针对走滑断裂高陡直立、成像困难,地震分辨率低,难以识别等问题,在塔里木盆地的研究实践中已形成了一系列深层走滑断裂的地震识别方法
[40-43],但现有方法技术仍然难以检测研究区的微小走滑断裂体系。为此,本次研究结合走滑断裂的地震-地质识别标志
[3-4],利用人工智能技术开展走滑断裂识别。目前,基于人工智能学习的断层识别方法主要包括传统机器学习和深度学习
[44]。传统机器学习包括支持向量机(SVM)和多层感知机(MLP)等方法是通过综合多个地震属性来识别断层,仍需要大量的人工干预,并且在应用不同地震数据体时需要不断试错优化参数,不利于推广应用
[44-45]。深度学习通过自主学习来提取有用的相关特征,增加模型泛化能力,在人工智能识别断层中具有最优的性能
[44,46]。目前开发了大量的深度学习模型来识别断层,其中应用最为广泛的是Wu等人提出的基于Unet网络的断层识别方法
[47]。该网络利用多层卷积、池化、归一化以及全连接等模块,构建地震数据与断层之间非线性关系,提取断层相关特征(
图3)。该方法利用大量正演断层样本数据来训练神经网络,待网络训练最优后直接输入地震数据即可得到断层识别概率体。其优点是利用正演数据作为训练数据具有较高客观性,不需要人工耗时标记大量实际断层样本,避免人为误差的同时也具有较好的断层表征能力;另外,该方法不需试错调参,能够直接从地震数据获得断层概率体。