CN112034512B - 基于深度学习模型的地震数据不连续性检测方法和系统 - Google Patents
基于深度学习模型的地震数据不连续性检测方法和系统 Download PDFInfo
- Publication number
- CN112034512B CN112034512B CN202010909049.4A CN202010909049A CN112034512B CN 112034512 B CN112034512 B CN 112034512B CN 202010909049 A CN202010909049 A CN 202010909049A CN 112034512 B CN112034512 B CN 112034512B
- Authority
- CN
- China
- Prior art keywords
- seismic data
- deep learning
- learning model
- data
- seismic
- 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
- 238000013136 deep learning model Methods 0.000 title claims abstract description 147
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 12
- 238000003062 neural network model Methods 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005755 formation reaction Methods 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- 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
- G01V1/34—Displaying seismic recordings or visualisation of seismic data or attributes
- G01V1/345—Visualisation of seismic data or attributes, e.g. in 3D cubes
-
- 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
- G01V2210/67—Wave propagation modeling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/70—Other details related to processing
- G01V2210/74—Visualisation of seismic data
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于深度学习模型的地震数据不连续性检测方法和系统，包括：将地震数据分为简单、中等和困难三类，并根据地震数据的不同类别对其进行不同的处理，生成简单地震数据的初始数据标签建立初始深度学习模型，并通过简单地震数据的初始数据标签对初始深度学习模型进行训练，获得最终的深度学习模型；将待检测地震波信号代入最终的深度学习模型，并对待检测地震波信号的不连续性进行检测。本发明检测地震数据的不连续性时，只需把实际地震数据输入训练好的神经网络模型，就可以获得最终的计算结果，计算速度远远高于传统方法，且该方法从地震实测数据出发，无需人为标记，降低了人为因素的不确定性，有效提高了检测结果的准确性。
Description
技术领域
本发明涉及一种基于深度学习模型的地震数据不连续性检测方法和系统，属于地震信号处理技术领域。
背景技术
随着地震勘探从传统构造油气藏为目标向复杂岩性、非常规油气藏转变。传统意义上依靠大的构造控制的油气藏目标已不多见，取而代之的是低幅构造、小型断控圈闭、岩性构造、扭曲褶皱构造等小型地质目标。这就要求地震数据处理过程中尽量保证地震数据的保真性，在地震数据解释阶段更要研发先进的技术去提取其中的小型地质现象，这些现象就是地震数据的不连续性。
事实上，地震数据所呈现出的不连续性往往比连续性更具有意义。不连续性是地下介质结构或者物理性质发生改变的标志。比如构造变化直接导致地震波传播方向改变，造成地震数据的不连续性。而介质物理性质变化，如河道边缘，岩性由泥岩向砂岩转变，势必有介质速度、密度及孔隙度等变化，对地震波的能量、频率等造成影响，从而也在地震数据上表现为不连续性。所以说，检测地震数据的不连续性有着非常重要的意义，是为后续地震解释地下构造、岩性边界、物性边界，进一步圈定油气藏的关键。
目前，地震数据计算不连续性主要有相干方法、曲率方法以及由这两种方法衍生的其它近似方法。现有地震数据计算不连续性方法主要存在以下问题：
1、计算速度慢，尤其计算三维曲率和相干速度更慢，如果再计算衍生的属性，计算量、存储量都较大。
