CN112926232A - 一种基于分层融合的地震低频分量恢复方法 - Google Patents
一种基于分层融合的地震低频分量恢复方法 Download PDFInfo
- Publication number
- CN112926232A CN112926232A CN202011457426.1A CN202011457426A CN112926232A CN 112926232 A CN112926232 A CN 112926232A CN 202011457426 A CN202011457426 A CN 202011457426A CN 112926232 A CN112926232 A CN 112926232A
- Authority
- CN
- China
- Prior art keywords
- seismic
- full
- layered
- frequency
- predicted
- 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 34
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000011084 recovery Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000004913 activation Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G01V1/303—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
- G06N3/04—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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于分层融合的地震低频分量恢复方法,通过正演方式获得全频段地震记录;将全频段地震记录滤除低频成分,得到对应的带限地震记录;将带限地震记录按照能量相近性做分层处理;将分层处理后的带限地震记录划分为训练集、验证集和测试集;利用训练集、验证集训练设计好的卷积神经网络,获得训练好的分层网络;将测试集带限数据输入训练好的分层网络,得到预测的分层的全频地震记录;将预测的分层的全频地震记录融合为完整的预测的地震记录;对完整的预测的地震记录做全波形反演,得到预测速度场。可有效避免由地震数据能量不均衡导致的卷积神经网络参数学习受干扰的现象,且恢复较深层低频分量的效果更优。
Description
技术领域
本发明属于全波形反演领域中地震低频分量恢复的方法,具体涉及到一种基于分层融合的地震低频分量恢复方法。
背景技术
随着石油勘探的不断深入以及对高精度成像要求的不断提高,如何获取一个精细的地下介质模型成为当今地震勘探学家们思考的问题。地震勘探是通过人工方法在地下介质中激发地震波,地震波经过地下介质的反射、透射、折射等传播到布设在地面的检波器并被记录下来,形成地震记录。依据地震波在介质中的传播规律,设计相应的数值算法对该地震记录进行处理解释,得到地下介质的物性信息。作为现代地震学的杰出代表,全波形反演技术(Full waveform inversion)直接利用观测记录的全波信息重建地下介质的速度和密度等模型,可得地下介质的物性信息,是目前分辨率最高的一种精细建模技术。由于野外地震信息采集受限制,采集到的观测记录频率通常在3HZ以上,低频信息的缺失会严重影响全波形反演的精度。地震子波在地层向下传播时,会产生衰减,深度越大,采集到的地震记录能量越少。
卷积神经网络可以自动挖掘高频地震记录与相应全频地震记录之间的关系,被广泛应用于全波形反演领域的低频拓展中。但是由于地震记录的能量不均衡性,在训练神经网络的过程中,上层能量强的数据会对权重参数的学习贡献更大,对恢复下层能量低的数据起到一个反作用。因此,怎样训练卷积神经网络模型,能恢复出低频地震信息是目前亟待解决的问题。
发明内容
本发明提供了一种基于分层融合的地震低频分量恢复方法,克服训练卷积神经网络恢复全频地震记录存在的低能量数据被高能量数据抑制,深层数据难以恢复的问题。
本发明提供的一种基于分层融合的地震低频分量恢复方法,依次包括以下步骤:
S1、通过正演方式获得全频段地震记录;
S2、将全频段地震记录滤除低频成分,得到对应的带限地震记录;
S3、将带限地震记录按照能量相近性做分层处理,为减弱边缘效应,可使相连的两层设置重叠部分;
S4、将分层处理后的带限地震记录划分为训练集、验证集和测试集;
