传统断层识别方法受限于噪声干扰、分辨率不足及复杂地质构造的影响,难以准确刻画断层的空间展布特征,导致断层识别精度低、连续性差,严重限制了复杂地区油气藏勘探开发。针对以上问题,本文从基于深度学习边缘特征融合的图像去噪和AttResUNet卷积神经网络的断层识别两方面进行展开,通过针对性的设计与现有方法的改进,提高地震断层识别的准确率,并搭建基于改进U-Net的地震断层识别可视化系统,为地震资料解释提供便利。 (1)针对深层地区的地震数据容易受到噪声的干扰,从而导致数据信噪比低等问题,提出了一种基于深度学习边缘特征融合的图像去噪方法。图像去噪算法在去除噪声的同时,通常会丢失图像的边缘细节信息,为了充分利用原始噪声图像中的边缘信息,引入了基于Canny算子的边缘提取模块,用于边缘细节信息的提取,并通过改进的DnCNN的去噪网络实现图像的去噪,最后通过特征融合模块将提取到的边缘特征与去噪结果进行融合,以增强边缘细节。实验结果表明,该方法在峰值信噪比方面较对比算法提升了5.74db,结构相似性方面提高0.085,所提出的方法的去噪性能较好,结构相似性指数和峰值信噪比更高。 (2)复杂地下地质结构下的断层可能呈现出不规则的几何形态或与其他地质构造交织在一起,导致断层边界模糊不清,难以准确界定。针对在构造复杂地区存在断层连续性差、识别难度大等问题,提出了一种基于注意力ResUNet的断层识别方法,用于地震数据的断层识别。该方法引入自注意力机制,通过计算特征图中任意两点间的相关性权重,使模型能够自动建立远距离断层特征之间的关联;并使用残差模块代替U-Net编码器与解码器之间的原始跳跃连接,实现了地震断层的有效识别,提高了识别的准确率。实验结果表明,与原始U-Net网络相比,AttResUNet的精度提高了4.25%,可以获得更准确、更连续的断层识别结果。 (3)基于PyQt5平台设计并开发基于改进U-Net的地震断层识别可视化系统。该系统集成了去噪算法和断层识别算法,通过简洁的界面进行操作,实现了从数据处理、图像识别到识别报告生成的全流程一体化功能。该系统的开发为地震数据断层解释的数字化管理提供了高效、可靠的技术支持,显著提升了断层识别工作的自动化水平与解释效率。