CN110967738A - 基于深度学习的地震数据插值处理方法及系统 - Google Patents
基于深度学习的地震数据插值处理方法及系统 Download PDFInfo
- Publication number
- CN110967738A CN110967738A CN201811159314.0A CN201811159314A CN110967738A CN 110967738 A CN110967738 A CN 110967738A CN 201811159314 A CN201811159314 A CN 201811159314A CN 110967738 A CN110967738 A CN 110967738A
- Authority
- CN
- China
- Prior art keywords
- neural network
- seismic data
- interpolation
- data
- network structure
- 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.)
- Pending
Links
Images
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. analysis, for interpretation, for correction
Abstract
本发明公开了一种基于深度学习的地震数据插值处理方法及系统。该方法可以包括:步骤1,设置神经网络结构,根据神经网络结构,将按道存储的地震数据分解为按采样点存储的采集点地震数据;步骤2,设置神经网络循环次数阈值和误差控制参数;步骤3,根据神经网络结构、神经网络循环次数阈值和误差控制参数,将采集点地震数据输入到神经网络结构,以采样点的振幅值作为输出的检验数据,获得神经网络插值参数;步骤4,根据神经网络插值参数,将缺失数据替代采集点地震数据,重复步骤3,获得缺失数据的振幅值,进而获得重建数据。本发明通过深度学习神经网络,对地震数据进行多维插值处理,实现地震数据的重建。
Description
技术领域
本发明涉及地震勘探领域,更具体地,涉及一种基于深度学习的地震数据插值处理方法及系统。
背景技术
地震数据处理中数据规则化处理是一个重要环节,它对改善数据的面元属性,提高地震资料的信噪比和偏移处理的成像效果有很大的优势。地震资料采集中,由于地面环境的不确定,常常出现无法满覆盖采集的地区,需要对采集空缺处的地震数据进行插值处理。在三维连片处理中,由于多工区数据的不一致和不规则情况,需要对数据进行统一的规则化处理,同样需要高精度的插值技术。随着地震勘探技术的发展,对高密度、宽方位地震采集的要求越来越高,而高密度宽方位采集意味着高投入。因此,有必要开发一种基于深度学习的地震数据插值处理方法及系统。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种基于深度学习的地震数据插值处理方法及系统,其能够通过深度学习神经网络,对地震数据进行多维插值处理,实现地震数据的重建。
根据本发明的一方面,提出了一种基于深度学习的地震数据插值处理方法。所述方法可以包括:步骤1:设置神经网络结构,根据所述神经网络结构,将按道存储的地震数据分解为按采样点存储的采集点地震数据;步骤2:设置神经网络循环次数阈值和误差控制参数;步骤3:根据所述神经网络结构、所述神经网络循环次数阈值和误差控制参数,将所述采集点地震数据输入到所述神经网络结构,以所述采样点的振幅值作为输出的检验数据,获得神经网络插值参数;步骤4:根据所述神经网络插值参数,将缺失数据替代所述采集点地震数据,重复步骤3,获得缺失数据的振幅值,进而获得重建数据。
优选地,所述神经网络结构包括一个输入层、多个中间层与一个输出层。
优选地,所述采集点地震数据包括炮点坐标、检波点坐标、采样时间和振幅值。
优选地,所述缺失数据包括炮点坐标、检波点坐标、采样时间。
优选地,所述步骤3包括:子步骤301:将所述采集点地震数据输入到所述神经网络结构,根据插值参数,获得计算振幅值;子步骤302:判断循环次数是否达到,神经网络循环次数阈值,若是,则以所述插值参数为所述神经网络插值参数,若否,则进行子步骤303;子步骤303:计算所述采样点的振幅值与所述计算振幅值的差值,判断所述差值是否小于所述误差控制参数,若是,则以所述插值参数为所述神经网络插值参数,若否,则调整所述插值参数,重复子步骤301-303。
根据本发明的另一方面,提出了一种基于深度学习的地震数据插值处理系统,其特征在于,该系统包括:存储器,存储有计算机可执行指令;处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:步骤1:设置神经网络结构,根据所述神经网络结构,将按道存储的地震数据分解为按采样点存储的采集点地震数据;步骤2:设置神经网络循环次数阈值和误差控制参数;步骤3:根据所述神经网络结构、所述神经网络循环次数阈值和误差控制参数,将所述采集点地震数据输入到所述神经网络结构,以所述采样点的振幅值作为输出的检验数据,获得神经网络插值参数;步骤4:根据所述神经网络插值参数,将缺失数据替代所述采集点地震数据,重复步骤3,获得缺失数据的振幅值,进而获得重建数据。
