CN109917457B - 一种地震波初至点的拾取方法以及设备 - Google Patents
一种地震波初至点的拾取方法以及设备 Download PDFInfo
- Publication number
- CN109917457B CN109917457B CN201910283946.6A CN201910283946A CN109917457B CN 109917457 B CN109917457 B CN 109917457B CN 201910283946 A CN201910283946 A CN 201910283946A CN 109917457 B CN109917457 B CN 109917457B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- network model
- training set
- picking
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012360 testing method Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000000306 recurrent effect Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地震波初至点的拾取方法,包括步骤:对多道地震波分别进行预设处理,以将每道地震波处理为若干个数据窗口;利用多道地震波的数据窗口构建第一训练集和第一测试集,并利用所有存在初至点的数据窗口构建第二训练集和第二测试集;构建分类和回归神经网络模型;分别利用第一训练集和第一测试集以及第二训练集和第二测试集对分类神经网络和回归神经网络模型进行训练和测试;利用训练好的分类神经网络和回归神经网络模型对经过预设处理的待拾取地震波进行推理,先得到存在初至点的数据窗口,然后在存在初至点的数据窗口拾取初至点。本发明公开的方法通过利用分类和回归神经网络的结合能够实现数据窗口中初至时间的精准预测。
Description
技术领域
本发明涉及地震勘测领域,具体涉及一种地震波初至点的拾取方法以及设备。
背景技术
地震波的自动初至拾取一直是复杂地形和表层条件下地震勘探工作的一个重要难题,是地震数据预处理的关键业务环节。初至拾取技术的研究与应用已有近40年历史,许多学者提出了多种方法与相关技术应用,目前初至拾取大多采用人工与机器合作进行标注,其拾取效率及拾取成本仍有较大提升空间,同时由于主观因素影响,不同专业人员初至拾取结果不尽相同,因此找到高效且准确的方法对于初至拾取尤为重要。
初至拾取的目标是找到地震波最初到达检波点的时间,研究人员提出了多种方法,如瞬时强度比法、神经网络算法、数字图像处理法,其中STA/LTA是一种经典的基于地震时窗特征的处理方法,具有自动化程度高、计算速度快等优点;神经网络结构简单,易于实现,因此很早便被应用与初至拾取领域,但是该算法存在收敛慢、易陷于局部极值、网络结构难以确定等难题。而且上述提到的方法为单道拾取方法,只考虑了单一地震道的相关特征,没有利用多道互相关法通过不同台站记录的地震信号的相似性完成拾取工作,无法具有抗噪与拾取精度高等特点。
总体而言,初至拾取现有的技术存在以下不足:
1)对于复杂地区低信噪比资料,传统初至拾取技术拾取效果不理想;
2)不同技术存在对应优点与缺陷,需要根据实际地震资料属性选择合适的初至拾取方法;
3)目前初至拾取方法依赖人机交互半自动拾取技术。
发明内容
有鉴于此,为了克服上述问题的至少一个方面,本发明实施例的提出一种地震波初至点的拾取方法,包括步骤:
对多道地震波分别进行预设处理,以将每道地震波处理为若干个数据窗口;
利用多道地震波的数据窗口构建第一训练集和第一测试集,并利用所有存在初至点的数据窗口构建第二训练集和第二测试集;
构建分类神经网络模型和回归神经网络模型;
利用所述第一训练集和第一测试集对所述分类神经网络模型进行训练和测试,并利用所述第二训练集和第二测试集对所述回归神经网络模型进行训练和测试;
利用训练好的分类神经网络模型对经过预设处理的待拾取地震波进行推理,得到存在初至点的数据窗口,然后利用训练好的回归神经网络模型在所述存在初至点的数据窗口中拾取所述初至点。
在一些实施例中,所述预设处理包括:
对地震波进行采样,以得到多个采样数据,进而利用所述多个采样数据构成所述若干个数据窗口。
在一些实施例中,所述预设处理还包括:在采样之前,将地震波转换为十进制的振幅数据,并除以振幅数据绝对值最大值,以得到振幅数据范围为[-1,1]的地震波。
在一些实施例中,利用多道地震波的数据窗口构建第一训练集和第一测试集进一步包括:
