CN113296152A - 断层检测方法及装置 - Google Patents
断层检测方法及装置 Download PDFInfo
- Publication number
- CN113296152A CN113296152A CN202010107254.9A CN202010107254A CN113296152A CN 113296152 A CN113296152 A CN 113296152A CN 202010107254 A CN202010107254 A CN 202010107254A CN 113296152 A CN113296152 A CN 113296152A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- sample
- convolutional neural
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000013434 data augmentation Methods 0.000 claims description 5
- 238000010008 shearing Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 230000037303 wrinkles Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007306 turnover Effects 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
- G01V1/30—Analysis
-
- 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
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/64—Geostructures, e.g. in 3D data cubes
- G01V2210/642—Faults
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种断层检测方法及装置，其中该方法包括：获取断层样本数据集；根据断层样本数据集，基于深度学习算法，构建用于断层检测的初始卷积神经网络模型；基于自注意力门机制，消除初始卷积神经网络模型中指定特征和噪声影响，建立用于断层检测的卷积神经网络模型；获取实时地震数据；将实时地震数据输入卷积神经网络模型中，得到断层检测结果。该方法通过建立卷积神经网络模型，实现了对地震数据的断层检测，通过引入自注意力门机制，强调了模型中的断层的显著特征，提高了断层特征选取的准确性，在保证计算效率的同时，提高了所建立的卷积神经网络模型的预测准确率，从而提高了断层检测的精度。
Description
技术领域
本发明涉及地震信号处理及解释技术领域，尤其涉及一种断层检测方法及装置。
背景技术
断层是地壳受力发生断裂，沿破裂面两侧岩块发生显著相对位移的构造。断层的规模大小不等，大者沿走向延长可达上千千米，向下可切穿地壳，通常由许多断层组成的，称为断裂带；小者长以厘米计，可见于岩石标本中。
油气因断层控制而生，依断层封堵而存；断层可使油气运移、逸散或将储层切割成几部分，因此，断层解释的结果是地质建模以及后续油藏评价的重要基础信息。现有技术中有两种断层检测方法，一是依靠解释人员利用经验和一些地震属性的辅助从地震剖面中手工拾取断层，这样往往需要耗费大量时间，并且精度难以保证；二是断层自动追踪技术，一般是在沿层切片上进行边缘检测，同时结合属性信息，效率比人工解释大幅提高，但由于断层特征选取不准确，精度往往不能达到生产要求。因此，现有的断层检测技术中存在检测精度低的问题。
发明内容
本发明实施例提供一种断层检测方法，用以提高断层检测的精度，该方法包括：
获取断层样本数据集；所述断层样本数据集记录有样本地震数据及相应标签；
根据所述断层样本数据集，基于深度学习算法，构建用于断层检测的初始卷积神经网络模型；
基于自注意力门机制，消除所述初始卷积神经网络模型中指定特征和噪声，获得用于断层检测的卷积神经网络模型；
获取实时地震数据；
将所述实时地震数据输入所述卷积神经网络模型中，得到断层检测结果。
本发明实施例还提供一种断层检测装置，用以提高断层检测的精度，该装置包括：
第一数据获取模块，用于获取断层样本数据集；所述断层样本数据集记录有样本地震数据及相应标签；
初始模型构建模块，用于根据所述断层样本数据集，基于深度学习算法，构建用于断层检测的初始卷积神经网络模型；
模型建立模块，用于基于自注意力门机制，消除所述初始卷积神经网络模型中指定特征和噪声影响，建立用于断层检测的卷积神经网络模型；
第二数据获取模块，用于获取实时地震数据；
断层检测模块，用于将所述实时地震数据输入所述卷积神经网络模型中，得到断层检测结果。
本发明实施例还提供一种计算机设备，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断层检测方法。
本发明实施例也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执行上述断层检测方法的计算机程序。
本发明实施例中，通过获取断层样本数据集，根据断层样本数据集，基于深度学习算法，构建用于断层检测的初始卷积神经网络模型；基于自注意力门机制，消除初始卷积神经网络模型中指定特征和噪声影响，建立用于断层检测的卷积神经网络模型；将实时地震数据输入卷积神经网络模型中，得到断层检测结果；通过建立卷积神经网络模型，实现了对地震数据的断层检测，通过引入自注意力门机制，消除了初始卷积神经网络模型中的指定特征和噪声影响，从而强调了模型中的断层的显著特征，提高了断层特征选取的准确性，在保证计算效率的同时，提高了所建立的卷积神经网络模型的预测准确率，从而提高了断层检测的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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为本发明实施例中断层检测方法的示意图。
图2为本发明具体实施例中生成合成地震记录的流程示意图。
图3为本发明实施例中训练和验证卷积神经网络模型过程示意图。
图4为本发明实施例中批归一化工作原理示意图。
图5为本发明实施例中具体应用的断层样本数据集示意图。
图6为本发明实施例中具体应用的卷积神经网络模型示意图。
图7为本发明实施例中具体应用的剖面结果示意图。
图8为本发明实施例中具体应用的相干地震属性对比水平切片图。
图9为本发明实施例中断层检测装置的示意图。
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。
本发明实施例提供了一种断层检测方法，用以提高断层检测的精度，如图1所示，该方法包括：
步骤101：获取断层样本数据集；
步骤102：根据断层样本数据集，基于深度学习算法，构建用于断层检测的初始卷积神经网络模型；
步骤103：基于自注意力门机制，消除初始卷积神经网络模型中指定特征和噪声影响，建立用于断层检测的卷积神经网络模型；
步骤104：获取实时地震数据；
步骤105：将实时地震数据输入卷积神经网络模型中，得到断层检测结果。
由图1所示流程可以得知，本发明实施例中，通过获取断层样本数据集，根据断层样本数据集，基于深度学习算法，构建用于断层检测的初始卷积神经网络模型；基于自注意力门机制，消除初始卷积神经网络模型中指定特征和噪声影响，建立用于断层检测的卷积神经网络模型；将实时地震数据输入卷积神经网络模型中，得到断层检测结果；通过建立卷积神经网络模型，实现了对地震数据的断层检测，通过引入自注意力门机制，消除了初始卷积神经网络模型中的指定特征和噪声影响，从而强调了模型中的断层的显著特征，提高了断层特征选取的准确性，在保证计算效率的同时，提高了所建立的卷积神经网络模型的预测准确率，从而提高了断层检测的精度。
具体实施时，首先获取断层样本数据集，其中，断层样本数据集记录有样本地震数据及相应标签，标签用于表征样本地震数据所代表的地质含义，例如是否为断层。本发明实施例中，获取断层样本数据集包括：
生成合成地震记录，从合成地震记录中得到样本地震数据和相应标签，存储至断层样本数据集中；和/或
从历史地震数据和断层检测结果中，通过剪切截取大小合适的样本地震数据和相应标签，存储至断层样本数据集中。
具体实施时，还可以对上述得到的断层样本数据集，进行数据增广，以保证数据集中的数据有足够的多样性。例如可对断层样本数据集中的数据，进行旋转、翻转、加入随机噪声等方法，来产生新的数据，特别地，进行上述操作进行数据增广时，要确保新产生的数据具有正确的地质含义，若新产生的数据不符合实际的地质情况，需要舍弃。
本发明实施例中，生成合成地震记录，过程如图2所示包括：
步骤201：随机生成一组值域范围在预定范围的数，得到模拟地震波的反射系数矩阵；
步骤202：将反射系数矩阵进行抽稀处理，得到模拟地震波的水平层状反射系数矩阵；
步骤203：将水平层状反射系数矩阵进行位移，得到模拟地层的褶皱模型；
步骤204：在褶皱模型中，添加错断，生成模拟的断层模型；
步骤205：将断层模型与预生成的子波褶积，生成合成地震记录。
其中，预定范围可根据实施情况预先设置，本发明一具体实施例中，设为[-1，1]。将模拟地震波的水平层状反射系数矩阵进行位移，得到模拟的褶皱模型时，可将水平层状反射系数矩阵按照给定的数学公式，例如正弦公式、余弦公式或高斯公式等，进行位移，得到模拟的褶皱模型。
生成合成地震记录后，从合成地震记录中得到样本地震数据和相应标签，包括：
剪切合成地震记录，得到多个样本地震数据；
将多个样本的断层模型的断层位置处标注为1，其他位置标注为0，得到的矩阵为多个样本地震数据的相应标签。
获取断层样本数据集后，根据断层样本数据集，基于深度学习算法，构建用于断层检测的初始卷积神经网络模型。本发明实施例中，初始卷积神经网络模型选用的是端到端卷积神经网络，端到端卷积神经网络是来源于编码-解码模型(encoder-decoder)，该网络经常用于语义分割问题，由于断层检测可以认为是一种分割问题，从而可以应用该网络进行预测。本发明所构建的初始卷积神经网络模型由卷积层，激活层，池化层，上采样层，连结层等组成。
构建初始卷积神经网络模型后，基于自注意力门机制(self-attention gatingmechanism)，消除初始卷积神经网络模型中指定特征和噪声影响，建立用于断层检测的卷积神经网络模型。应用自注意力门机制可以有助于提高断层识别的准确率，特别是对于小断层。注意力门与端到端卷积神经网络相结合可以强调更加显著的特征。应用注意力门，将从大尺度数据中提取的特征信息中的不相关的特征和噪声的响应剔除，其中，不相关的特征例如可以是层位信息，不整合面等。注意力门可以通过如下公式计算：
第L-1层卷积参数更新的规则由如下公式确定:
其中，
代表注意力系数；Φatt包含一些列参数：线性变换
以及偏置项
l代表层数；gi是门向量用于确定每个像素的关注区域；
为注意力门输出结果，由输入的特征图
与
相乘所得。
建立好用于断层检测的卷积神经网络模型后，还需要根据断层样本数据集对卷积神经网络模型进行训练和验证。具体过程如图3所示包括：
步骤301：将断层样本数据集按照预定比例抽取出训练数据集和验证数据集；
步骤302：根据训练数据集，利用批归一化处理对卷积神经网络模型进行训练；
步骤303：根据验证数据集，对训练好的卷积神经网络模型，进行验证。
其中，预定比例可根据实际情况预先设置，例如可设置为7:3或者6:4等。由于深层神经网络在做非线性变换前的激活输入值随着网络深度加深或者在训练过程中，其分布逐渐发生偏移或者变动，之所以训练收敛慢，一般是整体分布逐渐往非线性函数的取值区间的上下限两端靠近，这导致反向传播时低层神经网络的梯度消失，深层神经网络收敛越来越慢。批归一化(Batch Normalization,BN)就是通过一定的规范化手段，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0方差为1的标准正态分布，如图4所示，其实就是把越来越偏的分布强制拉回比较标准的分布，这样使得激活输入值落在非线性函数对输入比较敏感的区域，这样输入的小变化就会导致损失函数较大的变化，从而避免梯度消失问题产生，而且梯度变大意味着学习收敛速度快，能大大加快训练速度。本发明实施例所构建的卷积神经网络模型引入了批归一化层，解决了梯度消失的问题，加快了训练收敛速度和准确度。同时BN可以防止过拟合，应用批归一化层以后可以移除或使用较低的dropout，降低L2权重衰减系数等防止过拟合的手段。其中，BN可按照如下公式计算：
yi＝BNγ,β(xi)
其中，
归一化
方差
平均值
其中(γ,β)表示待训练的参数；xi表示输入量；yi表示规范化后的响应量；μθ表示输入数据的平均值；m表示输入数据的个数；σθ 2表示输入数据的方差。
得到验证好的卷积神经网络模型后，获取实时地震数据。将实时地震数据输入验证好的卷积神经网络模型中，得到断层检测结果。
下面给出一具体实例说明本发明实施例如何进行断层检测。本例应用于某工区实际三维地震资料的分解结果。
具体过程如下：
1)生成一个矩阵m和一组值域范围在[-1,1]之间的随机数a，将a赋值到m的每一列中形成模拟地震波的反射系数矩阵r；
2)在给定范围内生成一组随机数sparse，对反射系数矩阵r进行抽稀操作，使得r中的随机的行置为0，置0的行数模拟了地层的厚度，由随机数sparse决定，最终得到抽稀的放射系数矩阵rs；
3)对rs进行褶皱操作。以正弦函数为例，按照公式y＝A sin(bx+c)对rs矩阵的每一行进行位移，得到模拟地层的褶皱模型g，其中A，b，c在给定范围内随机产生；
4)对褶皱模型g进行错断，得到摸你的断层模型gx，其中断层倾角、断距等参数在给定范围内随机产生；
5)生成子波w，子波的参数在给定的范围随机产生，以雷克子波为例
其中主频f和时间均在给定范围内随机产生，将子波w与断层模型gx褶积生成合成地震记录s；
6)相应标签的生成将4)中的断层模型gx的断层位置置为1，其他位置均置为0，得到标签l；
7)剪切s和1)中生成合适尺寸的数据作为样本地震数据及相应标签；
8)选取真实地震数据和相应断层解释结果，剪切成与合成记录相同大小，形成样本地震数据及相应标签，并与合成地震记录产生的数据集混合；
9)对混合的数据集进行数据增广，包括旋转，翻转，加入随机噪声等操作，形成最终的断层样本数据集，如图5所示，注意数据增广时要保证数据具有正确的地质意义。
10)利用断层样本数据集对卷积神经网络进行训练和验证，得到训练验证好的卷积神经网络模型，如图6所示，包括卷积层，激活层，池化层，批归一化层，上采样层，连结层和注意力门。
11)使用验证好的卷积神经网络模型对真实地震数据进行断层检测，结果如图7-图8所示。
上述具体应用的实施仅为举例，其余实施方式不再一一赘述。
基于同一发明构思，本发明实施例还提供一种断层检测装置，由于断层检测装置所解决问题的原理与断层检测方法相似，因此断层检测装置的实施可以参见断层检测方法的实施，重复之处不再赘述，具体结构如图9所示：
第一数据获取模块901，用于获取断层样本数据集；断层样本数据集记录有样本地震数据及相应标签；
初始模型构建模块902，用于根据断层样本数据集，基于深度学习算法，构建用于断层检测的初始卷积神经网络模型；
模型建立模块903，用于基于自注意力门机制，消除初始卷积神经网络模型中指定特征和噪声影响，建立用于断层检测的卷积神经网络模型；
第二数据获取模块904，用于获取实时地震数据；
断层检测模块905，用于将实时地震数据输入卷积神经网络模型中，得到断层检测结果。
具体实施例中，第一数据获取模块901，包括：
模拟数据获取单元，用于生成合成地震记录，从合成地震记录中得到样本地震数据和相应标签，存储至断层样本数据集中；和/或
历史数据获取单元，用于从历史地震数据和断层检测结果中，截取样本地震数据和相应标签，存储至断层样本数据集中。
具体实施例中的断层检测装置，还包括：数据扩展单元，用于对断层样本数据集，进行数据增广。
具体实施时，模拟数据获取单元具体用于：
随机生成一组值域范围在预定范围的数，得到模拟地震波的反射系数矩阵；
将反射系数矩阵进行抽稀处理，得到模拟地震波的水平层状反射系数矩阵；
将水平层状反射系数矩阵进行位移，得到模拟地层的褶皱模型；
在褶皱模型中，添加错断，生成模拟的断层模型；
将断层模型与预生成的子波褶积，生成合成地震记录。
模拟数据获取单元具体还用于：
剪切合成地震记录，得到多个样本地震数据；
将多个样本的断层模型的断层位置处标注为1，其他位置标注为0，得到的矩阵为多个样本地震数据的相应标签。
具体实施例中的断层检测装置，还包括：模型训练验证模块，用于根据断层样本数据集对卷积神经网络模型进行训练和验证。
其中，模型训练验证模块具体用于：
将断层样本数据集按照预定比例抽取出训练数据集和验证数据集；
根据训练数据集，利用批归一化处理对卷积神经网络模型进行训练；
根据验证数据集，对训练好的卷积神经网络模型，进行验证。
本发明实施例还提供一种计算机设备，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断层检测方法。
本发明实施例还提供一种计算机可读存储介质，存储有执行上述断层检测方法的计算机程序。
综上所述，本发明实施例提供的断层检测方法及装置具有如下优点：
通过获取断层样本数据集，根据断层样本数据集，基于深度学习算法，构建用于断层检测的初始卷积神经网络模型；基于自注意力门机制，消除初始卷积神经网络模型中指定特征和噪声影响，建立用于断层检测的卷积神经网络模型；将实时地震数据输入卷积神经网络模型中，得到断层检测结果；通过建立卷积神经网络模型，实现了对地震数据的断层检测，通过引入自注意力门机制，消除了初始卷积神经网络模型中的指定特征和噪声影响，从而强调了模型中的断层的显著特征，提高了断层特征选取的准确性，对微小断层发育的地区尤为适用，在保证计算效率的同时，提高了所建立的卷积神经网络模型的预测准确率，从而提高了断层检测的精度。同时，设计了数据多样性的样本数据集，囊括更多的训练数据，提高所建立的卷积神经网络模型的预测准确率，对复杂地质条件下的断层检测效果更为良好。
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、装置、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、装置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 (16)
1.一种断层检测方法，其特征在于，包括：
获取断层样本数据集；所述断层样本数据集记录有样本地震数据及相应标签；
根据所述断层样本数据集，基于深度学习算法，构建用于断层检测的初始卷积神经网络模型；
基于自注意力门机制，消除所述初始卷积神经网络模型中指定特征和噪声，获得用于断层检测的卷积神经网络模型；
获取实时地震数据；
将所述实时地震数据输入所述卷积神经网络模型中，得到断层检测结果。
2.如权利要求1所述的方法，其特征在于，所述获取断层样本数据集包括：
生成合成地震记录，从所述合成地震记录中得到样本地震数据和相应标签，存储至所述断层样本数据集中；和/或
从历史地震数据和断层检测结果中，截取样本地震数据和相应标签，存储至所述断层样本数据集中。
3.如权利要求2所述的方法，其特征在于，还包括：
对所述断层样本数据集，进行数据增广。
4.如权利要求2所述的方法，其特征在于，生成合成地震记录包括：
随机生成一组值域范围在预定范围的数，得到模拟地震波的反射系数矩阵；
将所述反射系数矩阵进行抽稀处理，得到模拟地震波的水平层状反射系数矩阵；
将所述水平层状反射系数矩阵进行位移，得到模拟地层的褶皱模型；
在所述褶皱模型中，添加错断，生成模拟的断层模型；
将所述断层模型与预生成的子波褶积，生成合成地震记录。
5.如权利要求4所述的方法，其特征在于，从所述合成地震记录中得到样本地震数据和相应标签，包括：
剪切所述合成地震记录，得到多个样本地震数据；
将多个样本的所述断层模型的断层位置处标注为1，其他位置标注为0，得到的矩阵为多个样本地震数据的相应标签。
6.如权利要求1所述的方法，其特征在于，还包括：根据所述断层样本数据集对所述卷积神经网络模型进行训练和验证。
7.如权利要求6所述的方法，其特征在于，根据所述断层样本数据集对所述卷积神经网络模型进行训练和验证，包括：
将所述断层样本数据集按照预定比例抽取出训练数据集和验证数据集；
根据训练数据集，利用批归一化处理对所述卷积神经网络模型进行训练；
根据所述验证数据集，对训练好的卷积神经网络模型，进行验证。
8.一种断层检测装置，其特征在于，包括：
第一数据获取模块，用于获取断层样本数据集；所述断层样本数据集记录有样本地震数据及相应标签；
初始模型构建模块，用于根据所述断层样本数据集，基于深度学习算法，构建用于断层检测的初始卷积神经网络模型；
模型建立模块，用于基于自注意力门机制，消除所述初始卷积神经网络模型中指定特征和噪声影响，建立用于断层检测的卷积神经网络模型；
第二数据获取模块，用于获取实时地震数据；
断层检测模块，用于将所述实时地震数据输入所述卷积神经网络模型中，得到断层检测结果。
9.如权利要求8所述的装置，其特征在于，所述第一数据获取模块，包括：
模拟数据获取单元，用于生成合成地震记录，从所述合成地震记录中得到样本地震数据和相应标签，存储至所述断层样本数据集中；和/或
历史数据获取单元，用于从历史地震数据和断层检测结果中，截取样本地震数据和相应标签，存储至所述断层样本数据集中。
10.如权利要求9所述的装置，其特征在于，还包括：
数据扩展单元，用于对所述断层样本数据集，进行数据增广。
11.如权利要求9所述的装置，其特征在于，所述模拟数据获取单元具体用于：
随机生成一组值域范围在预定范围的数，得到模拟地震波的反射系数矩阵；
将所述反射系数矩阵进行抽稀处理，得到模拟地震波的水平层状反射系数矩阵；
将所述水平层状反射系数矩阵进行位移，得到模拟地层的褶皱模型；
在所述褶皱模型中，添加错断，生成模拟的断层模型；
将所述断层模型与预生成的子波褶积，生成合成地震记录。
12.如权利要求11所述的装置，其特征在于，所述模拟数据获取单元具体用于：
剪切所述合成地震记录，得到多个样本地震数据；
将所述多个样本的所述断层模型的断层位置处标注为1，其他位置标注为0，得到的矩阵为多个样本地震数据的相应标签。
13.如权利要求8所述的装置，其特征在于，还包括：
模型训练验证模块，用于根据所述断层样本数据集对所述卷积神经网络模型进行训练和验证。
14.如权利要求13所述的装置，其特征在于，所述模型训练验证模块具体用于：
将所述断层样本数据集按照预定比例抽取出训练数据集和验证数据集；
根据训练数据集，利用批归一化处理对所述卷积神经网络模型进行训练；
根据所述验证数据集，对训练好的卷积神经网络模型，进行验证。
15.一种计算机设备，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至7任一所述方法。
16.一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至7任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010107254.9A CN113296152A (zh) | 2020-02-21 | 2020-02-21 | 断层检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010107254.9A CN113296152A (zh) | 2020-02-21 | 2020-02-21 | 断层检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113296152A true CN113296152A (zh) | 2021-08-24 |
Family
ID=77317464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010107254.9A Pending CN113296152A (zh) | 2020-02-21 | 2020-02-21 | 断层检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113296152A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116719085A (zh) * | 2023-08-07 | 2023-09-08 | 东北石油大学三亚海洋油气研究院 | 一种地震记录高分辨率处理方法、装置、设备及存储介质 |
| WO2024000709A1 (zh) * | 2022-06-30 | 2024-01-04 | 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 |
| 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 |
| WO2024060427A1 (zh) * | 2022-09-22 | 2024-03-28 | 中国石油天然气股份有限公司 | 河道与断层同步检测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170124432A1 (en) * | 2015-11-03 | 2017-05-04 | Baidu Usa Llc | Systems and methods for attention-based configurable convolutional neural networks (abc-cnn) for visual question answering |
| CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
| CN110441820A (zh) * | 2019-08-21 | 2019-11-12 | 中国矿业大学(北京) | 地质构造的智能解释方法 |
| US20200034436A1 (en) * | 2018-07-26 | 2020-01-30 | Google Llc | Machine translation using neural network models |
-
2020
- 2020-02-21 CN CN202010107254.9A patent/CN113296152A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170124432A1 (en) * | 2015-11-03 | 2017-05-04 | Baidu Usa Llc | Systems and methods for attention-based configurable convolutional neural networks (abc-cnn) for visual question answering |
| US20200034436A1 (en) * | 2018-07-26 | 2020-01-30 | Google Llc | Machine translation using neural network models |
| CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
| CN110441820A (zh) * | 2019-08-21 | 2019-11-12 | 中国矿业大学(北京) | 地质构造的智能解释方法 |
Non-Patent Citations (3)
| Title |
|---|
| OZAN OKTAY ET AL.: "Attention U-Net:Learning Where to Look for the Pancreas", 《ARXIV》 * |
| YAUHEN BABAKHIN ET AL.: "Semi-Supervised Segmentation of Salt Bodies in Seismic Images using an Ensemble of Convolutional Neural Networks", 《ARXIV》 * |
| 任雄风等: "基于卷积神经网络的断层识别方法研究", 《中国石油学会2019年物探技术研讨会》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024000709A1 (zh) * | 2022-06-30 | 2024-01-04 | 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 |
| 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 |
| WO2024060427A1 (zh) * | 2022-09-22 | 2024-03-28 | 中国石油天然气股份有限公司 | 河道与断层同步检测方法及装置 |
| CN117784225A (zh) * | 2022-09-22 | 2024-03-29 | 中国石油天然气股份有限公司 | 河道与断层同步检测方法及装置 |
| CN116719085A (zh) * | 2023-08-07 | 2023-09-08 | 东北石油大学三亚海洋油气研究院 | 一种地震记录高分辨率处理方法、装置、设备及存储介质 |
| CN116719085B (zh) * | 2023-08-07 | 2023-11-10 | 东北石油大学三亚海洋油气研究院 | 一种地震记录高分辨率处理方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113296152A (zh) | 断层检测方法及装置 | |
| Ma et al. | Quantitative geosciences: Data analytics, geostatistics, reservoir characterization and modeling | |
| EP3362640B1 (en) | History matching of hydrocarbon production from heterogenous reservoirs | |
| EP3535607B1 (en) | Seismic data processing artificial intelligence | |
| CN105954804B (zh) | 页岩气储层脆性地震预测方法及装置 | |
| CN104769215A (zh) | 用于特征化地下储层裂缝网络中的不确定性的系统和方法 | |
| AU2011295892A1 (en) | Iterative method and system to construct robust proxy models for reservoir simulation | |
| EP3394647B1 (en) | A methodology for building realistic numerical forward stratigraphic models in data sparse environment | |
| CN108897042A (zh) | 有机质含量地震预测方法及装置 | |
| CN107966732A (zh) | 基于空间结构导向的地震属性变化率求取方法 | |
| Jiang et al. | Use of multifidelity training data and transfer learning for efficient construction of subsurface flow surrogate models | |
| CN110879412A (zh) | 地下横波速度反演方法、装置、计算设备及存储介质 | |
| EP3217354A2 (en) | Seismic modeling system providing seismic survey data frequency domain inpainting and related methods | |
| CN113158315B (zh) | 一种基于静力触探数据的岩土体参数三维非平稳条件随机场建模方法 | |
| EP3211594A1 (en) | Seismic modeling system providing seismic survey data inpainting based upon suspect region boundary comparisons and related methods | |
| CN114078183A (zh) | 多孔介质三维结构的重建方法、装置、设备及介质 | |
| CN114996830B (zh) | 盾构隧道下穿既有隧道的可视化安全评估方法及设备 | |
| Merrifield et al. | Synthetic seismic data for training deep learning networks | |
| US10401512B1 (en) | Microseismic density volume estimation | |
| WO2022153984A1 (ja) | 学習データ生成方法、モデル生成方法および学習データ生成装置 | |
| Yogatama et al. | Python application in geotechnical engineering practices | |
| CN112034512B (zh) | 基于深度学习模型的地震数据不连续性检测方法和系统 | |
| CN111767942A (zh) | 一种地震断层数据处理方法及装置 | |
| CN106896419A (zh) | 一种确定油气资源量的方法及装置 | |
| Nandi Formentin et al. | Systematic uncertainty reduction for petroleum reservoirs combining reservoir simulation and Bayesian emulation techniques |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |