CN111381275A - 一种地震数据的初至拾取方法和装置 - Google Patents
一种地震数据的初至拾取方法和装置 Download PDFInfo
- Publication number
- CN111381275A CN111381275A CN201911140333.3A CN201911140333A CN111381275A CN 111381275 A CN111381275 A CN 111381275A CN 201911140333 A CN201911140333 A CN 201911140333A CN 111381275 A CN111381275 A CN 111381275A
- Authority
- CN
- China
- Prior art keywords
- semantic
- semantic segmentation
- arrival
- network model
- segmentation 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 174
- 238000012549 training Methods 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 description 13
- 238000002372 labelling Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000013508 migration Methods 0.000 description 6
- 230000005012 migration Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000007723 transport mechanism Effects 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
-
- 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
- G01V2210/66—Subsurface modeling
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
本发明公开了一种地震数据的初至拾取方法,所述方法包括:获取标注过语义分类的多个样本数据,其中,所述语义分类包括背景区域类和有效反射区域类;利用标注过语义分类的样本数据训练语义分割网络模型;利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割,获得语义分类;根据所述语义分类确定初至位置。通过本发明的方案,提高了地震数据初至拾取的精度和效率。
Description
技术领域
本发明涉及地球物理勘探领域,尤指一种地震数据的初至拾取方法和装置。
背景技术
地震数据初至拾取,尤其是大偏移距的初至信息,可用于研究地层结构,对于认识构造演化过程、提高深层勘探能力、改善静校正精度、估算地层各向异性和反演地下弹性参数等,在地震勘探中发挥重大的作用。然而在实际地震勘探中,由于噪声、地层倾角、地表起伏以及干扰波的存在等多种因素的影响,往往不能拾取到准确的初至信息;同时,大偏移距数据的初至拾取需要对震源的激发能量有较高的要求。并且,目前的初至拾取工作大多由人工来完成,对于初至拾取是一件非常费力、需要大量时间的工作。
近年来,许多国内外学者从基于地震数据的瞬时特征和整体特征两个角度研究了不同的自动拾取初至技术,这两个角度都基本趋于成熟,对于信噪比较高的地震数据,能够取得较好的应用效果。但是在实际地震勘探中也会存在一系列的问题,例如:基于地震数据瞬时特征的方法对噪声较为敏感,对于低信噪比的数据难以准确拾取初至;基于地震记录整体特征的方法,这类方法易受到地震道之间相似性等因素的影响,对于复杂地震数据,初至拾取的精度也会受到影响;传统的神经网络方法,虽然能够综合地震数据的瞬时特征和整体特征,但是需要预先提取敏感属性,受人为因素影响较大;总之,现有技术的应用效果会受到地质背景、数据量大小和噪声水平等多种因素的影响,无法准确又高效地拾取地震大数据的初至信息。
因此,针对于地震数据的初至拾取,如何实现一种精度高且效率快的初至拾取方法是亟待解决的问题。
发明内容
为了解决上述技术问题,本发明提供了一种地震数据的初至拾取方法,能够基于深度语义分割网络技术,实现一种精度高且效率快的初至拾取方法。
为了达到本发明目的,本发明提供了一种地震数据的初至拾取方法,所述方法包括:
获取标注过语义分类的多个样本数据,其中,所述语义分类包括背景区域类和有效反射区域类;
利用标注过语义分类的样本数据训练语义分割网络模型;
利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割,获得语义分类;
根据所述语义分类确定初至位置。
一种示例性的实施例中,所述利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割后,方法还包括:
将所述训练好的语义分割网络模型的参数作为语义分割网络模型的初始参数;
利用所述初始参数对待进行初至拾取的其他区域地震数据进行语义分割;其中,所述其他区域的地震数据与所述样本数据位于不同的地理区域。
一种示例性的实施例中,在对样本数据标注语义分类时,将初至波之上的语义分类标注为背景区域,将初至波之下的语义分类标注为有效反射区域。
一种示例性的实施例中,所述语义分割网络模型,包括:输入层、输出层以及以下任意一个或多个层:卷积层、批归一化层和激活层。
一种示例性的实施例中,所述利用标注过语义分类的样本数据训练语义分割网络模型,包括:
51、将标注过语义分类的样本数据作为训练所述语义分割网络模型的输入;
52、利用预设的算法计算出所述样本数据输出的特征;
53、根据所述样本数据输出的特征计算样本数据相对应的语义分类对应的输出概率;
54、根据所述输出概率采用交叉熵函数来计算所述语义分割网络模型输出的分类结果和样本实际分类的误差总和,以获得所述输出层的总误差;
55、采用预设的梯度算法计算所述总误差相对于所有权重的梯度,并用梯度下降法更新各层的权重和参数值;
56、判断当前迭代次数是否达到预设的迭代次数N,当判断结果为是时,结束训练过程;当判断结果为否时,返回步骤51;其中,N为正整数。
为了解决上述问题,本发明还提供了一种地震数据的初至拾取装置,包括:存储器和处理器;
所述存储器,用于保存用于地震数据的初至拾取的程序;
所述处理器,用于读取执行所述用于地震数据的初至拾取的程序,执行如下操作:
获取标注过语义分类的多个样本数据,其中,所述语义分类包括背景区域类和有效反射区域类;
利用标注过语义分类的样本数据训练语义分割网络模型;
利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割,获得语义分类;
根据所述语义分类确定初至位置。
一种示例性的实施例中,所述处理器利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割后,所述处理器,还执行如下操作:
将所述训练好的语义分割网络模型的参数作为语义分割网络模型的初始参数;
利用所述初始参数对待进行初至拾取的其他区域地震数据进行语义分割;其中,所述其他区域的地震数据与所述样本数据位于不同的地理区域。
一种示例性的实施例中,在对样本数据标注语义分类时,将初至波之上的语义分类标注为背景区域,将初至波之下的语义分类标注为有效反射区域。
一种示例性的实施例中,
所述语义分割网络模型,包括:输入层、输出层以及以下任意一个或多个层:卷积层、批归一化层和激活层。
一种示例性的实施例中,所述利用标注过语义分类的样本数据训练语义分割网络模型,包括:
11、将标注过语义分类的样本数据作为训练所述语义分割网络模型的输入;
12、利用预设的算法计算出所述样本数据输出的特征;
13、根据所述样本数据输出的特征计算样本数据相对应的语义分类对应的输出概率;
14、根据所述输出概率采用交叉熵函数来计算所述语义分割网络模型输出的分类结果和样本实际分类的误差总和,以获得所述输出层的总误差;
15、采用预设的梯度算法计算所述总误差相对于所有权重的梯度,并用梯度下降法更新各层的权重和参数值;
16、判断当前迭代次数是否达到预设的迭代次数N,当判断结果为是时,结束训练过程;当判断结果为否时,返回步骤11;其中,N为正整数。
与现有技术相比,本发明公开了一种地震数据的初至拾取方法,所述方法包括:获取标注过语义分类的多个样本数据,其中,所述语义分类包括背景区域类和有效反射区域类;利用标注过语义分类的样本数据训练语义分割网络模型;利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割,获得语义分类;根据所述语义分类确定初至位置。通过本发明的方案,提高了地震数据初至拾取的精度和效率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明实施例的地震数据的初至拾取方法流程图;
图2是本发明实施例的地震数据的初至拾取装置示意图;
图3是本发明实施例一示例的BP模型;
图4a是本发明实施例一示例的标注的单炮地震数据;图4b为对应的单炮地震数据;图4c为单炮地震数据与语义分类的叠合图;
图5是本发明实施例一示例的不同网络深度的语义分割网络预测结果图;
图5a为对应网络深度为2层时中间炮(第101炮)的语义分割网络预测结果;
图5b为对应网络深度为4层时中间炮(第101炮)的语义分割网络预测结果;
图5c为对应网络深度为6层时中间炮(第101炮)的语义分割网络预测结果;
图6是本发明实施例一示例的根据不同网络深度构建的语义分割网络的分割准确度定量评价的结果;
图7是本发明实施例一示例的测试数据的位置图;
图8是本发明实施例一示例的不同训练模型的准确度对比图;
图9是本发明实施例一示例的大数据训练模型的语义分割网络准确度图;
图10是本发明实施例一示例的不同语义分割网络的预测结果对比图;
图11a是本发明实施例一示例的预测工区整体准确度空间分布图;