优选地,所述神经网络结构包括一个输入层、多个中间层与一个输出层。
优选地,所述采集点地震数据包括炮点坐标、检波点坐标、采样时间和振幅值。
优选地,所述缺失数据包括炮点坐标、检波点坐标、采样时间。
优选地,所述步骤3包括:子步骤301:将所述采集点地震数据输入到所述神经网络结构,根据插值参数,获得计算振幅值;子步骤302:判断循环次数是否达到,神经网络循环次数阈值,若是,则以所述插值参数为所述神经网络插值参数,若否,则进行子步骤303;子步骤303:计算所述采样点的振幅值与所述计算振幅值的差值,判断所述差值是否小于所述误差控制参数,若是,则以所述插值参数为所述神经网络插值参数,若否,则调整所述插值参数,重复子步骤301-303。
其有益效果在于:通过深度学习神经网络,对地震数据进行多维插值处理,实现地震数据的重建。面对地震勘探过程中,部分特殊区域无法采集问题,通过神经网络插值处理,获取满足地震勘探需求的数据。利用神经网络插值处理,实现了稀疏采集的数据插值到高密度地震数据的处理效果,降低采集成本,提高经济效益。
本发明的方法和装置具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的基于深度学习的地震数据插值处理方法的步骤的流程图。
图2a和图2b分别示出了根据本发明的一个实施例的缺失数据与重建数据的示意图。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
图1示出了根据本发明的基于深度学习的地震数据插值处理方法的步骤的流程图。
在该实施例中,根据本发明的基于深度学习的地震数据插值处理方法可以包括:步骤1,设置神经网络结构,根据神经网络结构,将按道存储的地震数据分解为按采样点存储的采集点地震数据;步骤2,设置神经网络循环次数阈值和误差控制参数;步骤3,根据神经网络结构、神经网络循环次数阈值和误差控制参数,将采集点地震数据输入到神经网络结构,以采样点的振幅值作为输出的检验数据,获得神经网络插值参数;步骤4,根据神经网络插值参数,将缺失数据替代采集点地震数据,重复步骤3,获得缺失数据的振幅值,进而获得重建数据。
在一个示例中,神经网络结构包括一个输入层、多个中间层与一个输出层。
在一个示例中,采集点地震数据包括炮点坐标、检波点坐标、采样时间和振幅值。
在一个示例中,缺失数据包括炮点坐标、检波点坐标、采样时间。
在一个示例中,步骤3包括:子步骤301:将采集点地震数据输入到神经网络结构,根据插值参数,获得计算振幅值;子步骤302:判断循环次数是否达到,神经网络循环次数阈值,若是,则以插值参数为神经网络插值参数,若否,则进行子步骤303;子步骤303:计算采样点的振幅值与计算振幅值的差值,判断差值是否小于误差控制参数,若是,则以插值参数为神经网络插值参数,若否,则调整插值参数,重复子步骤301-303。
具体地,在地震数据采集过程中,由于复杂情况的限制,导致某些地区无法正常材料,出现采集不完整地区。在地震处理过程中,为了获取完整的地震数据资料,需要通过插值处理进行数据重建。利用神经网络进行数据插值处理过程中,首先选取需要重建区域的周围已经采集到的地震数据,地震数据的选择根据重建区域的大小确定。对选取的地震数据按照采样点进行重构,利用重构后的地震数据对神经网络进行训练。训练完成后,根据采集观测系统设计,确定重建区域地震数据炮点坐标,检波点坐标和采样时间。利用训练后的神经网络,输入重建区域的地震数据信息,计算出对应点的振幅值。重建区域所有采样点的计算后,将计算结果按照地震数据格式输出,完成数据数据的重建处理。
高密度采集可以为后期处理提供更多地震信息,获取更精细的处理结果,但是高密度采集成本高,经济效益差。利用插件处理获取高密度的地震数据可以大幅降低成本,提高经济效益。根据以上神经网络结构,将稀疏采集的地震数据按照采样点进行数据重构,利用重构后的数据对神经网络进行训练,完成训练后。按照高密度采集要求,重新设计高密度采集观测系统,根据观测系统,确定高密度采集的每个采样点基本信息,包括炮点坐标、建波点坐标和采样时间,利用采样点信息输入到训练后的网络模型进行计算,获取高密度采集的地震数据,完成数据加密处理。
宽方位角采集获取的宽方位角地震数据可以提高地震数据处理效果。但是受到勘探区域的复杂情况和采集成本的限制,往往难以实现宽方位角采集。利用插值重建处理获取宽方位角地震数据可以大幅降低成本,提高经济效益。与加密处理过程一致,根据以上神经网络结构,将采集的地震数据按照采样点进行数据重构,利用重构后的数据对神经网络进行训练,完成训练后。按照宽方位地震数据采集要求,重新设计宽方位角采集观测系统,根据观测系统,确定地震数据的每个采样点基本信息,包括炮点坐标、建波点坐标和采样时间,利用采样点信息输入到训练后的网络模型进行计算,获取宽方位角地震数据,完成地震数据的宽方位角重构处理。
