CN107807387B - 基于神经网络的地震初至波走时获取方法 - Google Patents

基于神经网络的地震初至波走时获取方法 Download PDF

Info

Publication number
CN107807387B
CN107807387B CN201711049704.8A CN201711049704A CN107807387B CN 107807387 B CN107807387 B CN 107807387B CN 201711049704 A CN201711049704 A CN 201711049704A CN 107807387 B CN107807387 B CN 107807387B
Authority
CN
China
Prior art keywords
neural network
data
seismic
break
walked
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711049704.8A
Other languages
English (en)
Other versions
CN107807387A (zh
Inventor
陈志波
刘森
唐泽宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201711049704.8A priority Critical patent/CN107807387B/zh
Publication of CN107807387A publication Critical patent/CN107807387A/zh
Application granted granted Critical
Publication of CN107807387B publication Critical patent/CN107807387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/60—Analysis
    • G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于神经网络的地震初至波走时获取方法，包括：获取原始地震波形数据，并将其处理为包含原始波形和对应标注点的数据集，再将数据集划分为训练数据集与测试数据集；根据初至波走时数据获取过程，以尽可能模拟人工拾取结果为目标，结合原始地震波形数据的特征，确定神经网络的结构；将训练数据集作为神经网络的输入，将对应的标注点做为神经网络的输出，对神经网络进行训练，并利用测试数据集对训练后的神经网络进行测试，若满足精度要求，则获得训练好的神经网络；利用根据训练好的神经网络自动获取原始地震波形数据的标注点，从而获得地震初至波走时。该方法提高了地震初至波走时数据的自动获取精度，减少人工校正工作量。

