CN112540408B - 一种基于深度学习的地震数据静校正处理方法及系统 - Google Patents

Abstract

本发明提供一种基于深度学习的地震数据静校正处理方法及系统，包括：S1、构建神经网络，并据此重构地震数据；S2、利用重构后的地震数据对所述神经网络进行训练，获得神经网络训练模型；S3、根据水平地表高程及所述神经网络训练模型获取静校正处理结果。该系统包括神经网络构建模块，用于构建神经网络；数据重构模块，用于根据所述神经网络重构地震数据；训练模块，用于利用重构后的地震数据对所述神经网络进行训练，获得神经网络训练模型；静校正处理模块，用于根据水平地表高程及所述神经网络训练模型获取静校正处理结果。本发明无需初至数据和近地表速度模型数据，避免了复杂近地表建模过程，实现了高效准确的静校正处理功能。

Description

一种基于深度学习的地震数据静校正处理方法及系统

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地震数据静校正处理方法及系统。

背景技术

静校正是地震数据处理的重要环节，静校正处理是否准确，直接关系到后续的一系列处理的效果。要获得准确的静校正处理结果，需要准确的初至数据和近地表速度模型数据。初至拾取过程费时费力，近地表速度建模过程复杂，获取精确的近地表速度模型是一个困难的过程。面对山地等复杂地表探区的地震数据，要获取精确的初至数据和近地表速度模型，十分困难，从而影响了静校正的效果。针对复杂地表地震数据的静校正处理方法很多，主要集中在初至拾取和高精度近地表速度建模上，如自动初至拾取方法，层析近地表速度建模方法等被广泛研究和应用，取得了一定的处理效果，但是仍然不能完全解决山地等复杂地表的静校正问题。如何获取精确的静校正处理效果，是山地复杂地区的地震勘探面临的一个难题。

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。

为解决地震数据处理中复杂地区地震数据静校正处理问题，本发明提供了一种基于深度神经网络的静校正处理方法及系统，避免了复杂近地表速度建模过程，实现地震数据直接静校正处理，获得了高效的处理效果。

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地震数据静校正处理方法，包括：

S1、构建神经网络，并据此重构地震数据；

S2、利用重构后的地震数据对所述神经网络进行训练，获得神经网络训练模型；

S3、根据水平地表高程及所述神经网络训练模型获取静校正处理结果。

可选地，所述重构地震数据包括：将地震数据的存储格式转换以采样点为基本单位的存储格式，所述采样点的信息包括入炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)、采样时间(T)和振幅值。

可选地，所述神经网络按照一个输入层，至少两个中间层，一个输出层构建；所述输入层用于输入所述炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)、采样时间(T)，所述输出层用于输出振幅值。

可选地，所述中间层的节点数小于训练样本数量的四分之一。

可选地，所述步骤S2中，训练时，将所述重构后的地震数据按预设间隔输入，依次循环。

可选地，所述步骤S3之后，包括：

将所述静校正处理结果按照所述步骤S1的重构方式进行反重构，获得地震数据格式的最终数据。

本发明提供一种基于深度学习的地震数据静校正处理系统，包括：

神经网络构建模块，用于构建神经网络；

数据重构模块，用于根据所述神经网络重构地震数据；

训练模块，用于利用重构后的地震数据对所述神经网络进行训练，获得神经网络训练模型；

静校正处理模块，用于根据水平地表高程及所述神经网络训练模型获取静校正处理结果。

可选地，所述数据重构模块具体用于：将地震数据的存储格式转换以采样点为基本单位的存储格式，所述采样点的信息包括入炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)、采样时间(T)和振幅值。

可选地，所述神经网络构建模块用于按照一个输入层，至少两个中间层，一个输出层构建神经网络；所述输入层用于输入所述炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)、采样时间(T)，所述输出层用于输出振幅值。

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。

本发明提供一种基于深度学习的地震数据静校正处理方法及系统，通过对地震数据进行神经网络训练，直接实现静校正处理。本发明无需初至数据和近地表速度模型数据，避免了复杂近地表建模过程，实现了高效准确的静校正处理功能。

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地震数据静校正处理方法的流程示意图。

图2为本发明实施例的神经网络节点的激励函数选择ReLU激励函数的示意图；

图3为本发明实施例的基于深度学习的地震数据静校正处理系统的结构示意图。

图4A为静校正前的地震数据。

图4B为采用本发明基于深度学习的地震数据静校正处理方法或系统进行静校正处理后的地震数据。

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地震数据静校正处理方法，包括步骤：

S1、构建神经网络，并据此重构地震数据；

根据地震数据的特点，静校正处理的神经网络设置有输入层、中间层和输出层。本实施例中，按照一个输入层，至少两个中间层，一个输出层设计神经网络，输入层设置七个节点，用于地震数据信息的输入。本实施例中，中间层为3个。

中间层的节点数根据训练样本数量确定，为保证训练效果，网络节点的总连接数为训练样本数的四分之一，通过总连接数可以确定中间层的节点数。两个节点之间的一个连线叫做一个连接数，相邻层之间的每个节点都相互连接，每个层内的节点之间没有连接，非相邻层节点之间没有连接，因此，总连接数为相邻层的节点数的乘积之和，例如，总共4层，每层的节点数分别为a、b、c、d，则其总连接数为a*b+b*c+c*d。

输出层一个节点，用于输出地震数据振幅值。神经网络为全连接的深度神经网络结构，如图2所示，神经网络节点的激励函数选择ReLU激励函数。

地震数据存储格式是按道存储，每道数据表示一个采集点采集到所在位置的一段时间的振动波信号。确定一道地震数据主要参数包括炮点坐标、接收点坐标、采样时间和地表高程(Sz、Rz)等信息。重构地震数据就是将按道存储的地震数据分解为按采样点存储格式，即将地震数据由原始的按道存储的格式转换为按采样点存储，每个采样点信息包括炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)、采样时间(T)和振幅值八个信息。其中炮点坐标、检波点坐标和采样时间是确定数据位置，采样点振幅是对应位置的地震数据。

S2、利用重构后的地震数据对所述神经网络进行训练，获得神经网络训练模型；

神经网络的训练以采样点为基本单位，输入炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)、采样时间(T)七个参数，输出数据为振幅值。也就是说，每个采样点的炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)，采样时间(T)七个参数作为输入参数，输入到神经网络的输入层，采样点的振幅值作为输出的检验数据。地震数据在训练的时候，不是按顺序输入，而是间隔一定距离输入一个采样点，依次循环，最终完成所有输入数据的训练。

S3、根据水平地表高程及所述神经网络模型获取静校正处理结果；

静校正处理是将起伏地表状态下采集的地震数据校正到水平地表状态，由于地表的起伏，如山地的勘探，在起伏的地表上采集的地震数据处理是需要将起伏的地表通过静校正处理校正到相当于与水平的地表，或者由起伏较剧烈的地表校正到起伏平缓的地表。

确定静校正的目标高程，将目标地震数据中的炮点高程和检波点高程替换成静校正的目标高程，输入到神经网络训练模型中计算输出的地震道数据作为静校正处理结果，完成静校正处理。

更具体地，根据静校正需要，确定目标高程，即设置水平地表高程，确定每道数据炮点高程值Sz和检波点高程Rz。并据此设定的静校正目标数据的七个参数，即炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)，采样时间长度。本发明中，只对炮点高程Sz和检波点高程Rz进行替换，即将炮点坐标(Sx，Sy，Sz)中Sz高程坐标和检波点坐标(Rx，Ry，Rz)中的Rz高程坐标替换成目标高程数据，其他参数保持不变。

设定的静校正目标数据的七个参数输入到神经网络的输入层，经过神经网络训练模型计算输出对应点的振幅值，获得目标地表高程状态下的地震数据。按照以上步骤，依次计算所有道数据，获得最终的静校正处理结果。

具体实施时，在步骤S2中，利用重构后的地震数据对所述神经网络进行训练之前先确定神经网络的训练参数，神经网络的训练参数是确定训练效果的关键因素，考虑到训练的计算量和精度，通过循环次数和误差量两个参数控制神经网络训练。训练误差确定训练的精度，防止出现过拟合。循环次数控制训练的计算量，防止陷入多次循环，无法正常结束。

优选地，步骤S3之后，可以进一步包括步骤S4：将计算得到的静校正处理结果按照步骤S1的重构方式进行反重构，获得地震数据格式的最终数据。

本发明将采集的数据的高程量作为数据的参数之一进行神经网络训练，训练完成后，选择一个目标高程，将这个高程数据作为参数输入到训练好的神经网络训练模型中，让神经网络训练模型计算处理此高程的地震数据，最终实现静校正的处理过程。

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上述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地震数据静校正处理系统，包括：神经网络构建模块10、数据重构模块20、训练模块30、静校正处理模块40。

神经网络构建模块10用于构建神经网络；根据地震数据的特点，静校正处理的神经网络设置有输入层、中间层和输出层。本实施例中，按照一个输入层，至少两个中间层，一个输出层设计神经网络，输入层设置七个节点，用于地震数据信息的输入。本实施例中，中间层为3个。

中间层的节点数根据训练样本数量确定，为保证训练效果，网络节点的总连接数为训练样本数的四分之一，通过总连接数可以确定中间层的节点数。两个节点之间的一个连线叫做一个连接数，相邻层之间的每个节点都相互连接，每个层内的节点之间没有连接，非相邻层节点之间没有连接，因此，总连接数为相邻层的节点数的乘积之和，例如，总共4层，每层的节点数分别为a、b、c、d，则其总连接数为a*b+b*c+c*d。

输出层一个节点，用于输出地震数据振幅值。神经网络为全连接的深度神经网络结构，如图2所示，神经网络节点的激励函数选择ReLU激励函数。

数据重构模块20与神经网络构建模块10相连，用于根据所述神经网络重构地震数据；地震数据存储格式是按道存储，每道数据表示一个采集点采集到所在位置的一段时间的振动波信号。确定一道地震数据主要参数包括炮点坐标、接收点坐标、采样时间和地表高程(Sz、Rz)等信息。重构地震数据就是将按道存储的地震数据分解为按采样点存储格式，即将地震数据由原始的按道存储的格式转换为按采样点存储，每个采样点信息包括炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)、采样时间(T)和振幅值八个信息。其中炮点坐标、检波点坐标和采样时间是确定数据位置，采样点振幅是对应位置的地震数据。

训练模块30与神经网络构建模块10、数据重构模块20相连，用于利用重构后的地震数据对所述神经网络进行训练，获得神经网络训练模型；神经网络的训练以采样点为基本单位，输入炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)、采样时间(T)七个参数，输出数据为振幅值。也就是说，每个采样点的炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)，采样时间(T)七个参数作为输入参数，输入到神经网络的输入层，采样点的振幅值作为输出的检验数据。地震数据在训练的时候，不是按顺序输入，而是间隔一定距离输入一个采样点，依次循环，最终完成所有输入数据的训练。利用重构后的地震数据对所述神经网络进行训练之前先确定神经网络的训练参数，神经网络的训练参数是确定训练效果的关键因素，考虑到训练的计算量和精度，通过循环次数和误差量两个参数控制神经网络训练。训练误差确定训练的精度，防止出现过拟合。循环次数控制训练的计算量，防止陷入多次循环，无法正常结束。

静校正处理模块40与训练模块30相连，用于根据水平地表高程及所述神经网络训练模型获取静校正处理结果。静校正处理是将起伏地表状态下采集的地震数据校正到水平地表状态，由于地表的起伏，如山地的勘探，在起伏的地表上采集的地震数据处理是需要将起伏的地表通过静校正处理校正到相当于与水平的地表，或者由起伏较剧烈的地表校正到起伏平缓的地表。

确定静校正的目标高程，将目标地震数据中的炮点高程和检波点高程替换成静校正的目标高程，输入到神经网络训练模型中计算输出的地震道数据作为静校正处理结果，完成静校正处理。

更具体地，根据静校正需要，确定目标高程，即设置水平地表高程，确定每道数据炮点高程值Sz和检波点高程Rz。并据此设定的静校正目标数据的七个参数，即炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)，采样时间长度。本发明中，只对炮点高程Sz和检波点高程Rz进行替换，即将炮点坐标(Sx，Sy，Sz)中Sz高程坐标和检波点坐标(Rx，Ry，Rz)中的Rz高程坐标替换成目标高程数据，其他参数保持不变。

设定的静校正目标数据的七个参数输入到神经网络的输入层，经过神经网络训练模型计算输出对应点的振幅值，获得目标地表高程状态下的地震数据。按照以上步骤，依次计算所有道数据，获得最终的静校正处理结果。

在本发明另一实施例提供的基于深度学习的地震数据静校正处理系统，除了神经网络构建模块10、数据重构模块20、训练模块30、静校正处理模块40外，进一步包括与静校正处理模块40相连的反重构模块，反重构模块用于将计算得到的静校正处理结果按照数据重构模块20的重构方式进行反重构，获得地震数据格式的最终数据。

请参照图4A，图4A为静校正前的地震数据，数据中由于地表高程变化剧烈，地震数据的同向轴起伏较大，不连续。经本发明提供的基于深度学习的地震数据静校正处理方法或系统进行处理后得到的数据如图4B所示，可见，通过静校正后，同向轴连续性得到显著改善。

本发明提出的基于深度学习的地震数据静校正处理方法及系统，利用已获得的地震数据对神经网络进行训练，获得神经网络训练模型，然后根据水平地表高程，利用训练后的神经网络模型计算出水平地表下的地震数据。本发明为静校正处理提供了一种高效准确的处理方法，可以实现地震数据直接静校正处理，避免了初至拾取和近地表速度建模等处理过程，适应性强，可以满足复杂地表状态下的地震数据静校正处理需求，改进地震数据的处理效果，降低了勘探成本，提高了经济效益。

本发明提供的基于深度学习的地震数据静校正处理方法及系统，利用深度神经网络，对地震数据进行地震数据进程处理，实现了直接静校正效果。处理过程直接对深度神经网络用原始炮集地震数据进行训练，训练完成后，统一高程，通过神经网络插值处理，输出静校正后的地震数据。

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 (6)

1.一种基于深度学习的地震数据静校正处理方法，其特征在于，包括：

S1、构建神经网络，并据此重构地震数据；

所述重构地震数据包括：将地震数据的存储格式转换为以采样点为基本单位的存储格式，所述采样点的信息包括炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)、采样时间和振幅值；

S2、利用重构后的地震数据对所述神经网络进行训练，获得神经网络训练模型；所述神经网络按照一个输入层，至少两个中间层，一个输出层构建；所述输入层用于输入所述炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)、采样时间，所述输出层用于输出振幅值；

S3、根据水平地表高程及所述神经网络训练模型获取静校正处理结果：

确定静校正的目标高程为水平地表高程；

将目标地震数据中的炮点高程和检波点高程替换成静校正的目标高程：将炮点坐标中的Sz和检波点坐标中的Rz坐标替换成相应的目标高程数据形成设定的静校正目标数据，将所述设定的静校正目标数据输入到神经网络训练模型中，计算输出的地震道数据作为静校正处理结果。

2.根据权利要求1所述基于深度学习的地震数据静校正处理方法，其特征在于，所述中间层的节点数小于训练样本数量的四分之一。

3.根据权利要求1所述基于深度学习的地震数据静校正处理方法，其特征在于，所述步骤S2中，训练时，将所述重构后的地震数据按预设间隔输入，依次循环。

4.根据权利要求1所述基于深度学习的地震数据静校正处理方法，其特征在于，所述步骤S3之后，包括：

将所述静校正处理结果按照所述步骤S1的重构方式进行反重构，获得地震数据格式的最终数据。

5.一种基于深度学习的地震数据静校正处理系统，其特征在于，包括：

神经网络构建模块，用于构建神经网络；所述神经网络按照一个输入层，至少两个中间层，一个输出层构建；数据重构模块，用于根据所述神经网络重构地震数据；所述重构地震数据包括：将地震数据的存储格式转换为以采样点为基本单位的存储格式，所述采样点的信息包括炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)、采样时间和振幅值；

训练模块，用于利用重构后的地震数据对所述神经网络进行训练，获得神经网络训练模型；所述输入层用于输入所述炮点坐标(Sx，Sy，Sz)、检波点坐标(Rx，Ry，Rz)、采样时间，所述输出层用于输出振幅值；

静校正处理模块，用于根据水平地表高程及所述神经网络训练模型获取静校正处理结果：确定静校正的目标高程为水平地表高程；将目标地震数据中的炮点高程和检波点高程替换成静校正的目标高程：将炮点坐标中的Sz和检波点坐标中的Rz坐标替换成相应的目标高程数据形成设定的静校正目标数据，将所述设定的静校正目标数据输入到神经网络训练模型中，计算输出的地震道数据作为静校正处理结果。

6.一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1～4任一项所述的方法中的步骤。