本文是一篇计算机论文，本文通过将ECA通道注意力机制与Unet++网络模型相结合，增加原Unet++网络对不同通道特征信息的利用，能够在增加少量模型参数的同时，有效地提升网络的识别效果。
第一章绪论
1.1研究背景及意义
在现代人类社会发展中，能源是科技发展必不可少的关键因素，而现在石油与天然气等化石能源在全球能源结构中占据着主体地位。采用地震勘探技术能够对油气资源进行勘探，随着地震勘探技术的不断进步，地震数据越来越能够反映出大量地下的地质情况信息，对于石油的勘探与开采起到重要指示的作用，而地震解释在地震勘探中更显得尤为重要，地震相分析是地震资料解释重要组成部分，其对于研究人员了解工区的地下沉积相的分布起到至关重要的作用，并能够提高勘探石油与天然气等化石能源的效率与准确性。
从20世纪80年代末期，Vail、Sangree等学者发表地震层序地层学论著以来[1-2]，随着现代科技的发展和对地震资料研究的不断深入，地震相这一相关概念逐渐被人们广泛认识和研究，“相”是沉积物演化生成时的古地理环境和物质特征的综合[3]。由于不同的地质环境有着不同的波阻抗差异，基于此，地震勘探是通过在工区布置震源并激发地震波，然后利用专门仪器接收的地震波进行查明地下的地质构造组成的方法。学者们称利用仪器接收到反映地下的地质构造的地震波为地震相。
明确的地震反射参数在三维地震资料上规定的反射单元称为地震相，且其是地下的地质情况与沉积状态的地震响应。将采集到的地震资料进行地震相分析能够达到对地下沉积相深入研究的目的，在同一研究区域中不同的沉积相的同一种地震反射参数是不同的。可将地震相识别方法分为两种，第一种是研究人员使用眼睛去查看明确的地震反射参数在三维地震资料上规定的反射单元，并参考以往的地震相数据去确定地震相的类型，该种方法也称为“相面法”，“相面法”存在着很大的主观性与效率低等问题，随着地震勘探技术的进步，所采集到的数据所蕴含的丰富信息已无法单凭肉眼去观察[4]，因此一些研究学者们将研究重心向地震自动解释方面倾斜，采用智能物探技术能够提升地震数据处理与解释的效率与准确性。第二种方法即是借助高效的智能技术的地震相识别方法，该种方法借助高性能的计算机，应用地震数据处理技术将反映地质特征的属性参数从地震数据体提取出来，再进一步对属性参数进行地震反射特征的识别与划分，这一种方法能够有效提高地震相识别的效率和质量。
1.2国内外研究现状
近年随着深度学习热潮的到来，人们对于深度学习的研究不断深入并将其应用于各个研究领域。深度学习算法中的卷积神经网络方法推进了计算机视觉等领域获得革命性的发展，其在图像分类[5-8]、目标检测[9-14]以及语义分割[15-18]等多种领域的研究任务中得到了较好的成果。本节首先了解传统地震相识别方法的思想。然后介绍卷积神经网络的国内外研究现状，由此了解卷积神经网络的发展状况。最后，通过介绍基于卷积神经网络的地震相识别方法的国内外研究现状，对地震相智能识别的研究现状进行了解，为后续的研究打下基础。
1.2.1传统地震相识别研究现状
在早期地震勘探技术普遍较低的情况下，学者们采用传统的“相面法”进行地震相分析时，存在效率低下、主观性强的局限性。随着地震勘探技术的进步与所采集到的地震数据所蕴含的信息越来越丰富，单凭肉眼已经观察不到数据深层次的特征信息，需要借助计算机技术协助去完成地震相的识别研究任务[4]。目前，国内外流行的传统地震相识别方式，总体划分为了三种识别方法：
（1）波形分类法[19-20]。地震道波形形状的变化能够反映出地下沉积地层的相应变化，该方法为一种基于波形特征的地震相识别方法。利用波形分类法在进行地震相识别时，最先是确定好几种经典的地震波形道；然后将实际地震道与几种经典的地震波形道进行匹配分类；利用自组织特征映射神经网络（self-organizing map，SOM）进行每一道实际地震道的地震道波形分类，是通过将经典的模型道与地震资料中每一道实际地震道交给网络进行训练。虽然使用此类方法可以对地震资料的横向变化进行细致的刻画，但是该方法主要适用于地质构造较简单的地区，例如表现为平行地层结构和平稳发展的地层区域。
