CN111723329B - 一种基于全卷积神经网络的震相特征识别波形反演方法 - Google Patents
一种基于全卷积神经网络的震相特征识别波形反演方法 Download PDFInfo
- Publication number
- CN111723329B CN111723329B CN202010566725.2A CN202010566725A CN111723329B CN 111723329 B CN111723329 B CN 111723329B CN 202010566725 A CN202010566725 A CN 202010566725A CN 111723329 B CN111723329 B CN 111723329B
- Authority
- CN
- China
- Prior art keywords
- waveform
- seismic
- data
- neural network
- convolution neural
- 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 53
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 12
- 208000035126 Facies Diseases 0.000 claims abstract 4
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005314 correlation function Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 10
- 230000000737 periodic effect Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/24—Recording seismic data
- G01V1/247—Digital recording of seismic data, e.g. in acquisition units or nodes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于全卷积神经网络的震相特征识别波形反演方法,包括利用传统的震相筛选方法FLEXWIN初步筛选地震波时间窗口,并手动筛选质量较高的数据作为训练集,搭建全卷积神经网络,并用训练集对其进行训练。利用全卷积神经网络对地震波形数据进行震相识别和窗口划分。比较每个窗口内理论与观测数据的波形相似度,筛选符合拟合条件的波形进行波形反演。本发明通过全卷积神经网络震相特征识别技术,帮助解决波形反演中的波形窗口高效拾取问题并有效改善周期跳跃问题,提高波形反演的收敛速度。
Description
技术领域
本发明涉及勘探地震波形识别技术和深度学习技术,尤其适用于解决波形反演中数据自动拾取的准确度和效率问题。
背景技术
地震波速度建模和反演一直是地球物理的核心问题。而全波形反演(FWI)作为一种高精度的速度建模和反演方法,已成为当前地球物理学,地震学的研究热点之一。它通过拟合观测波形数据和计算数据的所有波形信息来反演,较其它反演方法,能够得到更高分辨率的地下介质构造。全波形反演方法在石油矿产资源勘探,全球尺度结构成像等方面取得了广泛的应用。FWI方法的梯度计算是通过正向传播波场和逆时反向传播伴随波场,并将两个波场进行零时延互相关来实现的。然而波形反演因为非线性强,容易遭受数据周期跳跃(cycle skipping)而产生难以收敛甚至不收敛的问题。周期跳跃问题即观测波形数据和计算数据之间的波场相位差异大于数据周期的1/2,解决办法之一是每次迭代都挑选计算和观测比较接近的数据,随着模型不断提升逐渐加入更多数据参加反演。但是每次迭代都要选取时间窗口,传统方法准确度不高效率低下,成为高精度速度建模的瓶颈。因此,需要在数据筛选方法上对其进行改进,提高FWI的效率。
发明内容
发明目的:为了克服FWI中每次迭代过程中波形窗口筛选的准确度和效率问题,帮助解决周期性跳跃产生的反演收敛慢甚至不收敛的问题。本方法提出一种基于全卷积神经网络高效率自动筛选时间窗口方法。通过深度学习技术提取地震数据震相特征,迅速筛选符合条件的波形数据。该方法采用全卷积神经网络划分勘探地震数据时间窗口,能有效地提高选窗的计算效率。再通过振幅比、互相关系数及互相关走时差比较各个窗口内的观测波形数据与理论波形数据波形相似度,去除发生周期跳跃的数据,缓解周期跳跃和反演不收敛的发生。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于全卷积神经网络的震相特征识别波形反演方法,包括以下步骤:
(1)根据Foothill模型,利用谱元法进行波形正演模拟生成理论波形数据;采用传统的天然地震数据时窗选取FLEXWIN方法建立训练数据集;对该数据集进行手动筛选,去除波形缺失的样本;
(2)搭建全卷积神经网络结构,其输入为归一化后的地震波形数据,输出为对应的窗口标签,有效信号为1,无效信号为0;对训练集进行训练;
(3)将训练后的网络应用于波形反演,反演过程如下:根据初始速度模型,通过谱元法计算波形,利用训练的全卷积神经网络选取有效震相时间窗口;计算每个时间窗口内的理论波形与实际波形的相似度,选择符合条件的波形进行波形反演;在随后的每次迭代中重复上述步骤,重新选择波形数据进行反演。
具体步骤如下:
步骤1,获取实际观测地震记录,作为观测波形数据。获取地震训练数据样本,对地震训练数据样本采用天然地震数据时窗建立训练数据集。搭建全卷积神经网络,全卷积神经网络输入为归一化后的地震波形数据,输出为对应的窗口标签,有效信号为1,无效信号为0,通过训练集对全卷积神经网络进行训练,得到训练好的全卷积神经网络。
步骤2,利用传统方法构建初始速度模型。
步骤3,针对每个震源,获取震源子波,通过近偏移距数据沿初至时间叠加获得。
步骤4,根据实际观测系统设置炮点与检波器位置,基于步骤2获得的速度和步骤3获得震源子波,利用谱元法进行波形正演获得理论波形数据。
步骤5,存储步骤4获得的理论波形数据和正演波场。
步骤6,将观测波形数据和理论波形数据进行预处理。
步骤7,针对预处理后的观测波形数据和理论波形数据,利用训练好的全卷积神经网络选取有效震相的时间窗口。
步骤8,对步骤7中选取的每一个时间窗口内的观测波形数据和理论波形数据进行对比,比较其振幅比、互相关系数和互相关走时差,其公式为:
其中,ΔA为振幅比,T1与T2分别表示波形时窗的起始点与终点,Ad与As分别表示时窗T1至T2内观测数据与理论数据的振幅平方和,d(t)为某个时窗内的观测波形数据,s(t)为某个时窗内的理论波形数据,C(t)为d(t)与s(t)的互相关函数,t表示互相关函数的时间变量,t'表示理论波形时间采样点,假设t=Δt时C(t)函数值最大,C(t)函数值最大为Cds;则该时窗内数据的互相关系数和互相关走时差分别为Cds与Δt;若该时窗内d(t)与s(t)满足以下条件:Cds>0.6,-T/2<Δt<T/2,-1<ΔA<1,则该时窗符合拟合标准,进行下一步波形反演,T表示波形的周期;
步骤9,利用波形残差的逆时翻转构建伴随源函数(Adjoint Source)。不满足步骤8拟合标准的时窗内伴随源设为0,同时,对不连续的波形段两端进行平滑处理。
步骤10,计算逆时反向传播伴随波场,并与步骤4的正演波场进行零时延互相关计算梯度。
步骤11,估计反演更新的步长,步长与梯度的乘积即为模型更新量,通过模型更新量对速度模型进行更新。
步骤12,通过更新的速度模型进行波形正演,计算观测波形数据和理论波形数据的差值,判断目标函数是否收敛。若不收敛,在该更新的速度模型的基础上重复步骤3-12,迭代更新速度模型。若收敛,则该速度模型为最终反演结果,进入步骤14。
步骤14输出最终反演结果。
优选的:步骤2中对训练数据集进行筛选,去除波形缺失的样本。
优选的:步骤1中通过走时层析成像方法或者偏移速度分析方法获得速度。
优选的:步骤6预处理包括去噪、滤波、截取。
本发明相比现有技术,具有以下有益效果:
本发明结合使用深度学习技术和全波形反演技术,一方面深度学习技术可以迅速得到有效震相时间窗口,效率远超传统方法;另一方面通过对比各个时间窗口内的理论波形和实际波形的相似度,排除发生周期跳跃的波形,极大地提高了反演效率,避免反演陷入局部极值。本发明通过全卷积神经网络震相特征识别技术,帮助解决波形反演的周期跳跃问题,提高波形反演的收敛性。
附图说明
图1反演方法流程图;
图2全卷积网络结构图;
图3全卷积网络损失函数曲线;
图4理论地震数据选窗效果图。
图5实际数据选窗效果图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于全卷积神经网络的震相特征识别波形反演方法,如图1所示,在传统的全波形反演流程中加入全卷积神经网络选窗机制,避免周期跳跃的发生,包括以下步骤:
步骤1,获取实际观测地震记录,作为观测波形数据。获取地震训练数据样本,采用传统的天然地震数据时窗选取FLEXWIN方法建立训练数据集,所述训练集采用不同滤波频段进行滤波,保证全卷积神经网络的泛化能力,对训练数据集进行筛选,去除波形缺失的样本。搭建全卷积神经网络,全卷积神经网络输入为归一化后的地震波形数据,输出为对应的窗口标签,有效信号为1,无效信号为0,通过训练集对全卷积神经网络进行训练,得到训练好的全卷积神经网络。
所述全卷积神经网络的交叉熵损失函数H为:
其中,p和q分别代表地震数据预测标签与真实标签,T0为地震数据总长度,t0表示地震波形时间采样点,N表示训练数据采样点个数。
图2为网络结构图(步骤7的细化)。本发明搭建的全卷积神经网络共有38个卷积层,其网络结构如图2(左侧)所示,其中包含7个降采样部分和7个上采样部分。输入的长度为4992,通道数为1,经过降采样之后数据的长度变为2496-1248-624-312-156-78-39,在经过上采样之后数据的长度又变为4992之后输出。FCN网络的batch size设置为32,代表每次向网络输入32个数据样本进行训练。全卷积神经网络采用的是Adam算法,学习率设置为10-4。区别于传统梯度下降法,该算法可以避免损失函数陷入局部最小值,网络训练将会迅速达到收敛。图2(右侧)展示了某条地震记录部分中间层输出结果,该网络有效地提取了其特征信息。最终输出结果为与输入等长的标签,该标签标记了有效震相出现的位置。网络训练次数设置为5000,在完成5000次训练迭代之后,损失函数降到初始值的8%左右,从而网络达到收敛(图3)。
全卷积神经网络输出的标签数值范围为0-1,需要进行一定的预处理获得准确的时间窗口范围。本发明针对输出的标签进行两步处理:设置的标签值的阈值(0.1),高于阈值则视为有效信号的窗口,反之则认为不存在有效信号;设置时间窗口长度的阈值,去除长度小于波形半周期的时窗.
步骤2,构建初始速度模型,一般可通过走时层析成像或者偏移速度分析等方法获得背景速度。
步骤3,针对每个震源,获取震源子波,可通过近偏移距数据沿初至时间叠加获得。
步骤4,根据实际观测系统设置炮点与检波器位置,基于步骤2获得的速度和步骤3震源子波利用谱元法进行波形正演获得的理论波形数据,所述谱元法正演模拟采用弹性波波动方程进行正演模拟。
步骤5,存储步骤4获得的理论波形数据和正演波场。
步骤6,将观测波形数据和理论波形数据进行预处理,如去噪、滤波、截取等。
步骤7,针对预处理后的观测波形数据和理论波形数据,利用训练好的全卷积神经网络选取有效震相的时间窗口,按照时间窗口划分为连续的波形段。
步骤8,对步骤7中选取的每一个波形段内的观测波形数据和理论波形数据进行对比,比较其振幅比、互相关系数和互相关走时差,其公式为:
其中,ΔA为振幅比,T1与T2分别表示波形时窗的起始点与终点,Ad与As分别表示时窗T1至T2内观测数据与理论数据的振幅平方和,d(t)为某个时窗内的观测波形数据,s(t)为某个时窗内的理论波形数据,C(t)为d(t)与s(t)的互相关函数,t表示互相关函数的时间变量,t'表示理论波形时间采样点,假设t=Δt时C(t)函数值最大,C(t)函数值最大为Cds;则该时窗内数据的互相关系数和互相关走时差分别为Cds与Δt;若该时窗内d(t)与s(t)满足以下条件:Cds>0.6,-T/2<Δt<T/2,-1<ΔA<1,则该时窗符合拟合标准,进行下一步波形反演,T表示波形的周期;
步骤9,利用波形残差的逆时翻转构建伴随源函数。不满足步骤8拟合标准的时窗内伴随源设为0,同时,对不连续的波形段两端进行平滑处理。
步骤10,计算逆时反向传播伴随波场,并与步骤4的正演波场进行零时延互相关计算梯度。
步骤11,估计反演更新的步长,步长与梯度的乘积即为模型更新量,通过模型更新量对速度模型进行更新。
步骤12,通过更新的速度模型进行波形正演,计算观测波形数据和理论波形数据的差值,判断目标函数是否收敛。若不收敛,在该更新的速度模型的基础上重复步骤3-12,迭代更新速度模型。若收敛,则该速度模型为最终反演结果,进入步骤14。
步骤14输出最终反演结果。
本发明应用全卷积神经网络选择有效震相时间窗口,得到所有时窗后,比较观测波形数据与理论波形数据的波形相似度,从而去除存在周期跳跃现象的波形数据。
仿真
在本仿真实施例中,通过一条理论地震数据来测试本发明的有效震相时窗选取方法。地震数据如图4a所示,其中主要包括体波与面波信号。图4b为传统的基于STA/LTA能量比FLEXWIN方法拾取的时间窗口。全卷积神经网络预测的时间窗口(图4c)与传统的FLEXWIN方法比较接近。进一步设置标签的阈值(0.1,图4c中虚线),得到所有的初步时间窗口(图4d)。由于中间两个窗口长度小于半周期长度,不进入下一步反演。图4e为全卷积神经网络最终选取的时间窗口,该方法有效地识别出了体波与面波震相信号。