根据本发明的基于深度学习的地震数据插值处理方法可以包括:
步骤1:设置神经网络结构,包括一个输入层、多个中间层与一个输出层,根据神经网络结构,将按道存储的地震数据由原始的按道存储的SEGY格式分解为按采样点存储的采集点地震数据,其中,采集点地震数据包括炮点坐标(Sx,Sy)、检波点坐标(Rx,Ry)、采样时间(T)和振幅值,神经网络的训练以采样点为基本单位,输入炮点坐标(Sx,Sy)、检波点坐标(Rx,Ry),采样时间(T)五个参数,输出数据为振幅值。
为提高神经网络的训练效率,在数据地震数据在训练的过程中,将地震数据按一定间隔抽取分组,将分组后的数据输入神经网络进行循环训练,最终完成所有输入数据的训练。
步骤2:根据地震数据的插值需求,设置神经网络的循环次数和误差控制参数。采集不完整地区的插值采取的是周围数据进行训练,插值出去空缺部分的数据,训练数据量小,为了防止过拟合,循环次数可以设置相对小点,误差参数设置相对大。宽方位角和加密采集插值处理在训练的循环次数上设置相对大,误差参数设置相对大。
步骤3包括:子步骤301:将采集点地震数据输入到神经网络结构,根据插值参数,获得计算振幅值;子步骤302:判断循环次数是否达到,神经网络循环次数阈值,若是,则以插值参数为神经网络插值参数,若否,则进行子步骤303;子步骤303:计算采样点的振幅值与计算振幅值的差值,判断差值是否小于误差控制参数,若是,则以插值参数为神经网络插值参数,若否,则调整插值参数,重复子步骤301-303。地震数据在训练的时候,不是按顺序输入,而是间隔一定距离输入一个采样点,依次循环,最终完成所有输入数据的训练,获得神经网络插值参数。
步骤4:根据缺失数据的炮点坐标、检波点坐标、采样时间与神经网络插值参数,重复步骤3,获得缺失数据的振幅值,进而获得重建数据。
本方法通过深度学习神经网络,对地震数据进行多维插值处理,实现地震数据的重建。
应用示例
为便于理解本发明实施例的方案及其效果,以下给出一个具体应用示例。本领域技术人员应理解,该示例仅为了便于理解本发明,其任何具体细节并非意在以任何方式限制本发明。
根据本发明的基于深度学习的地震数据插值处理方法可以包括:
步骤1:设置神经网络结构,包括一个输入层、多个中间层与一个输出层,输入层设置5个节点,用于地震数据信息的输入。中间层的层数根据输入层的节点数设置为5层,每个中间层的节点数与输入地震数据每道的采样点数一致,中间层每层的节点数相同。输出层位一个节点,用于输出地震数据。神经网络为全连接的深度神经网络结构,神经网络节点的激励函数选择ReLU激励函数。
根据神经网络结构,将按道存储的地震数据由原始的按道存储的SEGY格式分解为按采样点存储的采集点地震数据,其中,采集点地震数据包括炮点坐标(Sx,Sy)、检波点坐标(Rx,Ry)、采样时间(T)和振幅值,神经网络的训练以采样点为基本单位,输入炮点坐标(Sx,Sy)、检波点坐标(Rx,Ry),采样时间(T)五个参数,输出数据为振幅值。
为提高神经网络的训练效率,在数据地震数据在训练的过程中,将地震数据按一定间隔抽取分组,将分组后的数据输入神经网络进行循环训练,最终完成所有输入数据的训练。
步骤2:根据地震数据的插值需求,设置神经网络的循环次数和误差控制参数。
步骤3包括:子步骤301:将采集点地震数据输入到神经网络结构,根据插值参数,获得计算振幅值;子步骤302:判断循环次数是否达到,神经网络循环次数阈值,若是,则以插值参数为神经网络插值参数,若否,则进行子步骤303;子步骤303:计算采样点的振幅值与计算振幅值的差值,判断差值是否小于误差控制参数,若是,则以插值参数为神经网络插值参数,若否,则调整插值参数,重复子步骤301-303。地震数据在训练的时候,不是按顺序输入,而是间隔一定距离输入一个采样点,依次循环,最终完成所有输入数据的训练,获得神经网络插值参数。
图2a和图2b分别示出了根据本发明的一个实施例的缺失数据与重建数据的示意图。
步骤4:根据如图2a所示的缺失数据的炮点坐标、检波点坐标、采样时间与神经网络插值参数,重复步骤3,获得缺失数据的振幅值,进而获得重建数据,如图2b所示。
综上所述,本发明通过深度学习神经网络,对地震数据进行多维插值处理,实现地震数据的重建。
本领域技术人员应理解,上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果,并不意在将本发明的实施例限制于所给出的任何示例。
