深度神经网络三维地震资料断层解释损失函数对比

打开文本图片集

摘要：断层解释是地震资料解释的关键环节之一。以神经网络为代表的深度学习技术的迅速发展极大地提高了断层解释的效率和精度。神经网络通过随机梯度下降优化训练，以损失函数衡量模型的误差，迭代更新网络模型参数，其中损失函数的选取对断层解释结果至关重要。为此，在三维地震资料的断层解释中，以3D U‐Net 为网络结构，以Adam 作为优化器，通过三维合成样本训练网络，对比、分析平衡交叉熵（BCE）、骰子（Dice）、焦点（Focal）、余弦（Cosine）、Log‐Cosh Dice、Tversky、Focal‐Tversky、Wasserstein、BCE‐Dice 和BCE‐Cosine 等共10种损失函数的断层解释效果； 对训练数据进行归一化和数据增强，减小合成数据与实际数据分布之间的差异；在相同网络模型、训练参数以及停止准则的条件下，对比各种损失函数训练3D U‐Net 的收敛速度、计算效率和抗噪性能； 利用荷兰近海F3 区块实际地震数据分析断层预测效果。（剩余274字）