CN113705770B - 一种神经网络系统、叠前弹性阻抗反演方法及存储介质 - Google Patents
一种神经网络系统、叠前弹性阻抗反演方法及存储介质 Download PDFInfo
- Publication number
- CN113705770B CN113705770B CN202110783681.3A CN202110783681A CN113705770B CN 113705770 B CN113705770 B CN 113705770B CN 202110783681 A CN202110783681 A CN 202110783681A CN 113705770 B CN113705770 B CN 113705770B
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- output
- elastic impedance
- location
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 230000000306 recurrent effect Effects 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 55
- 230000015572 biosynthetic process Effects 0.000 claims description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 241000288105 Grus Species 0.000 claims description 12
- 238000002847 impedance measurement Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本公开涉及一种神经网络系统、叠前弹性阻抗反演方法及存储介质,其中,该神经网络系统,包括:卷积神经网络层,其中,卷积神经网络层被配置成,接收第一位置的二维数据,对二维数据进行多尺度的特征提取,生成第一输出;递归神经网络层,其中,递归神经网络层被配置成,接收第一位置的二维数据,对二维数据进行地层采样点之间的特征提取,生成第二输出;全连接层,其中,全连接层被配置成,接收第一输出和第二输出,对第一输出和第二输出进行权重组合,生成第一位置处的弹性阻抗预测数据。该叠前弹性阻抗反演方法,使用该神经网络系统进行叠前弹性阻抗反演。该技术方案,实现弹性阻抗的快速预测,并具有较好的保真性。
Description
技术领域
本公开涉及油气勘探领域,尤其涉及一种神经网络系统、叠前弹性阻抗反演方法及存储介质。
背景技术
随着油气勘探逐步向着深层化,精细化迈进,对勘探技术的要求也逐渐增高。相关技术中的叠前弹性阻抗反演方法存在效率较低、保真度不高的问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种神经网络系统、叠前弹性阻抗反演方法及存储介质。
第一方面,本公开提供了一种神经网络系统,神经网络系统被配置为接收第一位置的二维数据作为输入,并生成第一位置处的弹性阻抗预测数据作为输出,该二维数据包括第一位置处的多个地层采样点的多个角道集数据,该神经网络系统,包括:卷积神经网络层,其中,卷积神经网络层被配置成,接收第一位置的二维数据,对二维数据进行多尺度的特征提取,生成第一输出;递归神经网络层,其中,递归神经网络层被配置成,接收第一位置的二维数据,对二维数据进行地层采样点之间的特征提取,生成第二输出;全连接层,其中,全连接层被配置成,接收第一输出和第二输出,对第一输出和第二输出进行权重组合,生成第一位置处的弹性阻抗预测数据。
在一些实施例中,上述递归神经网络层,包括:多个串联的门控循环单元(GatedRecurrent Unit,简称为GRU),其中,多个串联的GRU被配置成,按照地层深度顺序接收地层采样点的数据,每个GRU被配置成以其上一GRU的输出作为输入,每个GRU被配置成生成对应地层采样点的输出。
在一些实施例中,上述卷积神经网络层,包括多个第一子卷积层、子全连接层和第二子卷积层,多个第一子卷积层并联至子全连接层,子全连接层连接至第二子卷积层,其中,每个第一子卷积层被配置成,接收第一位置的二维数据,对二维数据进行特征提取,多个第一子卷积层实现多尺度的特征提取。
第二方面,本公开提供了一种训练神经网络的方法,该神经网络用于叠前弹性阻抗反演,该方法包括:获取第一训练数据集,其中,第一训练数据集包括多个位置的多组训练数据,每组训练数据包括:一位置处的多个地层采样点的多个角道集数据组成的二维数据,以及该位置处的弹性阻抗测量数据;使用第一训练数据集对神经网络进行训练;其中,该神经网络包括:卷积神经网络层,被配置成接收上述位置的二维数据并产生第一输出;递归神经网络层,被配置成接收上述位置的二维数据并产生第二输出;全连接层,被配置成接收第一输出和第二输出并产生上述位置处的弹性阻抗预测数据。
在一些实施例中,上述方法还包括:对于上述多个位置中的至少部分位置,生成该至少部分位置的第二训练数据集,其中,根据上述位置的弹性阻抗预测数据进行正演,生成上述位置的正演合成地震记录,该正演合成地震记录包括上述位置处的多个地层采样点的多个角道集数据;其中,第二训练数据集包括:上述至少部分位置中各个位置处的正演合成地震记录,以及该位置处的弹性阻抗测量数据;使用第二训练数据集对上述神经网络进行训练。
在一些实施例中,根据上述位置的弹性阻抗预测数据进行正演之前,还包括:使用低频模型对弹性阻抗预测数据进行约束,以得到完整的弹性阻抗数据。
第三方面,本公开提供了一种叠前弹性阻抗反演方法,包括:接收第一位置的二维数据,该二维数据包括第一位置处的多个地层采样点的多个角道集数据;以第一位置的上述二维数据为输入,使用神经网络输出第一位置处的弹性阻抗预测数据;其中,该神经网络包括:卷积神经网络层,被配置成接收第一位置的二维数据并产生第一输出;递归神经网络层,被配置成接收第一位置的二维数据并产生第二输出;全连接层,被配置成接收第一输出和第二输出并产生第一位置处的弹性阻抗预测数据。
在一些实施例中,上述方法还包括:使用低频模型对弹性阻抗预测数据进行约束,以得到完整的弹性阻抗数据。
在一些实施例中,上述递归神经网络层,包括:多个串联的门控循环单元GRU,其中,多个串联的GRU被配置成,按照地层深度顺序接收地层采样点的数据,每个GRU被配置成以其上一GRU的输出作为输入,每个GRU被配置成生成对应地层采样点的输出。
第四方面,本公开提供了一种计算机可读存储介质,该计算机可读存储介质上存储有叠前弹性阻抗反演程序,该叠前弹性阻抗反演程序被处理器执行时实现叠前弹性阻抗反演方法的步骤。
本公开实施例提供的上述技术方案与相关技术相比具有如下优点:本公开实施例提供的该技术方案,实现弹性阻抗的快速预测,并具有较好的保真性。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开提供的神经网络系统100一种实施方式的结构示意图;
图2为本公开提供的递归神经网络层120一种实施方式的结构示意图;
图3为本公开提供的GRU一种实施方式的结构示意图;
图4为本公开提供的卷积神经网络层110一种实施方式的结构示意图;
图5为本公开提供的训练神经网络的方法一种实施方式的流程图;
图6为本公开提供的训练神经网络的装置一种实施方式的结构框图;
图7为本公开提供的叠前弹性阻抗反演方法一种实施方式的流程图;
图8示出了一个示例的角道集;
图9示出了一个示例的反演结果对比;
图10示出了实际数据稀疏脉冲反演结果与本公开的反演结果对比。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本公开,并不用于限定本公开。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本公开的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
神经网络系统
图1为本公开提供的神经网络系统100一种实施方式的结构示意图。神经网络系统100是实现为在一个或多个位置中的一个或多个计算机上的计算机程序的系统的示例,其中实现下面描述的系统、组件和技术。
神经网络系统100是一种机器学习系统,该机器学习系统实现叠前弹性阻抗反演,以地震数据作为神经网络输入101,以地震数据对应的弹性阻抗作为神经网络输出102。在本公开的一个示例中,神经网络系统100接收第一位置的二维数据作为输入,并生成第一位置处的弹性阻抗预测数据作为输出,该二维数据包括第一位置处的多个地层采样点的多个角道集数据。本示例中的二维数据排列方式,卷积运算能够让网络突破现有的空间维度,更有效地提取叠前地震反演中的振幅特征。
在本公开的示例中,术语“地层采样点”为地层深度的采样点,“地层采样点”由地震信号的采样时间点表示。示例性的,在地层深度范围A至B范围内,多个地层采样点对应于地震信号时间T1至T2范围内的至少部分采样点。上述“多个角道集数据”表示同一位置处多个入射角对应的地震记录。示例性的,每个入射角对应于一个角道集,多个入射角对应的多个角道集组成角道集组。
示例性的,上述二维数据被表示为式(1):
式(1)中,xij表示第一位置处,第i个地层采样点的第j个入射角对应的地震记录。在本示例中,按照入射角从小到大的方式排列,但不限于此。n表示地层采样点的个数,m表示入射角的个数。
如图1所示,该神经网络系统100,包括:卷积神经网络(CNN)层110,其中,卷积神经网络层110被配置成,接收第一位置的上述二维数据,对该二维数据进行多尺度的特征提取,生成第一输出111。递归神经网络(RNN)层120,其中,递归神经网络层120被配置成,接收第一位置的上述二维数据,对该二维数据进行地层采样点之间的特征提取,生成第二输出121;全连接层(Fully Connected Layer)130,其中,全连接层130被配置成,接收第一输出111和第二输出121,对第一输出111和第二输出121进行权重组合,生成第一位置处的弹性阻抗预测数据作为神经网络输出102。
在本公开的示例中,通过不同作用的网络模块来组成神经网络,一方面,在一定程度上增加网络的可解释性;另一方面,不同的特征提取模块,实现深度挖掘数据中所包含的特征。进一步的,全连接层实现选择优势特征完成映射过程。
不同于单点训练的前馈网络和卷积核滑动训练的卷积网络,递归神经网络(RNN)更关注于时序序列的特征上,实现前后关联特征的提取。因此对于时序的地震数据,运用循环节点的递归模块更能寻找道集内序列点间的特征。递归神经网络通过跨越迭代次数的权重错位激活方式,将后一刻的特征与前一刻的权重相联系。这对于时间序列来说,保留了以往相邻两个点的时间特征,打破了维度的限制,从以往的空间维度,增加到时间维度。通过GRU单元组成的递归神经网络网络充分用于数据中含有的时间信息,建立了对数据整体性长短时特征的提取,并较少了梯度消失的问题。对于地震数据来说,剖面来自于时间的积累,对地震道集进行时间维度的特征提取能够获得不同于平面的特征。
在一些示例中,如图2所示,上述递归神经网络层120,包括:多个串联的GRU(图2中分别被标记为1221、1222至122n),其中,多个串联的GRU被配置成,按照地层深度顺序接收地层采样点的数据,每个GRU被配置成以其上一GRU的输出作为输入,每个GRU被配置成生成对应地层采样点的输出。GRU的输入表示为xij,GRU的输出表示为yij,其中,i表示地层采样点序号,j表示入射角序号。如图2所示,GRU 1221的输入为xtj以及y(t-1)j,GRU 1221的输出为ytj;GRU 1222的输入为x(t+1)j以及ytj,GRU 1222的输出为y(t+1)j;GRU 122n的输入为x(t+n)j及上一GRU的输出,GRU 122n的输出为y(t+n)j。
GRU有一个当前的输入xt,和上一个节点(GRU)传递下来的隐状态(hidden state)ht-1,这个隐状态包含了之前节点的相关信息。结合xt和ht-1,GRU得到当前隐藏节点的输出yt和传递给下一个节点的隐状态ht。图3示出了示例性的GRU的内部结构,如图3所示,σr为控制重置的门控(reset gate),σu为控制更新的门控(update gate),tanh激活函数来将数据放缩到-1~1的范围内。通过更新门与重置门,使得长期序列中的信息能够保存,从而更好地识别时间上的地层厚度,提高特征提取精度。递归神经网络层120通过GRU单元提取时序序列的时间特征。
卷积神经网络作为机器学习中的一种网络模型,它的良好的表征识别能力,其通过卷积运算的方式来对数据进行特征提取的形式摆脱了传统单点学习的模式,使获得的特征能够包含横向和纵向的连续信息,提取的整体性特征能够从高维度实现网络预测。
在一些示例中,如图4所示,上述卷积神经网络层110,包括多个第一子卷积层112、子全连接层113和第二子卷积层114,多个第一子卷积层112并联至子全连接层113,子全连接层113连接至第二子卷积层114,其中,每个第一子卷积层112被配置成,接收第一位置的上述二维数据,对上述二维数据进行特征提取,多个第一子卷积层112实现多尺度的特征提取。在该示例中,多个第一子卷积层112实现多尺度的特征提取,子全连接层113实现多尺度的特征的优势特征组合,第二子卷积层114实现卷积神经网络层110特征与递归神经网络层120的尺寸匹配。
示例性的,每个第一子卷积层112或第二子卷积层114包括:卷积层(Convolutional layer)、池化层(pooling layer)以及激活层(Activiation Layers))(在本示例中,激活层为可选的,激活层可采用Relu函数)顺序排列。不同尺度的卷积层能够对数据进行多尺度的特征提取,单元中的池化层可根据训练任务的需要在最大池化方法和平均池化方法中选择。通过不同大小核函数的子卷积单元能够获取数据所蕴含大量空间特征。
大量的时间特征(由递归神经网络层120提取得到)与空间特征(由卷积神经网络层110提取得到)在全连接层130的权重下,优势特征组合得到弹性阻抗预测数据。
神经网络的训练
图5为本公开提供的训练神经网络的方法一种实施方式的流程图,如图5所示,该方法包括步骤S502至步骤S504。
步骤S502,获取第一训练数据集。
其中,第一训练数据集包括多个位置的多组训练数据,每组训练数据包括:一位置处的多个地层采样点的多个角道集数据组成的二维数据(可选的,表示为前述式(1)),以及该位置处的弹性阻抗测量数据。
步骤S504,使用第一训练数据集对神经网络进行训练。
其中,该神经网络包括:卷积神经网络层,被配置成接收上述位置的二维数据并产生第一输出;递归神经网络层,被配置成接收上述位置的二维数据并产生第二输出;全连接层,被配置成接收第一输出和第二输出并产生上述位置处的弹性阻抗预测数据。
在一些示例中,如图5所示,上述方法还包括:步骤S506,对于上述多个位置中的至少部分位置,生成该至少部分位置的第二训练数据集;步骤S508,使用第二训练数据集对上述神经网络进行训练。
其中,根据上述位置的弹性阻抗预测数据进行正演,生成上述位置的正演合成地震记录,该正演合成地震记录包括上述位置处的多个地层采样点的多个角道集数据;其中,第二训练数据集包括:上述至少部分位置中各个位置处的正演合成地震记录,以及该位置处的弹性阻抗测量数据。在一些示例中,根据弹性阻抗预测数据进行正演可采用传统的方法,本公开对此不做赘述。
在该示例中,根据弹性阻抗预测数据进行正演,生成正演合成地震记录,行程第二训练数据集,一方面丰富了训练数据,另一方面,正演合成的地震记录消除了误差或噪声,使得训练数据更为准确。
在一些示例中,如图5所示,根据上述位置的弹性阻抗预测数据进行正演之前,还包括:步骤S510,使用低频模型对弹性阻抗预测数据进行约束,以得到完整的弹性阻抗数据。由于地震道是一个有限频带的信号,用直接反演方法得到的弹性阻抗只是一个相对值,可能缺乏10Hz以下的低频分量,因此加入低频分量得到绝对弹性阻抗。在一些示例中,可采用传统方法获得低频模型,本公开对此不做赘述。
在一些示例中,使用第一训练数据集、第二训练数据集对神经网络进行训练,以通过使目标函数最优化(即最大化或最小化),从参数的初始值确定神经网络的参数的训练值。示例性的,通过传统及其学习训练技术(例如,具有随着时间反向传播的随机梯度下降训练技术)使目标函数最优化,来对神经网络进行训练。即,可执行训练技术的多次迭代,以通过调节神经网络的参数的值来对目标函数进行优化。
图6为本公开提供的训练神经网络的装置一种实施方式的结构框图,如图6所示,该装置包括:获取模块602,用于获取第一训练数据集;第一训练模块604,与获取模块602相连,用于使用第一训练数据集对神经网络进行训练。
在一些示例中,如图6所示,该装置进一步包括:生成模块606,用于生成第二训练数据集;第二训练模块608,与生成模块606相连,用于使用第二训练数据集对神经网络进行训练。进一步的,生成模块606,用于根据上述位置的弹性阻抗预测数据进行正演,生成上述位置的正演合成地震记录,该正演合成地震记录包括上述位置处的多个地层采样点的多个角道集数据。
在一些示例中,如图6所示,该装置进一步包括:约束模块610,用于使用低频模型对弹性阻抗预测数据进行约束,以得到完整的弹性阻抗数据。
叠前弹性阻抗反演
本示例中,基于前述神经网络系统,快速实现弹性阻抗的预测,并具有较好的保真性。
图7为本公开提供的叠前弹性阻抗反演方法一种实施方式的流程图,如图7所示,该方法包括步骤S702至步骤S704。
步骤S702,接收第一位置的二维数据。
其中,该二维数据包括第一位置处的多个地层采样点的多个角道集数据。
步骤S704,以第一位置的上述二维数据为输入,使用神经网络输出第一位置处的弹性阻抗预测数据。
参考图1所示,该神经网络包括:卷积神经网络层,被配置成接收第一位置的二维数据并产生第一输出;递归神经网络层,被配置成接收第一位置的二维数据并产生第二输出;全连接层,被配置成接收第一输出和第二输出并产生第一位置处的弹性阻抗预测数据。
在该示例中,由递归神经网络层提取得到大量的时间特征,由卷积神经网络层提取得到空间特征,在全连接层的权重下,优势特征组合得到弹性阻抗预测数据。
在一些示例中,如图7所示,上述方法还包括:步骤S706,使用低频模型对弹性阻抗预测数据进行约束,以得到完整的弹性阻抗数据。由于地震道是一个有限频带的信号,用直接反演方法得到的弹性阻抗只是一个相对值,可能缺乏10Hz以下的低频分量,因此加入低频分量得到绝对弹性阻抗。
在一些示例中,如图2所示,上述递归神经网络层,包括:多个串联的门控循环单元GRU,其中,多个串联的GRU被配置成,按照地层深度顺序接收地层采样点的数据,每个GRU被配置成以其上一GRU的输出作为输入,每个GRU被配置成生成对应地层采样点的输出。
本公开的叠前弹性阻抗反演方法速度更快,所需调整的过程参数少(尤其是相对于稀疏脉冲反演),反演结果保真性好,操作简单。
图8示出了一个示例的角道集,如图8所示,位置P的多个地层采样点(对应于地震记录时间采样点)在入射角θ1、θ2、θ3和θ4的角道集数据,多个入射角对应的角道集组成位置P处的角道集组。即,对于位置P从入射角θ1、θ2、θ3和θ4观测到的地震记录。对于训练数据集,包括多个位置对应的多个角道集数据。示例性的,图8中,水平方向为线道号,垂直方向为地层深度方向,即,时间方向。
图9示出了一个示例的反演结果对比,其中,图9中左侧为弹性阻抗预测数据,中间为弹性阻抗测量数据,右侧为两者的绝对误差,对比预测数据与实际数据能够看到,该方法有较高的精度。图10示出了实际数据稀疏脉冲反演结果与本公开的反演结果对比,对比结果能够看出,通过机器学习反演方法能够获得更好的横向连续结构。
本公开还提供了一种计算机设备,用于实现本公开的系统、组件和技术。本公开的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器和处理器。需要指出的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本示例中,存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器可以是计算机设备的内部存储单元,例如计算机设备的硬盘或内存。在另一些示例中,存储器也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。当然,存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本示例中,存储器通常用于存储安装于计算机设备的操作系统和各类软件。此外,存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器在一些示例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本示例中,处理器用于运行存储器中存储的程序代码或者处理数据,例如本申请实施例上述任意的方法。
本公开还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本示例的计算机可读存储介质用于存储本申请实施例上述任意的方法的程序代码,被处理器执行时实现本申请实施例上述任意的方法。例如,计算机可读存储介质上存储有叠前弹性阻抗反演程序,该叠前弹性阻抗反演程序被处理器执行时实现叠前弹性阻抗反演方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本公开各个实施例所述的方法。
上面结合附图对本公开的实施例进行了描述,但是本公开并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本公开的启示下,在不脱离本公开宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本公开的保护之内。
Claims (10)
1.一种神经网络系统,其特征在于,所述神经网络系统被配置为接收第一位置的二维数据作为输入,并生成所述第一位置处的弹性阻抗预测数据作为输出,所述二维数据包括所述第一位置处的多个地层采样点的多个角道集数据,所述神经网络系统,包括:
卷积神经网络层,其中,所述卷积神经网络层被配置成,接收所述第一位置的所述二维数据,对所述二维数据进行多尺度的特征提取,生成第一输出;
递归神经网络层,其中,所述递归神经网络层被配置成,接收所述第一位置的所述二维数据,对所述二维数据进行地层采样点之间的特征提取,生成第二输出;
全连接层,其中,所述全连接层被配置成,接收所述第一输出和所述第二输出,对所述第一输出和所述第二输出进行权重组合,生成所述第一位置处的弹性阻抗预测数据。
2.根据权利要求1所述的神经网络系统,其特征在于,所述递归神经网络层,包括:多个串联的门控循环单元GRU,其中,所述多个串联的GRU被配置成,按照地层深度顺序接收地层采样点的数据,每个GRU被配置成以其上一GRU的输出作为输入,每个GRU被配置成生成对应地层采样点的输出。
3.根据权利要求1所述的神经网络系统,其特征在于,所述卷积神经网络层,包括多个第一子卷积层、子全连接层和第二子卷积层,所述多个第一子卷积层并联至所述子全连接层,所述子全连接层连接至所述第二子卷积层,其中,每个所述第一子卷积层被配置成,接收所述第一位置的所述二维数据,对所述二维数据进行特征提取,所述多个第一子卷积层实现多尺度的特征提取。
4.一种训练神经网络的方法,其特征在于,所述神经网络用于叠前弹性阻抗反演,所述方法包括:
获取第一训练数据集,其中,所述第一训练数据集包括多个位置的多组训练数据,每组训练数据包括:一位置处的多个地层采样点的多个角道集数据组成的二维数据,以及所述位置处的弹性阻抗测量数据;
使用所述第一训练数据集对所述神经网络进行训练;
其中,所述神经网络包括:卷积神经网络层,被配置成接收第一位置的二维数据,对二维数据进行多尺度的特征提取,并产生第一输出;递归神经网络层,被配置成接收第一位置的二维数据,对二维数据进行地层采样点之间的特征提取,并产生第二输出;全连接层,被配置成接收所述第一输出和所述第二输出,对第一输出和第二输出进行权重组合,并产生第一位置处的弹性阻抗预测数据。
5.根据权利要求4所述的方法,其特征在于,还包括:
对于所述多个位置中的至少部分所述位置,生成所述至少部分位置的第二训练数据集,其中,根据所述位置的所述弹性阻抗预测数据进行正演,生成所述位置的正演合成地震记录,所述正演合成地震记录包括所述位置处的多个地层采样点的多个角道集数据;其中,所述第二训练数据集包括:所述至少部分位置中各个位置处的所述正演合成地震记录,以及所述位置处的弹性阻抗测量数据;
使用所述第二训练数据集对所述神经网络进行训练。
6.根据权利要求5所述的方法,其特征在于,根据所述位置的所述弹性阻抗预测数据进行正演之前,还包括:
使用低频模型对所述弹性阻抗预测数据进行约束,以得到完整的弹性阻抗数据。
7.一种叠前弹性阻抗反演方法,其特征在于,包括:
接收第一位置的二维数据,所述二维数据包括所述第一位置处的多个地层采样点的多个角道集数据;
以所述第一位置的所述二维数据为输入,使用神经网络输出所述第一位置处的弹性阻抗预测数据;
其中,所述神经网络包括:卷积神经网络层,被配置成接收所述第一位置的所述二维数据,对二维数据进行多尺度的特征提取,并产生第一输出;递归神经网络层,被配置成接收所述第一位置的所述二维数据,对二维数据进行地层采样点之间的特征提取,并产生第二输出;全连接层,被配置成接收所述第一输出和所述第二输出,对第一输出和第二输出进行权重组合,并产生所述第一位置处的弹性阻抗预测数据。
8.根据权利要求7所述的叠前弹性阻抗反演方法,其特征在于,还包括:
使用低频模型对所述弹性阻抗预测数据进行约束,以得到完整的弹性阻抗数据。
9.根据权利要求7或8所述的叠前弹性阻抗反演方法,其特征在于,所述递归神经网络层,包括:多个串联的门控循环单元GRU,其中,所述多个串联的GRU被配置成,按照地层深度顺序接收地层采样点的数据,每个GRU被配置成以其上一GRU的输出作为输入,每个GRU被配置成生成对应地层采样点的输出。
10.一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上存储有叠前弹性阻抗反演程序,所述叠前弹性阻抗反演程序被处理器执行时实现如权利要求7至9中任一项所述的叠前弹性阻抗反演方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783681.3A CN113705770B (zh) | 2021-07-12 | 2021-07-12 | 一种神经网络系统、叠前弹性阻抗反演方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783681.3A CN113705770B (zh) | 2021-07-12 | 2021-07-12 | 一种神经网络系统、叠前弹性阻抗反演方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705770A CN113705770A (zh) | 2021-11-26 |
CN113705770B true CN113705770B (zh) | 2024-03-15 |
Family
ID=78648439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110783681.3A Active CN113705770B (zh) | 2021-07-12 | 2021-07-12 | 一种神经网络系统、叠前弹性阻抗反演方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705770B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862331A (zh) * | 2017-10-31 | 2018-03-30 | 华中科技大学 | 一种基于时间序列及cnn的不安全行为识别方法及系统 |
CN109709603A (zh) * | 2018-11-23 | 2019-05-03 | 中国石油天然气股份有限公司 | 地震层位识别与追踪方法、系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10783639B2 (en) * | 2016-10-19 | 2020-09-22 | University Of Iowa Research Foundation | System and method for N-dimensional image segmentation using convolutional neural networks |
US11403495B2 (en) * | 2019-11-26 | 2022-08-02 | Board Of Regents, The University Of Texas System | Using synthetic data sets to train a neural network for three-dimensional seismic fault segmentation |
-
2021
- 2021-07-12 CN CN202110783681.3A patent/CN113705770B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862331A (zh) * | 2017-10-31 | 2018-03-30 | 华中科技大学 | 一种基于时间序列及cnn的不安全行为识别方法及系统 |
CN109709603A (zh) * | 2018-11-23 | 2019-05-03 | 中国石油天然气股份有限公司 | 地震层位识别与追踪方法、系统 |
Non-Patent Citations (1)
Title |
---|
基于小波变换和卷积神经网络的地震储层预测方法及应用;张国印;王志章;林承焰;王伟方;李令;李诚;;中国石油大学学报(自然科学版)(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705770A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Efficient approximation of deep relu networks for functions on low dimensional manifolds | |
US11836610B2 (en) | Concurrent training of functional subnetworks of a neural network | |
US11200424B2 (en) | Space-time memory network for locating target object in video content | |
CN110366734B (zh) | 优化神经网络架构 | |
US20180247227A1 (en) | Machine learning systems and methods for data augmentation | |
CN110622175B (zh) | 神经网络分类 | |
KR20190031318A (ko) | 도메인 분리 뉴럴 네트워크들 | |
WO2016082406A1 (zh) | 确定语义匹配度的方法和装置 | |
AU2020328458B2 (en) | Correlation matrix for simultaneously correlating multiple wells | |
Wang et al. | Neural machine-based forecasting of chaotic dynamics | |
US7747401B2 (en) | Fast intrinsic mode decomposition of time series data with sawtooth transform | |
Constantinescu et al. | Physics-based covariance models for Gaussian processes with multiple outputs | |
CN108876847B (zh) | 图像定位方法、装置、系统和存储介质 | |
US10762657B2 (en) | Mesh denoising | |
Wang et al. | Seismic velocity inversion transformer | |
Rybalkin et al. | When massive GPU parallelism ain’t enough: A novel hardware architecture of 2D-LSTM neural network | |
CN111916144A (zh) | 基于自注意力神经网络和粗化算法的蛋白质分类方法 | |
CN110991284A (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 | |
CN114266927A (zh) | 一种无监督的显著性目标检测方法、系统、设备及介质 | |
CN113705770B (zh) | 一种神经网络系统、叠前弹性阻抗反演方法及存储介质 | |
CN112464725A (zh) | 基于深度学习网络的初至拾取方法及装置 | |
CN114167500A (zh) | 基于卷积神经网络的邻炮干扰分离方法及装置 | |
CN113722893B (zh) | 地震记录反演方法、装置、设备及存储介质 | |
CN113419278B (zh) | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 | |
US20230072535A1 (en) | Error mitigation for sampling on quantum devices |
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 |