2、在计算相干和曲率时，需要人为设定的计算参数，且计算参数因工区不同而不同，人为因素的参与使得计算结果具有不确定性。
发明内容
针对上述问题，本发明的目的是提供一种基于深度学习模型的地震数据不连续性检测方法和系统，其不需要人工制作数据标签，而是利用实际数据首先利用传统计算不连续性的方法计算出第一批不连续性结果作为初始标签，再利用深度学习不断繁殖数据标签的数量，最后利用训练好的神经网路完成地震数据的不连续性检测，检测过程降低了人为因素的影响，提高了检测的准确性。
为实现上述目的，本发明采取以下技术方案：一种基于深度学习模型的地震数据不连续性检测方法，包括以下步骤：S1将地震数据按照不连续的复杂成度分为简单、中等和困难三类，并根据地震数据的不同类别对其进行不同的处理，生成简单地震数据的初始数据标签；S2建立初始深度学习模型，并通过简单地震数据的初始数据标签对初始深度学习模型进行训练，获得简单地震数据的深度学习模型；S3将经过处理的中等地震数据代入简单地震数据的深度学习模型进行训练，获得中等地震数据的深度学习模型；S4将经过处理的困难地震数据分别带入简单地震数据的深度学习模型和中等地震数据的深度学习模型中进行训练，获得困难地震数据的深度学习模型，简单地震数据的深度学习模型、中等地震数据的深度学习模型和困难地震数据的深度学习模型组成了最终的深度学习模型；S5将待检测地震波信号代入最终的深度学习模型，并对待检测地震波信号的不连续性进行检测。
进一步，步骤S1中的处理过程包括：对简单地震数据进行不连续性检测运算，并将运算的结果生成初始数据标签；中等地震数据和困难地震数据进行数据切割扩量。
进一步，不连续性检测运算将简单地震数据包括相干、局部梯度结构张量属性、断层因子和局部结构熵四种属性；数据切割扩量将地震数据切割成小数据集合和大数据集合，大数据集合包括小数据集合，从而生成中等地震数据小数据集合、中等地震数据大数据集合、困难地震数据小数据集合和困难地震数据大数据集合。
进一步，步骤S1中生成简单地震数据的初始数据标签的方法为：S1.1将不连续性检测运算获得的四种属性沿着时间维度转换成一系列时间切片；S1.2将一系列时间切片存储成灰度图像，并对灰度图像进行图像去噪、图像增强、图像的开运算和闭运算；S1.3提取四种属性对应的灰度图像的共性，生成一个合并属性体，并将合并属性体转换到时空域三维数据体；S1.4将时空域三维数据体进行数据切割扩量，生成简单地震数据小数据集合和简单地震数据大数据集合两个集合。
进一步，步骤S2生成简单地震数据的深度学习模型的步骤为：用简单地震数据小数据集合对初始深度学习模型，将简单地震数据大数据集合代入训练后的深度学习模型，获得的结果为简单地震数据的深度学习模型。
进一步，步骤S3中生成中等地震数据的深度学习模型的步骤为：将中等地震数据小数据集合带入简单地震数据的深度学习模型，生成中等地震数据的初始数据标签，用中等地震数据的初始数据标签对简单地震数据的深度学习模型进行训练，并将中等地震数据大数据集合代入训练后的深度学习模型，获得的结果为中等地震数据的深度学习模型。
进一步，步骤S4中生成困难地震数据的深度学习模型的步骤为：将困难地震数据小数据集合带入简单地震数据和中等地震数据的深度学习模型，生成困难地震数据的初始数据标签，用困难地震数据的初始数据标签对简单地震数据和中等地震数据的深度学习模型进行训练，并将困难地震数据大数据集合代入训练后的深度学习模型，获得的结果为困难地震数据的深度学习模型。
进一步，深度学习模型为卷积神经网络模型，地震数据以及待检测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Sigmoid激励函数，loss函数为交叉熵最小。
进一步，对地震数据和待检测地震波信号进行标准化处理，标准化处理包括交叉熵标准化、极大极小标准化和z-score标准化中的至少一种。
本发明还公开了一种基于深度学习模型的地震数据不连续性检测系统，包括以下步骤：分类处理模块，用于将地震数据分为简单、中等和困难三类，并根据地震数据的不同类别对其进行不同的处理，生成简单地震数据的初始数据标签；简单模型建立模块，用于建立初始深度学习模型，并通过简单地震数据的初始数据标签对初始深度学习模型进行训练，获得简单地震数据的深度学习模型；中等模型建立模块，用于将经过处理的中等地震数据代入简单地震数据的深度学习模型进行训练，获得中等地震数据的深度学习模型；困难模型建立模块，用于将经过处理的困难地震数据分别带入简单地震数据的深度学习模型和中等地震数据的深度学习模型中进行训练，获得困难地震数据的深度学习模型，简单地震数据的深度学习模型、中等地震数据的深度学习模型和困难地震数据的深度学习模型组成了最终的深度学习模型；检测模块，用于将待检测地震波信号代入最终的深度学习模型，并对待检测地震波信号的不连续性进行检测。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明检测地震数据的不连续性时，只需把实际地震数据输入训练好的神经网络模型，就可以获得最终的计算结果，计算速度远远高于传统方法，且该方法从地震实测数据出发，无需人为标记，降低了人为因素的不确定性，有效提高了检测结果的准确性；