Description

基于神经网络的地震初至波走时获取方法
技术领域
本发明涉及地球物理勘探技术领域，尤其涉及一种基于神经网络的地震初至波走时获取方法。
背景技术
传统的地震初至波走时获取方法最主要有如下两种：1)能量比法通过计算采集地震数据各个采样点之间的能量比值，结合初至波波形和能量特点确定初至波走时。2)图像边缘检测法。通过使用微分算子对采集地震数据对数字图像进行边缘提取，从而根据波峰位置确定初至波走时。
但是，上述两种传统方法均为确定的算法基础上加上人工修正之后得到拾取的初至波走时数据，因为算法精度有限，人工校正工作量较大，通常需要研究人员做逐炮手工提取。
发明内容
本发明的目的是提供一种基于神经网络的地震初至波走时获取方法，提高了计算机从地震波形原始数据中对初至波走时数据的自动获取精度，减少人工校正工作量；同时，为野外实地探测提供从原始数据即时获取初至波走时的解决方案。
本发明的目的是通过以下技术方案实现的：
一种基于神经网络的地震初至波走时获取方法，包括：
获取原始地震波形数据，并将其处理为包含原始波形和对应标注点的数据集，再将数据集划分为训练数据集与测试数据集；
根据初至波走时数据获取过程，以尽可能模拟人工拾取结果为目标，结合原始地震波形数据的特征，确定神经网络的结构；
将训练数据集作为神经网络的输入，将对应的标注点做为神经网络的输出，对神经网络进行训练，并利用测试数据集对训练后的神经网络进行测试，若满足精度要求，则获得训练好的神经网络；
利用根据训练好的神经网络自动获取原始地震波形数据的标注点，从而获得地震初至波走时。
由上述本发明提供的技术方案可以看出，基于神经网络获取地震初至波走时，实现了高准确度的拾取精度，极大的减轻了相关行业研究人员的拾取工作量，且可以长时间不停运转，对地质勘探行业野外探测的数据处理和波形获取有重要意义。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的基于神经网络的地震初至波走时获取方法的流程图；
图2为本发明实施例提供的神经网络的结构示意图；
图3为本发明实施例提供的基于神经网络获取地震初至波走时的示意图；
图4为本发明实施例提供的神经网络测试陌生数据的地震初至波走时拾取情况的示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
图1为本发明实施例提供的基于神经网络的地震初至波走时获取方法的流程图。如图1所示，其主要包括如下步骤：
步骤11、获取原始地震波形数据，并将其处理为包含原始波形和对应标注点的数据集，再将数据集划分为训练数据集与测试数据集。
本发明实施例中，可以通过进行实地勘探采集，获取原始地震波形数据。原始地震波形数据为二维浮点数矩阵，其形成的灰阶图像中，纵轴是记录时间，长度固定，横轴长度由检波器个数决定，每个检波器只包含一个标注点，用于记录地震初至波走时的时间。
原始地震波形数据的处理方式如下：
根据原始地震波形数据中标注点分布差别，采用相应的间隔对原始地震波形数据进行切割，获得等高等宽(即具有相同的检波器个数及记录时间)，且标注点均衡的若干数据数据样本，从而构成包含原始波形和对应标注数据的数据集。
具体来说，根据原始地震波形数据中标注点分布差别，如果某一时间点的标注数据较少，则减小切割间隔以增加数据样本，反之则增大切割间隔以减少数据样本。
步骤12、根据初至波走时数据获取过程，以尽可能模拟人工拾取结果为目标，结合原始地震波形数据的特征，确定神经网络的结构。
本发明实施例中，所述神经网络的结构如图2所示，依次为：第一卷积层、第一BN层、第二卷积层、第二BN层、Reshape层、第一反卷积层、第三BN层、第二反卷积层、第四BN层、第三反卷积层与Softmax层。
该神经网络的每层所处理数据的维度均以高度×宽度×通道数形式出现；高度是将原始地震波形数据进行规范化(考虑到神经网络输入数据形式和训练过程、以及标注点出现的位置，舍弃原始数据矩阵边界的行数据)之后的数据，宽度是针对检波器数量不定的波形数据进行的加窗切割，通道数为1(原始地震波形数据是浮点数灰阶图像)。
上述神经网络的整体结构可以理解为一个编码-解码器。
步骤13、将训练数据集作为神经网络的输入，将对应的标注点做为神经网络的输出，对神经网络进行训练，并利用测试数据集对训练后的神经网络进行测试，若满足精度要求，则获得训练好的神经网络。
步骤14、利用根据训练好的神经网络自动获取原始地震波形数据的标注点，从而获得地震初至波走时。
如图3所示，将训练数据集中每一训练样本进行白化处理后作为神经网络的输入；将由对应的标注点坐标生成的等尺寸one-hot向量组作为输出，可以自动获取原始地震波形数据的标注点，而标注点中记录了地震初至波走时的时间。
示例性的，假设原始数据为高度1001(由波形记录时间决定)、宽度不定(由检波器数目决定)的二维浮点数数组；考虑到波形记录起点不会出现目标点，以及神经网络训练数据输入形式，忽略原始数据在时间起点的值，将神经网络输入参数形式定为(高度*宽度*通道数)1000*64*1；对应于图3搭建神经网络，其中，卷积层通道数(feature map)设为64，反卷积层通道数依次设置为64、32、1，BN层通道数和其紧连的上层通道数相同，输出是和输入数据形式相同的one-hot向量组；再使用前文所述的方法训练和优化神经网络，从而利用根据训练好的神经网络自动获取原始地震波形数据的标注点。
另外，还利用神经网络测试了陌生数据的地震初至波走时拾取情况，如图4(a)～图4(b)所示，每个输出图形宽度为400像素(网络的多组输出数据的拼接)，高度为1000像素。灰色粗线是由人工标注点构成的波形，黑色细线是由神经网络模型的输出点构成的波形，两种颜色的点重合的越多，说明神经网络准确率越高。
本发明实施例上述方案，基于神经网络获取地震初至波走时，实现了高准确度的拾取精度，极大的减轻了相关行业研究人员的拾取工作量，且可以长时间不停运转，对地质勘探行业野外探测的数据处理和波形获取有重要意义。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种基于神经网络的地震初至波走时获取方法，其特征在于，包括：
获取原始地震波形数据，并将其处理为包含原始波形和对应标注点的数据集，再将数据集划分为训练数据集与测试数据集；
根据初至波走时数据获取过程，以尽可能模拟人工拾取结果为目标，结合原始地震波形数据的特征，确定神经网络的结构；
将训练数据集作为神经网络的输入，将对应的标注点做为神经网络的输出，对神经网络进行训练，并利用测试数据集对训练后的神经网络进行测试，若满足精度要求，则获得训练好的神经网络；
利用根据训练好的神经网络自动获取原始地震波形数据的标注点，从而获得地震初至波走时。
2.根据权利要求1所述的一种基于神经网络的地震初至波走时获取方法，其特征在于，原始地震波形数据为二维浮点数矩阵，其形成的灰阶图像中，纵轴是记录时间，长度固定，横轴长度由检波器个数决定，每个检波器只包含一个标注点，用于记录地震初至波走时的时间；
原始地震波形数据的处理方式如下：
根据原始地震波形数据中标注点分布差别，采用相应的间隔对原始地震波形数据进行切割，获得等高等宽且标注点均衡的若干数据数据样本，从而构成包含原始波形和对应标注数据的数据集。
3.根据权利要求1所述的一种基于神经网络的地震初至波走时获取方法，其特征在于，
将训练数据集输入至神经网络时，对每一训练样本进行白化处理。
4.根据权利要求1所述的一种基于神经网络的地震初至波走时获取方法，其特征在于，所述将对应的标注点做为神经网络的输出包括：将由对应的标注点坐标生成的等尺寸one-hot向量组作为输出。
5.根据权利要求1所述的一种基于神经网络的地震初至波走时获取方法，其特征在于，所述神经网络的结构依次为：第一卷积层、第一BN层、第二卷积层、第二BN层、Reshape层、第一反卷积层、第三BN层、第二反卷积层、第四BN层、第三反卷积层与Softmax层。
6.根据权利要求5所述的一种基于神经网络的地震初至波走时获取方法，其特征在于，每层所处理数据的维度均以高度×宽度×通道数形式出现；高度是将原始地震波形数据进行规范化之后的数据，宽度是针对检波器数量不定的波形数据进行的加窗切割，通道数为1。
CN201711049704.8A 2017-10-31 2017-10-31 基于神经网络的地震初至波走时获取方法 Active CN107807387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711049704.8A CN107807387B (zh) 2017-10-31 2017-10-31 基于神经网络的地震初至波走时获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711049704.8A CN107807387B (zh) 2017-10-31 2017-10-31 基于神经网络的地震初至波走时获取方法

