CN112346126A - 低级序断层的识别方法、装置、设备及可读存储介质 - Google Patents
低级序断层的识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN112346126A CN112346126A CN202011237412.9A CN202011237412A CN112346126A CN 112346126 A CN112346126 A CN 112346126A CN 202011237412 A CN202011237412 A CN 202011237412A CN 112346126 A CN112346126 A CN 112346126A
- Authority
- CN
- China
- Prior art keywords
- low
- seismic
- seismic data
- data
- reservoir
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000012545 processing Methods 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 35
- 230000000007 visual effect Effects 0.000 abstract description 11
- 230000003993 interaction Effects 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000003921 oil Substances 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000037303 wrinkles Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation 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
- G01V1/30—Analysis
- G01V1/301—Analysis for determining seismic cross-sections or geostructures
-
- 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
-
- 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
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/642—Faults
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请关于一种低级序断层的识别方法、装置、设备及可读存储介质，涉及油藏地球物理勘探开发领域。该方法包括：获取地震数据；基于地震数据生成地震剖面；将地震剖面输入低级序断层识别模型中，输出得到对于储层的低级序断层的识别结果。在获取地震数据后，根据地震数据生成用于对储层的特征进行可视化表征的地震剖面，之后将地震剖面输入至模型当中，输出得到对于地震剖面中的低级序断层的识别结果。在进行低级序断层识别的过程中，通过完整的地震剖面作为低级序断层识别模型的输入值，在经过低级序断层识别模型的处理后，可以直接得到与地震剖面对应的识别结果，不会代入人机交互所产生的主观误差，提高了对于低级序断层进行识别的准确率。
Description
技术领域
本申请涉及油藏地球物理勘探开发领域，特别涉及一种低级序断层的识别方法、装置、设备及可读存储介质。
背景技术
在进行油气勘探的过程中，需要对储层的地质规律以及构造特征进行确定。在该确定过程中，即需要对于低级序断层进行识别，以进一步确定储层的地质性质。
相关技术中，通常在获取储层的地震剖面中对应的数据之后，通过人工识别的方法进行断层特征的判断，在进行断层特征的判断后，以断层特征为依据，对于低级序断层进行识别。
然而，由于地震剖面会受到不连续的噪声的影响，加之人工识别的方法具有不可忽略的主观误差，相关技术对于断层特征的判断不准确，致使对于低级序断层进行识别的结果的准确率低。
发明内容
本申请关于一种低级序断层的识别方法、装置、设备及可读存储介质，可以提高对于低级序断层进行识别的准确率。该技术方案如下：
一方面，提供了一种低级序断层的识别方法，该方法包括：
获取地震数据，地震数据包括对与自身对应的储层的性质进行表征的数据；
基于地震数据生成地震剖面，地震剖面用于对储层的特征进行可视化表征；
将地震剖面输入低级序断层识别模型中，输出得到对于储层的低级序断层的识别结果，低级序断层识别模型为神经网络模型，低级序断层的识别结果用于对储层的剩余油情况进行确定。
另一方面，提供了一种低级序断层的识别装置，该装置包括：
获取模块，用于获取地震数据，地震数据包括对与自身对应的储层的性质进行表征的数据；
生成模块，用于基于地震数据生成地震剖面，地震剖面用于对地震数据集合中的地震数据进行可视化表征；
输入模块，用于将地震剖面输入低级序断层识别模型中，输出得到对于储层的低级序断层的识别结果，低级序断层识别模型为神经网络模型，低级序断层的识别结果用于对储层的剩余油情况进行确定。
另一方面，提供了一种计算机设备，计算机设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述本申请实施例中提供的低级序断层的识别方法。
另一方面，提供了一种计算机可读存储介质，计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述任一所述的低级序断层的识别方法。
另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中任一所述的低级序断层的识别方法。
本申请提供的技术方案带来的有益效果至少包括：
在获取地震数据后，根据地震数据生成用于对储层的特征进行可视化表征的地震剖面，之后将完整的地震剖面直接输入至模型当中，输出得到对于地震剖面中的低级序断层的存在情况的识别结果。在进行低级序断层识别的过程中，通过完整的地震剖面作为低级序断层识别模型的输入值，在经过低级序断层识别模型的处理后，可以直接得到与地震剖面对应的识别结果，不会代入人机交互所产生的主观误差，提高了对于低级序断层进行识别的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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获得其他的附图。
图1示出了本申请一个示例性实施例提供的一种低级序断层的识别方法的流程图；
图2示出了本申请一个示例性提供的一种模拟地震数据的生成方法的流程图；
图3示出了本申请一个示例性实施例提供的一种低级序断层的识别方法；
图4示出了地震数据体对应x方向的子数据图像与断层标签的对应示意图；
图5示出了地震数据体对应y方向的子数据图像与断层标签的对应示意图；
图6示出了地震数据体对应z方向的子数据图像与断层标签的对应示意图；
图7示出了本申请一个示例性实施例提供的一种准确率曲线的示意图；
图8示出了本申请一个示例性实施例提供的一种损失度曲线的示意图；
图9示出了本申请一个示例性实施例提供的一种低级序断层的识别方法的过程示意图；
图10示出了本申请一个示例性实施例提供的一种低级序断层的识别装置的结构框图；
图11示出了本申请另一个示例性实施例提供的一种低级序断层的识别装置的结构框图；
图12示出了本申请一个示例性实施例提供的服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
首先，对本申请实施例中涉及的名词进行简单的介绍：
地震数据，是对储层的状态进行表征的数据。该储层可以是实际存在的储层，也可以是根据实际存在的储层进行模拟，得到的虚拟储层。也即，地震数据可以为实际存在的地震数据，也可以为根据虚拟储层推演得到的虚拟地震数据。本申请实施例对于地震数据的获取情况不作限制。
地震剖面，也叫地震记录剖面，是标示某条地震到的地震资料图。地震剖面包括时间剖面和深度剖面两种，本申请对于地震剖面的具体形式不作限制。可选地，研究人员可以结合测井资料，得到与地震剖面相对应的地震剖面数据，或，确定与地震剖面相对应的储层的地质结构。
低级序断层，是针对高级序断层所提出的概念。一个储层对应有多级的断层，在一个示例中，一个储层对应有五级断层，则相对于一级断层，二级断层至五级断层均为其低级序断层；相对于四级断层，五级断层为其低级序断层。可选地，在油田开发中，低级序断层特指四级序断层和五级序断层。低级序断层的存在使得储层的断块结构复杂化，具体而言，使断层中的油水关系复杂化，故，低级序断层的预测对于确定储层中的油水关系，进而提高储层中原油的采收具有重要的意义。
结合上述名词介绍，对本申请实施例提供的低级序断层的识别方法进行介绍。图1示出了本申请一个示例性实施例提供的一种低级序断层的识别方法的流程图，以该方法应用于地震数据处理服务器中为例进行说明，该方法包括：
步骤101，获取地震数据，地震数据包括对与自身对应的储层的性质进行表征的数据。
在本申请实施例中，执行低级序断层的识别方法的电子设备实现为一个服务器，服务器接收到其他电子设备，如地震波检测装置通过通信网络发送的候选地震数据后，进行需要获取的地震数据的确定。
在本申请实施例中，地震数据的获取途径包括从地震波实验中直接采集。地震波实验为对经过检测点的声波进行接收以及处理，最终确定地震数据的实验。在本申请实施例中，地震波实验中的数据存储装置对于地震数据进行存储，并通过数据接口发送至地震数据处理服务器中。
在本申请实施例中，地震数据的获取途径还包括模拟生成。在一个示例中，地震数据为随机生成的地震数据；在另一个示例中，地震数据为根据已获取的对应目标储层的地震数据进行模拟，得到的新的数据；在另一个示例中，地震数据为已进行为存储在地震数据处理服务器中的历史地震数据，本申请实施例对于地震数据的具体获取方式不作意义。
可选地，以地震数据可以表征自身所对应的储层性质确定地震数据是否为有效数据的评价标准。在一个示例中，获取的地震数据中的噪点数量过多，则对于地震数据进行降噪的预处理。
在本申请实施例中地震数据处理服务器每次获取的所有地震数据均为对应同一储层的地震数据。
步骤102，基于地震数据生成地震剖面，地震剖面用于对储层的特征进行可视化表征。
在本申请实施例中，地震剖面为对于储层的特征进行可视化的表现的地震图像。可选地，地震数据处理服务器连接有显示设备，该显示设备可以向用户显示地震剖面，用户可以通过对于该可视化地震剖面的浏览，直接得到与储层对应的特征的主观评价。
可选地，如步骤101中，在通过地震数据生成地震剖面的过程中，对于地震数据进行必要的预先处理。在一个示例中，地震剖面对应有清晰度数值。对于地震数据进行的预先处理，包括对于地震数据中的噪点的清楚，使地震剖面的清晰度数值提高的处理。
在本申请实施例中，地震剖面实现为对于服务器中单次获取到的所有地震数据进行统一表征的图像。
步骤103，将地震剖面输入低级序断层识别模型中，输出得到对于储层的低级序断层的识别结果，低级序断层识别模型为神经网络模型，低级序断层的识别结果用于对储层的剩余油情况进行确定。
在本申请实施例中，低级序断层识别模型中为基于神经网络的模型。在本申请的其他实施例中，低级序断层识别模型可以实现为经验模型。本申请对于低级序断层识别模型的具体形式不做限制。在本申请实施例中，低级序断层识别模型中包括向量机算法(Support Vector Machine，SVM)模型、自适应神经模糊推理系统(Adaptive Network-based Fuzzy Inference System，ANFIS)模型和小波神经网络(Wavelet Neural Network,WNN)模型中的至少一种。
可选地，低级序断层识别模型中包括卷积神经网络模型。卷积神经网络模型中包括全卷积神经网络模型。在本申请实施例中，当低级序断层识别模型中包括卷积神经网络模型时，该卷积神经网络模型即为全卷积神经网络模型。
在本申请实施例中，低级序断层识别对应的输入值为完整的地震剖面，也即，地震数据处理服务器将与同一储层对应的数据进行获取或生成，并完整输入值低级序断层识别对应的地震剖面中。
在本申请实施例中，低级序断层识别模型的识别结果中，包括指示地震剖面中具有低级序断层的识别结果，以及指示地震剖面中不具有低级序断层的识别结果。在一个示例中，低级序断层识别模型的输出结果为0和1，其中，0为指示地震剖面中不具有低级序断层的识别结果，1为指示地震剖面中具有低级序断层的识别结果。
在输出识别结果之后，用户即可根据识别结果，确定地震数据对应的地震剖面中是否对应有低级序断层。
在本申请实施例中，当确定识别结果后，即可根据识别结果，对于储层的剩余油情况进行确定。
综上所述，本实施例提供的方法，在获取地震数据后，根据地震数据生成用于对储层的特征进行可视化表征的地震剖面，之后将完整的地震剖面直接输入至模型当中，输出得到对于地震剖面中的低级序断层的存在情况的识别结果。在进行低级序断层识别的过程中，通过完整的地震剖面作为低级序断层识别模型的输入值，在经过低级序断层识别模型的处理后，可以直接得到与地震剖面对应的识别结果，不会代入人机交互所产生的主观误差，提高了对于低级序断层进行识别的准确率。
在本申请实施例中，地震数据可能是对应实际存在的储层的数据，也可能是对应虚拟储层的数据，而对应虚拟储层的地震数据是由对应实际存在的储层的数据衍生生成的。图2示出了本申请一个示例性提供的一种模拟地震数据的生成方法的流程图，以该方法应用于地震数据处理服务器中为例进行说明，该方法包括：
步骤201，获取与储层对应的原始地震数据。
在本申请实施例中，地震数据包括原始地震数据和模拟地震数据。原始地震数据即为对储层进行地震波实验，所得到的数据；对应地，模拟地震数据为对模拟储层进行表征的数据。
在本申请实施例中，获取原始地震数据的方法可以为，通过数据接口从进行地震波实验的检波器中获取原始地震数据；或，获取原始地震数据的方法可以为，向检波器发送请求指令，响应于接收到该请求指令，接收检波器反馈的原始地震数据。
步骤202，确定与原始地震数据对应的第一褶皱结构参数。
在本申请实施例中，原始地震数据中指示的方向包括第一方向，第二方向以及第三方向。在将与原始地震数据对应的地震剖面置入笛卡尔坐标系中后，即可确定三个相互垂直的方向为第一方向、第二方向以及第三方向。在本申请实施例中，设第一方向为x方向，第二方向为y方向，第三方向为z方向。
在本申请实施例中，当确定与原始地震数据对应的褶皱结构参数后，根据x方向、y方向以及z方向的储层结构，可以建立褶皱结构反射系数模型h(x,y,z)。该水平反射系数模型的范围为[-1,1]。同时，参考如下公式1：
该公式为对于储层内褶皱结构的情况进行模拟的公式，式中，x、y、z分别为对应在其方向上的参数，该参数可以为时序参数，也可以为地震道参数。m0,nk,lk,pk,σk均为可以进行随机调整的组合参数。在一个示例中，每种褶皱结构对应的五个组合参数的值均不同；或，在另一个示例中，每种褶皱结构对应的五个组合参数中，至少一个组合参数的值不同。
此外，参考如下公式2：
公式2：f2(x,y,z)＝t0+ix+jy
式中，x、y、z分别为对应在其方向上的参数。t0,i,j为公式2所对应的结构参数。公式2为对应公式1的平面剪切公式，而由公式1与公式2结合，最终确定的水平反射系数模型为h(x,y,z+f1+f2)。通过该水平反射系数模型，即可对于不同的水平反射系数进行模拟，而模拟时，进行改变的参数即为m0,nk,lk,pk,σk以及t0,i,j。上述参数即为第一褶皱结构参数。
步骤203，将第一褶皱结构参数进行变换，得到第二褶皱结构参数。
步骤203所示的过程即为，将步骤202中所示的八个参数的至少一个进行调整的过程，通过将第一褶皱结构参数调整至第二褶皱结构参数，可以得到与模拟地震数据对应的褶皱结构参数，进而确定新的反射系数模型，并且生成新的候选地震数据。
步骤204，确定与模拟地震数据对应的第一结构反射参数。
在本申请实施例中，储层对应有断层反射系数h1(x,y,z)，其与水平反射系数模型的关系如下公式3所示：
公式3：
请参考公式3，式中，R为矩阵，且
同时，S对应实现为矩阵，
R和S中的包括参数u,v,w,σu,σv,σw，当公式4对应原始地震数据时，上述数据即为该原始地震数据对应的第一结构反射系数。
步骤205，将第一结构反射参数进行变换，得到第二结构反射参数。
在本申请实施例中，将上述u,v,w,σu,σv,σw中的至少一个参数进行替换，即可得到第二结构反射参数。也即，第二反射参数与第一反射参数中有至少一个参数。
步骤206，基于第二褶皱参数与第二结构反射参数，生成模拟地震数据。
在本申请实施例中，将第二褶皱参数与第二反射结构参数进行组合，即可确定模拟地震数据。可选地，在结合后，对应原始地震数据的信噪比，对模拟地震数据进行随机加噪处理，以提升模拟地震数据的真实性。
综上所述，本实施例提供的方法，通过以结构反射参数和褶皱参数对于原始地震数据进行表征，并且改变上述参数所对应的参数值，使对应原始地震数据，生成了较为贴合实际情况的模拟地震数据。增加了低级序断层识别模型的数据来源，进而提高了模型的训练量，对提高识别的准确率起到帮助作用。
在本申请中，低级序断层模型可以通过标注有样本识别结果的地震数据进行训练。图3示出了本申请一个示例性实施例提供的一种低级序断层的识别方法，以该方法应用于地震数据处理服务器中为例进行说明，该方法包括：
步骤301，获取地震数据。
在本申请实施例中，执行低级序断层的识别方法的电子设备实现为一个服务器，服务器接收到其他电子设备，如地震波检测装置通过通信网络发送的候选地震数据后，进行需要获取的地震数据的确定。
在本申请实施例中，地震数据即包括由地震波实验得到的原始地震数据，以及对原始地震数据进行处理得到的模拟地震数据。可选地，地震数据还可以包括存储在地震数据处理服务器当中的历史数据。
有原始地震数据获取模拟地震数据的方法如步骤201至步骤206中所述。
步骤302，基于地震数据生成地震剖面。
在本过程中，地震剖面对对于储层的特征进行可视化的表现的地震图像。地震剖面实现为对于服务器中单次获取到的，对同一储层的所有地震数据进行统一表征的图像。
在本申请实施例中，生成地震剖面后，可以对于地震剖面进行分割以及延展，进一步生成模拟地震数据。
步骤303，将地震剖面进行分割，得到子数据图像。
步骤303以为对于地震剖面进行分割的过程。在本申请实施例中，地震剖面将会被分割成为至少两个子数据图像。在一个示例中，地震剖面将被分割成64*64*64的子数据图像，以增加地震数据的数量。
步骤304，对子数据图像进行样本识别。
在本申请实施例中，对将地震剖面分割成为的子数据图像进行样本识别。该样本识别可以为人工标注，也可以为根据地震数据处理器中的其他数据中的历史数据进行识别得到的数据。在一个示例中，地震数据处理器中存储有经验模型，通过将子数据图像输入经验模型当中，输出得到子数据图像的样本识别结果。
步骤305，根据样本识别的结果对子数据图像标注样本识别结果。
在本申请实施例中，样本识别的结果包括第一识别结果以及第二识别结果，其中，第一识别结果指示地震数据为断层，第二识别结果指示地震数据为非断层。应用于子数据图像的标注中即可得知，第一识别结果指示子数据图像对应的储层具有断层，第二识别结果指示子数据图像对应的储层为非断层。
步骤306，将子数据图像进行数据增强处理，得到对应有样本识别结果的地震剖面。
在本申请实施例中，数据增强处理包括时间轴旋转处理、翻转变换处理、缩放变换处理、平移变换处理以及尺度变换处理中的至少一种。
在本申请实施例中，对应不同的子数据图像的不同方向，具有不同的断层标签。图4至图6示出了对应同一地震数据体的不同方向的子数据图像以及断层标签。如图4所示，对应x方向的子数据图像401，有x方向的断层标签402；如图5所示，对应y方向的子数据图像501，有y方向的断层标签502；如图6所示，对应z方向的子数据图像601，有z方向的子数据图像602。
上述数据增强处理可以是针对一个方向的子数据图像的数据增强处理，也可以是对应至少两个方向的子数据图像的数据增强处理。本申请对于子数据图像的数据增强处理方法不做限制。
步骤307，将地震剖面输入低级序断层识别模型中，输出得到对于储层的低级序断层的识别结果。
可选地，本申请实施例中的低级序断层模型中包括全卷机神经网络，全卷积神经网络中依次具有输入层、卷积层、池化层、反卷积层、反池化层以及输出层。
其中，输出层用于接收地震剖面，并且输送至内部层中进行训练。
地震剖面在卷积层中按照一定的像素间距对其进行分割扫描形成子集，卷积层内含有卷积核，卷积核的初始权值随机赋值，主要用于和地震剖面图像像素元素进行卷积运算，将结果相加再赋以一定偏置值，在不断梯度反向传播更新中，卷积核的值将会改变。卷积层可以缩减数据规模，减小计算消耗。
池化层用于保留输入数据中的各个子集中的最大值，以减少数据规模。
反卷积层用于通过补0操作的方式进行卷积核反转。
反池化层用于将最大激活值进行保留。
输出层即用于输出低级序断层识别模型预测得到的地震剖面属于断层或非断层的概率。
在本申请实施例中，对应输出层，还设置有损失函数，进行最终输出结果的校正。在一个示例中，损失函数如下公式4所示：
公式4：
式中，β表示非断层像素站地震剖面中所有像素的比例，pi表示断层的比例，表示断层的概率，yi为标签值，L为损失函数。
步骤308，确定识别结果与样本识别结果之间的识别差异。
在本申请实施例中，部分地震数据标注有样本识别结果。在一个示例中，模拟地震数据即标注有样本识别结果，在通过低级序断层识别模型进行数据预测之后，即可确定识别结果与样本识别结果之间的识别差异。
步骤309，根据识别差异，对低级序断层识别模型进行调整。
该过程即为对应识别差异，调整低级序断层识别模型中的模型参数的过程。
在本申请实施例中，步骤307至步骤309可以重复执行，通过步骤307至步骤309的重复执行，可以对模型的识别准确率以及模型中的损失函数进行调整。图7示出了本申请一个示例性实施例提供的一种随着训练过程的次数增多，预测准确率的趋势图。请参考图7，横坐标为训练次数701，纵坐标为准确率702，根据准确率曲线710的走向可以看出，随着训练次数的增多，模型对于低级序断层的识别准确率提高。请参考图8，横坐标为训练次数801，纵坐标为损失值802，根据损失曲线810可以得出，随着训练次数的增多，模型中的损失值下降。
综上所述，本实施例提供的方法，在获取地震数据后，根据地震数据生成用于对储层的特征进行可视化表征的地震剖面，之后将完整的地震剖面直接输入至模型当中，输出得到对于地震剖面中的低级序断层的存在情况的识别结果。在进行低级序断层识别的过程中，通过完整的地震剖面作为低级序断层识别模型的输入值，在经过低级序断层识别模型的处理后，可以直接得到与地震剖面对应的识别结果，不会代入人机交互所产生的主观误差，提高了对于低级序断层进行识别的准确率。
图9示出了本申请一个示例性实施例提供的一种低级序断层的识别方法的过程示意图，以该方法应用于数据处理服务器中为例进行说明，该方法包括：
步骤901，建立复杂褶皱结构反射系数模型。
该过程即为对根据获取到的地震数据的进行褶皱结构参数的确定以及模型构建的过程。
可选地，在该过程之间，还包括对于地震数据的获取过程。
步骤902，建立包含复杂断层结构的反射系数模型。
该过程即为根据获取到的地震数据进行反射结构参数的确定以及对应的模型构建的过程。
步骤903，合成地震数据。
该过程即为根据第二褶皱结构参数以及第二结构反射参数进行模拟地震数据的合称，并结合原始地震数据进行数据组合的过程。
步骤904，数据分割。
该过程即为对于原始地震数据以及模拟地震数据进行数据分割，以得到子数据图像，并根据子数据图像进行数据衍生的过程。
步骤905，制作训练数据和验证数据集。
该过程即为对对应有识别结果的地震数据进行标注的过程。在本申请实施例中，对应有样本识别结果的数据为子数据图像衍生生成的数据。
步骤906，建立深度卷积神经网络。
该过程即为对于低级序断层识别模型的建立模型。在本申请实施例中，低级序断层识别模型为全卷积神经网络，也即，深度卷积神经网络模型。
步骤907，训练深度卷积神经网络。
该过程即为对于低级序断层识别模型的训练过程，可选地，通过步骤905中的训练数据以及验证数据集对于深度卷积神经网络进行训练。
步骤908，应用深度卷积神经网络。
该过程即为将训练完成的低级序断层识别模型进行应用，将地震剖面输入低级序断层识别模型中，输出得到对于储层的低级序断层的识别结果的过程。在本申请实施例中，应用过程与训练过程可以同步进行。
综上所述，本实施例提供的方法，在获取地震数据后，根据地震数据生成用于对储层的特征进行可视化表征的地震剖面，之后将完整的地震剖面直接输入至模型当中，输出得到对于地震剖面中的低级序断层的存在情况的识别结果。在进行低级序断层识别的过程中，通过完整的地震剖面作为低级序断层识别模型的输入值，在经过低级序断层识别模型的处理后，可以直接得到与地震剖面对应的识别结果，不会代入人机交互所产生的主观误差，提高了对于低级序断层进行识别的准确率。
图10示出了本申请一个示例性实施例提供的一种低级序断层的识别装置的结构框图，该装置包括：
获取模块1001，用于获取地震数据，地震数据包括对与自身对应的储层的性质进行表征的数据；
生成模块1002，用于基于地震数据生成地震剖面，地震剖面用于对储层的特征进行可视化表征；
输入模块1003，用于将地震剖面输入低级序断层识别模型中，输出得到对于储层的低级序断层的识别结果，低级序断层识别模型为神经网络模型，低级序断层的识别结果用于对储层的剩余油情况进行确定。
在一个可选的实施例中，地震数据包括原始地震数据和模拟地震数据，原始地震数据为对储层进行地震波实验得到的数据，模拟地震数据为对模拟储层进行表征的数据；
获取模块1001，还用于获取与储层对应的原始地震数据；
生成模块1002，还用于基于原始地震数据生成模拟地震数据。
请参考图11，该装置，还包括确定模块1004，用于确定与原始地震数据对应的第一褶皱结构参数；
变换模块1005，用于将第一褶皱结构参数进行变换，得到第二褶皱结构参数；
确定模块1004，还用于确定与原始地震数据对应的第一结构反射参数；
变换模块1005，还用于将第一结构反射参数进行变换，得到第二结构反射参数；
生成模块1002，还用于基于第二褶皱参数与第二结构反射参数，生成模拟地震数据。
在一个可选的实施例中，地震数据标注有样本识别结果；
将地震剖面输入低级序断层识别模型中，输出得到对于储层的低级序断层的识别结果之后，确定模块1004，还用于确定识别结果与样本识别结果之间的识别差异；
该装置，还包括调整模块1006，用于根据识别差异，对低级序断层识别模型进行调整。
在一个可选的实施例中，该装置，还包括分割模块1007，用于将地震剖面进行数据分割，得到子数据图像；
识别模块1008，用于对子数据图像进行样本识别；
标注模块1009，用于根据样本识别的结果对子数据图像标注样本识别结果；
处理模块1010，用于将子数据图像进行数据增强处理，得到对应有样本识别结果的地震剖面。
在一个可选的实施例中，样本识别结果包括第一识别结果与第二识别结果；
第一识别结果指示地震数据对应断层；
第二识别结果指示地震数据对应非断层。
在一个可选的实施例中，低级序断层模型中包括全卷积神经网络；
全卷积神经网络中依次具有输入层、卷积层、池化层、反卷积层、反池化层以及输出层。
综上所述，本实施例提供的方法，在获取地震数据后，根据地震数据生成用于对储层的特征进行可视化表征的地震剖面，之后将完整的地震剖面直接输入至模型当中，输出得到对于地震剖面中的低级序断层的存在情况的识别结果。在进行低级序断层识别的过程中，通过完整的地震剖面作为低级序断层识别模型的输入值，在经过低级序断层识别模型的处理后，可以直接得到与地震剖面对应的识别结果，不会代入人机交互所产生的主观误差，提高了对于低级序断层进行识别的准确率。
需要说明的是：上述实施例提供的低级序断层的识别装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的低级序断层的识别装置与低级序断层的识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请还提供了一种服务器，该服务器包括处理器和存储器，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行以实现上述各个方法实施例提供的低级序断层的识别方法。需要说明的是，该服务器可以是如下图12所提供的服务器。
请参考图12，其示出了本申请一个示例性实施例提供的服务器的结构示意图。具体来讲：服务器1200包括中央处理单元(Central Processing Unit，CPU)1201、包括随机存取存储器(Random Access Memory，RAM)1202和只读存储器(Read-Only Memory，ROM)1203的系统存储器1204，以及连接系统存储器1204和中央处理单元1201的系统总线1205。服务器1200还包括帮助计算机内的各个器件之间传输信息的基本输入/输出(Input OutputSystem，I/O)系统1206，和用于存储操作系统1213、应用程序1214和其他程序模块1215的大容量存储设备1207。
基本输入/输出系统1206包括有用于显示信息的显示器1208和用于用户输入信息的诸如鼠标、键盘之类的输入设备1209。其中显示器1208和输入设备1209都通过连接到系统总线1205的输入/输出控制器1210连接到中央处理单元1201。基本输入/输出系统1206还可以包括输入/输出控制器1210以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入/输出控制器1210还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备1207通过连接到系统总线1205的大容量存储控制器(未示出)连接到中央处理单元1201。大容量存储设备1207及其相关联的计算机可读介质为服务器1200提供非易失性存储。也就是说，大容量存储设备1207可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、带电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、闪存或其他固态存储其技术，CD-ROM、数字多功能光盘(Digital Video Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器1204和大容量存储设备1207可以统称为存储器。
存储器存储有一个或多个程序，一个或多个程序被配置成由一个或多个中央处理单元1201执行，一个或多个程序包含用于实现上述低级序断层的识别方法的指令，中央处理单元1201执行该一个或多个程序实现上述各个方法实施例提供的低级序断层的识别方法。
根据本申请的各种实施例，服务器1200还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1200可以通过连接在系统总线1205上的网络接口单元1211连接到网络1212，或者说，也可以使用网络接口单元1211来连接到其他类型的网络或远程计算机系统(未示出)。可选地，本申请实施例中，服务器1200可以通过网络接口单元1211连接到通信网络，可选地，服务器1200还可以通过无线网络与其他设备建立连接。
存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，一个或者一个以上程序包含用于进行本申请实施例提供的低级序断层的识别方法中由服务器所执行的步骤。
本申请实施例还提供一种计算机可读存储介质，该可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述低级序断层的识别方法。
本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中任一所述的低级序断层的识别方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端中的计算机可读存储介质。该计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述低级序断层的识别方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种低级序断层的识别方法，其特征在于，所述方法应用于地震数据处理服务器中，所述方法包括：
获取地震数据，所述地震数据包括对与自身对应的储层的性质进行表征的数据；
基于所述地震数据生成地震剖面，所述地震剖面用于对所述储层的特征进行可视化表征；
将所述地震剖面输入所述低级序断层识别模型中，输出得到对于所述储层的低级序断层的识别结果，所述低级序断层识别模型为神经网络模型，所述低级序断层的识别结果用于对所述储层的剩余油情况进行确定。
2.根据权利要求1所述的方法，其特征在于，所述地震数据包括原始地震数据和模拟地震数据，所述原始地震数据为对所述储层进行地震波实验得到的数据，所述模拟地震数据为对模拟储层进行表征的数据；
所述获取地震数据，包括：
获取与储层对应的原始地震数据；
基于所述原始地震数据生成模拟地震数据。
3.根据权利要求2所述的方法，其特征在于，所述基于所述原始地震数据生成模拟地震数据，包括：
确定与所述原始地震数据对应的第一褶皱结构参数；
将所述第一褶皱结构参数进行变换，得到第二褶皱结构参数；
确定与所述原始地震数据对应的第一结构反射参数；
将所述第一结构反射参数进行变换，得到第二结构反射参数；
基于所述第二褶皱参数与所述第二结构反射参数，生成所述模拟地震数据。
4.根据权利要求1至3任一所述的方法，其特征在于，所述地震数据标注有样本识别结果；
所述将所述地震剖面输入所述低级序断层识别模型中，输出得到对于所述储层的低级序断层的识别结果之后，还包括：
确定所述识别结果与所述样本识别结果之间的识别差异；
根据所述识别差异，对所述低级序断层识别模型进行调整。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
将所述地震剖面进行数据分割，得到子数据图像；
对所述子数据图像进行样本识别；
根据所述样本识别的结果对所述子数据图像标注样本识别结果；
将所述子数据图像进行数据增强处理，得到对应有所述样本识别结果的所述地震剖面。
6.根据权利要求5所述的方法，其特征在于，所述样本识别结果包括第一识别结果与第二识别结果；
所述第一识别结果指示所述地震数据对应断层；
所述第二识别结果指示所述地震数据对应非断层。
7.根据权利要求1至3任一所述的方法，其特征在于，所述低级序断层模型中包括全卷积神经网络；
所述全卷积神经网络中依次具有输入层、卷积层、池化层、反卷积层、反池化层以及输出层。
8.一种低级序断层的识别装置，其特征在于，所述装置包括：
获取模块，用于获取地震数据，所述地震数据包括对与自身对应的储层的性质进行表征的数据；
生成模块，用于基于所述地震数据生成地震剖面，所述地震剖面用于对所述地震数据集合中的所述地震数据进行可视化表征；
输入模块，用于将所述地震剖面输入所述低级序断层识别模型中，输出得到对于所述储层的低级序断层的识别结果，所述低级序断层识别模型为神经网络模型，所述低级序断层的识别结果用于对所述储层的剩余油情况进行确定。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的低级序断层的识别方法。
10.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的低级序断层的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011237412.9A CN112346126B (zh) | 2020-11-09 | 2020-11-09 | 低级序断层的识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011237412.9A CN112346126B (zh) | 2020-11-09 | 2020-11-09 | 低级序断层的识别方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112346126A true CN112346126A (zh) | 2021-02-09 |
| CN112346126B CN112346126B (zh) | 2024-02-02 |
Family
ID=74429104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011237412.9A Active CN112346126B (zh) | 2020-11-09 | 2020-11-09 | 低级序断层的识别方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112346126B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113093287A (zh) * | 2021-03-24 | 2021-07-09 | 新疆大学 | 一种低序级断层断点识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105334534A (zh) * | 2015-10-21 | 2016-02-17 | 中国石油大学(华东) | 一种基于构造模式指导下的低序级断层解释方法 |
| CN109490959A (zh) * | 2018-12-10 | 2019-03-19 | 广东石油化工学院 | 复杂构造区低序级断层的地震识别方法 |
| CN110737021A (zh) * | 2019-11-06 | 2020-01-31 | 中国矿业大学(北京) | 断层识别的方法及其模型训练方法、装置 |
-
2020
- 2020-11-09 CN CN202011237412.9A patent/CN112346126B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105334534A (zh) * | 2015-10-21 | 2016-02-17 | 中国石油大学(华东) | 一种基于构造模式指导下的低序级断层解释方法 |
| CN109490959A (zh) * | 2018-12-10 | 2019-03-19 | 广东石油化工学院 | 复杂构造区低序级断层的地震识别方法 |
| CN110737021A (zh) * | 2019-11-06 | 2020-01-31 | 中国矿业大学(北京) | 断层识别的方法及其模型训练方法、装置 |
Non-Patent Citations (1)
| Title |
|---|
| 吴吉忠 等: "基于全卷积神经网络(FCN)的低序级断层识别方法研究", 《SPG/SEG 南京2020 年国际地球物理会议论文集（中文）》, pages 995 - 997 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113093287A (zh) * | 2021-03-24 | 2021-07-09 | 新疆大学 | 一种低序级断层断点识别方法 |
| CN113093287B (zh) * | 2021-03-24 | 2022-10-14 | 新疆大学 | 一种低序级断层断点识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112346126B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102318772B1 (ko) | 도메인 분리 뉴럴 네트워크들 | |
| EP3648014A1 (en) | Model training method, data identification method and data identification device | |
| US20180247227A1 (en) | Machine learning systems and methods for data augmentation | |
| US11314989B2 (en) | Training a generative model and a discriminative model | |
| CN111386536A (zh) | 语义一致的图像样式转换 | |
| JP6612486B1 (ja) | 学習装置、分類装置、学習方法、分類方法、学習プログラム、及び分類プログラム | |
| CN114820871B (zh) | 字体生成方法、模型的训练方法、装置、设备和介质 | |
| CN115861462B (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
| Huai et al. | Zerobn: Learning compact neural networks for latency-critical edge systems | |
| CN115131560A (zh) | 基于全局特征学习和局部特征判别聚合的点云分割方法 | |
| CN111325697B (zh) | 一种基于张量本征变换的彩色图像修复方法 | |
| CN117132763A (zh) | 电力图像异常检测方法、装置、计算机设备和存储介质 | |
| CN114968241A (zh) | 交互页面的渲染方法、装置、计算机设备及存储介质 | |
| CN112346126B (zh) | 低级序断层的识别方法、装置、设备及可读存储介质 | |
| CN112839185B (zh) | 用于处理图像的方法、装置、设备和介质 | |
| CN111583321A (zh) | 图像处理装置、方法及介质 | |
| CN116704208A (zh) | 基于特征关系的局部可解释方法 | |
| CN116881971A (zh) | 一种敏感信息泄露检测方法、设备及存储介质 | |
| CN114741697B (zh) | 恶意代码分类方法、装置、电子设备和介质 | |
| CN115601759A (zh) | 端到端文本识别方法、装置、设备及存储介质 | |
| CN115631176A (zh) | 艺术设计教学系统及其方法 | |
| KR102454742B1 (ko) | 뇌 피질 영역의 두께를 분석하는 방법 | |
| CN115170418A (zh) | 符合退化的低秩高维图像填充模型及其填充方法与系统 | |
| CN114743187A (zh) | 银行安全控件自动登录方法、系统、设备及存储介质 | |
| CN113762120A (zh) | 绝缘子图像分割方法、装置、电子设备及存储介质 |
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 |