（2）地震属性特征映射法[21-24]。此类方法注重的是振幅、频率、相位等能够反映地震体反射结构的属性参数，通过地震反射特征来表征沉积相带，进而进行地震相的分析。该方法主要对地震资料的振幅和波形特征进行相应的属性提取，结合多种属性进行地震相的识别，研究人员应具备相当程度的岩石物理基础。
第二章相关理论基础
2.1沉积相与地震相
2.1.1沉积相基本理论沉积相分析
在油气藏勘探中是至关重要的，从沉积相中可以了解到研究区域沉积环境的相关情况，在油气藏勘探领域中沉积环境决定着石油，天然气资源的生成演化。
沉积环境是古物质进行沉积时所包含的山地、高原、盆地、平原、海洋等自然地理环境，沉积相是反映沉积环境与沉积物以及其物质特征的地层单元。在地质学中认为特定的沉积相类型是由相似的岩性或特征所组成。将沉积相根据不同的生成环境，分为了三种。首先是，在陆地环境所形成的陆相沉积类型，主要的形成因素为风化与剥蚀等作用，和海相沉积相比，陆相的横向变化较明显，陆相沉积类型复杂多样。河流相又称为冲积相，是陆相中主要的沉积类型之一，河流相是由河流或其它的水流将岩石风化、剥蚀的产物从物源地进行搬运而堆积形成的沉积物和沉积岩，同时水流在进行搬运时对河床的作用，从而形成了河心滩、河漫滩等河流沉积亚相。其次是，在陆地与海洋或湖泊的交汇处出现的海陆过渡相，河流携带的沉积物受到河流或者海洋的各种环境因素影响进行堆积而形成的沉积相[75]。三角洲相是海陆过渡相中主要的沉积类型之一，其形成的因素是在河流入海(或入湖)区域存在坡度的情况下，使得流经该区域的水流受此因素影响下流速开始减缓，于是原本由水流所携带的泥沙在此区域停留，从而造成了在入海或入湖区域近于三角形的沉积体。最后，海相对比于陆相的沉积类型相对较少，海相主要有滨岸相、浅海陆棚相和深海相。常见的沉积相类型如表2-1所示。
2.2卷积神经网络理论
人类的大脑中约含有140亿个神经细胞，通过这些神经细胞之间的信息传递能够让人类完成一系列的复杂运动。人工神经网络是学者仿照人类大脑的运作机理，通过大量神经元之间的连接对输入信息处理的一种模型，神经元是神经网络中最基本单位。
卷积神经网络是研究人员根据动物视觉感受的过程，进行模仿构建而成的一种数学模型，是人工神经网络的一个演化变种，属于深度学习方法的一种。本章节将对卷积神经网络的基础理论、算法及结构进行论述，并对卷积核、激活函数、损失函数等进行介绍。
2.2.1多层感知机
卷积神经网络模型是一种特殊的多层感知机模型，而多层感知机为一种经典的人工神经网络模型，是由三层以上的神经元构成。
M-P神经元模型是一种多输入单输出的数学模型[28]，神经元结点获取到外部的信号输入或者其它n个结点传递的信号，并经过赋予权重的连接方式实现信号在神经元之间传递，M-P神经元模型如图2.3所示。
多层感知机作为一种经典的前馈神经网络，通常经过三层以上的神经元构成，包括一个输入层、n个隐藏层和一个输出层，通过多个神经元结点构成了每一隐藏层。各层的神经元结点通过全连接的方式和下一层的结点实现连接，并且神经元结点在同层之间是不进行连接的。
第三章 基于U-Net卷积神经网络的地震相识别方法 ........................ 29
3.1 模型构建 ......................................................................................... 29
3.1.1 U-Net网络模型构建 ................................................................. 29
