复迭代优化求解断层自动识别网络权重参数，将满足验证集要求的结果作为最终的断层自动识别网络模型。

三维实际样本数据尺寸大小一致性预处理。统计三维实际地震样本特征增强数据及断层样本标签增强数据的尺寸大小，得到统计结果中的水平Y方向、水平X方向及垂直时间T方向的最小尺寸为N

可选的，三维断层正演样本数据生成。按照最小尺寸N

三维地震断层自动识别样本数据训练集及验证集拆分。采用随机选择的方式，将样本数据进行训练样本集和验证样本集拆分；

三维地震断层自动识别网络权重参数优化。设置迭代次数、学习率等关键参数，在训练样本集数据驱动下，通过断层自动识别网络进行正向传播，并计算预测结果与断层标签间的损失函数，反复迭代优化求解断层自动识别网络权重参数；

三维地震断层自动识别网络模型输出。利用训练好的断层自动网络模型，对验证集进行测试，当预测结果满足要求时，输出最终的三维地震断层自动识别网络模型，否则，重新调整网络参数，直至满足验证集测试要求。

步骤6，利用训练得到的最终断层自动识别网络模型，在实际工区开展三维断层自动识别应用测试。

实施例2：

在应用本发明的一具体实施例2中，利用正演模拟的方式构建了200对水平Y方向、水平X方向及垂直时间T方向的尺寸大小为256×256×256的三维断层模型及地震数据。沿着X、Y不同方向对模拟的实际三维地震数据进行随机抽取，得到大量尺寸为256×256大小的二维地震剖面数据，并对其进行局部区域的断层解释，得到正演模拟的实际地震数据及断层解释结果。基于上述数据验证方法可靠性。

步骤1，对实际地震剖面数据及其对应的断层解释成果数据，沿着垂直时间和水平地震道方向分别进行重采样或插值处理，对数据时间采样间隔和道间距进行统一，得到预处理后的地震剖面数据及其对应的断层标签数据，如图2所示。

步骤2，实际资料断层解释样本数据增强。

如图3所示，对预处理后的地震剖面数据及其对应的断层标签数据进行维度扩充；

如图4所示，对维度扩充后的样本数据进行随机扭曲，采用多个正弦信号叠加的形式模拟弯曲的断面形态，并对扭曲后的样本数据进行和方位角旋转；

随机设置不同的扭曲和方位旋转参数，重复上述断面扭曲和方位角旋转过程，获得大量的不同弯曲形态和方位角旋转角度的三维实际地震样本特征增强数据体集合和断层样本标签增强数据体集合，增加实际断层解释样本数据的多样性。

步骤3，三维地震断层自动识别。构建适用于三维实际地震样本特征增强数据及断层样本标签增强数据的三维地震断层自动识别网络结构，。

如图5所示，编码包含4次特征提取过程，从小尺度到大尺度提取地震反射特征；解码包含4次特征恢复过程，分别恢复出不同尺度特征的断层识别结果。每个解码层输出结果与编码层输出结果进行连接，用于融合来自不同尺度编码器和上层解码层的特征，以捕获全尺度下的细粒度语义和粗粒度语义。同时，为更好地分析同一断面的不同断点间的空间相关关系，在每个编码层和解码层都引入了注意力层，即每个编码层为一个3×3×3的卷积层、注意力层、线性整流函数(ReLU)激活函数和2×2×2的最大池化层的连接，每个解码层为一个3×3×3的转置卷积层、注意力层、线性整流函数(ReLU)的连接。采用分块自注意力机制，既可以保证大规模样本数据计算效率的提升，也有助于增强网络的数据空间特征分析能力。

步骤4，三维地震断层自动识别损失函数设计。设计可适用于部分标注三维实际地震样本特征增强数据及断层样本标签增强数据的损失函数。

步骤5，三维地震断层自动识别网络训练及验证。

对三维实际地震样本特征增强数据及断层样本标签增强数据进行训练样本集和验证样本集拆分，将其中的80％不完备断层解释样本数据作为训练集，另外20％作为验证集。

利用Adam进行参数优化，学习率设置为0.0001，迭代次数为100轮。通过不断迭代训练得到断层识别模型。在训练样本集数据驱动下，通过断层自动识别网络进行正向传播，并计算预测结果与断层标签间的损失函数，反复迭代优化求解断层自动识别网络权重参数，将满足验证集要求的结果作为最终的断层自动识别网络模型。

