CN113971415A - 基于机器学习的地震数据多域处理方法及装置 - Google Patents
基于机器学习的地震数据多域处理方法及装置 Download PDFInfo
- Publication number
- CN113971415A CN113971415A CN202010644224.1A CN202010644224A CN113971415A CN 113971415 A CN113971415 A CN 113971415A CN 202010644224 A CN202010644224 A CN 202010644224A CN 113971415 A CN113971415 A CN 113971415A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- seismic data
- domain
- learning model
- seismic
- 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.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 137
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 description 20
- 238000013135 deep learning Methods 0.000 description 11
- 239000000523 sample Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Signal Processing (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
本发明提供了一种基于机器学习的地震数据多域处理方法及装置,基于机器学习的地震数据多域处理方法包括:获取目标工区的地震数据;根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围。本发明所提供的基于机器学习的地震数据多域处理方法及装置,可以拓展地震数据处理时机器学习模型的维度范围,更加综合的判断地震数据的特征,从而提高使用机器学习处理地震数据的精度。
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,具体涉及一种基于机器学习的地震数据多域处理方法及装置。
背景技术
地震数据由地表激发震源经过在地下介质的传播后返回地表被接收,按照激发和接收的方式不同分成了多个域,不同的域中地震信号按照不同排列顺序进行组合,随着组合顺序的不同,地震信号在不同的域显示的特点也各不相同,因此地震数据处理过程中经常需要在不同的域根据待处理地震信号的特征开展处理。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处理之中。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,包含输入和输出层的则称为前馈式深度学习网络。通过机器学习可以实现地震数据的自动化处理,处理过程无需人工干预。
但现有技术中,利用机器学习处理地震数据存在下面的问题:在不同的域进行地震数据的分析和处理是各自独立开展的,相互之间无法建立联系,无法相互补充。
发明内容
针对现有技术中的问题,本发明所提供的基于机器学习的地震数据多域处理方法及装置,可以拓展地震数据处理时机器学习模型的维度范围,更加综合的判断地震数据的特征,从而提高使用机器学习处理地震数据的精度。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种基于机器学习的地震数据多域处理方法,包括:
获取目标工区的地震数据;
根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围。
一实施例中,所述地震数据包括:共炮点道集、共检波点道集、共中心点道集、共偏移距道集以及共方位角道集数据;
所述多个域包括:共炮点数据域、共检波点数据域、共中心点数据域、共十字排列数据域、共偏移距数据域以及供方位角数据域。
一实施例中,所述根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围,包括:
根据所述地震数据以及所述机器学习模型确定其各自的多域特征参数以及所述多域特征参数的域范围;
所述多域特征参数包括:倾角、地震道能量与相邻地震道能量的平均倍数以及地震道与相邻地震道的时差。
一实施例中,所述机器学习模型为前馈式深度机器学习模型;生成所述机器学习模型的步骤包括:
根据所述地震数据的倾角、与相邻道能量的平均倍数、与相邻道的时差的相似度生成所述机器学习模型标签;
根据信噪比大于预设数值的地震数据以及所述机器学习模型标签对所述机器学习模型的初始模型进行训练,以生成所述机器学习模型。
第二方面,本发明提供一种基于机器学习的地震数据多域处理装置,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;
域范围确定单元,用于根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围。
一实施例中,所述地震数据包括:共炮点道集、共检波点道集、共中心点道集、共偏移距道集以及共方位角道集数据;
