CN111948711B - 一种利用深度学习法提取地震数据低频部分的方法和系统 - Google Patents
一种利用深度学习法提取地震数据低频部分的方法和系统 Download PDFInfo
- Publication number
- CN111948711B CN111948711B CN202010782424.3A CN202010782424A CN111948711B CN 111948711 B CN111948711 B CN 111948711B CN 202010782424 A CN202010782424 A CN 202010782424A CN 111948711 B CN111948711 B CN 111948711B
- Authority
- CN
- China
- Prior art keywords
- deep learning
- seismic
- low
- model
- frequency
- 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 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 abstract description 8
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method 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
- G01V1/36—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
本发明属于地震信号处理技术领域,涉及一种利用深度学习法提取地震数据低频部分的方法和系统,包括以下步骤:S1通过对预训练的地震波信号进行模拟,生成正演地震数据,利用正演地震数据形成训练数据集;S2建立初始深度学习模型,并通过训练数据集对初始深度学习模型进行训练,获得最终的深度学习模型,深度学习模型用于提取地震波信号低频部分的特征图;S3将待提取地震波信号带入最终的深度学习模型,并对待提取地震波信号的低频部分进行提取。其利用深度学习模型,从高频信息中提取、恢复低频信息,其获取的低频信息准确性高,对仪器和信号处理水平要求不是特别高,降低了低频信息的采集成本。
Description
技术领域
本发明涉及一种利用深度学习法提取地震数据低频部分的方法和系统,属于地震信号处理技术领域。
背景技术
近些年,地震勘探迎来了一个新的时代,“两宽一高”(宽频带、宽方位、高密度)不仅仅是地震数据采集环节的质量要求,也是后续处理及解释流程中必备的质控标准。目的就是获得更高质量、更多维度的原始地震资料,并把这些丰富的信息应用的储层预测、井位部署及开发环节中。
宽频带,指地震数据具有更高的高频和更低的低频成份,其中低频成份尤为重要。地震波在地下传播时候,由于高频信息更容易吸收和衰减,所以低频信息携带着更深地层的信息;低频信息可以为反演提供更准确的低频模型,打破依赖井插值获得低频模型的传统方法,尤其在探区井少且勘探目标为非均质储层条件下,低频信息建立的模型尤为重要;根据倍频程的公式,地震低频信息的丰富可以较高频信息更显著的增加倍频程,从而提高地震数据的分辨能力;从无线电发射角度讲,高频信息是低频信息的载波,大地滤波类似于“解调”过程,保留下来的低频信息是保证地震数据反演结果接近真实解的保证。
获得低频信息一是靠地震采集系统升级,即从震源激发、接收器接收到信号中提取,并处理低频信息的能力,但实际上难以实现,比如海上拖缆地震数据,仪器设备存在低频截断,超低频的地震数据是无法记录的,即便是记录下来,海上超低频的噪音尤为严重,3Hz以下的信号也很难被利用起来。获得低频信息的另一种方式就是通过信号处理方式,比如拖缆地震数据的鬼波压制、谱白化及求取包络等手段。就目前技术水平而言,海上数据鬼波压制很难获得被仪器设备截断的低频信息;而谱白化仅仅是一个“纯振幅”的滤波过程,可信度低。
发明内容
针对上述问题,本发明的目的是提供一种利用深度学习法提取地震数据低频部分的方法和系统,其利用深度学习模型,从高频信息中提取、恢复低频信息,其获取的低频信息准确性高,对仪器和信号处理水平要求不是特别高,降低了低频信息的采集成本。
为实现上述目的,本发明采取以下技术方案:一种利用深度学习法提取地震数据低频部分的方法,包括以下步骤:S1通过对预训练的地震波信号进行数值模拟,生成正演地震数据,利用正演地震数据形成训练数据集;S2建立初始深度学习模型,并通过训练数据集对初始深度学习模型进行训练,获得最终的深度学习模型,深度学习模型用于提取地震波信号低频部分的特征图;S3将待提取地震波信号带入最终的深度学习模型,并对待提取地震波信号的低频部分进行提取。
进一步,预训练的地震波信号通过选择速度模型和子波波形进行正演模拟。
进一步,若速度模型为海上模型,则海上模型边界条件采用吸收边界条件;子波采用宽频Yu氏子波。
进一步,正演地震数据通过高通滤波生成样本集合;通过低通滤波生成标签集合,样本集合和标签集合共同组成训练数据集。
进一步,对训练数据集和待提取地震波信号进行标准化处理,标准化处理包括L2范数标准化、极大极小标准化和z-score标准化中的至少一种。
进一步,深度学习模型为卷积神经网络模型,训练数据集中数据以及待提取地震波信号均以图片形式输入卷积神经网络模型。
进一步,卷积神经网络模型包括23层卷积层、5层下采样层、5层反卷积层和5个跳连接,卷积层采用Relu激励函数,输出采用线性激励函数,loss函数为L2范数最小。
进一步,所待提取地震波信号包括从待测区域实时采集的地震波信号和Marmousi模型数据高频部分。