将每一个数据窗口作为中间窗口,其相邻的两个数据窗口分别作为上、下窗口,共同组成一个样本,得到多个样本后构建第一训练集和第一测试集,其中,若作为中间窗口的数据窗口只有一个相邻的数据窗口,进行补零处理。
在一些实施例中,利用多道地震波的数据窗口构建第一训练集和第一测试集进一步包括:
为第一训练集和所述第一测试集加标签,所述第一训练集和/或所述第一测试集的标签为作为中间窗口的数据窗口是否存在初至点,若存在初至点,则标签为1,否则标签为0。
在一些实施例中,利用所有存在初至点的数据窗口构建第二训练集和第二测试集进一步包括:
为第二训练集和所述第二测试集加标签,所述第二训练集和/或所述第二测试集的标签为所述初至点对应的初至时间。
在一些实施例中,利用第一训练集和第一测试集对所述分类神经网络模型进行训练和测试,并利用第二训练集和第二测试集对回归神经网络模型进行训练和测试包括:
对训练好的分类神经网络模型和/或回归神经网络模型进行测试时,若测试结果不符合精度要求,则继续对所述分类神经网络模型和/或所述回归神经网络模型进行训练,直到测试结果符合精度要求。
在一些实施例中,所述方法还包括步骤:
利用可视化模块输出多炮单道拾取结果、单炮多道拾取结果、单道拾取结果及预测误差箱线图中的至少一种。
基于同一发明构思,根据本发明的另一个方面,本发明的实施例还提供了一种计算机设备,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机程序,所述处理器执行所述程序时执行如上所述的任一种地震波初至点的拾取方法的步骤。
基于同一发明构思,根据本发明的另一个方面,本发明的实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时执行如上所述的任一种地震波初至点的拾取方法的步骤。
本发明具有以下有益技术效果:本发明公开的方法首先将每道地震波数据划分为多个数据窗口,利用分类深度神经网络模型找到包含初至点的数据窗口,再利用回归网络结构实现数据窗口中初至时间的精准预测,能够完成对源地震波数据的精准预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的实施例。
图1为本发明的实施例提供的一种地震波初至点的拾取方法的流程示意图;
图2为本发明的实施例提供的数据窗口构建样本集结构示意图;
图3利用本发明的实施例提供的地震波初至点的拾取方法得到的多炮单道拾取结果;
图4利用本发明的实施例提供的地震波初至点的拾取方法得到的单炮单道拾取结果;
图5利用本发明的实施例提供的地震波初至点的拾取方法得到的一致拾取结果示意图;
图6利用本发明的实施例提供的地震波初至点的拾取方法得到的不一致拾取结果示意图;
图7利用本发明的实施例提供的地震波初至点的拾取方法得到的拾取结果累计误差分布;
图8为本发明的实施例提供的计算机设备的结构示意图;
图9为本发明的实施例提供的计算机可读存储介质的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
根据本发明的一个方面,本发明的实施例提出一种地震波初至点的拾取方法,如图1所示,其可以包括步骤:
对多道地震波分别进行预设处理,以将每道地震波处理为若干个数据窗口。
在一些实施例中,地震数据都是以二进制形式存放,例如SEG-Y数据格式。SEG-Y格式的具体含义可以如表1所示,其包含炮号、道号、采样点数、采样周期等重要地震数据。
表1 SEG-Y标准磁盘文件格式
为了能够对地震波进行初至点的拾取,可以利用数据格式转换模块首先将二进制的原始地震波数据转换成十进制的地震波数据,在进一步较佳实施例中,可以将转换后的数据进行可视化并与地震分析处理软件SeiSee结果进行比较,以确认转换后数据的正确性。
在一些实施例中,在对原始的多道地震波进行数据格式的转换后,可以得到的地震波数据保存为振幅数据,然后利用数据预处理模块对每一道地震波形振幅数据均除以其每道振幅数据绝对值最大值,转换完成后得到振幅数据范围为[-1,1]的地震波。
在一些实施例中,得到振幅数据范围为[-1,1]的地震波后,可以对其进行采样处理,采样的周期可以是4ms,这样对每道地震波进行采样后,可以得到626个采样数据,如表2所示,表2为经过数据预处理模块生成的多道地震波数据样本示例,Feature 1-626表示检波点周期采样到的振幅数据,label表示单道地震波形的初至时间。当然,在其他实施例中,也可以采用其他采样周期以得到不同数量的采用数据。
表2多道地震波数据样本示例
Feature1 | Feature2 | Feature3 | … | Feature625 | Feature626 | label |
