CN113960656B - 地震数据目标形态特征识别方法及装置 - Google Patents
地震数据目标形态特征识别方法及装置 Download PDFInfo
- Publication number
- CN113960656B CN113960656B CN202010697014.9A CN202010697014A CN113960656B CN 113960656 B CN113960656 B CN 113960656B CN 202010697014 A CN202010697014 A CN 202010697014A CN 113960656 B CN113960656 B CN 113960656B
- Authority
- CN
- China
- Prior art keywords
- model
- seismic data
- morphology
- machine learning
- feature
- 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
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 183
- 238000010801 machine learning Methods 0.000 claims abstract description 159
- 238000012549 training Methods 0.000 claims description 66
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012876 topography Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种地震数据目标形态特征识别方法及装置,地震数据目标形态特征识别方法包括:获取目标工区的地震数据;根据预生成的第一机器学习模型以及所述地震数据识别具有相同地震特征的地震数据在所述目标工区中的分布区域,所述地震特征包括:能量特征、频率特征以及地形特征;根据所述第一机器学习模型识别所述分布区域的目标形态特征,所述目标形态特征包括:线性形态特征、双曲形态特征以及交叉形态特征。本发明所提供的地震数据目标形态特征识别方法及装置,可以在使用机器学习处理地震数据时降低地震数据的样本数量,提高样本对比准确度。
Description
技术领域
本发明涉及石油勘探领域,尤其是地震数据处理技术,具体涉及一种地震数据目标形态特征识别方法及装置。
背景技术
现有技术中,使用机器学习进行地震资料处理时,需要预先使用合理的样本进行训练,用于训练的样本要能反映地震数据的典型特征。
由野外采集到的地震数据受到采集条件、激发接收仪器、地形和地下构造的影响,其特征变化大,且能量差异大,不容易识别不同类型的特征,从而导致机器学习进行地震数据处理时样本量过大,同时不易判断地震数据的特征。
发明内容
针对现有技术中的问题,本发明所提供的地震数据目标形态特征识别方法及装置,可以在使用机器学习处理地震数据时降低地震数据的样本数量,提高样本对比准确度。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种地震数据目标形态特征识别方法,包括:
获取目标工区的地震数据;
根据预生成的第一机器学习模型以及所述地震数据识别具有相同地震特征的地震数据在所述目标工区中的分布区域,所述地震特征包括:能量特征、频率特征以及地形特征;
根据所述第一机器学习模型识别所述分布区域的目标形态特征,所述目标形态特征包括:线性形态特征、双曲形态特征以及交叉形态特征。
一实施例中,所述第一机器学习模型包括:能量特征分布区域识别模型、频率特征分布区域识别模型以及地形特征分布区域识别模型。
一实施例中,生成所述能量特征分布区域识别模型的步骤包括:
拾取地震数据面波、折射波以及单频噪声的振幅范围;
对所述振幅范围外的振幅进行数值设置,以生成编辑后的振幅数据;
将地震数据与编辑后的振幅数据作为样本对所述能量特征分布区域识别模型的初始模型进行训练,以生成所述能量特征分布区域识别模型。
一实施例中,生成所述频率特征分布区域识别模型的步骤包括:
拾取地震数据单频噪声的频率值;
利用陷波滤波器滤出所述频率值对应的信号数据;
将地震数据与所述信号数据作为样本对所述频率特征分布区域识别模型的初始模型进行训练,以生成所述频率特征分布区域识别模型。
一实施例中,生成地形特征分布区域识别模型的步骤包括:
根据信噪比、起伏形态、能量形态拾取地震数据中与地形相关的区域,将地形相关的区域以外的振幅值进行数值设置,以生成编辑后的地形数据;
将地震数据与编辑后的地形数据作为样本对所述地形特征分布区域识别模型的初始模型进行训练,以生成所述地形特征分布区域识别模型。
一实施例中,地震数据目标形态特征识别方法还包括:根据预生成第二机器学习模型识别所述分布区域外的目标区域的目标形态特征,所述第二机器学习模型包括:线性形态特征识别模型、双曲形态特征识别模型以及交叉形态特征识别模型。
一实施例中,生成所述线性形态特征识别模型的步骤包括:
构建频率范围为1-150HZ的Ricker子波;
将所述Ricker子波按照不同的倾角分类成具有不同倾角的线性地震数据;
将所述具有不同倾角的线性地震数据和倾角数值作为样本对所述线性形态特征识别模型的初始模型进行训练,以生成所述线性形态特征识别模型。
一实施例中,生成所述双曲形态特征识别模型的步骤包括:
将所述Ricker子波按照不同的曲率分类成具有不同曲率的双曲地震数据;
将所述具有不同曲率的双曲地震数据和曲率数值作为样本对所述双曲形态特征识别模型的初始模型进行训练,以生成所述双曲形态特征识别模型。
一实施例中,生成交叉形态特征识别模型的步骤包括:
将所述Ricker子波按照两个倾角数值分类成具有交叉特征的地震数据;
将所述具有交叉特征的地震数据和上一轮训练中具有交特征的地震数据作为本轮训练样本对所述双曲形态特征识别模型的本轮交叉形态特征识别模型进行训练,以生成所述交叉形态特征识别模型。
一实施例中,所述第一机器学习模型以及所述第二机器学习模型为前馈式机器学习模型。
第二方面,本发明提供一种地震数据目标形态特征识别装置,该装置包括:
地震数据获取单元,用于获取目标工区的地震数据;
区域识别单元,用于根据预生成的第一机器学习模型以及所述地震数据识别具有相同地震特征的地震数据在所述目标工区中的分布区域,所述地震特征包括:能量特征、频率特征以及地形特征;
形态特征识别单元,用于根据所述第一机器学习模型识别所述分布区域的目标形态特征,所述目标形态特征包括:线性形态特征、双曲形态特征以及交叉形态特征。
一实施例中,所述第一机器学习模型包括:能量特征分布区域识别模型、频率特征分布区域识别模型以及地形特征分布区域识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:能量模型生成单元,用于生成所述能量特征分布区域识别模型,所述能量模型生成单元包括:
振幅范围拾取模块,用于拾取地震数据面波、折射波以及单频噪声的振幅范围;
振幅数据编辑模块,用于对所述振幅范围外的振幅进行数值设置,以生成编辑后的振幅数据;
能量模型生成模块,用于将地震数据与编辑后的振幅数据作为样本对所述能量特征分布区域识别模型的初始模型进行训练,以生成所述能量特征分布区域识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:频率模型生成单元,用于生成所述频率特征分布区域识别模型,所述频率模型生成单元包括:
频率拾取模块,用于拾取地震数据单频噪声的频率值;
频率过滤模块,用于利用陷波滤波器滤出所述频率值对应的信号数据;
频率模型生成模块,用于将地震数据与所述信号数据作为样本对所述频率特征分布区域识别模型的初始模型进行训练,以生成所述频率特征分布区域识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:地模型形生成单元,用于生成地形特征分布区域识别模型,所述地模型形生成单元包括:
地形区域拾取模块,用于根据信噪比、起伏形态、能量形态拾取地震数据中与地形相关的区域,
地形数据编辑模块,用于将地形相关的区域以外的振幅值进行数值设置,以生成编辑后的地形数据;
所述地模型形生成模块,用于将地震数据与编辑后的地形数据作为样本对所述地形特征分布区域识别模型的初始模型进行训练,以生成所述地形特征分布区域识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:剩余区域识别单元,用于根据预生成第二机器学习模型识别所述分布区域外的目标区域的目标形态特征,所述第二机器学习模型包括:线性形态特征识别模型、双曲形态特征识别模型以及交叉形态特征识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:线性模型生成单元,用于生成所述线性形态特征识别模型,所述线性模型生成单元包括:
子波构建模块,用于构建频率范围为1-150HZ的Ricker子波;
子波第一分类模块,用于将所述Ricker子波按照不同的倾角分类成具有不同倾角的线性地震数据;
线性模型生成模块,用于将所述具有不同倾角的线性地震数据和倾角数值作为样本对所述线性形态特征识别模型的初始模型进行训练,以生成所述线性形态特征识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:双曲形态模型生成单元,用于生成所述双曲形态特征识别模型,所述双曲形态模型生成单元包括:
子波第二分类模块,用于将所述Ricker子波按照不同的曲率分类成具有不同曲率的双曲地震数据;
双曲形态模型生成模块,用于将所述具有不同曲率的双曲地震数据和曲率数值作为样本对所述双曲形态特征识别模型的初始模型进行训练,以生成所述双曲形态特征识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:交叉形态模型生成单元,用于生成交叉形态特征识别模型,所述交叉形态模型生成单元包括:
子波第三分类模块,用于将所述Ricker子波按照两个倾角数值分类成具有交叉特征的地震数据;
交叉形态模型生成模块,用于将所述具有交叉特征的地震数据和上一轮训练中具有交特征的地震数据作为本轮训练样本对所述双曲形态特征识别模型的本轮交叉形态特征识别模型进行训练,以生成所述交叉形态特征识别模型。
一实施例中,所述第一机器学习模型以及所述第二机器学习模型为前馈式机器学习模型。
第三方面,本发明提供一种电子设备,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,处理器执行程序时实现地震数据目标形态特征识别方法的步骤。
第四方面,本发明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地震数据目标形态特征识别方法的步骤。
从上述描述可知,本发明实施例提供地震数据目标形态特征识别方法及装置,首先获取目标工区的地震数据;接着,根据预生成的第一机器学习模型以及所述地震数据识别具有相同地震特征的地震数据在所述目标工区中的分布区域;最后根据所述第一机器学习模型识别所述分布区域的目标形态特征。本发明通过机器学习识别整体和局部特征,可以在使用机器学习处理地震数据时降低地震数据的样本数量,提高样本对比准确度。克服了现有技术中,使用机器学习进行地震资料处理时,需要预先使用合理的样本进行训练,用于训练的样本要能反映地震数据的典型特征的问题。
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。
图1为本发明的实施例中的地震数据目标形态特征识别方法的流程示意图一;
图2为本发明的实施例中的地震数据目标形态特征识别方法的流程示意图二;
图3为本发明的实施例中步骤400的流程示意图;
图4为本发明的实施例中的地震数据目标形态特征识别方法的流程示意图三;
图5为本发明的实施例中步骤500的流程示意图;
图6为本发明的实施例中的地震数据目标形态特征识别方法的流程示意图四;
图7为本发明的实施例中步骤600的流程示意图;
图8为本发明的实施例中生成所述线性形态特征识别模型的流程示意图;
图9为本发明的实施例中生成所述双曲形态特征识别模型的流程示意图;
图10为本发明的实施例中生成交叉形态特征识别模型的流程示意图;
图11为本发明的具体实施方式中地震数据目标形态特征识别方法的流程示意图;
图12为本发明的实施例中的地震数据目标形态特征识别装置的结构示意图;
图13为本发明的实施例中的电子设备的结构示意图。
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,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的实施例提供一种地震数据目标形态特征识别方法的具体实施方式,参见图1,该方法具体包括如下内容:
步骤100:获取目标工区的地震数据。
可以理解的是,现有技术存在如下问题:使用机器学习进行地震资料处理,需要预先使用合理的样本进行训练,用于训练的样本要能反映地震数据的典型特征。由野外采集到的地震数据(步骤100所获取的地震数据)受到采集条件、激发接收仪器、地形和地下构造的影响,其特征变化大,且能量差异大,不容易识别不同类型的特征,从而导致机器学习进行地震数据处理时样本量过大,同时不易判断地震数据的特征。