进一步,对于Marmousi模型数据高频部分,将其带入所述最终的深度学习模型,并对所述待提取地震波信号的低频部分进行提取,将所述低频部分提取的图片和经过标准化的Marmousi模型数据高频部分的图片合并,生成一组合图,对所述组合图进行全波形反演,得到全频带地震波反演图像。
本发明还公开了一种利用深度学习法提取地震数据低频部分的系统,包括:数据集形成模块,用于通过对预训练的地震波信号进行模拟,生成正演地震数据,利用正演地震数据形成训练数据集;模型训练模块,用于建立初始深度学习模型,并通过训练数据集对初始深度学习模型进行训练,获得最终的深度学习模型,深度学习模型用于提取地震波信号低频部分的特征图;低频提取模块,用于将待提取地震波信号带入最终的深度学习模型,并对待提取地震波信号的低频部分进行提取。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明提出利用宽频子波模拟合成地震数据制作训练数据,解决了深度学习解决训练深度学习网络缺乏标签数据的问题。
2、本发明提出利用卷积神经网络进行深度学习具有几点优势:卷积神经网络减少了训练中的权重和偏置参数个数;卷积神经网络采用图像模式输入可以兼顾到地震数据的横向结构特征;卷积神经网络对输入数据没有尺寸限制,方便推广应用。
3、本发明是利用深度学习网络从地震波信号中提取低频信号,所以其输入炮集数据不受是否存在鬼波的影响,且待测工区并不一定要与模型训练时的工区一致;
4、本发明获得的低频数据可用到地震数据成像和反演中,提升了地震数据成像精度和反演稳定性、可靠性。
附图说明
图1是本发明一实施例中宽频Yu氏子波的图像,图1(a)为宽频Yu氏子波的波形图和图1(b)为宽频Yu氏子波的振幅谱;
图2是本发明一实施例中经过标准化处理后获得的训练数据集图片;
图3是本发明一实施例中卷积神经网络模型的结构示意图;
图4是本发明一实施例中待测区域采集的地震波信号的低频部分图片;
图5是本发明一实施例中Marmousi模型数据高频部分图片;
图6是本发明一实施例中经过标准化处理的Marmousi模型数据高频部分图片;
图7是本发明一实施例中从Marmousi模型数据高频部分图片中提取的低频部分图片;
图8是本发明一实施例中由图6经过全波形反演获得的图片;
图9是本发明一实施例中由图7经过全波形反演获得的图片;
图10是本发明一实施例中将图6和图7进行合并获得的组合图;
图11是本发明一实施例中由图10经过全波形反演获得的图片。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向,通过具体实施例对本发明进行详细的描绘。然而应当理解,具体实施方式的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
实施例一
本实施例公开了一种利用深度学习法提取地震数据低频部分的方法,包括以下步骤:
S1通过对预训练的地震波信号进行模拟,生成正演地震数据,利用正演地震数据形成训练数据集。
预训练的地震波信号通过选择速度模型和子波波形进行正演模拟,通常采用有限差分方法。速度模型包括实际地下模型和地球物理领域经典速度模型,如Marmousi模型。速度模型可以来自于海上模型也可以来自于陆上模型。若速度模型为海上模型,则海上模型边界条件采用吸收边界条件,以防止鬼波对低频成份的压制。子波采用宽频Yu氏子波,其中子波的参数P和Q分别为1和20。宽频Yu氏子波的具体图像如图1所示,图1(a)为宽频Yu氏子波的波形图和图1(b)为宽频Yu氏子波的振幅谱。
正演地震数据通过参数为3,6,20,30的高通滤波器进行高通滤波,得到只有3Hz以上的地震数据,作为样本集合。正演地震数据通过参数为0,0,3,6的低通滤波器进行低通滤波,得到6Hz以下的地震数据,作为标签集合。样本集合和标签集合共同组成训练数据集。
对训练数据集和待测区域实时提取的地震波信号进行标准化处理,标准化处理包括L2范数标准化、极大极小标准化和z-score标准化中的至少一种,经过标准化处理后获得的训练数据集图片如图2所示。
S2建立初始深度学习模型,并通过训练数据集对初始深度学习模型进行训练,获得最终的深度学习模型,深度学习模型用于提取地震波信号低频部分的特征图。
如图3所示,深度学习模型为卷积神经网络模型,训练数据集中数据以及待提取地震波信号均以图片形式输入卷积神经网络模型。卷积神经网络模型包括23层卷积层、5层下采样层、5层反卷积层和5个跳连接,卷积层采用Relu激励函数,输出采用线性激励函数,loss函数为L2范数最小。卷积神经网络为对称网络,输出数据尺寸和输入大小一致。
训练该卷积神经网络模型,输入训练数据集,将输入图像大小设为512*512,初始学习率选择0.0005,学习率衰减率为0.02,学习次数300,训练完成后保存模型参数,该模型即为最终的卷积神经网络模型。
S3将从待测区域实时采集的地震波信号带入最终的深度学习模型,并对待测区域采集的地震波信号的低频部分进行提取,提取的地震波信号的低频部分图片如图4所示。
实施例二
基于相同的发明构思,本实施例公开了另一种利用深度学习法提取地震数据低频部分的方法,本实施例中建立深度学习模型和训练模型的方法与实施例一完全相同,故本实施例不再赘述,只说明其与实施例一不同的地方。
获取Marmousi模型数据高频部分图片,如图5所示。对Marmousi模型数据高频部分进行标准化处理,其中标准化处理过程与实施例一相同,经过标准化处理的Marmousi模型数据高频部分的图片如图6所示。将经过标准化处理的Marmousi模型数据高频部分的图片带入最终的深度学习模型,并对图6中的低频部分进行提取。提取的低频部分图片如图7所示。