0.304 | 0.574 | -0.368 | … | 0.173 | 0.346 | 30 |
0.453 | -0.658 | 0.234 | … | 0.763 | -0.547 | 36 |
… | … | … | … | … | … | … |
0.546 | -0.353 | 0.235 | … | -0.532 | 0.453 | 80 |
在一些实施例中,对每道地震波数据进行采样后,可以根据每道地震波的多个采样数据构成数据窗口。
例如,可以将表2中单道地震波数据Feature 1-626等分为21个数据窗口,每个数据窗口中包含30个采样数据,其中第21个数据窗口包含26个采样数据,对其剩余4个采样数据可以进行补零操作。
本发明的地震波初至点的拾取方法还可以包括步骤:
利用多道地震波的数据窗口构建第一训练集和第一测试集,并利用所有存在初至点的数据窗口构建第二训练集和第二测试集。
在一些实施例中,利用多道地震波的数据窗口构建第一训练集和第一测试集进一步包括:
将每一个数据窗口作为中间窗口,其相邻的两个数据窗口分别作为上、下窗口,共同组成一个样本,得到多个样本后构建第一训练集和第一测试集,其中,若作为中间窗口的数据窗口只有一个相邻的数据窗口,进行补零处理。
具体的,如图2所示,对于每一道地震波样本,可以将其右移一个数据窗口置于上方,将其左移一个数据窗口置于下方,Sample表示由3个数据窗口组成的一个训练样本,即第一个Sample则由第一个数据窗口和第二个数据窗口,以及零构成,第二个Sample则由第一个数据窗口、第二数据窗口和第三个数据窗口组成,以此类推,每道地震波可以得到21个Sample。而每个Sample对应的标签为作为中间窗口的数据窗口是否存在初至点,若存在则将此Sample标签设为1,否则标签为0。
在一些实施例中,所述第二训练集和/或所述第二测试集的标签可以为所述初至点对应的初至时间。
在一些实施例中,训练数据集可以占总样本数的80%,其余20%作为测试数据集。
本发明的地震波初至点的拾取方法还可以包括步骤:构建分类神经网络模型和回归神经网络模型。
在一些实施例中,分类神经网络模型可以包括:
第一卷积层,其可以包括32个3*1的卷积核;
第二卷积层,其可以包括64个3*1的卷积核;
第三卷积层,其可以包括64个2*1的卷积核;
第四卷积层,其可以包括64个3*1的卷积核;
第五卷积层,其可以包括64个2*1的卷积核;
第一全连接层,其可以具有256通道;
第二全连接层,其可以具有256通道;
输出层。
输入到分类神经网络模型的数据可以依次经过第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层以及第二全连接层处理后,由输出层输出。
在一些实施例中,回归神经网络模型可以包括:
第一卷积层,其可以包括150个3*1的卷积核;
第二卷积层,其可以包括100个3*1的卷积核;
第三卷积层,其可以包括80个3*1的卷积核;
第四卷积层,其可以包括160个3*1的卷积核;
第一全连接层,其可以具有100通道;
第二全连接层,其可以具有100通道;
输出层。
输入到回归神经网络模型的数据可以依次经过第一卷积层、第二卷积层、第三卷积层、第四卷积层、第一全连接层以及第二全连接层处理后,由输出层输出。
本发明的地震波初至点的拾取方法还可以包括步骤:
利用所述第一训练集和第一测试集对所述分类神经网络模型进行训练和测试,利用所述第二训练集和第二测试集对所述回归神经网络模型进行训练和测试。
在一些实施例中,利用第一训练集对分类神经网络模型进行训练后,在利用第一测试集进行测试时可以得到测试集中每道地震数据对应的每个数据窗口存在初至点的概率,取值范围可以为[0,1],概率值越大表示越有可能存在初至点。若得到的测试结果不满足精度要求,则继续训练分类神经网络模型,直到测试结果满足精度要求。
在一些实施例中,利用第二训练集对回归神经网络模型进行训练后,在利用第二测试集进行测试时可以得到测试集中每道地震数据对应的存在初至点的数据窗口中初至点的准确时间。若得到的测试结果不满足精度要求,则继续训练回归神经网络模型,直到测试结果满足精度要求。
本发明的地震波初至点的拾取方法还可以包括步骤:
利用训练好的分类神经网络模型对经过预设处理的待拾取地震波进行推理,得到存在初至点的数据窗口,然后利用训练好的回归神经网络模型在所述存在初至点的数据窗口中拾取所述初至点。
在一些实施例中,地震波初至点的拾取方法还可以包括步骤,利用可视化模块输出多炮单道拾取结果、单炮多道拾取结果、单道拾取结果及预测误差箱线图。
