CN112130201A - 一种基于深度学习的三维动态建模层位自动追踪方法 - Google Patents
一种基于深度学习的三维动态建模层位自动追踪方法 Download PDFInfo
- Publication number
- CN112130201A CN112130201A CN202011033590.XA CN202011033590A CN112130201A CN 112130201 A CN112130201 A CN 112130201A CN 202011033590 A CN202011033590 A CN 202011033590A CN 112130201 A CN112130201 A CN 112130201A
- Authority
- CN
- China
- Prior art keywords
- horizon
- tracking
- point
- probability
- label
- 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.)
- Granted
Links
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. analysis, for interpretation, for correction
-
- 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
Abstract
本发明公开了一种基于深度学习的三维动态建模层位自动追踪方法,通过对层位标签数据卷积一个归一化的高斯函数,得到每个采样点处层位追踪概率,具有概率指示意义,同时还弱化了人工或者别的自动追踪点的误差效应;其次,采用深度学习回归建模,相比较传统机器学习方法具有更好的特征表达力和网络泛化力;再次,采用波峰关键点特征波形划分,最大概率的确保追踪结果在波形的波峰相位点处;最后,采用种子点与追踪点的层位时间差进行质控,达到样本优选、加速网络训练过程、间接指导深度神经网络特征的提取从而优化了网络的泛化力。旨在解决现有技术中存在的层位自动追踪效率和精度不高的技术问题。
Description
技术领域
本发明涉及油气勘探技术领域,尤其涉及一种基于深度学习的三维动态建模层位自动追踪方法。
背景技术
地质层位解释是地震解释中的一项非常重要的工作,层位解释的成果可用于钻井位置的确定,油气储运等,层位解释的质量决定了地震勘探工作的效益。地震同相轴是勘探区域实际地质结构中地质层位的响应,地震波在向下传播过程中由于不同地层的组织构造不同、密度不同,会在地质分界面发生反射形成地震记录同相轴,识别和追踪该同相轴的过程就是层位解释(也称为层位追踪)。
传统的地震层位人工手动追踪方式对解释人员的专业知识和地质经验有很大的依赖性,需要解释人员做出主管分析判断,因而追踪效果会受到人为先验知识的影响,不确定性高。且通过人工追踪层位是一件非常耗时的工作,严重影响了地震解释的工作效率。故而开发一种稳定高效的自动层位追踪方法具有重要意义。
为了提高层位解释效率,近年来相关研究人员提出了很多关于层位自动追踪的算法,目前层位自动追踪的方法主要有基于波形相似度、基于图像和基于人工智能这三大类自动追踪方法。
基于波形相似度的追踪方法,传统方法是基于第一代或者第三代相干算法,通过道与道之间的相关性进行同相轴的追踪,其抗噪性和稳定性较好,但是当相邻层位之间存在相似波形的时候,容易出现串层现象,降低了结果的可靠性。近年来,动态时间规划(Dynamic Time Warping,DTW)方法被引入到层位自动追踪,该方法通过动态优化计算两个不等长波形的相似距离,以满足一定条件的时间规整函数描述两者之间的时间对应关系,实现层位自动追踪的功能,但是该方法的计算复杂度很高,且在计算距离矩阵过程中,忽略了波形序列中相邻点之间的联系以及整体的波形形态,结果会导致最优的相似距离不一定对应最优的层位追踪结果,且相似点的搜索范围有限,不利于断层位置的层位追踪。
基于图像的自动追踪技术,主要是将结构张量的差分检测功能应用于断层及断层识别,该方法使用不同方向滤波器,提取方向特征,从而获得层位发育的主方向角度,然后以层位走向的角度为导向,追踪邻近层位点。该方法的计算效率较高,但由于差分对噪声的敏感性,当追踪复杂层位的时候,不能得到准确稳定的追踪结果。
基于人工智能的方法,目前人工智能层位自动追踪方法是基于图片分类的思想进行层位类别划分,传统的机器学习以样本数据的特征作为输入,最终分类学习的质量取决于特征识别和特征提取的准确度,且机器学习层位追踪准确度受制于地震资料信噪比、分辨率与同相轴连续性的假设,层位自动追踪的效果欠佳,而深度学习方法尝试从样本数据中提取更高级的特征,使深度学习具有自学习的能力,这是超越传统机器学习的重要部分。目前利用深度学习解决层位自动追踪的最广泛的方法是卷积神经网络,但卷积神经网络层位自动追踪存在困难,如网络训练困难,网络调整训练时间周期大,带标签样本数量不够不能保证网络泛化力,且计算量巨大对运行设备的配置要求较高等。
