CN113947032B - 基于神经网络和动态时间规整的地震层位拾取方法及装置 - Google Patents
基于神经网络和动态时间规整的地震层位拾取方法及装置 Download PDFInfo
- Publication number
- CN113947032B CN113947032B CN202111361184.0A CN202111361184A CN113947032B CN 113947032 B CN113947032 B CN 113947032B CN 202111361184 A CN202111361184 A CN 202111361184A CN 113947032 B CN113947032 B CN 113947032B
- Authority
- CN
- China
- Prior art keywords
- data
- horizon
- dimensional
- seismic
- target
- 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 96
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 9
- 238000003908 quality control method Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008021 deposition Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geology (AREA)
- Geophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本说明书涉及地震勘探采集、处理与解释技术领域,具体地公开了一种基于神经网络和动态时间规整的地震层位拾取方法及装置,其中,该方法包括:获取多个二维地震剖面数据以及多个二维标签数据;将多个二维地震剖面数据以及多个二维标签数据输入至预设的数据与模型联合驱动模型中;调取神经网络子模型,以利用多个二维地震剖面数据与多个二维标签数据之间的非线性映射关系生成二维层位概率图;调取动态时间规整子模型对神经网络子模型输出的二维层位概率图进行局部修正,以提取出目标层位,得到二维层位数据;对数据与模型联合驱动模型进行多次分批式迭代训练,得到训练好的数据与模型联合驱动模型。上述方案可以提高层位拾取的准确性和效率。
Description
技术领域
本说明书涉及地震勘探采集、处理与解释技术领域,特别涉及一种基于神经网络和动态时间规整的地震层位拾取方法及装置。
背景技术
层位拾取是地震解释工作中基础且重要的一步。依据不同的层位拾取技术可以从地震剖面上拾取到多个地震层位,其中重点关注的几个地震层位称为目标层位。这些目标层位是研究的油气储层段的上下界面,或反映特殊的地质时期分界面(如陆相沉积过渡到海相沉积)。因此,刻画目标层位具有重要的油气地质勘探开发价值与意义。层位追踪的结果可以用来确定钻井的位置、判断油气储存的分布。近几年来,随着简单构造油气藏的开发殆尽,复杂油气藏的开采逐渐得到人们的关注。然而,采集处理的复杂油气藏地震数据往往存在分辨率较低、噪声较强、波形横向变化大等问题,这给层位拾取工作带来了较大的难度。
地震层位拾取技术发展至今,大致可分为手动拾取和自动拾取两类。手动拾取是解释人员依靠地质和地球物理知识及工作经验,在目标层位位置稀疏地解释有限数量的纵横测线剖面,再依据地震波形的相似性采用纯数学插值的方法追踪其他剖面上的层位线,从而得到三维的目标层系层位曲面。然而,手工拾取方法极大地依赖解释人员的主观经验。并且,当拾取层位线比较粗糙时,层位结果往往精度较低,容易忽略重要的地质异常体;当拾取层位线较精细时,会极大的耗费人力物力,降低拾取效率。因此,为了达到更准确、更高效的拾取目的,研究人员设计出各种层位自动拾取方法。
目前层位自动拾取方法主要可以分为三类:基于相关的层位自动拾取方法、基于神经网络的层位自动拾取方法以及基于像元的层位自动拾取方法。基于相关的层位自动拾取方法是利用地震道波形特征,寻找一致的波峰、波谷或零值点;基于神经网络的层位自动拾取方法是利用深度神经网络以及计算机强大的算力,通过学习大量的样本提取层位特征属性从而达到对层位进行自动拾取的目的;而像元追踪是通过引入图像处理领域中的像元概念,将地震记录点看成像元,通过比较目标窗口内的像元之间的相似性,将相似性达到最高的像元点作为追踪目标。
然而,目标层位自动拾取方法存在诸多问题,如对数据要求较高、受到很多假设条件的限制、可解释性不强、数据不能多样化、需要较多样本才能达到拾取目的等。而且,这些方法获得的层位拾取结果往往非常粗糙,容易错误地将目标层位附近区域以外的其他位置判定为目标层位,最终导致目标层位拾取结果破碎杂乱且存在诸多非目标层位假象。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本说明书实施例提供了一种基于神经网络和动态时间规整的地震层位拾取方法及装置,以解决现有技术中目标层位拾取方法的效率和精度较低的问题。
本说明书实施例将地震目标层位拾取问题转换为多分类地震图像分割问题,并考虑到传统数据驱动类层位拾取模型难以获得准确的目标层位拾取结果,提供了一种基于神经网络和动态时间规整的地震层位拾取方法,包括:获取多个二维地震剖面数据以及多个二维标签数据,其中,所述多个二维标签数据与所述多个二维地震剖面数据一一对应;将所述多个二维地震剖面数据以及所述多个二维标签数据输入至预设的数据与模型联合驱动模型中,其中,所述数据与模型联合驱动模型包括神经网络子模型和动态时间规整子模型;调取所述神经网络子模型,以利用所述多个二维地震剖面数据与所述多个二维标签数据之间的非线性映射关系生成所述多个二维地震剖面数据中各二维地震剖面数据对应的二维层位概率图;调取所述动态时间规整子模型对所述神经网络子模型输出的所述各二维地震剖面数据对应的二维层位概率图进行局部修正,以从所述各二维地震剖面数据对应的二维层位概率图中提取出目标层位,得到所述各二维地震剖面数据对应的二维层位数据;基于所述二维层位数据与所述二维标签数据对所述数据与模型联合驱动模型进行多次分批式迭代训练,得到训练好的数据与模型联合驱动模型,其中,所述数据与模型联合驱动模型用于拾取目标地震层位。
在一个实施例中,在得到训练好的数据与模型联合驱动模型之后,还包括:将目标地震数据体中的多个二维目标地震剖面数据输入至所述训练好的数据与模型联合驱动模型中,得到所述多个二维目标地震剖面数据中各二维目标地震剖面数据对应的二维目标层位数据;基于所述各二维目标地震剖面数据对应的二维目标层位数据,生成所述目标地震数据体对应的三维层位数据。
在一个实施例中,在基于所述各二维目标地震剖面数据对应的二维目标层位数据,生成所述目标地震数据体对应的三维目标层位数据之后,还包括:根据所述三维层位数据,确定所述目标地震数据体对应的沿层地震属性数据,其中,所述沿层地震属性包括以下至少之一:沿着目标层位的均方根振幅属性、沿着目标层位的地质导向相干属性、地震层位等T0图、对目标层位周围区域拉平图以及多个方向中各方向上的目标层位是否闭合;判断所述沿层地震属性数据是否满足预设条件;在判断出所述沿层地震属性数据满足预设条件的情况下,将所述三维层位数据作为所述目标地震数据体对应的目标层位数据。
在一个实施例中,在判断所述沿层地震属性数据是否满足预设条件之后,还包括:在判断出所述沿层地震属性数据不满足预设条件的情况下,重新获取多个二维地震剖面数据以及多个二维标签数据并调整所述神经网络子模型中的模型参数,并进行多次分批式迭代训练,得到新训练好的数据与模型联合驱动模型,直至基于新训练好的数据与模型联合驱动模型得到的沿层地震属性数据满足预设条件。
在一个实施例中,所述数据与模型联合驱动模型用于同时拾取出多套目标地震层位。
在一个实施例中,所述数据与模型联合驱动模型在训练的过程中采用的损失函数为:
其中,Focal Loss为所述损失函数,DTW(Net(x,w))是经过数据与模型双驱动层位拾取系统后输出表征层位的概率图,x为原始地震剖面,w表示深度神经网络内部参数;y表示层位标签数据类别;γ称为调制系数;α用于控制正负样本对在总损失的共享权重。
本说明书实施例还提供了一种基于神经网络和动态时间规整的地震层位拾取装置,包括:获取模块,用于获取多个二维地震剖面数据以及多个二维标签数据,其中,所述多个二维标签数据与所述多个二维地震剖面数据一一对应;输入模块,用于将所述多个二维地震剖面数据以及所述多个二维标签数据输入至预设的数据与模型联合驱动模型中,其中,所述数据与模型联合驱动模型包括神经网络子模型和动态时间规整子模型;生成模块,用于调取所述神经网络子模型,以利用所述多个二维地震剖面数据与所述多个二维标签数据之间的非线性映射关系生成所述多个二维地震剖面数据中各二维地震剖面数据对应的二维层位概率图;提取模块,用于调取所述动态时间规整子模型对所述神经网络子模型输出的所述各二维地震剖面数据对应的二维层位概率图进行局部修正,以从所述各二维地震剖面数据对应的二维层位概率图中提取出目标层位,得到所述各二维地震剖面数据对应的二维层位数据;迭代模块,用于基于所述二维层位数据与所述二维标签数据对所述数据与模型联合驱动模型进行多次分批式迭代训练,得到训练好的数据与模型联合驱动模型,其中,所述数据与模型联合驱动模型用于拾取目标地震层位。
本说明书实施例还提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现上述任意实施例中所述的基于神经网络和动态时间规整的地震层位拾取方法的步骤。
在本说明书实施例中,提供了一种基于神经网络和动态时间规整的地震层位拾取方法,可以获取多个二维地震剖面数据以及对应的多个二维标签数据,可以将多个二维地震剖面数据以及多个二维标签数据输入至预设的数据与模型联合驱动模型中,调取数据与模型联合驱动模型中的神经网络子模型,以利用多个二维地震剖面数据与多个二维标签数据之间的非线性映射关系生成二维层位概率图,之后,可以调取数据与模型联合驱动模型中的动态时间规整子模型对神经网络子模型输出的二维层位概率图进行局部修正,以提取出目标层位,得到二维层位数据,可以对数据与模型联合驱动模型进行多次分批式迭代训练,得到训练好的数据与模型联合驱动模型,数据与模型联合驱动模型可以用于拾取目标地震层位。上述方案中,提出了一种基于神经网络和动态时间规整的地震层位拾取方法,可以通过神经网络子模型对地震层位进行拾取,拾取的结果比较粗糙,为了提高拾取精度,可以将DTW(Dynamic Time Warping,动态时间规整)模型与人工智能模型相结合,通过DTW将人工智能模型的初步层位拾取结果进行局部修正、精细刻画,DTW可以利用相位、地层倾角等信息确定层位细节及整体趋势,拾取出目标层位而忽略掉神经网络的初步层位拾取结果中的非目标层位信息,因而可以提高目标层位拾取结果的准确性、合理性与可靠程度,还可以提高目标层位拾取的效率。通过上述方案解决了现有技术中目标层位拾取方法的效率和精度较低的问题,达到了有效提升层位拾取精度和效率的技术效果。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,并不构成对本说明书的限定。在附图中:
图1示出了本说明书一实施例中的基于神经网络和动态时间规整的地震层位拾取方法的流程图;
图2示出了数据与模型联合驱动的多层位高效同时拾取的整体流程图;
图3示出了三维物理模型数据;
图4示出了仅利用人工智能数据驱动模型解译得到的Inline(主测线)500剖面对应层位拾取概率图(左图),数据与模型双驱动多层位拾取新系统解译得到的Inline500剖面对应层位概率图(中图),将数据与模型联合驱动系统获得的拾取层位线投影到Inline500地震剖面上(右图);
图5示出了将图4中的Inline500剖面层位附近区域沿人工拾取层位线拉平(左图);将Inline500剖面层位附近区域沿数据与模型联合驱动新系统拾取层位线拉平(右图);
图6中的左图为人工拾取层位对应的均方根振幅切片,右图为数据与模型联合驱动新系统拾取层位对应的均方根振幅切片;
图7中的左图和右图分别是人工拾取层位对应的地震层位等T0图和数据与模型联合驱动新系统拾取层位对应的地震层位等T0图;
图8示出了人工解释层位对应的地质导向相位切片(左图)及数据与模型联合驱动新系统拾取层位对应的地质导向相位切片(右图);
图9示出了数据与模型联合驱动新系统拾取的层位闭合情况,随机抽取Inline和Crossline(联络测线)方向地震剖面上的层位线;
图10示出了我国西部某工区三维叠后地震数据;
图11示出了人工拾取层位T1对应的地质导向相位属性切片(左图),数据与模型联合驱动新系统拾取层位T1对应的地质导向相位属性切片(右图);
图12示出了人工拾取层位T2地震层位均方根振幅切片(左图),数据与模型联合驱动新系统拾取层位T2地震层位均方根振幅切片(右图);
图13示出了本说明书实施例的基于神经网络和动态时间规整的地震层位拾取装置的一种结构框图;
图14示出了本说明书实施例的一种计算机设备。
具体实施方式
下面将参考若干示例性实施方式来描述本说明书的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本说明书,而并非以任何方式限制本说明书的范围。相反,提供这些实施方式是为了使本说明书公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域的技术人员知道,本说明书的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此,本说明书公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
在地震勘探解释过程中,准确拾取的层位是构造分析、反演、时深转换和地震属性分析等工作的重要依据和保证。随着油田勘探开发的不断深入,对层位拾取精度的要求逐渐提高,现存的层位拾取方法往往存在强烈地依赖于地震资料的品质,并且当地震波形比较复杂、存在较大断层和分叉时,会出现层位拾取偏差过大、目标层位容易混杂在大量的非目标层位之中导致其无法有效提取等问题。因此,有必要提出一种新的拾取技术节省人力作业成本,降低非目标层位的影响,实现目标层位的精确定位和高效提取。目标层位能为反演提供基础的地层几何格架信息,准确的目标层位拾取对于提高建立地震反演初始参数模型的精度及后续储层预测工作都具有重要意义。
基于此,本说明书实施例提供了一种基于神经网络和动态时间规整的地震层位拾取方法。图1示出了本说明书一实施例中基于神经网络和动态时间规整的地震层位拾取方法的流程图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例描述及附图所示的执行顺序或模块结构。所述的基于神经网络和动态时间规整的地震层位拾取方法或模块结构的在实际中的装置或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构连接进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至分布式处理环境)。
具体地,如图1所示,本说明书一中实施例提供的基于神经网络和动态时间规整的地震层位拾取方法可以包括以下步骤:
步骤S101,获取多个二维地震剖面数据以及多个二维标签数据,其中,所述多个二维标签数据与所述多个二维地震剖面数据一一对应。
本说明书实施例中的方法可以应用于处理器、计算机设备或者运行在计算机设备中的软件。具体地,可以获取多个二维地震剖面数据以及多个二维标签数据。多个二维地震剖面数据与多个二维标签数据是一一对应的。多个二维地震剖面数据以及多个二维标签数据可以称之为训练集。训练集中的二维地震剖面数据可以是待拾取层位的目标储层对应的目标地震数据体中的少量的二维地震剖面数据,也可以是与目标储层构造相近或者邻近目标储层对应的地震数据体中的二维地震剖面数据。二维标签数据可以是通过人工精细解释的层位标签,也可以是通过其他方法拾取的层位标签。每一个二维地震剖面数据均可以对应一个等大的二位层位标签。
步骤S102,将所述多个二维地震剖面数据以及所述多个二维标签数据输入至预设的数据与模型联合驱动模型中,其中,所述数据与模型联合驱动模型包括神经网络子模型和动态时间规整子模型。
步骤S103,调取所述神经网络子模型,以利用所述多个二维地震剖面数据与所述多个二维标签数据之间的非线性映射关系生成所述多个二维地震剖面数据中各二维地震剖面数据对应的二维层位概率图。
步骤S104,调取所述动态时间规整子模型对所述神经网络子模型输出的所述各二维地震剖面数据对应的二维层位概率图进行局部修正,以从所述各二维地震剖面数据对应的二维层位概率图中提取出目标层位,得到所述各二维地震剖面数据对应的二维层位数据。
步骤S105,基于所述二维层位数据与所述二维标签数据对所述数据与模型联合驱动模型进行多次分批式迭代训练,得到训练好的数据与模型联合驱动模型,其中,所述数据与模型联合驱动模型用于拾取目标地震层位。
具体的,可以将多个二维地震剖面数据以及所述多个二维标签数据输入至预设的数据与模型联合驱动模型中。所述数据与模型联合驱动模型包括神经网络子模型和动态时间规整子模型。所述动态时间规整子模型用于对神经网络子模型拾取的层位标签数据进行局部修正。即,神经网络子模型用于对目标地震数据体进行层位拾取,并将拾取的层位结果输入至动态时间规整子模型中进行局部修正。
在一个实施例中,通过减少一定的网络深度或模型的复杂度对原始U-Net网络模型进行了适应于层位拾取场景的改进,可以得到数据与模型联合驱动模型中的神经网络子模型。在传统的u-net神经网络的基础上,减小网络深度得到简化后的U型神经网络作为本说明书实施例中的神经网络子模型。
所述神经网络子模型可以根据二维地震剖面数据与层位标签数据之间的非线性映射关系解译得到粗糙的、动态范围大的、包含较多非目标层位的层位拾取概率图。
其中,层位拾取概率图中的各个位置的概率值与该位置的层位拾取概率相对应,值越接近层位标签值则被认为是层位的可能性越大。例如,对于目标地震数据体仅存在一个目标层位的情况下,标签的值在1到0范围内。值越接近1表示被认为该位置越可能为层位,值越接近0表示该位置被认为越不可能属于层位。
所述动态时间规整子模型可以用于对神经网络模型拾取的初步层位拾取结果进行局部修正、精细刻画,从而确定层位细节及整体趋势,忽略掉初步层位拾取结果中的非目标层位信息,拾取出目标层位。通过上述方式,可以发挥神经网络快速建模识别地震层位模式和动态时间规整子模型能精确定位目标层位来约束神经网络拾取的层位准确且合理的各自优势,实现快速高效、优质精准的目标层位自动追踪与拾取。
通过神经网络子模型可以得到目标碳酸盐岩储层的较为粗糙的层位拾取结果,容易产生较多非层位假象。为了缓解数据驱动智能层位拾取的问题,可以构建动态时间规整子模型与人工智能模型相结合的多套目标层位高效拾取混合模型。通过采用动态时间规整子模型将人工智能模型的初步层位拾取结果进行局部修正、精细刻画,动态时间规整子模型利用相位、地层倾角等信息确定层位细节及整体趋势,拾取出目标层位而忽略掉初步层位拾取结果中的非目标层位信息。
随后输出的二维层位数据与层位标签数据采用损失函数计算层位估计损失,以此更新数据与模型双驱动层位拾取混合模型的参数并进入下一次迭代周期。通过多次迭代上述过程,最终拾取系统就可以得到精细的多层系层位拾取结果。
上述实施例中的方案中,提出了一种基于神经网络和动态时间规整的地震层位拾取方法,可以通过神经网络子模型对地震层位进行拾取,拾取的结果比较粗糙,为了提高拾取精度,可以将DTW模型与人工智能模型相结合,通过DTW将人工智能模型的初步层位拾取结果进行局部修正、精细刻画,DTW可以利用相位、地层倾角等信息确定层位细节及整体趋势,拾取出目标层位而忽略掉神经网络的初步层位拾取结果中的非目标层位信息,因而可以提高目标层位拾取结果的准确性、合理性与可靠程度,还可以提高目标层位拾取的效率。
在本说明书一些实施例中,在得到训练好的数据与模型联合驱动模型之后,还可以包括:将目标地震数据体中的多个二维目标地震剖面数据输入至所述训练好的数据与模型联合驱动模型中,得到所述多个二维目标地震剖面数据中各二维目标地震剖面数据对应的二维目标层位数据;基于所述各二维目标地震剖面数据对应的二维目标层位数据,生成所述目标地震数据体对应的三维层位数据。
具体的,在通过多次分批式迭代训练得到的数据与模型联合驱动模型之后,可以利用该数据与模型联合驱动模型对目标储层进行层位拾取。在上述训练过程中获取的多个二维地震剖面数据可以是目标储层对应的目标地震数据体中的少量的二维地震剖面数据,也可以是与目标地震数据体对应的目标储层构造相近或者邻近目标储层对应的地震数据体中的二维地震剖面数据。示例性地,可以从目标地震数据体中等间隔抽取一定数量的二维目标地震剖面数据并进行精细层位拾取作为上述迭代训练过程中的多个二维地震剖面数据和多个二维标签数据。
在得到训练好的模型之后,可以将目标地震数据体中的多个或者所有二维目标地震剖面数据输入至训练好的数据与模型联合驱动模型中,得到各二维目标地震剖面数据对应的二位目标层位数据。之后,可以基于各二维目标地震剖面数据对应的二维目标层位数据,生成目标地震数据体对应的三维层位数据。通过基于神经网络和动态时间规整的数据与模型联合驱动模型来拾取层位,可以提高目标层位拾取结果的准确性、合理性与可靠程度,还可以提高目标层位拾取的效率。
在本说明书一些实施例中,在基于所述各二维目标地震剖面数据对应的二维目标层位数据,生成所述目标地震数据体对应的三维目标层位数据之后,还可以包括:根据所述三维层位数据,确定所述目标地震数据体对应的沿层地震属性数据,其中,所述沿层地震属性包括以下至少之一:沿着目标层位的均方根振幅属性、沿着目标层位的地质导向相干属性、地震层位等T0图、对目标层位周围区域拉平图以及多个方向中各方向上的目标层位是否闭合;判断所述沿层地震属性数据是否满足预设条件;在判断出所述沿层地震属性数据满足预设条件的情况下,将所述三维层位数据作为所述目标地震数据体对应的目标层位数据。
在基于数据与模型联合驱动模型得到三维层位数据之后,可以通过多种质控手段来检验层位拾取的准确性和可靠性。具体的,可以根据三维层位数据,确定目标地震数据体对应的沿层地震属性数据。其中,沿层地震属性数据可以包括以下至少一种:沿着目标层位的均方根振幅属性、沿着目标层位的地质导向相干属性、地震层位等T0图、对目标层位周围区域拉平图以及多个方向中各个方向上的目标层位是否闭合等属性。可以判断沿层地震属性数据是否满足预设条件。例如,可以将通过本说明书实施例中提出的数据与模型联合驱动模型得到的沿层地震属性数据与通过人工拾取方法得到的沿层地震属性数据进行比较,来确定上述三维层位数据是否满足预设条件。
例如,在本说明书中方案得到的沿着目标层位的均方根振幅切片与人工拾取层位时得到的均方根振幅切片相比时,若本方案对层位刻画的地质细节更清晰或接近,则可以判断满足预设条件。例如,本方案得到的沿着目标层位的地质导向相位属性切片与人工拾取层位后得到的地质导向相位属性切片相比时,若本方案对层位刻画的地质细节更清晰,则可以判断满足预设条件。又例如,本方案得到的地震层位等T0图与人工拾取层位时得到的地震层位等T0图相比时,若本方案对于裂缝这种尺度较小的构能够更明显地显示出来,则可以判断满足预设条件。再例如,本方案对目标层位周围区域拉平图与人工拾取得到的目标层位周围区域拉平图相比时,若本方案对于目标层位周围区域的拉平效果更好,则可以判断满足预设条件。又例如,本方案得到的目标层位沿着各个方向均闭合的情况下,则可以判断满足预设条件。
在一个实施例中,在沿层地震属性数据满足上述所有条件的情况下,才判断本方案得到的三维层位数据为目标地震数据体最终的目标层位数据。在实际应用中,可以采用上述质控手段中的一种或多种来控制本方案的层位拾取的可靠性。上述实施例中,通过多种沿层地震属性数据反复检验目标层位拾取结果的准确性、合理性与可靠程度,直到预测的目标层位满足已有的地球物理认识和地质沉积规律。
在本说明书一些实施例中,在判断所述沿层地震属性数据是否满足预设条件之后,还可以包括:在判断出所述沿层地震属性数据不满足预设条件的情况下,重新获取多个二维地震剖面数据以及多个二维标签数据并调整所述神经网络子模型中的模型参数,并进行多次分批式迭代训练,得到新训练好的数据与模型联合驱动模型,直至基于新训练好的数据与模型联合驱动模型得到的沿层地震属性数据满足预设条件。
具体地,在沿层地震属性不满足预设条件的情况下,需要重新获取训练集并调整神经网络子模型的模型参数,重新进行多次分批式迭代训练,得到新训练好的数据与模型联合驱动模型。利用新训练好的数据与模型联合驱动模型对目标储层对应的目标地震数据体进行层位拾取,得到新训练好的数据与模型联合驱动模型对应的三维层位数据。确定新训练好的数据与模型联合驱动模型对应的三维层位数据对应的沿层地震属性是否满足预设条件,若满足,则得到目标地震数据体对应的目标层位数据,若不满足,则重复上述步骤直至基于新训练好的数据与模型联合驱动模型得到的沿层地震属性数据满足预设条件。上述方案中,在沿层地震属性不满足预设条件的情况下,重新获取数据集并调整神经网络子模型的模型参数,通过数据驱动来改善模型。通过上述方式,可以进一步提高层位拾取的准确性和可靠性。
在本说明书一些实施例中,所述数据与模型联合驱动模型可以用于同时拾取出多套目标地震层位。具体地,在对模型进行训练时,采用的二维标签数据中可以包括三个或三个以上的标签值。对于目标地震数据体存在多个目标层位的情况下,例如2个目标层位的情况下,目标地震层位的值可以取0、1和2,1表示被认为该位置为第一层位,2表示被认为该位置为第二层位,0表示被认为该位置不被认为属于层位。通过上述方式,可以同时拾取出多套目标层位,层位拾取效率大大提高。
在本说明书一些实施例中,所述数据与模型联合驱动模型在训练的过程中采用的损失函数可以为:
其中,Focal Loss为所述损失函数,DTW(Net(x,w))是经过数据与模型双驱动层位拾取系统后输出表征层位的概率图,x为原始地震剖面,w表示深度神经网络内部参数;y表示层位标签数据类别;γ称为调制系数;α用于控制正负样本对在总损失的共享权重。
具体地,考虑到层位拾取样本标签的不均衡性等问题,建立以Focal Loss目标函数作为新的混合模型的目标函数,分批式迭代优化混合模型使得经过DTW校正后的目标层位拾取结果与期望的目标层位不断靠近。假如类别1(y=1)比类别2(y=0)的样本数少很多,则需要设置α较小。一般而言,α取0~0.5,本实施例中α取0.4。通过上述方式,可以缓解层位拾取过程中正负样本比例不均衡的问题,提高训练的准确度,进而提高层位拾取的精度。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。具体的可以参照前述相关处理相关实施例的描述,在此不做一一赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
下面结合一个具体实施例对上述方法进行说明,然而,值得注意的是,该具体实施例仅是为了更好地说明本说明书,并不构成对本说明书的不当限定。
本发明提出了一种数据与模型联合驱动多层系层位高效同时拾取融合系统及装置。首先,通过减少一定的网络深度或模型的复杂度对原始U-Net网络模型进行了适应于层位拾取场景的改进。然而受到地质沉积特征影响,人工智能数据驱动模型拾取的结果比较粗糙并容易产生较多非层位假象。那么为了缓解数据驱动智能层位拾取的问题,本发明构建动态时间规整模型与人工智能模型相结合的多套目标层位高效拾取混合模型。该系统采用DTW将人工智能模型的初步层位拾取结果进行局部修正、精细刻画,DTW利用相位、地层倾角等信息确定层位细节及整体趋势,拾取出目标层位而忽略掉初步层位拾取结果中的非目标层位信息。考虑到层位拾取样本标签的不均衡性等问题,建立以Focal Loss目标函数作为新的混合模型的目标函数,分批式迭代优化混合模型使得经过DTW校正后的目标层位拾取结果与期望的目标层位不断靠近。最后,利用多种沿层地震属性,如绘制地震层位等T0图、将层位区域沿层位拉平、计算均方根振幅、地质导向相位属性以及层位闭合等方法作为多套目标层位高效拾取系统的质控标准评价拾取结果,通过多种地震属性反复检验目标层位拾取结果的准确性、合理性与可靠程度,直到预测的多套目标层位满足已有的地球物理认识和地质沉积规律。
请参考图2,示出了本发明的技术方案。如图2所示,预处理指观察地震剖面是否能够清晰的体现层位、断层、裂缝等明显的地质特征,如果不能的话应考虑对数据去噪从而提高数据信噪比。精细解释部分剖面是人工先解释极少量剖面上的层位,提高智能拾取层位整体准确性。继而将制作的训练集输入数据与模型联合驱动的多套层位同时拾取模型中,并输出较精细层位。利用层位拾取准确器与合理性质量控制器可以检查智能拾取层位是否准确合理,若满足所有条件则可直接输出层位;若不满足,调整模型直至得到满意层位输出结果。
其中,将人工智能数据驱动层位拾取模型与动态时间规整模型结合建立数据与模型双驱动层位拾取新系统新装置,为了避免目标层位样本不均衡问题,选择Focal Loss作为新模型的评价函数,利用地震数据与有限的多个层位标签数据之间的非线性映射关系获得有一定动态范围的层位信息,并同时开展动态时间规整模型精细定位刻画出目标层位时间信息,通过多次分批式迭代训练使得新模型同时预测出精细的多套目标层位。并以均方根振幅属性、绘制地震层位等T0图、对层位附近区域拉平、地质导向相位属性、层位闭合等多种质量控制手段作为评判准则,提出一套数据与模型联合驱动的多层位高效同时拾取融合系统及装置。因此,利用数据与模型驱动各自的优势,建立联合驱动新模型实现多层位精细拾取新装置并结合多种评判方法作为层位拾取结果的质控标准,保障拾取层位的高精度和高效率是本发明的关键。
层位拾取问题追踪地震波同相轴波形一致的位置,最初由人工完成这一工作,但人工拾取方法费时费力,并带有拾取人员较高的主观意识;为了解决人工拾取方法存在的问题,后来逐渐发展了各种自动拾取方法,自动拾取方法虽然极大的减少了人工成本,但拾取结果往往没有准确追踪同相轴,特别是在断层或信噪比较低区域容易产生较大的误差。
本实施例中的方法将层位拾取问题转换为语义分割问题,以深度神经网络为骨架搭建针对性模型,以DTW算法为核心精细定位目标层位,实现了更准确有效地提取目标层位的反射特征。
拾取时,首先利用人工精细解释的层位数据生成与抽取地震剖面等大的层位语义标签。然后将样本和标签输入到数据与模型双驱动多层系层位同时拾取系统,数据与模型双驱动层位拾取系统包括人工智能数据驱动模型与动态时间规整模型两部分。这两部分同步进行,相互正向促进和改善,完成高质量的多层系层位同时拾取。
深度神经网络能够端到端、图像到图像、像素到像素地进行学习。在不同次迭代周期内,深度神经网络能根据地震数据基本识别出层位特征,然而由于受限于地震数据地层的相似性,此时人工智能模型解译地震数据得到的是一个比较粗糙的、包含较多非目标层位的概率图。为了精细刻画目标层位,将人工智能数据驱动模型每次迭代获得的层位拾取概率图进一步输入到动态时间规整模型(DTW)。动态时间规整最初用于解决语音识别问题,通过扭曲两个不同长度的时间序列,使两个时间序列的形态尽可能的一致。进行目标层位拾取时,DTW依据地震记录道同相轴之间的相似性,利用人工智能数据驱动模型解译得到的层位拾取概率图计算不同共深度点位置的两个地震信号的逐点时间差序列进行相似性分析,然后利用误差累积和误差回溯寻找两个地震信号间累积距离最小的位移序列,找到道与道之间同一目标层位所对应的数据点并提取出精细的目标层位。最终获得多个局部位移序列与多层序层位的位置能较好对应,以完成从包含众多地震层位的概率图中拾取出较精确的目标层位。随后拾取结果与真实目标层位采用Focal Loss函数计算层位估计损失,以此更新数据与模型双驱动层位拾取混合模型的参数并进入下一次迭代周期。通过多次迭代上述过程,最终拾取系统就可以得到精细的多层系层位拾取结果。
传统的层位拾取多分类问题一般使用交叉熵损失函数,虽然整体的准确率很好,但是对于少数派类别,由于在训练过程中准确性可能较低,可能导致准确率很差。因此为了缓解层位拾取过程中正负样本比例不均衡,本发明的数据与模型双驱动层位拾取装置使用改进的Focal Loss作为新模型的函数:
其中,DTW(Net(x,w))是经过数据与模型双驱动层位拾取系统后输出表征层位的概率图,x为原始地震剖面,w表示深度神经网络内部参数;y表示层位标签数据类别;γ称为调制系数,在这里γ取2;α控制正负样本对在总损失的共享权重。假如类别1(y=1)比类别2(y=0)的样本数少很多,则需要设置α较小。一般而言,α取0~0.5,本发明α取0.4。
以往的基于人工智能的层位自动拾取装置由于需要自动读取大范围的时空敏感地震属性来解译层位,因此普遍费时费力,拾取结果精度较低。此外,这类纯数据驱动的层位自动拾取装置可解释性较差,需要花费大量时间制作层位标签数据,并且由于深度神经网络模型主要根据地震同相轴波形特征识别层位,因此容易受非层位位置影响,将非层位位置错误的判定为层位,造成一定拾取结果的误差。因此,有必要发明一种既准确高效拾取目标层位同时又不错误追踪其他非目标层位的系统与装置,有效缓解上述问题的同时,还能获得较为准确的目标层位拾取结果,以利于后续的确定钻井位置、判断油气储层分布等工作。
本说明书实施例给出了一种模型数据联合驱动多层位高效同时拾取融合系统及装置。由于分别利用了数据驱动模型善于解译大范围地震属性而模型驱动模型善于解译局部范围地震属性,因此在很大程度上提高了拾取层位的精度以及效率。通过改进的深度神经网络和DTW建立数据与模型联合驱动融合模型实现层位的智能拾取,并结合Focal Loss损失函数有效解决了样本类别不均衡的问题;同时为了判断拾取结果好坏,我们进一步使用均方根振幅属性、绘制地震层位等T0图、对层位附近区域拉平等多种手段联合质控作为判断层位准确性的综合评判准则,极大提高了拾取结果的精度。
与单一根据层位是否准确追踪同相轴波峰、波谷或零值点来判断拾取结果好坏的方法不同,本发明通过多种质控方式检查地震层位拾取结果:1、假设地震层位统一追踪地震波同相轴的波峰位置,理想情况下将层位附近区域沿层位线拉平后会得到波形水平的地震剖面。2、均方根振幅是对时窗内振幅的平方和取平均再开方的结果,它对振幅变化比较敏感,能够刻画地震振幅差异。3、地震层位等T0图,这种方法能够全面、真实地、直观地反应地震层位及其起伏变化。4、地质导向相位属性对地下微小构造敏感,在识别地下弱、隐藏以及深层信号有较大优势。5、Inline测线和Crossline测线剖面上的层位线应相交于一个坐标点。通过检查本发明系统自动层位拾取结果是否同时满足上述质控条件来进一步改进目标层位拾取效果。
本说明书实施例中的方法给出了一套高效率、高精度的模型数据联合驱动多层位高效同时拾取方法,缓解传统人工智能数据驱动模型根据大量标签建立的地震数据与层位标签数据之间的非线性映射关系只能解译得到粗糙的、动态范围大的层位拾取概率图;同时避免动态时间规整模型直接从地震剖面拾取目标层位存在的效率低、抗噪性差等问题。该技术发挥人工智能快速建模识别地震层位模式和动态时间规整模型能精确定位目标层位来约束神经网络拾取的层位准确且合理的各自优势,实现快速高效、优质精准的目标层位自动追踪与拾取。
结合沿着追踪层位的均方根振幅属性、沿着追踪层位的地质导向相干属性、绘制的地震层位等T0图、对层位附近区域拉平等多种地球物理手段作为综合评判准则质控本发明提出的数据模型联合驱动多层位高效同时拾取系统拾取目标层位的准确性,实现该层位拾取系统动态化和实时化更新多个目标层位拾取结果,为开展人机交互的精细化地震解释和构造建模等提供准确的地震层位信息。
下面给出本实施例中的方法应用的一个具体实施例。请参考图3,图3示出了三维物理模型数据(其中,坐标轴Time为时间,Amplitude为幅度)。数据大小为750Inlines×750Crosslines×400Samples(样本),时间采样间隔为1ms,沿着Crossline方向(西-东)和Inline方向(北-南)道间距12.5m。黑线为人工拾取层位。
图4示出了仅利用人工智能数据驱动模型解译得到的Inline500剖面层位拾取概率图(左图),数据与模型双驱动多层位拾取新系统解译得到的Inline500剖面概率图(中图),Inline500剖面及数据与模型联合驱动系统获得的拾取层位线(右图)。其中,坐标轴Time为时间,Amplitude为幅度。数据与模型联合驱动系统拾取的目标层位用实线表示,人工拾取的目标层位用虚线表示,二者几乎没有差异。
图5中将图4中的Inline500剖面层位附近区域沿人工拾取层位线拉平(左图);将Inline500剖面层位附近区域沿数据与模型联合驱动新系统拾取层位线拉平(右图)。
图6中的左图为人工拾取层位对应的均方根振幅切片,右图为数据与模型联合驱动新系统拾取层位对应的均方根振幅切片。其中,Amplitude为幅度。通过分别对人工拾取层位对应的沿层振幅切片和数据与模型联合驱动新系统拾取层位对应的沿层振幅切片位置上下依次各取5个振幅切片,计算均方根振幅获得。可以看出,数据与模型联合驱动系统拾取层位获得的均方根振幅切片对裂缝、断层边界刻画更清晰,说明数据与模型联合驱动新系统拾取的层位振幅更一致。
图7中的左图和右图分别是人工拾取层位对应的地震层位等T0图和数据与模型联合驱动新系统拾取层位对应的地震层位等T0图。其中,坐标轴Time为时间,Amplitude为幅度。通过对比,两种拾取结果方法都能将断层清晰地显示出来,但对于裂缝这种尺度较小的构造,人工拾取方法获得的层位明显不如数据与模型联合驱动新系统获得的地震层位等T0图明显。
图8为人工解释层位对应的地质导向相位切片(左图)及数据与模型联合驱动新系统拾取层位对应的地质导向相位切片(右图)。
图9为了进一步检查层位拾取结果,随机抽取Crossline和Inline两垂直方向上地震剖面的层位线。结果表明层位线闭合情况良好。其中,坐标轴Time为时间,Amplitude为幅度。在此展示Inline500、Crossline500层位线闭合情况和Inline200、Crossline600层位线闭合情况。在不同方向的地震剖面上拾取的目标层位(即黑线)闭合,说明数据与模型联合驱动新系统拾取的目标层位准确且合理。
图10为我国西部某工区三维叠后地震数据。其中,坐标轴Time为时间,Amplitude为幅度。该数据大小696Crosslines×696Inlines×451Samples,时间采样间隔为2ms。该数据中包含两个目标层位,从上到下分别为T1(河流相层位,发育河流)和T2(海相层位,发育断裂),在图中用黑线表示。
图11为人工拾取层位T1对应的地质导向相位属性切片(左图),数据与模型联合驱动新系统拾取层位T1对应的地质导向相位属性切片(右图)。数据与模型联合驱动新系统拾取的目标层位T1刻画河道边界和内幕更为清晰。
图12为人工拾取层位T2地震层位均方根振幅切片(左图),数据与模型联合驱动新系统拾取层位T2地震层位均方根振幅切片(右图)。其中,Amplitude为幅度。数据与模型联合驱动系统拾取的目标层位T2更清楚地表明T2所在地层含有丰富的剪切断裂。
基于同一发明构思,本说明书实施例中还提供了一种基于神经网络和动态时间规整的地震层位拾取装置,如下面的实施例所述。由于基于神经网络和动态时间规整的地震层位拾取装置解决问题的原理与基于神经网络和动态时间规整的地震层位拾取方法相似,因此基于神经网络和动态时间规整的地震层位拾取装置的实施可以参见基于神经网络和动态时间规整的地震层位拾取方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。图13是本说明书实施例的基于神经网络和动态时间规整的地震层位拾取装置的一种结构框图,如图13所示,包括:获取模块131、输入模块132、生成模块133、提取模块134和迭代模块135,下面对该结构进行说明。
获取模块131用于获取多个二维地震剖面数据以及多个二维标签数据,其中,所述多个二维标签数据与所述多个二维地震剖面数据一一对应。
输入模块132用于将所述多个二维地震剖面数据以及所述多个二维标签数据输入至预设的数据与模型联合驱动模型中,其中,所述数据与模型联合驱动模型包括神经网络子模型和动态时间规整子模型。
生成模块133用于调取所述神经网络子模型,以利用所述多个二维地震剖面数据与所述多个二维标签数据之间的非线性映射关系生成所述多个二维地震剖面数据中各二维地震剖面数据对应的二维层位概率图。
提取模块134用于调取所述动态时间规整子模型对所述神经网络子模型输出的所述各二维地震剖面数据对应的二维层位概率图进行局部修正,以从所述各二维地震剖面数据对应的二维层位概率图中提取出目标层位,得到所述各二维地震剖面数据对应的二维层位数据。
迭代模块135用于基于所述二维层位数据与所述二维标签数据对所述数据与模型联合驱动模型进行多次分批式迭代训练,得到训练好的数据与模型联合驱动模型,其中,所述数据与模型联合驱动模型用于拾取目标地震层位。
在本说明书的一些实施例中,该装置还可以包括拾取模块,所述拾取模块具体用于:将目标地震数据体中的多个二维目标地震剖面数据输入至所述训练好的数据与模型联合驱动模型中,得到所述多个二维目标地震剖面数据中各二维目标地震剖面数据对应的二维目标层位数据;基于所述各二维目标地震剖面数据对应的二维目标层位数据,生成所述目标地震数据体对应的三维层位数据。
在本说明书的一些实施例中,上述拾取模块还可以用于:根据所述三维层位数据,确定所述目标地震数据体对应的沿层地震属性数据,其中,所述沿层地震属性包括以下至少之一:沿着目标层位的均方根振幅属性、沿着目标层位的地质导向相干属性、地震层位等T0图、对目标层位周围区域拉平效果以及多个方向中各方向上的目标层位是否闭合;判断所述沿层地震属性数据是否满足预设条件;在判断出所述沿层地震属性数据满足预设条件的情况下,将所述三维层位数据作为所述目标地震数据体对应的目标层位数据。
在本说明书的一些实施例中,所述拾取模块还可以用于:在判断出所述沿层地震属性数据不满足预设条件的情况下,重新获取多个二维地震剖面数据以及多个二维标签数据并调整所述神经网络子模型中的模型参数,并进行多次分批式迭代训练,得到新训练好的数据与模型联合驱动模型,直至基于新训练好的数据与模型联合驱动模型得到的沿层地震属性数据满足预设条件。
从以上的描述中,可以看出,本说明书实施例实现了如下技术效果:可以通过神经网络子模型对地震层位进行拾取,拾取的结果比较粗糙,为了提高拾取精度,可以将DTW(Dynamic Time Warping,动态时间规整)模型与人工智能模型相结合,通过DTW将人工智能模型的初步层位拾取结果进行局部修正、精细刻画,DTW可以利用相位、地层倾角等信息确定层位细节及整体趋势,拾取出目标层位而忽略掉神经网络的初步层位拾取结果中的非目标层位信息,因而可以提高目标层位拾取结果的准确性、合理性与可靠程度,还可以提高目标层位拾取的效率。通过上述方案解决了现有技术中目标层位拾取方法的效率和精度较低的问题,达到了有效提升层位拾取精度和效率的技术效果。
本说明书实施方式还提供了一种计算机设备,具体可以参阅图14所示的基于本说明书实施例提供的基于神经网络和动态时间规整的地震层位拾取方法的计算机设备组成结构示意图,所述计算机设备具体可以包括输入设备141、处理器142、存储器143。其中,所述存储器143用于存储处理器可执行指令。所述处理器142执行所述指令时实现上述任意实施例中所述的基于神经网络和动态时间规整的地震层位拾取方法的步骤。
在本实施方式中,所述输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。所述输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等;输入设备用于把原始数据和处理这些数的程序输入到计算机中。所述输入设备还可以获取接收其他模块、单元、设备传输过来的数据。所述处理器可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述存储器具体可以是现代信息技术中用于保存信息的记忆设备。所述存储器可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
在本实施方式中,该计算机设备具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
本说明书实施方式中还提供了一种基于神经网络和动态时间规整的地震层位拾取方法的计算机存储介质,所述计算机存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现上述任意实施例中所述基于神经网络和动态时间规整的地震层位拾取方法的步骤。
在本实施方式中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施方式中,该计算机存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
显然,本领域的技术人员应该明白,上述的本说明书实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本说明书实施例不限制于任何特定的硬件和软件结合。
应该理解,以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述,在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此,本说明书的范围不应该参照上述描述来确定,而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。
以上所述仅为本说明书的优选实施例而已,并不用于限制本说明书,对于本领域的技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书的保护范围之内。
Claims (10)
1.一种基于神经网络和动态时间规整的地震层位拾取方法,其特征在于,包括:
获取多个二维地震剖面数据以及多个二维标签数据,其中,所述多个二维标签数据与所述多个二维地震剖面数据一一对应;
将所述多个二维地震剖面数据以及所述多个二维标签数据输入至预设的数据与模型联合驱动模型中,其中,所述数据与模型联合驱动模型包括神经网络子模型和动态时间规整子模型;
调取所述神经网络子模型,以利用所述多个二维地震剖面数据与所述多个二维标签数据之间的非线性映射关系生成所述多个二维地震剖面数据中各二维地震剖面数据对应的二维层位概率图;
调取所述动态时间规整子模型对所述神经网络子模型输出的所述各二维地震剖面数据对应的二维层位概率图进行局部修正,以从所述各二维地震剖面数据对应的二维层位概率图中提取出目标层位,得到所述各二维地震剖面数据对应的二维层位数据;
基于所述二维层位数据与所述二维标签数据对所述数据与模型联合驱动模型进行多次分批式迭代训练,得到训练好的数据与模型联合驱动模型,其中,所述数据与模型联合驱动模型用于拾取目标地震层位。
2.根据权利要求1所述的方法,其特征在于,在得到训练好的数据与模型联合驱动模型之后,还包括:
将目标地震数据体中的多个二维目标地震剖面数据输入至所述训练好的数据与模型联合驱动模型中,得到所述多个二维目标地震剖面数据中各二维目标地震剖面数据对应的二维目标层位数据;
基于所述各二维目标地震剖面数据对应的二维目标层位数据,生成所述目标地震数据体对应的三维层位数据。
3.根据权利要求2所述的方法,其特征在于,在基于所述各二维目标地震剖面数据对应的二维目标层位数据,生成所述目标地震数据体对应的三维目标层位数据之后,还包括:
根据所述三维层位数据,确定所述目标地震数据体对应的沿层地震属性数据,其中,所述沿层地震属性包括以下至少之一:沿着目标层位的均方根振幅属性、沿着目标层位的地质导向相干属性、地震层位等T0图、对目标层位周围区域拉平图以及多个方向中各方向上的目标层位是否闭合;
判断所述沿层地震属性数据是否满足预设条件;
在判断出所述沿层地震属性数据满足预设条件的情况下,将所述三维层位数据作为所述目标地震数据体对应的目标层位数据。
4.根据权利要求3所述的方法,其特征在于,在判断所述沿层地震属性数据是否满足预设条件之后,还包括:
在判断出所述沿层地震属性数据不满足预设条件的情况下,重新获取多个二维地震剖面数据以及多个二维标签数据并调整所述神经网络子模型中的模型参数,并进行多次分批式迭代训练,得到新训练好的数据与模型联合驱动模型,直至基于新训练好的数据与模型联合驱动模型得到的沿层地震属性数据满足预设条件。
5.根据权利要求1所述的方法,其特征在于,所述数据与模型联合驱动模型用于同时拾取出多套目标地震层位。
7.一种基于神经网络和动态时间规整的地震层位拾取装置,其特征在于,包括:
获取模块,用于获取多个二维地震剖面数据以及多个二维标签数据,其中,所述多个二维标签数据与所述多个二维地震剖面数据一一对应;
输入模块,用于将所述多个二维地震剖面数据以及所述多个二维标签数据输入至预设的数据与模型联合驱动模型中,其中,所述数据与模型联合驱动模型包括神经网络子模型和动态时间规整子模型;
生成模块,用于调取所述神经网络子模型,以利用所述多个二维地震剖面数据与所述多个二维标签数据之间的非线性映射关系生成所述多个二维地震剖面数据中各二维地震剖面数据对应的二维层位概率图;
提取模块,用于调取所述动态时间规整子模型对所述神经网络子模型输出的所述各二维地震剖面数据对应的二维层位概率图进行局部修正,以从所述各二维地震剖面数据对应的二维层位概率图中提取出目标层位,得到所述各二维地震剖面数据对应的二维层位数据;
迭代模块,用于基于所述二维层位数据与所述二维标签数据对所述数据与模型联合驱动模型进行多次分批式迭代训练,得到训练好的数据与模型联合驱动模型,其中,所述数据与模型联合驱动模型用于拾取目标地震层位。
8.根据权利要求7所述的装置,其特征在于,还包括拾取模块,所述拾取模块具体用于:
将目标地震数据体中的多个二维目标地震剖面数据输入至所述训练好的数据与模型联合驱动模型中,得到所述多个二维目标地震剖面数据中各二维目标地震剖面数据对应的二维目标层位数据;
基于所述各二维目标地震剖面数据对应的二维目标层位数据,生成所述目标地震数据体对应的三维层位数据。
9.一种计算机设备,其特征在于,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361184.0A CN113947032B (zh) | 2021-11-17 | 2021-11-17 | 基于神经网络和动态时间规整的地震层位拾取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361184.0A CN113947032B (zh) | 2021-11-17 | 2021-11-17 | 基于神经网络和动态时间规整的地震层位拾取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113947032A CN113947032A (zh) | 2022-01-18 |
CN113947032B true CN113947032B (zh) | 2022-08-19 |
Family
ID=79338101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111361184.0A Active CN113947032B (zh) | 2021-11-17 | 2021-11-17 | 基于神经网络和动态时间规整的地震层位拾取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947032B (zh) |
Citations (4)
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 |
CN111815680A (zh) * | 2020-08-20 | 2020-10-23 | 电子科技大学 | 基于恒等快捷映射的深层卷积神经网络自动层位追踪方法 |
CN112130201A (zh) * | 2020-09-27 | 2020-12-25 | 北京中恒利华石油技术研究所 | 一种基于深度学习的三维动态建模层位自动追踪方法 |
CN112433249A (zh) * | 2020-12-08 | 2021-03-02 | 中国石油天然气集团有限公司 | 层位追踪方法及装置、计算机设备及计算机可读存储介质 |
-
2021
- 2021-11-17 CN CN202111361184.0A patent/CN113947032B/zh active Active
Patent Citations (4)
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 |
CN111815680A (zh) * | 2020-08-20 | 2020-10-23 | 电子科技大学 | 基于恒等快捷映射的深层卷积神经网络自动层位追踪方法 |
CN112130201A (zh) * | 2020-09-27 | 2020-12-25 | 北京中恒利华石油技术研究所 | 一种基于深度学习的三维动态建模层位自动追踪方法 |
CN112433249A (zh) * | 2020-12-08 | 2021-03-02 | 中国石油天然气集团有限公司 | 层位追踪方法及装置、计算机设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于深度卷积神经网络的地震相识别技术研究;王树华等;《物探化探计算技术》;20200715(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113947032A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
JP5452587B2 (ja) | 震探ホライゾンスケルトン化 | |
AU2013378058B2 (en) | Detecting subsurface structures | |
WO2011062807A1 (en) | Method for geophysical and geological interpretation of seismic volumes in the domains of depth, time, and age | |
CN113703045B (zh) | 一种基于轻量级网络的地震相识别方法 | |
CN112731522B (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
CN113359212B (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
WO2021165660A1 (en) | A system and method for improved geophysical data interpretation | |
CN111381275A (zh) | 一种地震数据的初至拾取方法和装置 | |
CN114092697A (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
CN115308799B (zh) | 一种地震成像游离气构造识别方法及系统 | |
CN114842180B (zh) | 一种点云补全方法、装置、设备及介质 | |
Yang et al. | A multi-task learning method for relative geologic time, horizons, and faults with prior information and transformer | |
CN113947032B (zh) | 基于神经网络和动态时间规整的地震层位拾取方法及装置 | |
CN115639605B (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
CN116068644B (zh) | 一种利用生成对抗网络提升地震数据分辨率和降噪的方法 | |
CN113688901B (zh) | 一种基于膨胀卷积神经网络的储层不连续界线识别方法 | |
CN116721206A (zh) | 一种实时的室内场景视觉同步定位与建图方法 | |
Lorentzen et al. | Fault mapping of the Gassum Formation reservoir and the Fjerritslev Formation caprock interval at the Stenlille gas storage site using a pre-trained convolutional neural network | |
Lomask | Seismic volumetric flattening and segmentation | |
CN102096102B (zh) | 一种用于地震勘探的数字化建模方法 | |
Li et al. | A High Resolution Velocity Inversion Method Based on Attention Convolutional Neural Network. | |
Arpat et al. | Characterization of West-Africa submarine channel reservoirs: a neural network based approach to integration of seismic data | |
Wang et al. | Intelligent velocity picking considering an expert experience based on the Chan–Vese model and mean-shift clustering | |
CN111382799B (zh) | 一种地震断层图像处理方法 |
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 |