根据本发明的实施例,提供了一种基于深度学习的地震数据插值处理系统,其特征在于,该系统包括:存储器,存储有计算机可执行指令;处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:步骤1,设置神经网络结构,根据神经网络结构,将按道存储的地震数据分解为按采样点存储的采集点地震数据;步骤2,设置神经网络循环次数阈值和误差控制参数;步骤3,根据神经网络结构、神经网络循环次数阈值和误差控制参数,将采集点地震数据输入到神经网络结构,以采样点的振幅值作为输出的检验数据,获得神经网络插值参数;步骤4,根据神经网络插值参数,将缺失数据替代采集点地震数据,重复步骤3,获得缺失数据的振幅值,进而获得重建数据。
在一个示例中,神经网络结构包括一个输入层、多个中间层与一个输出层。
在一个示例中,采集点地震数据包括炮点坐标、检波点坐标、采样时间和振幅值。
在一个示例中,缺失数据包括炮点坐标、检波点坐标、采样时间。
在一个示例中,步骤3包括:子步骤301:将采集点地震数据输入到神经网络结构,根据插值参数,获得计算振幅值;子步骤302:判断循环次数是否达到,神经网络循环次数阈值,若是,则以插值参数为神经网络插值参数,若否,则进行子步骤303;子步骤303:计算采样点的振幅值与计算振幅值的差值,判断差值是否小于误差控制参数,若是,则以插值参数为神经网络插值参数,若否,则调整插值参数,重复子步骤301-303。
本系统通过深度学习神经网络,对地震数据进行多维插值处理,实现地震数据的重建。
本领域技术人员应理解,上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果,并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种基于深度学习的地震数据插值处理方法,其特征在于,包括:
步骤1:设置神经网络结构,根据所述神经网络结构,将按道存储的地震数据分解为按采样点存储的采集点地震数据;
步骤2:设置神经网络循环次数阈值和误差控制参数;
步骤3:根据所述神经网络结构、所述神经网络循环次数阈值和误差控制参数,将所述采集点地震数据输入到所述神经网络结构,以所述采样点的振幅值作为输出的检验数据,获得神经网络插值参数;
步骤4:根据所述神经网络插值参数,将缺失数据替代所述采集点地震数据,重复步骤3,获得缺失数据的振幅值,进而获得重建数据。
2.根据权利要求1所述的基于深度学习的地震数据插值处理方法,其中,所述神经网络结构包括一个输入层、多个中间层与一个输出层。
3.根据权利要求1所述的基于深度学习的地震数据插值处理方法,其中,所述采集点地震数据包括炮点坐标、检波点坐标、采样时间和振幅值。
4.根据权利要求1所述的基于深度学习的地震数据插值处理方法,其中,所述缺失数据包括炮点坐标、检波点坐标、采样时间。
5.根据权利要求1所述的基于深度学习的地震数据插值处理方法,其中,所述步骤3包括:
子步骤301:将所述采集点地震数据输入到所述神经网络结构,根据插值参数,获得计算振幅值;
子步骤302:判断循环次数是否达到,神经网络循环次数阈值,若是,则以所述插值参数为所述神经网络插值参数,若否,则进行子步骤303;
子步骤303:计算所述采样点的振幅值与所述计算振幅值的差值,判断所述差值是否小于所述误差控制参数,若是,则以所述插值参数为所述神经网络插值参数,若否,则调整所述插值参数,重复子步骤301-303。
6.一种基于深度学习的地震数据插值处理系统,其特征在于,该系统包括:
存储器,存储有计算机可执行指令;
处理器,所述处理器运行所述存储器中的计算机可执行指令,执行以下步骤:
步骤1:设置神经网络结构,根据所述神经网络结构,将按道存储的地震数据分解为按采样点存储的采集点地震数据;
步骤2:设置神经网络循环次数阈值和误差控制参数;
步骤3:根据所述神经网络结构、所述神经网络循环次数阈值和误差控制参数,将所述采集点地震数据输入到所述神经网络结构,以所述采样点的振幅值作为输出的检验数据,获得神经网络插值参数;
步骤4:根据所述神经网络插值参数,将缺失数据替代所述采集点地震数据,重复步骤3,获得缺失数据的振幅值,进而获得重建数据。
7.根据权利要求6所述的基于深度学习的地震数据插值处理系统,其中,所述神经网络结构包括一个输入层、多个中间层与一个输出层。
8.根据权利要求6所述的基于深度学习的地震数据插值处理系统,其中,所述采集点地震数据包括炮点坐标、检波点坐标、采样时间和振幅值。
9.根据权利要求6所述的基于深度学习的地震数据插值处理系统,其中,所述缺失数据包括炮点坐标、检波点坐标、采样时间。
10.根据权利要求6所述的基于深度学习的地震数据插值处理系统,其中,所述步骤3包括:
子步骤301:将所述采集点地震数据输入到所述神经网络结构,根据插值参数,获得计算振幅值;
子步骤302:判断循环次数是否达到,神经网络循环次数阈值,若是,则以所述插值参数为所述神经网络插值参数,若否,则进行子步骤303;
