CN110471111A - 一种基于卷积神经网络的速度谱自动拾取方法 - Google Patents
一种基于卷积神经网络的速度谱自动拾取方法 Download PDFInfo
- Publication number
- CN110471111A CN110471111A CN201910840514.0A CN201910840514A CN110471111A CN 110471111 A CN110471111 A CN 110471111A CN 201910840514 A CN201910840514 A CN 201910840514A CN 110471111 A CN110471111 A CN 110471111A
- Authority
- CN
- China
- Prior art keywords
- formula
- normal
- curve
- velocity
- reflection coefficient
- 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.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 6
- 229910052704 radon Inorganic materials 0.000 claims abstract description 6
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000005070 sampling Methods 0.000 description 12
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
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
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/362—Effecting static or dynamic corrections; Stacking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/50—Corrections or adjustments related to wave propagation
- G01V2210/52—Move-out correction
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
本发明涉及一种基于卷积神经网络的速度谱自动拾取方法,属于地震数据处理领域。该方法首先随机生成速度拾取曲线与水平道集,然后应用反动校正方法生成模拟道集,并基于该道集作拉东变换生成速度谱,重复该过程能够生成任意数量的训练标签;本发明设计了含4个卷积层和2个全连接层的神经网络,此外还添加了maxpooling层与dropout层以减小计算量并在一定程度上防止过拟合的出现;最终利用随机生成的标签训练神经网络,并利用该网络识别未参与训练的速度谱。该卷积神经网络能够有效地拾取速度能量团位置,并生成相应的速度曲线,通过与理论曲线的对比具有较高的精度,并且避开了手动拾取能量团的过程,节省了人力并规避了人为因素引入的误差影响。
Description
技术领域
本发明属于地震数据处理领域,是一种无需人工干预的速度谱自动拾取方法。
背景技术
在地震数据处理过程中,速度分析是必不可少的环节,速度分析结果的好坏与否将会直接影响叠加或偏移剖面的质量,而常规的速度分析需要人为拾取速度谱中的能量团,随着三维地震的勘探的发展,地震数据量不断增大,成百上千张速度谱需要人工拾取,消耗大量的人力资源,因此发展速度谱自动拾取方法具有重要的现实意义。
速度谱拾取主要是根据能量团的分布情况,选择能量较强的速度位置,利用该速度能够校平CMP道集中的同相轴,将校平的道集同相叠加即可获得地震剖面。由于速度谱与速度拾取曲线之间存在一定的映射关系,并且卷积神经网络在图像识别领域已经取得了较好的效果,因此可利用卷积神经网络来识别速度谱中的能量团。
通常而言,训练神经网络的样本标签需要人为标定,而神经网络需要海量的数据才能够获得更加泛化、精度更高的结果,因此如何获得更多的样本数据是值得考虑的问题之一;此外,人为拾取速度谱难以避免地会受到主观影响,引入人为造成的误差,使用该人工样本来训练神经网络也是制约其识别精度的原因之一。
发明内容
本发明要解决的技术问题在于提供一种基于卷积神经网络的速度谱自动拾取方法,所述方法无需人工干预即可获得较高精度的速度谱拾取结果。首先利用随机生成的速度曲线对随机生成的水平道集作反动校正得到模拟道集,然后对模拟道集作拉东变换得到速度谱,并将速度曲线与速度谱输入卷积神经网络进行训练,最终利用训练好的神经网络实现对速度谱的自动拾取工作。
本发明采取以下技术方案:
一种基于卷积神经网络的速度谱自动拾取方法,它具体包括以下步骤:
1)随机生成速度控制点并利用样条插值方法获得随机速度拾取曲线,如公式(1)所示;
式中,v(t)为基于样条插值方法获得的速度拾取曲线,t代表时间,vk~U(tak,tbk)为速度节点,U代表均匀分布,tak和tbk为第k个速度节点的随机分布范围,vk′为速度节点处的导数,tk+1=2tk-tk-1+dt,其中tk-1为上一个速度节点对应时刻,tk为当前速度节点对应时刻,tk+1为下一个速度节点对应时刻,dt为单位时间间隔;
2)利用式(2)在不同时刻随机生成反射系数;