具体的,可以利用结果可视化模块基于Python第三方库matplotlib输出多炮单道拾取散点图、单炮多道拾取散点图、单道拾取结果图、箱线图等统计分析结果,以方便用户多维度查看拾取结果情况。
例如,如图3所示,其示出了多炮单道拾取散点图,从图中可以看出预测初至点和实际初至点基本重合。
例如,如图4所示,其示出了单炮多道拾取散点图,从图中可以看出预测初至点和实际初至点基本重合。
例如,如图5所示,其示出了一致拾取结果示意图,从图中可以看出代表预测初至点的直线与代表实际初至点的直线重合。
例如,如图6所示,其示出了不一致拾取结果示意图,从图中可以看出代表预测初至点的直线与代表实际初至点的直线不重合。
例如,如图7所示,其示出了本发明的拾取结果累计误差分布,从图中可以看出代表预测初至点的时间减去实际初至点的时间为0的直线明显高于其他直线,说明本发明提供的方法能够较为准确的预测出初至点。
基于同一发明构思,根据本发明的另一个方面,如图8所示,本发明的实施例还提供了一种计算机设备501,包括:
至少一个处理器520;以及
存储器510,存储器510存储有可在处理器上运行的计算机程序511,处理器520执行程序时执行如上的任一种地震波初至点的拾取方法的步骤。
基于同一发明构思,根据本发明的另一个方面,如图9所示,本发明的实施例还提供了一种计算机可读存储介质601,计算机可读存储介质601存储有计算机程序610,计算机程序610被处理器执行时执行如上的地震波初至点的拾取方法的步骤。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外,典型地,本发明实施例公开的装置、设备等可为各种电子终端设备,例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等,也可以是大型终端设备,如服务器等,因此本发明实施例公开的保护范围不应限定为某种特定类型的装置、设备。本发明实施例公开的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。
此外,根据本发明实施例公开的方法还可以被实现为由CPU执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时,执行本发明实施例公开的方法中限定的上述功能。
此外,上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外,应该明白的是,本文的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器,使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中,存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中,处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中,功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种地震波初至点的拾取方法,包括步骤:
对多道地震波分别进行预设处理,以将每道地震波处理为若干个数据窗口;
利用所述多道地震波的数据窗口构建第一训练集和第一测试集,并利用所有存在初至点的数据窗口构建第二训练集和第二测试集;
构建分类神经网络模型和回归神经网络模型;
利用所述第一训练集和第一测试集对所述分类神经网络模型进行训练和测试,并利用所述第二训练集和第二测试集对所述回归神经网络模型进行训练和测试;
利用训练好的分类神经网络模型对经过预设处理的待拾取地震波进行推理,得到存在初至点的数据窗口,然后利用训练好的回归神经网络模型在所述存在初至点的数据窗口中拾取所述初至点。
2.如权利要求1所述的方法,其特征在于,所述预设处理包括:
对地震波进行采样,以得到多个采样数据,进而利用所述多个采样数据构成所述若干个数据窗口。
3.如权利要求2所述的方法,其特征在于,所述预设处理还包括:在采样之前,将地震波转换为十进制的振幅数据,并除以振幅数据绝对值最大值,以得到振幅数据范围为[-1,1]的地震波。
4.如权利要求1所述的方法,其特征在于,利用多道地震波的数据窗口构建第一训练集和第一测试集进一步包括:
将每一个数据窗口作为中间窗口,其相邻的两个数据窗口分别作为上、下窗口,共同组成一个样本,得到多个样本后构建第一训练集和第一测试集,其中,若作为中间窗口的数据窗口只有一个相邻的数据窗口,进行补零处理。
5.如权利要求4所述的方法,其特征在于,利用多道地震波的数据窗口构建第一训练集和第一测试集进一步包括:
为所述第一训练集和所述第一测试集加标签,所述第一训练集和所述第一测试集的标签为作为中间窗口的数据窗口是否存在初至点,若存在初至点,则标签为1,否则标签为0。