2、本发明没有直接人为准备标签数据，降低了人力成本，且由于无需人为干涉，故本发明中的方法测试时间可以更长，可以实时对地震数据进行处理。
附图说明
图1是本发明一实施例中经过处理的简单地震数据的四种属性图像，图1(a)是相干属性对应的图像；图1(b)是局部梯度结构张量属性对应的图像；图1(c)是断层因子属性对应的图像；图1(d)是局部结构熵属性对应的图像；
图2是本发明一实施例中时空域三维数据体的图像；
图3是本发明一实施例中数据切割扩量切割方式的示意图；
图4是本发明一实施例中卷积神经网络模型的结构示意图；
图5是本发明一实施例中深度学习模型训练过程的示意图；
图6是本发明一实施例中地震数据不连续性检测结果图。
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基于深度学习模型的地震数据不连续性检测方法，包括以下步骤：
S1将地震数据按照不连续的复杂成度分为简单、中等和困难三类，并根据地震数据的不同类别对其进行不同的处理，生成简单地震数据的初始数据标签。其中地震数据包括纵向、横向和时间三个维度。对简单、中等和困难地震数据进行标准化处理，标准化处理包括交叉熵标准化、极大极小标准化和z-score标准化中的至少一种。进一步，
步骤S1中的处理过程包括：对简单地震数据进行不连续性检测运算，不连续性检测运算将简单地震数据包括计算相干(Coherency)、局部梯度结构张量(GST)属性、断层因子(FaultFactor)和局部结构熵(LSE)四种属性，并通过上述四种属性图像生成初始数据标签。其包括以下步骤：
S1.1将不连续性检测运算获得的四种属性沿着时间维度转换成一系列时间切片；
S1.2将一系列时间切片存储成灰度图像，并对灰度图像进行图像去噪、图像增强、图像的开运算和闭运算，经过处理的简单地震数据的四种属性图像如图1所示，其中图1(a)是相干属性对应的图像；图1(b)是局部梯度结构张量属性对应的图像；图1(c)是断层因子属性对应的图像；图1(d)是局部结构熵属性对应的图像；
S1.3提取四种属性对应的灰度图像的共性，生成一个合并属性体，并将合并属性体转换到时空域三维数据体，该时空域三维数据体的图像如图2所示；
S1.4将时空域三维数据体进行数据切割扩量，生成简单地震数据小数据集合和简单地震数据大数据集合两个集合。其中简单地震数据小数据集合即为简单地震数据的初始数据标签。
对中等地震数据和困难地震数据进行数据切割扩量。数据切割扩量将地震数据切割成小数据集合和大数据集合，大数据集合包括小数据集合，从而生成中等地震数据小数据集合、中等地震数据大数据集合、困难地震数据小数据集合和困难地震数据大数据集合。数据切割扩量切割方式，如图3所示，在地震数据俯视图中随机抽取n个点，以画一条经过其中某一点的直线，以该点为圆心，该直线进行顺时针或逆时针旋转，每旋转10度切割一次数据，获得一张尺寸为512*128的剖面图，该点共获得36张剖面图，遍历该地震数据俯视图中的n个点，获得36n张尺寸为512*128的剖面图，该36n张剖面图组成的集合即为大数据集合。小数据集合采用完全相同的方式进行提取，不同之处仅在于，小数据集合在地震数据俯视图中随机抽取n/2个点，故数据量比大数据集合要少。
S2建立初始深度学习模型，并通过简单地震数据的初始数据标签对初始深度学习模型进行训练，获得简单地震数据的深度学习模型。
如图4所示，初始深度学习模型为卷积神经网络模型，利用python语言搭建深度学习网络，地震数据以及待检测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Sigmoid激励函数，loss函数为交叉熵最小。
如图5所示，步骤S2生成简单地震数据的深度学习模型的步骤为：用简单地震数据小数据集合对初始深度学习模型，将简单地震数据大数据集合代入训练后的深度学习模型，获得的结果为简单地震数据的深度学习模型。
S3将经过处理的中等地震数据代入简单地震数据的深度学习模型进行训练，获得中等地震数据的深度学习模型。
步骤S3中生成中等地震数据的深度学习模型的步骤为：将中等地震数据小数据集合带入简单地震数据的深度学习模型，生成中等地震数据的初始数据标签，用中等地震数据的初始数据标签对简单地震数据的深度学习模型进行训练，并将中等地震数据大数据集合代入训练后的深度学习模型，获得的结果为中等地震数据的深度学习模型。
S4将经过处理的困难地震数据分别带入简单地震数据的深度学习模型和中等地震数据的深度学习模型中进行训练，获得困难地震数据的深度学习模型，简单地震数据的深度学习模型、中等地震数据的深度学习模型和困难地震数据的深度学习模型组成了最终的深度学习模型。
步骤S4中生成困难地震数据的深度学习模型的步骤为：将困难地震数据小数据集合带入简单地震数据和中等地震数据的深度学习模型，生成困难地震数据的初始数据标签，用困难地震数据的初始数据标签对简单地震数据和中等地震数据的深度学习模型进行训练，并将困难地震数据大数据集合代入训练后的深度学习模型，获得的结果为困难地震数据的深度学习模型。
S5将待检测地震波信号代入最终的深度学习模型，并对待检测地震波信号的不连续性进行检测。
将待检测地震波信号进行标准化处理，标准化处理包括交叉熵标准化、极大极小标准化和z-score标准化中的至少一种。将经过标准化的待检测地震波信号代入最终的深度学习模型，即得到地震数据不连续性检测结果，最终获得不连续性检测结果如图6所示。
实施例二
基于相同的发明构思，本实施例公开了一种基于深度学习模型的地震数据不连续性检测系统，包括：
分类处理模块，用于将地震数据分为简单、中等和困难三类，并根据地震数据的不同类别对其进行不同的处理，生成简单地震数据的初始数据标签；
简单模型建立模块，用于建立初始深度学习模型，并通过简单地震数据的初始数据标签对初始深度学习模型进行训练，获得简单地震数据的深度学习模型；
中等模型建立模块，用于将经过处理的中等地震数据代入简单地震数据的深度学习模型进行训练，获得中等地震数据的深度学习模型；
困难模型建立模块，用于将经过处理的困难地震数据分别带入简单地震数据的深度学习模型和中等地震数据的深度学习模型中进行训练，获得困难地震数据的深度学习模型，简单地震数据的深度学习模型、中等地震数据的深度学习模型和困难地震数据的深度学习模型组成了最终的深度学习模型；
检测模块，用于将待检测地震波信号代入最终的深度学习模型，并对待检测地震波信号的不连续性进行检测。
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 (9)
1.一种基于深度学习模型的地震数据不连续性检测方法，其特征在于，包括以下步骤：
S1将地震数据按照不连续的复杂成度分为简单、中等和困难三类，并根据所述地震数据的不同类别对其进行不同的处理，生成简单地震数据的初始数据标签；
所述步骤S1中生成简单地震数据的初始数据标签的方法为：
S1.1将不连续性检测运算获得的四种属性沿着时间维度转换成一系列时间切片；
S1.2将所述一系列时间切片存储成灰度图像，并对所述灰度图像进行图像去噪、图像增强、图像的开运算和闭运算；
S1.3提取所述四种属性对应的灰度图像的共性，生成一个合并属性体，并将所述合并属性体转换到时空域三维数据体；
S1.4将所述时空域三维数据体进行数据切割扩量，生成简单地震数据小数据集合和简单地震数据大数据集合两个集合；
S2建立初始深度学习模型，并通过简单地震数据的初始数据标签对所述初始深度学习模型进行训练，获得简单地震数据的深度学习模型；
S3将经过处理的中等地震数据代入所述简单地震数据的深度学习模型进行训练，获得中等地震数据的深度学习模型；
S4将经过处理的困难地震数据分别带入所述简单地震数据的深度学习模型和中等地震数据的深度学习模型中进行训练，获得困难地震数据的深度学习模型，简单地震数据的深度学习模型、中等地震数据的深度学习模型和困难地震数据的深度学习模型组成了最终的深度学习模型；
S5将待检测地震波信号代入所述最终的深度学习模型，并对所述待检测地震波信号的不连续性进行检测。
2.如权利要求1所述的基于深度学习模型的地震数据不连续性检测方法，其特征在于，所述步骤S1中的处理过程包括：对简单地震数据进行不连续性检测运算，并将所述运算的结果生成初始数据标签；中等地震数据和困难地震数据进行数据切割扩量。
3.如权利要求2所述的基于深度学习模型的地震数据不连续性检测方法，其特征在于，所述不连续性检测运算将所述简单地震数据包括相干、局部梯度结构张量属性、断层因子和局部结构熵四种属性；所述数据切割扩量将地震数据切割成小数据集合和大数据集合，所述大数据集合包括所述小数据集合，从而生成中等地震数据小数据集合、中等地震数据大数据集合、困难地震数据小数据集合和困难地震数据大数据集合。
4.如权利要求1所述的基于深度学习模型的地震数据不连续性检测方法，其特征在于，所述步骤S2生成简单地震数据的深度学习模型的步骤为：用简单地震数据小数据集合对初始深度学习模型，将简单地震数据大数据集合代入训练后的深度学习模型，获得的结果为简单地震数据的深度学习模型。
5.如权利要求4所述的基于深度学习模型的地震数据不连续性检测方法，其特征在于，所述步骤S3中生成中等地震数据的深度学习模型的步骤为：将所述中等地震数据小数据集合带入简单地震数据的深度学习模型，生成中等地震数据的初始数据标签，用所述中等地震数据的初始数据标签对所述简单地震数据的深度学习模型进行训练，并将中等地震数据大数据集合代入训练后的深度学习模型，获得的结果为中等地震数据的深度学习模型。
6.如权利要求5所述的基于深度学习模型的地震数据不连续性检测方法，其特征在于，所述步骤S4中生成困难地震数据的深度学习模型的步骤为：将所述困难地震数据小数据集合带入简单地震数据和中等地震数据的深度学习模型，生成困难地震数据的初始数据标签，用所述困难地震数据的初始数据标签对所述简单地震数据和中等地震数据的深度学习模型进行训练，并将困难地震数据大数据集合代入训练后的深度学习模型，获得的结果为困难地震数据的深度学习模型。
7.如权利要求1-6任一项所述的基于深度学习模型的地震数据不连续性检测方法，其特征在于，所述深度学习模型为卷积神经网络模型，所述地震数据以及待检测地震波信号均以图片形式输入所述卷积神经网络模型，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Sigmoid激励函数，loss函数为交叉熵最小。