因此,如何提高层位自动追踪效率和精度,是一个亟需解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于深度学习的三维动态建模层位自动追踪方法,旨在解决现有技术中存在的层位自动追踪效率和精度不高的技术问题。
为实现上述目的,本发明提出一种基于深度学习的三维动态建模层位自动追踪方法,所述层位自动追踪方法包括如下步骤:
手动解释过井点处线方向、道方向以及连接井线方向的地层,作为三维自动追踪的种子点;
将种子点的地震地层分类标签转为连续层位追踪概率标签,同时提取种子点地震道的波峰位置作为关键点,根据关键点对地震道进行特征波形划分,特征波形对应的概率标签作为特征波形中心关键点所对应的层位追踪概率;
建立种子点地震特征波形与层位追踪概率的深度神经网络模型,采用5个隐层的层间全连接,层内无连接的深度神经网络建立地震特征波形与层位追踪概率的回归映射模型;
随机选取一个种子点的一个邻域点地震特征波形进行地震层位追踪概率预测,取概率最大特征波形中心关键点对应的采样位置为该邻域点自动追踪的的最大概率层位,根据种子点层位与邻域点的最大概率层位时间差判断追踪结果的有效性,并将该邻域点作为新的种子点对网络进行训练;
按照三维递归追踪遍历全区种子点。
优选的,一种基于深度学习的三维动态建模层位自动追踪方法,所述地震地层分类标签转为连续层位追踪概率标签是通过:根据初始分类层位标签P卷积归一化的高斯窗函数获得层位概率标签层位追踪概率标签取中间波峰点对应的层位标签概率,其中,初始分类层位标签P为:式中P是层位标签,m是地震长度,t是地震序列的序号,o是层位所在的时间样点位置,高斯窗函数为:w是高斯窗,h表示高斯窗半峰宽度,e是自然数;高斯窗优化后的层位概率标签为:*表示褶积运算。
优选的,一种基于深度学习的三维动态建模层位自动追踪方法,所述深度神经网络模型的网络构成包括输入层、无监督预训练层、隐藏层和输出层。
优选的,一种基于深度学习的三维动态建模层位自动追踪方法,所述输入层的输入数据为归一化的地震特征波形,并在网络训练前对特征波形的长度进行充零处理,调整所有样本波形长度。
优选的,一种基于深度学习的三维动态建模层位自动追踪方法,所述无监督预训练层通过限制玻尔兹曼机,利用输出数据对输入数据进行重构,通过向前和向后学习对输入数据进行初始特征提取和初始化网络权值。
优选的,一种基于深度学习的三维动态建模层位自动追踪方法,所述隐藏层通过层内全连接BP神经网络建立有监督的回归学习模型,并利用交叉验证求取最优学习率参数。
优选的,一种基于深度学习的三维动态建模层位自动追踪方法,所述根据种子点层位与邻域点的最大概率层位时间差判断追踪结果的有效性包括如下判断步骤:
若种子点层位与追踪点最大概率层位时间差满足门槛值约束,则追踪点的最大概率层位作为该点的层位自动追踪结果值,则该邻域点可作为新的种子点,其追踪层位对应特征波形与层位追踪概率标签可作为新样本数据训练模型;
若种子点层位与追踪点最大概率层位时间差不满足门槛值约束,则将最大概率层位所在特征波形的概率标签值置为0,该特征波形与对应标签可作为新样本数据训练模型。
优选的,一种基于深度学习的三维动态建模层位自动追踪方法,所述门槛值约束采用3个采样点作为相邻两道之间的门槛值,时间差小于3个采样点则满足条件,大于3个采样点则不满足条件。
优选的,一种基于深度学习的三维动态建模层位自动追踪方法,所述按照三维递归追踪遍历全区种子点时,对无法追踪的点采用其多个邻域种子点分别追踪的最大概率层位进行拟合,求最大概率对应的时间作为追踪结果。
本发明中,通过对层位标签数据卷积一个归一化的高斯函数,得到每个采样点处层位追踪概率,具有概率指示意义,同时还弱化了人工或者别的自动追踪点的误差效应;其次,本发明采用深度学习回归建模,深度学习属于特征递进式的学习方法,浅层的神经元直接从输入地震波形中学习一些低层次的简单局部特征,浅层特征继续学习得到更高级的全局特征,深层的网络结构能构造更复杂的映射关系,因此深度学习相比较传统机器学习方法具有更好的特征表达力和网络泛化力;还有本发明采用波峰关键点特征波形划分,最大概率的确保追踪结果在波形的波峰相位点处;最后本发明采用种子点与追踪点的层位时间差进行质控,达到样本优选、加速网络训练过程、间接指导深度神经网络特征的提取从而优化了网络的泛化力。旨在解决现有技术中存在的层位自动追踪效率和精度不高的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明提出的基于深度学习的三维动态建模层位自动追踪方法的流程示意图;
图2为本发明中过井点位置的线(inline)方向、道(cdp)方向和连井线方向的手动层位解释线示意图;
图3为本发明中地震地层分类标签转为层位追踪概率标签示意图,其中图3(a)为层位特征波形与层位追踪概率标签示意图;图3(b)为地震波道的特征波形划分示意图;
图4为本发明中深度神经网络细节示意图,其中图4(a)是本发明算法的深度神经网络设计图;图4(b)是输入层;图4(c)是限制玻尔兹曼基的网络预训练结构图;
图5为本发明中综合最大层位追踪概率预测示意图;
图6为本发明中剖面上的自动追踪效果示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
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,所描述的实施例仅是本发明的一部分实施例,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作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。
本发明提出了一种实施例,如图1所示,本实施例提出了一种基于深度学习的三维动态建模层位自动追踪方法,本方法采用了深度神经网络(DNN)的深度学习模型,将地震层位自动追踪问题作为回归预测问题,地震层位追踪过程中进行动态训练网络权值,实现三维地震层位的自动追踪,具体步骤如下:
步骤一:井震标定后,在过井点处,手动解释线方向(inline)、道(cdp)方向以及连井线方向的地层,作为初始地层种子点;
步骤二:种子点的地震地层分类标签转为连续的层位追踪概率标签;提取种子点地震道的波峰位置为关键点,关键点对地震道进行特征波形划分,一个特征波形对应的概率标签是特征波形中心关键点所对应的层位追踪概率;
步骤三:建立种子点地震特征波形与层位追踪概率的深度神经网络模型;
步骤四:随机选取一个种子点,取种子点的一个邻域点地震特征波形进行地震层位追踪概率预测,取概率最大特征波形中心关键点对应的采样位置为该邻域点自动追踪的的最大概率层位;根据种子点层位与邻域点的最大概率层位时间差判断追踪结果的有效性,并将该邻域点作为新的种子点对网络进行训练;
步骤五:步骤四按照三维递归追踪的方式遍历全区,无法追踪的点可采用其多个邻域种子点分别追踪的最大概率层位进行拟合求最大概率对应的时间作为追踪结果。
在本实施例中,为了更加详细的说明本发明的目的和优点,结合发明设计流程图和其它附图展开对本方法技术的详细介绍。
步骤一:井震标定后,在过井点处,手动解释线方向(inline)、道(cdp)方向以及连井线方向的地层,作为初始地层种子点:
如图2是工区平面的井位分布与过井点层位解释线,过井点的层位解释线采用手动解释方式,作为工区三维自动追踪的种子点;
步骤二:种子点的地震地层分类标签转为连续的层位追踪概率标签;提取种子点地震道的波峰位置为关键点,关键点对地震道进行特征波形划分,一个特征波形对应的概率标签是特征波形中心关键点所对应的层位追踪概率:
(1)种子点的地震地层分类标签转为连续的层位追踪概率标签:
针对一个地层种子点,其所在地震道相对时间深度范围是(1~m),层位点位置在该道的时间采样位置设为o,如图3(a)上图所示,设置初始分类层位标签P(式(2-1)),对P卷积归一化的高斯窗函数(2-2),得到层位概率标签如图3(a)下图所示。
式(2-1)中P是层位标签,m是地震长度,t是地震序列的序号,o是层位所在的时间样点位置,式(2-1)中,w是高斯窗,h表示高斯窗半峰宽度,e是自然数;高斯窗优化后的层位概率标签即(2-3)式,*表示褶积运算。
一个特征波形对应的层位追踪概率标签就是其中间波峰点对应的层位概率标签。
由于地下地层的复杂,会造成有些地震同相轴的不连续和地震波振幅与相位快速变化,但层位追踪的目标效果是局部平滑,按照常规的分类建模预测层位的方式,很难保证层位的局部平滑度和准确度。本发明算法对层位分类标签卷积一个归一化的高斯窗得到层位追踪概率标签,具有了约束指导意义,同时弱化了地震或者种子点的误差效应,具有分散层位数据方差的效应。
(2)提取种子点地震道的波峰位置为关键点,关键点对地震道进行特征波形划分,一个特征波形对应的概率标签是特征波形中心关键点所对应的层位追踪概率:
如图3(b)地震波形的关键点特征波形划分,关键点是地震波形波峰位置,特征波形是三个关键点范围的波形,一个特征波形对应的概率标签是特征波形中心关键点所对应的层位追踪概率,图中的序号是划分的特征波形序号;
步骤三:建立种子点地震特征波形与层位追踪概率的深度神经网络模型:
本发明算法采用5个隐层的层间全连接,层内无连接的深度神经网络建立地震特征波形与层位追踪概率的回归映射模型,如图4(a)所示,网络构成包括输入层、无监督预训练层、隐藏层、输出层四部分组成。
(1)输入层:
输入层的输入数据是归一化的地震特征波形,由于地震特征波形的长度不统一,在网络训练前将特征波形的长度进行充零处理,使所有样本波形长度统一,适合固定的网络结构。如图4(b)所示,本发明算法中充零部分的输入节点不激活,只有有效长度范围内的输入节点进行激活参与运算。
(2)无监督预训练层:
传统深度神经网络的初始权值是随机数,网络权值会被误差反向传播算法进行迭代修正,但初始网络权值对网络训练的影响较大,不理想的初始网络权值会延长网络训练时间,受梯度爆炸和梯度消失的影响,网络训练陷入局部最优,学习过程停滞不前,具体表现为靠近输出层网络权值学习活跃,而靠近输入层网络学习滞后,即使训练了很久,浅层的网络权值仍然不发生变化。为了改善因反向传播算法引起的网络训练困难,本发明方法采用了限制玻尔兹曼机对网络权值进行初始优化。
限制玻尔兹曼机包含了两个层,一个可见层,一个隐藏层,属于浅层无监督学习神经网络,用于回归、建模和特征提取。限制玻尔兹曼机先把输入数据转为可以表示它们的一系列输出,这些输出可以反向重构这些输入数据,通过向前和后向学习,实现对输入数据的初始特征提取和初始化网络权值的目标。如图4(c)所示,图中一个虚框是一个限制玻尔兹曼机,经过训练学习,每一层限制玻尔兹曼机网络权值对该层特征表征达到最优,第一层的限制玻尔兹曼机网络的隐藏层是下一个限制玻尔兹曼机网络的输入层,经过一层层的限制玻尔兹曼机训练,得到后面的有监督学习神经网络的初始权值,最后通过反向传播算法对初始权值进行逐层调整。限制玻尔兹曼机的预训练过程改善了浅层网络学习困难的问题,加快了网络的运算速度,提高了网络优化过程。
(3)当预训练得到初始网络权值后,可采用多隐层层内全连接BP神经网络建立有监督的回归学习模型,算法中采用交叉验证方式求最优学习率参数,BP神经网络能实现非线性映射,具有自学习和自适应的能力,有很好的容错能力,且具有优秀的运算速度。
层位追踪过程中,追踪点可作为新的种子点对模型进行训练,是一个动态训练建模的过程,动态建模弥补了BP神经网络容易陷入局部最优值的缺点,且递归追踪的过程中,模型的动态建模能逐渐提高网络的泛化力,遇到同相轴不连续的情况,如穿层、断层处仍能预测出合理的层位追踪概率。
步骤四:随机选取一个种子点,取种子点的一个邻域点地震特征波形进行地震层位追踪概率预测,取概率最大特征波形中心关键点对应的采样位置为该邻域点自动追踪的的最大概率层位;根据种子点层位与邻域点的最大概率层位时间差判断追踪结果的有效性,并将该邻域点作为新的种子点对网络进行训练;
由于地质沉积是具有一定的平面范围的,因此除断层影响外,层位对应的地震响应同相轴振幅相位是渐变的,相邻道之间的时间差较小,为了防止层位的突跳,本方法采用3个采样点作为相邻两道之间的门槛值,时间差小于3个采样点则满足条件,大于3个采样点则不满足条件。若种子点层位与追踪点最大概率层位时间差满足门槛值约束,则追踪点的最大概率层位作为该点的层位自动追踪结果值,则该邻域点可作为新的种子点,其追踪层位对应特征波形与层位追踪概率标签可作为新样本数据训练模型;如果不满足时间差门槛值约束,则将最大概率层位所在特征波形的概率标签值置为0,该特征波形与对应标签可作为新样本数据训练模型。
通过种子点与追踪点的层位时间的质控,达到样本优选、加速网络训练过程、间接指导深度神经网络特征的提取从而优化了网络的泛化力。
步骤五:步骤四按照三维递归追踪的方式遍历全区,无法追踪的点可采用其多个邻域种子点分别追踪的最大概率层位进行拟合求最大概率对应的时间作为追踪结果。
针对无法追踪的点,可在最小时间门槛值约束下,对步骤四中的层位追踪概率进行拟合,如图5所示,取追踪道的来自三个邻域种子点追踪的三个最大层位追踪概率(图中空心六边形)去预测综合最大追踪概率(图中星型)处的层位值,若预测层位值与种子点层位值的时间距离满足最小时间门槛值,则综合最大概率层位值为正确的追踪层位值。如果不满足最小时间门槛值的约束,则放弃追踪当前点。
遍历整个工区,完成层位三维递归自动追踪,如图6是其中一个剖面的层位自动追踪效果图。
在本实施例中,提供一种基于深度学习的动态建模层位自动追踪方法,首先区别于目前以分类为目标的分类预测层位自动追踪方法,本发明将层位追踪问题视为回归预测问题。以往分类模型的分类标签在层位位置处设置为1,而在非层位处设置为0,这样的标签数据在非层位位置处没有任何意义。本发明对层位标签数据卷积一个归一化的高斯函数,得到每个采样点处层位追踪概率,具有概率指示意义,同时还弱化了人工或者别的自动追踪点的误差效应;其次,本发明采用深度学习回归建模,深度学习属于特征递进式的学习方法,浅层的神经元直接从输入地震波形中学习一些低层次的简单局部特征,浅层特征继续学习得到更高级的全局特征,深层的网络结构能构造更复杂的映射关系,因此深度学习相比较传统机器学习方法具有更好的特征表达力和网络泛化力;还有本发明采用波峰关键点特征波形划分,最大概率的确保追踪结果在波形的波峰相位点处;最后本发明采用种子点与追踪点的层位时间差进行质控,达到样本优选、加速网络训练过程、间接指导深度神经网络特征的提取从而优化了网络的泛化力。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种基于深度学习的三维动态建模层位自动追踪方法,其特征在于,所述层位自动追踪方法包括如下步骤:
手动解释过井点处线方向、道方向以及连井线方向的地层,作为三维自动追踪的种子点;
将种子点的地震地层分类标签转为连续层位追踪概率标签,同时提取种子点地震道的波峰位置作为关键点,根据关键点对地震道进行特征波形划分,特征波形对应的概率标签作为特征波形中心关键点所对应的层位追踪概率;
建立种子点地震特征波形与层位追踪概率的深度神经网络模型,采用5个隐层的层间全连接,层内无连接的深度神经网络建立地震特征波形与层位追踪概率的回归映射模型;
随机选取一个种子点的一个邻域点地震特征波形进行地震层位追踪概率预测,取概率最大特征波形中心关键点对应的采样位置为该邻域点自动追踪的的最大概率层位,根据种子点层位与邻域点的最大概率层位时间差判断追踪结果的有效性,并将该邻域点作为新的种子点对网络进行训练;
按照三维递归追踪遍历全区种子点。
3.如权利要求1所述的一种基于深度学习的三维动态建模层位自动追踪方法,其特征在于,所述深度神经网络模型的网络构成包括输入层、无监督预训练层、隐藏层和输出层。
4.如权利要求3所述的一种基于深度学习的三维动态建模层位自动追踪方法,其特征在于,所述输入层的输入数据为归一化的地震特征波形,并在网络训练前对特征波形的长度进行充零处理,调整所有样本波形长度。
5.如权利要求3所述的一种基于深度学习的三维动态建模层位自动追踪方法,其特征在于,所述无监督预训练层通过限制玻尔兹曼机,利用输出数据对输入数据进行重构,通过向前和向后学习对输入数据进行初始特征提取和初始化网络权值。
6.如权利要求3所述的一种基于深度学习的三维动态建模层位自动追踪方法,其特征在于,所述隐藏层通过层内全连接BP神经网络建立有监督的回归学习模型,并利用交叉验证求取最优学习率参数。
7.如权利要求1所述的一种基于深度学习的三维动态建模层位自动追踪方法,其特征在于,所述根据种子点层位与邻域点的最大概率层位时间差判断追踪结果的有效性包括如下判断步骤:
若种子点层位与追踪点最大概率层位时间差满足门槛值约束,则追踪点的最大概率层位作为该点的层位自动追踪结果值,则该邻域点可作为新的种子点,其追踪层位对应特征波形与层位追踪概率标签可作为新样本数据训练模型;
若种子点层位与追踪点最大概率层位时间差不满足门槛值约束,则将最大概率层位所在特征波形的概率标签值置为0,该特征波形与对应标签可作为新样本数据训练模型。
8.如权利要求1所述的一种基于深度学习的三维动态建模层位自动追踪方法,其特征在于,所述门槛值约束采用3个采样点作为相邻两道之间的门槛值,时间差小于3个采样点则满足条件,大于3个采样点则不满足条件。
9.如权利要求1所述的一种基于深度学习的三维动态建模层位自动追踪方法,其特征在于,所述按照三维递归追踪遍历全区种子点时,对无法追踪的点采用其多个邻域种子点分别追踪的最大概率层位进行拟合,求最大概率对应的时间作为追踪结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011033590.XA CN112130201B (zh) | 2020-09-27 | 2020-09-27 | 一种基于深度学习的三维动态建模层位自动追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011033590.XA CN112130201B (zh) | 2020-09-27 | 2020-09-27 | 一种基于深度学习的三维动态建模层位自动追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112130201A true CN112130201A (zh) | 2020-12-25 |
CN112130201B CN112130201B (zh) | 2021-10-26 |
Family
ID=73840424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011033590.XA Active CN112130201B (zh) | 2020-09-27 | 2020-09-27 | 一种基于深度学习的三维动态建模层位自动追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112130201B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947032A (zh) * | 2021-11-17 | 2022-01-18 | 中国石油大学(北京) | 基于神经网络和动态时间规整的地震层位拾取方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8265876B1 (en) * | 2008-11-08 | 2012-09-11 | Ihs Global Inc. | Seismic horizon autopicking using orientation vector field |
US20150219779A1 (en) * | 2014-02-03 | 2015-08-06 | Schlumberger Technology Corporation | Quality control of 3d horizon auto-tracking in seismic volume |
CN106405640A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
CN107545577A (zh) * | 2017-08-23 | 2018-01-05 | 电子科技大学 | 基于神经网络的沉积相图像分割方法 |
CN107909082A (zh) * | 2017-10-30 | 2018-04-13 | 东南大学 | 基于深度学习技术的声呐图像目标识别方法 |
CN109709603A (zh) * | 2018-11-23 | 2019-05-03 | 中国石油天然气股份有限公司 | 地震层位识别与追踪方法、系统 |
CN110749929A (zh) * | 2019-10-28 | 2020-02-04 | 山东科技大学 | 一种基于机器学习的复杂地区地震反射层识别与追踪方法 |
CN111650643A (zh) * | 2020-07-03 | 2020-09-11 | 中国矿业大学(北京) | 地震断层机器学习模型训练集提取方法和系统 |
-
2020
- 2020-09-27 CN CN202011033590.XA patent/CN112130201B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8265876B1 (en) * | 2008-11-08 | 2012-09-11 | Ihs Global Inc. | Seismic horizon autopicking using orientation vector field |
US20150219779A1 (en) * | 2014-02-03 | 2015-08-06 | Schlumberger Technology Corporation | Quality control of 3d horizon auto-tracking in seismic volume |
CN106405640A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
CN107545577A (zh) * | 2017-08-23 | 2018-01-05 | 电子科技大学 | 基于神经网络的沉积相图像分割方法 |
CN107909082A (zh) * | 2017-10-30 | 2018-04-13 | 东南大学 | 基于深度学习技术的声呐图像目标识别方法 |
CN109709603A (zh) * | 2018-11-23 | 2019-05-03 | 中国石油天然气股份有限公司 | 地震层位识别与追踪方法、系统 |
CN110749929A (zh) * | 2019-10-28 | 2020-02-04 | 山东科技大学 | 一种基于机器学习的复杂地区地震反射层识别与追踪方法 |
CN111650643A (zh) * | 2020-07-03 | 2020-09-11 | 中国矿业大学(北京) | 地震断层机器学习模型训练集提取方法和系统 |
Non-Patent Citations (1)
Title |
---|
郑和忠: "基于支持向量机的地震波形分类方法的研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947032A (zh) * | 2021-11-17 | 2022-01-18 | 中国石油大学(北京) | 基于神经网络和动态时间规整的地震层位拾取方法及装置 |
CN113947032B (zh) * | 2021-11-17 | 2022-08-19 | 中国石油大学(北京) | 基于神经网络和动态时间规整的地震层位拾取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112130201B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
Chang et al. | Lithofacies identification using multiple adaptive resonance theory neural networks and group decision expert system | |
CN106886043B (zh) | 基于地震数据深度学习的储层检测方法 | |
Azevedo et al. | Generative adversarial network as a stochastic subsurface model reconstruction | |
CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
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 | |
Brazell et al. | A machine-learning-based approach to assistive well-log correlation | |
CN109001801B (zh) | 基于多次迭代蚁群算法的断层变尺度识别方法 | |
US20230161061A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
Liu et al. | Artificial intelligence method for shear wave travel time prediction considering reservoir geological continuity | |
US20230081438A1 (en) | Method for Gas Detection Based on Multiple Quantum Neural Networks | |
WO2021082080A1 (zh) | 一种基于机器学习的复杂地区地震反射层识别与追踪方法 | |
CN111239824A (zh) | 一种火山岩岩相的预测方法 | |
CN113534261A (zh) | 基于智能优化集成网络的储层含气性检测方法及装置 | |
CN112130201B (zh) | 一种基于深度学习的三维动态建模层位自动追踪方法 | |
Korjani et al. | Reservoir characterization using fuzzy kriging and deep learning neural networks | |
Zhang et al. | Seismic characterization of deeply buried paleocaves based on Bayesian deep learning | |
CN111894563A (zh) | 潜山段中裂缝型储层的分类确定方法及系统 | |
US20230176242A1 (en) | Framework for integration of geo-information extraction, geo-reasoning and geologist-responsive inquiries | |
CN113325480A (zh) | 一种基于集成深度学习的地震岩性识别方法 | |
US20240077631A1 (en) | Seismic imaging free gas structure identification method and system | |
CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
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 | |
CN112987091B (zh) | 储层检测方法、装置、电子设备和存储介质 | |
CN112147679B (zh) | 在模糊逻辑框架下基于弹性参数的岩性预测方法和装置 |
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 |