CN112464547B - 地震倾角和方位角的确定方法及装置 - Google Patents

地震倾角和方位角的确定方法及装置 Download PDF

Info

Publication number
CN112464547B
CN112464547B CN201910841227.1A CN201910841227A CN112464547B CN 112464547 B CN112464547 B CN 112464547B CN 201910841227 A CN201910841227 A CN 201910841227A CN 112464547 B CN112464547 B CN 112464547B
Authority
CN
China
Prior art keywords
seismic
sub
volumes
neural network
seismic data
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
Application number
CN201910841227.1A
Other languages
English (en)
Other versions
CN112464547A (zh
Inventor
杨昊
魏超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN201910841227.1A priority Critical patent/CN112464547B/zh
Publication of CN112464547A publication Critical patent/CN112464547A/zh
Application granted granted Critical
Publication of CN112464547B publication Critical patent/CN112464547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供一种地震倾角和方位角的确定方法及装置，其中，该方法包括：获取待确定地震倾角和方位角的三维地震数据体；从所述三维地震数据体中获取所有地震数据子体；对于每一所述地震数据子体进行如下操作，直到得到所有地震数据子体对应的地震倾角和方位角：将地震数据子体输入预先训练生成的神经网络模型，得到多个地震小层；根据所述多个地震小层，得到与地震数据子体对应的地震倾角和方位角；其中，所述神经网络模型根据多个地震数据子体与对应的地震小层样本数据预先训练生成。上述技术方案提高了地震倾角和方位角确定的效率和准确率。

Description

地震倾角和方位角的确定方法及装置
技术领域
本发明涉及地球物理勘探技术领域，特别涉及一种地震倾角和方位角的确定方法及装置。
背景技术
地震倾角和方位角属性体是一种重要的解释工具，不仅可以用于解释局部反射层面，消除地层形态对于相干体计算和构造导向滤波的影响，还可以用于计算曲率体，突出隐蔽断层。
目前，地震倾角和方位角的确定方法主要有三种：①基于复地震道分析确定方法；②基于波形相似性扫描的确定方法；③基于梯度结构张量的确定方法。其中，方法①计算瞬时相位在时间及空间方向的导数，得到瞬时频率和瞬时波数，再由瞬时频率和瞬时波数计算得到地震倾角和方位角。但这种方法得到的倾角和方位角容易产生奇异值，往往需要进行必要的平滑滤波，降低了计算结果的分辨率；方法②在局部分析窗口内对一系列的离散倾角和方位角值进行扫描，直到沿着与之对应的小平面所有地震道的波形最为相似。由于倾角和方位角值是离散采样的，这种方法容易漏掉不明显隐蔽构造；方法③利用梯度结构张量的第一特征向量计算倾角和方位角，但这种方法的数值求导窗口和特征向量分析窗口都会平滑计算结果，影响倾角和方位角计算结果的垂向和横向分辨率。此外，方法②和方法③都是利用一小块地震数据体来估计其中心点的倾角和方位角值，这种体-点的计算方式影响了计算效率。
另外，现有基于神经网络来确定的地震倾角和方位角的方案，需要为训练神经网络准备标签数据，由于存在标签数据不完备或与实际地震数据匹配不佳等问题，导致最终确定的地震倾角和方位角不准确。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种地震倾角和方位角的确定方法，用以提高确定地震倾角和方位角的效率和准确率，该方法包括：
获取待确定地震倾角和方位角的三维地震数据体；
从所述三维地震数据体中获取所有地震数据子体；
对于每一所述地震数据子体进行如下操作，直到得到所有地震数据子体对应的地震倾角和方位角：将地震数据子体输入预先训练生成的神经网络模型，得到多个地震小层；根据所述多个地震小层，得到与地震数据子体对应的地震倾角和方位角；
其中，所述神经网络模型根据多个地震数据子体与对应的地震小层样本数据预先训练生成。
本发明实施例还提供了一种地震倾角和方位角的确定装置，用以提高确定地震倾角和方位角的效率和准确率，该装置包括：
第一获取单元，用于获取待确定地震倾角和方位角的三维地震数据体；
第二获取单元，用于从所述三维地震数据体中获取所有地震数据子体；
地震倾角和方位角确定单元，用于对于每一所述地震数据子体进行如下操作，直到得到所有地震数据子体对应的地震倾角和方位角：将地震数据子体输入预先训练生成的神经网络模型，得到多个地震小层；根据所述多个地震小层，得到与地震数据子体对应的地震倾角和方位角；
其中，所述神经网络模型根据多个地震数据子体与对应的地震小层样本数据预先训练生成。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述地震倾角和方位角的确定方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述地震倾角和方位角的确定方法的计算机程序。
本发明实例提供的技术方案中，通过：获取待确定地震倾角和方位角的三维地震数据体；从所述三维地震数据体中获取所有地震数据子体；对于每一所述地震数据子体进行如下操作，直到得到所有地震数据子体对应的地震倾角和方位角：将地震数据子体输入预先训练生成的神经网络模型，得到多个地震小层；根据所述多个地震小层，得到与地震数据子体对应的地震倾角和方位角，该神经网络模型是根据多个地震数据子体与对应的地震小层样本数据预先训练生成，从而高效地实现了从地震子体到倾角和方位角子体的体-体计算，首先无需利用一小块地震数据体来估计其中心点的倾角和方位角值，从而提高了地震倾角和方位角确定的效率；其次，不需要为训练神经网络准备标签数据，避免了标签数据不完备或与实际地震数据匹配不佳等问题，进而利用地震数据子体与对应的地震小层的神经网络模型，得到的地震倾角和方位角准确率也高。
综上，本发明实施例提供的技术方案提高了地震倾角和方位角确定的效率和准确率。
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获得其他的附图。
图1是本发明实施例中地震倾角和方位角的确定方法的流程示意图；
图2是本发明实施例中神经网络的结构示意图；
图3是本发明实施例中一些输入地震子体剖面(每个小图的上图)以及对应的输出地震小层(黑色实线)和利用地震小层拉平得到的拉平地震子体剖面(每个小图的下图)示意图；
图4是本发明实施例中目标函数值随梯度下降次数的变化曲线示意图；
图5是本发明实施例中地震剖面示意图；
图6是本发明实施例中应用训练好的神经网络计算得到的与图5地震剖面对应的视倾角剖面示意图；
图7是本发明实施例的利用层拉平的地震子体提取的与图5地震剖面对应的地震数据的不连续性属性的示意图；
图8是本发明实施例中地震倾角和方位角的确定装置的结构示意图。
具体实施方式
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做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。
本发明提出了一种基于神经网络的地震倾角和方位角的确定方案。在建立神经网络目标函数时，方法不需要显式给定与输入地震子体对应的倾角属性标签，而是将多个地震小层作为神经网络的输出，并以沿层地震道相似性准则建立神经网络目标函数。方法的优点是：(1)高效实现了从地震子体到倾角和方位角子体的体-体计算；(2)方法不需要为训练神经网络准备标签数据，避免了标签数据不完备或与实际地震数据匹配不佳等问题；(3)方法在实现沿层地震道相似性计算时会生产一个层拉平的地震子体，利用这个层拉平的地震子体提取地震数据的不连续性属性十分方便。下面对该地震倾角和方位角的确定方案进行详细介绍。