8.如权利要求1-6任一项所述的基于深度学习模型的地震数据不连续性检测方法，其特征在于，对所述地震数据和待检测地震波信号进行标准化处理，所述标准化处理包括交叉熵标准化、极大极小标准化和z-score标准化中的至少一种。
9.一种基于深度学习模型的地震数据不连续性检测系统，其特征在于，包括以下步骤：
分类处理模块，用于将地震数据分为简单、中等和困难三类，并根据所述地震数据的不同类别对其进行不同的处理，生成简单地震数据的初始数据标签；
所述分类处理模块中生成简单地震数据的初始数据标签的方法为：
S1.1将不连续性检测运算获得的四种属性沿着时间维度转换成一系列时间切片；
S1.2将所述一系列时间切片存储成灰度图像，并对所述灰度图像进行图像去噪、图像增强、图像的开运算和闭运算；
S1.3提取所述四种属性对应的灰度图像的共性，生成一个合并属性体，并将所述合并属性体转换到时空域三维数据体；
S1.4将所述时空域三维数据体进行数据切割扩量，生成简单地震数据小数据集合和简单地震数据大数据集合两个集合；
简单模型建立模块，用于建立初始深度学习模型，并通过简单地震数据的初始数据标签对所述初始深度学习模型进行训练，获得简单地震数据的深度学习模型；
中等模型建立模块，用于将经过处理的中等地震数据代入所述简单地震数据的深度学习模型进行训练，获得中等地震数据的深度学习模型；
困难模型建立模块，用于将经过处理的困难地震数据分别带入所述简单地震数据的深度学习模型和中等地震数据的深度学习模型中进行训练，获得困难地震数据的深度学习模型，简单地震数据的深度学习模型、中等地震数据的深度学习模型和困难地震数据的深度学习模型组成了最终的深度学习模型；
检测模块，用于将待检测地震波信号代入所述最终的深度学习模型，并对所述待检测地震波信号的不连续性进行检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010909049.4A CN112034512B (zh) | 2020-09-02 | 2020-09-02 | 基于深度学习模型的地震数据不连续性检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010909049.4A CN112034512B (zh) | 2020-09-02 | 2020-09-02 | 基于深度学习模型的地震数据不连续性检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112034512A CN112034512A (zh) | 2020-12-04 |
| CN112034512B true CN112034512B (zh) | 2023-03-14 |
Family
ID=73591126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010909049.4A Active CN112034512B (zh) | 2020-09-02 | 2020-09-02 | 基于深度学习模型的地震数据不连续性检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112034512B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112731522B (zh) * | 2020-12-14 | 2022-11-04 | 中国地质大学（武汉） | 地震地层智能识别方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018148492A1 (en) * | 2017-02-09 | 2018-08-16 | Schlumberger Technology Corporation | Geophysical deep learning |
| WO2019036144A1 (en) * | 2017-08-18 | 2019-02-21 | Landmark Graphics Corporation | DETECTION OF FAILURES BASED ON THE INTERPRETATION OF SEISMIC DATA |
| WO2019040288A1 (en) * | 2017-08-25 | 2019-02-28 | Exxonmobil Upstream Researchcompany | AUTOMATED SEISMIC INTERPRETATION USING NEURALLY CONVOLVED NETWORKS |
| CN109523531A (zh) * | 2018-11-13 | 2019-03-26 | 北京博达瑞恒科技有限公司 | 基于超分辨率深度学习的断裂检测方法及系统 |
| CN110633730A (zh) * | 2019-08-07 | 2019-12-31 | 中山大学 | 一种基于课程学习的深度学习机器阅读理解训练方法 |