图11b是本发明实施例一示例的预测工区的每炮准确度统计分布图;
图12本发明实施例一示例的预测工区内五个典型单炮的预测结果图。
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,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是本发明实施例的地震数据的初至拾取的方法流程图。
步骤101.获取标注过语义分类的多个样本数据。
在本实施例中,语义分类包括背景区域类和有效反射区域类。在地震大数据中,将一个炮集数据作为样本数据中的一个样本;可以采用人工标注的方法将每一个炮集数据即样本数据中的数据点划分为两类,一类是背景区域,一类是有效反射区域。针对于样本数据,如果存在道集缺失的单炮数据,可以视为一个样本数据。
一种示例性的实施例中,在对样本数据标注语义分类时,将初至波之上的语义分类标注为背景区域,将初至波之下的语义分类标注为有效反射区域。背景区域与有效反射区域的分割位置即可认为是地震初至的位置。
步骤102.利用标注过语义分类的样本数据训练语义分割网络模型。
在本实施例中,利用步骤101中获取的标注过语义分类的样本数据训练语义分割网络模型。
图像语义分割是将输入的图像中的每个像素分配一个语义类别,以得到像素化的密集分类。语义分割网络属于全卷积神经网络,是基于深度学习方法,在该语义分割网络中对输入的图像每一个采样点进行分类,并获得与输入的图像大小一样的分类输出图像;比如,输出的图像的尺寸,或者是图像纵、横向样点数与输入的图像一样。
一种示例性的实施例中,所述语义分割网络模型,包括:输入层、输出层以及以下任意一个或多个层:卷积层、批归一化层和激活层。
一种示例性的实施例中,所述利用标注过语义分类的样本数据训练语义分割网络模型,具体的实现过程可以包括:
51、将标注过语义分类的样本数据作为训练所述语义分割网络模型的输入;
52、利用预设的算法计算出所述样本数据输出的特征;
53、根据所述样本数据输出的特征计算样本数据相对应的语义分类对应的输出概率;
54、根据所述输出概率采用交叉熵函数来计算所述语义分割网络模型输出的分类结果和样本实际分类的误差总和,以获得所述输出层的总误差;
55、采用预设的梯度算法计算所述总误差相对于所有权重的梯度,并用梯度下降法更新各层的权重和参数值;
56、判断当前迭代次数是否达到预设的迭代次数N,当判断结果为是时,结束训练过程;当判断结果为否时,返回步骤51;其中,N为正整数。
利用标注过语义分类的样本数据训练语义分割网络模型,当样本数据是地震炮集数据时,该具体的训练语义分割网络模型实现过程,也可以是:
步骤1、输入炮集样本数据X和输出Y之间建立映射关系,公式如下:
Y=Net(X;m)
其中,Net(.)代表了语义分割网络的结构,m代表了语义分割网络的参数,该参数包括网络的权重和偏置。其中,语义分割网络主要由编码器和解码器构成。其中,每一个编码器和解码器均由卷积层、批归一化层和激活层组成。每两个编码器后连接一个下采样层,每两个解码器前连接一个上采样层。语义分割网络后可以连接了一个分类器,该分类器能够将最后一个解码器输出的图像的特征Y转化成一个语义分类的概率分布P,用于判断地震大数据波形分类。
语义分割网络中是经过多层卷积和池化进行特征提取,这个过程中会导致输入的图像尺寸变小,为了将通过语义分割网络模型进行语义分割后的图像还原到原图尺寸,采用了每两个编码器后连接一个下采样层,下采样层的主要目的是使得图像符合显示区域的大小,并生成对应图像的缩略图。每两个解码器前连接一个上采样层的主要目的是为了获得更高分辨率的图像。
步骤2、在建立炮集样本数据X和输出Y之间建立映射关系后,采用交叉熵函数来度量语义分割网络的分类结果和真实样本标注的分类的误差Loss,计算误差的公式如下:
Yj=[y1j ... yNj],
Qj=[Q1j ... QNj],
其中,Pij代表了样本中第j个数据点被分成了第i类的概率值,Qij代表了样本中第j个数据点是否属于了第i类的逻辑值;该逻辑值包括1和0;当属于的情况下Qij为1,不属于时为0,N代表了类别的数目,M代表了样本数据点的总数目,Yj代表了输出图像中第j个点的特征,yij代表了输出图像中第j个数据点是否属于了第i类的逻辑值。
通过步骤2根据误差公式计算的损失值更新语义分割网络的参数,再通过多次迭代来减小Loss值,进而优化语义分割参数并最终获得最优语义分割网络模型,该最优的语义分割网络模型作为训练好的语义分割网络模型进行语义分割。
步骤103.利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割,获得语义分类。
在本实施例中,根据步骤102训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割,获得语义分类,语义分类包括背景区域类和有效反射区域类。
步骤104.根据所述语义分类确定初至位置。
在本实施例中,将初至波之上的语义分类标注为背景区域,将初至波之下的语义分类标注为有效反射区域;在进行语义分类后,背景区域类与有效反射区域类的分割位置即可认为是地震初至的位置,即可实现了对地震大数据的初至拾取。
一种示例性的实施例中,将所述训练好的语义分割网络模型的参数作为语义分割网络模型的初始参数;利用所述初始参数对待进行初至拾取的其他区域地震数据进行语义分割;其中,所述其他区域的地震数据与所述样本数据位于不同的地理区域。
针对于语义分割网络属于全卷积神经网络,是基于深度学习方法,该深度学习方法需要满足一个共同假设的前提条件,该前提条件为训练的样本数据和待处理的数据必须从同一特定空间中获得,并且需要具有相同的分布。当分布情况改变时,大多数的统计模型需要使用重新收集的新的训练样本进行重新创建和训练新的模型。基于此,重新收集所需要的训练数据来对模型进行重建。因此,在任务领域之间进行知识的迁移或者迁移学习,是非常重要的步骤。
应用迁移学习首先要定义源域和源任务、目标域和目标任务。其中,选取的源任务与所要解决的目标任务之间存在一定的相关性。这样,在进行目标任务的语义分割网络训练时,可以将源任务训练得到的语义分割网络的所有参数应用的目标网络中,并在目标域中进行训练。
在本实施例中,迁移学习也就是将样本数据训练所得的语义分割网络模型的参数作为另一个区块待进行初至拾取的语义分割网络模型的初始参数,利用该初始参数对待进行初至拾取的其他区域地震数据进行语义分割。例如:根据A地区的F区块的地震样本数据,训练得到的语义分割网络模型M1的参数对A地区的F区块的地震数据进行初至拾取;利用该语义分割网络模型M1的参数作为语义分割网络模型M1的初始参数,可以针对于B地区的G区块进行地震数据进行初至拾取。对于B地区的G区块进行地震数据进行初至拾取的过程为:利用语义分割网络模型M1的初始参数,选择B地区的G区块的地震数据作为样本,继续训练语义分割网络模型M1,获得相对于B地区的G区块的地震数据的较优的语义分割网络模型M1的参数;在获得该较优参数后,对B地区的G区块的地震数据进行初至拾取。
为了解决上述问题,如图2所示,为了解决上述问题,本发明还提供了一种地震数据的初至拾取装置,包括:存储器和处理器;
所述存储器,用于保存用于地震数据的初至拾取的程序;
所述处理器,用于读取执行所述用于地震数据的初至拾取的程序,执行如下操作:
获取标注过语义分类的多个样本数据,其中,所述语义分类包括背景区域类和有效反射区域类;
利用标注过语义分类的样本数据训练语义分割网络模型;
利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割,获得语义分类;
根据所述语义分类确定初至位置。
一种示例性的实施例中,所述处理器利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割后,所述处理器,还执行如下操作:
将所述训练好的语义分割网络模型的参数作为语义分割网络模型的初始参数;
利用所述初始参数对待进行初至拾取的其他区域地震数据进行语义分割;其中,所述其他区域的地震数据与所述样本数据位于不同的地理区域。
一种示例性的实施例中,在对样本数据标注语义分类时,将初至波之上的语义分类标注为背景区域,将初至波之下的语义分类标注为有效反射区域。
一种示例性的实施例中,
所述语义分割网络模型,包括:输入层、输出层以及以下任意一个或多个层:卷积层、批归一化层和激活层。
一种示例性的实施例中,所述利用标注过语义分类的样本数据训练语义分割网络模型,包括:
11、将标注过语义分类的样本数据作为训练所述语义分割网络模型的输入;
12、利用预设的算法计算出所述样本数据输出的特征;
13、根据所述样本数据输出的特征计算样本数据相对应的语义分类对应的输出概率;
14、根据所述输出概率采用交叉熵函数来计算所述语义分割网络模型输出的分类结果和样本实际分类的误差总和,以获得所述输出层的总误差;
15、采用预设的梯度算法计算所述总误差相对于所有权重的梯度,并用梯度下降法更新各层的权重和参数值;
16、判断当前迭代次数是否达到预设的迭代次数N,当判断结果为是时,结束训练过程;当判断结果为否时,返回步骤11;其中,N为正整数。
针对于上述地震数据的初至拾取方法,分别采用一个合成数据和一个实际数据进行测试该方法的技术效果。
针对于合成数据的一个具体示例,具体过程如下:
合成数据的示例中,选择了本领域常用的BP模型(图3)作为测试数据,对基于语义分割网络的分类结果和初至拾取位置准确性进行了分析。具体的实现过程如下:
1.样本数据和测试数据选用了中部的200炮地震数据,这200炮地震数据是通过波动方程模拟获得的,该数据模拟的是海洋环境,单炮地震数据主要包含了直达波和其它有效反射和折射波。
2.把选取的200炮地震数据(每炮地震数据包括360道)拆分成了样本数据(197炮)和测试数据(3炮),该测试数据分布在两端和中间,分别为第1、101和200炮。
3.对197炮样本地震数据进行预处理操作,该预处理操作主要包括滤波、动平衡,通过该预处理可以突出初至波的特征,有利于进行人工解释和197炮样本地震数据进行标注语义分类。
4.对197炮样本地震数据进行语义分类。在该处理中把直达波和非反射区域作为一个语义,反射区域作为另一个语义。每一炮地震数据作为一个样本,并有相应的人工标注语义分类,如图4所示,图4a为人工标注好的地震数据,灰色部分为一个语义,表示直达与非反射区域;黑色部分为另一个语义,表示有效反射区域;图4b为对应的单炮地震数据,图4c为对应的单炮地震数据与语义分类的叠合图。
5.把197个单炮地震数据及语义分类结果作为语义分割网络的输入,用预先创建的语义分割网络进行训练。当训练完成后,获得训练好的语义分割网络。该训练完成的条件是:总体迭代次数达到1000个Epoch或损失函数达到0.02。
在步骤5中,基于不同深度网络学习的语义分割准确度函数随迭代次数的变化情况,如图5所示。从该图可以看出,随着网络深度的增加,语义分割的准确度收敛速度会变慢,即要达到同等的准确度需要更多次的迭代次数。图5a、5b和5c分别对应网络深度为2、4和6层时中间炮(第101炮)的语义分割网络预测结果,图5b对应网络深度为4时中间炮(第101炮)的语义分割网络预测结果最为准确,从图5a对应网络深度为2时中间炮(第101炮)的语义分割网络预测结果可看出,在直达波附近预测有较大语义分割的误差。通过对该三个不同深度的语义分割网络预测结果进行分析,直达波与海底反射在部分区域形态上有相似之处,语义分割网络太浅无法区分反射波与直达波结构特征。图5b对应网络深度为4时中间炮(第101炮)的语义分割网络预测结果最为准确,与精细人工分割的结果基本完全吻合。图5c为深度为6层时中间炮(第101炮)的语义分割网络预测结果,其结果在初至附近要明显差于深度为4时(图5b)的网络分割结果,特别是远偏移距位置,分析该可能原因是网络深度太深,需要训练更多的参数,在相同样本数情况下不容易找到最优解的语义分割网络模型参数。通过上述的对比分析,针对于地震单炮数据进行语义分割不需要采用太深即网络层数太多的语义分割网络模型进行语义分割。
从整体的预测精度来对比分析,图6为根据不同网络深度构建的语义分割网络针对于200炮地震数据进行语义分割的分割准确度定量评价的结果,该200炮地震数据中包含了学习的197炮和预测的3炮。如图6所示,网络深度为4层时的语义分割网络的预测结果整体误差最小,优于深度为2层和6层时语义分割网络的预测结果。
通过该实施例地震数据初至拾取方法,采用了深度学习算法,通过有效波占主导和噪声占主导的语义分类,能够对地震炮集数据中这两类特征进行分类得到地震初至的位置,有效提高了初至拾取的效率和准确度。
针对于实际地震数据的一个具体示例,如图7所示:
1.该实际数据为陆地上某区块的地震资料,该区块的地表有起伏,低速带速度横向变化大,存在较严重静校正问题。
该区块地震数据排列长度为4175米,每个排列检波器个数为168道。每个炮线约有2300炮左右。测试炮线含2779炮。图7为炮点、检波点位置,黑色线为检波线位置,黑色点为典型单炮的位置。该区块地震数据分为了三个区域,包括区1、区2和区3。第一次训练所选地震样本数据为右上框区域(区1),包含炮数为500炮。第二次所选地震样本数据为区1和区2,包含炮数为2279炮。区3为待测试数据,为500炮。图7上标注的位置为三个区域的3个典型的单炮记录,其中shot3位置地表起伏较大,静校正问题最严重。
2.根据合成资料对于语义分割网络模型参数的测试结果,选用4层深度的语义分割网络模型进行了第一次的模型训练和第二次模型训练。第一次地震样本数据的模型训练采用了较少的地震样本数据即区1框内的地震数据。第二次地震样本数据的模型训练采用了较多的地震样本数据(区1和区2),并且用了迁移学习技术,即把第一次训练好的模型参数作为第二次模型训练的初始参数。
3.图8为两次训练的学习函数准确度对比。从图8可以看出,第一次模型训练时(采用区1的地震样本数据),准确度是逐步抬升的。第二次模型训练时(采用区1和区2的地震样本数据),用到了迁移学习技术即把第一次训练好的模型参数作为第二次模型训练的初始参数,初始的准确度就较高。
4.从训练学习函数准确度对比图(图8)可以看出,虽然两次训练学习函数的准确度相似,但在测试区域两个语义分割网络的准确度有很大区别(如图9所示),利用大数据进行训练的语义分割网络得到的语义分割网络进行预测的整体准确度达到了0.95,高于少样本训练的语义分割网络。
图10展示了同一单炮地震数据采用不同的语义分割网络模型的测试结果。测试结果表明采用大数据作为样本进行训练语义分割网络模型能够提高预测的准确度。
5.将第二次训练好的语义分割网络模型测试相邻测线,该相邻测线与样本数据位于为同一工区,共检波线距离为325米,一共包含2273炮。图11a为该区整体准确度空间分布,图11b为每炮准确度统计。从图11a可以看到,整体准确度均在0.86以上,绝大部分数据准确度在0.95以上。查看部分数据的语义分割结果,如图12所示。图12中的a是shot 160的预测分割结果,其准确度为0.92,靠近检波线,单炮数据的两侧较为对称,表明地表较为平坦,静校正问题稍好,语义分割结果准确。图12中的b是shot 651的预测分割结果,其准确度为0.96,稍远离检波线,语义分割结果也较为准确。图12中的c是shot 1249的预测分割结果,其准确度为0.86,为整个工区中准确度最低的预测分割结果,分析该预测结果低的原因是内部反射较弱,与背景语义特征相似,被误认为是背景,但从初至位置来看,其准确度还是较高的。图12中的d是shot 2033的预测分割结果,其准确度为0.97,从图12中的d可以看出该单炮数据的初至特征较为复杂(箭头所示),表明了该区地表特征相比前几炮更复杂,语义分割网络模型在此区域也有较好的地震初至的位置分割效果。图12中的e是shot 2270的预测分割结果,其准确度为0.98,从该图可以看出该地震数据的单炮左右两侧不对称,指示了该炮可能处在陡坡处,通过该语义分割网络进行语义分割在此区域也取得了较好地震初至位置。