所述多个域包括:共炮点数据域、共检波点数据域、共中心点数据域、共十字排列数据域、共偏移距数据域以及供方位角数据域。
一实施例中,所述域范围确定单元包括:
特征参数确定模块,用于根据所述地震数据以及所述机器学习模型确定其各自的多域特征参数以及所述多域特征参数的域范围;
所述多域特征参数包括:倾角、地震道能量与相邻地震道能量的平均倍数以及地震道与相邻地震道的时差。
一实施例中,基于机器学习的地震数据多域处理装置,还包括模型生成单元,用于生成所述机器学习模型,所述模型生成单元包括:
模型标签生成模块,用于根据所述地震数据的倾角、与相邻道能量的平均倍数、与相邻道的时差的相似度生成所述机器学习模型标签;
模型生成模块,用于根据信噪比大于预设数值的地震数据以及所述机器学习模型标签对所述机器学习模型的初始模型进行训练,以生成所述机器学习模型;
所述机器学习模型为前馈式深度机器学习模型。
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基于机器学习的地震数据多域处理方法的步骤。
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基于机器学习的地震数据多域处理方法的步骤。
从上述描述可知,本发明实施例提供基于机器学习的地震数据多域处理方法及装置,首先获取目标工区的地震数据;接着,根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围。本发明可以拓展地震数据处理时机器学习模型的维度范围,更加综合的判断地震数据的特征,从而提高使用机器学习处理地震数据的精度。
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基于机器学习的地震数据多域处理方法的流程示意图一;
图2为本发明的实施例中步骤200的流程示意图;
图3为本发明的实施例中的基于机器学习的地震数据多域处理方法的流程示意图二;
图4为本发明的实施例中步骤300的流程示意图;
图5为本发明的具体实施方式中基于机器学习的地震数据多域处理方法的流程示意图;
图6为本发明的具体实施方式中炮域地震记录示意图;
图7为本发明的具体实施方式中检波点域地震记录示意图;
图8为本发明的具体实施方式中全工区获得的炮域倾角特征参数平面图;
图9为本发明的具体实施方式中检波点域特征参数平面图;
图10为本发明的具体实施方式中全工区炮域倾角相似度平面图;
图11为本发明的具体实施方式中全工区检波点域倾角相似度平面图;
图12为本发明的具体实施方式中最大相似度对应的倾角特征参数平面图;
图13为本发明的实施例中的基于机器学习的地震数据多域处理装置的结构示意图一;
图14为本发明的实施例中域范围确定单元的结构示意图;
图15为本发明的实施例中的基于机器学习的地震数据多域处理装置的结构示意图二;
图16为本发明的实施例中模型生成单元的结构示意图;
图17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。
本发明的实施例提供一种基于机器学习的地震数据多域处理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,步骤100中的地震数据按照观测系统对其排序可以获得待处理的地震数据的共炮点道集、共检波点道集、共中心点道集、共偏移距道集、共方位角道集数据。
步骤200:根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围。
具体地,地震数据相对于同一道地震记录在不同的域相邻的地震记录是不同的,相对于同一道地震记录在不同的域表现的地震信号特征也不同,因而在不同域对地震记录的信号进行识别才能有效的获得准确的信号的倾角、能量等参数,从而进行信噪分离。
从上述描述可知,本发明实施例提供基于机器学习的地震数据多域处理方法,首先获取目标工区的地震数据;接着,根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围。本发明可以拓展地震数据处理时机器学习模型的维度范围,更加综合的判断地震数据的特征,从而提高使用机器学习处理地震数据的精度。
一实施例中,所述地震数据包括:共炮点道集、共检波点道集、共中心点道集、共偏移距道集以及共方位角道集数据;
所述多个域包括:共炮点数据域、共检波点数据域、共中心点数据域、共十字排列数据域、共偏移距数据域以及供方位角数据域。
举例来说,地震数据采集时由炮点激发检波点接收,接收到的地震数据为炮域数据,对其分别按照检波点、中心点、检波线和炮线、方位角进行排序,可以获得相应的检波域、中心点域、十字排列域、方位角域数据。
一实施例中,参见图2,步骤200包括:
步骤201:根据所述地震数据以及所述机器学习模型确定其各自的多域特征参数以及所述多域特征参数的域范围;
步骤201在实施时,可以首先将多域地震数据输入地震数据机器学习模型,获得地震数据的多域特征参数;然后,将获得的多域特征参数输入地震数据机器学习模型,获得唯一地震数据特征参数、该地震数据特征参数的域范围以及多域特征参数的分值。
另外,步骤201中的多域特征参数包括:倾角、地震道能量与相邻地震道能量的平均倍数以及地震道与相邻地震道的时差。
一实施例中,所述机器学习模型为前馈式深度机器学习模型。
可以理解的是,前馈网络的目标是近似某个函数。例如,对于分类器,y=f*(x)将输入x映射到一个类别y。前馈网络定义了一个映射y=f(x;θ),并且学习参数θ的值,使它能够得到最佳的函数近似。在前馈神经网络内部,参数从输入层向输出层单向传播,通常前馈式深度学习网络包含卷积层、池化层、全连接层。