式中g(t)表示反射系数函数,rk~U(ra,rb)表示第k个反射系数,U代表均匀分布,ra和rb为反射系数随机分布的范围,τk为第k个反射系数对应的时刻,δ(t-τk)为冲激函数,n~U(na,nb)为反射系数的个数,na和nb为反射系数个数的随机分布范围;
3)选择一个雷克子波,如式(3)所示;
式中f(t)为地震子波,fm表示子波主频,t表示时间;
4)利用式(3)所表示的地震子波与式(2)随机生成的反射系数,按照(4)式褶积得到单道地震记录;
式中,h(t)为单道地震记录,f(τ)表示地震子波,g(t-τ)表示反射系数函数,t表示时间,τ为积分变量;
5)利用式(5)得到二维水平记录s(x,t),并输入速度拾取曲线v(t),利用式(6)进行反动校正并加入高斯噪声得到模拟记录d(x,τ);
s(x,t)=h(t) (5)
式中,s(x,t)为二维水平记录,h(t)为单道地震记录,d(x,τ)为模拟记录,v(t)为速度拾取曲线,r为高斯随机噪声,x代表水平距离,t为零偏移距时,τ为模拟记录时间;
6)利用式(7)对d(x,τ)作拉冬变换得到速度谱u(vs,t),其中速度谱u(vs,t)以及对应的速度拾取曲线v(t)即为训练样本;
式中,u(vs,t)为速度谱,d(x,τ)为模拟记录,vs为扫描速度,t为零偏移距时,x为偏移距,τ为模拟记录时间;
7)重复步骤1)-6)可生成海量的训练样本,之后将样本分为训练集与测试集两个部分;
8)将k个样本(u(vs,t),v(t))k代入式(8)所表示的神经网络当中,利用反向传播算法可求得神经网络的参数w1~w6与b1~b6;
式中,u(vs,t)与v(t)为分别为训练集中的速度谱与速度拾取曲线,ReLU(x)=max(0,x)、Sigmoid(x)=1/(1+e-x)为神经网络中的激活函数,maxpooling是池化层,L1~L9为隐藏层,参数w1~w4为卷积核,w5与w6为全连接层权重,参数b1~b6为偏置项;
9)将测试集中的速度谱输入已经训练好的卷积神经网络中,其中已知参数w1~w6与b1~b6,即可输出测试速度谱对应的速度拾取曲线
本发明与现有技术相比的有益效果:
本发明提出了一种基于卷积神经网络的速度谱自动拾取方法,该方法基于自动生成的随机样本来训练神经网络,解决了神经网络的样本需求问题,并且避开了手动拾取能量团的过程,节省了人力并规避了人为因素引入的误差影响。实际地震数据处理中通常需要人工拾取成百上千张速度谱,耗费大量的人力物力,因此速度谱自动拾取方法在地震数据处理中具有重要的现实意义。
附图说明
图1随机生成的两组训练样本:(a)(e)随机拾取曲线,(b)(f)随机水平道集,(c)(g)模拟道集,(d)(h)速度谱;
图2反射系数与地震子波褶积示意图:(a)随机反射系数(b)雷克子波(c)地震记录;
图3卷积神经网络架构图;
图4卷积神经网络识别结果;
具体实施方式
下面通过实施例结合附图来对本发明的技术方案做进一步解释,但本发明的保护范围不受实施例任何形式上的限制。
实施例1
本实施例为一种基于卷积神经网络的速度谱自动拾取方法,具体的实施过程主要包括以下几步:(1)随机生成速度拾取曲线;(2)随机生成反射系数;(3)选取合适的子波;(4)反射系数与子波褶积得到单道地震记录;(5)求取二维水平道集并通过反动校正得到模拟道集;(6)拉东变换得到速度谱;(7)将速度谱与速度拾取曲线作为样本训练神经网络;(8)将训练好的神经网络用于速度谱识别。
本发明实施例共生成了100000个样本,所选取的速度范围为1500m/s~3500m/s,接近于实际地层中地震波传播速度,速度拾取曲线的采样时间为4s,采样点数为101,采样间隔为0.04s;水平道集和模拟道集的纵向采样时间为4s,采样点数为101,采样间隔为0.04s,横向距离范围为0~3500m,采样点数为71,采样间隔为50;速度谱的采样时间为4s,采样点数为101,采样间隔为0.04s,横向速度扫描范围为1500~3500m/s,采样点数为101,速度间隔为20。
下面将详细阐述本实施例的具体实施过程:
(1)利用公式(1)随机生成速度拾取曲线,其中设置了6个速度控制点,v0~U(1500.0,2000.0),dv~U(150.0,300.0),t0=0,t1=4/15,图1(a)展示了样本集中的两条随机速度拾取曲线;
(2)利用公式(2)随机生成反射系数,其中rk~U(-0.2,0.3),n~U(4,10),τk~U(0.4,4),选取样本集中的一个反射系数序列,如图2(a)所示;
(3)根据式(3)选择主频fm为30Hz的雷克子波,如图2(b)所示;
(4)利用式(4)将反射系数与雷克子波作褶积运算,得到单道地震记录如图2(c)所示;
(5)利用式(5)求取二维水平道集,如图1(b)所示,利用式(6)进行反动校正并添加高斯噪声,得到模拟道集如图1(c)所示;
(6)利用式(7)基于速度拾取曲线对水平道集作拉东变换得到速度谱如图1(d)所示;
(7)将速度谱作为神经网络的输入,速度拾取曲线为神经网络的输出,具体神经网络设计如图3所示;
(8)将未参与训练的速度谱输入训练好的卷积神经网络中,能够直接得出速度拾取曲线,如图4所示,其中(a)(b)为选取的两个速度谱拾取结果。
图4中实线代表理论速度拾取曲线,虚线为神经网络预测的速度拾取曲线,二者比较可以看出预测曲线与理论曲线基本一致,由此可见,本文描述的基于卷积神经网络的速度谱自动拾取方法具有较高的拾取精度,是一种较为理想的速度谱自动拾取方法。
Claims (1)
1.一种基于卷积神经网络的速度谱自动拾取方法,其特征在于所述方法的具体包括以下步骤:
1)随机生成速度控制点并利用样条插值方法获得随机速度拾取曲线,如公式(1)所示;
式中,v(t)为基于样条插值方法获得的速度拾取曲线,t代表时间,vk~U(tak,tbk)为速度节点,U代表均匀分布,tak和tbk为第k个速度节点的随机分布范围,vk′为速度节点处的导数,tk+1=2tk-tk-1+dt,其中tk-1为上一个速度节点对应时刻,tk为当前速度节点对应时刻,tk+1为下一个速度节点对应时刻,dt为单位时间间隔;
2)利用式(2)在不同时刻随机生成反射系数;
式中g(t)表示反射系数函数,rk~U(ra,rb)表示第k个反射系数,U代表均匀分布,ra和rb为反射系数随机分布的范围,τk为第k个反射系数对应的时刻,δ(t-τk)为冲激函数,n~U(na,nb)为反射系数的个数,na和nb为反射系数个数的随机分布范围;
3)选择一个雷克子波,如式(3)所示;
式中f(t)为地震子波,fm表示子波主频,t表示时间;
4)利用式(3)所表示的地震子波与式(2)随机生成的反射系数,按照(4)式褶积得到单道地震记录;
式中,h(t)为单道地震记录,f(τ)表示地震子波,g(t-τ)表示反射系数函数,t表示时间,τ为积分变量;
5)利用式(5)得到二维水平记录s(x,t),并输入速度拾取曲线v(t),利用式(6)进行反动校正并加入高斯噪声得到模拟记录d(x,τ);
s(x,t)=h(t) (5)
式中,s(x,t)为二维水平记录,h(t)为单道地震记录,d(x,τ)为模拟记录,v(t)为速度拾取曲线,r为高斯随机噪声,x代表水平距离,t为零偏移距时,τ为模拟记录时间;
6)利用式(7)对d(x,τ)作拉冬变换得到速度谱u(vs,t),其中速度谱u(vs,t)以及对应的速度拾取曲线v(t)即为训练样本;
式中,u(vs,t)为速度谱,d(x,τ)为模拟记录,vs为扫描速度,t为零偏移距时,x为偏移距,τ为模拟记录时间;
7)重复步骤1)-6)可生成海量的训练样本,之后将样本分为训练集与测试集两个部分;
8)将k个样本(u(vs,t),v(t))k代入式(8)所表示的神经网络当中,利用反向传播算法可求得神经网络的参数w1~w6与b1~b6;
式中,u(vs,t)与v(t)为分别为训练集中的速度谱与速度拾取曲线,ReLU(x)=max(0,x)、Sigmoid(x)=1/(1+e-x)为神经网络中的激活函数,maxpooling是池化层,L1~L9为隐藏层,参数w1~w4为卷积核,w5与w6为全连接层权重,参数b1~b6为偏置项;
9)将测试集中的速度谱输入已经训练好的卷积神经网络中,其中已知参数w1~w6与b1~b6,即可输出测试速度谱对应的速度拾取曲线
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910840514.0A CN110471111B (zh) | 2019-09-06 | 2019-09-06 | 一种基于卷积神经网络的速度谱自动拾取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910840514.0A CN110471111B (zh) | 2019-09-06 | 2019-09-06 | 一种基于卷积神经网络的速度谱自动拾取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110471111A true CN110471111A (zh) | 2019-11-19 |
CN110471111B CN110471111B (zh) | 2020-04-14 |
Family
ID=68515010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910840514.0A Active CN110471111B (zh) | 2019-09-06 | 2019-09-06 | 一种基于卷积神经网络的速度谱自动拾取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110471111B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239802A (zh) * | 2020-01-19 | 2020-06-05 | 中国海洋大学 | 基于地震反射波形和速度谱的深度学习速度建模方法 |
CN111538478A (zh) * | 2020-04-20 | 2020-08-14 | 佳缘科技股份有限公司 | 一种提高输出序列随机性的方法 |
CN112380198A (zh) * | 2020-10-29 | 2021-02-19 | 吉林大学 | 一种基于深度学习的地震接收函数自动挑选方法 |
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 |
US11668848B2 (en) | 2021-06-24 | 2023-06-06 | Saudi Arabian Oil Company | Method and system for seismic imaging using S-wave velocity models and machine learning |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596327A (zh) * | 2018-03-27 | 2018-09-28 | 中国地质大学(武汉) | 一种基于深度学习的地震速度谱人工智能拾取方法 |
CN109031421A (zh) * | 2018-06-05 | 2018-12-18 | 广州海洋地质调查局 | 一种基于深度强化学习的叠加速度谱拾取方法及处理终端 |
-
2019
- 2019-09-06 CN CN201910840514.0A patent/CN110471111B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596327A (zh) * | 2018-03-27 | 2018-09-28 | 中国地质大学(武汉) | 一种基于深度学习的地震速度谱人工智能拾取方法 |
CN109031421A (zh) * | 2018-06-05 | 2018-12-18 | 广州海洋地质调查局 | 一种基于深度强化学习的叠加速度谱拾取方法及处理终端 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239802A (zh) * | 2020-01-19 | 2020-06-05 | 中国海洋大学 | 基于地震反射波形和速度谱的深度学习速度建模方法 |
CN111239802B (zh) * | 2020-01-19 | 2021-05-28 | 中国海洋大学 | 基于地震反射波形和速度谱的深度学习速度建模方法 |
CN111538478A (zh) * | 2020-04-20 | 2020-08-14 | 佳缘科技股份有限公司 | 一种提高输出序列随机性的方法 |
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 |
CN112380198A (zh) * | 2020-10-29 | 2021-02-19 | 吉林大学 | 一种基于深度学习的地震接收函数自动挑选方法 |
US11668848B2 (en) | 2021-06-24 | 2023-06-06 | Saudi Arabian Oil Company | Method and system for seismic imaging using S-wave velocity models and machine learning |
Also Published As
Publication number | Publication date |
---|---|
CN110471111B (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110471111A (zh) | 一种基于卷积神经网络的速度谱自动拾取方法 | |
CN111239802B (zh) | 基于地震反射波形和速度谱的深度学习速度建模方法 | |
CN108805269A (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
CN106845401A (zh) | 一种基于多空间卷积神经网络的害虫图像识别方法 | |
CN106093724B (zh) | 一种基于混合粒子群的局部放电小波去噪方法 | |
CN109031421B (zh) | 一种基于深度强化学习的叠加速度谱拾取方法及处理终端 | |
CN110308484A (zh) | 一种基于深度学习智能筛选初至的层析反演方法及系统 | |
CN109782339A (zh) | 一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法 | |
CN108427989A (zh) | 一种用于雷达回波外推的深度时空预测神经网络训练方法 | |
CN105093301B (zh) | 共成像点反射角角道集的生成方法及装置 | |
CN104570076A (zh) | 一种基于二分法的地震波初至自动拾取方法 | |
CN106156852B (zh) | 一种高斯重叠核脉冲估计方法 | |
CN108693555A (zh) | 智能化时变盲反褶积宽频处理方法及装置 | |
CN106022471A (zh) | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 | |
CN102901985A (zh) | 一种适用于起伏地表的深度域层速度修正方法 | |
WO2005026776A1 (en) | Wide-offset-range pre-stack depth migration method for seismic exploration | |
CN109507726A (zh) | 时间域弹性波多参数全波形的反演方法及系统 | |
CN105629300B (zh) | 提高复杂构造偏移数据信噪比的方法 | |
CN102692651A (zh) | 速度空变的初至波剩余静校正方法 | |
CN112801364A (zh) | 基于miv与改进蝙蝠算法的参考作物腾发量预测方法 | |
CN109100791B (zh) | 基于纵横向空间约束的速度反演方法 | |
CN113642232B (zh) | 一种面波智能反演勘探方法、存储介质及终端设备 | |
CN110826691A (zh) | 基于yolo和lstm的地震速度谱智能拾取方法 | |
CN113671564B (zh) | 基于narx动态神经网络的微地震有效事件自动拾取方法 | |
Kazei et al. | Mapping full seismic waveforms to vertical velocity profiles by deep learning |
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 |