| CN111178320A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
| 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 |
| CN111596978A (zh) * | 2019-03-03 | 2020-08-28 | 山东英才学院 | 用人工智能进行岩相分类的网页显示方法、模块和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR112018009108B1 (pt) * | 2015-11-08 | 2023-10-24 | Agrowing Ltd | Método para a aquisição e análise de imagens aéreas |
| CN108415077B (zh) * | 2018-02-11 | 2021-02-26 | 中国石油化工股份有限公司 | 边缘检测低序级断层识别方法 |
-
2020
- 2020-09-02 CN CN202010909049.4A patent/CN112034512B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018148492A1 (en) * | 2017-02-09 | 2018-08-16 | Schlumberger Technology Corporation | Geophysical deep learning |
| WO2019036144A1 (en) * | 2017-08-18 | 2019-02-21 | Landmark Graphics Corporation | DETECTION OF FAILURES BASED ON THE INTERPRETATION OF SEISMIC DATA |
| WO2019040288A1 (en) * | 2017-08-25 | 2019-02-28 | Exxonmobil Upstream Researchcompany | AUTOMATED SEISMIC INTERPRETATION USING NEURALLY CONVOLVED NETWORKS |
| CN109523531A (zh) * | 2018-11-13 | 2019-03-26 | 北京博达瑞恒科技有限公司 | 基于超分辨率深度学习的断裂检测方法及系统 |
| CN111596978A (zh) * | 2019-03-03 | 2020-08-28 | 山东英才学院 | 用人工智能进行岩相分类的网页显示方法、模块和系统 |
| CN110633730A (zh) * | 2019-08-07 | 2019-12-31 | 中山大学 | 一种基于课程学习的深度学习机器阅读理解训练方法 |
| CN111178320A (zh) * | 2020-01-07 | 2020-05-19 | 中国矿业大学(北京) | 地质异常体识别的方法及其模型训练方法、装置 |
| 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 (7)
| Title |
|---|
| A fault detection workflow using deep learning and image processing"，Tao Zhao et al，2018 SEG International Exposition and 88th Annual Meeting;Tao Zhao et al et al.;《2018 SEG International Exposition and 88th Annual Meeting》;20181231;第1966-1967页 * |
| A scalable deep learning platform for identifying geologic features from seismic attributes;Lei Huang et al.;《THE LEADING EDGE》;20170331;第249-256页 * |
| Application of AVF Inversion on Shale Gas Reservoir TOC Prediction;Ding Jicai et al.;《2015 SEG New Orleans Annual Meeting》;20151231;第3461-3465页 * |
| 利用梯度结构张量检测盐丘与断层;王清振等;《石油地球物理勘探》;20180831;第53卷(第4期);第826-831页 * |
| 卷积神经网络在地震断层自动识别中的应用;王紫蕊等;《中国石油学会 2019 年物探技术研讨会》;20191231;第1497-1500页 * |
| 基于 3D 半密度卷积神经网络的断裂检测;段艳廷等;《地球物理学进展》;20191231;第34卷(第6期);第2256-2261页 * |