子步骤303:计算所述采样点的振幅值与所述计算振幅值的差值,判断所述差值是否小于所述误差控制参数,若是,则以所述插值参数为所述神经网络插值参数,若否,则调整所述插值参数,重复子步骤301-303。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159314.0A CN110967738A (zh) | 2018-09-30 | 2018-09-30 | 基于深度学习的地震数据插值处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811159314.0A CN110967738A (zh) | 2018-09-30 | 2018-09-30 | 基于深度学习的地震数据插值处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110967738A true CN110967738A (zh) | 2020-04-07 |
Family
ID=70028862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811159314.0A Pending CN110967738A (zh) | 2018-09-30 | 2018-09-30 | 基于深度学习的地震数据插值处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110967738A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111551988A (zh) * | 2020-04-23 | 2020-08-18 | 中国地质大学(武汉) | 一种深度学习与预测滤波结合的地震数据反假频插值方法 |
CN112415583A (zh) * | 2020-11-06 | 2021-02-26 | 中国科学院精密测量科学与技术创新研究院 | 地震数据的重建方法、装置、电子设备及可读存储介质 |
CN113945974A (zh) * | 2021-06-10 | 2022-01-18 | 中国矿业大学(北京) | 一种地震数据重建方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5648938A (en) * | 1993-10-06 | 1997-07-15 | Ensign Geophysics Limited | Seismic data acquisition |
CN104536044A (zh) * | 2015-01-16 | 2015-04-22 | 中国石油大学(北京) | 一种地震数据的插值去噪方法以及系统 |
CN105629300A (zh) * | 2015-12-30 | 2016-06-01 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 提高复杂构造偏移数据信噪比的方法 |
CN106199702A (zh) * | 2016-07-19 | 2016-12-07 | 中国地质大学(北京) | 地震数据存储磁带掉磁粉产生的异常振幅压制方法 |
-
2018
- 2018-09-30 CN CN201811159314.0A patent/CN110967738A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5648938A (en) * | 1993-10-06 | 1997-07-15 | Ensign Geophysics Limited | Seismic data acquisition |
CN104536044A (zh) * | 2015-01-16 | 2015-04-22 | 中国石油大学(北京) | 一种地震数据的插值去噪方法以及系统 |
CN105629300A (zh) * | 2015-12-30 | 2016-06-01 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 提高复杂构造偏移数据信噪比的方法 |
CN106199702A (zh) * | 2016-07-19 | 2016-12-07 | 中国地质大学(北京) | 地震数据存储磁带掉磁粉产生的异常振幅压制方法 |
Non-Patent Citations (2)
Title |
---|
A MILHAILIUK等: "deep learning applied to seismic data interpolation", 《80TH EAGE CONFERENCE AND EXHIBITION 2018》 * |
B.F. WANG等: "Seismic Data Interpolation Using Deep Learning Based Residual Networks", 《80TH EAGE CONFERENCE & EXHIBITION 2018》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111551988A (zh) * | 2020-04-23 | 2020-08-18 | 中国地质大学(武汉) | 一种深度学习与预测滤波结合的地震数据反假频插值方法 |