步骤6，三维地震断层自动识别网络方法实际应用测试。利用训练得到的最终断层自动识别网络模型，开展三维断层自动识别应用测试。待预测地震剖面如图6所示，其中黑色虚线为部分标注的断层解释样本标签。断层的真实标签如图7所示，对比采用常规的骰子损失函数(Dice)的断层识别结果图(图8所示)，本专利提出的损失函数的断层识别结果(图9所示)可靠性更高。

实施例3：

在应用本发明的一具体实施例3中，本发明的三维地震断层自动识别方法包括了以下几个步骤：

步骤1，实际资料断层解释样本数据预处理。收集研究区相邻工区的共100个地震剖面断层解释结果，对实际地震剖面数据及其对应的断层解释成果数据，沿着垂直时间和水平地震道方向分别进行重采样或插值处理，对数据时间采样间隔和道间距进行统一，得到预处理后的地震剖面数据及其对应的断层标签数据。

步骤2，实际资料断层解释样本数据增强。

对预处理后的地震剖面数据及其对应的断层标签数据进行维度扩充；对维度扩充后的样本数据进行随机扭曲，采用多个正弦信号叠加的形式模拟弯曲的断面形态，并对扭曲后的样本数据进行和方位角旋转。

随机设置不同的扭曲和方位旋转参数，重复上述断面扭曲和方位角旋转过程，获得大量的不同弯曲形态和方位角旋转角度的三维实际地震样本特征增强数据体集合和断层样本标签增强数据体集合，增加实际断层解释样本数据的多样性。

同时，基于正演模拟的方式构建了400对256×256×256三维断层样本数据及其地震正演样本特征数据，对断层识别样本数据进一步扩充。

步骤3，三维地震断层自动识别。构建适用于三维实际地震样本特征增强数据及断层样本标签增强数据的三维地震断层自动识别网络结构，。

编码包含4次特征提取过程，从小尺度到大尺度提取地震反射特征；解码包含4次特征恢复过程，分别恢复出不同尺度特征的断层识别结果。每个解码层输出结果与编码层输出结果进行连接，用于融合来自不同尺度编码器和上层解码层的特征，以捕获全尺度下的细粒度语义和粗粒度语义。同时，为更好地分析同一断面的不同断点间的空间相关关系，在每个编码层和解码层都引入了注意力层，即每个编码层为一个3×3×3的卷积层、注意力层、线性整流函数(ReLU)激活函数和2×2×2的最大池化层的连接，每个解码层为一个3×3×3的转置卷积层、注意力层、线性整流函数(ReLU)的连接。采用分块自注意力机制，既可以保证大规模样本数据计算效率的提升，也有助于增强网络的数据空间特征分析能力。

步骤4，三维地震断层自动识别损失函数设计。设计可适用于部分标注三维实际地震样本特征增强数据及断层样本标签增强数据的损失函数。

步骤5，三维地震断层自动识别网络训练及验证。

对三维实际地震样本特征增强数据及断层样本标签增强数据进行训练样本集和验证样本集拆分，将其中的80％不完备断层解释样本数据作为训练集，另外20％作为验证集。

利用Adam进行参数优化，学习率设置为0.0001，迭代次数为500轮。通过不断迭代训练得到断层识别模型。在训练样本集数据驱动下，通过断层自动识别网络进行正向传播，并计算预测结果与断层标签间的损失函数，反复迭代优化求解断层自动识别网络权重参数，将满足验证集要求的结果作为最终的断层自动识别网络模型。

(6)三维地震断层自动识别网络方法实际应用测试。利用训练得到的最终断层自动识别网络模型，在实际工区开展三维断层自动识别应用测试。如图10所示，本专利的断层识别结果清晰、连续，可为快速刻画断裂系统提供有效的辅助。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域技术人员来说，其依然可以对前述实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

除说明书所述的技术特征外，均为本专业技术人员的已知技术。