基于多尺度注意力融合网络的地质识别方法及系统

摘要: 本发明涉及地球物理勘探数据处理与人工智能识别,具体应用于深部断裂、区域构造带等地质体的智能精准识别,尤其适用于位场数据(重力、磁力等)驱动的断裂探测场景,可直接...
基于多尺度注意力融合网络的地质识别方法及系统

本发明涉及地球物理勘探数据处理与人工智能识别,具体应用于深部断裂、区域构造带等地质体的智能精准识别,尤其适用于位场数据(重力、磁力等)驱动的断裂探测场景,可直接为后续物理反演提供带不确定性估计的先验约束。

背景技术:

1、在地球物理勘探中,断裂构造的精准识别对于油气勘探、地质灾害预测和构造解释具有重要意义。传统的断裂识别主要依赖位场数据滤波技术,如边界增强滤波、导数变换等,但这些技术存在以下不足:滤波参数的选择需要丰富的地质经验,难以标准化和自动化;难以处理复杂地质场景,例如在多尺度断裂系统共存、噪声干扰较强的情况下,传统技术容易产生虚假边界或遗漏深部构造;输出结果为确定性边界,无法提供置信度信息,即缺乏不确定性评估。

2、近年来,深度学习被引入断裂识别领域,例如卷积神经网络(cnn)在图像分割任务中取得了一定成果。然而,现有深度学习模型仍存在以下问题:缺乏地质先验知识,例如模型未充分利用位场数据的物理特性和地质规律;单一感受野限制导致纯cnn架构难以同时捕获断裂系统的长程依赖关系和局部精细特征;识别结果缺乏物理意义,无法直接用于后续的反演约束。

3、因此,亟需研发一种融合地质先验、具备多尺度特征提取能力、输出物理可解释结果的智能断裂识别技术。

技术实现思路

1、本发明提供一种基于多尺度注意力融合网络的地质识别方法及系统,解决传统方法依赖经验、现有深度学习模型缺乏地质先验且输出难以服务于物理反演的问题,实现断裂构造的智能精准识别。

2、第一方面,本发明提出一种基于多尺度注意力融合网络的地质识别方法,包括:获取位场数据,对所述位场数据进行多阶垂向导数变换,构建包含原始位场数据及各阶导数的多通道输入特征图;将所述多通道输入特征图分别输入transformer分支和cnn分支,所述transformer分支用于提取全局长程依赖特征,所述cnn分支用于提取局部多尺度特征;对所述transformer分支和所述cnn分支的输出进行自适应加权融合,得到融合特征图;对所述融合特征图依次进行空间注意力增强和通道注意力增强,得到增强特征图;根据所述增强特征图生成断裂概率场,并通过多次随机前向传播获得断裂概率场的不确定性估计;根据所述断裂概率场和所述不确定性估计,确定断裂识别结果。

3、在一些示例中,所述多阶垂向导数变换包括:计算所述位场数据的一阶至n阶垂向导数,其中n为正整数;将所述原始位场数据与各阶导数在通道维度组合,形成n+1通道输入特征图。

4、在一些示例中,所述transformer分支包括:将所述多通道输入特征图划分为多个patch,对每个patch进行展平并嵌入位置编码,输入多层transformer编码器,利用多头自注意力机制提取全局长程依赖特征。

5、在一些示例中,所述cnn分支采用编码器-解码器结构,编码器中使用多个不同膨胀率的空洞卷积扩大感受野,通过跳跃连接将编码器各层特征与解码器对应层特征融合,输出保留局部细节的cnn特征图。

6、在一些示例中,所述自适应加权融合包括:将transformer分支和cnn分支的输出特征进行拼接,通过1×1卷积和sigmoid函数生成融合系数,按以下公式进行加权融合:

7、

8、其中,为融合特征图,为transformer分支输出特征图,为cnn分支输出特征图。

9、在一些示例中,所述空间注意力增强包括:对所述融合特征图沿通道维度分别进行平均池化和最大池化,拼接后通过卷积和激活函数生成空间注意力图,将所述空间注意力图与所述融合特征图逐元素相乘,得到空间增强特征。