3.1.2 U-Net+PPM 网络模型构建 ..................................................... 30
第四章 基于地震属性的地震相识别 ............................. 40
4.1 地震属性提取 ................................... 40
4.2 地震属性优化 ................................ 44
第五章 地震相智能识别系统设计与实现 .......................... 55
5.1 系统需求分析 ................................ 55
5.2 系统设计 ...................................... 55
第五章地震相智能识别系统设计与实现
5.1系统需求分析
系统需求分析是进行地震相识别系统的设计与实现的首要步骤，该系统的目的在于实现一个端到端的地震相识别系统，开发人机交互界面，使得用户可以通过操作界面实现地震相识别相关功能。本节主要对于系统的的功能性需求进行分析。本系统需要具备的主要模块：数据加载与可视化、地震属性提取、地震属性优化、地震相识别等。为了系统的简便性，故此系统不考虑开发用户模块，进入系统主界面即可进行相应的功能操作。
1．数据加载与可视化模块：该部分需要提供加载相应的SEGY、SEGD等格式的地震数据文件，进行数据信息展示与二维，三维数据可视化。
2．地震属性提取模块：需要实现层面属性的提取与地震体属性的沿层切片属性的提取，通过读取相应的地震数据与层位数据进行地震属性的提取。
3．地震属性优化模块：将多种地震属性进行降维优化的功能，通过对多种地震属性进行不同降维优化方法的地震属性优化，并且能够将优化结果进行可视化操作与保存到本地硬盘。
4．地震相识别模块：该部分是本系统的主要部分，使用者能够采用无监督聚类方法与卷积神经网络方法实现地震相识别，以及将训练好的模型进行地震相预测的功能。
结论
目前深度学习算法已经广泛应用与地震资料解释领域之中，相关的研究人员在基于深度学习算法的地震相识别应用上已取得了一定的成果，本文基于此背景下利用卷积神经网络进行地震相的识别工作，并基于地震属性优化进行了地层岩性的聚类分析任务，论文的主要内容总结如下：
首先，提出一种基于高效注意力机制的卷积神经网络地震相识别方法。为了达到在地震剖面上像素级的地震相识别，进行了基于“编码-解码”网络结构的智能地震相识别模型研究。通过将ECA通道注意力机制与Unet++网络模型相结合，增加原Unet++网络对不同通道特征信息的利用，能够在增加少量模型参数的同时，有效地提升网络的识别效果。通过采用多元交叉熵损失函数与取对数后的Dice损失函数的加权复合损失函数进行模型训练，改善了由于数据样本不均衡而导致的模型预测结果不理想的问题。在荷兰F3地震相数据集上，与U-Net、U-Net+PPM、Unet++模型开展对照实验，得出本文所提出的ECA-Unet++模型仅添加了较少时间成本，同时识别准确率高与其它的模型。
其次，为了更加全面地了解工区的沉积相分布，并为后续的地震相识别系统实现提供更加全面的理论基础，开展了基于地震属性的地震相识别工作。为了进一步了解工区的地层岩性的平面展布，采用层间属性的提取方式提取了多种地震属性，并运用主成分分析与独立成分分析进行了属性优化，去除数据的冗余信息，最后将属性优化结果进行聚类分析。结果表明在荷兰F3地震数据上，基于独立成分分析属性优化的聚类结果明显优与主成分分析的聚类结果，并且能够识别出岩性的形状边界。
最后，基于上面的研究内容进行了基于PyQt框架的地震相智能识别系统设计与实现，该系统能够进行相应的地震属性处理与地震相的识别功能。经测试，该地震相识别系统应用具有一定的有效性和实用性。
参考文献（略）