CN113805235B - 基于卷积神经网络的三维地震相识别方法及装置 - Google Patents
基于卷积神经网络的三维地震相识别方法及装置 Download PDFInfo
- Publication number
- CN113805235B CN113805235B CN202010529298.0A CN202010529298A CN113805235B CN 113805235 B CN113805235 B CN 113805235B CN 202010529298 A CN202010529298 A CN 202010529298A CN 113805235 B CN113805235 B CN 113805235B
- Authority
- CN
- China
- Prior art keywords
- training
- model
- data
- seismic
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 133
- 238000012795 verification Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002779 inactivation Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 208000035126 Facies Diseases 0.000 description 11
- 230000008901 benefit Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Geophysics (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于卷积神经网络的三维地震相识别方法及装置,该方法包括:获取待识别三维叠后地震数据;获取对基于卷积神经网络搭建的训练子网络模型进行训练得到的模型参数,赋值给基于卷积神经网络搭建的预测子网络模型;将待识别三维叠后地震数据,输入到采用模型参数的预测子网络模型中,输出待识别三维叠后地震数据的地震相识别结果。本发明能够快速对海量三维地震数据进行地震相识别,大大提高了地震相识别的时效性、一致性和客观性。
Description
技术领域
本发明涉及地球物理勘探领域,尤其涉及一种基于卷积神经网络的三维地震相识别方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
地震相识别是地震数据解释中的一个重要研究内容,能够为储层预测和生物礁发现提供技术支持。地震相分析的常见方法为属性计算、波形分类、聚类等,并结合测井等其他资料来约束和验证。随着勘探难度的上升,勘探精度要求的提高,传统的地震相解释方法的局限性表现在如下几个方面:
①传统地震相解释过程,流程复杂,且很多理论是在一定假设基础上经过简化得到的,使得每一环节产生的误差会逐级传递并累计,从而影响到最后结果的精度;
②传统地震相解释的精度依赖于解释人员的专业知识、经验和对工区地质概况的认识,不同人员对同一数据体的解释成果往往有所区别;同一人员在不同时期随着知识、经验、认识的不同,对同一数据体的解释成果也会有所区别,这样就使得解释成果缺乏一致性;
③传统地震相解释方法对处理海量地震数据的时效性不高。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供了一种基于卷积神经网络的三维地震相识别方法,用以解决现有地震相解释方法对处理海量地震数据的时效性较低的技术问题,该方法包括:获取待识别三维叠后地震数据;获取对训练子网络模型进行训练得到的模型参数;将所述待识别三维叠后地震数据,输入到赋值所述模型参数的预测子网络模型中,输出所述待识别三维叠后地震数据的地震相识别结果,其中,所述预测子网络模型和所述训练子网络模型为基于卷积神经网络搭建的网络模型。
本发明实施例中还提供了一种基于卷积神经网络的三维地震相识别装置,用以解决现有地震相解释方法对处理海量地震数据的时效性较低的技术问题,该装置包括:三维地震数据获取模块,用于获取待识别三维叠后地震数据;模型参数获取模块,用于获取对训练子网络模型进行训练得到的模型参数,赋值给预测子网络模型,其中,预测子网络模型和训练子网络模型为基于卷积神经网络搭建的网络模型;地震相识别模块,用于将所述待识别三维叠后地震数据,输入到赋值所述模型参数的预测子网络模型中,输出所述待识别三维叠后地震数据的地震相识别结果。
本发明实施例中还提供了一种计算机设备,用以解决现有地震相解释方法对处理海量地震数据的时效性较低的技术问题,该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基于卷积神经网络的三维地震相识别方法。
本发明实施例中还提供了一种计算机可读存储介质,用以解决现有地震相解释方法对处理海量地震数据的时效性较低的技术问题,该计算机可读存储介质存储有执行上述基于卷积神经网络的三维地震相识别方法的计算机程序。
本发明实施例中,利用卷积神经网络模型强大的非线性逼近能力,搭建基于卷积神经网络的训练子网络模型和预测子网络模型,通过对训练子网络模型进行训练得到模型参数,使得预测子网络模型采用训练得到的模型参数,对待识别三维叠后地震数据进行地震相识别,能够降低地震相解释过程中对地震解释人员的依赖性,提高地震解释结果的时效性、一致性和客观性。进一步地,通过对不同工区的地震相数据进行模型训练,能够使得训练的网络模型提取到不同特征的泛化能力,进而获得更准确的地震相识别结果。
附图说明
为了更清楚地说明本发明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,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。在附图中:
图1为本发明实施例中提供的一种基于卷积神经网络的三维地震相识别方法流程图;
图2为本发明实施例中提供的一种基于卷积神经网络的三维地震相识别方法的具体实施流程图;
图3为本发明实施例中提供的一种原始三维叠后地震数据剖面示意图;
图4为本发明实施例中提供的一种包含地震相标签的三维叠后地震数据剖面示意图;
图5为本发明实施例中提供的一种卷积神经网络的基础结构示意图;
图6为本发明实施例中提供的一种包含多尺寸卷积核和跨层连接的卷积神经网络示意图;
图7为本发明实施例中提供的一种叠后地震数据的地震相预测结果剖面示意图;
图8为本发明实施例中提供的一种叠后地震数据的地震相分类结果示意图;
图9为本发明实施例中提供的一种基于卷积神经网络的三维地震相识别装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
随着机器计算能力的提升、深度学习算法的兴起和各种地质背景下地震资料的积累,使得从数据中提取抽象概念成为可能。同为基于数据驱动的学习算法,相较于传统的人工神经网络结构,以卷积神经网络为代表的深度神经网络包含了更多的非线性层,具有更强大的特征提取能力和表达能力。
发明人经研究发现,相比于传统的地震相解释方法,卷积神经网络在抽象特征识别的精度、一致性和时效性更具优势。由于二维数据卷积神经网络已经在图像分类、识别和图像分割上取得了惊人的效果。地震相作为沉积相或地质体在三维地震数据上反映主要的特征总和,相比于二维卷积核,三维卷积核的使用对于从地震数据体重提取和学习抽象特征更有效。基于此,本发明实施例中提了一种基于卷积神经网络的三维地震相识别方法,通过对模型结构设计和参数的选择使其提高对地震相识别的精度、泛化能力和训练速度。
图1为本发明实施例中提供的一种基于卷积神经网络的三维地震相识别方法流程图,如图1所示,该方法可以包括如下步骤:
S101,获取待识别三维叠后地震数据。
需要说明的是,本发明实施例中的待识别三维叠后地震数据是指研究工区未知地震相的地震数据,其数据格式可以是但不限于segy格式。
S102,获取对训练子网络模型进行训练得到的模型参数,赋值给预测子网络模型,其中,预测子网络模型和训练子网络模型为基于卷积神经网络搭建的网络模型。
需要说明的是,上述S102中,可以采用训练数据集对训练子网络模型进行训练,得到训练子网络模型满足一定收敛条件的模型参数;但为了提高模型的泛化能力,本发明实施例还可以采用验证数据集对训练子网络模型进行验证,使得训练子网络模型满足一定的泛化条件,进而获得训练子网络模型满足预设收敛条件和预设泛化条件的模型参数。
因而,在一个实施例中,上述S102可以通过如下步骤来实现:利用训练数据集对训练子网络模型进行模型训练,并利用验证数据集对训练子网络模型进行模型验证,直到训练子网络模型满足预设收敛条件和预设泛化条件;获取训练子网络模型满足预设收敛条件和预设泛化条件的模型参数。
在具体实施时,可以利用训练数据集对训练子网络模型进行模型训练,不断更新模型参数,直到模型的输出满足预设收敛条件;再利用验证数据集校验模型的预测能力,微调模型参数,直到得到兼具收敛和泛化能力的模型,保存模型此时的参数,以便用于预测子网络模型根据保存的参数对三维叠后地震数据进行地震相的自动识别。
需要注意的是,训练过程始于随机初始参数计算卷积神经网络预测结果,并与标签数据对比得到损失函数,根据损失函数使用梯度下降算法对网络参数进行迭代更新,直到训练子网络模型在标签数据集上收敛,保存模型参数。
可选地,在一个实施例中,本发明实施例中基于卷积神经网络的三维地震相识别方法还可以包括如下步骤:在训练子网络模型的训练过程中,加入随机失活参数;对训练子网络模型进行批归一化。
需要说明的是,在网络模型中加入随机失活参数和批归一化,能够提高模型的泛化能力和训练速度,其中,随机失活参数使每次输入的数据只更新一部分网络参数,减少神经元之间复杂的共适应关系减少权重使得网络对丢失特定神经元连接的鲁棒性提高;批归一化使网络的每一层之前都做预处理,降低模型对数据某个维度特征的依赖。可见,通过批归一化和随机失活参数的设置,能够进一步提高模型的训练速度和泛化能力。
在具体实施时,本发明实施例中,根据实际地震数据的数据特征选择卷积神经网络的三维卷积核尺寸,使用不同尺寸的三维卷积核对模型进行训练、提取特征。使得网络模型包含传统的堆叠层状结构部分和跳层连接部分,能够大大加快模型的训练速度。
可选地,本发明实施例中采用Adam算法对训练子网络模型进行模型训练。
在采用训练数据集和验证数据集对训练子网络模型进行训练之前,还需要获取训练数据集和验证数据集,具体地,可以通过如下步骤来实现:获取目标工区的三维叠后地震数据;获取三维叠后地震数据的地震相解释结果;对地震相解释结果中的每种地震相进行编号,得到标签数据;将标签数据按照预设比例划分,得到训练数据集和验证数据集。在具体实施时,当采集到目标工区的三维叠后地震数据后,可以对随机的部分剖面进行地震相解释,得到相应的地震相解释结果,进而对地震相解释结果中的每种地震相进行编号,得到作为训练数据集和验证数据集的地震相标签数据。
需要说明的是,本发明实施例中,按照一定预设比例将样本数据集划分为训练数据集和验证数据集,对模型进行机器学习训练,能够提高模型的泛化能力。
可选地,本发明实施例中目标工区可以包含一个或多个工区;采用不同工区具有地震相标签的叠后地震数据作为样本数据集,能够增强模型的泛化能够力,实现知识的积累和识别能力的提高。
进一步地,在获取三维叠后地震数据的地震相解释结果之后,本发明实施例中提供的基于卷积神经网络的三维地震相识别方法还可以包括如下步骤:获取目标工区的测井数据;根据测井数据,对地震相解释结果进行验证。
本发明实施例中的预设收敛条件可以是采用训练数据集计算出的模型输出损益值小于某个预设阈值;本发明实施例中的预设泛化条件可以是采用验证数据集计算出的模型输出损益值小于某个预设阈值。在一个实施例中,本发明实施例中预设收敛条件和预设泛化条件采用的目标函数如下:
其中,L表示交叉熵损失函数;y(i)表示具有标签的地震相分类;y_pred(i)表示正向传播计算得出的地震相分类;N表示样本个数;i表示样本编号。
S103,将待识别三维叠后地震数据,输入到赋值模型参数的预测子网络模型中,输出待识别三维叠后地震数据的地震相识别结果。
需要说明的是,本发明实施例中,将对训练子网络模型进行机器学习训练得到的模型参数保存,使得预测子网络模型采用保存的模型参数对实际叠后地震数据进行地震相预测,能够确保预测结果的一致性和有效性。
本发明实施例中,可以通过如下步骤来搭建基于卷积神经网络的训练子网络模型和预测子网络模型:构建包含三个卷积层和两个全连接层的卷积神经网络模型;在卷积神经网络模型中增加第一连接路径和第二连接路径,得到训练子网络模型或预测子网络模型,其中,第一连接路径用于将卷积神经网络模型的输入层连接到全连接层,第二连接路径用于将卷积神经网络模型的输入层经卷积核和卷积核连接到全连接层。
可选地,本发明实施例中,在采用不同工区具有地震相标签的叠后地震数据对训练子网络模型进行训练后,将训练得到的模型参数按照不同的工区进行存储,进而在不同工区无地震相标签的叠后地震数据进行地震相识别时,采用相应工区的模型参数,能够获得更准确的地震相预测结果。
具体地,在实施本发明实施例中提供的基于卷积神经网络的三维地震相识别方法时,可以采用但不限于图2所示的流程,如图2所示,具体包括如下步骤:
S201,数据准备:制作地震相标签数据,并按照预设比例划分得到训练数据集和验证数据集。
具体地,在获取到segy格式的三维叠后地震数据后,通过属性计算、波形分类、聚类等方法对部分剖面或沿层进行地震相解释,当有测井资料的情况下,可结合测井资料对地震相解释结果进行约束和验证,对于每种地震相类别,按照数字1、2、3……的顺序进行编号,例如,对图3所示的原始地震数据进行处理,得到图4所示的标签数据。在制作完标签数据后,将标签数据按预设比例划分为训练数据集和验证数据集。在具体实施时,预设比例可以根据实际情况具体设定,本发明对此不作限定。
S202,搭建基于卷积神经网络的训练子网络模型和预测子网络模型,其中,训练子网络模型用于根据标签数据进行模型训练,得到兼顾收敛和泛化能力的模型参数;预测子网络模型用于采用训练得到的模型参数对待识别三维叠后地震数据(也即无地震相标签的三维叠后地震数据)进行地震相识别。
如图5所示,卷积神经网络的基础结构采用层状堆叠模式,包括3个卷积层和2个全连接层,能够对65×65×65的数据体进行训练。在此基础上,增加两条连接路径,得到图6所示的包含多尺寸卷积核和跨层连接的卷积神经网络模型,第一条连接路径为地震数据体直接经1×1×1卷积核连接到特征层;第二条连接路径为为数据体经1×1×1卷积核,再经3×3×3卷积核连接到特征层。
本发明实施例中,在基础的堆叠层状网络结构的基础上,采用同一层特征中使用多个不同尺寸的卷积核,能够获得不同尺度的特征,再把特征结合起来,得到的特征优于使用单一卷积核。为减轻多尺寸卷积核带来的额外计算量,通过加入1×1卷积核,实现共享和跨层连接。
S203,利用地震相标签数据对训练子网络模型进行模型训练,得到兼顾收敛和泛化能力的模型,保存模型参数。
具体地,在模型训练过程中,可采用上文所述的损失函数,使用梯度下降法对网络参数进行更新。训练采用Adam算法,沿负梯度方向对网络参数进行迭代优化,训练过程中,学习率为自适应衰减学习率,设置参数包括:训练轮,训练样本数,每批次样本数,标定的地震相类型个数;
进一步地,在模型中加入随机失活参数和批归一化进而提高模型的泛化能力和训练速度,其中随机失活参数使每次输入的数据只更新一部分网络参数,减少神经元之间复杂的共适应关系减少权重使得网络对丢失特定神经元连接的鲁棒性提高;批归一化使网络的每一层之前都做预处理,降低模型对数据某个维度特征的依赖。
S204,将叠后三维地震数据输入预测子网络模型,输出三维地震相识别结果。
具体地,将叠后三维地震数据输入预测子网络模型,进行三维地震相自动识别。预测过程中使用训练子网络根据标签数据训练得到并保存下来的模型参数对无标签数据进行三维叠后地震数据的地震相预测并得到结果,图7所示为地震数据Inline339的地震相预测结果剖面;图8所示为地震数据Xline1080-1180的地震相分类结果。图7和图8的纵轴为时间轴采样点数。
为了验证本发明的有效性和优越性,发明人将本发明实施例中提供的基于卷积神经网络的三维地震相识别方法,应用于实际三维叠后地震数据。本次实验以Python3.6语言实现,使用Tensorflow框架搭建卷积神经网络模型,模型训练和测试均采用Windows7操作系统。机器配置如下:
CPU型号:Intel(R)Xeon(R)CPU E5-2640 0@2.50GHz;
内存大小:32G;
GPU型号:GeForce GTX 750TI。
实验过程中采用的三维叠后地震数据的参数如表1所示,空间采样点数:462;时间采样间隔:4ms。如图3和图4所示,对叠后地震数据剖面训练过程中,将一条测线剖面作为地震相标签数据。本次实验中,训练轮次为2,训练样本数50000,每批次样本数128,标定的地震相类型共9种,实验表明,训练数据集的精度高于95%,验证数据集的精度高于80%,说明本发明实施例中提供的基于卷积神经网络的预测子网络模型具有一定的泛化能力。
表1获取的三维叠后地震数据参数
主测线 | 联络测线 | |
数量 | 651 | 951 |
起始道号 | 100 | 300 |
增量 | 1 | 1 |
地震道距 | 2499.9 | 2500 |
基于同一发明构思,本发明实施例中还提供了一种基于卷积神经网络的三维地震相识别装置,如下面的实施例所述。由于该装置实施例解决问题的原理与基于卷积神经网络的三维地震相识别方法相似,因此该装置实施例的实施可以参见方法的实施,重复之处不再赘述。
图9为本发明实施例中提供的一种基于卷积神经网络的三维地震相识别装置示意图,如图9所示,该装置包括:三维地震数据获取模块91、模型参数获取模块92和地震相识别模块93。
其中,三维地震数据获取模块91,用于获取待识别三维叠后地震数据;模型参数获取模块92,用于获取对训练子网络模型进行训练得到的模型参数,赋值给预测子网络模型,其中,预测子网络模型和训练子网络模型为基于卷积神经网络搭建的网络模型;地震相识别模块93,用于将待识别三维叠后地震数据,输入到赋值模型参数的预测子网络模型中,输出待识别三维叠后地震数据的地震相识别结果。
在一个实施例中,本发明实施例中提供的基于卷积神经网络的三维地震相识别装置中,模型参数获取模块92可以包括:模型训练子模块921,用于利用训练数据集对训练子网络模型进行模型训练,并利用验证数据集对训练子网络模型进行模型验证,直到训练子网络模型满足预设收敛条件和预设泛化条件;模型参数获取子模块922,用于获取训练子网络模型满足预设收敛条件和预设泛化条件的模型参数。
可选地,上述模型训练子模块921可以采用Adam算法对训练子网络模型进行模型训练。
在一个实施例中,本发明实施例中提供的基于卷积神经网络的三维地震相识别装置还可以包括:样本数据集获取模块94,用于执行如下步骤的功能:获取目标工区的三维叠后地震数据;获取三维叠后地震数据的地震相解释结果;对地震相解释结果中的每种地震相进行编号,得到标签数据;将标签数据按照预设比例划分,得到训练数据集和验证数据集。
可选地,上述样本数据集获取模块94还用于执行如下步骤的功能:获取目标工区的测井数据;根据测井数据,对地震相解释结果进行验证。
在一个实施例中,本发明实施例中提供的基于卷积神经网络的三维地震相识别装置还可以包括:模型训练优化模块95,用于执行如下步骤的功能:在训练子网络模型的训练过程中,加入随机失活参数;对训练子网络模型进行批归一化。
基于同一发明构思,本发明实施例中还提供了一种计算机设备,用以解决现有地震相解释方法对处理海量地震数据的时效性较低的技术问题,该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基于卷积神经网络的三维地震相识别方法。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,用以解决现有地震相解释方法对处理海量地震数据的时效性较低的技术问题,该计算机可读存储介质存储有执行上述基于卷积神经网络的三维地震相识别方法的计算机程序。
综上所述,本发明实施例中提供了一种基于卷积神经网络的三维地震相识别方法、装置、计算机设备及计算机可读存储介质,利用卷积神经网络模型强大的非线性逼近能力,搭建基于卷积神经网络的训练子网络模型和预测子网络模型,通过对训练子网络模型进行训练得到模型参数,使得预测子网络模型采用训练得到的模型参数,对待识别三维叠后地震数据进行地震相识别,能够降低地震相解释过程中对地震解释人员的依赖性,提高地震解释结果的时效性、一致性和客观性。另外,通过对不同工区的地震相数据进行模型训练,能够使得训练的网络模型提取到不同特征的泛化能力,进而获得更准确的地震相识别结果。
可选地,本发明实施例中训练模型的时候,利用训练数据集对训练子网络模型进行模型训练,利用测试数据集对训练子网络模型进行模型验证,得到满足预设收敛条件和预设泛化条件的模型参数,能够获得具有泛化能力的预测子网络模型。
进一步地,在模型训练过程中,通过在模型加入随机失活参数和对模型进行批归一化处理的方式,能够大大提高模型的训练速度。
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、系统、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、设备(系统)、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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种基于卷积神经网络的三维地震相识别方法,其特征在于,包括:
获取待识别三维叠后地震数据;
获取对训练子网络模型进行训练得到的模型参数,赋值给预测子网络模型,其中,所述预测子网络模型和所述训练子网络模型为基于卷积神经网络搭建的网络模型,卷积神经网络的基础结构采用层状堆叠模式,同一层特征中使用多个不同尺寸的卷积核,获得不同尺度的特征,再把特征结合起来;
将所述待识别三维叠后地震数据,输入到赋值所述模型参数的预测子网络模型中,输出所述待识别三维叠后地震数据的地震相识别结果;
所述方法还包括:
在所述训练子网络模型的训练过程中,加入随机失活参数;
对所述训练子网络模型进行批归一化;
其中,随机失活参数使每次输入的数据只更新一部分网络参数;
所述卷积神经网络的基础结构采用层状堆叠模式,包括:
3个卷积层和2个全连接层,对65× 65× 65的数据体进行训练,增加两条连接路径,得到包含多尺寸卷积核和跨层连接的卷积神经网络模型,第一条连接路径为地震数据体直接经1× 1× 1卷积核连接到特征层;第二条连接路径为数据体经1× 1× 1卷积核,再经3×3× 3卷积核连接到特征层。
2.如权利要求1所述的方法,其特征在于,获取对训练子网络模型进行训练得到的模型参数,包括:
利用训练数据集对训练子网络模型进行模型训练,并利用验证数据集对训练子网络模型进行模型验证,直到训练子网络模型满足预设收敛条件和预设泛化条件;
获取训练子网络模型满足预设收敛条件和预设泛化条件的模型参数。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
获取目标工区的三维叠后地震数据;
获取所述三维叠后地震数据的地震相解释结果;
对所述地震相解释结果中的每种地震相进行编号,得到标签数据;
将所述标签数据按照预设比例划分,得到训练数据集和验证数据集。
4.如权利要求3所述的方法,其特征在于,在获取所述三维叠后地震数据的地震相解释结果之后,所述方法还包括:
获取所述目标工区的测井数据;
根据所述测井数据,对所述地震相解释结果进行验证。
5.如权利要求2所述的方法,其特征在于,所述预设收敛条件和所述预设泛化条件采用的目标函数如下:
;
其中,表示交叉熵损失函数;/>表示具有标签的地震相分类;/>表示正向传播计算得出的地震相分类;/>表示样本个数;/>表示样本编号。
6.如权利要求2所述的方法,其特征在于,采用Adam算法对所述训练子网络模型进行模型训练。
7.一种基于卷积神经网络的三维地震相识别装置,应用于权利要求1-6任一所述方法,其特征在于,包括:
三维地震数据获取模块,用于获取待识别三维叠后地震数据;
模型参数获取模块,用于获取对训练子网络模型进行训练得到的模型参数;
地震相识别模块,用于将所述待识别三维叠后地震数据,输入到赋值所述模型参数的预测子网络模型中,输出所述待识别三维叠后地震数据的地震相识别结果,其中,所述预测子网络模型和所述训练子网络模型为基于卷积神经网络搭建的网络模型。
8.如权利要求7所述的装置,其特征在于,所述模型参数获取模块包括:
模型训练子模块,用于利用训练数据集对训练子网络模型进行模型训练,并利用验证数据集对训练子网络模型进行模型验证,直到训练子网络模型满足预设收敛条件和预设泛化条件;
模型参数获取子模块,用于获取训练子网络模型满足预设收敛条件和预设泛化条件的模型参数。
9.如权利要求8所述的装置,其特征在于,所述装置还包括:样本数据集获取模块,用于执行如下步骤的功能:获取目标工区的三维叠后地震数据;获取所述三维叠后地震数据的地震相解释结果;对所述地震相解释结果中的每种地震相进行编号,得到标签数据;将所述标签数据按照预设比例划分,得到训练数据集和验证数据集。
10.如权利要求9所述的装置,其特征在于,所述样本数据集获取模块还用于执行如下步骤的功能:获取所述目标工区的测井数据;根据所述测井数据,对所述地震相解释结果进行验证。
11.一种计算机设备,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6任一项所述基于卷积神经网络的三维地震相识别方法。
12.一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6任一项所述基于卷积神经网络的三维地震相识别方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529298.0A CN113805235B (zh) | 2020-06-11 | 2020-06-11 | 基于卷积神经网络的三维地震相识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529298.0A CN113805235B (zh) | 2020-06-11 | 2020-06-11 | 基于卷积神经网络的三维地震相识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113805235A CN113805235A (zh) | 2021-12-17 |
CN113805235B true CN113805235B (zh) | 2023-12-26 |
Family
ID=78943910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010529298.0A Active CN113805235B (zh) | 2020-06-11 | 2020-06-11 | 基于卷积神经网络的三维地震相识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113805235B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114660656B (zh) * | 2022-03-17 | 2023-03-24 | 中国科学院地质与地球物理研究所 | 一种地震数据初至拾取方法及系统 |
CN115308799B (zh) * | 2022-09-05 | 2023-07-25 | 中国地质科学院地质力学研究所 | 一种地震成像游离气构造识别方法及系统 |
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 |
CN117607956A (zh) * | 2023-12-20 | 2024-02-27 | 东北石油大学 | 一种地震相识别方法、装置、电子设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109782339A (zh) * | 2019-01-14 | 2019-05-21 | 西安交通大学 | 一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法 |
CN109804274A (zh) * | 2016-10-14 | 2019-05-24 | 雪佛龙美国公司 | 使用机器学习进行地震相识别的系统和方法 |
CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及系统 |
CN111027452A (zh) * | 2019-12-05 | 2020-04-17 | 中国矿业大学(北京) | 基于深度神经网络的微震信号到时和震相识别方法及系统 |
-
2020
- 2020-06-11 CN CN202010529298.0A patent/CN113805235B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109804274A (zh) * | 2016-10-14 | 2019-05-24 | 雪佛龙美国公司 | 使用机器学习进行地震相识别的系统和方法 |
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 |
CN109782339A (zh) * | 2019-01-14 | 2019-05-21 | 西安交通大学 | 一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法 |
CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及系统 |
CN111027452A (zh) * | 2019-12-05 | 2020-04-17 | 中国矿业大学(北京) | 基于深度神经网络的微震信号到时和震相识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113805235A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113805235B (zh) | 基于卷积神经网络的三维地震相识别方法及装置 | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
EP4290412A3 (en) | Computer-implemented method, computer program product and system for data analysis | |
CN111562611B (zh) | 基于波动方程驱动的半监督深度学习地震数据反演方法 | |
CN111523713A (zh) | 一种预测油田中剩余油饱和度分布的方法和装置 | |
US20200125960A1 (en) | Small-world nets for fast neural network training and execution | |
CN114548591B (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
CN112464717A (zh) | 一种遥感图像目标检测方法、系统、电子设备和存储介质 | |
Huang et al. | Machine learning using U-net convolutional neural networks for the imaging of sparse seismic data | |
CN111598444A (zh) | 基于卷积神经网络的测井岩性识别方法及系统 | |
CN111260056B (zh) | 一种网络模型蒸馏方法及装置 | |
CN116958688A (zh) | 一种基于YOLOv8网络的目标检测方法及系统 | |
CN108960326B (zh) | 一种基于深度学习框架的点云快速分割方法及其系统 | |
CN116859478B (zh) | 一种基于瞬变电磁法成像的地下水模拟方法及系统 | |
CN107506572A (zh) | 获取目标点的高度的方法和装置 | |
CN112329804A (zh) | 基于特征随机的朴素贝叶斯岩相分类集成学习方法及装置 | |
CN110826691A (zh) | 基于yolo和lstm的地震速度谱智能拾取方法 | |
CN111736217B (zh) | 地震属性融合方法及装置 | |
CN112149623B (zh) | 一种自适应多传感器信息融合系统、方法及存储介质 | |
CN111949945B (zh) | 一种确定烃源岩总有机碳含量的方法、装置、设备及系统 | |
CN110765130B (zh) | 一种分布式环境下基于Ripley’s K函数的时空POI数据点模式分析方法 | |
CN113050191A (zh) | 基于双参数的页岩油toc预测方法及装置 | |
CN114529108B (zh) | 基于树模型的预测方法、装置、设备、介质及程序产品 | |
Gultom et al. | Indonesian Abusive Tweet Classification based on Convolutional Neural Network and Long Short Term Memory Method | |
CN113740903B (zh) | 数据与智能优化双驱动的深度学习地震波阻抗反演方法 |
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 |