CN111551988B (zh) * | 2020-04-23 | 2021-06-25 | 中国地质大学(武汉) | 一种深度学习与预测滤波结合的地震数据反假频插值方法 |
CN112415583A (zh) * | 2020-11-06 | 2021-02-26 | 中国科学院精密测量科学与技术创新研究院 | 地震数据的重建方法、装置、电子设备及可读存储介质 |
CN113945974A (zh) * | 2021-06-10 | 2022-01-18 | 中国矿业大学(北京) | 一种地震数据重建方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104536044B (zh) | 一种地震数据的插值去噪方法以及系统 | |
CN110967738A (zh) | 基于深度学习的地震数据插值处理方法及系统 | |
CN114839673B (zh) | 多震源高效采集波场分离方法、分离系统及计算机设备 | |
Sonogashira et al. | High-resolution bathymetry by deep-learning-based image superresolution | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
CN115272093B (zh) | 一种基于空间结构信息约束的高光谱图像解混方法 | |
CN113111706B (zh) | 一种面向方位角连续缺失的sar目标特征解缠与识别方法 | |
US6847921B2 (en) | Method for analyzing spatially-varying noise in seismic data using Markov chains | |
CN110363863B (zh) | 一种神经网络的输入数据生成方法和系统 | |
CN116091492B (zh) | 一种图像变化像素级检测方法与系统 | |
CN114296134B (zh) | 一种深度卷积网络地震资料解混方法及系统 | |
CN113743193B (zh) | 一种叠前地震资料线性干扰压制方法及系统 | |
CN116068644A (zh) | 一种利用生成对抗网络提升地震数据分辨率和降噪的方法 | |
CN114236610B (zh) | 基于深度卷积网络先验的迭代地震资料解混方法及系统 | |
CN106226831A (zh) | 一种岩心的孔隙度矩阵反演方法 | |
CN112540408A (zh) | 一种基于深度学习的地震数据静校正处理方法及系统 | |
CN113591740A (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
CN113589364A (zh) | 基于佐布里兹方程约束的地震数据规则化处理方法 | |
CN111368680A (zh) | 基于波原子变换的深度学习抗假频地震数据规则化方法 | |
Jo et al. | Conditioning stratigraphic, rule-Based models with generative adversarial networks: A deepwater lobe, deep learning example | |
CN113721293B (zh) | 一种基于深度学习的多波地震信号人工智能匹配方法 | |
Bazargani et al. | Machine learning-based residual moveout picking | |
Exterkoetter et al. | Petroleum reservoir connectivity patterns reconstruction using deep convolutional generative adversarial networks | |
CN114022631A (zh) | 基于深度卷积生成对抗网络的三维地质模型自动重构方法 | |
Al Ajlouni | Development and evaluation of a digital tool for virtual reconstruction of historic Islamic geometric patterns |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200407 |
|
RJ01 | Rejection of invention patent application after publication |