CN113960655A - 地震数据样本更新方法及系统 - Google Patents

地震数据样本更新方法及系统 Download PDF

Info

Publication number
CN113960655A
CN113960655A CN202010697013.4A CN202010697013A CN113960655A CN 113960655 A CN113960655 A CN 113960655A CN 202010697013 A CN202010697013 A CN 202010697013A CN 113960655 A CN113960655 A CN 113960655A
Authority
CN
China
Prior art keywords
seismic data
processing
parameter
machine learning
learning 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.)
Granted
Application number
CN202010697013.4A
Other languages
English (en)
Other versions
CN113960655B (zh
Inventor
首皓
曹宏
曾同生
崔栋
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.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
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 Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN202010697013.4A priority Critical patent/CN113960655B/zh
Publication of CN113960655A publication Critical patent/CN113960655A/zh
Application granted granted Critical
Publication of CN113960655B publication Critical patent/CN113960655B/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
    • 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
    • G01V1/282—Application of seismic models, synthetic seismograms
    • 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
    • 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
    • G01V1/362—Effecting static or dynamic corrections; Stacking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/30—Noise handling
    • G01V2210/32—Noise reduction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/50—Corrections or adjustments related to wave propagation
    • G01V2210/51—Migration
    • G01V2210/512—Pre-stack
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/50—Corrections or adjustments related to wave propagation
    • G01V2210/51—Migration
    • G01V2210/514—Post-stack
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V2210/00—Details of seismic processing or analysis
    • G01V2210/50—Corrections or adjustments related to wave propagation
    • G01V2210/53—Statics correction, e.g. weathering layer or transformation to a datum
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请实施例提供一种地震数据样本更新方法及系统，方法包括：获取多份参考地震数据；选取与该处理类型对应的目标叠前效果分级机器学习模型和目标叠后效果分级机器学习模型；将该目标叠前效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠前效果等级；将该目标叠后效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠后效果等级；自各份所述参考地震数据中选取目标地震数据以完成地震数据样本的更新。本申请能够有效提高地震数据样本的准确性，并能够有效提高地震数据样本的更新效率、自动化程度及准确性，进而能够有效提高应用该地震数据样本进行地震数据模拟及分析的准确性及可靠性。

Description

地震数据样本更新方法及系统
技术领域
本申请涉及地震数据分析技术领域，具体涉及地震数据样本更新方法及系统。
背景技术
机器学习是人工智能领域的研究热点并已广泛应用于各个领域的数据信息分析和挖掘之中。目前机器学习主要采用递归类的神经网络进行，部分采用多层网络被称为深度学习网络。
机器学习应用于地震数据处理和数据分析领域中时，选择合适的地震数据样本建立样本与特征及参数的对应关系成为机器学习应用效果的关键影响因素，由于地震数据的形态受到地表条件、激发设备、采集设备的影响差异大，难以将模拟地震数据或者某一特定工区的样本数据用于处理其他工区的地震数据，进而也会影响地震数据模拟的准确性。
因此，亟需设计一种能够提高地震数据样本准确性以提高模拟地震数据的效率及可靠性的方法。
发明内容
针对现有技术中的问题，本申请提供一种地震数据样本更新方法及系统，能够有效提高地震数据样本的准确性，并能够有效提高地震数据样本的更新效率、自动化程度及准确性，进而能够有效提高应用该地震数据样本进行地震数据模拟及分析的准确性及可靠性。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种地震数据样本更新方法，包括：
获取多份参考地震数据，其中，各份所述参考地震数据分别为经配置内容不同且处理类型相同的预处理方式处理后的地震数据；
根据各份所述参考地震数据的预处理方式的处理类型，选取与该处理类型对应的目标叠前效果分级机器学习模型和目标叠后效果分级机器学习模型；
将各份所述参考地震数据分别输入预设的目标叠前效果分级机器学习模型，并将该目标叠前效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠前效果等级；
以及，将各份所述参考地震数据分别输入预设的目标叠后效果分级机器学习模型，并将该目标叠后效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠后效果等级；
根据各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级，自各份所述参考地震数据中选取目标地震数据以完成地震数据样本的更新。
进一步地，所述参考地震数据的预处理方式的处理类型包括：静校正处理方式；
相对应的，所述获取多份参考地震数据包括：
应用静校正处理方式对应的不同的静校正处理参数分别对预获取的初始地震数据进行处理，得到各份所述静校正处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
进一步地，在所述获取多份参考地震数据之前，还包括：
获取预设的地震资料处理方式中的偏移距范围参数和替换速度参数；
分别对所述偏移距范围参数和替换速度参数在各自对应的预设数值范围内进行调整，以得到所述静校正处理方式对应的不同的静校正处理参数。
进一步地，所述参考地震数据的预处理方式的处理类型包括：噪声衰减处理方式；
相对应的，所述获取多份参考地震数据包括：
应用噪声衰减处理方式对应的不同的噪声衰减处理参数分别对预获取的初始地震数据进行处理，得到各份所述噪声衰减处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
进一步地，在所述获取多份参考地震数据之前，还包括：
获取预设的地震资料处理方式中的频率参数、异常振幅门槛值参数和线性干扰视速度参数；
分别对所述频率参数、异常振幅门槛值参数和线性干扰视速度参数在各自对应的预设数值范围内进行调整，以得到所述噪声衰减处理方式对应的不同的噪声衰减处理参数。
进一步地，所述参考地震数据的预处理方式的处理类型包括：速度分析与建模处理方式；
相对应的，所述获取多份参考地震数据包括：
应用速度分析与建模处理方式对应的不同的速度分析与建模处理参数分别对预获取的初始地震数据进行处理，得到各份所述速度分析与建模处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
进一步地，在所述获取多份参考地震数据之前，还包括：
获取预设的地震资料处理方式中的速度值；
对所述速度值在对应的预设数值范围内进行调整，以得到所述速度分析与建模处理方式对应的不同的速度分析与建模处理参数。
进一步地，所述参考地震数据的预处理方式的处理类型包括：一致性处理方式；
相对应的，所述获取多份参考地震数据包括：
应用一致性处理方式对应的不同的一致性处理参数分别对预获取的初始地震数据进行处理，得到各份所述一致性处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
进一步地，在所述获取多份参考地震数据之前，还包括：
获取预设的地震资料处理方式中的时窗位置参数和时窗宽度值；
分别对所述时窗位置参数和时窗宽度值在各自对应的预设数值范围内进行调整，以得到所述一致性处理方式对应的不同一致性处理参数。
进一步地，所述目标叠前效果分级机器学习模型为前馈机器学习模型；
所述目标叠前效果分级机器学习模型用于对所述参考地震数据中的叠前地震数据的初至波拉平程度进行分级处理。
进一步地，所述目标叠后效果分级机器学习模型为前馈机器学习模型；
所述目标叠后效果分级机器学习模型用于对所述参考地震数据中的叠加地震数据的信噪比进行分级处理。
进一步地，所述根据各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级，自各份所述参考地震数据中选取目标地震数据以完成地震数据样本的更新，包括：
将各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级进行数值相加，并将数值总和最高的参考地震数据作为所述目标地震数据以完成地震数据样本的更新。
第二方面，本申请提供一种地震数据样本更新系统，包括：
参数扫描模块，用于获取多份参考地震数据，其中，各份所述参考地震数据分别为经配置内容不同且处理类型相同的预处理方式处理后的地震数据；
模型选取模块，用于根据各份所述参考地震数据的预处理方式的处理类型，选取与该处理类型对应的目标叠前效果分级机器学习模型和目标叠后效果分级机器学习模型；
叠前等级评价模块，用于将各份所述参考地震数据分别输入预设的目标叠前效果分级机器学习模型，并将该目标叠前效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠前效果等级；
叠后等级评价模块，用于将各份所述参考地震数据分别输入预设的目标叠后效果分级机器学习模型，并将该目标叠后效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠后效果等级；
样本优选模块，用于根据各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级，自各份所述参考地震数据中选取目标地震数据以完成地震数据样本的更新。
进一步地，所述参考地震数据的预处理方式的处理类型包括：静校正处理方式；
相对应的，所述参数扫描模块包括：
第一参数扫描单元，用于应用静校正处理方式对应的不同的静校正处理参数分别对预获取的初始地震数据进行处理，得到各份所述静校正处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
进一步地，还包括：第一预处理模块，用于执行下述内容：
获取预设的地震资料处理方式中的偏移距范围参数和替换速度参数；
分别对所述偏移距范围参数和替换速度参数在各自对应的预设数值范围内进行调整，以得到所述静校正处理方式对应的不同的静校正处理参数。
进一步地，所述参考地震数据的预处理方式的处理类型包括：噪声衰减处理方式；
相对应的，所述参数扫描模块包括：
第二参数扫描单元，用于应用噪声衰减处理方式对应的不同的噪声衰减处理参数分别对预获取的初始地震数据进行处理，得到各份所述噪声衰减处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
进一步地，还包括：第二预处理模块，用于执行下述内容：
获取预设的地震资料处理方式中的频率参数、异常振幅门槛值参数和线性干扰视速度参数；
分别对所述频率参数、异常振幅门槛值参数和线性干扰视速度参数在各自对应的预设数值范围内进行调整，以得到所述噪声衰减处理方式对应的不同的噪声衰减处理参数。
进一步地，所述参考地震数据的预处理方式的处理类型包括：速度分析与建模处理方式；
相对应的，所述参数扫描模块包括：
第三参数扫描单元，用于应用速度分析与建模处理方式对应的不同的速度分析与建模处理参数分别对预获取的初始地震数据进行处理，得到各份所述速度分析与建模处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
进一步地，还包括：第三预处理模块，用于执行下述内容：
获取预设的地震资料处理方式中的速度值；
对所述速度值在对应的预设数值范围内进行调整，以得到所述速度分析与建模处理方式对应的不同的速度分析与建模处理参数。
进一步地，所述参考地震数据的预处理方式的处理类型包括：一致性处理方式；
相对应的，所述参数扫描模块包括：
第四参数扫描单元，用于应用一致性处理方式对应的不同的一致性处理参数分别对预获取的初始地震数据进行处理，得到各份所述一致性处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
进一步地，还包括：第四预处理模块，用于执行下述内容：
获取预设的地震资料处理方式中的时窗位置参数和时窗宽度值；
分别对所述时窗位置参数和时窗宽度值在各自对应的预设数值范围内进行调整，以得到所述一致性处理方式对应的不同的一致性处理参数。
进一步地，所述目标叠前效果分级机器学习模型为前馈机器学习模型；
所述目标叠前效果分级机器学习模型用于对所述参考地震数据中的叠前地震数据的初至波拉平程度进行分级处理。
进一步地，所述目标叠后效果分级机器学习模型为前馈机器学习模型；
所述目标叠后效果分级机器学习模型用于对所述参考地震数据中的叠加地震数据的信噪比进行分级处理。
进一步地，所述样本优选模块用于执行下述内容：
将各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级进行数值相加，并将数值总和最高的参考地震数据作为所述目标地震数据以完成地震数据样本的更新。
第三方面，本申请提供一种电子设备，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程序时实现所述的地震数据样本更新方法。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的地震数据样本更新方法。
由上述技术方案可知，本申请提供的一种地震数据样本更新方法及系统，方法包括：获取多份参考地震数据，其中，各份所述参考地震数据分别为经配置内容不同且处理类型相同的预处理方式处理后的地震数据；根据各份所述参考地震数据的预处理方式的处理类型，选取与该处理类型对应的目标叠前效果分级机器学习模型和目标叠后效果分级机器学习模型；将各份所述参考地震数据分别输入预设的目标叠前效果分级机器学习模型，并将该目标叠前效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠前效果等级；以及，将各份所述参考地震数据分别输入预设的目标叠后效果分级机器学习模型，并将该目标叠后效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠后效果等级；根据各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级，自各份所述参考地震数据中选取目标地震数据以完成地震数据样本的更新，能够有效提高地震数据样本的准确性，并能够有效提高地震数据样本的更新效率、自动化程度及准确性，进而能够有效提高应用该地震数据样本进行地震数据模拟及分析的准确性及可靠性，以及能够提高基于该地震数据样本的模拟结果进行石油勘探及开采的有效性及可靠性，并有效节省人力、物力成本。
附图说明
为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，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。
图1是本申请实施例中的地震数据样本更新方法的流程示意图。
图2是本申请实施例中的包含有步骤110的地震数据样本更新方法的具体流程示意图。
图3是本申请实施例中的包含有步骤011和步骤012的地震数据样本更新方法的流程示意图。
图4是本申请实施例中的包含有步骤120的地震数据样本更新方法的具体流程示意图。
图5是本申请实施例中的包含有步骤021和步骤022的地震数据样本更新方法的流程示意图。
图6是本申请实施例中的包含有步骤130的地震数据样本更新方法的具体流程示意图。
图7是本申请实施例中的包含有步骤031和步骤032的地震数据样本更新方法的流程示意图。
图8是本申请实施例中的包含有步骤140的地震数据样本更新方法的具体流程示意图。
图9是本申请实施例中的包含有步骤041和步骤042的地震数据样本更新方法的流程示意图。
图10是本申请实施例中的地震数据样本更新系统的结构示意图。
图11为本申请应用实例中一种机器学习地震数据样本更新系统的逻辑示意图。
图12是本申请应用实例中静校正处理样本识别和更新的流程图。
图13是本申请应用实例中噪声衰减处理样本识别和更新的流程图。
图14是本申请应用实例中速度分析和建模处理样本识别和更新的流程图。
图15是本申请应用实例中一致性处理样本识别和更新的流程图。
图16是本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。
考虑到由于地震数据的形态受到地表条件、激发设备、采集设备的影响差异大，难以将模拟地震数据或者某一特定工区的样本数据用于处理其他工区的地震数据，进而也会影响地震数据模拟的准确性，本申请提供一种地震数据样本更新方法、地震数据样本更新系统、电子设备和计算机可读存储介质的实施例，通过获取多份参考地震数据，其中，各份所述参考地震数据分别为经配置内容不同且处理类型相同的预处理方式处理后的地震数据；根据各份所述参考地震数据的预处理方式的处理类型，选取与该处理类型对应的目标叠前效果分级机器学习模型和目标叠后效果分级机器学习模型；将各份所述参考地震数据分别输入预设的目标叠前效果分级机器学习模型，并将该目标叠前效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠前效果等级；以及，将各份所述参考地震数据分别输入预设的目标叠后效果分级机器学习模型，并将该目标叠后效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠后效果等级；根据各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级，自各份所述参考地震数据中选取目标地震数据以完成地震数据样本的更新，能够有效提高地震数据样本的准确性，并能够有效提高地震数据样本的更新效率、自动化程度及准确性，进而能够有效提高应用该地震数据样本进行地震数据模拟及分析的准确性及可靠性，以及能够提高基于该地震数据样本的模拟结果进行石油勘探及开采的有效性及可靠性，并有效节省人力、物力成本。
基于上述内容，本申请提供一种地震数据样本更新方法的实施例，参见图1，所述地震数据样本更新方法具体包含有如下内容：
步骤100：获取多份参考地震数据，其中，各份所述参考地震数据分别为经配置内容不同且处理类型相同的预处理方式处理后的地震数据。
步骤200：根据各份所述参考地震数据的预处理方式的处理类型，选取与该处理类型对应的目标叠前效果分级机器学习模型和目标叠后效果分级机器学习模型。
可以理解的是，所述目标叠前效果分级机器学习模型为前馈机器学习模型；所述目标叠前效果分级机器学习模型用于对所述参考地震数据中的叠前地震数据的初至波拉平程度进行分级处理。
可以理解的是，所述目标叠后效果分级机器学习模型为前馈机器学习模型；
所述目标叠后效果分级机器学习模型用于对所述参考地震数据中的叠加地震数据的信噪比进行分级处理。
步骤300：将各份所述参考地震数据分别输入预设的目标叠前效果分级机器学习模型，并将该目标叠前效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠前效果等级。
步骤400：将各份所述参考地震数据分别输入预设的目标叠后效果分级机器学习模型，并将该目标叠后效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠后效果等级。
步骤500：根据各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级，自各份所述参考地震数据中选取目标地震数据以完成地震数据样本的更新。
可以理解的是，可以将各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级进行数值相加，并将数值总和最高的参考地震数据作为所述目标地震数据以完成地震数据样本的更新。
从上述描述可知，本申请实施例提供的地震数据样本更新方法，能够有效提高地震数据样本的准确性，并能够有效提高地震数据样本的更新效率、自动化程度及准确性，进而能够有效提高应用该地震数据样本进行地震数据模拟及分析的准确性及可靠性，以及能够提高基于该地震数据样本的模拟结果进行石油勘探及开采的有效性及可靠性，并有效节省人力、物力成本。
在上述地震数据样本更新方法的一个实施例中，所述参考地震数据的预处理方式的处理类型包括：静校正处理方式；
相对应的，参见图2，所述地震数据样本更新方法中的步骤100的第一种实现方式具体包含有如下内容：
步骤110：应用静校正处理方式对应的不同的静校正处理参数分别对预获取的初始地震数据进行处理，得到各份所述静校正处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
基于上述步骤110，参见图3，在所述地震数据样本更新方法中的步骤100之前还具体包含有如下内容：
步骤011：获取预设的地震资料处理方式中的偏移距范围参数和替换速度参数。
步骤012：分别对所述偏移距范围参数和替换速度参数在各自对应的预设数值范围内进行调整，以得到所述静校正处理方式对应的不同的静校正处理参数。
具体来说，可以先获得由不同静校正处理参数处理后的地震数据；配置静校正处理叠前效果分级机器学习模型处理输入的不同静校正处理参数处理后的地震数据使得生成不同静校正处理参数处理后的叠前效果等级的模型输出；配置静校正处理叠后效果分级机器学习模型处理输入的不同静校正处理参数处理后的地震数据使得生成不同静校正处理参数处理后的叠后效果等级的模型输出；获得最佳静校正处理效果对应的参数完成样本的更新。
其中，不同静校正处理参数，包括：采用地震资料处理中使用的偏移距范围参数在此基础上按照一定间隔扩大或者缩小偏移距范围；采用地震资料处理中使用的替换速度参数在此基础上按照一定间隔扩大或者缩小替换速度值。而不同静校正处理参数处理后的地震数据，包括：采用不同参数进行静校正处理后得到的叠前地震数据和叠加地震数据。静校正处理叠前效果分级机器学习模型是一种前馈机器学习模型，该模型对叠前数据初至波拉平程度进行分级，初至波完全为线性为10级，完全没有线性信号为1级；不同静校正处理参数处理后的叠前效果等级的模型输出包括叠前数据初至波拉平程度等级分值。静校正处理叠后效果分级机器学习模型是一种前馈机器学习模型，该模型对叠加数据的信噪比进行分级，信噪比最高处为10级，信噪比最低处为1级，根据信噪比程度归为1-10级之中；不同静校正处理参数处理后的叠后效果等级的模型输出包括叠后数据信噪比等级分值。获得最佳静校正处理效果，包括将叠前效果等级分值和叠后效果等级分值相加，取分值最高的参数作为效果最优的参数完成样本的选择和更新。
在上述地震数据样本更新方法的一个实施例中，所述参考地震数据的预处理方式的处理类型包括：噪声衰减处理方式；
相对应的，参见图4，所述地震数据样本更新方法中的步骤100的第二种实现方式具体包含有如下内容：
步骤120：应用噪声衰减处理方式对应的不同的噪声衰减处理参数分别对预获取的初始地震数据进行处理，得到各份所述噪声衰减处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
基于上述步骤120，参见图5，在所述地震数据样本更新方法中的步骤100之前还具体包含有如下内容：
步骤021：获取预设的地震资料处理方式中的频率参数、异常振幅门槛值参数和线性干扰视速度参数。
步骤022：分别对所述频率参数、异常振幅门槛值参数和线性干扰视速度参数在各自对应的预设数值范围内进行调整，以得到所述噪声衰减处理方式对应的不同的噪声衰减处理参数。
具体来说，可以获得由不同噪声衰减处理参数处理后的地震数据；配置噪声衰减处理叠前效果分级机器学习模型处理输入的不同噪声衰减处理参数处理后的地震数据使得生成不同噪声衰减处理参数处理后的叠前效果等级的模型输出；配置噪声衰减处理叠后效果分级机器学习模型处理输入的不同噪声衰减处理参数处理后的地震数据使得生成不同噪声衰减处理参数处理后的叠后效果等级的模型输出；获得最佳噪声衰减处理效果对应的参数完成样本的更新。
其中，采用地震资料处理中使用的频率参数在此基础上按照一定间隔扩大或者缩小频率值；采用地震资料处理中使用的异常振幅门槛值参数在此基础上按照一定间隔扩大或者缩小异常振幅门槛值的范围；采用地震资料处理中使用的线性干扰视速度参数在此基础上按照一定间隔扩大或者缩小线性干扰视速度值。不同噪声衰减处理参数处理后的地震数据，包括：采用不同参数进行噪声衰减处理后得到的叠前地震数据和叠加地震数据。噪声衰减处理叠前效果分级机器学习模型是一种前馈机器学习模型，该模型对叠前数据噪声残留程度进行分级，完全没有噪声为10级，全部为噪声为1级；并且该模型对叠前数据有效信号损伤程度进行分级，完全没有损伤为10级，全部损伤为1级。不同噪声衰减处理参数处理后的叠前效果等级的模型输出包括叠前数据噪声残留程度进行分级分值和叠前数据有效信号损伤程度分级分值。噪声衰减处理叠后效果分级机器学习模型是一种前馈机器学习模型，该模型对叠后数据噪声残留程度进行分级，完全没有噪声为10级，全部为噪声为1级；并且该模型对叠后数据有效信号损伤程度进行分级，完全没有损伤为10级，全部损伤为1级。不同噪声衰减处理参数处理后的叠后效果等级的模型输出包括叠后数据噪声残留程度进行分级分值和叠后数据有效信号损伤程度分级分值。获得最佳噪声衰减处理效果，包括将全部叠前效果等级分值和叠后效果等级分值相加，取分值最高的参数作为效果最优的参数完成样本的选择和更新。
在上述地震数据样本更新方法的一个实施例中，所述参考地震数据的预处理方式的处理类型包括：速度分析与建模处理方式；
相对应的，参见图6，所述地震数据样本更新方法中的步骤100的第三种实现方式具体包含有如下内容：
步骤130：应用速度分析与建模处理方式对应的不同的速度分析与建模处理参数分别对预获取的初始地震数据进行处理，得到各份所述速度分析与建模处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
基于上述步骤130，参见图7，在所述地震数据样本更新方法中的步骤100之前还具体包含有如下内容：
步骤031：获取预设的地震资料处理方式中的速度值。
步骤032：对所述速度值在对应的预设数值范围内进行调整，以得到所述速度分析与建模处理方式对应的不同的速度分析与建模处理参数。
具体来说，可以获得由不同速度分析与建模处理参数处理后的地震数据；配置速度分析与建模处理叠前效果分级机器学习模型处理输入的不同速度分析与建模处理参数处理后的地震数据使得生成不同速度分析与建模处理参数处理后的叠前效果等级的模型输出；配置速度分析与建模处理叠后效果分级机器学习模型处理输入的不同速度分析与建模处理参数处理后的地震数据使得生成不同速度分析与建模处理参数处理后的叠后效果等级的模型输出；获得最佳速度分析与建模处理效果对应的参数完成样本的更新。
其中，不同速度分析与建模处理参数，包括：采用地震资料处理中使用的速度值在此基础上按照一定间隔扩大或者缩小速度值。不同速度分析与建模处理参数处理后的地震数据，包括：采用不同参数进行速度分析与建模处理后得到的叠前地震数据和叠加地震数据。速度分析与建模处理叠前效果分级机器学习模型是一种前馈机器学习模型，该模型对叠前数据拉平程度进行分级，完全拉平为10级，仍为双曲或者抛物形态为1级。不同速度分析与建模处理参数处理后的叠前效果等级的模型输出包括叠前数据拉平程度进行分级分值。速度分析与建模处理叠后效果分级机器学习模型是一种前馈机器学习模型，该模型对叠后数据信噪比高低进行分级，信噪比最高处为10级，信噪比最低处为1级，根据信噪比程度归为1-10级之中。不同速度分析与建模处理参数处理后的叠后效果等级的模型输出包括叠后数据信噪比高低进行分级分值。获得最佳速度分析与建模处理效果，包括将全部叠前效果等级分值和叠后效果等级分值相加，取分值最高的参数作为效果最优的参数完成样本的选择和更新。
在上述地震数据样本更新方法的一个实施例中，所述参考地震数据的预处理方式的处理类型包括：一致性处理方式；
相对应的，参见图8，所述地震数据样本更新方法中的步骤100的第四种实现方式具体包含有如下内容：一致性处理方式；
步骤140：应用一致性处理方式对应的不同的一致性处理参数分别对预获取的初始地震数据进行处理，得到各份所述一致性处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
基于上述步骤140，参见图9，在所述地震数据样本更新方法中的步骤100之前还具体包含有如下内容：
步骤041：获取预设的地震资料处理方式中的时窗位置参数和时窗宽度值。
步骤042：分别对所述时窗位置参数和时窗宽度值在各自对应的预设数值范围内进行调整，以得到所述一致性处理方式对应的不同一致性处理参数。
具体来说，可以获得由不同一致性处理参数处理后的地震数据；配置一致性处理叠前效果分级机器学习模型处理输入的不同一致性处理参数处理后的地震数据使得生成不同一致性处理参数处理后的叠前效果等级的模型输出；配置一致性处理叠后效果分级机器学习模型处理输入的不同一致性处理参数处理后的地震数据使得生成不同一致性处理参数处理后的叠后效果等级的模型输出；获得最佳一致性处理效果对应的参数完成样本的更新。
其中，不同一致性处理参数，包括：采用地震资料处理中使用的时窗位置在此基础上按照一定间隔增加或者减小时窗位置值；采用地震资料处理中使用的时窗宽度值在此基础上按照一定间隔扩大或者缩小时窗宽度值。不同一致性处理参数处理后的地震数据，包括：采用不同参数进行一致性处理后得到的叠前地震数据和叠加地震数据。一致性处理叠前效果分级机器学习模型是一种前馈机器学习模型，该模型对叠前数据空间能量均衡程度进行分级，能量差异最低处为10级，能量差异最大处为1级，根据能量差异程度归为1-10级之中。不同一致性处理参数处理后的叠前效果等级的模型输出包括叠前数据能量差异程度进行分级分值。一致性处理叠后效果分级机器学习模型是一种前馈机器学习模型，该模型对叠后数据空间能量均衡程度进行分级，能量差异最低处为10级，能量差异最大处为1级，根据能量差异程度归为1-10级之中；该模型对叠后数据空间子波一致性程度进行分级，求取地震数据的自相关，自相关值最大处为10级，自相关值最小处处为1级，根据自相关程度归为1-10级之中。不同一致性处理参数处理后的叠前效果等级的模型输出包括叠前数据能量差异程度进行分级分值。获得最佳一致性处理效果，包括将全部叠前效果等级分值和叠后效果等级分值相加，取分值最高的参数作为效果最优的参数完成样本的选择和更新。
从软件层面来说，本申请提供一种用于实现所述地震数据样本更新方法中全部或部分内容的地震数据样本更新系统的实施例，参见图10，所述地震数据样本更新系统具体包含有如下内容：
参数扫描模块10，用于获取多份参考地震数据，其中，各份所述参考地震数据分别为经配置内容不同且处理类型相同的预处理方式处理后的地震数据。
可以理解的是，所述目标叠前效果分级机器学习模型为前馈机器学习模型；所述目标叠前效果分级机器学习模型用于对所述参考地震数据中的叠前地震数据的初至波拉平程度进行分级处理。
所述目标叠后效果分级机器学习模型为前馈机器学习模型；所述目标叠后效果分级机器学习模型用于对所述参考地震数据中的叠加地震数据的信噪比进行分级处理。
模型选取模块20，用于根据各份所述参考地震数据的预处理方式的处理类型，选取与该处理类型对应的目标叠前效果分级机器学习模型和目标叠后效果分级机器学习模型。
叠前等级评价模块30，用于将各份所述参考地震数据分别输入预设的目标叠前效果分级机器学习模型，并将该目标叠前效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠前效果等级。
叠后等级评价模块40，用于将各份所述参考地震数据分别输入预设的目标叠后效果分级机器学习模型，并将该目标叠后效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠后效果等级。
样本优选模块50，用于根据各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级，自各份所述参考地震数据中选取目标地震数据以完成地震数据样本的更新。
具体来说，所述样本优选模块10用于将各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级进行数值相加，并将数值总和最高的参考地震数据作为所述目标地震数据以完成地震数据样本的更新。
从上述描述可知，本申请实施例提供的地震数据样本更新系统，能够有效提高地震数据样本的准确性，并能够有效提高地震数据样本的更新效率、自动化程度及准确性，进而能够有效提高应用该地震数据样本进行地震数据模拟及分析的准确性及可靠性，以及能够提高基于该地震数据样本的模拟结果进行石油勘探及开采的有效性及可靠性，并有效节省人力、物力成本。
在本申请提供的地震数据样本更新系统的一个实施例中，所述参考地震数据的预处理方式的处理类型包括：静校正处理方式；
相对应的，所述参数扫描模块10包括：
第一参数扫描单元，用于应用静校正处理方式对应的不同的静校正处理参数分别对预获取的初始地震数据进行处理，得到各份所述静校正处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
所述地震数据样本更新系统还包括：
第一预处理模块，用于执行下述内容：
获取预设的地震资料处理方式中的偏移距范围参数和替换速度参数。
分别对所述偏移距范围参数和替换速度参数在各自对应的预设数值范围内进行调整，以得到所述静校正处理方式对应的不同的静校正处理参数。
在本申请提供的地震数据样本更新系统的一个实施例中，所述参考地震数据的预处理方式的处理类型包括：噪声衰减处理方式；
相对应的，所述参数扫描模块10包括：
第二参数扫描单元，用于应用噪声衰减处理方式对应的不同的噪声衰减处理参数分别对预获取的初始地震数据进行处理，得到各份所述噪声衰减处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
所述的地震数据样本更新系统还包括：
第二预处理模块，用于执行下述内容：
获取预设的地震资料处理方式中的频率参数、异常振幅门槛值参数和线性干扰视速度参数。
分别对所述频率参数、异常振幅门槛值参数和线性干扰视速度参数在各自对应的预设数值范围内进行调整，以得到所述噪声衰减处理方式对应的不同的噪声衰减处理参数。
在本申请提供的地震数据样本更新系统的一个实施例中，所述参考地震数据的预处理方式的处理类型包括：速度分析与建模处理方式；
相对应的，所述参数扫描模块10包括：
第三参数扫描单元，用于应用速度分析与建模处理方式对应的不同的速度分析与建模处理参数分别对预获取的初始地震数据进行处理，得到各份所述速度分析与建模处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
所述地震数据样本更新系统还包括：
第三预处理模块，用于执行下述内容：
获取预设的地震资料处理方式中的速度值。
对所述速度值在对应的预设数值范围内进行调整，以得到所述速度分析与建模处理方式对应的不同的速度分析与建模处理参数。
在本申请提供的地震数据样本更新系统的一个实施例中，所述参考地震数据的预处理方式的处理类型包括：一致性处理方式；
相对应的，所述参数扫描模块10包括：
第四参数扫描单元，用于应用一致性处理方式对应的不同的一致性处理参数分别对预获取的初始地震数据进行处理，得到各份所述一致性处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
所述的地震数据样本更新系统还包括：
第四预处理模块，用于执行下述内容：
获取预设的地震资料处理方式中的时窗位置参数和时窗宽度值。
分别对所述时窗位置参数和时窗宽度值在各自对应的预设数值范围内进行调整，以得到所述一致性处理方式对应的不同的一致性处理参数。
为进一步说明本方案，本申请还提供一种应用地震数据样本更新系统实现地震数据样本更新方法的具体应用实例，获得由不同参数处理后的地震数据；配置地震数据处理叠前效果分级机器学习模型处理输入的地震数据使得生成地震数据处理叠前效果等级的模型输出；配置地震数据处理叠后效果分级机器学习模型处理输入的地震数据使得生成地震数据处理叠后效果等级的模型输出；获得最佳处理效果对应的参数及地震数据完成样本的更新。从而可以实现对地震数据样本和处理参数的高效自动化识别和更新。具体包含有如下内容：
鉴于现有技术进行地震数据样本识别和更新在如下问题：机器学习应用于地震数据处理和数据分析领域中时，选择合适的地震数据样本建立样本与特征及参数的对应关系成为机器学习应用效果的关键影响因素，由于地震数据的形态受到地表条件、激发设备、采集设备的影响差异大，难以将模拟地震数据或者某一特定工区的样本数据用于处理其他工区的地震数据。本申请应用实例提供一种使用机器学习更新地震数据样本的方法，可以利用机器学习根据处理效果自主更新地震数据样本，相对于人工筛选效率和精度更高，从而实现对地震数据样本的高效自动化选择和更新。
图11为本申请应用实例中一种机器学习地震数据样本更新系统。该系统分为参数扫描模块、叠前等级评价模块、叠后等级评价模块、样本优选模块四部分。其中参数扫描模块获得由不同参数处理后的地震数据；叠前等级评价模块配置地震数据处理叠前效果分级机器学习模型处理输入的地震数据使得生成地震数据处理叠前效果等级的模型输出；叠后等级评价模块配置地震数据处理叠后效果分级机器学习模型处理输入的地震数据使得生成地震数据处理叠后效果等级的模型输出；样本优选模块获得最佳处理效果对应的参数及地震数据完成样本的更新。从而可以实现对地震数据样本和处理参数的高效自动化识别和更新。
图12是本申请应用实例中静校正处理样本识别和更新的流程图。如图12所示，机器学习更新地震数据样本的方法包括：
获得由不同静校正处理参数处理后的地震数据。
配置静校正处理叠前效果分级机器学习模型处理输入的不同静校正处理参数处理后的地震数据使得生成不同静校正处理参数处理后的叠前效果等级的模型输出。
配置静校正处理叠后效果分级机器学习模型处理输入的不同静校正处理参数处理后的地震数据使得生成不同静校正处理参数处理后的叠后效果等级的模型输出。
获得最佳静校正处理效果对应的参数完成样本的更新。
不同静校正处理参数，包括：采用地震资料处理中使用的偏移距范围参数在此基础上按照一定间隔扩大或者缩小偏移距范围；采用地震资料处理中使用的替换速度参数在此基础上按照一定间隔扩大或者缩小替换速度值。
不同静校正处理参数处理后的地震数据，包括：采用不同参数进行静校正处理后得到的叠前地震数据和叠加地震数据。
静校正处理叠前效果分级机器学习模型是一种前馈机器学习模型，该模型对叠前数据初至波拉平程度进行分级，初至波完全为线性为10级，完全没有线性信号为1级。
不同静校正处理参数处理后的叠前效果等级的模型输出包括叠前数据初至波拉平程度等级分值。
静校正处理叠后效果分级机器学习模型是一种前馈机器学习模型，该模型对叠加数据的信噪比进行分级，信噪比最高处为10级，信噪比最低处为1级，根据信噪比程度归为1-10级之中。
不同静校正处理参数处理后的叠后效果等级的模型输出包括叠后数据信噪比等级分值。
图13是本申请应用实例中噪声衰减处理样本识别和更新的流程图。如图13所示，机器学习更新地震数据样本的方法包括：
获得由不同噪声衰减处理参数处理后的地震数据。
配置噪声衰减处理叠前效果分级机器学习模型处理输入的不同噪声衰减处理参数处理后的地震数据使得生成不同噪声衰减处理参数处理后的叠前效果等级的模型输出。
配置噪声衰减处理叠后效果分级机器学习模型处理输入的不同噪声衰减处理参数处理后的地震数据使得生成不同噪声衰减处理参数处理后的叠后效果等级的模型输出。
获得最佳噪声衰减处理效果对应的参数完成样本的更新。
不同噪声衰减处理参数，包括：采用地震资料处理中使用的频率参数在此基础上按照一定间隔扩大或者缩小频率值；采用地震资料处理中使用的异常振幅门槛值参数在此基础上按照一定间隔扩大或者缩小异常振幅门槛值的范围；采用地震资料处理中使用的线性干扰视速度参数在此基础上按照一定间隔扩大或者缩小线性干扰视速度值。
不同噪声衰减处理参数处理后的地震数据，包括：采用不同参数进行噪声衰减处理后得到的叠前地震数据和叠加地震数据。
噪声衰减处理叠前效果分级机器学习模型是一种前馈机器学习模型，该模型对叠前数据噪声残留程度进行分级，完全没有噪声为10级，全部为噪声为1级。并且该模型对叠前数据有效信号损伤程度进行分级，完全没有损伤为10级，全部损伤为1级。
不同噪声衰减处理参数处理后的叠前效果等级的模型输出包括叠前数据噪声残留程度进行分级分值和叠前数据有效信号损伤程度分级分值。
噪声衰减处理叠后效果分级机器学习模型是一种前馈机器学习模型，该模型对叠后数据噪声残留程度进行分级，完全没有噪声为10级，全部为噪声为1级。并且该模型对叠后数据有效信号损伤程度进行分级，完全没有损伤为10级，全部损伤为1级。
不同噪声衰减处理参数处理后的叠后效果等级的模型输出包括叠后数据噪声残留程度进行分级分值和叠后数据有效信号损伤程度分级分值。
获得最佳噪声衰减处理效果，包括将全部叠前效果等级分值和叠后效果等级分值相加，取分值最高的参数作为效果最优的参数完成样本的选择和更新。
图14是本申请应用实例中速度分析和建模处理样本识别和更新的流程图。如图14所示，机器学习更新地震数据样本的方法包括：
获得由不同速度分析与建模处理参数处理后的地震数据。
配置速度分析与建模处理叠前效果分级机器学习模型处理输入的不同速度分析与建模处理参数处理后的地震数据使得生成不同速度分析与建模处理参数处理后的叠前效果等级的模型输出。
配置速度分析与建模处理叠后效果分级机器学习模型处理输入的不同速度分析与建模处理参数处理后的地震数据使得生成不同速度分析与建模处理参数处理后的叠后效果等级的模型输出。
获得最佳速度分析与建模处理效果对应的参数完成样本的更新。
不同速度分析与建模处理参数，包括：采用地震资料处理中使用的速度值在此基础上按照一定间隔扩大或者缩小速度值。
不同速度分析与建模处理参数处理后的地震数据，包括：采用不同参数进行速度分析与建模处理后得到的叠前地震数据和叠加地震数据。
速度分析与建模处理叠前效果分级机器学习模型是一种前馈机器学习模型，该模型对叠前数据拉平程度进行分级，完全拉平为10级，仍为双曲或者抛物形态为1级。
不同速度分析与建模处理参数处理后的叠前效果等级的模型输出包括叠前数据拉平程度进行分级分值。
速度分析与建模处理叠后效果分级机器学习模型是一种前馈机器学习模型，该模型对叠后数据信噪比高低进行分级，信噪比最高处为10级，信噪比最低处为1级，根据信噪比程度归为1-10级之中。
不同速度分析与建模处理参数处理后的叠后效果等级的模型输出包括叠后数据信噪比高低进行分级分值。
获得最佳速度分析与建模处理效果，包括将全部叠前效果等级分值和叠后效果等级分值相加，取分值最高的参数作为效果最优的参数完成样本的选择和更新。
图15是本申请应用实例中一致性处理样本识别和更新的流程图。如图15所示，机器学习更新地震数据样本的方法包括：
获得由不同一致性处理参数处理后的地震数据。
配置一致性处理叠前效果分级机器学习模型处理输入的不同一致性处理参数处理后的地震数据使得生成不同一致性处理参数处理后的叠前效果等级的模型输出。
配置一致性处理叠后效果分级机器学习模型处理输入的不同一致性处理参数处理后的地震数据使得生成不同一致性处理参数处理后的叠后效果等级的模型输出。
获得最佳一致性处理效果对应的参数完成样本的更新。
不同一致性处理参数，包括：采用地震资料处理中使用的时窗位置在此基础上按照一定间隔增加或者减小时窗位置值；采用地震资料处理中使用的时窗宽度值在此基础上按照一定间隔扩大或者缩小时窗宽度值。
不同一致性处理参数处理后的地震数据，包括：采用不同参数进行一致性处理后得到的叠前地震数据和叠加地震数据。
一致性处理叠前效果分级机器学习模型是一种前馈机器学习模型，该模型对叠前数据空间能量均衡程度进行分级，能量差异最低处为10级，能量差异最大处为1级，根据能量差异程度归为1-10级之中。
不同一致性处理参数处理后的叠前效果等级的模型输出包括叠前数据能量差异程度进行分级分值。
一致性处理叠后效果分级机器学习模型是一种前馈机器学习模型，该模型对叠后数据空间能量均衡程度进行分级，能量差异最低处为10级，能量差异最大处为1级，根据能量差异程度归为1-10级之中；该模型对叠后数据空间子波一致性程度进行分级，求取地震数据的自相关，自相关值最大处为10级，自相关值最小处处为1级，根据自相关程度归为1-10级之中。
不同一致性处理参数处理后的叠前效果等级的模型输出包括叠前数据能量差异程度进行分级分值。
获得最佳一致性处理效果，包括将全部叠前效果等级分值和叠后效果等级分值相加，取分值最高的参数作为效果最优的参数完成样本的选择和更新。
机器学习地震数据样本更新系统包括：
参数扫描模块：包括获得由不同静校正处理参数处理后的地震数据；获得由不同噪声衰减处理参数处理后的地震数据；获得由不同速度分析与建模处理参数处理后的地震数据；获得由不同一致性处理参数处理后的地震数据。
叠前等级评价模块：包括配置静校正处理叠前效果分级机器学习模型处理输入的不同静校正处理参数处理后的地震数据使得生成不同静校正处理参数处理后的叠前效果等级的模型输出；配置噪声衰减处理叠前效果分级机器学习模型处理输入的不同噪声衰减处理参数处理后的地震数据使得生成不同噪声衰减处理参数处理后的叠前效果等级的模型输出；配置速度分析与建模处理叠前效果分级机器学习模型处理输入的不同速度分析与建模处理参数处理后的地震数据使得生成不同速度分析与建模处理参数处理后的叠前效果等级的模型输出；配置一致性处理叠前效果分级机器学习模型处理输入的不同一致性处理参数处理后的地震数据使得生成不同一致性处理参数处理后的叠前效果等级的模型输出。
叠后等级评价模块：包括配置静校正处理叠后效果分级机器学习模型处理输入的不同静校正处理参数处理后的地震数据使得生成不同静校正处理参数处理后的叠后效果等级的模型输出；配置噪声衰减处理叠后效果分级机器学习模型处理输入的不同噪声衰减处理参数处理后的地震数据使得生成不同噪声衰减处理参数处理后的叠后效果等级的模型输出；配置速度分析与建模处理叠后效果分级机器学习模型处理输入的不同速度分析与建模处理参数处理后的地震数据使得生成不同速度分析与建模处理参数处理后的叠后效果等级的模型输出；配置一致性处理叠后效果分级机器学习模型处理输入的不同一致性处理参数处理后的地震数据使得生成不同一致性处理参数处理后的叠后效果等级的模型输出。
样本优选模块：包括获得最佳静校正处理效果对应的参数完成样本的更新；获得最佳噪声衰减处理效果对应的参数完成样本的更新；获得最佳速度分析与建模处理效果对应的参数完成样本的更新；获得最佳一致性处理效果对应的参数完成样本的更新。
从硬件层面来说，本申请提供一种用于实现所述地震数据样本更新方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
图16为本申请实施例的电子设备9600的系统构成的示意框图。如图16所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图16是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
在一实施例中，地震数据样本更新功能可以被集成到中央处理器中。其中，中央处理器可以被配置为进行如下控制：
步骤100：获取多份参考地震数据，其中，各份所述参考地震数据分别为经配置内容不同且处理类型相同的预处理方式处理后的地震数据。
步骤200：根据各份所述参考地震数据的预处理方式的处理类型，选取与该处理类型对应的目标叠前效果分级机器学习模型和目标叠后效果分级机器学习模型。
可以理解的是，所述目标叠前效果分级机器学习模型为前馈机器学习模型；所述目标叠前效果分级机器学习模型用于对所述参考地震数据中的叠前地震数据的初至波拉平程度进行分级处理。
可以理解的是，所述目标叠后效果分级机器学习模型为前馈机器学习模型；
所述目标叠后效果分级机器学习模型用于对所述参考地震数据中的叠加地震数据的信噪比进行分级处理。
步骤300：将各份所述参考地震数据分别输入预设的目标叠前效果分级机器学习模型，并将该目标叠前效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠前效果等级。
步骤400：将各份所述参考地震数据分别输入预设的目标叠后效果分级机器学习模型，并将该目标叠后效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠后效果等级。
步骤500：根据各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级，自各份所述参考地震数据中选取目标地震数据以完成地震数据样本的更新。
可以理解的是，可以将各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级进行数值相加，并将数值总和最高的参考地震数据作为所述目标地震数据以完成地震数据样本的更新。
从上述描述可知，本申请实施例提供的电子设备，能够有效提高地震数据样本的准确性，并能够有效提高地震数据样本的更新效率、自动化程度及准确性，进而能够有效提高应用该地震数据样本进行地震数据模拟及分析的准确性及可靠性，以及能够提高基于该地震数据样本的模拟结果进行石油勘探及开采的有效性及可靠性，并有效节省人力、物力成本。
在另一个实施方式中，地震数据样本更新系统可以与中央处理器9100分开配置，例如可以将地震数据样本更新系统配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现地震数据样本更新功能。
如图16所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图16中所示的所有部件；此外，电子设备9600还可以包括图16中没有示出的部件，可以参考现有技术。
如图16所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的地震数据样本更新方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的地震数据样本更新方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤100：获取多份参考地震数据，其中，各份所述参考地震数据分别为经配置内容不同且处理类型相同的预处理方式处理后的地震数据。
步骤200：根据各份所述参考地震数据的预处理方式的处理类型，选取与该处理类型对应的目标叠前效果分级机器学习模型和目标叠后效果分级机器学习模型。
可以理解的是，所述目标叠前效果分级机器学习模型为前馈机器学习模型；所述目标叠前效果分级机器学习模型用于对所述参考地震数据中的叠前地震数据的初至波拉平程度进行分级处理。
可以理解的是，所述目标叠后效果分级机器学习模型为前馈机器学习模型；
所述目标叠后效果分级机器学习模型用于对所述参考地震数据中的叠加地震数据的信噪比进行分级处理。
步骤300：将各份所述参考地震数据分别输入预设的目标叠前效果分级机器学习模型，并将该目标叠前效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠前效果等级。
步骤400：将各份所述参考地震数据分别输入预设的目标叠后效果分级机器学习模型，并将该目标叠后效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠后效果等级。
步骤500：根据各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级，自各份所述参考地震数据中选取目标地震数。
从上述描述可知，本申请实施例提供的计算机可读存储介质，能够有效提高地震数据样本的准确性，并能够有效提高地震数据样本的更新效率、自动化程度及准确性，进而能够有效提高应用该地震数据样本进行地震数据模拟及分析的准确性及可靠性，以及能够提高基于该地震数据样本的模拟结果进行石油勘探及开采的有效性及可靠性，并有效节省人力、物力成本。
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、装置、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(装置)、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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (26)

1.一种地震数据样本更新方法，其特征在于，包括：
获取多份参考地震数据，其中，各份所述参考地震数据分别为经配置内容不同且处理类型相同的预处理方式处理后的地震数据；
根据各份所述参考地震数据的预处理方式的处理类型，选取与该处理类型对应的目标叠前效果分级机器学习模型和目标叠后效果分级机器学习模型；
将各份所述参考地震数据分别输入预设的目标叠前效果分级机器学习模型，并将该目标叠前效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠前效果等级；
以及，将各份所述参考地震数据分别输入预设的目标叠后效果分级机器学习模型，并将该目标叠后效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠后效果等级；
根据各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级，自各份所述参考地震数据中选取目标地震数据以完成地震数据样本的更新。
2.根据权利要求1所述的地震数据样本更新方法，其特征在于，所述参考地震数据的预处理方式的处理类型包括：静校正处理方式；
相对应的，所述获取多份参考地震数据包括：
应用静校正处理方式对应的不同的静校正处理参数分别对预获取的初始地震数据进行处理，得到各份所述静校正处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
3.根据权利要求2所述的地震数据样本更新方法，其特征在于，在所述获取多份参考地震数据之前，还包括：
获取预设的地震资料处理方式中的偏移距范围参数和替换速度参数；
分别对所述偏移距范围参数和替换速度参数在各自对应的预设数值范围内进行调整，以得到所述静校正处理方式对应的不同的静校正处理参数。
4.根据权利要求1所述的地震数据样本更新方法，其特征在于，所述参考地震数据的预处理方式的处理类型包括：噪声衰减处理方式；
相对应的，所述获取多份参考地震数据包括：
应用噪声衰减处理方式对应的不同的噪声衰减处理参数分别对预获取的初始地震数据进行处理，得到各份所述噪声衰减处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
5.根据权利要求4所述的地震数据样本更新方法，其特征在于，在所述获取多份参考地震数据之前，还包括：
获取预设的地震资料处理方式中的频率参数、异常振幅门槛值参数和线性干扰视速度参数；
分别对所述频率参数、异常振幅门槛值参数和线性干扰视速度参数在各自对应的预设数值范围内进行调整，以得到所述噪声衰减处理方式对应的不同的噪声衰减处理参数。
6.根据权利要求1所述的地震数据样本更新方法，其特征在于，所述参考地震数据的预处理方式的处理类型包括：速度分析与建模处理方式；
相对应的，所述获取多份参考地震数据包括：
应用速度分析与建模处理方式对应的不同的速度分析与建模处理参数分别对预获取的初始地震数据进行处理，得到各份所述速度分析与建模处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
7.根据权利要求6所述的地震数据样本更新方法，其特征在于，在所述获取多份参考地震数据之前，还包括：
获取预设的地震资料处理方式中的速度值；
对所述速度值在对应的预设数值范围内进行调整，以得到所述速度分析与建模处理方式对应的不同的速度分析与建模处理参数。
8.根据权利要求1所述的地震数据样本更新方法，其特征在于，所述参考地震数据的预处理方式的处理类型包括：一致性处理方式；
相对应的，所述获取多份参考地震数据包括：
应用一致性处理方式对应的不同的一致性处理参数分别对预获取的初始地震数据进行处理，得到各份所述一致性处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
9.根据权利要求8所述的地震数据样本更新方法，其特征在于，在所述获取多份参考地震数据之前，还包括：
获取预设的地震资料处理方式中的时窗位置参数和时窗宽度值；
分别对所述时窗位置参数和时窗宽度值在各自对应的预设数值范围内进行调整，以得到所述一致性处理方式对应的不同一致性处理参数。
10.根据权利要求1所述的地震数据样本更新方法，其特征在于，所述目标叠前效果分级机器学习模型为前馈机器学习模型；
所述目标叠前效果分级机器学习模型用于对所述参考地震数据中的叠前地震数据的初至波拉平程度进行分级处理。
11.根据权利要求1所述的地震数据样本更新方法，其特征在于，所述目标叠后效果分级机器学习模型为前馈机器学习模型；
所述目标叠后效果分级机器学习模型用于对所述参考地震数据中的叠加地震数据的信噪比进行分级处理。
12.根据权利要求1所述的地震数据样本更新方法，其特征在于，所述根据各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级，自各份所述参考地震数据中选取目标地震数据以完成地震数据样本的更新，包括：
将各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级进行数值相加，并将数值总和最高的参考地震数据作为所述目标地震数据以完成地震数据样本的更新。
13.一种地震数据样本更新系统，其特征在于，包括：
参数扫描模块，用于获取多份参考地震数据，其中，各份所述参考地震数据分别为经配置内容不同且处理类型相同的预处理方式处理后的地震数据；
模型选取模块，用于根据各份所述参考地震数据的预处理方式的处理类型，选取与该处理类型对应的目标叠前效果分级机器学习模型和目标叠后效果分级机器学习模型；
叠前等级评价模块，用于将各份所述参考地震数据分别输入预设的目标叠前效果分级机器学习模型，并将该目标叠前效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠前效果等级；
叠后等级评价模块，用于将各份所述参考地震数据分别输入预设的目标叠后效果分级机器学习模型，并将该目标叠后效果分级机器学习模型的各个输出分别作为各份所述参考地震数据各自对应的叠后效果等级；
样本优选模块，用于根据各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级，自各份所述参考地震数据中选取目标地震数据以完成地震数据样本的更新。
14.根据权利要求13所述的地震数据样本更新系统，其特征在于，所述参考地震数据的预处理方式的处理类型包括：静校正处理方式；
相对应的，所述参数扫描模块包括：
第一参数扫描单元，用于应用静校正处理方式对应的不同的静校正处理参数分别对预获取的初始地震数据进行处理，得到各份所述静校正处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
15.根据权利要求14所述的地震数据样本更新系统，其特征在于，还包括：第一预处理模块，用于执行下述内容：
获取预设的地震资料处理方式中的偏移距范围参数和替换速度参数；
分别对所述偏移距范围参数和替换速度参数在各自对应的预设数值范围内进行调整，以得到所述静校正处理方式对应的不同的静校正处理参数。
16.根据权利要求13所述的地震数据样本更新系统，其特征在于，所述参考地震数据的预处理方式的处理类型包括：噪声衰减处理方式；
相对应的，所述参数扫描模块包括：
第二参数扫描单元，用于应用噪声衰减处理方式对应的不同的噪声衰减处理参数分别对预获取的初始地震数据进行处理，得到各份所述噪声衰减处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
17.根据权利要求16所述的地震数据样本更新系统，其特征在于，还包括：第二预处理模块，用于执行下述内容：
获取预设的地震资料处理方式中的频率参数、异常振幅门槛值参数和线性干扰视速度参数；
分别对所述频率参数、异常振幅门槛值参数和线性干扰视速度参数在各自对应的预设数值范围内进行调整，以得到所述噪声衰减处理方式对应的不同的噪声衰减处理参数。
18.根据权利要求13所述的地震数据样本更新系统，其特征在于，所述参考地震数据的预处理方式的处理类型包括：速度分析与建模处理方式；
相对应的，所述参数扫描模块包括：
第三参数扫描单元，用于应用速度分析与建模处理方式对应的不同的速度分析与建模处理参数分别对预获取的初始地震数据进行处理，得到各份所述速度分析与建模处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
19.根据权利要求18所述的地震数据样本更新系统，其特征在于，还包括：第三预处理模块，用于执行下述内容：
获取预设的地震资料处理方式中的速度值；
对所述速度值在对应的预设数值范围内进行调整，以得到所述速度分析与建模处理方式对应的不同的速度分析与建模处理参数。
20.根据权利要求13所述的地震数据样本更新系统，其特征在于，所述参考地震数据的预处理方式的处理类型包括：一致性处理方式；
相对应的，所述参数扫描模块包括：
第四参数扫描单元，用于应用一致性处理方式对应的不同的一致性处理参数分别对预获取的初始地震数据进行处理，得到各份所述一致性处理参数各自对应的参考地震数据，所述参考地震数据包括叠前地震数据和叠加地震数据。
21.根据权利要求20所述的地震数据样本更新系统，其特征在于，还包括：第四预处理模块，用于执行下述内容：
获取预设的地震资料处理方式中的时窗位置参数和时窗宽度值；
分别对所述时窗位置参数和时窗宽度值在各自对应的预设数值范围内进行调整，以得到所述一致性处理方式对应的不同的一致性处理参数。
22.根据权利要求13所述的地震数据样本更新系统，其特征在于，所述目标叠前效果分级机器学习模型为前馈机器学习模型；
所述目标叠前效果分级机器学习模型用于对所述参考地震数据中的叠前地震数据的初至波拉平程度进行分级处理。
23.根据权利要求13所述的地震数据样本更新系统，其特征在于，所述目标叠后效果分级机器学习模型为前馈机器学习模型；
所述目标叠后效果分级机器学习模型用于对所述参考地震数据中的叠加地震数据的信噪比进行分级处理。
24.根据权利要求13所述的地震数据样本更新系统，其特征在于，所述样本优选模块用于执行下述内容：
将各份所述参考地震数据各自对应的叠前效果等级和叠后效果等级进行数值相加，并将数值总和最高的参考地震数据作为所述目标地震数据以完成地震数据样本的更新。
25.一种电子设备，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程序时实现权利要求1至12任一项所述的地震数据样本更新方法。
26.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至12任一项所述的地震数据样本更新方法。
CN202010697013.4A 2020-07-20 2020-07-20 地震数据样本更新方法及系统 Active CN113960655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010697013.4A CN113960655B (zh) 2020-07-20 2020-07-20 地震数据样本更新方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010697013.4A CN113960655B (zh) 2020-07-20 2020-07-20 地震数据样本更新方法及系统

Publications (2)

Publication Number Publication Date
CN113960655A true CN113960655A (zh) 2022-01-21
CN113960655B CN113960655B (zh) 2024-04-30

Family

ID=79459401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010697013.4A Active CN113960655B (zh) 2020-07-20 2020-07-20 地震数据样本更新方法及系统

Country Status (1)

Country Link
CN (1) CN113960655B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923177A (zh) * 2010-07-09 2010-12-22 中国石油天然气股份有限公司 多波地震资料的速度分析方法和装置
US20110051553A1 (en) * 2009-08-25 2011-03-03 Ian Richard Scott Determining the quality of a seismic inversion
CN106468784A (zh) * 2015-08-20 2017-03-01 中国石油化工股份有限公司 一种基于叠后地震资料信噪比属性的去噪方法及装置
CN109298445A (zh) * 2018-09-17 2019-02-01 电子科技大学 一种基于高斯分布m-h采样的反演模型更新方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110051553A1 (en) * 2009-08-25 2011-03-03 Ian Richard Scott Determining the quality of a seismic inversion
CN101923177A (zh) * 2010-07-09 2010-12-22 中国石油天然气股份有限公司 多波地震资料的速度分析方法和装置
CN106468784A (zh) * 2015-08-20 2017-03-01 中国石油化工股份有限公司 一种基于叠后地震资料信噪比属性的去噪方法及装置
CN109298445A (zh) * 2018-09-17 2019-02-01 电子科技大学 一种基于高斯分布m-h采样的反演模型更新方法

Also Published As

Publication number Publication date
CN113960655B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
US20180007490A1 (en) Spatial audio processing
CN113960655B (zh) 地震数据样本更新方法及系统
CN114167500B (zh) 基于卷积神经网络的邻炮干扰分离方法及装置
CN113433587B (zh) 岩石物理反演方法及系统
CN113960654A (zh) 地震数据处理方法及系统
CN113960657B (zh) 地震数据特征获取方法及系统
CN114114392A (zh) 层速度模型建立方法及装置
CN112859160B (zh) 薄互层砂体厚度的预测方法及装置
CN112987090B (zh) 面波频散曲线拾取方法及装置
CN114198096B (zh) 钻井误差预测方法及装置
CN112462421A (zh) 储层信息预测方法、装置、电子设备及存储介质
CN112379407B (zh) 可控震源激发组合台数与覆盖次数的匹配方法及装置
CN111366973B (zh) 正演模型的频率域噪声生成、添加方法及装置
CN112363225B (zh) 横波微测井解释方法及装置
CN112415594A (zh) 激发因素确定方法及装置
CN112255679A (zh) 地震资料绕射深度偏移处理方法及装置
CN112817042A (zh) 沉积储层中油气识别方法及装置
CN112147693B (zh) 一种近偏移距剩余多次波压制方法及装置
CN112114355B (zh) 气枪阵列能量中心确定方法及装置
CN114442169A (zh) 地震资料中近源信号压制方法及装置
CN113687420B (zh) 地震数据的面波噪声去除方法及装置
CN112462426B (zh) 横波矢量静校正方法及装置
CN113970783B (zh) 碳酸盐岩储层的预测方法及装置
CN112666606B (zh) 确定近地表方位各向异性速度的方法及装置
US20190243024A1 (en) Method of characterising a subsurface region using multiple point statistics

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