通过实际地震数据和理论地震记录来测试本发明的时窗选取和波形筛选方法。地震数据如图5a所示,为实际观测波形数据和理论波形数据。由于速度模型存在误差,两者之间存在一定程度的不拟合。图5b为全卷积神经网络预测的时间窗口结果。同样地设置标签的长度及大小阈值,得到所有的时间窗口(图5c)。该方法有效地识别出了体波、面波和尾波震相信号。
表1.图5中三个时窗内理论波形与实际波形的互相关系数、互相关走时差和振幅比
编号 | 互相关系数 | 互相关走时差(ms) | 振幅比 |
时窗1 | 0.99 | -12 | 0.50 |
时窗2 | 0.63 | -30 | 0.53 |
时窗3 | 0.58 | 465 | -0.02 |
在该实施例中,表1进一步统计三个时间窗口内波形的相似度(互相关系数,互相关走时差,振幅比)。体波与面波信号相似度较高,未发生周期跳跃现象,均符合波形反演的拟合标准。而尾波信号互相关值较低,波形相似度较低,且互相关时差远大于波形半周期,发生了周期跳跃现象,在波形反演中难以拟合。因此,尾波信号将不进入波形反演。该实施例说明本发明能有效地提取有效震相并对比时窗内波形相似度,避免波形反演中周期跳跃现象。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于全卷积神经网络的震相特征识别波形反演方法,其特征在于,包括以下步骤:
步骤1,获取实际观测地震记录,作为观测波形数据;获取地震训练数据样本,对地震训练数据样本采用天然地震数据时窗建立训练数据集;搭建全卷积神经网络,全卷积神经网络输入为归一化后的地震波形数据,输出为对应的窗口标签,有效信号为1,无效信号为0,通过训练集对全卷积神经网络进行训练,得到训练好的全卷积神经网络;
所述全卷积神经网络的交叉熵损失函数H为:
其中,p和q分别代表地震数据预测标签与真实标签,T0为地震数据总长度,t0表示地震波形时间采样点,N表示训练数据采样点个数;
步骤2,利用传统方法构建初始速度模型;
步骤3,针对每个震源,获取震源子波;
步骤4,根据实际观测系统设置炮点与检波器位置,基于步骤2获得的速度模型和步骤3获得震源子波,利用谱元法进行波形正演获得理论波形数据;
步骤5,存储步骤4获得的理论波形数据和正演波场;
步骤6,将观测波形数据和理论波形数据进行预处理;
步骤7,针对预处理后的观测波形数据和理论波形数据,利用训练好的全卷积神经网络选取有效震相的时间窗口;
步骤8,对步骤7中选取的每一个时间窗口内的观测波形数据和理论波形数据进行对比,比较其振幅比、互相关系数和互相关走时差,其公式为:
其中,ΔA为振幅比,T1与T2分别表示波形时窗的起始点与终点,Ad与As分别表示时窗T1至T2内观测数据与理论数据的振幅平方和,d(t)为某个时窗内的观测波形数据,s(t)为某个时窗内的理论波形数据,C(t)为d(t)与s(t)的互相关函数,t表示互相关函数的时间变量,t'表示理论波形时间采样点,假设t=Δt时C(t)函数值最大,C(t)函数值最大为Cds;则该时窗内数据的互相关系数和互相关走时差分别为Cds与Δt;若该时窗内d(t)与s(t)满足以下条件:Cds>0.6,-T/2<Δt<T/2,-1<ΔA<1,则该时窗符合拟合标准,进行下一步波形反演,T表示波形的周期;
步骤9,利用波形残差的逆时翻转构建伴随源函数,不满足步骤8拟合标准的时窗内伴随源设为0,同时,对不连续的波形段两端进行平滑处理;
步骤10,计算逆时反向传播伴随波场,并与步骤4的正演波场进行零时延互相关计算梯度;
步骤11,估计反演更新的步长,步长与梯度的乘积即为模型更新量,通过模型更新量对速度模型进行更新;
步骤12,通过更新的速度模型进行波形正演,计算观测波形数据和理论波形数据的差值,判断目标函数是否收敛;若不收敛,在该更新的速度模型的基础上重复步骤3-12,迭代更新速度模型;若收敛,则该速度模型为最终反演结果,进入步骤14;
步骤14输出最终反演结果。
2.根据权利要求1所述基于全卷积神经网络的震相特征识别波形反演方法,其特征在于:步骤1中对训练数据集进行筛选,去除波形缺失的样本。
3.根据权利要求2所述基于全卷积神经网络的震相特征识别波形反演方法,其特征在于:步骤2中通过走时层析成像方法或者偏移速度分析方法获得速度。
4.根据权利要求3所述基于全卷积神经网络的震相特征识别波形反演方法,其特征在于:步骤3中震源子波通过近偏移距数据沿初至时间叠加获得。
5.根据权利要求3所述基于全卷积神经网络的震相特征识别波形反演方法,其特征在于:步骤6预处理包括去噪、滤波、截取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566725.2A CN111723329B (zh) | 2020-06-19 | 2020-06-19 | 一种基于全卷积神经网络的震相特征识别波形反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010566725.2A CN111723329B (zh) | 2020-06-19 | 2020-06-19 | 一种基于全卷积神经网络的震相特征识别波形反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723329A CN111723329A (zh) | 2020-09-29 |
CN111723329B true CN111723329B (zh) | 2023-04-07 |
Family
ID=72567774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010566725.2A Active CN111723329B (zh) | 2020-06-19 | 2020-06-19 | 一种基于全卷积神经网络的震相特征识别波形反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723329B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380198B (zh) * | 2020-10-29 | 2022-06-21 | 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 |
CN112733425B (zh) * | 2020-12-10 | 2023-01-03 | 东华理工大学 | 神经网络训练方法、装置、计算机设备及存储介质 |
CN114624770A (zh) * | 2020-12-14 | 2022-06-14 | 中国石油化工股份有限公司 | 基于卷积神经网络的地震面波检测方法 |
CN112925012B (zh) * | 2021-01-26 | 2021-11-09 | 中国矿业大学(北京) | 地震全波形反演方法及装置 |
CN113074813B (zh) * | 2021-03-30 | 2022-07-15 | 青岛青源峰达太赫兹科技有限公司 | 一种太赫兹时域光谱系统及其步长自适应调整方法 |
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 |
CN113625336B (zh) * | 2021-07-16 | 2024-03-26 | 长江大学 | 一种基于全卷积神经网络的地震波阻抗薄层反演方法 |
CN114117906B (zh) * | 2021-11-19 | 2024-05-10 | 山东大学 | 基于观测数据自编码的多尺度无监督地震波速反演方法 |
CN114152980B (zh) * | 2021-12-01 | 2022-06-10 | 中国地震局地球物理研究所 | 一种快速自动化产出震源机制解的方法与装置 |
CN114063153B (zh) * | 2021-12-01 | 2022-06-10 | 中国地震局地球物理研究所 | 一种自动反演震源机制解的方法与装置 |
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 |
Citations (2)
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 |
WO2020123099A2 (en) * | 2018-12-11 | 2020-06-18 | Exxonmobil Upstream Research Company | Automated seismic interpretation-guided inversion |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11462209B2 (en) * | 2018-05-18 | 2022-10-04 | Baidu Usa Llc | Spectrogram to waveform synthesis using convolutional networks |
