CN111239802B - 基于地震反射波形和速度谱的深度学习速度建模方法 - Google Patents
基于地震反射波形和速度谱的深度学习速度建模方法 Download PDFInfo
- Publication number
- CN111239802B CN111239802B CN202010058741.0A CN202010058741A CN111239802B CN 111239802 B CN111239802 B CN 111239802B CN 202010058741 A CN202010058741 A CN 202010058741A CN 111239802 B CN111239802 B CN 111239802B
- Authority
- CN
- China
- Prior art keywords
- velocity
- seismic
- model
- data
- neural network
- 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.)
- Expired - Fee Related
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 6
- 239000003208 petroleum Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000003325 tomography Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000036039 immunity Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G01V1/364—Seismic filtering
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地震反射波形和速度谱的深度学习速度建模方法,属于石油地球物理勘探技术领域。本发明包括如下步骤:训练集地震速度模型的生成、训练集数据的生成与处理、深度神经网络架构的搭建、深度神经网络模型的训练、输入数据的准备、地震速度模型的预测。本发明拥有完备的网络架构和深度网络,它仅依赖于大规模的训练数据,并且具备强大的非线性映射能力。本发明可以方便高效地通过深度神经网络,利用地震记录数据和速度谱数据来构建地震速度模型;从理论成果可看出,可以利用地震记录数据对包含训练集特征的地层进行速度建模,且网络模型有一定的抗噪能力。
Description
技术领域
本发明涉及一种基于地震反射波形和速度谱的深度学习速度建模方法,属于石油地球物理勘探技术领域。
背景技术
地震速度建模一直是地震勘探的重要内容,如何快速有效地构建速度模型一直是勘探地震学研究中的热点问题。它不仅影响地震波成像精度,还对结果解释具有指导作用。长期以来,人们建立了多种方法来建立速度模型,以期揭示地球内部的结构和提高地震成像精度。地震速度建模问题从数学的角度可看做是非线性泛函的极小值问题。
近年来国内外许多地震工作者就地震速度建模做了大量研究,形成了多种成熟的建模方法。基于速度谱分析的速度建模方法在油气勘探中最为常用,该方法可以为油田速度建模提供初始速度模型,但由于该方法基于水平层状速度结构假设,导致其对复杂速度难以形成有效建模。常用的复杂速度模型估计方法主要是基于射线理论的走时层析成像(Keiiti等,1976),走时层析逐渐从高频近似的射线理论发展到更精确的波动理论计算走时(Luo等,1991),这类走时层析方法对于速度变化平缓的结构较为适用,但是对于复杂速度结构,走时层析方法在模型速度梯度较大区域的成像效果不佳。为了解决复杂速度结构的建模问题,Tarantola等(1984)提出了波形反演方法,波形反演理论逐渐从理论研究到实际应用,产生了很多的研究分支,主要分为时域波形反演(Chi等,2015)和频域波形反演(Pratt等,2012)。然而,上述速度建模方法强烈依赖于初始模型和先验信息。针对不同的研究区域进行速度建模,不仅要给出符合其地质特征的初始速度模型和先验信息,还要在此基础上进行模型参数的迭代优化,过程繁琐、稳定性低且耗时严重。