通过该实施例,采用的地震数据的初至拾取方法,通过对比分析,采用地震大数据对于模型训练能够得到较好的预测结果。同时,采用的迁移学习技术能提高资料的利用效率,提升了深度网络初至拾取的推广能力。
通过该地震数据的初至拾取方法,可以实现以下的技术效果:
1、语义分割网络模型通过训练,可以自动将地震数据的背景区域类和有效反射区域进行分类,进而获得背景区域类和有效反射区域的分界位置,即初至位置。通过该方法避免了人工提取特征参数造成的偏差,从实验效果来看,该地震数据的初至拾取方法采用深度语义分割网络自动初至拾取,提高了初至拾取的准确率和效率。
2、语义分割网络模型基于卷积网络。卷积网络的褶积过程是分块滑动褶积的,分块考虑了瞬时特性,滑动考虑了整体特征,因此该地震数据的初至拾取方法在输入地震数据同时考虑了地震记录的瞬时特征和整体特征,具有较好的抗噪性,因此,对于处理复杂地震数据的初至拾取预测精度也较高。
3、通过迁移学习方法,提高了语义分割网络模型在不同工区的推广能力,提高了语义分割网络模型训练的收敛速度和语义分割网络模型预测的精度。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (10)
1.一种地震数据的初至拾取方法,其特征在于,所述方法包括:
获取标注过语义分类的多个样本数据,其中,所述语义分类包括背景区域类和有效反射区域类;
利用标注过语义分类的样本数据训练语义分割网络模型;
利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割,获得语义分类;
根据所述语义分类确定初至位置。
2.根据权利要求1所述的地震数据的初至拾取方法,其特征在于,所述利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割后,方法还包括:
将所述训练好的语义分割网络模型的参数作为语义分割网络模型的初始参数;
利用所述初始参数对待进行初至拾取的其他区域地震数据进行语义分割;其中,所述其他区域的地震数据与所述样本数据位于不同的地理区域。
3.根据权利要求1所述的地震数据的初至拾取方法,其特征在于:
在对样本数据标注语义分类时,将初至波之上的语义分类标注为背景区域,将初至波之下的语义分类标注为有效反射区域。
4.根据权利要求1所述的地震数据的初至拾取方法,其特征在于:
所述语义分割网络模型,包括:输入层、输出层以及以下任意一个或多个层:卷积层、批归一化层和激活层。
5.根据权利要求1所述的地震数据的初至拾取方法,其特征在于,所述利用标注过语义分类的样本数据训练语义分割网络模型,包括:
51.将标注过语义分类的样本数据作为训练所述语义分割网络模型的输入;
52.利用预设的算法计算出所述样本数据输出的特征;
53.根据所述样本数据输出的特征计算样本数据相对应的语义分类对应的输出概率;
54.根据所述输出概率采用交叉熵函数来计算所述语义分割网络模型输出的分类结果和样本实际分类的误差总和,以获得所述输出层的总误差;
55.采用预设的梯度算法计算所述总误差相对于所有权重的梯度,并用梯度下降法更新各层的权重和参数值;
56.判断当前迭代次数是否达到预设的迭代次数N,当判断结果为是时,结束训练过程;当判断结果为否时,返回步骤51;其中,N为正整数。
6.一种地震数据的初至拾取装置,所述装置包括:存储器和处理器;其特征在于:
所述存储器,用于保存用于地震数据的初至拾取的程序;
所述处理器,用于读取执行所述用于地震数据的初至拾取的程序,执行如下操作:
获取标注过语义分类的多个样本数据,其中,所述语义分类包括背景区域类和有效反射区域类;
利用标注过语义分类的样本数据训练语义分割网络模型;
利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割,获得语义分类;
根据所述语义分类确定初至位置。
7.根据权利要求6所述的地震数据的初至拾取装置,其特征在于,所述处理器利用训练好的语义分割网络模型对待进行初至拾取的地震数据进行语义分割后,所述处理器,还执行如下操作:
将所述训练好的语义分割网络模型的参数作为语义分割网络模型的初始参数;
利用所述初始参数对待进行初至拾取的其他区域地震数据进行语义分割;其中,所述其他区域的地震数据与所述样本数据位于不同的地理区域。
8.根据权利要求6所述的地震数据的初至拾取装置,其特征在于:
在对样本数据标注语义分类时,将初至波之上的语义分类标注为背景区域,将初至波之下的语义分类标注为有效反射区域。
9.根据权利要求6所述的地震数据的初至拾取装置,其特征在于:
所述语义分割网络模型,包括:输入层、输出层以及以下任意一个或多个层:卷积层、批归一化层和激活层。
10.根据权利要求6所述的地震数据的初至拾取装置,其特征在于,所述利用标注过语义分类的样本数据训练语义分割网络模型,包括:
11.将标注过语义分类的样本数据作为训练所述语义分割网络模型的输入;
12.利用预设的算法计算出所述样本数据输出的特征;
13.根据所述样本数据输出的特征计算样本数据相对应的语义分类对应的输出概率;
14.根据所述输出概率采用交叉熵函数来计算所述语义分割网络模型输出的分类结果和样本实际分类的误差总和,以获得所述输出层的总误差;
15.采用预设的梯度算法计算所述总误差相对于所有权重的梯度,并用梯度下降法更新各层的权重和参数值;
16.判断当前迭代次数是否达到预设的迭代次数N,当判断结果为是时,结束训练过程;当判断结果为否时,返回步骤11;其中,N为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911140333.3A CN111381275A (zh) | 2019-11-20 | 2019-11-20 | 一种地震数据的初至拾取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911140333.3A CN111381275A (zh) | 2019-11-20 | 2019-11-20 | 一种地震数据的初至拾取方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111381275A true CN111381275A (zh) | 2020-07-07 |
Family
ID=71216938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911140333.3A Pending CN111381275A (zh) | 2019-11-20 | 2019-11-20 | 一种地震数据的初至拾取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111381275A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112305588A (zh) * | 2020-09-18 | 2021-02-02 | 中国石油天然气集团有限公司 | 初至波自动拾取方法及装置 |
CN113598810A (zh) * | 2021-07-22 | 2021-11-05 | 暨南大学 | 一种基于分割网络的胎心率基线自动计算方法 |
CN114063148A (zh) * | 2020-07-31 | 2022-02-18 | 中国石油天然气股份有限公司 | 一种基于贝叶斯判别的折射波初至优选方法及系统 |
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 |
CN115294489A (zh) * | 2022-06-22 | 2022-11-04 | 太原理工大学 | 一种灾害视频数据的语义分割方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014164354A1 (en) * | 2013-04-02 | 2014-10-09 | Halliburton Energy Services, Inc. | Anisotropy analysis using direct and reflected arrivals in seismic survey data |
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 |
-
2019
- 2019-11-20 CN CN201911140333.3A patent/CN111381275A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014164354A1 (en) * | 2013-04-02 | 2014-10-09 | Halliburton Energy Services, Inc. | Anisotropy analysis using direct and reflected arrivals in seismic survey data |
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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063148A (zh) * | 2020-07-31 | 2022-02-18 | 中国石油天然气股份有限公司 | 一种基于贝叶斯判别的折射波初至优选方法及系统 |
CN114063148B (zh) * | 2020-07-31 | 2023-09-26 | 中国石油天然气股份有限公司 | 一种基于贝叶斯判别的折射波初至优选方法及系统 |
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 |
CN112305588A (zh) * | 2020-09-18 | 2021-02-02 | 中国石油天然气集团有限公司 | 初至波自动拾取方法及装置 |
CN113598810A (zh) * | 2021-07-22 | 2021-11-05 | 暨南大学 | 一种基于分割网络的胎心率基线自动计算方法 |
CN113598810B (zh) * | 2021-07-22 | 2023-08-15 | 暨南大学 | 一种基于分割网络的胎心率基线自动计算方法 |
CN115294489A (zh) * | 2022-06-22 | 2022-11-04 | 太原理工大学 | 一种灾害视频数据的语义分割方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11320551B2 (en) | Training machine learning systems for seismic interpretation | |
CN111381275A (zh) | 一种地震数据的初至拾取方法和装置 | |
Hu et al. | First-arrival picking with a U-net convolutional network | |
CN110441819B (zh) | 一种基于均值偏移聚类分析的地震初至波自动拾取方法 | |
US8566069B2 (en) | Method for geologically modeling seismic data by trace correlation | |
CN111626993A (zh) | 一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统 | |
CN109001801B (zh) | 基于多次迭代蚁群算法的断层变尺度识别方法 | |
CN112180433B (zh) | 地震初至波拾取方法及装置 | |
CN108226997A (zh) | 一种基于叠前地震数据的地震相划分方法 | |
CN110673208B (zh) | 一种机器学习框架下高维特征约束的初至拾取方法及系统 | |
Zhang et al. | SaltISCG: Interactive salt segmentation method based on CNN and graph cut | |
CN117994240A (zh) | 多尺度二级光学遥感图像条纹噪声智能检测方法及装置 | |
CN114155411A (zh) | 一种弱小目标智能检测识别方法 | |
CN117593601A (zh) | 一种基于深度学习的水尺验潮方法 | |
CN114861515A (zh) | 层速度数据体的计算方法、装置、设备及介质 | |
CN115639605B (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
Lorentzen et al. | Fault mapping of the Gassum Formation reservoir and the Fjerritslev Formation caprock interval at the Stenlille gas storage site using a pre-trained convolutional neural network | |
CN113688901B (zh) | 一种基于膨胀卷积神经网络的储层不连续界线识别方法 | |
Wang et al. | Iterative Gaussian mixture model and multi‐channel attributes for arrival picking in extremely noisy environments | |
CN110646846B (zh) | Vti介质各向异性参数确定方法、装置和设备 | |
CN113592028A (zh) | 多专家分类委员会机器测井流体识别的方法及系统 | |
CN112987091A (zh) | 储层检测方法、装置、电子设备和存储介质 | |
CN116413776A (zh) | 一种地震数据初至波智能拾取方法和相关装置 | |
Lou et al. | Automatic Seismic Fault Interpretation with the Aid of Data-, Physics-, and Math-assisted Synthetic Data Generation | |
CN115047523B (zh) | 一种基于密度聚类算法的地震数据动校正方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200707 |
|
RJ01 | Rejection of invention patent application after publication |