S5、利用训练集、验证集训练设计好的卷积神经网络,获得训练好的分层网络;
S6、将测试集带限数据输入训练好的分层网络,得到预测的分层的全频地震记录;
S7、将预测的分层的全频地震记录融合为完整的预测的地震记录,重叠部分在融合时给与不同权重;
S8、对完整的预测的地震记录做全波形反演,得到预测速度场。
优选的,步骤1正演设置包括地震子波设置为主频为10hz的雷克子波;所用地质模型选择像素点数为155*461的Marmousi模型,设置炮数为112,检波点数为461;所用地震波数值模拟方法为有限差分法,使用时域2阶、空间10阶的PML有限差分建模算子,采样时间间隔为0.8ms,采样点数为4001。
优选的,步骤3所述分层处理将带限地震记录按照能量相近性共划分了五层。
优选的,步骤5所设计的卷积神经网络的工作流程为:
S1、输入分层的带限地震记录;
S2、将分层的带限地震记录经过一层二维卷积,卷积核大小为640*1,滤波器个数为128,使用PReLu激活函数,然后将得到的数据进行批处理归一化;
S3、步骤2结果经过一层Dropout层,以概率50%舍弃部分神经元;
S4、步骤3结果经过一层二维卷积,卷积核大小为640*1,滤波器个数为64,使用PReLu激活函数,然后将得到的数据进行批处理归一化;
S5、步骤4结果经过一层二维卷积,卷积核大小为640*1,滤波器个数为128,使用PReLu激活函数,然后将得到的数据进行批处理归一化;
S6、步骤5结果经过一层二维卷积,卷积核大小为640*1,滤波器个数为64,使用PReLu激活函数,然后将得到的数据进行批处理归一化;
S7、步骤6结果经过一层二维卷积,卷积核大小为640*1,滤波器个数为32,使用PReLu激活函数,然后将得到的数据进行批处理归一化;
S8、步骤7结果经过一层全连接层,神经元个数等于每层对应的采样点数;
S9、得到卷积神经网络预测出的该层对应的全频地震记录。
本发明的有益效果:本发明所提出的基于分层融合恢复低频信息的方法可有效避免由地震数据能量不均衡导致的卷积神经网络参数学习受干扰的现象,且恢复较深层低频分量的效果更优。
附图说明
图1所示为基于分层融合的地震低频分量恢复方法的流程图,
图2所示为正演方式获得全频段地震记录所需设置的参数示意图,
图3所示为本发明将全频段地震记录滤除低频成分的流程图,
图4所示为本发明实施例中验证集分层处理示意图,
图5所示为本发明设计的卷积神经网络的工作流程图,
图6所示为本发明实施例步骤6的流程图,
图7所示为本发明实施例预测的完整的地震记录的全频图,
图8所示为未采用本发明实施方法预测的完整的地震记录的全频图,
图9所示为本发明实施例方法所得结果所对应的全频地震记录的真实标签图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,不能理解为对本发明具体保护范围的限定。
实施例
本实施例提供了一种基于分层融合的地震低频分量恢复方法,如图1所示,依次包括如下步骤:
S1、通过正演方式获得全频段地震记录;
S2、将全频段地震记录滤除低频成分,得到对应的带限地震记录;
S3、将带限地震记录按照能量相近性做分层处理,为减弱边缘效应,可使相连的两层设置重叠部分;
S4、将分层处理后的带限地震记录划分为训练集、验证集和测试集;
S5、利用训练集、验证集训练设计好的卷积神经网络,获得训练好的分层网络;
S6、将测试集带限数据输入训练好的分层网络,得到预测的分层的全频地震记录;
S7、将预测的分层的全频地震记录融合为完整的预测的地震记录,重叠部分在融合时给与不同权重;
S8、对完整的预测的地震记录做全波形反演,得到预测速度场。
步骤1采用现有C语言编程的正演程序去获得全频段地震记录,具体需要设置以下参数,如图2所示,所用地震子波为主频为10hz的雷克子波;所用地质模型(速度场)为像素点数为155*461的Marmousi模型,设置炮数为112,检波点数为461;所用地震波数值模拟方法为有限差分法,使用时域2阶、空间10阶的PML有限差分建模算子,采样时间间隔为0.8ms,采样点数为4001。
步骤2将全频段地震记录滤除低频成分的流程如图3所示,设计一个频域滤波器,滤除全频段地震记录中频率在5hz以下的数据(即低频成分),得到对应的带限地震记录。
步骤3所述的将带限地震记录和全频地震记录按照能量相近性做分层处理,如图4所示的是4炮地震记录时域图,从左到右依次为第一炮的地震记录,第一炮与中间炮之间的中间炮地震记录,中间炮地震记录,最后一炮地震记录,此4炮地震记录大致可体现全部地震记录的特征。地震记录会随地层深度的增大产生不同程度的衰减,根据地震记录的能量相近性,按图4中横线所示将完整的地震记录分为5层或者其他层数,相连的两层可设置重叠部分,以此减弱边缘效应。本实施例通过5层分层处理,从而获取分层处理后的带限、全频地震记录。
本实施例的全频地震记录共有112炮,我们将奇数炮数据作为训练集,偶数炮数据作为测试集,从偶数炮里抽取4炮作为验证集,图4所示的即为验证集数据。
利用训练集、验证集训练设计好的卷积神经网络,获得训练好的分层网络的流程如图5所示,步骤1501是起始状态;步骤1502输入分层的带限地震记录;步骤1503将带限地震记录经过一层二维卷积,卷积核大小为640*1,滤波器个数为128,使用PReLu激活函数,然后将得到的数据进行批处理归一化,PReLu激活函数的公式为:
其中,y是非线性激活函数g(α,y)的输入,α是一个可以学习的参数,当输入大于等于零时,PReLu就相当于ReLu,输出等于输入,当输入小于零时,要将输入乘以一个参数α得到输出;步骤1504将上一步结果经过一层Dropout层,以概率50%舍弃部分神经元;步骤1505将上一步结果经过一层二维卷积,卷积核大小为640*1,滤波器个数为64,使用PReLu激活函数,然后将得到的数据进行批处理归一化;步骤1506将上一步结果经过一层二维卷积,卷积核大小为640*1,滤波器个数为128,使用PReLu激活函数,然后将得到的数据进行批处理归一化;步骤1507将上一步结果经过一层二维卷积,卷积核大小为640*1,滤波器个数为64,使用PReLu激活函数,然后将得到的数据进行批处理归一化;步骤1508将上一步结果经过一层二维卷积,卷积核大小为640*1,滤波器个数为32,使用PReLu激活函数,然后将得到的数据进行批处理归一化;步骤1509将上一步结果经过一层全连接层,神经元个数等于每层对应的采样点数;步骤1510得到卷积神经网络预测出的该层对应的全频地震记录;步骤1511是结束状态。
如图6所示,本实施例分别将五层带限地震记录的测试数据放入对应的分层网络,得到这5层的预测的全频地震记录,然后将这5层预测的全频地震记录融合为完整的预测的地震记录,重叠部分在融合时给与不同权重。对完整的预测的地震记录做全波形反演,得到预测速度场,将预测速度场与步骤1正演时所用的速度场进行比较,看最终的预测结果的准确性。
图7给出了使用本实施例基于分层融合的地震低频分量恢复方法预测的完整的地震记录的全频图。图7所示结果未设置重叠区域,使用Fimage软件画图,便于与现有方法的结果直观对比。
图8给出了对应的未使用本实施例基于分层融合的地震低频分量恢复方法预测的全频图。具体步骤如下:
S1、通过正演方式获得全频段地震记录;
S2、将全频段地震记录划分为训练集、验证集和测试集;
S3、利用训练集、验证集训练设计好的卷积神经网络;
S4、将测试集带限数据放入训练好的卷积神经网络,得到预测的全频地震记录;
S5、对预测的全频地震记录做全波形反演,得到预测速度场。
图8使用的实验数据与图7所采用的实验数据保持一致,训练集、验证集、测试集的划分方式也保持一致,只是数据不曾经过图1中步骤S3所示的分层处理,用完整的训练集训练相同的卷积神经网络,验证集的预测结果为完整的全频地震记录,将其用Fimage画图,与图7对比。
图9给出了本实施例方法所得结果所对应的全频地震记录的真实标签图。将验证集对应的标签用Fimage画图,与图7、图8对比。结果显示,图7的的下层恢复效果较好,上层有少量噪声,恢复效果较下层稍差;图8的下层恢复结果差,上层恢复效果也不如图7,且图8整体噪声明显。实验结果表明,本发明所提出的基于分层融合恢复低频信息的方法可有效避免由地震数据能量不均衡导致的卷积神经网络参数学习受干扰的现象,且恢复较深层低频分量的效果更优。
Claims (4)
1.一种基于分层融合的地震低频分量恢复方法,其特征在于,依次包括以下步骤:
S1、通过正演方式获得全频段地震记录;
S2、将全频段地震记录滤除低频成分,得到对应的带限地震记录;
S3、将带限地震记录按照能量相近性做分层处理,为减弱边缘效应,可使相连的两层设置重叠部分;
S4、将分层处理后的带限地震记录划分为训练集、验证集和测试集;
S5、利用训练集、验证集训练设计好的卷积神经网络,获得训练好的分层网络;
S6、将测试集带限数据输入训练好的分层网络,得到预测的分层的全频地震记录;
S7、将预测的分层的全频地震记录融合为完整的预测的地震记录,重叠部分在融合时给与不同权重;
S8、对完整的预测的地震记录做全波形反演,得到预测速度场。
2.根据权利要求1所述的基于分层融合的地震低频分量恢复方法,其特征在于,步骤1正演设置包括地震子波设置为主频为10hz的雷克子波;所用地质模型选择像素点数为155*461的Marmousi模型,设置炮数为112,检波点数为461;所用地震波数值模拟方法为有限差分法,使用时域2阶、空间10阶的PML有限差分建模算子,采样时间间隔为0.8ms,采样点数为4001。
3.根据权利要求1所述的基于分层融合的地震低频分量恢复方法,其特征在于:步骤3所述分层处理将带限地震记录按照能量相近性共划分了五层。
4.根据权利要求1所述的基于分层融合的地震低频分量恢复方法,其特征在于:步骤5所设计的卷积神经网络的工作流程为:
S1、输入分层的带限地震记录;
S2、将分层的带限地震记录经过一层二维卷积,卷积核大小为640*1,滤波器个数为128,使用PReLu激活函数,然后将得到的数据进行批处理归一化;
S3、步骤2结果经过一层Dropout层,以概率50%舍弃部分神经元;
S4、步骤3结果经过一层二维卷积,卷积核大小为640*1,滤波器个数为64,使用PReLu激活函数,然后将得到的数据进行批处理归一化;
S5、步骤4结果经过一层二维卷积,卷积核大小为640*1,滤波器个数为128,使用PReLu激活函数,然后将得到的数据进行批处理归一化;
S6、步骤5结果经过一层二维卷积,卷积核大小为640*1,滤波器个数为64,使用PReLu激活函数,然后将得到的数据进行批处理归一化;
S7、步骤6结果经过一层二维卷积,卷积核大小为640*1,滤波器个数为32,使用PReLu激活函数,然后将得到的数据进行批处理归一化;
S8、步骤7结果经过一层全连接层,神经元个数等于每层对应的采样点数;
S9、得到卷积神经网络预测出的该层对应的全频地震记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011457426.1A CN112926232B (zh) | 2020-12-10 | 2020-12-10 | 一种基于分层融合的地震低频分量恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011457426.1A CN112926232B (zh) | 2020-12-10 | 2020-12-10 | 一种基于分层融合的地震低频分量恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926232A true CN112926232A (zh) | 2021-06-08 |
CN112926232B CN112926232B (zh) | 2022-08-19 |
Family
ID=76162526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011457426.1A Active CN112926232B (zh) | 2020-12-10 | 2020-12-10 | 一种基于分层融合的地震低频分量恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926232B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113945974A (zh) * | 2021-06-10 | 2022-01-18 | 中国矿业大学(北京) | 一种地震数据重建方法、装置、设备及介质 |
CN116643310A (zh) * | 2023-07-20 | 2023-08-25 | 东北石油大学三亚海洋油气研究院 | 地震拓频方法、装置、电子设备及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934765A (zh) * | 2017-03-14 | 2017-07-07 | 长沙全度影像科技有限公司 | 基于深度卷积神经网络与深度信息的全景图像融合方法 |
CN109086872A (zh) * | 2018-07-30 | 2018-12-25 | 东北大学 | 基于卷积神经网络的地震波识别算法 |
-
2020
- 2020-12-10 CN CN202011457426.1A patent/CN112926232B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934765A (zh) * | 2017-03-14 | 2017-07-07 | 长沙全度影像科技有限公司 | 基于深度卷积神经网络与深度信息的全景图像融合方法 |