步骤200:根据预生成的第一机器学习模型以及所述地震数据识别具有相同地震特征的地震数据在所述目标工区中的分布区域。
所述地震特征包括:能量特征、频率特征以及地形特征。具体来说包括:使用第一机器学习模型识别具有相同能量特征在地震数据中的分布区域、使用机器学习模型识别具有相同频率特征在地震数据中的分布区域、使用机器学习模型识别具有相同地形特征在地震数据中的分布区域中的一种或者多种。
步骤300:根据所述第一机器学习模型识别所述分布区域的目标形态特征。
所述目标形态特征包括:线性形态特征、双曲形态特征以及交叉形态特征。另外,步骤200中的分布区域指所述的相同能量特征分布区域,相同频率特征分布区域,相同地形特征分布区域;
从上述描述可知,本发明实施例提供地震数据目标形态特征识别方法,首先获取目标工区的地震数据;接着,根据预生成的第一机器学习模型以及所述地震数据识别具有相同地震特征的地震数据在所述目标工区中的分布区域;最后根据所述第一机器学习模型识别所述分布区域的目标形态特征。本发明通过机器学习识别整体和局部特征,可以在使用机器学习处理地震数据时降低地震数据的样本数量,提高样本对比准确度。克服了现有技术中,使用机器学习进行地震资料处理时,需要预先使用合理的样本进行训练,用于训练的样本要能反映地震数据的典型特征的问题。
一实施例中,所述第一机器学习模型包括:能量特征分布区域识别模型、频率特征分布区域识别模型以及地形特征分布区域识别模型。
一实施例中,参见图2,地震数据目标形态特征识别方法还包括:
步骤400:生成能量特征分布区域识别模型。参见图3,步骤400进一步包括:
步骤401:拾取地震数据面波、折射波以及单频噪声的振幅范围;
步骤402:对所述振幅范围外的振幅进行数值设置,以生成编辑后的振幅数据;
步骤403:将地震数据与编辑后的振幅数据作为样本对所述能量特征分布区域识别模型的初始模型进行训练,以生成所述能量特征分布区域识别模型。
具体地,能量特征分布区域识别模型是一种前馈式机器学习模型,前馈式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,包含输入和输出层的则称为前馈式深度学习网络。具体实现时,通过拾取地震数据面波、折射波、单频噪声的振幅范围,接着对所述的振幅范围外的振幅设置为0生成编辑后的数据,将地震数据与编辑后的数据作为样本和标签输入能量特征分布区域识别机器学习模型进行训练获得相同能量特征分布区域识别机器学习模型。
一实施例中,参见图4,地震数据目标形态特征识别方法还包括:
步骤500:生成频率特征分布区域识别模型。参见图5,步骤500进一步包括:
步骤501:拾取地震数据单频噪声的频率值;
步骤502:利用陷波滤波器滤出所述频率值对应的信号数据;
步骤503:将地震数据与所述信号数据作为样本对所述频率特征分布区域识别模型的初始模型进行训练,以生成所述频率特征分布区域识别模型。
在步骤501至步骤503中,频率特征分布区域识别模型是一种前馈式机器学习模型。首先拾取地震数据单频噪声的频率值,接着采用陷波滤波器滤出所述频率值的信号生成编辑后的数据,将地震数据与编辑后的数据作为样本和标签进行训练获得相同频率特征分布区域识别机器学习模型。
一实施例中,参见图6,地震数据目标形态特征识别方法还包括:
步骤600:生成地形特征分布区域识别模型。参见图7,步骤600进一步包括:
步骤601:根据信噪比、起伏形态、能量形态拾取地震数据中与地形相关的区域,
步骤602:将地形相关的区域以外的振幅值进行数值设置,以生成编辑后的地形数据;
步骤603:将地震数据与编辑后的地形数据作为样本对所述地形特征分布区域识别模型的初始模型进行训练,以生成所述地形特征分布区域识别模型。
在步骤601至步骤603中,地形特征分布区域识别机器学习模型是一种前馈式机器学习模型;具体实现时,首先拾取地震数据中与地形相关的区域,该区域的选择上具体表现为从记录时间开始到记录时间结束记录到信号的信噪比、起伏形态、能量形态近似,接着将地形相关区域以外的振幅值设置为0作为编辑后的数据,将地震数据与编辑后的数据作为样本和标签进行训练获得相同地形特征分布区域识别机器学习模型。
一实施例中,步骤300具体实施时,需要先配置能量特征分布区域识别模型、频率特征分布区域识别模型以及地形特征分布区域识别模型。具体地:
能量特征分布区域识别模型可以获得具有相同能量特征的信号分布区域;具体实现时,将地震数据输入能量特征分布区域识别机器学习模型,能量特征分布区域识别机器学习模型输出为将地震数据振幅设置为1或0的二分类,其中设置为1的区域表示为相同能量特征分布区域。
频率特征分布区域识别模型可以获得具有相同频率特征的信号分布区域。具体实现时,将地震数据输入频率特征分布区域识别机器学习模型,接着频率特征分布区域识别机器学习模型输出为将地震数据振幅设置为1或0的二分类,其中设置为1的区域表示为相同频率特征分布区域。
地形特征分布区域识别模型可以获得具有相同地形特征的信号分布区域。具体实现时,将地震数据输入地形特征分布区域识别机器学习模型,接着地形特征分布区域识别机器学习模型输出为将地震数据振幅设置为1或0的二分类,其中设置为1的区域表示为相同地形特征分布区域。
一实施例中,地震数据目标形态特征识别方法还包括:
步骤90:根据预生成第二机器学习模型识别所述分布区域外的目标区域的目标形态特征。
步骤90中的第二机器学习模型包括:线性形态特征识别模型、双曲形态特征识别模型以及交叉形态特征识别模型。步骤100中的分布区域指所述的相同能量特征分布区域,相同频率特征分布区域,相同地形特征分布区域;而步骤90中的分布区域外的目标区域(剩余区域)指地震数据上未被特征分布区域覆盖的其他区域。
一实施例中,参见图8,生成所述线性形态特征识别模型的步骤包括:
步骤a:构建频率范围为1-150HZ的Ricker子波;
步骤b:将所述Ricker子波按照不同的倾角分类成具有不同倾角的线性地震数据;
步骤c:将所述具有不同倾角的线性地震数据和倾角数值作为样本对所述线性形态特征识别模型的初始模型进行训练,以生成所述线性形态特征识别模型。
在步骤a至步骤c中,线性形态特征识别模型是一种前馈式机器学习模型。具体实现时,构建频率范围1-150HZ的Ricker子波,接着将所述的Ricker子波按照不同的倾角形成具有不同倾角的线性地震数据,将所述具有不同倾角的线性地震数据和倾角数值作为样本和标签进行训练获得线性形态特征识别机器学习模型。接着,配置线性形态特征识别机器学习模型,输入地震数据,输出线性信号的倾角值。
一实施例中,参见图9,生成所述双曲形态特征识别模型的步骤包括:
步骤d:将所述Ricker子波按照不同的曲率分类成具有不同曲率的双曲地震数据;
步骤e:将所述具有不同曲率的双曲地震数据和曲率数值作为样本对所述双曲形态特征识别模型的初始模型进行训练,以生成所述双曲形态特征识别模型。