经过标准化处理的Marmousi模型数据高频部分的图片进行全波形反演得到图8;将提取的低频部分图片进行全波形反演得到图9。将图8和图9进行比较,可知低频信息含有重要的地下介质长波长速度信息。
将图6和图7中的信息进行合并,即经过标准化处理的Marmousi模型数据高频部分与提取的低频部分图片进行合并,得到的图片如图10所示,将图10进行全波形反演,图10经过全波形反演得到的结果如图11所示。将图11于图8、图9比较,图11获得的结果细节更加丰富,清楚。
实施例三
基于相同的发明构思,本实施例公开了一种利用深度学习法提取地震数据低频部分的系统,包括:
数据集形成模块,用于通过对预训练的地震波信号进行模拟,生成正演地震数据,利用正演地震数据形成训练数据集;
模型训练模块,用于建立初始深度学习模型,并通过训练数据集对初始深度学习模型进行训练,获得最终的深度学习模型,深度学习模型用于提取地震波信号低频部分的特征图;
低频提取模块,用于将待提取地震波信号带入最终的深度学习模型,并对待提取地震波信号的低频部分进行提取。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种利用深度学习法提取地震数据低频部分的方法,其特征在于,包括以下步骤:
S1通过对预训练的地震波信号进行模拟,生成正演地震数据,利用所述正演地震数据形成训练数据集;
S2建立初始深度学习模型,并通过所述训练数据集对所述初始深度学习模型进行训练,获得最终的深度学习模型,所述深度学习模型用于提取所述地震波信号低频部分的特征图;
S3将待提取地震波信号带入所述最终的深度学习模型,并对所述待提取地震波信号的低频部分进行提取;
预训练的地震波信号通过选择速度模型和子波的波形进行正演模拟;
若所述速度模型为海上模型,所述海上模型边界条件采用吸收边界条件;所述子波采用宽频Yu氏子波;
所述正演地震数据通过高通滤波生成样本集合;通过低通滤波生成标签集合,所述样本集合和标签集合共同组成训练数据集。
2.如权利要求1所述的利用深度学习法提取地震数据低频部分的方法,其特征在于,对所述训练数据集和待提取地震波信号进行标准化处理,所述标准化处理包括L2范数标准化、极大极小标准化和z-score标准化中的至少一种。
3.如权利要求1或2所述的利用深度学习法提取地震数据低频部分的方法,其特征在于,所述深度学习模型为卷积神经网络模型,所述训练数据集中数据以及待提取地震波信号均以图片形式输入所述卷积神经网络模型。
4.如权利要求3所述的利用深度学习法提取地震数据低频部分的方法,其特征在于,所述卷积神经网络模型包括23层卷积层、5层下采样层、5层反卷积层和5个跳连接,所述卷积层采用Relu激励函数,输出采用线性激励函数,loss函数为L2范数最小。
5.如权利要求1或2所述的利用深度学习法提取地震数据低频部分的方法,其特征在于,所述待提取地震波信号包括从待测区域实时采集的地震波信号和Marmousi模型数据高频部分。
6.如权利要求5所述的利用深度学习法提取地震数据低频部分的方法,其特征在于,对于Marmousi模型数据高频部分,将其带入所述最终的深度学习模型,并对所述待提取地震波信号的低频部分进行提取,将所述低频部分提取的图片和经过标准化的Marmousi模型数据高频部分的图片合并,生成一组合图,对所述组合图进行全波形反演,得到全频带地震波反演图像。
7.一种利用深度学习法提取地震数据低频部分的系统,其特征在于,包括:
数据集形成模块,用于通过对预训练的地震波信号进行模拟,生成正演地震数据,利用所述正演地震数据形成训练数据集;
模型训练模块,用于建立初始深度学习模型,并通过所述训练数据集对所述初始深度学习模型进行训练,获得最终的深度学习模型,所述深度学习模型用于提取所述地震波信号低频部分的特征图;
低频提取模块,用于将待提取地震波信号带入所述最终的深度学习模型,并对所述待提取地震波信号的低频部分进行提取;
预训练的地震波信号通过选择速度模型和子波的波形进行正演模拟;
若所述速度模型为海上模型,所述海上模型边界条件采用吸收边界条件;所述子波采用宽频Yu氏子波;
所述正演地震数据通过高通滤波生成样本集合;通过低通滤波生成标签集合,所述样本集合和标签集合共同组成训练数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010782424.3A CN111948711B (zh) | 2020-08-06 | 2020-08-06 | 一种利用深度学习法提取地震数据低频部分的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010782424.3A CN111948711B (zh) | 2020-08-06 | 2020-08-06 | 一种利用深度学习法提取地震数据低频部分的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111948711A CN111948711A (zh) | 2020-11-17 |
CN111948711B true CN111948711B (zh) | 2023-05-09 |
Family
ID=73331544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010782424.3A Active CN111948711B (zh) | 2020-08-06 | 2020-08-06 | 一种利用深度学习法提取地震数据低频部分的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111948711B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112987099B (zh) * | 2021-04-19 | 2022-10-11 | 吉林大学 | 基于多震源卷积神经网络的低频地震数据重构方法 |