一实施例中,参见图3,基于机器学习的地震数据多域处理方法还包括:
步骤300:生成机器学习模型。进一步地,参见图4,步骤300包括:
步骤301:根据所述地震数据的倾角、与相邻道能量的平均倍数、与相邻道的时差的相似度生成所述机器学习模型标签。
步骤302:根据信噪比大于预设数值的地震数据以及所述机器学习模型标签对所述机器学习模型的初始模型进行训练,以生成所述机器学习模型。
以炮域地震数据举例来说明步骤301至步骤302,选择信噪比高的炮域地震记录作为样本数据,人工标定出该炮域地震记录的倾角、与相邻道能量的平均倍数、与相邻道的时差作为标签(模型训练约束条件),采用前馈式深度学习网络对样本和标签进行训练,获得配置后的共炮点域机器学习模型。具体地,这里采用多任务深度学习网络依次获得三个输出参数。多任务深度学习网络第一任务相邻道时差任务包含卷积层、池化层、全连接层,第二任务地震记录的倾角包含卷积层、池化层、全连接层,其卷积层连接第一任务的全连接层输出,第三任务相邻道能量的平均倍数包含卷积层、池化层、全连接层,其卷积层连接第二任务的全连接层输出。
为进一步地说明本方案,本发明提供基于机器学习的地震数据多域处理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5。
S0:配置前馈式深度机器学习模型。
选择信噪比高的地震记录作为样本数据,人工标定出该地震记录的倾角、与相邻道能量的平均倍数、与相邻道的时差作为标签,采用前馈式深度学习网络对样本和标签进行训练,获得配置后的前馈式深度机器学习模型。
以炮域地震数据举例来说,选择信噪比高的炮域地震记录作为样本数据,人工标定出该炮域地震记录的倾角、与相邻道能量的平均倍数、与相邻道的时差作为标签,采用前馈式深度学习网络对样本和标签进行训练,获得配置后的共炮点域机器学习模型。同样的,配置共检波点域机器学习模型、共中心点域机器学习模型、共十字排列域机器学习模型、共偏移距域机器学习模型、共方位角域机器学习模型,
S1:确定多域特征参数。
举例来说,地震数据采集时由炮点激发检波点接收,接收到的地震数据为炮域数据,对其分别按照检波点、中心点、检波线和炮线、方位角进行排序,可以获得相应的检波域、中心点域、十字排列域、方位角域数据,相对于同一道地震记录在不同的域相邻的地震记录是不同的,相对于同一道地震记录在不同的域表现的地震信号特征也不同,因而在不同域对地震记录的信号进行识别才能有效的获得准确的信号的倾角、能量等参数,从而进行信噪分离。
具体地,将共炮点道集、共检波点道集、共中心点道集、共偏移距道集、共方位角道集数据分别输入相应的机器学习模型可以获得相应的特征输出。即获得不同域地震信号倾角、与相邻道能量的平均倍数、与相邻道的时差。
S2:确定多域特征参数的域范围。
同样的,地震数据多域特征参数处理机器学习模型也是一种前馈式深度机器学习模型,模型的输入为地震数据在共炮点域、共检波点域、共中心点域、共十字排列域、共偏移距域、共方位角域上的特征参数中的一种或者多种,输出为多域的特征参数与信号准确的特征参数的相似度,分值范围1-10分,1为不相似,10为完全相同;
举例来说,选择信噪比高的地震记录的多域特征参数作为样本数据,人工标定出该地震记录的倾角、与相邻道能量的平均倍数、与相邻道的时差的相似度作为标签,采用前馈式深度学习网络对样本和标签进行训练,获得配置后的多域特征参数处理机器学习模型。
同样的,这里依然采用多任务深度学习网络依次获得三个输出参数。多任务深度学习网络第一任务相邻道时差相似度任务包含卷积层、池化层、全连接层,第二任务地震记录的倾角相似度任务包含卷积层、池化层、全连接层,其卷积层连接第一任务的全连接层输出,第三任务相邻道能量的平均倍数相似度任务包含卷积层、池化层、全连接层,其卷积层连接第二任务的全连接层输出。
将模型输出的相似度以及最高相似度对应的特征参数作为结果输出。
举例来说,图6以及图7分别为炮域和检波点域地震记录,虚线位置处的地震道与相邻道之间的线性信号倾角存在差异。图8以及图9分别为将全工区炮域和检波点域地震记录输入地震数据多域特征提取机器学习模型后获得的炮域倾角特征参数和检波点域特征参数。图10至图12为对全工区炮域和检波点域倾角特征参数输入多域特征参数处理机器学习模型后获得的相似度及最大相似度对应的倾角特征参数。通过最终获得的倾角特征可以进行进一步的信噪分离。
本具体实施例首先配置地震数据多域特征提取机器学习模型,获得地震数据的多域特征参数;然后配置地震数据多域特征参数处理机器学习模型,获得唯一地震数据特征参数和多域特征参数的分值;通过本方法能够在地震数据处理过程中考虑多个维度的信息获得更加准确的处理结果。本发明可以拓展地震数据处理时机器学习模型的维度范围,更加综合的判断地震数据的特征,从而提高使用机器学习处理地震数据的精度。
基于同一发明构思,本申请实施例还提供了基于机器学习的地震数据多域处理装置,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。由于基于机器学习的地震数据多域处理装置解决问题的原理与基于机器学习的地震数据多域处理方法相似,因此基于机器学习的地震数据多域处理装置的实施可以参见基于机器学习的地震数据多域处理方法实施,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基于机器学习的地震数据多域处理方法的基于机器学习的地震数据多域处理装置的具体实施方式,参见图13,基于机器学习的地震数据多域处理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;
