一种基于AttentionU-Net的槽波频散曲线智能拾取方法与流程

本发明属于煤矿地震勘探、槽波频散分析与人工智能地震资料处理，具体涉及一种基于attentionu-net的槽波频散曲线智能拾取方法。

背景技术：

1、槽波是沿煤层内部传播的地震导波，对煤层厚度变化、速度异常及构造扰动敏感度高，是煤矿工作面透明化探测的核心资料。频散曲线反映了槽波相速度/群速度随频率的变化规律，其准确拾取是后续煤层参数反演、构造异常识别的前提，直接决定探测结果的可靠性。

2、现有槽波频散曲线拾取方法以人工交互拾取、峰值搜索、能量聚类、规则跟踪为主。当频散能量图中脊线清晰、信噪比高时，上述方法可获得可用结果；但煤矿井下采集环境复杂，受巷道噪声、检波器耦合差异、多阶模态叠加等因素影响，频散能量常出现断续、伪峰值、模态混叠等现象，传统方法易产生误拾取、漏拾取与曲线断裂，处理效率低且结果依赖操作人员经验，批量资料处理一致性差。

3、近年来深度学习开始应用于地震频散曲线拾取，将频率-速度能量图作为图像进行分割识别。但普通卷积神经网络对细长形态、弱能量、局部缺失的频散脊线特征关注度不足，识别结果易出现断裂与噪声点；且现有方案多针对近地表瑞利波等常规面波设计，未考虑煤矿槽波高频带、强巷道噪声、多模态严重混叠的专属特征，直接迁移应用效果不佳。此外，多数深度学习方案仅依靠网络直接输出结果，未结合槽波传播的物理规律进行约束，拾取结果易出现不符合地质规律的跳变，后续解释可用性不足。

4、attentionu-net在u-net的跳跃连接中引入注意力门控机制，可利用解码器高层语义信息对编码器浅层特征进行加权筛选，强化目标区域特征响应、抑制背景干扰，适合复杂背景下的细长目标分割任务。但目前尚未有将attentionu-net与槽波频散曲线拾取结合，且配套频散物理约束后处理的针对性技术方案。

技术实现思路

1、针对现有槽波频散曲线拾取依赖人工经验、低信噪比与多模态耦合条件下易出现误拾取、漏拾取、曲线不连续的问题，本发明提供一种基于attentionu-net的槽波频散曲线智能拾取方法，实现槽波频散曲线的自动化、高精度、符合物理规律的稳定拾取。

2、为了实现上述目的，本发明采用的技术方案是：一种基于attentionu-net的槽波频散曲线智能拾取方法，具体包括以下步骤：

3、s1、数据采集与预处理：在煤矿工作面两侧巷道布设震源与检波点，采集槽波地震数据；对原始数据依次进行坏道剔除、静校正、带通滤波、振幅均衡、噪声压制与归一化预处理，消除异常道、耦合差异与能量不均衡的影响；采用频散谱变换将预处理后的槽波数据转换为频率-速度能量图，根据煤层与围岩速度范围设置速度扫描区间，并对能量图进行归一化与背景压制。

4、s2、构建attentionu-net槽波频散识别网络：网络整体采用编码器-瓶颈层-解码器的u型架构，编码器通过多级下采样提取不同尺度的纹理与空间结构特征，瓶颈层融合全局语义信息，解码器通过多级上采样逐级恢复空间分辨率；在每一级编码器与解码器的跳跃连接路径中接入注意力门控模块，以解码器对应层级的输出作为门控信号，对编码器同层级特征进行空间加权，使网络重点关注细长频散脊线区域，抑制背景能量、孤立噪声与边界伪影。

5、s3、网络训练：构建包含理论正演模拟数据、现场实测槽波数据及对应频散曲线标签的训练样本集；训练过程中加入噪声扰动、频带缺失、能量衰减、模态混叠、速度扰动、局部遮挡等数据增强方式，提升模型对复杂采集条件的适应性；其中频散曲线标签采用曲线中心线、曲线邻域二值掩膜或多模态类别掩膜形式；采用二值交叉熵、dice损失或focal损失及其组合作为损失函数，完成网络参数迭代优化。

6、s4、初步识别：将待处理的频率-速度能量图输入训练完成的attentionu-net网络，输出频散脊线概率图，作为频散曲线初步识别结果。

7、s5、物理约束优化：结合槽波频散连续性、速度平滑性、曲率限制与能量最大路径约束，构建路径优化目标函数；以网络输出概率图与原始能量图为基础，通过动态规划、最短路径搜索或曲线跟踪算法求解全局最优路径，得到连续平滑且符合槽波传播规律的单阶频散曲线。

8、s6、多模态区分与质量控制：当需要拾取多阶槽波频散曲线时，采用迭代脊线压制方式：先拾取能量最强的一阶频散曲线，压制其邻域能量后重复步骤s4至s5拾取下一阶曲线；拾取过程中加入模态间距约束、交叉惩罚项与连续性判别条件，区分不同阶次的频散曲线；对拾取结果进行异常点剔除、局部插值、平滑处理与人工复核，最终输出的频散曲线以  形式表示，并附带平均概率、平均能量、有效频带与置信度指标；最终频散曲线拾取结果用于煤层厚度反演、速度结构分析、断层识别、陷落柱识别、煤层分叉合并解释或工作面透明化探测。