随着数据量与数据类型的快速增长和计算能力的逐年迅速提高,近年来机器学习在各个领域的应用研究中日趋火热。另外,随着研究区域的不断扩展和检波器的更新换代,地球物理观测数据呈指数增长,因此发展一种更加高效智能化的速度建模方法迫在眉睫,机器学习为其提供了新的处理工具。陆文凯等(1996)提出了用BP神经网络进行地震反演,在假定反演目标和地震资料之间存在某种非线性映射的情况下,用神经网络逼近反演问题中的正演和反演过程,实现用神经网络自适应地外推测井资料。张繁昌等(2014)通过褶积神经网络进行地震反演,获得比常规稀疏脉冲反演分辨率更高的地层波阻抗剖面。Lewis W等(2017)将深度学习的方法应用在盐丘类地质体速度成像中;Dahlke等(2017)直接从原始地震记录出发利用深度学习预测断层;奚先等(2018)将散射波场的反演成像问题转换为波场各点的二值分类问题,然后训练深度学习模型,确定散射点;Araya-Polo M等(2018)提出了深度学习层析成像的概念,利用深度神经网络在数据空间与模型空间之间直接建立非线性映射关系。
深度学习的解决问题的基本思路是通过神经网络框架对数据空间进行全局搜索,不会受限于先验信息的缺失,避免了初始模型和先验信息准确度的限制,可作为一种速度建模的有力手段。另外,本方法在利用深度神经网络进行地震速度建模的时候,引入了速度谱,提高深度学习地震速度建模的稳定性和准确度。
发明内容
针对现有技术存在的上述缺陷,本发明提出了一种基于地震反射波形和速度谱的深度学习速度建模方法,该方法拥有完备的网络架构和网络深度,它仅依赖于大规模的训练数据,并且具备强大的非线性映射能力;在训练样本集包含足够反映地质模型参数信息的前提下,该方法可以用于从地震数据中提取不同层次、不同尺度的抽象信息;另外,模型参数的确定只需要训练一次,便可对不同地区完成速度建模;并且在利用深度神经网络进行地震速度建模的时候,引入了速度谱,提高深度学习地震速度建模的稳定性和准确度。
本发明所述的基于地震反射波形和速度谱的深度学习速度建模方法,包括如下步骤:
步骤一:训练集地震速度模型的生成:通过伪随机建模机制构建体现反演目标特征的二维理论地震速度模型;
步骤二:训练集数据的生成与处理:对步骤一中得到的所有训练集地震速度模型,通过伪谱法声波正演模拟并行地生成多炮地震数据,然后利用地震记录,生成不同共中心点位置的速度谱,再对训练集地震数据和生成的速度谱分别做归一化,并联合为三维矩阵;
步骤三:深度神经网络架构的搭建:设计一个包含24个卷积层,4个池化层,4个上采样层和1个Dropout层的全卷积神经网络模型;
步骤四:深度神经网络模型的训练:分别将步骤二中得到的表示地震数据和速度谱的三维矩阵与步骤一中对应的表示训练集速度模型的二维矩阵作为步骤三中搭建的全卷积神经网络架构的输入和输出,以对其进行训练,通过迭代优化的方式确定全卷积神经网络的模型参数并保存;
步骤五:输入数据的准备:对实际地震数据进行滤波预处理,然后生成不同共中心的位置的速度谱,再对预处理后的地震数据和生成的速度谱分别做归一化,并联合为三维矩阵;
步骤六:地震速度模型的预测:将步骤五中得到的联合了地震记录和速度谱的三维矩阵输入步骤四中确定模型参数后的全卷积神经网络,输出的结果就是预测得到的地震速度模型。
优选地,所述步骤一中,自由设计并生成各类特征丰富的速度模型,以应对实际情况下复杂多变的地质情况。
优选地,所述步骤二和步骤五中,采用多准则速度谱生成方法,将各类单一准则的速度谱生成方法结合形成优势互补,从而使能量团产生较好的聚焦效果,提高了速度谱的精度;
利用相似系数、叠加能量和方差倒数三个量的乘积作为目标函数,其表达式如下:
式中:H表示多准则速度谱数值,A’、S’与V’则表示对平均振幅A、相似系数S以及方差V做完归一化以后的值,σ表示一个较小的整数,其目的是为了防止分母为零。
优选地,所述步骤四中,在训练全卷积神经网络时,将共炮点集地震记录和地震速度谱联合作为输入数据,其中输入数据的通道数等于共炮点集个数与速度谱数量之和。
优选地,所述步骤四中,多个通道的数据同时输入网络,提高数据冗余度。
优选地,所述步骤四中,多个通道的数据直接输入地震记录使地震记录中蕴涵的速度结构的细节信息得到保留,提高反演模型的精度。
优选地,所述步骤四中,多个通道的数据通过叠加的方式得到的速度谱将地震记录中蕴含的速度的信息进行稀疏化表示,提高深度神经网络稳定性的同时,也提高模型训练时的计算效率,降低深度学习速度建模的任务难度。
本发明的有益效果是:
(1)方便高效的地震速度建模:本发明可以在训练样本集包含足够丰富信息的前提下,利用地震记录对包含训练集特征的地层进行速度建模,且模型参数只需要训练一次,就可以对不同地区完成速度建模,在数据量较大的情况下可以极大提高速度建模的效率;
(2)提高了速度建模的稳定性和准确度:对比了联合使用地震记录和速度谱训练深度神经网络模型和只使用地震数据或只使用速度谱进行训练的测试集结果可以看出,该方法将地震记录和速度谱进行联合,既有较高的速度建模能力和较小的误差,又提高了网络模型的抗噪能力。
附图说明
图1是基于地震反射波形和速度谱的深度学习速度建模的流程图。
图2是利用深度神经网络进行速度建模的示意图。
图3(a)是本发明的理论层状速度模型训练集图。
图3(b)是层状速度模型下通过伪谱法得到的地震记录图。
图3(c)是层状速度模型下得到的速度谱图。
图3(d)是测试速度模型图。
图3(e)是联合地震记录与速度谱进行训练得到的预测模型图。
图3(f)是只用地震数据进行训练得到的预测模型图。
图3(g)是只用速度谱进行训练得到的预测模型图。
图4(a)是联合地震记录与速度谱进行训练得到的预测模型图。
图4(b)是只用地震数据进行训练得到的预测模型图。
图4(c)是只用速度谱进行训练得到的预测模型图。
图5(a)是不同斜率地层倾角速度模型图。
图5(b)是不同输入数据进行训练的深度神经网络预测模型与理论模型的误差对比柱状图。
图6是本方法与传统的速度建模方法效率对比图。
具体实施方式
下面将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。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例1:
本发明提出了一种基于地震反射波形和速度谱的深度学习速度建模方法,该方法拥有完备的网络架构和网络深度,它仅依赖于大规模的训练数据,并且具备强大的非线性映射能力;在训练样本集包含足够反映地质模型参数信息的前提下,该方法可以用于从地震数据中提取不同层次、不同尺度的抽象信息;另外,模型参数的确定只需要训练一次,便可对不同地区完成速度建模;并且在利用深度神经网络进行地震速度建模的时候,引入了速度谱,提高深度学习地震速度建模的稳定性和准确度。
本发明所述的基于地震反射波形和速度谱的深度学习速度建模方法,包括如下步骤:
步骤一:训练集地震速度模型的生成:通过伪随机建模机制构建可以体现反演目标特征的二维理论地震速度模型;
步骤二:训练集数据的生成与处理:对步骤一中得到的所有训练集地震速度模型,通过伪谱法声波正演模拟并行地生成多炮地震数据,然后利用地震记录,生成不同共中心点位置的速度谱,再对训练集地震数据和生成的速度谱分别做归一化,并联合为三维矩阵;
步骤三:深度神经网络架构的搭建:设计一个包含24个卷积层,4个池化层,4个上采样层和1个Dropout层的全卷积神经网络模型,激活函数使用Relu函数;
步骤四:深度神经网络模型的训练:分别将步骤二中得到的表示地震数据和速度谱的三维矩阵与步骤一中对应的表示训练集速度模型的二维矩阵作为步骤三中搭建的全卷积神经网络架构的输入和输出,以对其进行训练,以L2范数作为度量理论模型与预测模型误差的损失函数,通过随机梯度下降法确定全卷积神经网络的模型参数并保存;
步骤五:输入数据的准备:对实际地震数据进行滤波等预处理,然后生成不同共中心的位置的速度谱,再对预处理后的地震数据和生成的速度谱分别做归一化,并联合为三维矩阵;
步骤六:地震速度模型的预测:将步骤五中得到的联合了地震记录和速度谱的三维矩阵输入步骤四中确定模型参数后的全卷积神经网络,输出的结果就是预测得到的地震速度模型。
实施例2:
下面以层状速度模型为例对本发明的效果及可靠性作进一步说明。
图3(a)为生成的理论层状速度模型集中的9个例子。这些速度模型的空间大小相同,均为3.2km×2.96km。它们的第一个地层界面的倾角、形状和位置有所不同,第二个地层界面均为在2.56km处的水平界面,地层速度自上而下分别为2km/s、3.5km/s和5km/s。这里设计第三层速度模型是为了速度谱中包含第二层速度的信息,因此在之后的速度模型预测时,不对第三层速度进行预测。设置炮间距为200m的15个炮点和道间距为20m的160个检波点。
图3(b)为图3(a)中第二排第一列的速度模型下通过伪谱法得到的15个共炮点集地震记录中的5个例子,时间长度为3.2s,将雷克子波作为震源子波,雷克子波的主频为20Hz。
图3(c)是利用地震记录生成的13个速度谱中的5个例子。先对生成好的共炮点地震记录进行抽道集,沿模型x轴方向从0.4km作为第一个共中心点位置,到2.8km每隔200m确定一个共中心点位置进行抽道,抽完道集后总共得到13个共中心点道集。速度谱的速度范围在1.95km/s到3.55km/s之间。这里将生成的所有的速度模型作为训练集,以它们归一化后的地震记录和速度谱联合作为输入,并将对应的速度模型的上面两个地层的速度归一化后作为输出,用于训练全卷积神经网络模型。将训练后的深度神经网络模型参数进行存储。
图3(d)是用于测试的速度模型。将该模型正演得到的归一化后的地震记录和由地震记录生成的速度谱联合输入到训练好的全卷积神经网络模型中,就可以得到图3(e)所示的预测模型。从预测模型的结果可以看出,联合地震记录和速度谱可以很好的对地层的形态、位置和速度进行预测。如果在训练深度神经网络模型时,只将归一化后的地震数据或只将归一化后的速度谱作为输入,那么对图3(d)的预测结果就分别为图3(f)和图3(g)。
下面,模拟实际情况进行测试。
实际情况下得到的地震数据的信噪比远远高于正演模拟得到的地震记录。因此,在图3(d)中的速度模型正演得到的地震记录加入噪音,来模拟实际地震记录。将加噪后的地震记录和由其生成的速度谱分别归一化后,联合输入训练好的深度神经网络模型中,就可以得到图4(a)所示的预测模型。图4(b)为只将归一化后的地震数据输入只用地震数据进行训练的深度神经网络得到的预测模型。图4(c)为只将归一化后的速度谱输入只用速度谱进行训练的深度神经网络得到的预测模型。从图4(a)(b)(c)可以看出只用速度谱进行训练时,深度神经网络的抗噪能力最强;只用地震数据进行训练时,深度神经网络的抗噪能力最弱。而联合使用地震数据和速度谱时,深度神经网络也有较强的抗噪能力。
然后将图5(a)中所示的10个拥有不同斜率地层的速度模型作为测试集,分别用联合地震数据与速度谱训练的深度神经网络模型和只用地震数据或只用速度谱训练的深度神经网络模型进行预测。预测结果与理论模型之间的方差和误差柱状图如图5(b)所示。对比柱状图可以看出,只使用速度谱进行训练时,深度神经网络的预测能力最弱,误差最大;只使用地震数据进行训练时,深度神经网络的预测能力最强。而联合使用地震数据和速度谱时,深度神经网络的预测能力也较强。
图6是在速度模型网格数量相同的情况下,本方法与传统的层析速度建模方法的效率对比图。其中横轴代表建立的地震速度模型的数量,纵轴代表速度建模所用的时间。虚线是传统的层析速度建模,实线是本方法所使用的基于地震反射波形和速度谱的深度学习速度建模。可以看出虽然在建模数量较少时,传统方法所用的时间较少,但是随着建模数量的增多,本方法的效率优势就逐渐体现出来。这是由于本方法在速度建模的时间主要花费在利用训练集数据训练深度神经网络模型参数上,因此在确定了网络参数之后,只需将地震数据及速度谱经简单处理后输入训练好的网络之中,就可以对地震速度模型进行建立。这在地震速度建模数据量较大时十分高效。
综上所示,本发明提出了一种联合利用地震反射波形和速度谱,并使用深度神经网络进行高效的地震速度建模的方法,该方法拥有完备的网络架构和深度网络,它仅依赖于大规模的训练数据,并且具备强大的非线性映射能力。在训练样本集包含足够丰富信息的前提下,该方法可以揭示出地震数据不同层次的抽象信息;模型参数只需要训练一次,便可对不同地区完成速度建模,对于大量数据情况具有计算高效的特点。
本发明可以方便高效地通过深度神经网络,利用地震记录数据和速度谱数据来构建地震速度模型;从理论成果可看出,可以利用地震记录数据对包含训练集特征的地层进行速度建模,且网络模型有一定的抗噪能力。
本发明可广泛运用于石油地球物理勘探场合。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于地震反射波形和速度谱的深度学习速度建模方法,其特征在于,包括如下步骤:
步骤一:训练集地震速度模型的生成:通过伪随机建模机制构建体现反演目标特征的二维理论地震速度模型;
步骤二:训练集数据的生成与处理:对步骤一中得到的所有训练集地震速度模型,通过伪谱法声波正演模拟并行地生成多炮地震数据,然后利用地震记录,生成不同共中心点位置的速度谱,再对训练集地震数据和生成的速度谱分别做归一化,并联合为三维矩阵;
步骤三:深度神经网络架构的搭建:设计一个包含24个卷积层,4个池化层,4个上采样层和1个Dropout层的全卷积神经网络模型;
步骤四:深度神经网络模型的训练:将步骤二中得到的表示地震数据和速度谱的三维矩阵与步骤一中对应的表示训练集地震速度模型的二维矩阵分别作为步骤三中搭建的全卷积神经网络架构的输入和输出,以对其进行训练,通过迭代优化的方式确定全卷积神经网络的模型参数并保存;
步骤五:输入数据的准备:对实际地震数据进行滤波预处理,然后生成不同共中心的位置的速度谱,再对预处理后的地震数据和生成的速度谱分别做归一化,并联合为三维矩阵;