6.如权利要求1所述的方法,其特征在于,利用所有存在初至点的数据窗口构建第二训练集和第二测试集进一步包括:
为所述第二训练集和所述第二测试集加标签,所述第二训练集和所述第二测试集的标签为所述初至点对应的初至时间。
7.如权利要求1所述的方法,其特征在于,利用所述第一训练集和第一测试集对所述分类神经网络模型进行训练和测试,并利用所述第二训练集和第二测试集对所述回归神经网络模型进行训练和测试包括:
对训练好的分类神经网络模型和/或回归神经网络模型进行测试时,若测试结果不符合精度要求,则继续对所述分类神经网络模型和/或所述回归神经网络模型进行训练,直到测试结果符合精度要求。
8.如权利要求1所述的方法,其特征在于,所述方法还包括步骤:
利用可视化模块输出多炮单道拾取结果、单炮多道拾取结果、单道拾取结果及预测误差箱线图中的至少一种。
9.一种计算机设备,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时执行如权利要求1-8任意一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时执行权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910283946.6A CN109917457B (zh) | 2019-04-10 | 2019-04-10 | 一种地震波初至点的拾取方法以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910283946.6A CN109917457B (zh) | 2019-04-10 | 2019-04-10 | 一种地震波初至点的拾取方法以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109917457A CN109917457A (zh) | 2019-06-21 |
CN109917457B true CN109917457B (zh) | 2020-12-04 |
Family
ID=66969343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910283946.6A Active CN109917457B (zh) | 2019-04-10 | 2019-04-10 | 一种地震波初至点的拾取方法以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109917457B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711604B (zh) * | 2019-10-25 | 2023-10-31 | 中国石油天然气股份有限公司 | 物探训练数据集构建方法及装置 |
CN110988985B (zh) * | 2019-12-18 | 2020-11-17 | 北京邮电大学 | 基于波形特征的地震信号检测方法 |
CN111626355A (zh) * | 2020-05-27 | 2020-09-04 | 中油奥博(成都)科技有限公司 | 一种基于Unet++卷积神经网络的地震数据初至拾取方法 |
CN114063164A (zh) * | 2020-08-05 | 2022-02-18 | 中国石油天然气股份有限公司 | 基于U-net++卷积神经网络的初至波拾取方法及装置 |
CN112230275B (zh) * | 2020-09-14 | 2024-01-26 | 河南省地震局 | 地震波形的识别方法、装置及电子设备 |
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 |
CN112464987A (zh) * | 2020-10-30 | 2021-03-09 | 中国石油天然气集团有限公司 | 初至位置预测结果评价方法及装置 |
CN113011597B (zh) * | 2021-03-12 | 2023-02-28 | 山东英信计算机技术有限公司 | 一种回归任务的深度学习方法和装置 |
CN113341459B (zh) * | 2021-05-12 | 2022-04-12 | 北京大学 | 基于机器学习和动力学计算融合的地震定位方法与设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10067255B2 (en) * | 2015-09-04 | 2018-09-04 | Saudi Arabian Oil Company | Automatic quality control of seismic travel time |