在步骤d至步骤e中,双曲形态特征识别模型是一种前馈式机器学习模型。具体实现时,构建频率范围1-150HZ的Ricker子波,接着将所述的Ricker子波按照不同的曲率形成具有不同曲率的双曲地震数据,将所述具有不同曲率的双曲地震数据和曲率数值作为样本进行训练获得双曲形态特征识别机器学习模型;然后,配置双曲形态特征识别机器学习模型,输入地震数据,输出双曲信号的曲率。
一实施例中,参见图10,生成交叉形态特征识别模型的步骤包括:
步骤f:将所述Ricker子波按照两个倾角数值分类成具有交叉特征的地震数据;
步骤g:将所述具有交叉特征的地震数据和上一轮训练中具有交特征的地震数据作为本轮训练样本对所述双曲形态特征识别模型的本轮交叉形态特征识别模型进行训练,以生成所述交叉形态特征识别模型。
同样地,步骤f以及步骤g中的交叉形态特征识别模型是一种前馈式机器学习模型。交叉形态指的是不同倾角的线性信号相交后组成的形态。具体实现时,首先构建频率范围1-150HZ的Ricker子波,接着将所述的Ricker子波按照两种不同的倾角形成具有交叉特征的地震数据,将所述具有交叉特征的地震数据和二分类中的“是”标记数值作为样本进行训练获得交叉形态特征识别机器学习模型;然后,配置交叉形态特征识别模型,输入地震数据,输出是或否为交叉形态的二分类。
需要说明的是,在所述分布区域及剩余区域中使用机器学习模型识别局部区域内的目标线性形态特征,在所述分布区域及剩余区域中使用机器学习模型识别局部区域内的目标双曲形态特征,在所述分布区域及剩余区域中使用机器学习模型识别局部区域内的目标交叉形态特征中的一种或者多种;如果识别具有交叉形态特征则排除已经获得的信号倾角和曲率后,再次进行目标线性形态特征和目标双曲形态特征的识别,获得另一方向的线性和双曲形态特征。
一实施例中,所述第一机器学习模型以及所述第二机器学习模型均为前馈式机器学习模型。
为进一步地说明本方案,本发明提供地震数据目标形态特征识别方法的具体应用实例,该具体应用实例具体包括如下内容,参见图11。
S1:获取目标工区的地震数据。
可以理解的是,目标工区包括两部分,即分布区域以及剩余区域,具体来说分布区域指所述的相同能量特征分布区域,相同频率特征分布区域,相同地形特征分布区域;剩余区域指地震数据上未被特征分布区域覆盖的其他区域。
S2:使用机器学习模型识别具有相同特征在地震数据中的分布区域。
具体来说包括:使用机器学习模型识别具有相同能量特征在地震数据中的分布区域、使用机器学习模型识别具有相同频率特征在地震数据中的分布区域、使用机器学习模型识别具有相同地形特征在地震数据中的分布区域中的一种或者多种。
其中,使用机器学习模型识别具有相同能量特征在地震数据中的分布区域,步骤如下:
首先,通过样本获得能量特征分布区域识别机器学习模型。
能量特征分布区域识别机器学习模型是一种前馈式机器学习模型,前馈式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,包含输入和输出层的则称为前馈式深度学习网络。具体实现时,通过人工拾取地震数据面波、折射波、单频噪声的振幅范围,接着对所述的振幅范围外的振幅设置为0生成编辑后的数据,将地震数据与编辑后的数据作为样本和标签输入能量特征分布区域识别机器学习模型进行训练获得相同能量特征分布区域识别机器学习模型;然后,配置能量特征分布区域识别机器学习模型获得具有相同能量特征的信号分布区域。
具体实现时,将地震数据输入能量特征分布区域识别机器学习模型,能量特征分布区域识别机器学习模型输出为将地震数据振幅设置为1或0的二分类,其中设置为1的区域表示为相同能量特征分布区域;其中,使用机器学习模型识别具有相同频率特征在地震数据中的分布区域,步骤如下:
首先,获得频率特征分布区域识别机器学习模型。
频率特征分布区域识别机器学习模型是一种前馈式机器学习模型。具体实现时,人工拾取地震数据单频噪声的频率值,接着采用陷波滤波器滤出所述频率值的信号生成编辑后的数据,将地震数据与编辑后的数据作为样本和标签进行训练获得相同频率特征分布区域识别机器学习模型。
然后,配置频率特征分布区域识别机器学习模型获得具有相同频率特征的信号分布区域。具体实现时,将地震数据输入频率特征分布区域识别机器学习模型,接着频率特征分布区域识别机器学习模型输出为将地震数据振幅设置为1或0的二分类,其中设置为1的区域表示为相同频率特征分布区域。其中,使用机器学习模型识别具有相同地形特征在地震数据中的分布区域,步骤如下:
首先,获得地形特征分布区域识别机器学习模型;
地形特征分布区域识别机器学习模型是一种前馈式机器学习模型;具体实现时,人工拾取地震数据中与地形相关的区域,该区域的选择上具体表现为从记录时间开始到记录时间结束记录到信号的信噪比、起伏形态、能量形态近似,接着将地形相关区域以外的振幅值设置为0作为编辑后的数据,将地震数据与编辑后的数据作为样本和标签进行训练获得相同地形特征分布区域识别机器学习模型。然后,配置地形特征分布区域识别机器学习模型获得具有相同地形特征的信号分布区域。具体实现时,将地震数据输入地形特征分布区域识别机器学习模型,接着地形特征分布区域识别机器学习模型输出为将地震数据振幅设置为1或0的二分类,其中设置为1的区域表示为相同地形特征分布区域。
S3:在能量、频率和地形特征分布区域及剩余区域中使用机器学习模型识别局部区域内的目标形态特征。
具体来说识别局部区域内的目标形态特征,包括:在所述分布区域及剩余区域中使用机器学习模型识别局部区域内的目标线性形态特征;在所述分布区域及剩余区域中使用机器学习模型识别局部区域内的目标双曲形态特征;在所述分布区域及剩余区域中使用机器学习模型识别局部区域内的目标交叉形态特征中的一种或者多种;如果识别具有交叉形态特征则排除已经获得的信号倾角和曲率后,再次进行目标线性形态特征和目标双曲形态特征的识别,获得另一方向的线性和双曲形态特征。
其中,在所述分布区域及剩余区域中使用机器学习模型识别局部区域内的目标线性形态特征,步骤如下:
首先,获得线性形态特征识别机器学习模型。线性形态特征识别机器学习模型是一种前馈式机器学习模型。具体实现时,构建频率范围1-150HZ的Ricker子波,接着将所述的Ricker子波按照不同的倾角形成具有不同倾角的线性地震数据,将所述具有不同倾角的线性地震数据和倾角数值作为样本和标签进行训练获得线性形态特征识别机器学习模型。然后,配置线性形态特征识别机器学习模型,输入地震数据,输出线性信号的倾角值。
其中,在所述分布区域及剩余区域中使用机器学习模型识别局部区域内的目标双曲形态特征,步骤如下:
首先,获得双曲形态特征识别机器学习模型。双曲形态特征识别机器学习模型是一种前馈式机器学习模型。具体实现时,构建频率范围1-150HZ的Ricker子波,接着将所述的Ricker子波按照不同的曲率形成具有不同曲率的双曲地震数据,将所述具有不同曲率的双曲地震数据和曲率数值作为样本进行训练获得双曲形态特征识别机器学习模型;然后,配置双曲形态特征识别机器学习模型,输入地震数据,输出双曲信号的曲率。
其中,在所述分布区域及剩余区域中使用机器学习模型识别局部区域内的交叉形态特征,步骤如下:
首先,获得交叉形态特征识别机器学习模型。交叉形态特征识别机器学习模型是一种前馈式机器学习模型。交叉形态指的是不同倾角的线性信号相交后组成的形态。具体实现时,构建频率范围1-150HZ的Ricker子波,接着将所述的Ricker子波按照两种不同的倾角形成具有交叉特征的地震数据,将所述具有交叉特征的地震数据和二分类中的“是”标记数值作为样本进行训练获得交叉形态特征识别机器学习模型;然后,配置交叉形态特征识别机器学习模型,输入地震数据,输出是或否为交叉形态的二分类。
从上述描述可知,本发明实施例提供地震数据目标形态特征识别方法,首先获取目标工区的地震数据;接着,根据预生成的第一机器学习模型以及所述地震数据识别具有相同地震特征的地震数据在所述目标工区中的分布区域;最后根据所述第一机器学习模型识别所述分布区域的目标形态特征。本发明在使用机器学习模型进行地震数据处理过程中能够准确识别目标的区域和特征,从而降低地震数据的样本数量,提高样本对比准确度。
基于同一发明构思,本申请实施例还提供了地震数据目标形态特征识别装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于地震数据目标形态特征识别装置解决问题的原理与地震数据目标形态特征识别方法相似,因此地震数据目标形态特征识别装置的实施可以参见地震数据目标形态特征识别方法实施,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系统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。
本发明的实施例提供一种能够实现地震数据目标形态特征识别方法的地震数据目标形态特征识别装置的具体实施方式,参见图12,地震数据目标形态特征识别装置具体包括如下内容:
地震数据获取单元10,用于获取目标工区的地震数据;
区域识别单元20,用于根据预生成的第一机器学习模型以及所述地震数据识别具有相同地震特征的地震数据在所述目标工区中的分布区域,所述地震特征包括:能量特征、频率特征以及地形特征;
形态特征识别单元30,用于根据所述第一机器学习模型识别所述分布区域的目标形态特征,所述目标形态特征包括:线性形态特征、双曲形态特征以及交叉形态特征。
一实施例中,所述第一机器学习模型包括:能量特征分布区域识别模型、频率特征分布区域识别模型以及地形特征分布区域识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:能量模型生成单元,用于生成所述能量特征分布区域识别模型,所述能量模型生成单元包括:
振幅范围拾取模块,用于拾取地震数据面波、折射波以及单频噪声的振幅范围;
振幅数据编辑模块,用于对所述振幅范围外的振幅进行数值设置,以生成编辑后的振幅数据;
能量模型生成模块,用于将地震数据与编辑后的振幅数据作为样本对所述能量特征分布区域识别模型的初始模型进行训练,以生成所述能量特征分布区域识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:频率模型生成单元,用于生成所述频率特征分布区域识别模型,所述频率模型生成单元包括:
频率拾取模块,用于拾取地震数据单频噪声的频率值;
频率过滤模块,用于利用陷波滤波器滤出所述频率值对应的信号数据;
频率模型生成模块,用于将地震数据与所述信号数据作为样本对所述频率特征分布区域识别模型的初始模型进行训练,以生成所述频率特征分布区域识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:地模型形生成单元,用于生成地形特征分布区域识别模型,所述地模型形生成单元包括:
地形区域拾取模块,用于根据信噪比、起伏形态、能量形态拾取地震数据中与地形相关的区域,
地形数据编辑模块,用于将地形相关的区域以外的振幅值进行数值设置,以生成编辑后的地形数据;
所述地模型形生成模块,用于将地震数据与编辑后的地形数据作为样本对所述地形特征分布区域识别模型的初始模型进行训练,以生成所述地形特征分布区域识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:剩余区域识别单元,用于根据预生成第二机器学习模型识别所述分布区域外的目标区域的目标形态特征,所述第二机器学习模型包括:线性形态特征识别模型、双曲形态特征识别模型以及交叉形态特征识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:线性模型生成单元,用于生成所述线性形态特征识别模型,所述线性模型生成单元包括:
子波构建模块,用于构建频率范围为1-150HZ的Ricker子波;
子波第一分类模块,用于将所述Ricker子波按照不同的倾角分类成具有不同倾角的线性地震数据;
线性模型生成模块,用于将所述具有不同倾角的线性地震数据和倾角数值作为样本对所述线性形态特征识别模型的初始模型进行训练,以生成所述线性形态特征识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:双曲形态模型生成单元,用于生成所述双曲形态特征识别模型,所述双曲形态模型生成单元包括:
子波第二分类模块,用于将所述Ricker子波按照不同的曲率分类成具有不同曲率的双曲地震数据;
双曲形态模型生成模块,用于将所述具有不同曲率的双曲地震数据和曲率数值作为样本对所述双曲形态特征识别模型的初始模型进行训练,以生成所述双曲形态特征识别模型。
一实施例中,地震数据目标形态特征识别装置还包括:交叉形态模型生成单元,用于生成交叉形态特征识别模型,所述交叉形态模型生成单元包括:
子波第三分类模块,用于将所述Ricker子波按照两个倾角数值分类成具有交叉特征的地震数据;
交叉形态模型生成模块,用于将所述具有交叉特征的地震数据和上一轮训练中具有交特征的地震数据作为本轮训练样本对所述双曲形态特征识别模型的本轮交叉形态特征识别模型进行训练,以生成所述交叉形态特征识别模型。
一实施例中,所述第一机器学习模型以及所述第二机器学习模型为前馈式机器学习模型。
从上述描述可知,本发明实施例提供地震数据目标形态特征识别装置,首先获取目标工区的地震数据;接着,根据预生成的第一机器学习模型以及所述地震数据识别具有相同地震特征的地震数据在所述目标工区中的分布区域;最后根据所述第一机器学习模型识别所述分布区域的目标形态特征。本发明通过机器学习识别整体和局部特征,可以在使用机器学习处理地震数据时降低地震数据的样本数量,提高样本对比准确度。克服了现有技术中,使用机器学习进行地震资料处理时,需要预先使用合理的样本进行训练,用于训练的样本要能反映地震数据的典型特征的问题。
上述实施例阐明的装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为电子设备,具体的,电子设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中电子设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该程序时实现上述基于前端框架的动态埋点方法的步骤,该步骤包括:
步骤100:获取目标工区的地震数据;
步骤200:根据预生成的第一机器学习模型以及所述地震数据识别具有相同地震特征的地震数据在所述目标工区中的分布区域,所述地震特征包括:能量特征、频率特征以及地形特征;
步骤300:根据所述第一机器学习模型识别所述分布区域的目标形态特征,所述目标形态特征包括:线性形态特征、双曲形态特征以及交叉形态特征。
下面参考图13,其示出了适于用来实现本申请实施例的电子设备600的结构示意图。
如图13所示,电子设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括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上述基于前端框架的动态埋点方法。
在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
以上该仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种地震数据目标形态特征识别方法,其特征在于,包括:
获取目标工区的地震数据;
根据预生成的第一机器学习模型以及所述地震数据识别具有相同地震特征的地震数据在所述目标工区中的分布区域,所述地震特征包括:能量特征、频率特征以及地形特征;所述第一机器学习模型包括:能量特征分布区域识别模型、频率特征分布区域识别模型以及地形特征分布区域识别模型;
根据预生成的第二机器学习模型识别所述分布区域的目标形态特征,所述目标形态特征包括:线性形态特征、双曲形态特征以及交叉形态特征;
根据预生成第二机器学习模型识别所述分布区域外的目标区域的目标形态特征,所述第二机器学习模型包括:线性形态特征识别模型、双曲形态特征识别模型以及交叉形态特征识别模型;
生成所述能量特征分布区域识别模型的步骤包括:
拾取地震数据面波、折射波以及单频噪声的振幅范围;
对所述振幅范围外的振幅进行数值设置,以生成编辑后的振幅数据;
将地震数据与编辑后的振幅数据作为样本对所述能量特征分布区域识别模型的初始模型进行训练,以生成所述能量特征分布区域识别模型;
生成所述频率特征分布区域识别模型的步骤包括:
拾取地震数据单频噪声的频率值;
利用陷波滤波器滤出所述频率值对应的信号数据;
将地震数据与所述信号数据作为样本对所述频率特征分布区域识别模型的初始模型进行训练,以生成所述频率特征分布区域识别模型;
生成地形特征分布区域识别模型的步骤包括:
根据信噪比、起伏形态、能量形态拾取地震数据中与地形相关的区域,
将地形相关的区域以外的振幅值进行数值设置,以生成编辑后的地形数据;
将地震数据与编辑后的地形数据作为样本对所述地形特征分布区域识别模型的初始模型进行训练,以生成所述地形特征分布区域识别模型;
生成所述线性形态特征识别模型的步骤包括:
构建频率范围为1-150HZ的Ricker子波;
将所述Ricker子波按照不同的倾角分类成具有不同倾角的线性地震数据;
将所述具有不同倾角的线性地震数据和倾角数值作为样本对所述线性形态特征识别模型的初始模型进行训练,以生成所述线性形态特征识别模型;
生成所述双曲形态特征识别模型的步骤包括:
将所述Ricker子波按照不同的曲率分类成具有不同曲率的双曲地震数据;
将所述具有不同曲率的双曲地震数据和曲率数值作为样本对所述双曲形态特征识别模型的初始模型进行训练,以生成所述双曲形态特征识别模型;
生成交叉形态特征识别模型的步骤包括:
将所述Ricker子波按照两个倾角数值分类成具有交叉特征的地震数据;
将所述具有交叉特征的地震数据和上一轮训练中具有交特征的地震数据作为本轮训练样本对所述双曲形态特征识别模型的本轮交叉形态特征识别模型进行训练,以生成所述交叉形态特征识别模型。
2.如权利要求1所述的地震数据目标形态特征识别方法,其特征在于,所述第一机器学习模型以及所述第二机器学习模型为前馈式机器学习模型。
3.一种地震数据目标形态特征识别装置,其特征在于,包括:
地震数据获取单元,用于获取目标工区的地震数据;
区域识别单元,用于根据预生成的第一机器学习模型以及所述地震数据识别具有相同地震特征的地震数据在所述目标工区中的分布区域,所述地震特征包括:能量特征、频率特征以及地形特征;所述第一机器学习模型包括:能量特征分布区域识别模型、频率特征分布区域识别模型以及地形特征分布区域识别模型;
形态特征识别单元,用于根据预生成的第二机器学习模型识别所述分布区域的目标形态特征,所述目标形态特征包括:线性形态特征、双曲形态特征以及交叉形态特征;
剩余区域识别单元,用于根据预生成第二机器学习模型识别所述分布区域外的目标区域的目标形态特征,所述第二机器学习模型包括:线性形态特征识别模型、双曲形态特征识别模型以及交叉形态特征识别模型;
能量模型生成单元,用于生成所述能量特征分布区域识别模型,所述能量模型生成单元包括:
振幅范围拾取模块,用于拾取地震数据面波、折射波以及单频噪声的振幅范围;
振幅数据编辑模块,用于对所述振幅范围外的振幅进行数值设置,以生成编辑后的振幅数据;
能量模型生成模块,用于将地震数据与编辑后的振幅数据作为样本对所述能量特征分布区域识别模型的初始模型进行训练,以生成所述能量特征分布区域识别模型;
频率模型生成单元,用于生成所述频率特征分布区域识别模型,所述频率模型生成单元包括:
频率拾取模块,用于拾取地震数据单频噪声的频率值;
频率过滤模块,用于利用陷波滤波器滤出所述频率值对应的信号数据;
频率模型生成模块,用于将地震数据与所述信号数据作为样本对所述频率特征分布区域识别模型的初始模型进行训练,以生成所述频率特征分布区域识别模型;
地模型形生成单元,用于生成地形特征分布区域识别模型,所述地模型形生成单元包括:
地形区域拾取模块,用于根据信噪比、起伏形态、能量形态拾取地震数据中与地形相关的区域,
地形数据编辑模块,用于将地形相关的区域以外的振幅值进行数值设置,以生成编辑后的地形数据;
所述地模型形生成模块,用于将地震数据与编辑后的地形数据作为样本对所述地形特征分布区域识别模型的初始模型进行训练,以生成所述地形特征分布区域识别模型;
线性模型生成单元,用于生成所述线性形态特征识别模型,所述线性模型生成单元包括:
子波构建模块,用于构建频率范围为1-150HZ的Ricker子波;
子波第一分类模块,用于将所述Ricker子波按照不同的倾角分类成具有不同倾角的线性地震数据;
线性模型生成模块,用于将所述具有不同倾角的线性地震数据和倾角数值作为样本对所述线性形态特征识别模型的初始模型进行训练,以生成所述线性形态特征识别模型;
双曲形态模型生成单元,用于生成所述双曲形态特征识别模型,所述双曲形态模型生成单元包括:
子波第二分类模块,用于将所述Ricker子波按照不同的曲率分类成具有不同曲率的双曲地震数据;
双曲形态模型生成模块,用于将所述具有不同曲率的双曲地震数据和曲率数值作为样本对所述双曲形态特征识别模型的初始模型进行训练,以生成所述双曲形态特征识别模型;
交叉形态模型生成单元,用于生成交叉形态特征识别模型,所述交叉形态模型生成单元包括:
子波第三分类模块,用于将所述Ricker子波按照两个倾角数值分类成具有交叉特征的地震数据;
交叉形态模型生成模块,用于将所述具有交叉特征的地震数据和上一轮训练中具有交特征的地震数据作为本轮训练样本对所述双曲形态特征识别模型的本轮交叉形态特征识别模型进行训练,以生成所述交叉形态特征识别模型。
4.如权利要求3所述的地震数据目标形态特征识别装置,其特征在于,所述第一机器学习模型以及所述第二机器学习模型为前馈式机器学习模型。
5.一种电子设备,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2任一项所述地震数据目标形态特征识别方法的步骤。
6.一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2任一项所述地震数据目标形态特征识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697014.9A CN113960656B (zh) | 2020-07-20 | 2020-07-20 | 地震数据目标形态特征识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697014.9A CN113960656B (zh) | 2020-07-20 | 2020-07-20 | 地震数据目标形态特征识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113960656A CN113960656A (zh) | 2022-01-21 |
CN113960656B true CN113960656B (zh) | 2023-07-25 |
Family
ID=79459411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010697014.9A Active CN113960656B (zh) | 2020-07-20 | 2020-07-20 | 地震数据目标形态特征识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113960656B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104793245A (zh) * | 2015-04-20 | 2015-07-22 | 中国海洋石油总公司 | 一种利用子波相位特征识别气藏的方法 |
WO2016171778A1 (en) * | 2015-04-24 | 2016-10-27 | Exxonmobil Upstream Research Company | Seismic stratigraphic surface classification |
WO2018203265A1 (en) * | 2017-05-04 | 2018-11-08 | Chevron U.S.A. Inc. | System and method for analyzing geologic features using seismic data |
CN109116423A (zh) * | 2018-07-11 | 2019-01-01 | 北京奥能恒业能源技术有限公司 | 一种绕射多次波压制方法及装置 |
KR20190080712A (ko) * | 2017-12-28 | 2019-07-08 | (주)대우건설 | 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 |
CN110673208A (zh) * | 2019-10-11 | 2020-01-10 | 中国海洋石油集团有限公司 | 一种机器学习框架下高维特征约束的初至拾取方法及系统 |
CN110837115A (zh) * | 2019-10-31 | 2020-02-25 | 中国石油天然气股份有限公司 | 陆相混积岩致密储层岩性的地震识别方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6674689B2 (en) * | 2002-04-12 | 2004-01-06 | Exxonmobil Upstream Research Company | Method for morphologic analysis of seismic objects |
US9046625B2 (en) * | 2011-09-30 | 2015-06-02 | Chevron U.S.A. Inc. | System and method for analyzing seismic data background |
US9817142B2 (en) * | 2015-01-15 | 2017-11-14 | Chevron U.S.A. Inc. | System and method for analyzing geologic features using seismic data |
US10036820B2 (en) * | 2016-03-04 | 2018-07-31 | General Electric Company | Expert guided knowledge acquisition system for analyzing seismic data |
-
2020
- 2020-07-20 CN CN202010697014.9A patent/CN113960656B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104793245A (zh) * | 2015-04-20 | 2015-07-22 | 中国海洋石油总公司 | 一种利用子波相位特征识别气藏的方法 |
WO2016171778A1 (en) * | 2015-04-24 | 2016-10-27 | Exxonmobil Upstream Research Company | Seismic stratigraphic surface classification |
WO2018203265A1 (en) * | 2017-05-04 | 2018-11-08 | Chevron U.S.A. Inc. | System and method for analyzing geologic features using seismic data |
KR20190080712A (ko) * | 2017-12-28 | 2019-07-08 | (주)대우건설 | 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 |
CN109116423A (zh) * | 2018-07-11 | 2019-01-01 | 北京奥能恒业能源技术有限公司 | 一种绕射多次波压制方法及装置 |
CN110673208A (zh) * | 2019-10-11 | 2020-01-10 | 中国海洋石油集团有限公司 | 一种机器学习框架下高维特征约束的初至拾取方法及系统 |
CN110837115A (zh) * | 2019-10-31 | 2020-02-25 | 中国石油天然气股份有限公司 | 陆相混积岩致密储层岩性的地震识别方法及装置 |
Non-Patent Citations (4)
Title |
---|
Ricker类地震子波;梅金顺 等;《石油地球物理勘探》;第47卷(第S1期);第8-14页 * |
Simultaneous dictionary learning and denoising for seismic data;Simon Beckouche;《Geophysics》;第79卷(第3期);第27-31页 * |
面向海上地震资料的τ-p域保幅处理方法;孙鲁平 等;《现代地质》;第26卷(第6期);第122-127页 * |
黄建平 等.《绕射波分离与成像方法》.中国石油大学出版社,2015,第20-24页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113960656A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van den Ende et al. | A self-supervised deep learning approach for blind denoising and waveform coherence enhancement in distributed acoustic sensing data | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
CN115240149A (zh) | 三维点云检测识别方法、装置、电子设备及存储介质 | |
US20190205693A1 (en) | Scale-Invariant Feature Point Extraction in Edge Map | |
Kershenbaum et al. | An image processing based paradigm for the extraction of tonal sounds in cetacean communications | |
CN110879412A (zh) | 地下横波速度反演方法、装置、计算设备及存储介质 | |
CN111381275A (zh) | 一种地震数据的初至拾取方法和装置 | |
CN112633213A (zh) | 基于yolo神经网络的张衡卫星闪电哨声波检测方法及系统 | |
CN116405233A (zh) | 一种基于改进vaegan与深度神经网络的网络入侵检测方法 | |
Zhao et al. | Ensemble empirical mode decomposition and stacking model for filtering borehole distributed acoustic sensing records | |
CN117392564B (zh) | 一种基于深度学习的河流水质反演方法、电子设备及存储介质 | |
CN113960656B (zh) | 地震数据目标形态特征识别方法及装置 | |
Alohali et al. | Automated fault detection in the Arabian Basin | |
CN117953341A (zh) | 一种病理图像分割网络模型、方法、装置及介质 | |
CN115951404B (zh) | 一种基于历史数据的震源定位方法及系统 | |
CN107170004A (zh) | 一种无人车单目视觉定位中对匹配矩阵的图像匹配方法 | |
CN109581498B (zh) | 储层厚度分布确定方法、系统、设备、可读介质 | |
CN116597313A (zh) | 一种基于改进YOLOv7的舰船光学图像尾迹检测方法 | |
CN115935142A (zh) | 一种基于短周期密集台阵城市背景噪声的成像方法及装置 | |
CN112799071B (zh) | 一种水底位置的检测方法及装置 | |
CN108898052A (zh) | 遥感图像中人工地物的检测方法及设备 | |
Min et al. | DAS vehicle signal extraction using machine learning in urban traffic monitoring | |
CN111580156B (zh) | 一种地震零值切片自动拾取方法及系统 | |
CN109471173B (zh) | 一种剩余静校正方法及装置 | |
Bogomaz et al. | An artificial neural network for analysis of ionograms obtained by ionosonde at the Ukrainian Antarctic Akademik Vernadsky station |
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 |