| 基于卷积神经网络的断层识别方法研究;任雄风等;《中国石油学会 2019 年物探技术研讨会》;20191231;第1517-1520页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112034512A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
| Dias et al. | Automatic detection of fractures and breakouts patterns in acoustic borehole image logs using fast-region convolutional neural networks | |
| EP2659291B1 (en) | Improvements in 3d object delineation | |
| Zheng et al. | Multi-attributes and neural network-based fault detection in 3D seismic interpretation | |
| CN111815602B (zh) | 基于深度学习和形态学的建筑pdf图纸墙体识别装置和方法 | |
| Si et al. | Attenuation of random noise using denoising convolutional neural networks | |
| CN110320557B (zh) | 基于深度学习和进化学习的多尺度地质特征检测融合方法 | |
| CN112731522B (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
| CN103869358A (zh) | 一种基于直方图均衡的断层识别方法及设备 | |
| CN116400426B (zh) | 基于电磁法的数据勘测系统 | |
| Dou et al. | MD loss: Efficient training of 3-D seismic fault segmentation network under sparse labels by weakening anomaly annotation | |
| CN113296152A (zh) | 断层检测方法及装置 | |
| CN112034512B (zh) | 基于深度学习模型的地震数据不连续性检测方法和系统 | |
| EP3217354A2 (en) | Seismic modeling system providing seismic survey data frequency domain inpainting and related methods | |
| EP3211594A1 (en) | Seismic modeling system providing seismic survey data inpainting based upon suspect region boundary comparisons and related methods | |
| WO2017152123A1 (en) | Context based bounded hydrocarbon formation identification | |
| AlSalmi et al. | Automated seismic semantic segmentation using attention U-Net | |
| CN106338767A (zh) | 多参数地震属性分析方法及系统 | |
| CN117251674A (zh) | 一种地震相分类方法、装置、电子设备及介质 | |
| US11802984B2 (en) | Method for identifying subsurface features | |
| CN113642245B (zh) | 一种舰船辐射噪声数据集的构建方法 | |
| Cheng et al. | Simultaneous denoising and reconstruction of distributed acoustic sensing seismic data via a multicascade deep-learning method | |
| CN117574269B (zh) | 陆相页岩储层天然裂缝智能识别方法及系统 | |
| Huang et al. | Automatic identification of carbonate karst caves using a symmetrical convolutional neural network | |
| CN117235628B (zh) | 一种基于混合贝叶斯深度网络测井曲线预测方法及系统 |
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 |