基于UNet++卷积神经网络的断层识别

针对传统相干体属性和机器学习在复杂断裂识别能力差的问题，提出一种基于UNet++卷积神经网络的断层识别方法。该方法采用加权交叉熵损失函数做目标函数，使网络模型训练过程中避免了数据样本不平衡的问题，引入注意力机制和密集卷积块，以及更多的跳跃连接，更好地实现深层次断层语义信息和浅层次断层空间信息之间的特征融合，进而可以使UNet++网络模型更好地实现断层识别。实验结果表明，该网络模型将F₁值提高到了92.38%, loss降低到0.012 0,可以更好地学习断层特征信息。将该模型应用于西南庄断层的识别中，结果表明，该方法可以更准确预测断层位置，在识别连续断层的准确率上有所提高，有效防止了地下噪音对于断层识别的不利影响，从而验证了UNet++网络模型在断层识别上具有一定的研究价值。