CN112540404B - 一种基于深度学习的自动速度分析方法及系统 - Google Patents
一种基于深度学习的自动速度分析方法及系统 Download PDFInfo
- Publication number
- CN112540404B CN112540404B CN201910890105.1A CN201910890105A CN112540404B CN 112540404 B CN112540404 B CN 112540404B CN 201910890105 A CN201910890105 A CN 201910890105A CN 112540404 B CN112540404 B CN 112540404B
- Authority
- CN
- China
- Prior art keywords
- speed
- data
- neural network
- pickup
- automatic
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 abstract description 38
- 230000000694 effects Effects 0.000 abstract description 14
- 230000002159 abnormal effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
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
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- 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
-
- 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
- G01V2210/62—Physical property of subsurface
- G01V2210/622—Velocity, density or impedance
- G01V2210/6222—Velocity; travel time
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (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)
- Feedback Control In General (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于深度学习的自动速度分析方法及系统,该方法包括:S1、对速度谱数据进行速度自动拾取,获取速度拾取数据;S2、构建神经网络,并利用神经网络对速度拾取数据进行训练,得到神经网络模型;S3、利用训练后的神经网络模型,拟合目标位置的速度值。该系统包括:速度拾取模块,用于对速度谱数据进行速度自动拾取,获取速度拾取数据;神经网络构建模块,用于构建神经网络,数据训练模块,用于利用神经网络对速度拾取数据进行训练,得到神经网络模型;速度拟合模块,用于利用训练后的神经网络模型,拟合目标位置的速度值。本发明能实现速度分析自动化处理,提高速度分析的处理效率,改进速度分析的处理效果。
Description
技术领域
本发明涉及地震勘探领域的数据处理技术,尤其涉及一种基于深度学习的自动速度分析方法及系统。
背景技术
速度建模是地震数据处理中的重要环节,速度建模的精度直接影响叠加处理和偏移成像的效果。作为速度建模的初始环节,叠加速度分析的结果直接影响后续建模的效果和效率。由于叠加速度分析的精度受制于地震勘探的条件和观测资料的信噪比,在速度谱上表现出多解性和模糊性,因此,速度谱的解释基本是采用人机交互模式。随着地震勘探数据规模的不断增长,人工速度分析方法费时费力,处理效率极低,难以适应大数据的处理需求。因此速度分析自动化处理的方法不断推出,这些方法一般都是基于全局优化算法或者局部寻优的方法。由于叠加速度分析在速度谱上表现出多解性和模糊性,这种不确定性导致无论是全局优化还是局部寻优方法都无法保证获得最优解,结果带有随机性。这种随机性表现在速度上就是异常拾取点的存在,而异常拾取点往往是速度变化复杂的地方,复杂的位置正是需要获取精确速度值的位置。面对拾取异常点的存在,传统上有效的解决方法就是通过人工对每个拾取点进行逐个检查,去除异常点。而通过人工逐一检查,效率低下,抵消了自动速度分析高效性的优势。随着基于神经网络的人工智能技术的发展,基于深度神经网络的速度自动拾取方法为解决这种随机性问题的提供了新的思路,但是如何设计出有效的用于深度神经网络训练的数据模型,是此类方法面临的一个问题。
发明内容
本发明的特征和优点在下文的描述中部分地陈述,或者可从该描述显而易见,或者可通过实践本发明而学习。
本发明针对自动速度分析存在的问题,在优化传统拾取方法提高拾取精度的基础上,针对传统方法无法解决的异常拾取点问题,用深度神经网络方法对拾取的结果进行自动优化,从而去除异常拾取点。
本发明解决上述技术问题所采用的技术方案如下:
根据本发明的一个方面,提供一种基于深度学习的自动速度分析方法,包括:
S1、对速度谱数据进行速度自动拾取,获取速度拾取数据;
S2、构建神经网络,并利用神经网络对所述速度拾取数据进行训练,得到神经网络模型;
S3、利用训练后的神经网络模型,拟合目标位置的速度值。
可选地,所述步骤S3之后,包括:
判断所述目标位置的速度值是否满足要求,若是,则输出所述目标位置的速度值作为最终结果数据;若否,则将所述目标位置的速度值作为参考速度,返回到步骤S1进行再一次速度自动拾取。
可选地,所述神经网络包括一个输入层、多个中间层以及一个输出层;所述输入层为三个输入节点,所述输出层为一个节点。所述中间层优选3到5个。
可选地,所述步骤S2包括将所述速度拾取数据解耦为(x,y,z;v)的数据单位元,其中(x,y,z)表示速度拾取数据对应的空间位置,作为输入层的三个输入节点的输入参数;v表示速度数据对应位置的速度值,作为输出层的节点的输入参数。
可选地,所述步骤S1中,通过局部最大能量法拾取得到速度拾取数据。
根据本发明的另一个方面,提供一种基于深度学习的自动速度分析系统,包括:
速度拾取模块,用于对速度谱数据进行速度自动拾取,获取速度拾取数据;
神经网络构建模块,用于构建神经网络,
数据训练模块,用于利用神经网络对所述速度拾取数据进行训练,得到神经网络模型;
速度拟合模块,用于利用训练后的神经网络模型,拟合目标位置的速度值。
可选地,所述基于深度学习的自动速度分析系统进一步包括:
判断单元,用于判断所述目标位置的速度值是否满足要求,若是,则输出所述目标位置的速度值作为最终结果数据;若否,则将所述目标位置的速度值作为参考速度,输入到所述速度拾取模块。
可选地,所述神经网络包括一个输入层、多个中间层以及一个输出层;所述输入层为三个输入节点,所述输出层为一个节点。
可选地,所述数据训练模块,用于将所述速度拾取数据解耦为(x,y,z;v)的数据单位元,其中(x,y,z)表示速度拾取数据对应的空间位置,作为输入层的三个输入节点的输入参数;v表示速度数据对应位置的速度值,作为输出层的节点的输入参数。
根据本发明的另一个方面,提供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计算机可执行的至少一个程序,所述至少一个程序被所述计算机执行时使所述计算机执行本发明任一实施例提供的方法中的步骤。
本发明设计一种基于深度神经网络的速度自动分析处理方法及系统,本发明将传统的局部寻优自动拾取方法与深度神经网络方法相结合的处理方式,在优化传统拾取方法提高拾取精度的基础上,针对传统方法无法解决的异常拾取点问题,用深度神经网络方法对拾取的结果进行自动优化,实现速度分析自动化处理,提高速度分析的处理效率,改进速度分析的处理效果。
通过阅读说明书,本领域普通技术人员将更好地了解这些技术方案的特征和内容。
附图说明
下面通过参考附图并结合实例具体地描述本发明,本发明的优点和实现方式将会更加明显,其中附图所示内容仅用于对本发明的解释说明,而不构成对本发明的任何意义上的限制,在附图中:
图1为本发明实施例的基于深度学习的自动速度分析方法的流程示意图。
图2为本发明实施例的神经网络的结构示意图。
图3为本发明实施例的基于深度学习的自动速度分析系统的结构示意图。
图4A至4C速度自动拾取的处理结果。
图5A至5C是拾取的速度数据进行叠加处理剖面。
具体实施方式
如图1所示,本发明提供一种基于深度学习的自动速度分析方法包括:
S1、对速度谱数据进行速度自动拾取,获取速度拾取数据。
速度谱数据是根据输入地震道集数据计算得到的,速度谱拾取的主要目标是拾取速度谱能量团的最大值点对应的时间与速度,根据这一目的,自动速度谱拾取采取寻找对应时间深度上的速度谱能量最大值方法。直接寻找最大值拾取方法的效果很难满足处理需求,因此利用时窗控制方法,限定在某一时窗内拾取局部最大值。通过局部最大能量法拾取得到速度拾取数据。本发明中的速度拾取数据也叫速度时间对数据,即这个数据是一个时间点上对应一个速度值。
S2、构建神经网络,并利用神经网络对速度拾取数据进行训练,得到神经网络模型;
针对自动拾取的速度拾取数据,可以将其看作是三维空间离散点的速度值,利用神经网络对速度拾取数据进行训练的过程可以看做是三维空间速度场拟合的过程,输入数据为三维空间的位置,也就是速度对的线号、道号和时间值(或x,y,z坐标),输出数据为对应的速度值。
根据以上思路,本发明设计了去除异常值的深度神经网络模型:输入层为三个输入节点对应(x,y,z)三个坐标参数,多个中间层,输出层为一个节点对应速度值v输出。
如图2所示,本实施例中,按照一个输入层,五个中间层,一个输出层设计神经网络结构,输入层三个节点,输出层一个节点,中间五层节点数作为训练参数,根据训练样本的大小确定。神经网络训练的参数主要有循环次数和误差控制参数。根据速度数据的拟合要求,设置神经网络的循环次数和误差控制参数。
在进行速度拾取数据的训练时,根据深度神经网络结构,将自动拾取的速度对数据解耦为(x,y,z;v)的数据单位元,其中(x,y,z)表示速度拾取数据对应的空间位置,v表示速度数据对应位置的速度值。也就是说,将速度拾取数据按空间位置拆分成每个空间位置一个速度数据的组织形式,每个数据单元包括(x,y,z)三个空间坐标参数和一个速度值参数v,形成训练样本数据集。
将解耦后获得的速度数据单元作为训练样本输入神经网络中进程训练。具体地,根据神经网络结构和参数,将训练样本数据集的三个空间坐标信息参数即每个数据单元的(x,y,z)三个坐标值作为输入参数,输入到神经网络的输入层,对应点的速度值参数v作为输出的检验数据,训练完成后,得到神经网络模型,并保存完成训练的神经网络参数。
S3、利用训练后的神经网络模型,拟合目标位置的速度值。
根据拟合要求,确定目标位置的速度值的空间位置,将空间坐标参数(x,y,z)的三个坐标值输入到训练好的神经网络模型中,通过神经网络计算输出对应点的速度值,并将神经网络计算输出的速度值v作为目标位置的速度值,从而获取拟合处理后的速度数据,完成一个速度点拟合操作。上述空间坐标参数是根据地震数据处理的目标区域确定的,目标区域的范围确定后,在此范围内的任意点作为都可以选作目标位置。
S4、判断所述目标位置的速度值是否满足要求,若是,则进入步骤S5;若否,则将速度数据作为参考速度,返回到步骤S1进行再一次速度自动拾取。
更具体地,是否符合要求将拾取的速度数据在速度谱上显示,或者利用拾取的速度进行叠加处理,看叠加效果;当然,处理人员根据经验去判断目标位置的速度值是否符合要求也是可行的,本发明对此不做限制。
对所述目标位置的速度值进行分析,如果速度值满足要求,直接输出所述目标位置的速度值作为最终结果数据。如果速度值不满足要求,将所述目标位置的速度值作为输入数据,输入到自动速度拾取处理中作为参考速度数据,通过参数速度数据控制速度自动拾取的范围,进行再一次的速度自动拾取处理,形成速度自动分析迭代处理流程,经过多次迭代,不断提高速度拾取效果,直到速度分析结果满足处理要求。输出最终的速度数据,完成速度分析处理流程。需要说明的是,步骤S2中的神经网络不再重新构建,当然重新构建神经网络也是可行的,在构建时,输入层和输出层的节点数不变,中间的层数和每层节点数据可以调整。本实施例中将优化后的结果作为参考速度,在参考速度的控制下,进行再一次的自动速度拾取处理,形成自动速度拾取的迭代处理流程,可以不断提高拾取精度。
S5、输出所述目标位置的速度值作为最终结果数据。
本发明提供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计算机可执行的至少一个程序,所述至少一个程序被所述计算机执行时使所述计算机执行本发明任一实施例提供的方法中的步骤。
如图3所示,本发明提供一种基于深度学习的自动速度分析系统,包括:速度拾取模块10、神经网络构建模块20、数据训练模块30、速度拟合模块40。
速度拾取模块10用于对速度谱数据进行速度自动拾取,获取速度拾取数据;速度谱数据是根据输入地震道集数据计算得到的,速度谱拾取的主要目标是拾取速度谱能量团的最大值点对应的时间与速度,根据这一目的,自动速度谱拾取采取寻找对应时间深度上的速度谱能量最大值方法。直接寻找最大值拾取方法的效果很难满足处理需求,因此利用时窗控制方法,限定在某一时窗内拾取局部最大值。通过局部最大能量法拾取得到速度拾取数据。
神经网络构建模块20用于构建神经网络。针对自动拾取的速度拾取数据,可以将其看作是三维空间离散点的速度值,利用神经网络对速度拾取数据进行训练的过程可以看做是三维空间速度场拟合的过程,输入数据为三维空间的位置,也就是速度对的线号、道号和时间值(或x,y,z坐标),输出数据为对应的速度值。
根据以上思路,本发明设计了去除异常值的深度神经网络模型:输入层为三个输入节点对应(x,y,z)三个坐标参数,多个中间层,输出层为一个节点对应速度值v输出。
如图2所示,本实施例中,按照一个输入层,五个中间层,一个输出层设计神经网络结构,输入层三个节点,输出层一个节点,中间五层节点数作为训练参数,根据训练样本的大小确定。神经网络训练的参数主要有循环次数和误差控制参数。根据速度数据的拟合要求,设置神经网络的循环次数和误差控制参数。
数据训练模块30用于利用神经网络对所述速度拾取数据进行训练,得到神经网络模型;在进行速度拾取数据的训练时,根据深度神经网络结构,将自动拾取的速度对数据解耦为(x,y,z;v)的数据单位元,其中(x,y,z)表示速度拾取数据对应的空间位置,v表示速度数据对应位置的速度值。也就是说,将速度拾取数据按空间位置拆分成每个空间位置一个速度数据的组织形式,每个数据单元包括(x,y,z)三个空间坐标参数和一个速度值参数v,形成训练样本数据集。
将解耦后获得的速度数据单元作为训练样本输入神经网络中进程训练。具体地,根据神经网络结构和参数,将训练样本数据集的三个空间坐标信息参数即每个数据单元的(x,y,z)三个坐标值作为输入参数,输入到神经网络的输入层,对应点的速度值参数v作为输出的检验数据,训练完成后,得到神经网络模型,并保存完成训练的神经网络参数。
速度拟合模块40,用于利用训练后的神经网络模型,拟合目标位置的速度值。根据拟合要求,确定目标位置的速度值的空间位置,将空间坐标参数(x,y,z)的三个坐标值输入到训练好的神经网络模型中,通过神经网络计算输出对应点的速度值,并将神经网络计算输出的速度值v作为目标位置的速度值,从而获取拟合处理后的速度数据,完成一个速度点拟合操作。
为了提高拾取精度,本发明实施例提供的基于深度学习的自动速度分析系统进一步包括判断单元50。
判断单元50用于判断所述目标位置的速度值是否满足要求,若是,则输出所述目标位置的速度值作为最终结果数据;若否,则将所述目标位置的速度值作为参考速度,输入到所述速度拾取模块。
对所述目标位置的速度值进行分析,如果速度值满足要求,直接输出所述目标位置的速度值作为最终结果数据。如果速度值不满足要求,将所述目标位置的速度值作为输入数据,输入到自动速度拾取处理中作为参考速度数据,通过参数速度数据控制速度自动拾取的范围,进行再一次的速度自动拾取处理,形成速度自动分析迭代处理流程,经过多次迭代,不断提高速度拾取效果,直到速度分析结果满足处理要求。输出最终的速度数据,完成速度分析处理流程。本实施例中将优化后的结果作为参考速度,在参考速度的控制下,进行再一次的自动速度拾取处理,形成自动速度拾取的迭代处理流程,可以不断提高拾取精度。
图4A至4C速度自动拾取的处理结果,图4B是原道集,图4C是利用拾取速度动校正拉平的道集,可以看出速度拾取数据变化平滑,本发明通过局部最大能量法拾取得到的速度拾取数据(拾取点)与最大能量团点匹配一致,对应的道集拉平效果较好。
图5A至5C是拾取的速度数据进行叠加处理剖面,图5A剖面上圈中位置叠加效果较差,同向轴不连续,表示此位置速度拾取出现异常点,经过两次迭代处理后,异常单去除,如图5B(一次迭代)、5C(二次迭代)所示,叠加效果显著提高,同向轴连续。
本发明提供的基于深度神经网络的速度自动分析处理方法及系统,解决了地震数据处理中人工速度谱自动拾取方法费时费力,处理效率,常规自动拾取效果难以满足要求等问题,本发明将传统的局部寻优自动拾取方法与深度神经网络方法相结合的处理方式,在优化传统拾取方法提高拾取精度的基础上,针对传统方法无法解决的异常拾取点问题,用深度神经网络方法对拾取的结果进行自动优化,实现速度分析自动化处理,提高速度分析的处理效率,改进速度分析的处理效果。
本发明在传统的最大能量法自动速度分析的基础上,设计了一套基于深度神经网络的速度对自动优化处理方法,实现了速度拾取点自动优化处理。并将优化后的结果作为参考速度,在参考速度的控制下,进行再一次的自动速度拾取处理,形成自动速度拾取的迭代处理流程,不断提高拾取精度,改善了速度拾取的效果,解放了人工操作,显著提升了速度分析的处理效率。
以上参照附图说明了本发明的优选实施例,本领域技术人员不脱离本发明的范围和实质,可以有多种变型方案实现本发明。举例而言,作为一个实施例的部分示出或描述的特征可用于另一实施例以得到又一实施例。以上仅为本发明较佳可行的实施例而已,并非因此局限本发明的权利范围,凡运用本发明说明书及附图内容所作的等效变化,均包含于本发明的权利范围之内。
Claims (4)
1.一种基于深度学习的自动速度分析方法,其特征在于,包括:
S1、对速度谱数据进行速度自动拾取,获取速度拾取数据;
S2、构建神经网络,并利用神经网络对所述速度拾取数据进行训练,得到神经网络模型;
S3、利用训练后的神经网络模型,拟合目标位置的速度值;
所述神经网络包括一个输入层、多个中间层以及一个输出层;所述输入层为三个输入节点,所述输出层为一个节点;
所述步骤S2包括将所述速度拾取数据解耦为(x,y,z;v)的数据单位元,其中(x,y,z)表示速度拾取数据对应的空间位置,作为输入层的三个输入节点的输入参数;v表示速度拾取数据对应的空间位置的速度值,作为输出层的节点的输入参数;
所述步骤S3之后,包括:
判断所述目标位置的速度值是否满足要求,若是,则输出所述目标位置的速度值作为最终结果数据;若否,则将所述目标位置的速度值作为参考速度,返回到步骤S1进行再一次速度自动拾取。
2.根据权利要求1所述基于深度学习的自动速度分析方法,其特征在于,所述步骤S1中,通过局部最大能量法拾取得到速度拾取数据。
3.一种基于深度学习的自动速度分析系统,其特征在于,包括:
速度拾取模块,用于对速度谱数据进行速度自动拾取,获取速度拾取数据;
神经网络构建模块,用于构建神经网络;
数据训练模块,用于利用神经网络对所述速度拾取数据进行训练,得到神经网络模型;
速度拟合模块,用于利用训练后的神经网络模型,拟合目标位置的速度值;
所述神经网络包括一个输入层、多个中间层以及一个输出层;所述输入层为三个输入节点,所述输出层为一个节点;
所述数据训练模块,用于将所述速度拾取数据解耦为(x,y,z;v)的数据单位元,其中(x,y,z)表示速度拾取数据对应的空间位置,作为输入层的三个输入节点的输入参数;v表示速度拾取数据对应的空间位置的速度值,作为输出层的节点的输入参数;
所述基于深度学习的自动速度分析系统进一步包括:
判断单元,用于判断所述目标位置的速度值是否满足要求,若是,则输出所述目标位置的速度值作为最终结果数据;若否,则将所述目标位置的速度值作为参考速度,输入到所述速度拾取模块。
4.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行的至少一个程序,其特征在于,所述至少一个程序被所述计算机执行时使所述计算机执行上述权利要求1~2任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910890105.1A CN112540404B (zh) | 2019-09-20 | 2019-09-20 | 一种基于深度学习的自动速度分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910890105.1A CN112540404B (zh) | 2019-09-20 | 2019-09-20 | 一种基于深度学习的自动速度分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112540404A CN112540404A (zh) | 2021-03-23 |
CN112540404B true CN112540404B (zh) | 2024-04-12 |
Family
ID=75012498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910890105.1A Active CN112540404B (zh) | 2019-09-20 | 2019-09-20 | 一种基于深度学习的自动速度分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112540404B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861592B (zh) * | 2023-02-16 | 2023-05-26 | 之江实验室 | 基于神经网络的动作捕捉系统的速度精度优化方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4479205A (en) * | 1981-11-16 | 1984-10-23 | Mobil Oil Corporation | Method of migrating seismic data without dependency on velocity |
US5008861A (en) * | 1989-03-06 | 1991-04-16 | Amoco Corporation | Geophysical exploration by automatically picking and associating stacked seismic sections with regional coherency peaks of velocity spectra |
CN105572733A (zh) * | 2014-10-08 | 2016-05-11 | 中国石油化工股份有限公司 | 一种地震速度谱自动拾取方法 |
CN106199693A (zh) * | 2015-05-30 | 2016-12-07 | 中国石油化工股份有限公司 | 地震数据速度谱自动拾取方法和装置 |
CN108596327A (zh) * | 2018-03-27 | 2018-09-28 | 中国地质大学(武汉) | 一种基于深度学习的地震速度谱人工智能拾取方法 |
CN108802811A (zh) * | 2017-04-28 | 2018-11-13 | 中国石油化工股份有限公司 | 一种速度谱自动拾取方法及装置 |
CN109031421A (zh) * | 2018-06-05 | 2018-12-18 | 广州海洋地质调查局 | 一种基于深度强化学习的叠加速度谱拾取方法及处理终端 |
CN109655884A (zh) * | 2017-10-10 | 2019-04-19 | 中国石油化工股份有限公司 | 一种速度拾取异常点去除方法及系统 |
CN110007347A (zh) * | 2019-04-09 | 2019-07-12 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6560540B2 (en) * | 2000-09-29 | 2003-05-06 | Exxonmobil Upstream Research Company | Method for mapping seismic attributes using neural networks |
US10996372B2 (en) * | 2017-08-25 | 2021-05-04 | Exxonmobil Upstream Research Company | Geophysical inversion with convolutional neural networks |
-
2019
- 2019-09-20 CN CN201910890105.1A patent/CN112540404B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4479205A (en) * | 1981-11-16 | 1984-10-23 | Mobil Oil Corporation | Method of migrating seismic data without dependency on velocity |
US5008861A (en) * | 1989-03-06 | 1991-04-16 | Amoco Corporation | Geophysical exploration by automatically picking and associating stacked seismic sections with regional coherency peaks of velocity spectra |
CN105572733A (zh) * | 2014-10-08 | 2016-05-11 | 中国石油化工股份有限公司 | 一种地震速度谱自动拾取方法 |
CN106199693A (zh) * | 2015-05-30 | 2016-12-07 | 中国石油化工股份有限公司 | 地震数据速度谱自动拾取方法和装置 |
CN108802811A (zh) * | 2017-04-28 | 2018-11-13 | 中国石油化工股份有限公司 | 一种速度谱自动拾取方法及装置 |
CN109655884A (zh) * | 2017-10-10 | 2019-04-19 | 中国石油化工股份有限公司 | 一种速度拾取异常点去除方法及系统 |
CN108596327A (zh) * | 2018-03-27 | 2018-09-28 | 中国地质大学(武汉) | 一种基于深度学习的地震速度谱人工智能拾取方法 |
CN109031421A (zh) * | 2018-06-05 | 2018-12-18 | 广州海洋地质调查局 | 一种基于深度强化学习的叠加速度谱拾取方法及处理终端 |
CN110007347A (zh) * | 2019-04-09 | 2019-07-12 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
Non-Patent Citations (5)
Title |
---|
Automatic velocity picking with convolutional neural networks;Yue Ma等;《SEG International Exposition and 88th Annual Meeting》;第2066-2070页 * |
Deep-learning tomography;Mauricio Araya-Polo等;《The Leading Edge》;第37卷(第1期);第58-66页 * |
利用神经网络拾取叠加速度;查朝阳;《石油地球物理勘探》;第31卷(第06期);第892-897页 * |
洪承煜 ; 赵改善 ; 亢永敢 ; 王小品 ; 陈金焕.基于自动化和智能化的地震处理技术案例分析.《中国石油学会2019年物探技术研讨会论文集》.2019,第1526-1530页. * |
用人工神经网络自动拾取速度谱;董林平, 何翔;《石油地球物理勘探》;第31卷(第S1期);第98-103页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112540404A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705324A (zh) | 一种基于机器学习的视频目标检测方法 | |
CN110991284B (zh) | 一种基于场景预分类的光学遥感图像语句描述生成方法 | |
CN112949904B (zh) | 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN110889530A (zh) | 基于递归神经网络的目的地预测方法及服务器 | |
CN112540404B (zh) | 一种基于深度学习的自动速度分析方法及系统 | |
CN114399073A (zh) | 一种基于深度学习的海洋表面温度场预测方法 | |
CN115408925A (zh) | 用于隧道施工的岩体参数预测方法和装置 | |
CN111177135B (zh) | 一种基于界标的数据填补方法及装置 | |
CN117213470B (zh) | 一种多机碎片地图聚合更新方法及系统 | |
CN107609216B (zh) | 一种基于概率盒模型修正的机械故障诊断方法 | |
CN114998539A (zh) | 一种智慧城市传感器地形定位建图方法 | |
CN112827174B (zh) | 一种分布式多机器人目标搜索方法 | |
CN115374880A (zh) | 一种面向海上目标识别的多级增量数据融合系统 | |
CN115239779A (zh) | 一种三维点云配准方法、装置、介质及电子设备 | |
CN113886992A (zh) | 一种基于多保真度数据的数字孪生建模方法 | |
Xu et al. | Research on monocular vision distance measurement algorithm based on reference target | |
CN103994858B (zh) | 基于生物地理学智能优化支持向量机算法的动平衡检测控制方法 | |
CN112540408B (zh) | 一种基于深度学习的地震数据静校正处理方法及系统 | |
CN104280766B (zh) | 一种利用局部数据同相轴斜率的直接偏移方法 | |
Liu et al. | Estimated path information gain-based robot exploration under perceptual uncertainty | |
CN109101643A (zh) | 数据信息表的构建、抗伪点全局匹配方法、装置及机器人 | |
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 | |
CN117991358A (zh) | 一种程函方程的间断伽辽金快速扫描方法及系统 | |
CN113219533B (zh) | 一种叠前时间偏移速度建模方法、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 |