图1是本发明实施例中地震倾角和方位角的确定方法的流程示意图，如图1所示，该方法包括：
步骤101：获取待确定地震倾角和方位角的三维地震数据体；
步骤102：从所述三维地震数据体中获取所有地震数据子体；
步骤103：对于每一所述地震数据子体进行如下操作，直到得到所有地震数据子体对应的地震倾角和方位角：将地震数据子体输入预先训练生成的神经网络模型，得到多个地震小层；根据所述多个地震小层，得到与地震数据子体对应的地震倾角和方位角；
其中，所述神经网络模型根据多个地震数据子体与对应的地震小层样本数据预先训练生成。
本发明实施例提供的技术方案提高了地震倾角和方位角确定的效率和准确率。
下面再结合附图2至图7，对本发明实施例涉及的各个步骤进行详细介绍。
一、首先介绍预先训练生成神经网络模型的步骤。
在一个实施例中，可以按照如下方法预先训练生成所述神经网络模型：
构建神经网络；神经网络的输入是地震数据子体，输出是与输入地震数据子体对应的多个地震小层；
建立无标签神经网络目标函数；
采用随机梯度下降方法，基于所述无标签神经网络目标函数，利用多个地震数据子体与对应的地震小层样本数据对所述神经网络进行训练，得到所述神经网络模型。
训练神经网络的步骤主要包括：
1、构建神经网络。这个神经网络它主要由一个卷积层、一个池化层和一个全连接层组成，神经网络的输入是地震数据子体，输出是与输入地震数据子体对应的一系列地震小层，如图2所示。图2中的各参数的含义如下：
nz×ny×nx表示输入地震子体的大小；
nz为垂直方向的点数；
ny和nx为两个水平方向的点数；
Conv 3×3×3表示大小为3×3×3的卷积层；
Relu为一种神经网络激活函数；
Max_pool 2×2×2表示大小为2×2×2的最大磁化层；
nz1×ny1×nx1为神经网络计算过程中生成的中间数据体的大小；
nChannel为卷积神经网络的通道数；
Fully connected表示全连接层；
Sigmoid为另一种神经网络激活函数；
nHor×ny×nx表示输出小层体的大小，其中nHor为小层个数。
2、建立无标签神经网络目标函数。
具体实施时，建立无标签神经网络目标函数，可以包括：
利用神经网络输出的多个地震小层对输入的地震数据子体进行层拉平，得到对应的层拉平地震数据子体；
根据层拉平地震数据子体的地震道相似性，建立所述无标签神经网络目标函数。
具体实施时，利用神经网络输出的一系列地震小层对输入的地震数据子体进行层拉平，得到对应的层拉平子体，统计层拉平地震子体的地震道相似性，用于建立神经网络目标函数。图3是本发明实施例的一些输入地震子体剖面(每个小图的上图)以及对应的输出地震小层(黑色实线)和利用地震小层拉平得到的拉平地震子体剖面(每个小图的下图)。
具体实施时，在建立神经网络目标函数时，方法不需要显式给定与输入地震子体对应的倾角属性标签，而是将多个地震小层作为神经网络的输出，并以沿层地震道相似性准则建立神经网络目标函数。从而利用最终得到的神经网络模型，得到地震小层，以及根据地震小层，得到对应的地震倾角和方位角也更为精确。此外，在实现沿层地震道进行相似性计算时，会生产一个层拉平的地震子体，利用这个层拉平的地震子体还可以提取地震数据的不连续性属性(比如相干体，用于突出地下的断裂特征)也十分方便。
3、训练神经网络。训练神经网络采用了随机梯度下降方法，针对一个特定的三维地震数据体，每次从地震数据体中随机抽取100个地震数据子体，并完成一次梯度下降训练，大约1000～2000次梯度下降训练神经网络就训练好了。图4是本发明实施例的目标函数值随梯度下降次数的变化曲线。
二、其次介绍应用建立好的神经网络模型，确定地震倾角和方位角的步骤。
1、首先，获取待确定地震倾角和方位角的三维地震数据体。
2、其次，从所述三维地震数据体中获取所有地震数据子体。
在一个实施例中，从所述三维地震数据体中获取所有地震数据子体，可以包括：
针对一个待确定地震倾角和方位角的三维地震数据体，选取一个确保分析窗体遍历整个三维地震数据的步长，以所述步长逐渐滑动分析窗体，依次截取地震数据子体。
3、利用上述预先建立好的神经网络模型，确定地震倾角和方位角。
具体实施时，针对一个特定的三维地震数据体，选取一个可以确保分析窗体遍历整个三维地震数据的步长，以这个步长逐渐滑动分析窗体，依次截取地震数据子体，并输入到神经网络，计算得到对应的一系列地震小层，利用这些地震小层进行计算，得到与地震数据子体对应的倾角和方位角子体，具体地，地震数据子体对应的倾角和方位角子体的求取方法可以包括：1.求取每个地震小层的倾角和方位角，作为当前小层位置处的地震数据子体的倾角和方位角。2.利用这些小层位置处的倾角和方位角进行插值，得到整个地震数据子体的倾角和方位角。持续以上滑动和计算过程，直到遍历整个三维数据体，完成全部倾角和方位角计算。图5是本发明实施例的地震剖面。图6是本发明实施例的应用训练好的神经网络计算得到的与图5地震剖面对应的视倾角剖面。图7是本发明实施例的利用层拉平的地震子体提取的与图5地震剖面对应的地震数据的不连续性属性。在图5-图7中，横坐标Crossline代表联络测线上的点号，纵坐标代表时间。
基于同一发明构思，本发明实施例中还提供了一种地震倾角和方位角的确定装置，如下面的实施例所述。由于地震倾角和方位角的确定装置解决问题的原理与地震倾角和方位角的确定方法相似，因此地震倾角和方位角的确定装置的实施可以参见地震倾角和方位角的确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图8是本发明实施例中地震倾角和方位角的确定装置的结构示意图，如图8所示，该装置包括：
第一获取单元01，用于获取待确定地震倾角和方位角的三维地震数据体；
第二获取单元02，用于从所述三维地震数据体中获取所有地震数据子体；
地震倾角和方位角确定单元03，用于对于每一所述地震数据子体进行如下操作，直到得到所有地震数据子体对应的地震倾角和方位角：将地震数据子体输入预先训练生成的神经网络模型，得到多个地震小层；根据所述多个地震小层，得到与地震数据子体对应的地震倾角和方位角；
其中，所述神经网络模型根据多个地震数据子体与对应的地震小层样本数据预先训练生成。
在一个实施例中，上述地震倾角和方位角的确定装置还可以包括：训练单元，用于可以按照如下方法预先训练生成所述神经网络模型：
构建神经网络；神经网络的输入是地震数据子体，输出是与输入地震数据子体对应的多个地震小层；
建立无标签神经网络目标函数；
采用随机梯度下降方法，基于所述无标签神经网络目标函数，利用多个地震数据子体与对应的地震小层样本数据对所述神经网络进行训练，得到所述神经网络模型。
在一个实施例中，建立无标签神经网络目标函数，可以包括：
利用神经网络输出的多个地震小层对输入的地震数据子体进行层拉平，得到对应的层拉平地震数据子体；
根据层拉平地震数据子体的地震道相似性，建立所述无标签神经网络目标函数。
在一个实施例中，所述第二获取单元具体可以用于：
针对一个待确定地震倾角和方位角的三维地震数据体，选取一个确保分析窗体遍历整个三维地震数据的步长，以所述步长逐渐滑动分析窗体，依次截取地震数据子体。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述地震倾角和方位角的确定方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述地震倾角和方位角的确定方法的计算机程序。
本发明实施例提供技术方案达到的有益技术效果是：在建立神经网络目标函数时，方法不需要显式给定与输入地震子体对应的倾角属性标签，而是将多个地震小层作为神经网络的输出，并以沿层地震道相似性准则建立神经网络目标函数。方法的优点是：(1)高效地实现了从地震子体到倾角和方位角子体的体-体计算；(2)方法不需要为训练神经网络准备标签数据，避免了标签数据不完备或与实际地震数据匹配不佳等问题。
综上，本发明实施例提供的技术方案提高了地震倾角和方位角确定的效率和准确率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种地震倾角和方位角的确定方法，其特征在于，包括：
获取待确定地震倾角和方位角的三维地震数据体；
从所述三维地震数据体中获取所有地震数据子体；
对于每一所述地震数据子体进行如下操作，直到得到所有地震数据子体对应的地震倾角和方位角：将地震数据子体输入预先训练生成的神经网络模型，得到多个地震小层；根据所述多个地震小层，得到与地震数据子体对应的地震倾角和方位角；
其中，所述神经网络模型根据多个地震数据子体与对应的地震小层样本数据预先训练生成；
其中，按照如下方法预先训练生成所述神经网络模型：
构建神经网络；神经网络的输入是地震数据子体，输出是与输入地震数据子体对应的多个地震小层；
建立无标签神经网络目标函数；
采用随机梯度下降方法，基于所述无标签神经网络目标函数，利用多个地震数据子体与对应的地震小层样本数据对所述神经网络进行训练，得到所述神经网络模型；
其中，所述建立无标签神经网络目标函数，包括：
利用神经网络输出的多个地震小层对输入的地震数据子体进行层拉平，得到对应的层拉平地震数据子体；
根据层拉平地震数据子体的地震道相似性，建立所述无标签神经网络目标函数；
其中，从所述三维地震数据体中获取所有地震数据子体，包括：
针对一个待确定地震倾角和方位角的三维地震数据体，选取一个确保分析窗体遍历整个三维地震数据的步长，以所述步长逐渐滑动分析窗体，依次截取地震数据子体。
2.一种地震倾角和方位角的确定装置，其特征在于，包括：
第一获取单元，用于获取待确定地震倾角和方位角的三维地震数据体；
第二获取单元，用于从所述三维地震数据体中获取所有地震数据子体；
地震倾角和方位角确定单元，用于对于每一所述地震数据子体进行如下操作，直到得到所有地震数据子体对应的地震倾角和方位角：将地震数据子体输入预先训练生成的神经网络模型，得到多个地震小层；根据所述多个地震小层，得到与地震数据子体对应的地震倾角和方位角；
其中，所述神经网络模型根据多个地震数据子体与对应的地震小层样本数据预先训练生成；
其中，所述装置还包括：训练单元，用于按照如下方法预先训练生成所述神经网络模型：
构建神经网络；神经网络的输入是地震数据子体，输出是与输入地震数据子体对应的多个地震小层；
建立无标签神经网络目标函数；
采用随机梯度下降方法，基于所述无标签神经网络目标函数，利用多个地震数据子体与对应的地震小层样本数据对所述神经网络进行训练，得到所述神经网络模型；
其中，所述第二获取单元具体用于：
利用神经网络输出的多个地震小层对输入的地震数据子体进行层拉平，得到对应的层拉平地震数据子体；
根据层拉平地震数据子体的地震道相似性，建立所述无标签神经网络目标函数；
其中，所述第二获取单元具体用于：
针对一个待确定地震倾角和方位角的三维地震数据体，选取一个确保分析窗体遍历整个三维地震数据的步长，以所述步长逐渐滑动分析窗体，依次截取地震数据子体。
3.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1所述方法。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1所述方法的计算机程序。
CN201910841227.1A 2019-09-06 2019-09-06 地震倾角和方位角的确定方法及装置 Active CN112464547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910841227.1A CN112464547B (zh) 2019-09-06 2019-09-06 地震倾角和方位角的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910841227.1A CN112464547B (zh) 2019-09-06 2019-09-06 地震倾角和方位角的确定方法及装置

Publications (2)

Publication Number Publication Date
CN112464547A CN112464547A (zh) 2021-03-09
CN112464547B true CN112464547B (zh) 2022-11-04

Family

ID=74806906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910841227.1A Active CN112464547B (zh) 2019-09-06 2019-09-06 地震倾角和方位角的确定方法及装置

Country Status (1)

Country Link
CN (1) CN112464547B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167499B (zh) * 2021-12-02 2022-08-26 大庆油田有限责任公司 生物礁自动识别的方法及装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971230A (zh) * 2017-05-10 2017-07-21 中国石油大学(北京) 基于深度学习的初至拾取方法及装置
CN108897066A (zh) * 2018-08-23 2018-11-27 中国石油天然气股份有限公司 碳酸盐岩裂缝密度定量预测方法及装置
CN108957536A (zh) * 2018-06-14 2018-12-07 中国石油天然气股份有限公司 基于波形匹配反演的地层倾角预测方法及装置
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971230A (zh) * 2017-05-10 2017-07-21 中国石油大学(北京) 基于深度学习的初至拾取方法及装置
CN108957536A (zh) * 2018-06-14 2018-12-07 中国石油天然气股份有限公司 基于波形匹配反演的地层倾角预测方法及装置
CN108897066A (zh) * 2018-08-23 2018-11-27 中国石油天然气股份有限公司 碳酸盐岩裂缝密度定量预测方法及装置
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于倾角数据体的神经网络气烟囱识别;刘伟等;《石油地球物理勘探》;20121215(第06期);全文 *
气烟囱识别新技术及其在A盆地中的应用;余学兵;《海洋石油》;20170622(第02期);全文 *
用神经网络与构造属性进行交互地震相分析;袁全社等;《勘探地球物理进展》;20040425(第02期);全文 *

Also Published As

Publication number Publication date
CN112464547A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN110031896B (zh) 基于多点地质统计学先验信息的地震随机反演方法及装置
US7330791B2 (en) Method for rapid fault interpretation of fault surfaces generated to fit three-dimensional seismic discontinuity data
CN107688201B (zh) 基于rbm地震叠前信号聚类方法
CN108693555B (zh) 智能化时变盲反褶积宽频处理方法及装置
EP3436850B1 (en) Determining displacement between seismic images using optical flow
CN112464547B (zh) 地震倾角和方位角的确定方法及装置
EP3436849B1 (en) Determining displacement between seismic images using optical flow
NO20170282A1 (en) Method and apparatus for processing seismic data
CN108549102B (zh) 联合梯度结构张量和多窗分析的地层结构曲率估计方法
CN108508481B (zh) 一种纵波转换波地震数据时间匹配的方法、装置及系统
CN108398719A (zh) 地震波数据的处理方法及装置
CN106257309A (zh) 叠后地震数据体处理方法及装置
CN105093300A (zh) 一种地质体边界识别方法及装置
CN116068644B (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
CN107255832B (zh) 一种地下构造的反演方法
CN109975869A (zh) 一种沿地层走向光滑约束的反射波波形反演方法
US10338248B2 (en) Method for processing seismic images
CN115170428A (zh) 一种声波远探测成像图的降噪方法
Liu et al. A convolutional neural network for seismic dip estimation
CN104570100B (zh) 多子波克希霍夫地震数据偏移方法
Li et al. Automatic extraction of seismic data horizon across faults
CN110376642A (zh) 一种基于锥面波的三维地震速度反演方法
CN110907987A (zh) 基于泰勒多边形约束的近地表模型建模方法及系统
Qi et al. An integrated machine learning-based fault classification workflow
CN113219534B (zh) 一种叠前深度偏移速度质控方法、装置、介质及电子设备

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