9、进一步地，步骤s1中，频散谱变换采用相移法、f-k变换、短时傅里叶变换、广义s变换中的任意一种或多种组合；生成的频率-速度能量图中，横坐标为相速度或群速度，纵坐标为频率，像素灰度值或颜色值对应位置的能量强度。

10、进一步地，步骤s5中所述路径优化目标函数表达式为：

11、

12、式中，  为网络输出的频散脊线概率值，  为原始频率-速度能量图的能量值，  为相邻频率点的速度变化量，  为相邻频率点的速度二阶差分量（曲率）；  为概率项权重、  为能量项权重、  为平滑项权重、  为曲率项权重，均为预设常数。通过最小化目标函数j，求解得到全局最优的频散曲线路径。

13、与现有技术相比，本发明具有如下优点：

14、1、本发明将槽波频散曲线拾取转化为“深度学习概率识别+频散物理约束优化”的全自动化处理流程，大幅减少人工交互工作量，提升批量资料处理效率与结果一致性，降低对操作人员经验的依赖。

15、2、本发明采用带注意力门控的attentionu-net架构，针对槽波频散脊线细长、弱能量、易断续的特点，通过高层语义引导浅层特征加权，显著增强低信噪比下频散脊线的响应强度，有效抑制巷道噪声、伪峰值与背景干扰，识别精度优于普通卷积网络。

16、3、本发明构建融合网络语义概率、原始能量、速度平滑与曲率约束的多目标优化函数，通过动态规划求解全局最优路径，使拾取结果既利用了深度学习的语义识别能力，又严格符合槽波传播的物理规律，解决了纯网络输出易出现跳变、断裂的问题。

17、4、本发明支持基阶与高阶多模态频散曲线拾取，通过迭代压制与模态约束减少模式混叠，可为煤层厚度变化、断层、陷落柱、煤层分叉合并等地质异常解释提供更完整的频散信息，适用场景更广。

18、5、本发明的训练样本兼容理论正演与现场实测数据，配合多维度数据增强策略，可适应不同煤层条件、不同采集质量的工程场景，具有较强的工程应用价值与推广潜力。

1.一种基于attentionu-net的槽波频散曲线智能拾取方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤s1中，预处理包括坏道剔除、静校正、带通滤波、振幅均衡、噪声压制以及数据归一化处理。

3.根据权利要求1所述的方法，其特征在于，步骤s1中，频散谱变换采用相移法、f-k变换、短时傅里叶变换、广义s变换中的任意一种或多种组合；生成的频率-速度能量图中，横坐标为相速度或群速度，纵坐标为频率，像素灰度值或颜色值对应位置的能量强度。

4.根据权利要求1所述的方法，其特征在于，步骤s2中，编码器包含多级下采样卷积单元，每级下采样卷积单元包括卷积层、批归一化层与relu激活层；所述解码器包含与编码器层级对应的多级上采样卷积单元；所述注意力门控模块对应设置在每一级跳跃连接中，接收解码器对应层级的门控信号，对编码器同层级输出特征进行空间加权，抑制背景噪声与非脊线特征的响应。

5.根据权利要求5所述的方法，其特征在于，步骤s3中，训练样本集包括理论正演模拟槽波数据、现场实测槽波数据，以及对应标注的频散曲线标签；所述频散曲线标签采用曲线中心线、曲线邻域二值掩膜或多模态类别掩膜形式。

6.根据权利要求1所述的方法，其特征在于，步骤s3的训练过程中，采用噪声扰动、频带缺失、能量衰减、模态混叠、速度扰动、局部遮挡中的任意一种或多种方式进行数据增强；网络训练的损失函数采用二值交叉熵损失、dice损失、focal损失中的任意一种或多种组合。

7.根据权利要求1所述的方法，其特征在于，步骤s5中，路径优化目标函数j的表达式为：

8.根据权利要求1所述的方法，其特征在于，当需要拾取多阶槽波频散曲线时，采用迭代脊线压制方式：先拾取能量最强的一阶频散曲线，压制其邻域能量后重复步骤s4至s5拾取下一阶曲线；拾取过程中加入模态间距约束、交叉惩罚项与连续性判别条件，区分不同阶次的频散曲线。

9.根据权利要求1所述的方法，其特征在于，步骤s6中，质量控制包括异常点剔除、局部插值、平滑处理、人工复核中的任意一种或多种；最终输出的频散曲线以形式表示，并附带平均概率、平均能量、有效频带与置信度指标。

10.根据权利要求1所述的方法，其特征在于，最终频散曲线拾取结果用于煤层厚度反演、速度结构分析、断层识别、陷落柱识别、煤层分叉合并解释或工作面透明化探测。