-
2020
- 2020-06-19 CN CN202010566725.2A patent/CN111723329B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020123099A2 (en) * | 2018-12-11 | 2020-06-18 | Exxonmobil Upstream Research Company | Automated seismic interpretation-guided inversion |
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 |
Non-Patent Citations (1)
Title |
---|
基于深度卷积神经网络的地震数据局部信噪比估计;吕尧等;《地球物理学报》;20200115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111723329A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723329B (zh) | 一种基于全卷积神经网络的震相特征识别波形反演方法 | |
CN108805269B (zh) | 一种基于lstm循环神经网络拾取震相到时的方法 | |
RU2694621C1 (ru) | Способ и устройство для обработки сейсмических данных | |
CN109669212B (zh) | 地震数据处理方法、地层品质因子估算方法与装置 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN105137498A (zh) | 一种基于特征融合的地下目标探测识别系统及方法 | |
CN103399346B (zh) | 一种井震联合初始波阻抗建模方法 | |
CN103954992B (zh) | 一种反褶积方法及装置 | |
CN104122588A (zh) | 基于谱分解提高叠后地震资料分辨率的方法 | |
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 | |
CN113093272A (zh) | 基于卷积编码的时间域全波形反演方法 | |
CN109143331B (zh) | 地震子波提取方法 | |
CN113962244A (zh) | 瑞雷波地震数据噪声去除方法、存储介质及电子设备 | |
CN111368247A (zh) | 基于快速正交字典的稀疏表征正则化叠前avo反演方法 | |
CN111722283B (zh) | 一种地层速度模型建立方法 | |
CN110569728A (zh) | 一种基于字典训练和正交匹配追踪的核信号提取方法 | |
CN115905805A (zh) | 一种基于全局信息判别gan的das数据多尺度噪声消减方法 | |
CN112558159B (zh) | 一种声波测井初至拾取方法 | |
Yang et al. | Automatically extracting surface‐wave group and phase velocity dispersion curves from dispersion spectrograms using a convolutional neural network | |
CN108897039B (zh) | 基于层位控制的dtw多波匹配方法 | |
CN112100906A (zh) | 数据驱动的大尺度密度建模方法、计算设备及存储介质 | |
WO2022188574A1 (zh) | 一种回归任务的深度学习方法和装置 | |
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 | |
CN111856559B (zh) | 基于稀疏贝叶斯学习理论的多道地震谱反演方法及系统 | |
CN111856558B (zh) | 一种地震记录自动增益方法 |
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 |