步骤六:地震速度模型的预测:将步骤五中得到的联合了地震记录和速度谱的三维矩阵输入步骤四中确定模型参数后的全卷积神经网络,输出的结果就是预测得到的地震速度模型。
2.根据权利要求1所述的基于地震反射波形和速度谱的深度学习速度建模方法,其特征在于,所述步骤一中,自由设计并生成各类特征丰富的速度模型,以应对实际情况下复杂多变的地质情况。
4.根据权利要求1所述的基于地震反射波形和速度谱的深度学习速度建模方法,其特征在于,所述步骤四中,在训练全卷积神经网络时,将共炮点集地震记录和地震速度谱联合作为输入数据,其中输入数据的通道数等于共炮点集个数与速度谱数量之和。
5.根据权利要求4所述的基于地震反射波形和速度谱的深度学习速度建模方法,其特征在于,所述步骤四中,多个通道的数据同时输入网络,提高数据冗余度。
6.根据权利要求5所述的基于地震反射波形和速度谱的深度学习速度建模方法,其特征在于,所述步骤四中,多个通道的数据直接输入地震记录使地震记录中蕴涵的速度结构的细节信息得到保留,提高反演模型的精度。
7.根据权利要求5所述的基于地震反射波形和速度谱的深度学习速度建模方法,其特征在于,所述步骤四中,多个通道的数据通过叠加的方式得到的速度谱将地震记录中蕴含的速度的信息进行稀疏化表示,提高深度神经网络稳定性的同时,也提高模型训练时的计算效率,降低深度学习速度建模的任务难度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010058741.0A CN111239802B (zh) | 2020-01-19 | 2020-01-19 | 基于地震反射波形和速度谱的深度学习速度建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010058741.0A CN111239802B (zh) | 2020-01-19 | 2020-01-19 | 基于地震反射波形和速度谱的深度学习速度建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111239802A CN111239802A (zh) | 2020-06-05 |
CN111239802B true CN111239802B (zh) | 2021-05-28 |
Family
ID=70865572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010058741.0A Expired - Fee Related CN111239802B (zh) | 2020-01-19 | 2020-01-19 | 基于地震反射波形和速度谱的深度学习速度建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111239802B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723329B (zh) * | 2020-06-19 | 2023-04-07 | 南京大学 | 一种基于全卷积神经网络的震相特征识别波形反演方法 |
CN111596366B (zh) * | 2020-06-24 | 2021-07-30 | 厦门大学 | 一种基于地震信号优化处理的波阻抗反演方法 |
CN112034512B (zh) * | 2020-09-02 | 2023-03-14 | 中海石油(中国)有限公司 | 基于深度学习模型的地震数据不连续性检测方法和系统 |
CN112285776B (zh) * | 2020-10-23 | 2021-07-13 | 中国矿业大学(北京) | 一种基于深度学习的地震速度自动拾取方法 |
CN112733449B (zh) * | 2021-01-11 | 2022-12-02 | 中国海洋大学 | 一种cnn井震联合反演方法、系统、存储介质、设备及应用 |
US11782183B2 (en) | 2021-04-26 | 2023-10-10 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Magnetotelluric inversion method based on fully convolutional neural network |
CN113158571B (zh) * | 2021-04-26 | 2022-04-15 | 中国科学院地质与地球物理研究所 | 一种基于全卷积神经网络的大地电磁反演方法 |
CN113406695B (zh) * | 2021-05-31 | 2022-12-13 | 长江大学 | 基于层速度地震地质模型的地震反演方法及系统 |
CN113514881A (zh) * | 2021-06-01 | 2021-10-19 | 中国科学技术大学 | 一种基于二维或三维vsp数据预测速度模型的方法 |
CN113341461B (zh) * | 2021-06-10 | 2023-09-01 | 中国石油大学(北京) | 地震速度预测方法、装置及服务器 |
CN113740903B (zh) * | 2021-08-27 | 2022-12-09 | 西安交通大学 | 数据与智能优化双驱动的深度学习地震波阻抗反演方法 |
CN113820749A (zh) * | 2021-09-24 | 2021-12-21 | 吉林大学 | 一种基于机器学习的地震数据速度场异常反演方法 |
CN114063169B (zh) * | 2021-11-10 | 2023-03-14 | 中国石油大学(北京) | 一种波阻抗反演方法、系统、设备和存储介质 |
CN114609668B (zh) * | 2022-03-11 | 2023-09-19 | 西安交通大学 | 一种基于散射变换和神经网络的优质储层识别方法、装置、设备及存储介质 |
CN114706119B (zh) * | 2022-04-06 | 2022-09-02 | 中国科学院地质与地球物理研究所 | 基于卷积神经网络深度学习的反射波形反演方法和系统 |
CN115826039B (zh) * | 2022-11-09 | 2023-07-14 | 中国地质科学院 | 一种时间切片分类模型训练方法、系统及应用方法、系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6654730B1 (en) * | 1999-12-28 | 2003-11-25 | Fuji Xerox Co., Ltd. | Neural network arithmetic apparatus and neutral network operation method |
MXPA03002084A (es) * | 2000-09-11 | 2004-09-10 | Westerngeco Llc | Prediccion de red neural de forma de faja sismica. |
KR20150035633A (ko) * | 2013-09-27 | 2015-04-07 | 한국전력공사 | 지진측정장치 및 지진측정방법 |
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 |
CN110471111A (zh) * | 2019-09-06 | 2019-11-19 | 中国海洋大学 | 一种基于卷积神经网络的速度谱自动拾取方法 |
-
2020
- 2020-01-19 CN CN202010058741.0A patent/CN111239802B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6654730B1 (en) * | 1999-12-28 | 2003-11-25 | Fuji Xerox Co., Ltd. | Neural network arithmetic apparatus and neutral network operation method |
MXPA03002084A (es) * | 2000-09-11 | 2004-09-10 | Westerngeco Llc | Prediccion de red neural de forma de faja sismica. |
KR20150035633A (ko) * | 2013-09-27 | 2015-04-07 | 한국전력공사 | 지진측정장치 및 지진측정방법 |
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 |
CN110471111A (zh) * | 2019-09-06 | 2019-11-19 | 中国海洋大学 | 一种基于卷积神经网络的速度谱自动拾取方法 |
Non-Patent Citations (2)
Title |
---|
Automatic Velocity Model Estimation with Damped Reflection Seismic Waveform;Aifei Bian et al.;《SEG Denver 2010 Annual Meeting》;20101231;第2784-2788页 * |
基于深度学习的地震速度谱自动拾取方法;张昊等;《石油物探》;20190930;第58卷(第5期);第1508-1512页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111239802A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CA3122509C (en) | Machine learning-augmented geophysical inversion | |
CN113759425B (zh) | 井震联合评价深层古岩溶储层充填特征的方法与系统 | |
CN110133715B (zh) | 一种基于初至时差和波形叠加的微地震震源定位方法 | |
CN113759424B (zh) | 基于频谱分解和机器学习的岩溶储层充填分析方法和系统 | |
CN107831542B (zh) | Ddw高精度深度域井震匹配方法 | |
CN105319589B (zh) | 一种利用局部同相轴斜率的全自动立体层析反演方法 | |
CN106526674A (zh) | 一种三维全波形反演能量加权梯度预处理方法 | |
WO2012139082A1 (en) | Event selection in the image domain | |
CN111025387B (zh) | 一种页岩储层的叠前地震多参数反演方法 | |
CN101487898A (zh) | 采用纵波地震勘探叠后资料进行油气水识别的方法 | |
CN112883564A (zh) | 一种基于随机森林的水体温度预测方法及预测系统 | |
CN106932824A (zh) | 陆地地震勘探资料的降维自适应层间多次波压制方法 | |
Araya-Polo et al. | Fast and accurate seismic tomography via deep learning | |
CN110895348B (zh) | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 | |
CN109001813A (zh) | 一种压制多次波的方法、装置及系统 | |
Wang et al. | Seismic velocity inversion transformer | |
CN104237937A (zh) | 叠前地震反演方法及其系统 | |
Mousavi et al. | Applications of deep neural networks in exploration seismology: A technical survey | |
CN110007340A (zh) | 基于角度域直接包络反演的盐丘速度密度估计方法 | |
CN116047583A (zh) | 基于深度卷积神经网络的自适应波阻抗反演方法及系统 | |
He et al. | Enhancing seismic p-wave arrival picking by target-oriented detection of the local windows using faster-rcnn | |
Sun et al. | Intelligent ava inversion using a convolution neural network trained with pseudo-well datasets | |
RU2011148308A (ru) | Способ комплексной обработки геофизических данных и технологическая система "литоскан" для его осуществления | |
CN110554427B (zh) | 一种基于地震波形正演的岩性组合预测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210528 |
|
CF01 | Termination of patent right due to non-payment of annual fee |