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 |
CN116774280B (zh) * | 2023-06-25 | 2024-05-24 | 中海石油(中国)有限公司深圳分公司 | 一种鬼波压制定量质控方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110462445B (zh) * | 2017-02-09 | 2022-07-26 | 地质探索系统公司 | 地球物理深度学习 |
US11105942B2 (en) * | 2018-03-27 | 2021-08-31 | Schlumberger Technology Corporation | Generative adversarial network seismic data processor |
CN110895348B (zh) * | 2019-12-20 | 2022-04-08 | 岭南师范学院 | 一种地震弹性阻抗低频信息提取方法、系统及存储介质 |
-
2020
- 2020-08-06 CN CN202010782424.3A patent/CN111948711B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111948711A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111948711B (zh) | 一种利用深度学习法提取地震数据低频部分的方法和系统 | |
CN111950503B (zh) | 航空瞬变电磁数据处理方法、装置及计算设备 | |
CN106405651B (zh) | 一种基于测井匹配的全波形反演初始速度模型构建方法 | |
US11567227B2 (en) | Multi-mode dispersion energy imaging device and method for a four-component marine interface wave of an ocean bottom seismometer | |
CN106896409B (zh) | 一种基于波动方程边值反演的变深度缆鬼波压制方法 | |
CN108490488A (zh) | 一种基于时窗能量比的槽波地震散射成像方法及装置 | |
CN117056680A (zh) | 数据降噪与信号探测方法、装置、系统及存储介质 | |
CN109507726A (zh) | 时间域弹性波多参数全波形的反演方法及系统 | |
CN117031539A (zh) | 一种自监督深度学习地震数据低频重建方法及系统 | |
CN117292225A (zh) | 一种基于SimpleNet网络的地震数据初至拾取方法 | |
KR100412097B1 (ko) | 탄성파 자료 시변 최적 옵셋 처리 방법, 시스템 및 장치 | |
CN108594301B (zh) | 一种具有差异特征的地震数据融合的方法及处理终端 | |
Wu et al. | Multi-scale progressive fusion attention network based on small sample training for DAS noise suppression | |
Li et al. | Removing abnormal environmental noise in nodal land seismic data using deep learning | |
CN111694053A (zh) | 初至拾取方法及装置 | |
CN109143345A (zh) | 基于模拟退火的品质因子q非线性反演方法及系统 | |
Ma et al. | A Global and Multi-Scale Denoising Method Based on Generative Adversarial Network for DAS VSP Data | |
Liang et al. | 2D-SenseNet: a simultaneous demodulation and denoising network for DAS | |
Ma et al. | Unpaired training: Optimize the seismic data denoising model without paired training data | |
CN115170428A (zh) | 一种声波远探测成像图的降噪方法 | |
CN110471105A (zh) | 一种层位约束下基于地震解析道的相干增强断层识别方法 | |
CN108761534A (zh) | 陆上地震加速度信号应用新方法 | |
Zhong et al. | DAS-VSP noise elimination based on the dilated pyramid attention network | |
Wang | Heterogeneous Seismic Waves Pattern Recognition in Oil Exploration with Spectrum Imaging | |
CN112578437A (zh) | 地震记录自动增益方法及系统 |
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 |