CN113341461A - 地震速度预测方法、装置及服务器 - Google Patents
地震速度预测方法、装置及服务器 Download PDFInfo
- Publication number
- CN113341461A CN113341461A CN202110651386.2A CN202110651386A CN113341461A CN 113341461 A CN113341461 A CN 113341461A CN 202110651386 A CN202110651386 A CN 202110651386A CN 113341461 A CN113341461 A CN 113341461A
- Authority
- CN
- China
- Prior art keywords
- velocity
- feature map
- seismic
- root
- square
- 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 48
- 238000001228 spectrum Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000010586 diagram Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 description 8
- 230000005012 migration Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000013507 mapping Methods 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G01V1/30—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种地震速度预测方法、装置及服务器,所述方法包括:获取并根据共中心点道集数据提取第一特征图集合以及根据速度谱数据提取第二特征图集合;将第一特征图集合与第二特征图集合进行特征集合融合获得第三特征图集合并根据第三特征图进行训练,获得均方根速度集合和层速度集合;根据均方根速度集合和层速度集合进行神经网络训练获得预测模型,根据预测模型预测均方根速度和层速度。通过利用共中心点道集和速度谱两个不同域中隐含的关联地震速度信息,利用深度混合神经网络从多元数据中提取特征信息,通过多元信息约束训练模型装置,预测地震均方根速度和层速度,提高了预测地震的均方根速度和层速度的准确性。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种地震速度预测方法、装置及服务器。
背景技术
地震勘探是地球物理勘探中最重要、解决油气勘探问题最有效的一种方法。它是钻探前勘测石油与天然气资源的重要手段,在煤田和工程地质勘查、区域地质研究和地壳研究等方面,也得到广泛应用。
随着地震勘探程度的不断深入和技术条件的不断改善,速度分析的研究有了一定进展。现有技术中通常采用优化搜寻算法确定地震速度,主要是利用最优化算法和最大相似度量准则,设置一定的速度约束条件,对初始速度模型加以扰动,自动寻找速度谱中叠加能量的最优解从而获得速度预测模型,并根据训练后的速度预测模型预测地震速度。
然而,随着勘探难度的日益增大以及人们对复杂构造的研究不断深入,现有技术中对于横向速度突变的构造复杂地区,依赖于初始层速度模型的方法预测的地震速度准确性较低。
发明内容
本发明的目的在于提供一种地震速度预测方法、装置及服务器,以提高预测地震的均方根速度和层速度的准确性。
第一方面,本发明提供一种地震速度预测方法,包括:
获取共中心点道集数据以及速度谱数据,并根据所述共中心点道集数据提取第一特征图集合以及根据所述速度谱数据提取第二特征图集合;
将所述第一特征图集合与所述第二特征图集合进行特征集合融合获得第三特征图集合,并根据所述第三特征图进行神经网络训练,获得均方根速度集合和层速度集合;
根据均方根速度集合和层速度集合进行神经网络训练获得预测模型,并根据所述预测模型预测地震的均方根速度和层速度。
在一种可能的设计中,所述根据均方根速度集合和层速度集合进行神经网络训练获得预测模型,包括:
根据均方根速度集合和层速度集合神经网络进行训练分别获得层速度损失函数集和均方根速度损失函数集;
根据层速度损失函数集以及均方根速度损失函数集确定最小损失函数,并根据所述最小损失函数确定预测模型。
在一种可能的设计中,所述根据所述共中心点道集数据提取第一特征图集合,包括:
根据所述共中心点道集数据进行卷积训练,获得第一特征图集合;
相应地,所述根据所述速度谱数据提取第二特征图集合,包括:
根据所述速度谱数据进行卷积训练,获得第二特征图集合。
在一种可能的设计中,所述将所述第一特征图集合与所述第二特征图集合进行特征集合融合获得第三特征图集合,包括:
分别将所述第一特征图集合以及所述第二特征图集合进行拼接和自编码获得第一中间特征图集合和第二中间特征图集合;
根据所述第一中间特征图集合和所述第二中间特征图集合进行卷积神经网络训练,获得第三特征图集合。
在一种可能的设计中,在所述根据所述预测模型预测地震的均方根速度和层速度之后,还包括:
根据预测的均方根速度和所述层速度进行地震速度场建模,获得动校正后的地震共中心点道集数据;
将动校正后的地震共中心点道集数据发送至地震施工监测平台,使得监管人员根据动校正道集拉平程度评估施工质量。
第二方面,本发明实施例提供一种地震速度预测装置,基于第一方面任一项所述的地震速度预测方法,包括:
获取模块,用于获取共中心点道集数据以及速度谱数据,并根据所述共中心点道集数据提取第一特征图集合以及根据所述速度谱数据提取第二特征图集合;
融合模块,用于将所述第一特征图集合与所述第二特征图集合进行特征集合融合获得第三特征图集合,并根据所述第三特征图进行神经网络训练,获得均方根速度集合和层速度集合;
预测模块,用于根据均方根速度集合和层速度集合进行神经网络训练获得预测模型,并根据所述预测模型预测地震的均方根速度和层速度。
在一种可能的设计中,所述地震速度预测装置还包括发送模块,所述发送模块用于根据预测的均方根速度和所述层速度进行地震速度场建模,获得动校正后的地震共中心点道集数据;将动校正后的地震共中心点道集数据发送至地震施工监测平台,使得监管人员根据动校正道集拉平程度评估施工质量。
第三方面,本发明实施例提供一种服务器,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如第一方面任一项所述的地震速度预测方法;
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如第一方面任一项所述的地震速度预测方法。
第五方面,本发明实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述的地震速度预测方法。
本发明实施例提供的一种地震速度预测方法、装置及服务器,通过获取共中心点道集数据以及速度谱数据,并根据共中心点道集数据提取第一特征图集合以及根据速度谱数据提取第二特征图集合;将第一特征图集合与第二特征图集合进行特征集合融合获得第三特征图集合,并根据第三特征图进行神经网络训练,获得均方根速度集合和层速度集合;根据均方根速度集合和层速度集合进行神经网络训练获得预测模型,并根据预测模型预测地震的均方根速度和层速度。本发明实施例通过利用共中心点道集和速度谱两个不同域中隐含的关联地震速度信息,利用深度混合神经网络从多元数据中提取特征信息,并通过多元信息约束训练模型装置,预测地震均方根速度和层速度,提高了预测地震的均方根速度和层速度的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明实施例提供的地震速度预测方法流程图一;
图2为本发明实施例提供的门控循环神经网络的结构示意图;
图3为现有的地震速度单道预测效果示意图;
图4为本发明实施例提供的多信息约束的地震速度预测效果示意图;
图5为本发明实施例提供的地震速度预测方法流程图二;
图6为本发明实施例提供的地震速度预测装置的结构示意图;
图7为本发明实施例提供的服务器结构示意图。
具体实施方式
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
随着计算机技术的迅速发展及大数据时代的到来,使得深度学习逐渐成为一个新的研究领域,在地震数据处理中也广泛应用。地震速度的求取是地震数据处理和构造解释任务中的重要的一环,主要包括叠加速度分析、偏移速度分析、速度层析反演和全波形反演等几种主要方法。其中,均方根速度作为速度分析中的重要内容,不但是地震资料常规叠加处理和时间偏移的必要过程,也是层析反演、叠前偏移和阻抗反演等初始速度模型建立的基础。均方根速度是地震数据处理的核心之一,是地震成像好坏的基石。高效、高精度速度建模是地震资料处理员追求的目标。通常情况下,叠加速度是根据叠前共中心点道集求取速度谱,再通过人工拾取的方法求取,存在效率低、耗时长且易受人为因素影响的缺点。叠前共中心点道集和速度谱是速度参数的不同模态体现,都与速度有物理联系,因此都能用于建立速度模型。此外,层速度是深度偏移和构造解释的核心,也是全波形反演等初始速度模型建立的基础。
随着地震勘探程度的不断深入和技术条件的不断改善,速度分析的研究有了一定进展。现有技术中通常采用优化搜寻算法确定地震速度,主要是利用最优化算法和最大相似度量准则,设置一定的速度约束条件,对初始速度模型加以扰动,自动寻找速度谱中叠加能量的最优解从而获得速度预测模型,并根据训练后的速度预测模型预测地震速度。然而,随着勘探难度的日益增大以及人们对复杂构造的研究不断深入,现有技术中对于横向速度突变的构造复杂地区,依赖于初始层速度模型的方法预测的地震速度准确性较低。
为了解决上述技术问题,本发明实施例提出了一种地震速度预测方法,通过共中心点道集和速度谱两个不同域中隐含的关联地震速度信息,利用深度混合神经网络从多元数据中提取特征信息,并通过多元信息约束训练模型装置,预测地震均方根速度和层速度,提高了预测地震的均方根速度和层速度的准确性。
图1为本发明实施例提供的地震速度预测方法流程图一。如图1所示,本发明实施例提供的地震速度预测方法如下步骤:
S101:获取共中心点道集数据以及速度谱数据,并根据共中心点道集数据提取第一特征图集合以及根据速度谱数据提取第二特征图集合。
图2为本发明实施例提供的门控循环神经网络的结构示意图。如图2所示,分别通过CMP道集信息提取模块和速度谱信息提取模块从炮集数据上抽取获取共中心点道集数据以及速度谱数据。其中,共中心点道集数据和速度谱是速度参数的不同模态体现,可并根据共中心点道集数据提取第一特征图集合以及根据速度谱数据提取第二特征图集合。根据所述共中心点道集数据进行卷积训练,获得第一特征图集合,根据所述速度谱数据进行卷积训练,获得第二特征图集合。具体的,通过对输入的共中心点道集数据用多层卷积层,将张量大小为Nt×NX×1的输入数据的特征图由一张提升到多张,即给输入的二维数据增加通道,进而实现维度的提升,由此获得第一特征图集合。具体的,通过最大池化层对速度谱数据进行降维,将第二维度由沿偏移距维度压缩到1,张量维度由三维降到二维,得到一个速度谱特征图。同时对输入的速度谱特征图进行卷积下采样和反卷积上采样自编码过程,提取第二特征图集合。
S102:将第一特征图集合与第二特征图集合进行特征集合融合获得第三特征图集合,并根据第三特征图进行神经网络训练,获得均方根速度集合和层速度集合。
在本发明实施例中,如图2所示,门控循环神经网络中的融合模块实现了特征融合,具体的,根据共中心点道集数据进行卷积训练,获得第一特征图集合;根据速度谱数据进行卷积训练,获得第二特征图集合。可选的,分别将所述第一特征图集合以及所述第二特征图集合进行拼接和自编码获得第一中间特征图集合和第二中间特征图集合;根据所述第一中间特征图集合和所述第二中间特征图集合进行卷积神经网络训练,获得第三特征图集合。用门控循环神经网络对第三特征图进行速度场的映射,获得均方根速度集合和层速度集合。
S103:根据均方根速度集合和层速度集合进行神经网络训练获得预测模型,并根据预测模型预测地震的均方根速度和层速度。
在本发明实施例中,如图2所示,门控循环神经网络中的预测模块实现了根据预测模型预测地震的均方根速度和层速度的过程。在本发明实施例中,把分别将第一特征图集合以及第二特征图集合进行拼接,再通过卷积和反卷积融合为一张速度谱特征图。并通过两个并联的门控循环神经网络输出获得第三特征图集合,并用真实的均方根速度和层速度作为神经网络的约束条件,并根据第三特征图进行神经网络训练,获得均方根速度集合和层速度集合。示例性的,可根据输出的速度和真实的速度标签以及多信息约束条件设置好目标函数,装置通过优化器反向传播调整神经网络训练的权重和参数,使神经网络模型不断训练更新,最终在训练样本下求解该神经网络模型各个参数,并根据该神经网络模型获得均方根速度和层速度。一方面,均方根速度作为地震速度分析中的重要内容,不仅是地震资料常规叠加处理和时间偏移的必要过程,也是层析反演、叠前偏移和阻抗反演等初始速度模型建立的基础。均方根速度是地震数据处理的核心之一,是地震成像好坏的基石。高效、高精度速度建模是地震资料处理员追求的目标。另一方面,层速度是深度偏移和构造解释的核心,也是全波形反演等初始速度模型建立的基础。层速度是深度偏移和构造解释的核心,也是全波形反演等初始速度模型建立的基础。现有的技术体系对均方根速度和层速度一般是分别获得,属于单一反演,没有将两者的内在的关系加以利用,因此提取速度精度较低。通过人工智能将多种模态数据进行有机融合,并对均方根速度和层速度联合建模,挖掘多模态优势、取长补短,提升均方根速度和层速度建模精度。
在本发明实施例中,在本发明实施例中,根据均方根速度集合和层速度集合神经网络进行训练分别获得层速度损失函数集和均方根速度损失函数集。根据层速度损失函数集以及均方根速度损失函数集确定最小损失函数,并根据所述最小损失函数确定预测模型。当研究区的构造相对较为平缓或起伏很小的情况下,能够很好估计速度模型,但当存在构造复杂地区或者低信噪比数据时,速度模型往往出现不连续,预测误差大,需要给予装置多信息的约束,给予更多的地球物理知识引导,使其更好地估计速度。示例性的,速度在时间为i时刻的梯度如公式(1)所示。
dyi=yi-yi-1 (1)
其中,N为梯度速度的样本个数,表示第j个样本的标签速度梯度向量,表示第j个样本的预测速度梯度向量,表示j时刻标签速度值,表示j时刻预测速度标签值。在设计损失函数上,选取多损失约束。对均方根速度采用Loss1和Loss2计算最小损失函数,其中,Loss2计算预测结果和真实标签的均方根误差。计算Loss1和Loss2的公式分别如公式(2)和公式(3)所示。
Loss1控制预测出的均方根速度梯度与标签速度的梯度接近,使得预测出的均方根速度曲线平滑,更加符合实际。图3为现有的地震速度单道预测效果示意图,图4为本发明实施例提供的多信息约束的地震速度预测效果示意图。可选的,通过对层速度的约束采用Loss2和Loss3进行约束,使预测出的层速度更加接近真实值。计算Loss3的公式分别公式(4)所示。
从上述实施例可知,通过利用共中心点道集和速度谱两个不同域中隐含的关联地震速度信息,利用深度混合神经网络从多元数据中提取特征信息,并通过多元信息约束训练模型装置,预测地震均方根速度和层速度,提高了预测地震的均方根速度和层速度的准确性。
图5为本发明实施例提供的地震速度预测方法流程图二,在图1实施例的基础上,在S103根据预测模型预测地震的均方根速度和层速度之后,本发明实施例提供的地震速度预测还包括如下步骤:
S501:根据预测的均方根速度和所述层速度进行地震速度场建模,获得动校正后的地震共中心点道集数据。
在本发明实施例中,在预测地震的均方根速度和层速度之后,用预测的均方根速度对地震CMP道集进行动校正。用预测的层速度可作为全波形反演的初始模型。在现场地震数据采集施工中,该方法能够快速预测地震速度且无需大量人工拾取操作,可快速预测速度并进行动校正。
S502:将动校正后的地震共中心点道集数据发送至地震施工监测平台,使得监管人员根据动校正道集拉平程度评估施工质量。
在本发明实施例中,通过将动校正后的地震共中心点道集数据发送至地震施工监测平台,用于提示施工人员观察施工质量,改变施工方法,以提高施工质量。
图6为本发明实施例提供的地震速度预测装置的结构示意图。如图6所示,该地震速度预测装置包括:获取模块601,融合模块602以及预测模块603。
获取模块601,用于获取共中心点道集数据以及速度谱数据,并根据所述共中心点道集数据提取第一特征图集合以及根据所述速度谱数据提取第二特征图集合;
融合模块602,用于将所述第一特征图集合与所述第二特征图集合进行特征集合融合获得第三特征图集合,并根据所述第三特征图进行神经网络训练,获得均方根速度集合和层速度集合;
预测模块603,用于根据均方根速度集合和层速度集合进行神经网络训练获得预测模型,并根据所述预测模型预测地震的均方根速度和层速度。
在一种可能的实现方式中,所述地震速度预测装置还包括发送模块,所述发送模块用于根据预测的均方根速度和所述层速度进行地震速度场建模,获得动校正后的地震共中心点道集数据;将动校正后的地震共中心点道集数据发送至地震施工监测平台,使得监管人员根据动校正道集拉平程度评估施工质量。
本实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图7为本发明实施例提供的服务器结构示意图。如图7所示,本实施例的服务器包括:处理器701和存储器702;其中:
存储器702,用于存储计算机执行指令;
处理器701,用于执行存储器存储的计算机执行指令,以实现上述实施例中服务器所执行的各个步骤。
具体可以参见前述方法实施例中的相关描述。
在一种可能的设计中,存储器702既可以是独立的,也可以跟处理器701集成在一起。
当存储器702独立设置时,该服务器还包括总线703,用于连接所述存储器702和处理器701。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的地震速度预测方法。
本发明实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如上所述的地震速度预测方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种地震速度预测方法,其特征在于,包括:
获取共中心点道集数据以及速度谱数据,并根据所述共中心点道集数据提取第一特征图集合以及根据所述速度谱数据提取第二特征图集合;
将所述第一特征图集合与所述第二特征图集合进行特征集合融合获得第三特征图集合,并根据所述第三特征图进行神经网络训练,获得均方根速度集合和层速度集合;
根据均方根速度集合和层速度集合进行神经网络训练获得预测模型,并根据所述预测模型预测地震的均方根速度和层速度。
2.根据权利要求1所述的方法,其特征在于,所述根据均方根速度集合和层速度集合进行神经网络训练获得预测模型,包括:
根据均方根速度集合和层速度集合神经网络进行训练分别获得层速度损失函数集和均方根速度损失函数集;
根据层速度损失函数集以及均方根速度损失函数集确定损失函数,并根据所述损失函数确定预测模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述共中心点道集数据提取第一特征图集合,包括:
根据所述共中心点道集数据进行卷积训练,获得第一特征图集合;
相应地,所述根据所述速度谱数据提取第二特征图集合,包括:
根据所述速度谱数据进行卷积训练,获得第二特征图集合。
4.根据权利要求1所述的方法,其特征在于,所述将所述第一特征图集合与所述第二特征图集合进行特征集合融合获得第三特征图集合,包括:
分别将所述第一特征图集合以及所述第二特征图集合进行拼接和自编码获得第一中间特征图集合和第二中间特征图集合;
根据所述第一中间特征图集合和所述第二中间特征图集合进行卷积神经网络训练,获得第三特征图集合。
5.根据权利要求1至4任一项所述的方法,其特征在于,在所述根据所述预测模型预测地震的均方根速度和层速度之后,还包括:
根据预测的均方根速度和所述层速度进行地震速度场建模,获得动校正后的地震共中心点道集数据;
将动校正后的地震共中心点道集数据发送至地震施工监测平台,使得监管人员根据动校正道集拉平程度评估施工质量。
6.一种地震速度预测装置,其特征在于,包括:
获取模块,用于获取共中心点道集数据以及速度谱数据,并根据所述共中心点道集数据提取第一特征图集合以及根据所述速度谱数据提取第二特征图集合;
融合模块,用于将所述第一特征图集合与所述第二特征图集合进行特征集合融合获得第三特征图集合,并根据所述第三特征图进行神经网络训练,获得均方根速度集合和层速度集合;
预测模块,用于根据均方根速度集合和层速度集合进行神经网络训练获得预测模型,并根据所述预测模型预测地震的均方根速度和层速度。
7.根据权利要求6所述的装置,其特征在于,所述地震速度预测装置还包括发送模块,所述发送模块用于根据预测的均方根速度和所述层速度进行地震速度场建模,获得动校正后的地震共中心点道集数据;将动校正后的地震共中心点道集数据发送至地震施工监测平台,使得监管人员根据动校正道集拉平程度评估施工质量。
8.一种服务器,其特征在于,包括存储器和至少一个处理器;
所述存储器用于存储计算机执行指令;
至少一个处理器,用于执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至5任一项所述的地震速度预测方法。
9.一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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至5任一项所述的地震速度预测方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5任一项所述的地震速度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110651386.2A CN113341461B (zh) | 2021-06-10 | 2021-06-10 | 地震速度预测方法、装置及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110651386.2A CN113341461B (zh) | 2021-06-10 | 2021-06-10 | 地震速度预测方法、装置及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113341461A true CN113341461A (zh) | 2021-09-03 |
CN113341461B CN113341461B (zh) | 2023-09-01 |
Family
ID=77476537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110651386.2A Active CN113341461B (zh) | 2021-06-10 | 2021-06-10 | 地震速度预测方法、装置及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341461B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1035359A (zh) * | 1987-08-28 | 1989-09-06 | 阿莫科公司 | 层位速度的分析 |
US5097452A (en) * | 1991-05-21 | 1992-03-17 | Western Atlas International, Inc. | Analysis of migration velocity by migration of velocity spectra |
US5978314A (en) * | 1997-03-21 | 1999-11-02 | Exxon Production Research Company | Method for determining seismic velocities |
CN106814388A (zh) * | 2016-12-27 | 2017-06-09 | 中国石油大学(北京) | 砂泥岩储层地层压力的地震预测方法及装置 |
CN107238861A (zh) * | 2016-03-28 | 2017-10-10 | 中国石油化工股份有限公司 | 速度谱自动解释方法及系统 |
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 |
US20190324167A1 (en) * | 2018-04-18 | 2019-10-24 | Geotomo Llc | First-break picking of seismic data and generating a velocity model |
CN111190224A (zh) * | 2020-01-09 | 2020-05-22 | 中国石油大学(华东) | 一种基于三维地震波反向照明的动态采样全波形反演系统及方法 |
CN111239802A (zh) * | 2020-01-19 | 2020-06-05 | 中国海洋大学 | 基于地震反射波形和速度谱的深度学习速度建模方法 |
US20200184374A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated Seismic Interpretation Systems and Methods for Continual Learning and Inference of Geological Features |
RU2730419C1 (ru) * | 2019-12-09 | 2020-08-21 | Федеральное государственное бюджетное учреждение науки Институт физики Земли им. О.Ю. Шмидта Российской академии наук | Способ трехмерного сейсмического районирования литосферы |
CN111722283A (zh) * | 2020-06-28 | 2020-09-29 | 成都捷科思石油天然气技术发展有限公司 | 一种地层速度模型建立方法 |
CN111751877A (zh) * | 2019-03-26 | 2020-10-09 | 中国石油天然气股份有限公司 | 一种地震数据多重积分相干裂缝预测方法与装置 |
-
2021
- 2021-06-10 CN CN202110651386.2A patent/CN113341461B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1035359A (zh) * | 1987-08-28 | 1989-09-06 | 阿莫科公司 | 层位速度的分析 |
US5097452A (en) * | 1991-05-21 | 1992-03-17 | Western Atlas International, Inc. | Analysis of migration velocity by migration of velocity spectra |
US5978314A (en) * | 1997-03-21 | 1999-11-02 | Exxon Production Research Company | Method for determining seismic velocities |
CN107238861A (zh) * | 2016-03-28 | 2017-10-10 | 中国石油化工股份有限公司 | 速度谱自动解释方法及系统 |
CN106814388A (zh) * | 2016-12-27 | 2017-06-09 | 中国石油大学(北京) | 砂泥岩储层地层压力的地震预测方法及装置 |
US20190324167A1 (en) * | 2018-04-18 | 2019-10-24 | Geotomo Llc | First-break picking of seismic data and generating a velocity model |
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 |
US20200184374A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated Seismic Interpretation Systems and Methods for Continual Learning and Inference of Geological Features |
CN111751877A (zh) * | 2019-03-26 | 2020-10-09 | 中国石油天然气股份有限公司 | 一种地震数据多重积分相干裂缝预测方法与装置 |
RU2730419C1 (ru) * | 2019-12-09 | 2020-08-21 | Федеральное государственное бюджетное учреждение науки Институт физики Земли им. О.Ю. Шмидта Российской академии наук | Способ трехмерного сейсмического районирования литосферы |
CN111190224A (zh) * | 2020-01-09 | 2020-05-22 | 中国石油大学(华东) | 一种基于三维地震波反向照明的动态采样全波形反演系统及方法 |
CN111239802A (zh) * | 2020-01-19 | 2020-06-05 | 中国海洋大学 | 基于地震反射波形和速度谱的深度学习速度建模方法 |
CN111722283A (zh) * | 2020-06-28 | 2020-09-29 | 成都捷科思石油天然气技术发展有限公司 | 一种地层速度模型建立方法 |
Non-Patent Citations (3)
Title |
---|
JOHN SHIMELD: ""seismic velocities within the sedimentary succession of the canada basin and southern alpha-mendeleev ridge,arctic ocean:evidence for accelerated porosity reduction?\""" * |
杜斌山: ""井震联合高精度地震连续速度预测研究"" * |
王迪: ""基于自适应阈值约束的无监督聚类智能速度拾取"" * |
Also Published As
Publication number | Publication date |
---|---|
CN113341461B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Explorations of the implementation of a parallel IDW interpolation algorithm in a Linux cluster-based parallel GIS | |
GB2547816A (en) | Actually-measured marine environment data assimilation method based on sequence recursive spare filtering three-dimensional variation | |
CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
EP2956618A2 (en) | Systems, methods, and computer-readable media for modeling complex wellbores in field-scale reservoir simulation | |
CN113919219A (zh) | 基于测井大数据的地层评价方法及系统 | |
CN113359212B (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
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 | |
CN110879412A (zh) | 地下横波速度反演方法、装置、计算设备及存储介质 | |
CN111832227A (zh) | 基于深度学习的页岩气饱和度确定方法、装置和设备 | |
CN111797833A (zh) | 一种面向遥感语义分割的自动化机器学习方法及系统 | |
CN116628959A (zh) | 一种携沙河流污染物迁移检测方法、装置及电子设备 | |
Chen et al. | Rock image classification using deep residual neural network with transfer learning | |
CN116028798A (zh) | 水害预警数据处理方法、装置、计算机设备和存储介质 | |
CN114609667A (zh) | 地球物理油气预测方法、设备及存储介质 | |
CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
CN115130529A (zh) | 一种叠前地震反演方法和装置 | |
CN108491482B (zh) | 一种顾及邻近度关系的地质图动态综合方法及系统 | |
CN113341461A (zh) | 地震速度预测方法、装置及服务器 | |
US20220404515A1 (en) | Systems and methods for mapping seismic data to reservoir properties for reservoir modeling | |
CN113837552B (zh) | 一种航天型号试验鉴定指标评估方法及装置 | |
CN115358327A (zh) | 基于pca-svm的海洋温跃层数据可视化方法、装置、设备及介质 | |
JP2019160252A (ja) | 学習識別装置および学習識別方法 | |
Yan et al. | Multilevel Robustness for 2D Vector Field Feature Tracking, Selection and Comparison | |
CN111680889B (zh) | 一种基于交叉熵的海上石油泄漏源定位方法及装置 | |
CN113607920A (zh) | 岩浆底辟对沉积盆地的改造分析方法、实验装置和介质 |
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 |