邹冠贵教授：基于LLE和SVM的地震断层自动识别方法

断层是煤矿开采中常见的一种地质构造，主要是由于地壳运动引发岩层断裂造成的。在进行煤层开采时不可避免地遇到各种地质构造，若在生产时忽视了地质构造或者采取的安全措施不当，则很容易引发煤矿地质灾害，给煤矿带来重大的经济损失和人员伤亡。因此，查明断层分布是构造解释的重要组成部分。

传统断层解释是研究人员根据地震剖面上同相轴的不连续性来判别，这种方法不仅工作量很大，而且很难发挥地震多属性解释的优势。为了打破传统断层解释方法的局限性，一系列的断层增强属性从三维地震数据体中被提取出来，如相干体属性通过道间相似性的计算，描述地层的横向不均匀性；曲率属性通过沿层曲率值的计算，反映地层受构造应力挤压时层面弯曲的程度；混沌体属性通过局部构造张量特征值相对大小和不同特征值的组合运算，衡量振幅值的规律性和混乱性，从而突出特殊地质体的边界等。这些地震属性是地震数据通过数学计算得到的运动学、动力学、几何学及统计学特征，一定程度上可以强化和反映地层的不连续性，但是本质上依然是单属性解释方法。

近年来，伴随着人工智能领域的发展，出现了很多基于机器学习算法的断层自动识别方法，这些方法利用多种地震属性构建训练数据集，通过模型参数优化实现断层识别，可以有效减少解释的多解性，是一种真正的多地震属性断层解释方法。如BP神经网络算法、支持向量机、卷积神经网络等。支持向量机(SVM)作为一种新型的模式分类方法，其本质是寻找分类平面，在面对小样本数据时，SVM算法构建的模型相较其他算法具有更强的鲁棒性。目前支持向量机被广泛用于解决煤层气和瓦斯涌出量预测、煤层顶底板导水断裂带高度预测、底板突水量预测及突水危险性评价等问题。

已有的研究表明：在训练数据集中，随着地震属性数量的增加，一是可能带来数据冗余，造成信息的重复和浪费，比如方差体属性和相干体属性的相关性很高，这两种地震属性都可以表征断层构造；二是大量属性中包含着许多彼此相关的因素，带来计算效率的降低。已有的机器学习训练数据集构建方法表明：优化技术是解决此类问题的有效途径，可以降低多解性提高预测精度。常见的优化方法主要有主成分分析(PCA)、局部线性嵌入(LLE)等。PCA为地震属性融合过程中一种常用的属性优化方法，其核心思想是通过坐标旋转消除原数据空间的多重共线性，从而达到线性降维的目的。JAHAN等使用PCA来对地震资料多种属性进行融合的方式来进行断层识别和提取。但是，地震属性之间不仅存在线性关系，还存在非线性关系。相较于PCA，局部线性嵌入(LLE)可以对高维空间上的数据点进行降维，使其低维空间的局部邻域关系与原嵌套空间相同，更适合于解决地震数据的非线性特征降维问题。

山西省西上庄煤矿小断层发育，笔者以该矿一二分区西翼为研究靶区，在三维地震资料的基础上，提取多种地震属性构建特征集，分别通过LLE和主成分分析(PCA)2种算法对地震属性数据进行降维，对比分析SVM算法的断层识别效果，从而为煤田三维地震资料解释断层分布提供了一种新的思路。