CN113945974A - 一种地震数据重建方法、装置、设备及介质 - Google Patents

一种地震数据重建方法、装置、设备及介质 Download PDF

Info

Publication number
CN113945974A
CN113945974A CN202110645817.4A CN202110645817A CN113945974A CN 113945974 A CN113945974 A CN 113945974A CN 202110645817 A CN202110645817 A CN 202110645817A CN 113945974 A CN113945974 A CN 113945974A
Authority
CN
China
Prior art keywords
seismic data
density
geological model
model
sparse
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
Application number
CN202110645817.4A
Other languages
English (en)
Other versions
CN113945974B (zh
Inventor
郭银玲
彭苏萍
杜文凤
李冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202110645817.4A priority Critical patent/CN113945974B/zh
Publication of CN113945974A publication Critical patent/CN113945974A/zh
Application granted granted Critical
Publication of CN113945974B publication Critical patent/CN113945974B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
    • 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
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
    • 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
    • G01V1/32—Transforming one recording into another or one representation into another
    • 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
    • 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
    • G01V2210/66—Subsurface modeling

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请公开了一种地震数据重建方法、装置、设备及介质，应用于地震勘探技术领域，用以解决现有技术中存在的高密度地震数据的采集成本较高、勘探精度较低的问题。具体为：利用各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练，使得最终训练出的地震数据重建模型可以根据待重建的稀疏地震数据获得高密度地震数据，从而实现了地震数据的重建，进而降低了高密度地震数据的采集成本，提升了高密度地震数据的勘探精度。

Description

一种地震数据重建方法、装置、设备及介质
技术领域
本申请涉及地震勘探技术领域，尤其涉及一种地震数据重建方法、装置、设备及介质。
背景技术
随着地震勘探技术的不断发展，勘探目标越来越复杂，对勘探精度的要求也越来越高。
然而，在勘探过程中，高密度地震数据的采集成本较高，而且受采集条件、坏道等客观因素的影响，高密度地震数据的勘探精度较低。
发明内容
本申请实施例提供了一种地震数据重建方法、装置、设备及介质，用以解决现有技术存在的高密度地震数据采集成本较高、勘探精度较低的问题。
本申请实施例提供的技术方案如下：
一方面，本申请实施例提供了一种地震数据重建方法，包括：
获取待重建的稀疏地震数据；
基于稀疏地震数据，采用地震数据重建模型，得到重建的高密度地震数据；其中，地震数据重建模型是基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练获得的。
在一种可能的实施方式中，基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练之前，还包括：
构建各个地质模型；
基于分布式光纤声波传感技术(Distributed fiber Acoustic Sensing，DAS)的高密度采样特征，获取各个地质模型的高密度地震数据；
对各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据。
在一种可能的实施方式中，构建各个地质模型，包括：
随机生成多个地层数量、多个地层厚度、多组地层物性参数，并基于折叠构造算法，随机生成多个地层起伏高度；
将多个地层数量、多个地层厚度、多组地层物性参数和多个地层起伏高度进行随机组合，得到各个地质模型参数；其中，每个地质模型参数包括地层数量、地层厚度、地层物性参数和地层起伏高度；
基于各个地质模型参数，构建相应的地质模型。
在一种可能的实施方式中，折叠构造算法为
Figure BDA0003109539090000021
其中，Shift_Z表征地层起伏高度，
Figure BDA0003109539090000022
表征线性算子，x表征地层长度，a、b和c表征随机参数，i表征第i个波峰或波谷，N表征波峰和波谷的个数，Z表征地层深度，Zmax表征最大地层深度。
在一种可能的实施方式中，基于DAS的高密度采样特征，获取各个地质模型的高密度地震数据，包括：
针对各个地质模型，基于地震正演算法，对地质模型进行地震正演模拟，并在地震正演模拟过程中，按照设定采样间隔采集地震数据作为地质模型的高密度地震数据；其中，设定采样间隔是基于DAS的高密度采样特征设置的不大于设定阈值的数值。
在一种可能的实施方式中，设定采样间隔为至少一个。
在一种可能的实施方式中，对各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据，包括：
按照等间隔抽稀算法，从各个地质模型的高密度地震数据中抽取相应地质模型的稀疏地震数据。
在一种可能的实施方式中，深度神经网络模型为
Figure BDA0003109539090000031
其中，B表征采样批量大小，redc表征稀疏地震数据和高密度地震数据的非线性映射关系，θ表征模型参数，Tk表征地震数据，d表征高密度地震数据的采样间隔，intk表征缺失的地震数据，DASk表示高密度地震数据，||·||2表征L2范数。
在一种可能的实施方式中，基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练之后，还包括：
基于实地采集的各个地理区域的稀疏地震数据和高密度地震数据，对地震数据重建模型进行优化训练。
另一方面，本申请实施例提供了一种地震数据重建装置，包括：
地震数据获取单元，用于获取待重建的稀疏地震数据；
地震数据重建单元，用于基于稀疏地震数据，采用地震数据重建模型，得到重建的高密度地震数据；其中，地震数据重建模型是基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练获得的。
在一种可能的实施方式中，本申请实施例提供的地震数据重建装置还包括：
地质模型构建单元，用于构建各个地质模型；
地震数据采样单元，用于基于DAS的高密度采样特征，获取各个地质模型的高密度地震数据，并对各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据。
在一种可能的实施方式中，构建各个地质模型时，地质模型构建单元具体用于：
随机生成多个地层数量、多个地层厚度、多组地层物性参数，并基于折叠构造算法，随机生成多个地层起伏高度；
将多个地层数量、多个地层厚度、多组地层物性参数和多个地层起伏高度进行随机组合，得到各个地质模型参数；其中，每个地质模型参数包括地层数量、地层厚度、地层物性参数和地层起伏高度；
基于各个地质模型参数，构建相应的地质模型。
在一种可能的实施方式中，折叠构造算法为
Figure BDA0003109539090000041
其中，Shift_Z表征地层起伏高度，
Figure BDA0003109539090000042
表征线性算子，x表征地层长度，a、b和c表征随机参数，i表征第i个波峰或波谷，N表征波峰和波谷的个数，Z表征地层深度，Zmax表征最大地层深度。
在一种可能的实施方式中，基于DAS的高密度采样特征，获取各个地质模型的高密度地震数据时，地震数据采样单元具体用于：
针对各个地质模型，基于地震正演算法，对地质模型进行地震正演模拟，并在地震正演模拟过程中，按照设定采样间隔采集地震数据作为地质模型的高密度地震数据；其中，设定采样间隔是基于DAS的高密度采样特征设置的不大于设定阈值的数值。
在一种可能的实施方式中，设定采样间隔为至少一个。
在一种可能的实施方式中，对各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据时，地震数据采样单元具体用于：
按照等间隔抽稀算法，从各个地质模型的高密度地震数据中抽取相应地质模型的稀疏地震数据。
在一种可能的实施方式中，深度神经网络模型为
Figure BDA0003109539090000051
其中，B表征采样批量大小，redc表征稀疏地震数据和高密度地震数据的非线性映射关系，θ表征模型参数，Tk表征地震数据，d表征高密度地震数据的采样间隔，intk表征缺失的地震数据，DASk表示高密度地震数据，||·||2表征L2范数。
在一种可能的实施方式中，本申请实施例提供的地震数据重建装置还包括：
重建模型优化单元，用于基于实地采集的各个地理区域的稀疏地震数据和高密度地震数据，对地震数据重建模型进行优化训练。
另一方面，本申请实施例提供了一种地震数据重建设备，包括：存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现本申请实施例提供的地震数据重建方法。
另一方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令被处理器执行时实现本申请实施例提供的地震数据重建方法。
本申请实施例的有益效果如下：
本申请实施例中，利用各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练，使得最终训练出的地震数据重建模型可以根据待重建的稀疏地震数据获得高密度地震数据，从而实现了地震数据的重建，降低了高密度地震数据的采集成本，提升了高密度地震数据的勘探精度。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地可以从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中地震数据重建方法的总体框架示意图；
图2a为本申请实施例中地震数据重建模型建立方法的概况流程示意图；
图2b为本申请实施例中地质模型示意图；
图2c为本申请实施例中高密度地震数据和稀疏地震数据的对比示意图；
图3为本申请实施例中地震数据重建方法的概况流程示意图；
图4为本申请实施例中地震数据重建装置的功能结构示意图；
图5为本申请实施例中地震数据重建设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及有益效果更加清楚明白，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
为便于本领域技术人员更好地理解本申请，下面先对本申请涉及的技术用语进行简单介绍。
1、地质模型，是基于地层数量、地层厚度、地层起伏高度和纵波速度、横波速度和质量密度等地层物性参数构建的表征地质特征的模型。
2、地震数据重建模型，是基于各个地质模型的地震数据和高密度地震数据，对表征地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练获得的。
3、地震正演算法，是通过地震模拟获得地震波在地质模型中的传播时间、路径、能量等地震数据的一种方式。本申请中，地震正演算法可以是但不限于：射线追踪法、波动方程法等。
在介绍了本申请涉及的技术用语后，接下来，对本申请实施例的应用场景和设计思想进行简单介绍。
目前，在地震勘探过程中，高密度地震数据的采集成本较高，而且受采集条件、坏道等客观因素的影响，高密度地震数据的勘探精度较低。为此，参阅图1所示，本申请实施例包括模型训练和数据重建两个阶段；在模型训练阶段中，构建多个地质模型，并获取各个地质模型的高密度地震数据和稀疏地震数据后，基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练，得到地震数据重建模型；在数据重建阶段中，获取待重建的稀疏地震数据，将该稀疏地震数据输入地震数据重建模型，得到重建的高密度地震数据。这样，利用各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练，使得最终训练出的地震数据重建模型可以根据待重建的稀疏地震数据获得高密度地震数据，从而实现了地震数据的重建，进而降低了高密度地震数据的采集成本，提升了高密度地震数据的勘探精度。
在介绍了本申请实施例的应用场景和设计思想之后，下面对本申请实施例提供的技术方案进行详细说明。
本申请实施例中，为了能够实现地震数据的重建，可以预先建立一个地震数据重建模型，具体的，参阅图2a所示，本申请实施例提供的地震数据重建模型建立方法的概况流程如下：
步骤201：构建各个地质模型。
在具体实施时，在构建各个地质模型时，可以采用但不限于以下方式：
首先，随机生成多个地层数量、多个地层厚度、多组地层物性参数，并基于折叠构造算法，随机生成多个地层起伏高度。
具体的，折叠构造算法可以为
Figure BDA0003109539090000081
其中，Shift_Z表征地层起伏高度，
Figure BDA0003109539090000082
表征线性算子，x表征地层长度，a、b和c表征随机参数，i表征第i个波峰或波谷，N表征波峰和波谷的个数，Z表征地层深度，Zmax表征最大地层深度。实际应用中，可以多次采用rand函数随机生成a、b和c，从而获得多个地层起伏高度。
然后，将多个地层数量、多个地层厚度、多组地层物性参数和多个地层起伏高度进行随机组合，得到各个地质模型参数；其中，每个地质模型参数包括地层数量、地层厚度、地层物性参数和地层起伏高度。
最后，基于各个地质模型参数，构建相应的地质模型。例如，地质模型可以如图2b所示。
步骤202：基于DAS的高密度采样特征，获取各个地质模型的高密度地震数据。
在具体实施时，针对各个地质模型，可以采用地震正演算法，对该地质模型进行地震正演模拟，并在地震正演模拟过程中，按照设定采样间隔采集地震数据作为该地质模型的高密度地震数据；其中，设定采样间隔是基于DAS的高密度采样特征设置的不大于设定阈值的数值。值得说的是，为了能够获得更多的训练样本数据，本申请实施例中，设定采样间隔可以设置为至少一个。
步骤203：对各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据。
在具体实施时，可以按照等间隔抽稀算法，从各个地质模型的高密度地震数据中抽取相应地质模型的稀疏地震数据。例如：高密度地震数据和稀疏地震数据可以如图2c所示。
步骤204：基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练，得到地震数据重建模型。
具体的，深度神经网络模型可以为
Figure BDA0003109539090000091
其中，B表征采样批量大小，redc表征稀疏地震数据和高密度地震数据的非线性映射关系，θ表征模型参数，Tk表征地震数据，d表征高密度地震数据的采样间隔，intk表征缺失的地震数据，DASk表示高密度地震数据，||·||2表征L2范数。
进一步的，为了提高地震数据重建模型对地震数据重建的准确度，本申请实施例中，基于各个地质模型的稀疏地震数据和高密度地震数据，建立地震数据重建模型之后，还可以基于实地采集的各个地理区域的稀疏地震数据和高密度地震数据，对地震数据重建模型进行优化训练，从而可以获得精准度更高的地震数据重建模型。
进一步的，在完成对地震数据重建模型的建立和优化后，即可利用该地震数据重建模型，对采集到的稀疏地震数据进行重建，具体的，参阅图3所示，本申请实施例提供的地震数据重建方法的概况流程如下：
步骤301：获取待重建的稀疏地震数据。
步骤302：基于该地震数据，采用地震数据重建模型，得到重建的高密度地震数据。
实际应用中，可以将该稀疏地震数据输入地震数据重建模型，得到重建的高密度地震数据。
基于上述实施例，本申请实施例提供了一种地震数据重建装置，参阅图4所示，本申请实施例提供的地震数据重建装置400至少包括：
地震数据获取单元401，用于获取待重建的稀疏地震数据；
地震数据重建单元402，用于基于稀疏地震数据，采用地震数据重建模型，得到重建的高密度地震数据；其中，地震数据重建模型是基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练获得的。
在一种可能的实施方式中，本申请实施例提供的地震数据重建装置400还包括：
地质模型构建单元403，用于构建各个地质模型；
地震数据采样单元404，用于基于DAS的高密度采样特征，获取各个地质模型的高密度地震数据，并对各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据。
在一种可能的实施方式中，构建各个地质模型时，地质模型构建单元403具体用于：
随机生成多个地层数量、多个地层厚度、多组地层物性参数，并基于折叠构造算法，随机生成多个地层起伏高度；
将多个地层数量、多个地层厚度、多组地层物性参数和多个地层起伏高度进行随机组合，得到各个地质模型参数；
基于各个地质模型参数，构建相应的地质模型。
在一种可能的实施方式中，折叠构造算法为
Figure BDA0003109539090000101
其中，Shift_Z表征地层起伏高度，
Figure BDA0003109539090000102
表征线性算子，x表征地层长度，a、b和c表征随机参数。
在一种可能的实施方式中，获取各个地质模型的高密度地震数据时，地震数据采样单元404具体用于：
针对各个地质模型，基于地震正演算法，对地质模型进行地震正演模拟，并在地震正演模拟过程中，按照设定采样间隔采集地震数据作为地质模型的高密度地震数据；其中，设定采样间隔是基于DAS的高密度采样特征设置的不大于设定阈值的数值。
在一种可能的实施方式中，设定采样间隔为至少一个。
在一种可能的实施方式中，对各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据时，地震数据采样单元404具体用于：
按照等间隔抽稀算法，从各个地质模型的高密度地震数据中抽取相应地质模型的稀疏地震数据。
在一种可能的实施方式中，深度神经网络模型为
Figure BDA0003109539090000111
其中，B表征采样批量大小，redc表征稀疏地震数据和高密度地震数据的非线性映射关系，θ表征模型参数，Tk表征地震数据，d表征高密度地震数据的采样间隔，intk表征缺失的地震数据，DASk表示高密度地震数据，||·||2表征L2范数。
在一种可能的实施方式中，本申请实施例提供的地震数据重建装置400还包括：
重建模型优化单元405，用于基于实地采集的各个地理区域的稀疏地震数据和高密度地震数据，对地震数据重建模型进行优化训练。
需要说明的是，本申请实施例提供的地震数据重建装置400解决技术问题的原理与本申请实施例提供的地震数据重建方法相似，因此，本申请实施例提供的地震数据重建装置400的实施可以参见本申请实施例提供的地震数据重建方法的实施，重复之处不再赘述。
在介绍了本申请实施例提供的地震数据重建方法和装置之后，接下来，对本申请实施例提供的地震数据重建设备进行简单介绍。
参阅图5所示，本申请实施例提供的地震数据重建设备500至少包括：处理器501、存储器502和存储在存储器502上并可在处理器501上运行的计算机程序，处理器501执行计算机程序时实现本申请实施例提供的地震数据重建方法。
需要说明的是，图5所示的地震数据重建设备500仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供的地震数据重建设备500还可以包括连接不同组件(包括处理器501和存储器502)的总线503。其中，总线503表示几类总线结构中的一种或多种，包括存储器总线、外围总线、局域总线等。
存储器502可以包括易失性存储器形式的可读介质，例如随机存储器(RandomAccess Memory，RAM)5021和/或高速缓存存储器5022，还可以进一步包括只读存储器(ReadOnly Memory，ROM)5023。
存储器502还可以包括具有一组(至少一个)程序模块5024的程序工具5025，程序模块5024包括但不限于：操作子系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
地震数据重建设备500也可以与一个或多个外部设备504(例如键盘、遥控器等)通信，还可以与一个或者多个使得用户能与地震数据重建设备500交互的设备通信(例如手机、电脑等)，和/或，与使得地震数据重建设备500与一个或多个其它地震数据重建设备500进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(Input/Output，I/O)接口505进行。并且，地震数据重建设备500还可以通过网络适配器506与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide AreaNetwork，WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器506通过总线503与地震数据重建设备500的其它模块通信。应当理解，尽管图5中未示出，可以结合地震数据重建设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)子系统、磁带驱动器以及数据备份存储子系统等。
下面对本申请实施例提供的计算机可读存储介质进行介绍。本申请实施例提供的计算机可读存储介质存储有计算机指令，计算机指令被处理器执行时实现本申请实施例提供的地震数据重建方法。具体地，该计算机指令可以内置或者安装在地震数据重建设备500中，这样，地震数据重建设备500就可以通过执行内置或者安装的计算机指令实现本申请实施例提供的地震数据重建方法。
此外，本申请实施例提供的地震数据重建方法还可以实现为一种程序产品，该程序产品包括程序代码，当该程序产品可以在地震数据重建设备500上运行时，该程序代码用于使地震数据重建设备500执行本申请实施例提供的地震数据重建方法。
本申请实施例提供的程序产品可以采用一个或多个可读介质的任意组合，其中，可读介质可以是可读信号介质或者可读存储介质，而可读存储介质可以是但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合，具体地，可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、RAM、ROM、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、光纤、便携式紧凑盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请实施例提供的程序产品可以采用CD-ROM并包括程序代码，还可以在计算设备上运行。然而，本申请实施例提供的程序产品不限于此，在本申请实施例中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (12)

1.一种地震数据重建方法，其特征在于，包括：
获取待重建的稀疏地震数据；
基于所述稀疏地震数据，采用地震数据重建模型，得到重建的高密度地震数据；其中，所述地震数据重建模型是基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练获得的。
2.如权利要求1所述的地震数据重建方法，其特征在于，基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练之前，还包括：
构建所述各个地质模型；
基于分布式光纤声波传感技术DAS的高密度采样特征，获取所述各个地质模型的高密度地震数据；
对所述各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据。
3.如权利要求2所述的地震数据重建方法，其特征在于，构建所述各个地质模型，包括：
随机生成多个地层数量、多个地层厚度、多组地层物性参数，并基于折叠构造算法，随机生成多个地层起伏高度；
将所述多个地层数量、所述多个地层厚度、所述多组地层物性参数和所述多个地层起伏高度进行随机组合，得到各个地质模型参数；
基于所述各个地质模型参数，构建相应的地质模型。
4.如权利要求3所述的地震数据重建方法，其特征在于，所述折叠构造算法为
Figure FDA0003109539080000011
其中，Shift_Z表征地层起伏高度，
Figure FDA0003109539080000012
表征线性算子，x表征地层长度，a、b和c表征随机参数，i表征第i个波峰或波谷，N表征波峰和波谷的个数，Z表征地层深度，Zmax表征最大地层深度。
5.如权利要求2所述的地震数据重建方法，其特征在于，基于DAS的高密度采样特征，获取所述各个地质模型的高密度地震数据，包括：
针对所述各个地质模型，基于地震正演算法，对所述地质模型进行地震正演模拟，并在地震正演模拟过程中，按照设定采样间隔采集地震数据作为所述地质模型的高密度地震数据；其中，所述设定采样间隔是基于DAS的高密度采样特征设置的不大于设定阈值的数值。
6.如权利要求5所述的地震数据重建方法，其特征在于，所述设定采样间隔为至少一个。
7.如权利要求2所述的地震数据重建方法，其特征在于，对所述各个地质模型的高密度地震数据进行抽稀处理，得到相应地质模型的稀疏地震数据，包括：
按照等间隔抽稀算法，从所述各个地质模型的高密度地震数据中抽取相应地质模型的稀疏地震数据。
8.如权利要求1-7任一项所述的地震数据重建方法，其特征在于，所述深度神经网络模型为
Figure FDA0003109539080000021
其中，B表征采样批量大小，redc表征稀疏地震数据和高密度地震数据的非线性映射关系，θ表征模型参数，Tk表征地震数据，d表征高密度地震数据的采样间隔，intk表征缺失的地震数据，DASk表示高密度地震数据，||·||2表征L2范数。
9.如权利要求1-7任一项所述的地震数据重建方法，其特征在于，基于各个地质模型的稀疏地震数据和高密度地震数据，对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练之后，还包括：
基于实地采集的各个地理区域的稀疏地震数据和高密度地震数据，对所述地震数据重建模型进行优化训练。
10.一种地震数据重建装置，其特征在于，包括：
数据获取单元，用于获取待重建的稀疏地震数据；
数据重建单元，用于基于所述稀疏地震数据，采用地震数据重建模型，得到高密度地震数据；其中，所述地震数据重建模型是构建各个地质模型并获取所述各个地质模型的分布式光纤声波传感高密度地震数据后，对所述各个地质模型的高密度地震数据进行抽稀处理，得到所述各个地质模型的地震数据时，基于所述各个地质模型的地震数据和高密度地震数据，对表征地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练获得的。
11.一种地震数据重建设备，其特征在于，包括：存储器、处理器和存储在所述存储器上并可在所述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如权利要求1-9任一项所述的地震数据重建方法。
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计算机指令，所述计算机指令被处理器执行时实现如权利要求1-9任一项所述的地震数据重建方法。
CN202110645817.4A 2021-06-10 2021-06-10 一种地震数据重建方法、装置、设备及介质 Active CN113945974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110645817.4A CN113945974B (zh) 2021-06-10 2021-06-10 一种地震数据重建方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110645817.4A CN113945974B (zh) 2021-06-10 2021-06-10 一种地震数据重建方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113945974A true CN113945974A (zh) 2022-01-18
CN113945974B CN113945974B (zh) 2022-05-24

Family

ID=79327408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110645817.4A Active CN113945974B (zh) 2021-06-10 2021-06-10 一种地震数据重建方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113945974B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110002194A1 (en) * 2008-05-22 2011-01-06 Matthias Imhof Method For Geophysical and Geological Interpretation of Seismic Volumes In The Domains of Depth, Time, and Age
EP2506041A1 (en) * 2011-03-30 2012-10-03 Hunt Energy Enterprises, LLC Method and system for passive electroseismic surveying
CN103293551A (zh) * 2013-05-24 2013-09-11 中国石油天然气集团公司 一种基于模型约束的阻抗反演方法及系统
CN110361778A (zh) * 2019-07-04 2019-10-22 华北电力大学 一种基于生成对抗网络的地震数据重建方法
CN110490219A (zh) * 2019-07-02 2019-11-22 中国地质大学（武汉） 一种基于纹理约束的U-net网络进行地震数据重建的方法
CN110580682A (zh) * 2019-09-16 2019-12-17 电子科技大学 一种基于优化生成对抗网络地震数据超分辨率重建方法
CN110967738A (zh) * 2018-09-30 2020-04-07 中国石油化工股份有限公司 基于深度学习的地震数据插值处理方法及系统
US20200183047A1 (en) * 2018-12-11 2020-06-11 Exxonmobil Upstream Research Company Automated Reservoir Modeling Using Deep Generative Networks
CN112415583A (zh) * 2020-11-06 2021-02-26 中国科学院精密测量科学与技术创新研究院 地震数据的重建方法、装置、电子设备及可读存储介质
US20210063591A1 (en) * 2019-08-29 2021-03-04 Advanced Geophysical Technology Inc. Methods and systems for obtaining reconstructed low-frequency seismic data for determining a subsurface feature
CN112444856A (zh) * 2019-08-30 2021-03-05 中国石油化工股份有限公司 一种基于深度学习的地震数据分辨率提高方法
CN112926232A (zh) * 2020-12-10 2021-06-08 中国石油大学(华东) 一种基于分层融合的地震低频分量恢复方法
CN112925012A (zh) * 2021-01-26 2021-06-08 中国矿业大学(北京) 地震全波形反演方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110002194A1 (en) * 2008-05-22 2011-01-06 Matthias Imhof Method For Geophysical and Geological Interpretation of Seismic Volumes In The Domains of Depth, Time, and Age
EP2506041A1 (en) * 2011-03-30 2012-10-03 Hunt Energy Enterprises, LLC Method and system for passive electroseismic surveying
CN103293551A (zh) * 2013-05-24 2013-09-11 中国石油天然气集团公司 一种基于模型约束的阻抗反演方法及系统
CN110967738A (zh) * 2018-09-30 2020-04-07 中国石油化工股份有限公司 基于深度学习的地震数据插值处理方法及系统
US20200183047A1 (en) * 2018-12-11 2020-06-11 Exxonmobil Upstream Research Company Automated Reservoir Modeling Using Deep Generative Networks
CN110490219A (zh) * 2019-07-02 2019-11-22 中国地质大学（武汉） 一种基于纹理约束的U-net网络进行地震数据重建的方法
CN110361778A (zh) * 2019-07-04 2019-10-22 华北电力大学 一种基于生成对抗网络的地震数据重建方法
US20210063591A1 (en) * 2019-08-29 2021-03-04 Advanced Geophysical Technology Inc. Methods and systems for obtaining reconstructed low-frequency seismic data for determining a subsurface feature
CN112444856A (zh) * 2019-08-30 2021-03-05 中国石油化工股份有限公司 一种基于深度学习的地震数据分辨率提高方法
CN110580682A (zh) * 2019-09-16 2019-12-17 电子科技大学 一种基于优化生成对抗网络地震数据超分辨率重建方法
CN112415583A (zh) * 2020-11-06 2021-02-26 中国科学院精密测量科学与技术创新研究院 地震数据的重建方法、装置、电子设备及可读存储介质
CN112926232A (zh) * 2020-12-10 2021-06-08 中国石油大学(华东) 一种基于分层融合的地震低频分量恢复方法
CN112925012A (zh) * 2021-01-26 2021-06-08 中国矿业大学(北京) 地震全波形反演方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨冠雨等: "基于深度卷积神经网络的地震数据重建", 《地球物理学进展》 *
杨冠雨等: "基于深度卷积神经网络的地震数据重建", 《地球物理学进展》, vol. 35, no. 4, 31 December 2020 (2020-12-31), pages 1497 - 1506 *

Also Published As

Publication number Publication date
CN113945974B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN107103903B (zh) 基于人工智能的声学模型训练方法、装置及存储介质
CN112925012B (zh) 地震全波形反演方法及装置
CN110120224A (zh) 鸟声识别模型的构建方法、装置、计算机设备及存储介质
CN111682530B (zh) 一种配电网电压越限概率的确定方法、装置、设备及介质
Kim Design Loads Generator: Estimation of Extreme Environmental Loadings for Ship and Offshore Applications.
Waezi et al. Stochastic non-stationary model for ground motion simulation based on higher-order crossing of linear time variant systems
CN111160049B (zh) 文本翻译方法、装置、机器翻译系统和存储介质
CN111428869A (zh) 模型生成的方法、装置、计算机设备和存储介质
CN113341459B (zh) 基于机器学习和动力学计算融合的地震定位方法与设备
CN113945974B (zh) 一种地震数据重建方法、装置、设备及介质
Blanchart et al. EPIS: a grid platform to ease and optimize multi-agent simulators running
CN113094899A (zh) 一种随机潮流计算方法、装置、电子设备及存储介质
CN112580885A (zh) 一种配件合格率的预测方法、装置、设备及存储介质
CN114863645B (zh) 一种地质灾害监测预警方法及系统
CN115527626A (zh) 分子处理方法、装置、电子设备、存储介质及程序产品
CN113076678B (zh) 一种频率域二度体重力异常快速数值模拟方法和装置
CN110738318B (zh) 网络结构运行时间评估及评估模型生成方法、系统和装置
CN113537354A (zh) 一种基于深度学习的含水层结构阶段式随机反演识别方法
CN112199765A (zh) 混凝土大坝的分区方法、装置、电子设备及可读介质
CN111476408A (zh) 一种电力通信设备状态预测方法及系统
CN115222054B (zh) 量子噪声模型的训练方法、量子测量错误抑制方法及装置
CN105956707A (zh) 一种油藏监测系统的优化方法
CN117686785A (zh) 一种改进bp神经网络的电能计量方法及系统
CN112148285A (zh) 一种界面设计方法、装置、电子设备及存储介质
CN116196014A (zh) 一种运动意图的评估方法、装置和电子设备

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