Publications (2)

Publication Number Publication Date
CN107807387A CN107807387A (zh) 2018-03-16
CN107807387B true CN107807387B (zh) 2019-08-27

Family

ID=61582687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711049704.8A Active CN107807387B (zh) 2017-10-31 2017-10-31 基于神经网络的地震初至波走时获取方法

Country Status (1)

Country Link
CN (1) CN107807387B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889308A (zh) * 2018-09-07 2020-03-17 中国石油化工股份有限公司 一种基于机器学习的地震震相初至识别方法及识别系统
CN111694053A (zh) * 2019-03-14 2020-09-22 中国石油天然气股份有限公司 初至拾取方法及装置
CN109917457B (zh) * 2019-04-10 2020-12-04 苏州浪潮智能科技有限公司 一种地震波初至点的拾取方法以及设备
CN110308484A (zh) * 2019-06-11 2019-10-08 中国石油大学(北京) 一种基于深度学习智能筛选初至的层析反演方法及系统
CN111505705B (zh) * 2020-01-19 2022-08-02 长江大学 基于胶囊神经网络的微地震p波初至拾取方法及系统
CN112305591B (zh) * 2020-10-10 2022-04-29 中国地质大学（北京） 隧道超前地质预报方法、计算机可读存储介质
CN112464725A (zh) * 2020-10-30 2021-03-09 中国石油天然气集团有限公司 基于深度学习网络的初至拾取方法及装置
CN112733425B (zh) * 2020-12-10 2023-01-03 东华理工大学 神经网络训练方法、装置、计算机设备及存储介质
CN112882094B (zh) * 2021-02-25 2022-05-10 中国石油集团东方地球物理勘探有限责任公司 初至波的获取方法、装置、计算机设备及存储介质
CN117991377B (zh) * 2024-04-03 2024-06-11 北京大学 一种基于多源信息融合的初至波走时层析成像方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4943918A (en) * 1985-01-09 1990-07-24 Phillips Petroleum Company Seismic data processing method
CN101551467A (zh) * 2009-04-23 2009-10-07 中国石油化工股份有限公司胜利油田分公司物探研究院 一种基于边界检测的初至波自动拾取方法
CN101630015A (zh) * 2008-07-16 2010-01-20 中国石油天然气集团公司 一种提高初至波拾取精度和效率的方法
CN102073067A (zh) * 2009-11-25 2011-05-25 中国石油天然气集团公司 一种提高地震数据初至波自动拾取效率的方法
CN104753617A (zh) * 2015-03-17 2015-07-01 中国科学技术大学苏州研究院 基于神经网络的时序型隐信道检测方法
CN105572734A (zh) * 2014-10-16 2016-05-11 中国石油化工股份有限公司 一种以逆时偏移算法为引擎的波动方程初至走时层析方法
CN107272066A (zh) * 2017-06-22 2017-10-20 东华理工大学 一种含噪地震信号初至走时拾取方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650928A (zh) * 2016-10-11 2017-05-10 广州视源电子科技股份有限公司 一种神经网络的优化方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4943918A (en) * 1985-01-09 1990-07-24 Phillips Petroleum Company Seismic data processing method
CN101630015A (zh) * 2008-07-16 2010-01-20 中国石油天然气集团公司 一种提高初至波拾取精度和效率的方法
CN101551467A (zh) * 2009-04-23 2009-10-07 中国石油化工股份有限公司胜利油田分公司物探研究院 一种基于边界检测的初至波自动拾取方法
CN102073067A (zh) * 2009-11-25 2011-05-25 中国石油天然气集团公司 一种提高地震数据初至波自动拾取效率的方法
CN105572734A (zh) * 2014-10-16 2016-05-11 中国石油化工股份有限公司 一种以逆时偏移算法为引擎的波动方程初至走时层析方法
CN104753617A (zh) * 2015-03-17 2015-07-01 中国科学技术大学苏州研究院 基于神经网络的时序型隐信道检测方法
CN107272066A (zh) * 2017-06-22 2017-10-20 东华理工大学 一种含噪地震信号初至走时拾取方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
利用人工神经网络自动拾取地震记录初至;庄东海等;《石油地球物理勘探》;19941031;第29卷(第5期);第659-664页 *
基于卷积神经网络的道路检测方法;朱振文等;《计算机工程与设计》;20170831;第38卷(第8期);第2287-2290页 *

Also Published As

Publication number Publication date
CN107807387A (zh) 2018-03-16

Similar Documents

Publication Publication Date Title
CN107807387B (zh) 基于神经网络的地震初至波走时获取方法
Smith et al. Structure from motion photogrammetry in physical geography
CN109508508B (zh) 一种露天矿山治理勘查设计方法
Brunetaud et al. Application of digital techniques in monument preservation
CN110490100A (zh) 基于深度学习的岩土自动识别定名方法及系统
Slob et al. Fracture mapping using 3D laser scanning techniques
CN106415321B (zh) 用于储层建模的基于瞬时等时属性的地质体识别
CN102901985B (zh) 一种适用于起伏地表的深度域层速度修正方法
CN110874846B (zh) 一种彩色曲线位图矢量化方法、计算机设备及存储介质
CN109961510B (zh) 一种基于三维点云重构技术的高切坡地质快速编录方法
CN103093456A (zh) 基于图像的玉米果穗性状指标计算方法
Cipriani et al. Testing two open-source photogrammetry software as a tool to digitally preserve and objectively communicate significant geological data: the Agolla case study (Umbria-Marche Apennines)
CN117078878A (zh) 一种三维隧道岩体结构精细模型建立方法及系统
CN113724381B (zh) 一种基于高分遥感影像的动态三维场景快速重建方法
JP2021183774A (ja) 切羽評価システム、切羽評価学習システム、切羽評価方法、切羽評価学習方法、コンピュータプログラム
CN105301638B (zh) 一种提取风化层底界面的方法和装置
CN110889834A (zh) 一种基于云计算的公路隧道围岩分级方法
CN117368118B (zh) 一种基于多光谱和点云数据处理的矿区生物量监测方法
Bennett Archaeological remote sensing: visualisation and analysis of grass-dominated environments using airborne laser scanning and digital spectral data
Scott et al. Semiautomatic algorithm to map tectonic faults and measure scarp height from topography applied to the Volcanic Tablelands and the Hurricane fault, western US
CN107038700A (zh) 基于gssim的土壤湿度空间分布特征定量分析方法
CN113568042B (zh) 一种提高时移地震数据可重复性的拖缆采集方法和系统
Monsen et al. The automated interpretation of photorealistic outcrop models
CN105425290A (zh) 一种叠前时间偏移的方法及装置
Chen et al. A human-machine interaction method for rock discontinuities mapping by three-dimensional point clouds with noises

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant