CN112731522B - 地震地层智能识别方法、装置、设备及存储介质 - Google Patents
地震地层智能识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112731522B CN112731522B CN202011463003.0A CN202011463003A CN112731522B CN 112731522 B CN112731522 B CN 112731522B CN 202011463003 A CN202011463003 A CN 202011463003A CN 112731522 B CN112731522 B CN 112731522B
- Authority
- CN
- China
- Prior art keywords
- seismic
- net model
- stratum
- data set
- intelligent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000012360 testing method 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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- 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
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- 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
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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种地震地层智能识别方法、装置、设备及存储介质，该方法具体步骤包括：构建改进型U‑Net模型；从三维地震数据集获取地震切片，转为灰度图片并将其调整为m×m的尺寸；训练模型；使训练后的U‑Net模型对工区中地层进行识别，获取像素级的目标地层分割结果。本发明通过构建改进型U‑Net模型，能够高效提取地震地层特征并进行精确定位，满足在有限的时间和计算资源情况下解释地震数据，完成地震地层的识别。
Description
技术领域
本发明涉及地震资料解释技术领域，具体涉及一种地震地层智能识别方法、装置、设备及存储介质。
背景技术
地震勘探是目前最常用的一种探测方法，地震成像使地下结构可视化成为可能。该方法基于地下结构的反射，并通过检波器在近地表进行检测，记录反射信号以便进一步处理，从而得到三维的地下地层结构。理论上，反射波强度与接触点岩石物理性质的差异成正比。这实际上意味着地震图像包含了沉积物之间边界的信息。因此地震地层的解释对于地下地层空间结构分析、石油天然气等矿产资源的分析具有重要意义。然而从地下接收的反射波受到许多因素的影响，而且地震剖面的特征复杂，包含多类地震相，所以三维地震数据体中地震地层智能识别面临很多挑战。
地层解释方法通常可分为人工解释和半自动人机交互解释。人工解释方法十分耗时，并且依赖邻域专家的知识经验等主观因素，可重复性差，不能完全满足地震勘探日益增加的数据量。半自动分割方法采取人机交互，虽然在一定程度上提高了分割的速度，但仍然依赖于观察者的经验，限制了该方法的广泛应用。上述所提及的方法通常应用在常规的2D地震和较小的3D地震数据中，解释员目视检查地震反射图案，并用不同的颜色标记不同类型的地层。此外，地震剖面不同于一般自然场景下的图像，由先进采集系统生成的地震数据具有更高的分辨率，并且揭示了地下地质结构更复杂的细节，包含了更加丰富的地下信息。同时随着勘探深度的增加地层界面反射能量会逐渐减弱，且剖面噪声变化较大。这些特征使得地层的边界难以区分，内部特征难以提取，最终导致解释的效果不佳。因此，高效的提取地震剖面特征方法已成为地震解释研究热点之一。
由于地震数据可看作灰度矩阵，因此将地震解释问题转化为图像处理的问题，是目前处理叠后数据的主要手段之一。随着计算机图像处理技术的飞速发展，很多研究者不断将相关方法应用于地震解释任务中。传统的方法是从地震资料中通过地质原理、物理和几何原理导出地震属性，主要包括层位跟踪、地质建模、基于振幅、梯度等地震信号横向连续性的种子自动跟踪、以及相干体技术。但是以上的传统方法过于依赖地震剖面的信噪比(S/N)以及层位横向的高度连续性。当在低质量的剖面数据上，传统方法极容易产生误判。相比于传统的方法，图像处理的理论和算法也一直被用于辅助地震解释，并对该领域做出了重要贡献，主要包括基于边缘算法的图像分割方法、基于纹理的方法、以及通过地震振幅等属性计算的方法来识别解释地层。
尽管以上方法是根据一定的理论知识来计算得到地震属性，但是由于噪声等干扰的存在，以上方法可能无法完全地描述实际地震数据。随着科技的发展，深度神经网络技术被广泛应用于各个领域，包括图像识别、目标检测、图像分割和自然语言处理等。其中许多研究表明卷积神经网络在地质异常体识别中具有不错表现，相较于传统方法，基于卷积神经网络的算法具有强大的学习能力，在运行速度和准确率上都有很大的优势。
其中U-Net是一种具有跳跃连接和编解码结构的全卷积神经网络，自提出以来就在自然图像语义分割任务中具有不俗表现。该方法在识别地震数据体中某一类地质异常体具有良好的表现，即单一的地震属性从地震剖面中分离。相关学者也采用一种相似的网络模型，一种不含有跳跃连接架构的全卷积神经网络，但是该方法往往需要大量的标签数据才能实现高精度的地震地层分割，然而在实际中，获取大量人工标注的真实数据是不可行的。因此，提供一种在实际的三维地震数据能够准确且快速识别多类地层的方法是亟待解决的技术问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于改进U-Net模型地震地层智能识别方法，该方法能够直接从原始地震振幅数据出发，高精度的提取地层特征并进行分割，规避了传统方法通过地震属性计算来识别地层的缺点，有效的保留了地层识别重要信息。
一种基于改进U-Net模型地震地层智能识别方法，具体包括以下步骤：
构建改进型U-Net模型；
对地震数据集预处理，获得预处理后的地震数据集；
根据所述预处理后的地震数据集训练所述U-Net模型，获得训练后的U-Net模型；
根据所述训练后的U-Net模型对工区中地层进行识别，获取像素级的目标地层分割结果。
优选地，所述构建改进型U-Net模型，具体为：
基于深度学习库优化神经网络，利用keras搭建网络模型，在原始U-Net模型的基础上减少特征层数量并在最终输出端实现多分类输出。
优选地，所述对地震数据集预处理，获得预处理后的地震数据集，具体包括：
从所述地震数据集中等间距的抽取地震切片数据集作为初始训练集；
对所述地震切片数据集进行灰度化处理，获得灰度图像；
根据所述灰度图像，对剖面周围进行零值填充，获得填充后的地震切片数据集；
对所述填充后的地震切片数据集进行裁剪，采用允许重叠的滑动窗口分解得到图像块，获得预处理后的地震数据集。
优选地，所述根据预处理后的地震数据集训练所述U-Net模型，获得训练后的U-Net模型，具体包括：
对所述U-Net模型进行权值初始化，获得初始化U-Net模型；
通过所述预处理后的地震数据集对所述初始化U-Net模型进行迭代训练，首先确定本发明的损失函数为多分类交叉熵损失函数L(q,p)：
其中
是相应真实标签
上的概率分布，pk(x)表示不同类别上的模型化概率分布，c是分类数目，k＝1、2...c；反向传播计算出梯度值，通过Adam优化算法得到沿着梯度反方向更新量θ：
θ＝θ-η×g(θ)
其中g(θ)是权重w和偏置项b的集合，η代表学习率，通过不断训练迭代，逐渐较少预测值和人工标记掩模数据之间的损失函数，建立地震振幅图像和地层的映射关系；
当完成预先调整的迭代次数时，获得训练后的U-Net模型。
优选地，所述根据训练后的U-Net模型对工区中地层进行识别，获取像素级的目标地层分割结果，具体包括：
对工区中地震切片数据进行灰度化处理，获得工区中地震地层的灰度图像；
根据所述工区中地震层的灰度图像，对工区中地震剖面周围进行了零值填充，获得填充后的工区中地震剖面；
将所述填充后的工区中地震剖面裁剪成与训练后的U-Net模型输入尺寸相同的非重叠图像块；
通过组合所述非重叠像图块获得地层解释，将两个方向的所有地震地层数据按照原有的顺序进行叠加形成三维地震地层数据集，通过给定的灰度阈值范围识别出不同类别的地层，获得目标地层分割结果。
此外，为了实现此目的，本发明还提供了一种地震地层智能识别设备，所述地震地层智能识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地震地层智能识别程序，所述地震地层智能识别程序被所述处理器执行时实现如权利要求1至5中任一项所述的地震地层智能识别方法的步骤。
此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有地震地层智能识别程序，所述地震地层智能识别程序被处理器执行时实现如权利要求1至5中任一项所述的地震地层智能识别方法的步骤。
此外，为了实现上述目的，本发明还提供了一种地震地层智能识别装置，所述地震地层智能识别装置包括：编码模块、解码模块；
所述编码模块是U-Net模型的浅层结构，用于提取地震地层高分辨率信息；
所述解码模块是U-Net模型的深层结构，用于提供目标地震地层智能识别的基础信息，将编码模块的所述地震地层高分辨率信息恢复到与原始地震剖面相同大小的尺寸；
所述编码模块和所述解码模块之间通过跳级连接，所述跳级连接将编码模块获得所述地震地层高分辨率信息传递到解码模块中。
本发明的有益效果是：
(1)本发明所改进型U-Net模型含有较少的训练参数，大大缩减了训练时间，同时又能达到高精度的地层识别。
(2)模型仅需工区中较少的标签数据用于训练，便可实现三维地震数据集地层精准分割。
附图说明
图1是本发明具体实施例基于改进U-Net的地震地层智能识别方法流程图；
图2是本发明具体实施例改进型U-Net模型的模型结构简图；
图3是本发明具体实施例选取F3数据部分地震剖面灰度图像；
图4是本发明具体实施例改进型U-Net模型训练过程曲线图；
图5是本发明具体实施例在F3工区3维地层智能识别效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，图1是本发明具体实施例基于改进U-Net的地震地层智能识别方法流程图；本发明一种基于改进U-Net的地震地层智能识别方法，具体包括以下步骤：
S1、构建改进型U-Net模型；
请参考图2、图2是本发明具体实施例改进型U-Net模型的模型结构简图；基于深度学习库优化神经网络，利用keras搭建网络模型，在原始U-Net模型结构的基础上减少了特征层数量并在最终输出端实现多分类输出，改进型U-Net模型的模型结构如图2所示，U-Net模型由编码器和解码器两部分组成，编码阶段串行4次下采样，并包含一个重复结构，即两层级联卷积+最大池化层，其中卷积层采用keras中的conv2D函数，卷积核大小为3×3，步长为1，其中特征层的数量按照32、64、128、256、512依次增加。池化层采用keras中的Maxpooling2D函数，大小为2×2，步长为2。与之相对应的解码阶段，串行进行4次上采样，卷积核大小与编码阶段相同，特征层的数量按照512、256、128、64、32依次减少。上采样采用的是keras中的Upsample2D函数。以上步骤均采用ReLu作为激活函数，在网络的输出端采用卷积核大小为1×1，步长为1，特征层数量为8的卷积操作，通过keras中softmax输出训练结果，将输出的8个分类以0～1之间概率值的方式映射到相同大小的地震剖面上。以上所有卷积操作均使用0值填充操作，keras内置参数设定为“padding＝same”。
本发明选用交叉熵作为训练的损失函数，刻画了网络输出值和真实值之间的距离，首先通过SoftMax函数输出每一类的预测结果，是介于0～1之间概率值，定义见下式：
其中，exp()是指数函数，ak(x)表示在特征通道k激活后的最终特征图，pk(x)表示不同类别上的模型化概率分布，c是分类数目，j＝1、2...c。上式得到网络的输出值，通过交叉熵损失函数来衡量输出值和真实值之间的距离：
其中
是相应真实标签
上的概率分布。
本发明选用Adam优化算法，通过反向传播算法不断迭代更新参数，逐步减小网络输出和标签数据的误差，最终建立地震振幅数据和地层的映射关系。
S2、对地震数据集预处理，获得预处理后的地震数据集；具体分为以下4步：
S21、从所述地震数据集中等间距的抽取地震切片数据集作为初始训练集；
本发明基于改进U-Net模型将其应用于Netherlands F3 seismic dataset三维数据集，该数据集由2D地震图像水平叠加所构成，包含951个inline和651个crossline，尺寸分别为951×462和651×462。最终以25等间隔方式选取数据集中63张地震切片数据，包含了inline和crossline两个方向的数据，从中随机抽取15％数据作为验证集，工区中剩余数据用作测试集。
S22、对所述地震切片数据集进行灰度化处理，获得灰度图像；
原始图像的浮动范围在[-30.000，33.000]左右，将其重新缩放为[0，255]的灰度范围，每一个像素值是介于0～255之间的整数。
S23、根据所述灰度图像，对剖面周围进行零值填充，获得填充后的地震切片数据集。
S24、对所述填充后的地震切片数据集进行裁剪，采用允许重叠的滑动窗口分解得到图像块，获得预处理后的地震数据集。
因为采用实际的地震剖面数据，很难获得大量的标记数据，在训练样本数量有限的情况下，使用允许重叠的滑动窗口机制将处理后的地震切片数据分解为图像块，请参考图3，图3是本发明具体实施例选取F3数据部分地震剖面灰度图像。
S3、根据所述预处理后的地震数据集训练所述U-Net模型，获得训练后的U-Net模型；
将步骤S2获得预处理后的地震数据集，应用于步骤S1所构建的U-Net模型进行训练，训练环境为i7-8570H CPU@2.21GHz，8.00GB内存，NVIDIA GEFORCE GTX1050T，编程语言为Python，编程工具为jupyter notebook和Keras机器学习框架。经过数据预处理共获得训练集数量为4719，尺寸大小为128×128×1，验证集数量为832，尺寸同上。在训练阶段，一般会将所有的训练数据加载到内存中，但由于内存有限，所以在本次实验中使用数据生成器，它是keras中提供的图片生成器(ImageDataGenerator)，通过设定不同的参数，来生成多样性的数据从而达到小样本训练优质模型的能力。在图片生成器中选中随机水平翻转图片的参数，该方法不会增加数据集的数量，只增加数据集的多样性，直到达到规定的训练轮数为止。本次实例中，模型训练轮数设定为25轮，学习率设定为0.001。
请参考图4，图4是本发明具体实施例改进型U-Net模型训练过程曲线图，其中纵轴为损失函数值，横轴为训练轮数，训练过程具体包括以下步骤：
S31、对所述U-Net模型进行权值初始化，获得初始化U-Net模型；
S32、通过所述预处理后的地震数据集对所述初始化U-Net模型进行迭代训练；首先确定本发明的损失函数为多分类交叉熵损失函数L(q,p)：
其中
是相应真实标签
上的概率分布，pk(x)表示不同类别上的模型化概率分布，c是分类数目；反向传播计算出梯度值，通过Adam优化算法得到沿着梯度反方向更新量θ：
θ＝θ-η×g(θ)
其中g(θ)是权重w和偏置项b的集合，η代表学习率，通过不断训练迭代，逐渐较小预测值和人工标记掩模数据之间的损失函数，建立地震振幅图像和地层之间的映射关系；
S33、当完成预先调整的迭代次数时，获得训练后的U-Net模型。
S4、根据所述训练后的U-Net模型对工区中地层进行识别，获取像素级的目标地层分割结果，最终预测结果获取，主要分为以下4步。
S41、对工区中地震切片数据进行灰度化处理，获得工区中地震地层的灰度图像；
S42、根据所述工区中地震地层的灰度图像，对工区中地震剖面周围进行了零值填充，获得填充后的工区中地震剖面图；
S43、将所述填充后的工区中地震剖面图裁剪成与训练后的U-Net模型输入尺寸相同的非重叠图像块，即滑动窗口步长等于窗口大小；
S44、将所述非重叠图像块拼接为新的地震剖面图，将所述新的地震剖面图按照原有顺序进行叠加，形成三维地震地层数据集，通过给定的灰度阈值范围识别出不同类别的地层，获得目标地层分割结果。请参考图5，图5是本发明具体实施例在F3工区3维地层智能识别效果图，垂向箭头代表深度，其余箭头代表两个方向的地震剖面。
本发明的创新点：
1、本发明所改进U-Net模型含有较少的训练参数，满足在有限的时间和计算资源情况下解释地震数据，完成地震地层的识别。
2、模型仅需工区中较少的标签数据用于训练，便可实现三维地震数据集地层精准分割。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (6)
1.一种地震地层智能识别方法，其特征在于，所述地震地层智能识别方法包括以下步骤：
构建改进型U-Net模型；
在改进型U-Net模型的网络的输出端采用卷积核大小为1×1，步长为1，特征层数量为8的卷积操作，通过keras中softmax输出训练结果，将输出的8个分类以0～1之间概率值的方式映射到相同大小的地震剖面上；
对地震数据集预处理，获得预处理后的地震数据集；预处理包括：
从所述地震数据集中等间距的抽取地震切片数据集作为初始训练集；
对所述地震切片数据集进行灰度化处理，获得灰度图像；
原始图像的浮动范围在[-30.000，33.000]，将其重新缩放为[0，255]的灰度范围，每一个像素值是介于0～255之间的整数；
根据所述灰度图像，对剖面周围进行零值填充，获得填充后的地震切片数据集；
对所述填充后的地震切片数据集进行裁剪，采用允许重叠的滑动窗口分解得到图像块，获得预处理后的地震数据集；
根据所述预处理后的地震数据集训练所述U-Net模型，损失函数为多分类交叉熵损失函数L(q,p)：
其中
是相应真实标签
上的概率分布，pk(x)表示不同类别上的模型化概率分布，c是分类数目，k＝1、2...c；反向传播计算出梯度值，通过Adam优化算法得到沿着梯度反方向更新量θ：
θ＝θ-η×g(θ)
其中g(θ)是权重w和偏置项b的集合，η代表学习率，通过不断训练迭代，逐渐减小预测值和人工标记掩模数据之间的损失函数，建立地震振幅图像和地层的映射关系；
当完成预先调整的迭代次数时，获得训练后的U-Net模型；
根据所述训练后的U-Net模型对工区中地层进行识别，获得目标地层分割结果。
2.如权利要求1所述的地震地层智能识别方法，其特征在于，所述构建改进型U-Net模型，具体为：
基于深度学习库优化神经网络，利用keras搭建网络模型，在原始U-Net模型的基础上减少特征层数量，并在最终输出端实现多分类输出。
3.如权利要求1所述的地震地层智能识别方法，其特征在于，所述根据预处理后的地震数据集训练所述U-Net模型，获得训练后的U-Net模型，具体包括：
对所述U-Net模型进行权值初始化，获得初始化U-Net模型；
通过所述预处理后的地震数据集对所述初始化U-Net模型进行迭代训练；
当完成预先调整的迭代次数时，获得训练后的U-Net模型。
4.如权利要求1所述的地震地层智能识别方法，其特征在于，所述根据训练后的U-Net模型对工区中地层进行识别，获得目标地层分割结果，具体包括：
对工区中地震切片数据进行灰度化处理，获得工区中地震地层的灰度图像；
根据所述工区中地震地层的灰度图像，对工区中地震剖面周围进行了零值填充，获得填充后的工区中地震剖面图；
将所述填充后的工区中地震剖面图裁剪成与训练后的U-Net模型输入尺寸相同的非重叠图像块；
将所述非重叠图像块拼接为新的地震剖面图，将所述新的地震剖面图按照原有顺序进行叠加，形成三维地震地层数据集，通过给定的灰度阈值范围识别出不同类别的地层，获得目标地层分割结果。
5.一种地震地层智能识别设备，其特征在于，所述地震地层智能识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的地震地层智能识别程序，所述地震地层智能识别程序被所述处理器执行时实现如权利要求1至4中任一项所述的地震地层智能识别方法的步骤。
6.一种存储介质，其特征在于，所述存储介质上存储有地震地层智能识别程序，所述地震地层智能识别程序被处理器执行时实现如权利要求1至4中任一项所述的地震地层智能识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011463003.0A CN112731522B (zh) | 2020-12-14 | 2020-12-14 | 地震地层智能识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011463003.0A CN112731522B (zh) | 2020-12-14 | 2020-12-14 | 地震地层智能识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112731522A CN112731522A (zh) | 2021-04-30 |
| CN112731522B true CN112731522B (zh) | 2022-11-04 |
Family
ID=75599668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011463003.0A Active CN112731522B (zh) | 2020-12-14 | 2020-12-14 | 地震地层智能识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112731522B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113703045B (zh) * | 2021-08-27 | 2022-11-15 | 电子科技大学 | 一种基于轻量级网络的地震相识别方法 |
| US11922679B2 (en) | 2022-06-30 | 2024-03-05 | Xi'an Jiaotong University | Automatic seismic facies identification method based on combination of self-attention mechanism and u-shape network architecture |
| CN115081719A (zh) * | 2022-06-30 | 2022-09-20 | 西安交通大学 | 一种基于自注意力机制与u型结构结合的地震相自动化识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443801A (zh) * | 2019-08-23 | 2019-11-12 | 电子科技大学 | 一种基于改进AlexNet的盐丘识别方法 |
| CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
| CN112034512A (zh) * | 2020-09-02 | 2020-12-04 | 中海石油(中国)有限公司 | 基于深度学习模型的地震数据不连续性检测方法和系统 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103869358A (zh) * | 2014-02-18 | 2014-06-18 | 中国石油天然气股份有限公司 | 一种基于直方图均衡的断层识别方法及设备 |
| CN107609485B (zh) * | 2017-08-16 | 2020-05-19 | 中国科学院自动化研究所 | 交通标志的识别方法、存储介质、处理设备 |
| AU2017101166A4 (en) * | 2017-08-25 | 2017-11-02 | Lai, Haodong MR | A Method For Real-Time Image Style Transfer Based On Conditional Generative Adversarial Networks |
| CN108416774A (zh) * | 2018-03-08 | 2018-08-17 | 中山大学 | 一种基于细粒度神经网络的织物种类识别方法 |
| CN108616470A (zh) * | 2018-03-26 | 2018-10-02 | 天津大学 | 基于卷积神经网络的调制信号识别方法 |
| EP3894906A1 (en) * | 2018-12-11 | 2021-10-20 | ExxonMobil Upstream Research Company | Training machine learning systems for seismic interpretation |
| CN110728192B (zh) * | 2019-09-16 | 2022-08-19 | 河海大学 | 一种基于新型特征金字塔深度网络的高分遥感图像分类方法 |
| CN110837818A (zh) * | 2019-11-18 | 2020-02-25 | 汕头大学 | 一种基于卷积神经网路的中华白海豚背鳍识别方法 |
| CN111598951B (zh) * | 2020-05-18 | 2022-09-30 | 清华大学 | 一种识别空间目标的方法、装置和存储介质 |
| CN111562285A (zh) * | 2020-06-03 | 2020-08-21 | 安徽大学 | 基于大数据与深度学习的矿井突水水源识别方法及其识别系统 |
| CN111695494A (zh) * | 2020-06-10 | 2020-09-22 | 上海理工大学 | 一种基于多视角卷积池化的三维点云数据分类方法 |
-
2020
- 2020-12-14 CN CN202011463003.0A patent/CN112731522B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443801A (zh) * | 2019-08-23 | 2019-11-12 | 电子科技大学 | 一种基于改进AlexNet的盐丘识别方法 |
| CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
| CN112034512A (zh) * | 2020-09-02 | 2020-12-04 | 中海石油(中国)有限公司 | 基于深度学习模型的地震数据不连续性检测方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112731522A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Successful leveraging of image processing and machine learning in seismic structural interpretation: A review | |
| US11320551B2 (en) | Training machine learning systems for seismic interpretation | |
| Jia et al. | What can machine learning do for seismic data processing? An interpolation application | |
| AlRegib et al. | Subsurface structure analysis using computational interpretation and learning: A visual signal processing perspective | |
| CN112731522B (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
| CA3067013C (en) | Deep learning based reservoir modeling | |
| Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
| Pan et al. | Stochastic pix2pix: A new machine learning method for geophysical and well conditioning of rule-based channel reservoir models | |
| Azevedo et al. | Generative adversarial network as a stochastic subsurface model reconstruction | |
| US20230093005A1 (en) | A system and method for improved geographical data interpretation | |
| Mousavi et al. | Applications of deep neural networks in exploration seismology: A technical survey | |
| Wang et al. | Seismic stratum segmentation using an encoder–decoder convolutional neural network | |
| Wu et al. | MTL-FaultNet: Seismic data reconstruction assisted multi-task deep learning 3D fault interpretation | |
| US20220283329A1 (en) | Method and system for faster seismic imaging using machine learning | |
| AlSalmi et al. | Automated seismic semantic segmentation using attention U-Net | |
| Lin et al. | SeisGAN: Improving seismic image resolution and reducing random noise using a generative adversarial network | |
| Jun Park et al. | Realistic synthetic data generation using neural style transfer: Application to automatic fault interpretation | |
| RU2619803C2 (ru) | Определение пути движения флюида | |
| US20240127039A1 (en) | Geologic learning framework | |
| CA3215790A1 (en) | Multi-task neural network for salt model building | |
| CN115639605A (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
| Lomask | Seismic volumetric flattening and segmentation | |
| CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
| CN112882096B (zh) | 一种含盐盆地盐窗的预测方法、装置及计算机存储介质 | |
| US20240210586A1 (en) | Multi-task neural network for salt model building |
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 |