CN109086872A (zh) * | 2018-07-30 | 2018-12-25 | 东北大学 | 基于卷积神经网络的地震波识别算法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113945974A (zh) * | 2021-06-10 | 2022-01-18 | 中国矿业大学(北京) | 一种地震数据重建方法、装置、设备及介质 |
CN113945974B (zh) * | 2021-06-10 | 2022-05-24 | 中国矿业大学(北京) | 一种地震数据重建方法、装置、设备及介质 |
CN116643310A (zh) * | 2023-07-20 | 2023-08-25 | 东北石油大学三亚海洋油气研究院 | 地震拓频方法、装置、电子设备及计算机可读存储介质 |
CN116643310B (zh) * | 2023-07-20 | 2023-11-10 | 东北石油大学三亚海洋油气研究院 | 地震拓频方法、装置、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112926232B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | New suppression technology for low-frequency noise in desert region: The improved robust principal component analysis based on prediction of neural network | |
CN110806602B (zh) | 基于深度学习的智能化地震数据随机噪声压制方法 | |
US8976624B2 (en) | System and method for processing seismic data for interpretation | |
CN107422379A (zh) | 基于局部自适应凸化方法的多尺度地震全波形反演方法 | |
CN112926232B (zh) | 一种基于分层融合的地震低频分量恢复方法 | |
CN105510976A (zh) | 一种多次波组合自适应衰减方法 | |
CN111190227B (zh) | 基于残差卷积生成对抗模型的低信噪比地震数据消噪方法 | |
CN106054244B (zh) | 截断时窗的低通滤波多尺度全波形反演方法 | |
CN112946749B (zh) | 基于数据增广训练深度神经网络压制地震多次波的方法 | |
CN110658557B (zh) | 基于生成对抗网络的地震数据面波压制方法 | |
CN108267784A (zh) | 一种地震信号随机噪声压制处理方法 | |
CN103926622A (zh) | 一种基于l1范数多道匹配滤波压制多次波的方法 | |
CN107144879A (zh) | 一种基于自适应滤波与小波变换结合的地震波降噪方法 | |
CN110568483A (zh) | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 | |
CN104330826A (zh) | 一种去除复杂地表条件下多种噪音的方法 | |
CN116520419B (zh) | 一种热流体裂缝通道识别方法 | |
CN107728206A (zh) | 一种速度场建模方法 | |
CN115905805A (zh) | 一种基于全局信息判别gan的das数据多尺度噪声消减方法 | |
Li et al. | Distributed acoustic sensing vertical seismic profile data denoising based on multistage denoising network | |
Li et al. | Removing abnormal environmental noise in nodal land seismic data using deep learning | |
CN109212609B (zh) | 基于波动方程延拓的近地表噪音压制方法 | |
CN117251674A (zh) | 一种地震相分类方法、装置、电子设备及介质 | |
CN117031539A (zh) | 一种自监督深度学习地震数据低频重建方法及系统 | |
CN112198547A (zh) | 深层或超深层地震资料处理方法及装置 | |
CN115236733A (zh) | 基于深度学习的das-vsp数据背景噪声压制方法 |
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 |