CN106407649B (zh) * | 2016-08-26 | 2019-01-29 | 中国矿业大学(北京) | 基于时间递归神经网络的微震信号到时自动拾取方法 |
CN106971230A (zh) * | 2017-05-10 | 2017-07-21 | 中国石油大学(北京) | 基于深度学习的初至拾取方法及装置 |
CN107807387B (zh) * | 2017-10-31 | 2019-08-27 | 中国科学技术大学 | 基于神经网络的地震初至波走时获取方法 |
-
2019
- 2019-04-10 CN CN201910283946.6A patent/CN109917457B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109917457A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109917457B (zh) | 一种地震波初至点的拾取方法以及设备 | |
US11024288B2 (en) | Methods and apparatus to segment audio and determine audio segment similarities | |
US20180276540A1 (en) | Modeling of the latent embedding of music using deep neural network | |
CN107423278B (zh) | 评价要素的识别方法、装置及系统 | |
CN105956053A (zh) | 一种基于网络信息的搜索方法及装置 | |
CN110619264B (zh) | 基于UNet++的微地震有效信号识别方法及装置 | |
CN106779086A (zh) | 一种基于主动学习和模型剪枝的集成学习方法及装置 | |
CN109063983B (zh) | 一种基于社交媒体数据的自然灾害损失实时评估方法 | |
CN113053365B (zh) | 语音分离方法、装置、设备和存储介质 | |
CN116881430B (zh) | 一种产业链识别方法、装置、电子设备及可读存储介质 | |
CN106708971A (zh) | 一种复习试题生成方法及系统 | |
CN111599376A (zh) | 一种基于空洞卷积循环神经网络的声音事件检测方法 | |
CN110929842A (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN110070131A (zh) | 一种面向数据驱动建模的主动学习方法 | |
WO2021135281A1 (zh) | 一种基于多层特征融合的端点检测方法、装置、设备及介质 | |
Zhang et al. | Phase arrival picking for bridging multi-source downhole microseismic data using deep transfer learning | |
CN114897157A (zh) | 节拍重拍联合检测模型的训练及节拍重拍联合检测方法 | |
CN114067829A (zh) | 一种电抗器故障诊断方法、装置、计算机设备及存储介质 | |
Xu et al. | An automatic P-wave onset time picking method for mining-induced microseismic data based on long short-term memory deep neural network | |
JPS5857758B2 (ja) | 音声ピッチ周期抽出装置 | |
CN104570074A (zh) | 一种基于奇异值分解技术的废道识别方法 | |
CN106488554A (zh) | 一种指纹数据库建立方法和系统 | |
WO2022188574A1 (zh) | 一种回归任务的深度学习方法和装置 | |
CN113555031B (zh) | 语音增强模型的训练方法及装置、语音增强方法及装置 | |
CN108986786A (zh) | 语音交互设备评级方法、系统、计算机设备和存储介质 |
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 |