CN113642675B - 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 - Google Patents
基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 Download PDFInfo
- Publication number
- CN113642675B CN113642675B CN202111043525.XA CN202111043525A CN113642675B CN 113642675 B CN113642675 B CN 113642675B CN 202111043525 A CN202111043525 A CN 202111043525A CN 113642675 B CN113642675 B CN 113642675B
- Authority
- CN
- China
- Prior art keywords
- model
- underground rock
- prediction model
- network
- distribution imaging
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 106
- 238000009826 distribution Methods 0.000 title claims abstract description 95
- 239000011435 rock Substances 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 13
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000005755 formation reaction Methods 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 26
- 125000004122 cyclic group Chemical group 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质，所述方法引入U‑Net网络架构作为生成器以及基于全波形反演算法构建判别器，并利用所述生成器训练生成地下岩层分布成像的预测模型，以及利用所述判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型；从而将待预测的二维地质数据输入精细的地下岩层分布成像的预测模型得到地下岩层分布成像。本发明所述方法提升了预测模型的成像精度，实现了高精度的地下岩层分布成像。
Description
技术领域
本发明属于勘探技术领域，具体涉及一种基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质。
背景技术
随着地质勘探的不断发展，待勘测的地质条件越发复杂，对于地下介质的成像精度要求也越来越高。虽然传统成像方法全波形反演(FWI，Full Waveform Inversion)具有数学理论完备，充分利用采集信息和准确率高的优点，但它也存在以下缺点：1)参数众多，要达到可接受的准确率，需要强大的算力支持，为了达到要求的精度往往需要超算级别百万核的运算，普通企业难以支撑运算消耗的巨大花费。2)存在收敛到局部最优，而非全局最优的情况。从而容易导致最终成像与地下介质的真实分布存在差异。主要的影响因素为初始值的选取。
深度学习的发展提供了完全不同与传统全波形反演研究方法的全新思路，从而巧妙地避免了上述问题。深度学习不依赖于传统的公式推导，类似于黑匣子。机器通过对海量数据的学习掌握输入与输出之间的非线性函数关系，训练好的网络具备了良好地推理与预测能力。通过大量的训练数据和模型的改进，能够使得模型输出，即地下介质成像达到很高的正确率。并且深度学习的网络模型训练所需算力和传统全波形反演超算级别的计算资源相比，消耗小了许多。深度学习在成像方面的突破是全卷积网络(FCN，FullyConvolutional Networks for Semantic Segmentation)的提出。FCN网络是首个实现点到点，端到端的网络。所谓点到点是指对每个像素都进行分类任务，确定其所属类别；所谓端到端是输入一张图像，输出的也是一张图像。FCN的这一特性，使得深度学习运用于地下岩层分布成像成为了可能。地下岩层分布成像的任务就是将实际生产中通过检波器收集到的二维地震数据，通过一系列的运算得到对应的速度模型(地下岩层分布成像)。其中，二维地震数据是网络的输入，一系列运算是具体的网络架构以及训练过程，而对应的速度模型就是输出，也就是地下介质成像。但FCN在图像分割这一领域存在着结果不够精细的缺点。
综上所述，现有的全波形反演方法以及基于FCN网络的深度学习方法在面对复杂地质情况及地表起伏的情况时均存在着一定的问题，因此，如何充分利用深度学习的优势提高地下介质成像的精度是亟需进一步研究的。
发明内容
本发明的目的是提供一种基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质，所述方法通过应用U-Net网络以及深度学习生成地下岩层分布成像的预测模型，其中，U-Net网络在成像方面比FCN显得更加精细，可以克服FCN在图像分割存在的精细问题，此外，所述方法引入CAN网络，将传统的全波形反演算法作为判别器，提升前述预测模型的成像精度。
一方面，本发明提供的一种基于全波形反演和卷积神经网络的地下岩层分布成像获取方法，包括以下步骤：
步骤1：获取数据集，所述数据集包括二维地质数据及其速度模型，所述速度模型为地下岩层分布成像，并设为标签；
步骤2：搭建U-Net网络架构作为生成器以及基于全波形反演算法构建判别器，并利用所述生成器训练生成地下岩层分布成像的预测模型，以及利用所述判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型；
其中，将所述数据集的数据输入生成器进行深度学习训练得到地下岩层分布成像的预测模型，所述地下岩层分布成像的预测模型的输入数据为二维地质数据，输出结果为速度模型；
基于所述地下岩层分布成像的预测模型的预测结果，并利用所述判别器的全波形反演算法计算出二维地质数据，再与真实的二维地质数据进行比较调整地下岩层分布成像的预测模型的网络权重参数；
步骤3：将待预测的二维地质数据输入精细的地下岩层分布成像的预测模型得到速度模型，得到的速度模型为地下岩层分布成像。
声波在不同的岩层中传播的速度不一样，在相同岩层中的传播速度是一样的。在代码中就展现的是一块地质是一个速度，另一块地质是另一个速度。所以在实际中，本发明使用速度模型来侧面反映地下岩层的分布。
本发明所述方法所使用的U-Net网络是对FCN网络的进一步重大改进，它与FCN网络结构大体相似，但采用了与FCN不同的特征融合方式：FCN采用的是逐点相加，对应tensorflow的tf.add()函数。U-Net采用的是channel维度拼接融合，对应tensorflow的tf.concat()函数。U-Net网络在成像方面比FCN显得更加精细，因此，本发明利用U-Net网络的优势，提高了地下岩层分布成像精度。其次，本发明还引入了CAN网络，即生成器的基础上，后续增加了以全波形反演算法为基础的判别器，利用判别器来提升生成器的成像精度。
可选地，步骤2中利用所述判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型的过程如下：
步骤2-1：将预测模型的网络权重参数映射到预测模型输出的速度模型得到基于网络权重参数的速度域模型；
vk＝G(wk)
式中，k表示第k次循环迭代，wk代表第k次循环迭代过程中得到的神经网络权重模型参数，vk代表生成速度模型，G为映射函数；
步骤2-2：将基于网络权重参数的速度域模型并利用全波形反演算法计算出二维地质数据；
步骤2-3：以步骤2-2计算出的二维地质数与实际的二维地质数据构建目标函数，并反向计算网络权重参数的损失函数梯度，进而更新网络权重参数，再更新速度域模型，更新后返回步骤2-2进入下一次迭代，直至模型精度满足预设要求或者得到迭代终止条件，得到最终更新的网络权重参数；
其中，基于最终更新的网络权重参数的预测模型视为精细的地下岩层分布成像的预测模型。
可选地，步骤2-3中采用Adam算法的梯度下降法更新网络权重参数，更新公式如下：
其中，k代表着迭代次数，pk和qk是两个波场时刻对应第k次迭代的估计值，∈为常数值，wk、wk+1为第k次迭代、第k+1次迭代对应的网络权重参数，αk为第k次迭代对应的学习率；
式中，ε和η是两个超参数，为网络权重参数对应的损失函数梯度。
可选地，第k次迭代对应的学习率αk的公式如下：
其中，μ是步长。
可选地，所述生成器的U-Net网络中每一层的单节点使用循环残差块结构的节点替换；
所述循环残差结构的节点的数据处理过程为：先进行至少两次或两次以上的卷积操作；再将卷积操作后的特征图进入残差模块进行残差计算。
可选地，所述生成器的U-Net网络的上采样过程中每一层的跳跃连接之前设有控制门。
可选地，步骤1中所述数据集由荷兰F3地质块数据集和SEGsalt数据集混合组成；
其中，利用正演算法演算出所述荷兰F3地质块数据集中二维地质数据的速度模型，将其速度模型作为标签。
第二方面，本发明提供一种基于上述地下岩层分布成像获取方法的系统，其包括：
数据集获取模块，用于获取数据集，所述数据集包括二维地质数据及其速度模型，所述速度模型为地下岩层分布成像，并设为标签；
预测模型构建模块，用于利用生成器训练生成地下岩层分布成像的预测模型，以及利用判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型；
其中，所述生成器为U-Net网络架构，所述判别器基于全波形反演算法实现；
其中，预测模型构建模块包括：预测模型生成单元和网络权重参数优化单元，所述预测模型生成单元用于利用生成器训练生成地下岩层分布成像的预测模型，所述网络权重参数优化单元用于利用判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型。
预测模块，用于将待预测的二维地质数据输入精细的地下岩层分布成像的预测模型得到速度模型，得到的速度模型为地下岩层分布成像。
第三方面，本发明提供一种终端，其包括：
一个或多个处理器；
存储了一个或多个程序的存储器；
所述处理器调用所述存储器存储的程序以实现：
一种基于全波形反演和卷积神经网络的地下岩层分布成像获取方法的步骤。
第四方面，本发明提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以实现：
一种基于全波形反演和卷积神经网络的地下岩层分布成像获取方法的步骤。
有益效果
1.本发明提供的一种基于全波形反演和卷积神经网络的地下岩层分布成像获取方法，引入了U-Net网络，充分利用U-Net网络的优势，提高地下岩层分布成像的预测模型的成像精度。与此同时，所述方法还引入了基于全波形反演算法构建的判别器，从而利用所述判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型，进一步提升地下岩层分布成像精度。
2.本发明进一步的优选方案中，针对U-Net网络进行优化，一方面用循环残差块结构的节点取代U-Net网络里面的单节点，其中，通过循环次数可以增加整个网络的复杂度，模型的延展性得到了很大的提升，在残差结构和循环结构共同作用下，原本U-Net遇到的随着网络层数的增加，损失率不下降的问题也能够得到一定的解决。二方面，在跳跃链接之前加入控制门，从而可以通过计算系数的控制来将特征更好地区分开，其中计算系数的取值可以是根据实验或经验设定。
附图说明
图1是本发明实施例提供的Attention-R2U-Net进行图像预测的流程示意图；
图2是本发明改进后得网络节点图；
图3是Attention-R2U-net网络结构图；
图4是控制门流程示意图；
图5是R2UNET网络中加入控制门后的Attention-R2U-Net网络流程图；
图6是GAN网络生成器与判别器流程图；
具体实施方式
下面将结合实施例对本发明做进一步的说明。
实施例1：
本实施例提供一种基于全波形反演和卷积神经网络的地下岩层分布成像获取方法，包括以下步骤：
步骤1：获取数据集，所述数据集包括二维地质数据及其速度模型，所述速度模型为地下岩层分布成像，并设为标签。
其中，本实施例中选择由荷兰F3地质块数据集和SEGsalt数据集混合组成数据集。其中，荷兰F3地质块数据集中原本只有真实地质数据，没有对应该地质数据的速度模型。相当于只有模型的原始输入数据，没有对应的标签数据。而SEGsalt数据集是由地球物理学者协会提出的，既包含地质数据也包含对应的速度模型。但该数据集数量稀少，只依赖该数据集并没有办法完成网络的训练。
为此，本实施例中先通过正演算法，将荷兰F3数据集中原始的二维地质数据进行演算得到该地质数据具体对应的地下介质分布状况(速度模型)。所谓正演过程为：模拟地震波在地底下传播过程。在假设一个地质模型之后，使用正演方程来模拟真实环境中使用放炮的形式来得到地震波的传播过程，然后从具体的传播过程中推得相应地下介质分布状况。本实施例中通过正演方程(核心公式：有限差分法声波方程)可以推理出荷兰F3数据集中的地震数据所具体对应的地下介质分布状况，使得荷兰F3数据集获得了相应的标签。优选采用Devito正演，Devito正演在底层封装了OpenMp实现了内存共享，通过MPI来支持分布式内存并行。其他的可行实施例中，也可以选择其他正演算法，本发明对此不进行具体的限定。
从上述可知，针对荷兰F3数据集，通过正演算法得到标签；本发明为了进一步使得实验数据(荷兰F3数据集)能够接近真实数据，将其与真实数据(SEGSalt盐层速度模型数据集)进行混合，用于网络的训练测试，最终能够得到高精度的成像效果。
步骤2：搭建U-Net网络架构作为生成器以及基于全波形反演算法构建判别器，并利用所述生成器训练生成地下岩层分布成像的预测模型，以及利用所述判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型。
针对生成器：
将所述数据集的数据输入生成器进行深度学习训练得到地下岩层分布成像的预测模型，所述地下岩层分布成像的预测模型的输入数据为二维地质勘探数据(如地震数据)，输出结果为速度模型。
如图3所示，U-NET是一种基于FCN网络改进的神经网络算法，其主要特点为U型对称结构，左侧是卷积层(编码器)，右侧是上采样层(解码器)。如图3所示的为5层网络架构，其首先进行两次卷积和池化下采样；然后反卷积进行上采样，上采样之前要与之前的低层特征图进行融合，即跳跃链接。再次上采样。重复这个过程，直到获得输出388x388的特征图，最后经过1*1的卷积，输出结果。
本实施例中优选对U-Net网络架构进行两方面的优化，如下：
1.对循环网络和残差网络特点进行融合，引入循环残差块结构，用循环残差块结构来替换U-Net网络中的结构块。循环残差结构式先进行多次卷积操作，一次加大网络的复杂度，再进行残差计算。本实施例中，循环块使用了一个3x3大小的卷积核，并搭配Relu激活函数进行特征图的提取，以此提高网络的非线性拟合能力。当输入数据进入到该循环残差块之后，经过3*3卷积核的卷积计算之后，其尺寸大小缩小了2；之后与传统单一结构块不同的地方在于，其输出数据不直接输出，而是再次进入循环残差块中，又进行了一次卷积操作，其尺寸大小又缩小了2。其循环次数可人为控制，以此来调整循环深度。经过两个卷积核之后的特征图进入到残差模块中，该模块将经过卷积核卷积之后的输出结果与该层的输入特征图进行加运算输出特征图，同时进行归一化和Relu激活函数。整个循环残差结构的主要特点是可以通过调节循环次数来增加整个网络的复杂度。应用的过程是对所有的原网络的卷积块结构进行了替换，而对其他优秀设计不做变动。这样能够使得U-Net网络的特点尤其是跳跃连接的能力被保留下来，同时又增加了循环残差结构的特性。并且随着循环残差块的引入，模型的延展性得到了很大的提升，譬如，要想增加网络的深度，只需要修改循环模块中的循环次数。在残差结构和循环结构共同作用下，原本U-Net遇到的随着网络层数的增加，损失率不下降的问题也能够得到一定的解决。
需要说明的式，残差计算以及卷积计算均是本领域的常规技术手段，因此，针对其具体的计算过程不进行详细的陈述，本实施例引入循环残差结构是对网络结构的一次优化。
2.在传统的UNet网络的基础上进行了改进：即跳跃链接之前加入控制门，通过计算系数的控制来将特征更好的区分开。其中，计算系数可以是通过实验测试出来的，也是可以根据经验设置的经验值。传统的UNet网络在上采样的过程中，为了避免随着深度的增加导致的浅层特征的消失，会将反卷积得到的输出与对应层级下采样过程中输出的特征图直接进行融合然后再进入到下一步的反卷积。这样可以很好地解决浅层特征与深层特征的矛盾问题，但是并没有对浅层特征进行区分。为此，将控制门(Attention Gate，简称AG)引入该网络，通过计算系数可以将特征更好的区分开。
控制门能够将特征点中的主要信息进行捕获并放大，将网络注意力聚焦在岩层的形状和位置当中，简单概括就是想办法使得目标区域的值变大。控制门模块是用在U-NET网络的跳跃连接上。
由于在传播过程中，U-Net网络可能出现重复提取地震资料中的不明显特征，这将导致网络效率的降低，计算资源的过度使用和模型参数的冗余。若在反卷积的过程当中，加入控制门之后，可以改变输入数据的局部重要程度，将网络注意力聚焦在岩层的形状和位置这类主要特征信息上。加入控制门并不需要额外训练模型和添加大量的参数，也就是说，在R2U-Net网络中加入控制门不会造成增加成本负担。由于控制门也是现有技术，本发明的改进在于将其引入在U-Net网络中，设置在跳跃链接之前，因此对控制门的具体技术细节不进行阐述。
综上，本实施例中改进后的U-Net网络架构可以理解为Attention-R2U-Net网络架构。其他可行的实施例中，在不脱离本发明构思的基础上，对U-Net网络架构不进行优化或者除上述之外进一步优化等都属于本发明的保护范围。
搭建基于U-Net网络架构的生成器后，将数据集中的二维地质数据输入生成器，并基于对应标签进行训练得到地下岩层分布成像的预测模型。为了进一步提升成像精度，还需要对预测模型的模型参数进行优化，即对网络权重参数进行优化。
为此，本发明利用全波形反演算法构建判别器，利用判别器计算出二维地质数据，再与真实的二维地质数据进行比较调整地下岩层分布成像的预测模型的网络权重参数。具体实现过程如下：
步骤2-1：将预测模型的网络权重参数映射到预测模型输出的速度模型得到基于网络权重参数的速度域模型。本步骤是将Attention-R2U-NET模型训练得到的网络权重参数转化成为可以被全波形反演算法处理的输入，即基于网络权重参数的速度域模型：
vk＝G(wk)
式中，k表示第k次循环迭代，wk代表第k次循环迭代过程中得到的神经网络权重模型参数，vk代表生成速度模型，G为映射函数。
应当理解，基于前一预测模型的预测结果以及网络权重参数进行映射，从而使得网络权重参数可以应用到后续全波形反演算法中，并进行更新，同理，每更新一次网络权重参数，基于网络权重参数的速度域模型可知，其速度模型也是同步更新的，通过不断迭代更新可以得到最终的网络权重参数，即对应得到精细的地下岩层分布成像的预测模型。
步骤2-2：将基于网络权重参数的速度域模型并利用全波形反演算法计算出二维地质数据。其中，由全波形反演算法推导出的二维地质数据是个理论上的预测值，如下：
dc＝F(mk)＝F(G(wk))
其中，dc代表计算出的二维地质数据，F代表波动方程式运算表示符，mk是由第一步生成的速度模型。
全波形反演算法的迭代过程是假设一个速度模型，利用正演得到的到声波传播规律，去模拟声波在假设的速度模型上的传播得到检波器数据(地震数据)。
步骤2-3：以步骤2-2计算出的二维地质数与实际的二维地质数据构建目标函数，并反向计算网络权重参数的损失函数梯度，进而更新网络权重参数，再更新速度域模型，更新后返回步骤2-2进入下一次迭代，直至模型精度满足预设要求或者得到迭代终止条件，得到最终更新的网络权重参数。
其中，上述计算得到的是理论上的预测值，将其与真实的二维地质数据由一定的误差，以预测值与真实值的最小二乘为目标函数反演计算与权重wk有关的损失函数的梯度，其中损失函数EFWI(wk)定义如下，其中t表示矩阵转置,*表示共轭。根据链式法则，梯度计算公式：
根据链式法则，梯度计算公式为：
从而在一些可行的方式中设定网络权重参数的更新公式为：
其中，学习率α为学习率，wk+1为第k+1次迭代的网络权重参数，即更新后的网络权重参数，wk为第k次迭代的网络权重参数，即更新前的网络权重参数。
本实施例中优选用Adam算法来代替传统全波形反演算法的梯度下降法来加速收敛。Adam是一种基于一阶梯度来优化随机目标函数的算法，其优势在于能够动态改变学习率α，并且能够谨慎的选择每一次的步长大小，同时还提供更高的计算效率，在较大的数据集上同样能够适应，在处理稀疏矩阵也具有一定优势，应用到全波形反演算法当中能够取得更好的效果。其网络权重更新公式如下：
式中，k代表着迭代次数，pk和qk是两个波场时刻对应第k次迭代的估计值，∈为常数值(设置成一个非常小的数值，其主要作用防止分母为零的情况出现)，wk、wk+1为第k次迭代、第k+1次迭代对应的网络权重参数，αk为第k次迭代对应的学习率；
式中，ε和η是两个超参数，其值的范围都在[0，1)之间。为网络权重参数对应的损失函数梯度。
第k次迭代对应的学习率αk的公式如下：
其中，μ是步长。
从上述的公式以及算法介绍可知，应用判别器不断迭代更新网络权重参数，直至预测模型达到预设要求，其中，迭代终止条件可以是以模型精度为标准设定，也可以是以最大迭代次数为标准设定，或者以其他标准设定。如本实施例中针对判别器：Attentin-R2U-NET网络生成的速度模型的误差降到0.001后，停止训练。如本实施例中针对生成器，将原始的地震数据以及对应的速度模型即断层标签数据体作为训练集，以MSE(Mean SquaredError，均方误差)作为损失函数，在40个epoch之后，损失梯度不再下降，损失曲线变得平缓，得到训练后的Attention-R2U-Net网络。
还需要说明的是，在一些可行的方式中，生成器与判别器的配合方式为：生成器进行训练得到预测模型，判别器每迭代更新一次或若干次网络权重参数后，基于更新的网络权重参数返回生成器的训练过程进行训练，重复上述过程，直至满足要求；另一些可行的方式，生成器进行训练得到预测模型，判别器迭代更新网络权重参数直至满足要求。
步骤3：将待预测的二维地质数据输入精细的地下岩层分布成像的预测模型得到速度模型，得到的速度模型为地下岩层分布成像。
具体应用实例：
1)利用F3荷兰地质数据，使用Devito框架构建572*572尺寸的速度模型，二维地震数据对应的地下岩层结构作为标签数据体，以此作为训练样本，并混合SEGsalt数据集。
2)进入网络输入层，该层输入数据为572*572尺寸的图片；然后进入到第一层网络中，采用3*3的卷积核，设置循环次数为2，在进行第一次循环卷积后，尺寸大小从572*572变成了568*568，再把原尺寸图片经过裁剪变成相同尺寸大小，与输出的特征图片进行残差操作，得到输出图片，尺寸大小为568*568。
3)然后进入第二层网络，首先经过池化层，采用2*2的最大值池化，进过池化后，尺寸缩小一半，变为284*284。最大值池之后进行第二次循环卷积，同样是3*3的卷积核，循环次数为2，尺寸从284*284变成了280*280，再把这一层的输入图片裁剪成相同的尺寸大小与输出图片进行残差操作，得到输出图片为280*280。
4)再然后进入第三层网络。经过第二层的池化层，将特征图大小缩减为原先的一半，从280*280下降到140*140；后面的网络结构同上面一样，次数为2的循环卷积后进行残差操作，输出的特征图大小为136*136。
5)然后进入了第四层网络。该层网络结构同前四层网络，先是一层池化，将尺寸将为68*68，然后将特征图进行两次卷积，其尺寸分别缩减到66*66和64*64。
6)然后进入第五层网络，池化操作将特征图缩减到32*32，对特征图进行了两次卷积，进一步提取全局特征，其尺寸下降到28*28。至此，整体下采样过程结束，特征提取完毕，U-Net网络左侧编码器结束，整体流程是从上往下，由第一层到第五层。从下一步开始进入到右侧解码器过程。也就是上采样的过程。该过程从下往上依次进行。从第五层逐层操作，直到第一层。
7)第五层网络结束之后，图片尺寸为28*28。然后进入上采样过程中的第四层，首先进行一次反卷积操作，反卷积核为2。其特征图尺寸从28*28扩大为56*56；接着将下采样过程中的第四层输出的特征图经过控制门，然后与反卷积得到的56*56的特征图进行跳跃链接。拼接方法可以简单选择矩阵相加操作。然后进过循环次数为2的卷积操作，同样卷积核大小为2，得到上采样过程中第四层的网络输出为52*52的特征图。
8)然后进入第三层网络，先进行一步反卷积操作，将其特征图还原到104*104，下采样过程中的第三层输出的特征图经过控制门与该图进行特征融合，然后经过两次卷积核大小为2的卷积操作，输出大小为100*100的特征图片。
9)进入第二层网络后，与前面两层的网络结构一样。进行反卷积操作，将特征图尺寸恢复到200*200，同样将解码器中的特征图与编码器中的第二层特征图进行拼接，之后在进行两次卷积操作，将其尺寸分别缩减到198*198和196*196。
10)然后到达第一层网络。特征图进行反卷积操作，将特征图还原到392*392，将解码器中的特征图与编码器中的特征图进行拼接，之后在进行两次卷积操作，尺寸变为388*388。
11)最后通过一个1*1大小的卷积核，分别对特征图中的每一个像素进行分类。至此，整个Attention-R2U-NET网络完成了一次迭代。
12)40个epoch的训练后Attention-R2U-Net网络训练完成。
13)通过建立神经网络参数权重与速度模型之间1：1的关系，同时将全波形反演算法作为判别器来修正本发明的速度模型。通过修正后的速度模型，可以更新神经网络的权重。
14)循环进行13步，直到生成器，即Attentin-R2U-NET网络生成的速度模型的误差降到0.001后，停止训练。本发明通过GAN网络的进一步训练，Attention-R2U-NET网络在预测地下岩层结构上拥有了更加优异的表现，更高的准确率以及更强的泛化能力。网络训练结束，最终得到一个有着能从地震资料中，直接反演出高精确度速度模型的网络。
应当理解，本应用实例中网络参数的设定为举例说明，本发明并不局限于此。
实施例2：
本实施例提供一种基于上述方法的系统，其包括：数据集获取模块和预测模型构建模块以及预测模块。
数据集获取模块，用于获取数据集，所述数据集包括二维地质数据及其速度模型，所述速度模型为地下岩层分布成像，并设为标签；
预测模型构建模块，用于利用生成器训练生成地下岩层分布成像的预测模型，以及利用判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型；
其中，所述生成器为U-Net网络架构，所述判别器基于全波形反演算法实现；
其中，预测模型构建模块包括：预测模型生成单元和网络权重参数优化单元，所述预测模型生成单元用于利用生成器训练生成地下岩层分布成像的预测模型，所述网络权重参数优化单元用于利用判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型。
预测模块，用于将待预测的二维地质数据输入精细的地下岩层分布成像的预测模型得到速度模型，得到的速度模型为地下岩层分布成像。
其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件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。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
实施例3：
本实施例提供一种终端，其包括一个或多个处理器和存储了一个或多个程序的存储器，所述处理器调用所述存储器存储的程序以实现：一种基于全波形反演和卷积神经网络的地下岩层分布成像获取方法的步骤，具体如下：
步骤1：获取数据集，所述数据集包括二维地质数据及其速度模型，所述速度模型为地下岩层分布成像，并设为标签。
步骤2：搭建U-Net网络架构作为生成器以及基于全波形反演算法构建判别器，并利用所述生成器训练生成地下岩层分布成像的预测模型，以及利用所述判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型。
步骤3：将待预测的二维地质数据输入精细的地下岩层分布成像的预测模型得到速度模型，得到的速度模型为地下岩层分布成像。
执行网络权重参数优化时，具体执行：
步骤2-1：将预测模型的网络权重参数映射到预测模型输出的速度模型得到基于网络权重参数的速度域模型。
步骤2-2：将基于网络权重参数的速度域模型并利用全波形反演算法计算出二维地质数据。
步骤2-3：以步骤2-2计算出的二维地质数与实际的二维地质数据构建目标函数，并反向计算网络权重参数的损失函数梯度，进而更新网络权重参数，再更新速度域模型，更新后返回步骤2-2进入下一次迭代，直至模型精度满足预设要求或者得到迭代终止条件，得到最终更新的网络权重参数。
该终端还包括：通信接口，用于与外界设备进行通信，进行数据交互传输。
其中，存储器可能包含高速RAM存储器，也可能还包括非易失性除颤器，例如至少一个磁盘存储器。
如果存储器、处理器和通信接口独立实现，则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构总线，外部设备互联总线或扩展工业标准体系结构总线等。所述总线可以分为地址总线、数据总线、控制总线等。
可选的，在具体实现上，如果存储器、处理器和通信接口集成在一块芯片上，则存储器、处理器即通信接口可以通过内部接口完成相互之间的通信。
各个步骤的具体实现过程请参照前述方法的阐述。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
实施例4：
本发明提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以实现：
一种基于全波形反演和卷积神经网络的地下岩层分布成像获取方法的步骤，具体如下：
步骤1：获取数据集，所述数据集包括二维地质数据及其速度模型，所述速度模型为地下岩层分布成像，并设为标签。
步骤2：搭建U-Net网络架构作为生成器以及基于全波形反演算法构建判别器，并利用所述生成器训练生成地下岩层分布成像的预测模型，以及利用所述判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型。
步骤3：将待预测的二维地质数据输入精细的地下岩层分布成像的预测模型得到速度模型，得到的速度模型为地下岩层分布成像。
执行网络权重参数优化时，具体执行：
步骤2-1：将预测模型的网络权重参数映射到预测模型输出的速度模型得到基于网络权重参数的速度域模型。
步骤2-2：将基于网络权重参数的速度域模型并利用全波形反演算法计算出二维地质数据。
步骤2-3：以步骤2-2计算出的二维地质数与实际的二维地质数据构建目标函数，并反向计算网络权重参数的损失函数梯度，进而更新网络权重参数，再更新速度域模型，更新后返回步骤2-2进入下一次迭代，直至模型精度满足预设要求或者得到迭代终止条件，得到最终更新的网络权重参数。
各个步骤的具体实现过程请参照前述方法的阐述。
所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。
Claims (6)
1.一种基于全波形反演和卷积神经网络的地下岩层分布成像获取方法，其特征在于：包括以下步骤：
步骤1：获取数据集，所述数据集包括二维地质数据及其速度模型，所述速度模型为地下岩层分布成像，并设为标签；
步骤2：搭建U-Net网络架构作为生成器以及基于全波形反演算法构建判别器，并利用所述生成器训练生成地下岩层分布成像的预测模型，以及利用所述判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型；
所述生成器的U-Net网络中每一层的单节点使用循环残差块结构的节点替换；
所述循环残差结构的节点的数据处理过程为：先进行至少两次或两次以上的卷积操作；再将卷积操作后的特征图进入残差模块进行残差计算；
其中，将所述数据集的数据输入生成器进行深度学习训练得到地下岩层分布成像的预测模型，所述地下岩层分布成像的预测模型的输入数据为二维地质数据，输出结果为速度模型；
基于所述地下岩层分布成像的预测模型的预测结果，并利用所述判别器的全波形反演算法计算出二维地质数据，再与真实的二维地质数据进行比较调整地下岩层分布成像的预测模型的网络权重参数；
步骤2中利用所述判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型的过程如下：
步骤2-1：将预测模型的网络权重参数映射到预测模型输出的速度模型得到基于网络权重参数的速度域模型；
vk＝G(wk)
式中，k表示第k次循环迭代，wk代表第k次循环迭代过程中得到的神经网络权重模型参数，vk代表生成速度模型，G为映射函数；
步骤2-2：将基于网络权重参数的速度域模型并利用全波形反演算法计算出二维地质数据；
步骤2-3：以步骤2-2计算出的二维地质数与实际的二维地质数据构建目标函数，并反向计算网络权重参数的损失函数梯度，进而更新网络权重参数，再更新速度域模型，更新后返回步骤2-2进入下一次迭代，直至模型精度满足预设要求或者得到迭代终止条件，得到最终更新的网络权重参数；
其中，基于最终更新的网络权重参数的预测模型视为精细的地下岩层分布成像的预测模型；
步骤2-3中采用Adam算法的梯度下降法更新网络权重参数，更新公式如下：
其中，k代表着迭代次数，pk和qk是两个波场时刻对应第k次迭代的估计值，∈为常数值wk、wk+1为第k次迭代、第k+1次迭代对应的网络权重参数，αk为第k次迭代对应的学习率；
式中，ε和η是两个超参数，为网络权重参数对应的损失函数梯度；
第k次迭代对应的学习率αk的公式如下：
其中，μ是步长；
步骤3：将待预测的二维地质数据输入精细的地下岩层分布成像的预测模型得到速度模型，得到的速度模型为地下岩层分布成像。
2.根据权利要求1所述的方法，其特征在于：所述生成器的U-Net网络的上采样过程中每一层的跳跃连接之前设有控制门。
3.根据权利要求1所述的方法，其特征在于：步骤1中所述数据集由荷兰F3地质块数据集和SEGsalt数据集混合组成；
其中，利用正演算法演算出所述荷兰F3地质块数据集中二维地质数据的速度模型，将其速度模型作为标签。
4.一种基于权利要求1-3任一项所述方法的系统，其特征在于：
数据集获取模块，用于获取数据集，所述数据集包括二维地质数据及其速度模型，所述速度模型为地下岩层分布成像，并设为标签；
预测模型构建模块，用于利用生成器训练生成地下岩层分布成像的预测模型，以及利用判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型；
其中，所述生成器为U-Net网络架构，所述判别器基于全波形反演算法实现；
其中，预测模型构建模块包括：预测模型生成单元和网络权重参数优化单元，所述预测模型生成单元用于利用生成器训练生成地下岩层分布成像的预测模型，所述网络权重参数优化单元用于利用判别器优化所述生成器的网络权重参数得到精细的地下岩层分布成像的预测模型；
预测模块，用于将待预测的二维地质数据输入精细的地下岩层分布成像的预测模型得到速度模型，得到的速度模型为地下岩层分布成像。
5.一种终端，其特征在于：包括：
一个或多个处理器；
存储了一个或多个程序的存储器；
所述处理器调用所述存储器存储的程序以实现：
权利要求1-3任一项所述方法的步骤。
6.一种可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以实现：
权利要求1-3任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111043525.XA CN113642675B (zh) | 2021-09-07 | 2021-09-07 | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111043525.XA CN113642675B (zh) | 2021-09-07 | 2021-09-07 | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642675A CN113642675A (zh) | 2021-11-12 |
| CN113642675B true CN113642675B (zh) | 2023-11-17 |
Family
ID=78425352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111043525.XA Active CN113642675B (zh) | 2021-09-07 | 2021-09-07 | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642675B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115166822A (zh) * | 2022-08-02 | 2022-10-11 | 中国矿业大学(北京) | 储层弹性参数的预测方法、装置和电子设备 |
| CN116070549B (zh) * | 2023-03-06 | 2023-06-20 | 西南交通大学 | 一种地下空间水淹态势快速推演方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109459787A (zh) * | 2018-10-09 | 2019-03-12 | 中国地质大学（武汉） | 基于地震槽波全波形反演的煤矿井下构造成像方法及系统 |
| CN110954950A (zh) * | 2019-10-31 | 2020-04-03 | 南方科技大学 | 地下横波速度反演方法、装置、计算设备及存储介质 |
| CN112750132A (zh) * | 2021-02-01 | 2021-05-04 | 闽江学院 | 基于双路径网络和通道注意的白细胞图像分割方法 |
| CN113112446A (zh) * | 2020-03-05 | 2021-07-13 | 成都理工大学 | 基于残差卷积神经网络的隧道围岩级别智能判定方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11640528B2 (en) * | 2019-10-22 | 2023-05-02 | Baidu Usa Llc | Method, electronic device and computer readable medium for information processing for accelerating neural network training |
-
2021
- 2021-09-07 CN CN202111043525.XA patent/CN113642675B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109459787A (zh) * | 2018-10-09 | 2019-03-12 | 中国地质大学（武汉） | 基于地震槽波全波形反演的煤矿井下构造成像方法及系统 |
| CN110954950A (zh) * | 2019-10-31 | 2020-04-03 | 南方科技大学 | 地下横波速度反演方法、装置、计算设备及存储介质 |
| CN113112446A (zh) * | 2020-03-05 | 2021-07-13 | 成都理工大学 | 基于残差卷积神经网络的隧道围岩级别智能判定方法 |
| CN112750132A (zh) * | 2021-02-01 | 2021-05-04 | 闽江学院 | 基于双路径网络和通道注意的白细胞图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于反卷积高层特征的遥感地物图像分类;王云艳;罗冷坤;周志刚;;计算机工程与应用(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642675A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11645529B2 (en) | Sparsifying neural network models | |
| CN113642675B (zh) | 基于全波形反演和卷积神经网络的地下岩层分布成像获取方法、系统、终端及可读存储介质 | |
| CN103119471A (zh) | 用于生成地下构造的图像的系统和方法 | |
| CN109005398B (zh) | 一种基于卷积神经网络的立体图像视差匹配方法 | |
| CN110956655B (zh) | 一种基于单目图像的稠密深度估计方法 | |
| US20200125960A1 (en) | Small-world nets for fast neural network training and execution | |
| EP3039458A1 (en) | Unified application framework for finite-difference modeling | |
| CN113109874B (zh) | 一种使用神经网络的波阻抗反演方法和神经网络系统 | |
| CN112991472A (zh) | 一种基于残差稠密阈值网络的图像压缩感知重建方法 | |
| US20180137408A1 (en) | Method and system for event-based neural networks | |
| Liu et al. | Physics-driven self-supervised learning system for seismic velocity inversion | |
| CN113406695B (zh) | 基于层速度地震地质模型的地震反演方法及系统 | |
| Li et al. | A comprehensive review of seismic inversion based on neural networks | |
| US20160034612A1 (en) | Re-ordered Interpolation and Convolution for Faster Staggered-Grid Processing | |
| Razak et al. | Embedding physical flow functions into deep learning predictive models for improved production forecasting | |
| CN106547021A (zh) | 基于单井褶积算法建立初始模型的方法和装置 | |
| CN115544307A (zh) | 基于关联矩阵的有向图数据特征提取与表达方法和系统 | |
| CN117494775A (zh) | 训练神经网络模型的方法、电子设备、云端、集群及介质 | |
| CN115985086A (zh) | 一种交通数据补全方法、系统、终端以及存储介质 | |
| CN113722893A (zh) | 地震记录反演方法、装置、设备及存储介质 | |
| Exterkoetter et al. | Feature Extraction in Time-Lapse Seismic Using Deep Learning for Data Assimilation | |
| CN116430448B (zh) | 地震数据的反演方法、装置及电子设备 | |
| Chaki et al. | A Proxy Flow Modelling Workflow to Estimate Gridded Dynamic Properties and Well Production Rates by Deep Learning Algorithms | |
| CN114563821B (zh) | 智能地震波阻抗反演标签数据制作方法及装置 | |
| CN112329925B (zh) | 模型生成方法、特征提取方法、装置及电子设备 |
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 |