断层的检测和识别在煤炭勘探开采过程中至关重要，传统的人工解释断层方法已经无法满足实际生产的需求，基于深度学习的地震断层解释方法在断层分割领域表现较为出色。常规卷积神经网络（CNN）感受野有限，不能很好地利用全局信息，会导致一些预测的断层存在连续性不足和断层缺失等问题。Transformer具有提取全局信息的优势，本文引入CNN和Transformer融合的TransUNet网络，构建一种基于CBAM-TransUNet的地震断层识别方法对二维地震断层图像进行识别。首先，将CBAM-Block注意力模块融入TransUNet网络，将该模块分别加入CNN断层编码器部分和连接断层编码器与断层解码器的三层跳跃连接部分，同时从通道和空间两个维度增强地震断层图像的识别能力；其次，选择Dice损失函数和交叉熵损失函数联合优化的损失函数，使得断层图像分割更为准确，CBAM-TransUNet断层识别网络在合成地震数据集上获得的DICE值和IOU值分别提高到0.84和0.75，实验结果表明断层识别的连续性更强，明显优于其他经典分割方法；最后，利用构建的模型对荷兰近海北海F3区块真实地震数据集进行了断层解释。实验结果表明：基于CBAM-TransUNet的地震断层识别方法在去除冗余断层信息的同时能够有效识别出断层，在断层识别准确度和断层识别连续性方面表现优异，识别出的断层细节更加丰富，提高了断层识别的精度，可以有效应用于实际地震数据中识别断层。

1 CBAM-TransUNet地震断层识别方法
1.1 断层识别网络架构
1.2 CBAM-Block机制
1.3 融入CBAM-Block的断层编码器
1.4 融入CBAM-Block的跳跃连接
2 地震理论模型测试
2.1地震合成数据集
2.2 测试实验环境及训练参数
2.3 损失函数
2.4 评价指标
2.5 实验结果对比
2.6 CBAM-TransUNet模型的噪声实验
3 讨 论
3.1 添加不同注意力模块对断层识别效果的影响
3.2 消融实验
3.2.1 CBAM-Block在断层编码器和跳跃连接中的效果
3.2.2 将CBAM-Block添加到不同层的跳跃连接的效果
4 实际地震数据断层解释
5 结 论