10、在一些示例中,所述通道注意力增强包括:对所述空间增强特征进行空间全局平均池化和空间全局最大池化,分别经共享的多层感知机处理后相加,通过激活函数得到通道注意力向量,将所述通道注意力向量与所述空间增强特征沿通道维度进行标量加权,得到增强特征图。

11、第二方面,本发明提出一种基于多尺度注意力融合网络的地质识别系统,包括:输入特征增强模块,其被配置为对位场数据进行多阶垂向导数变换,构建包含原始位场数据及各阶导数的多通道输入特征图;tcnet混合架构,其包括transformer分支、cnn分支和自适应加权融合模块,所述transformer分支被配置为提取全局长程依赖特征,所述cnn分支被配置为提取局部多尺度特征,所述自适应加权融合模块对两分支输出进行动态融合得到融合特征图;地质引导的注意力模块,其被配置为对所述融合特征图依次进行空间注意力增强和通道注意力增强,得到增强特征图;输出模块,其被配置为根据所述增强特征图生成断裂概率场,并通过多次随机前向传播获得断裂概率场的不确定性估计,根据所述断裂概率场和所述不确定性估计,确定断裂识别结果。

12、第三方面,本发明提出一种计算机系统,包括:一个或多个处理器;存储器,用于存储一个或多个计算机程序;当所述一个或多个计算机程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现所述的基于多尺度注意力融合网络的地质识别方法。

13、第四方面,本发明提出一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现所述的基于多尺度注意力融合网络的地质识别方法。

14、本发明通过引入位场物理增强特征(多阶垂向导数),使网络具备对地质构造物理响应的理解能力,提高了识别的地质合理性;transformer与cnn混合架构克服了单一感受野的局限,既能捕获断裂系统的长程依赖与大尺度走向特征,又能提取局部精细边界细节;地质引导的注意力机制使网络能够自适应聚焦于重要断裂信号区域,有效压制噪声与虚假边界,显著提升了复杂地质场景下的识别精度;输出的断裂概率场附带不确定性估计,可解释性强,不仅提供了识别结果,还给出了置信度信息,为后续的物理反演提供了可靠的先验约束;相比传统滤波技术,本发明无需人工调参,实现了断裂识别的端到端自动化处理;本发明可应用于重力、磁力等多种位场数据,对不同地质背景和断裂尺度具有良好的泛化能力。

1.一种基于多尺度注意力融合网络的地质识别方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述多阶垂向导数变换包括:计算所述位场数据的一阶至n阶垂向导数,其中n为正整数;将所述原始位场数据与各阶导数在通道维度组合,形成n+1通道输入特征图。

3.根据权利要求1所述的方法,其特征在于,所述transformer分支包括:将所述多通道输入特征图划分为多个patch,对每个patch进行展平并嵌入位置编码,输入多层transformer编码器,利用多头自注意力机制提取全局长程依赖特征。

4.根据权利要求1所述的方法,其特征在于,所述cnn分支采用编码器-解码器结构,编码器中使用多个不同膨胀率的空洞卷积扩大感受野,通过跳跃连接将编码器各层特征与解码器对应层特征融合,输出保留局部细节的cnn特征图。

5.根据权利要求1所述的方法,其特征在于,所述自适应加权融合包括:将transformer分支和cnn分支的输出特征进行拼接,通过1×1卷积和sigmoid函数生成融合系数,按以下公式进行加权融合:

6.根据权利要求1所述的方法,其特征在于,所述空间注意力增强包括:对所述融合特征图沿通道维度分别进行平均池化和最大池化,拼接后通过卷积和激活函数生成空间注意力图,将所述空间注意力图与所述融合特征图逐元素相乘,得到空间增强特征。

7.根据权利要求6所述的方法,其特征在于,所述通道注意力增强包括:对所述空间增强特征进行空间全局平均池化和空间全局最大池化,分别经共享的多层感知机处理后相加,通过激活函数得到通道注意力向量,将所述通道注意力向量与所述空间增强特征沿通道维度进行标量加权,得到增强特征图。

8.一种基于多尺度注意力融合网络的地质识别系统,其特征在于,包括:

9.一种计算机系统,其特征在于,包括:

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。