(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210621060.X (22)申请日 2022.06.02 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 姚兴苗　董月　李祖宜　胡光岷　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 专利代理师 王伟 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G01V 1/30(2006.01) (54)发明名称 基于多任务的断层智能识别方法 (57)摘要 本发明公开一种基于多任务的断层智能识 别方法， 应用于地质勘探与解释领域， 针对现有 的三维断层识别网络中模型泛化性不足， 在不同 工区中识别效果差异较大的问题， 本发明引入倾 角方位角检测这两个辅助任务， 利用主任务以及 辅助任务间的相关性以及公共特征的提取， 提高 了模型的泛化性， 使得模型在不同分布， 不同特 征的地震数据中都有较好的表现。 同时也提出了 数据预测的改进方法， 从断层建模的角度， 对断 层的预测过程进行相应的优化。 本文所提出的方 法有效的解决了断层识别问题中模型泛化性较 差的问题。 网络效果在理论数据以及真实数据集 上都表现出了较好的效果， 充分证明了本文 方法 的有效性与实用性。 权利要求书2页 说明书12页 附图8页 CN 114898160 A 2022.08.12 CN 114898160 A 1.基于多任务的断层智能识别方法， 其特 征在于， 包括： S1、 构建理论数据集： 通过正演模型构建理论数据集， 所述理论数据集中包括若干组理 论数据， 每一组理论数据中包括四个数据样本， 具体为： 地震振幅数据、 断层标签数据、 倾角 体数据、 方位角体数据； S2、 对理论数据集中的理论数据进行增强处 理； S3、 构建网络模型： 对3D  U‑Net网络进行改进， 将其扩展为多任务网络， 得到多任务的 U‑Net网络； S4、 对网络进行训练： 将步骤S2增强后的理论数据输入多任务的U ‑Net网络中进行训 练； S5、 断层解释阶段： 将实际工区数据经过数据预处理之后送入到训练好的多任务的U ‑ Net网络中进行 预测， 得到断层属性体、 断层倾角体、 断层方位角体。 2.根据权利要求1所述的基于多任务的断层智能识别方法， 其特征在于， 步骤S2所述的 增强处理包括： S21、 对三维数据体进行旋转变换； S22、 采取对应角度间隔分别对倾角体数据、 方位角体数据进行分类取整。 3.根据权利要求1所述的基于多任务的断层智能识别方法， 其特征在于， 步骤S3所述多 任务的U‑Net网络结构为： 包括编码 器部分与解码 器部分； 所述编码 器部分包括四个编码 器 层， 所述解码器部分包括四个解码器层； 编码部分相邻的2个编码器层， 通过个2 ×2×2大小、 步长为2的池化层将上一层编码器 层的输出进行下采样后输入下一层的编 码器层， 下一层的编码器层中卷积层的通道数是上 一层编码器层中卷积层通道数的2倍； 解码部分相邻的2个解码器层， 通过一个2 ×2×2的上采样层将上一层解码器层的输出 进行上采样后输入下一层的解码 器层， 下一层的解码 器层中卷积层的通道数是上一层解码 器层中卷积层通道数的一半； 每个编码器层包括： 两个3 ×3×3的卷积层， 每 个卷积层使用Relu作为激活函数； 每个解码器层包括： 一个与对应编码层相连的拼接层， 以及两个3 ×3×3的卷积层， 每 个卷积层均使用Relu作为激活函数。 4.根据权利要求1所述的基于多任务的断层智能识别方法， 其特征在于， 采用基于滑动 窗口的方法进 行断层预测， 具体的： 将窗口的大小设置为基本单位的大小， 同时将滑动窗口 的步长设置为窗口大小的一半， 在对地震体数据进行预测时不断移动窗口， 并对窗口内的 地震数据进行预测， 并将预测结果最中心的1/2部分保留赋权值为1， 边缘部分线性降低其 权值， 将每个点的值累加， 待整个数据体完成预测之后除以每个点的权值得到最后的预测 结果。 5.根据权利要求1所述的基于多任务的断层智能识别方法， 其特征在于， 还包括以下处 理过程： 将预测数据的外层宽度为模型宽度1/2的数据进行镜像的扩展； 再将扩展之后的数据 作为预测数据进行预测， 最后将扩展后的地震数据进行切割， 获得原始地震数据的断层识 别结果。 6.根据权利要求5所述的基于多任务的断层智能识别方法， 其特征在于， 设置三个阈权　利　要　求　书 1/2 页 2 CN 114898160 A 2值： 高阈值h， 低阈值l， 总和阈值s， h>l>s， 将预测结果中值低于低阈值l的部分直接进行去 除， 高于高阈值h部分的结果直接予以保留； 计算出当前保留的值的总和， 如果总和大于总 和阈值s则 返回预测结果， 否则按预测值大小由高到低 从高阈值h和低阈值l间的数据进行 保留直至保留数据总和大于总和阈值s。权　利　要　求　书 2/2 页 3 CN 114898160 A 3