基于平衡分类网络的地震断层智能识别方法及应用（英文）

针对训练样本集不均衡造成的地震断层智能识别精度不高，卷积神经网络（CNN）训练速度慢的问题，本文将断层识别与深度学习算法相结合，设计了一种基于改进的平衡交叉熵（BCE）损失函数的CNN的地震断层智能识别方法。通过自编算法逐层提取特征图，分析地震特征提取结果，从而确定网络结构与最优参数，进而修改CNN以优化模型。利用BCE损失函数，添加非断层与总样本集的比率参数，从而改变损失函数寻找最小权重参数的基准，调优断层与非断层的数据比例。该方法克服了样本集类别数量不均衡的问题，提高了迭代速度，经过少量的训练即可达到95%以上的精度，梯度下降明显。将本文方法应用于某油田地区的断层识别，所训练的模型预测断层较为清晰，预测结果与实际情况基本吻合，因此该方案具有有效性和适应性。