域范围确定单元20,用于根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围。
一实施例中,所述地震数据包括:共炮点道集、共检波点道集、共中心点道集、共偏移距道集以及共方位角道集数据;
所述多个域包括:共炮点数据域、共检波点数据域、共中心点数据域、共十字排列数据域、共偏移距数据域以及供方位角数据域。
一实施例中,参见图14,所述域范围确定单元20包括:
特征参数确定模块201,用于根据所述地震数据以及所述机器学习模型确定其各自的多域特征参数以及所述多域特征参数的域范围;
所述多域特征参数包括:倾角、地震道能量与相邻地震道能量的平均倍数以及地震道与相邻地震道的时差。
一实施例中,基于机器学习的地震数据多域处理装置,参见图15,还包括模型生成单元30,用于生成所述机器学习模型,参见图16,所述模型生成单元30包括:
模型标签生成模块301,用于根据所述地震数据的倾角、与相邻道能量的平均倍数、与相邻道的时差的相似度生成所述机器学习模型标签;
模型生成模块302,用于根据信噪比大于预设数值的地震数据以及所述机器学习模型标签对所述机器学习模型的初始模型进行训练,以生成所述机器学习模型;
所述机器学习模型为前馈式深度机器学习模型。
从上述描述可知,本发明实施例提供基于机器学习的地震数据多域处理装置,首先获取目标工区的地震数据;接着,根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围。本发明可以拓展地震数据处理时机器学习模型的维度范围,更加综合的判断地震数据的特征,从而提高使用机器学习处理地震数据的精度。
本申请的实施例还提供能够实现上述实施例中的基于机器学习的地震数据多域处理方法中全部步骤的一种电子设备的具体实施方式,参见图17,电子设备具体包括如下内容:
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204;
其中,处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信;通信接口1203用于实现服务器端设备、检测设备以及用户端设备等相关设备之间的信息传输。
处理器1201用于调用存储器1202中的计算机程序,处理器执行计算机程序时实现上述实施例中的基于机器学习的地震数据多域处理方法中的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤100:获取目标工区的地震数据;
步骤200:根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围。
本申请的实施例还提供能够实现上述实施例中的基于机器学习的地震数据多域处理方法中全部步骤的一种计算机可读存储介质,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基于机器学习的地震数据多域处理方法的全部步骤,例如,处理器执行计算机程序时实现下述步骤:
步骤100:获取目标工区的地震数据;
步骤200:根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围。
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。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法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)。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例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,本说明书实施例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。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (10)
1.一种基于机器学习的地震数据多域处理方法,其特征在于,包括:
获取目标工区的地震数据;
根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围。
2.如权利要求1所述的地震数据多域处理方法,其特征在于,
所述地震数据包括:共炮点道集、共检波点道集、共中心点道集、共偏移距道集以及共方位角道集数据;
所述多个域包括:共炮点数据域、共检波点数据域、共中心点数据域、共十字排列数据域、共偏移距数据域以及供方位角数据域。
3.如权利要求2所述的地震数据多域处理方法,其特征在于,所述根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围,包括:
根据所述地震数据以及所述机器学习模型确定其各自的多域特征参数以及所述多域特征参数的域范围;
所述多域特征参数包括:倾角、地震道能量与相邻地震道能量的平均倍数以及地震道与相邻地震道的时差。
4.如权利要求1所述的地震数据多域处理方法,其特征在于,所述机器学习模型为前馈式深度机器学习模型;生成所述机器学习模型的步骤包括:
根据所述地震数据的倾角、与相邻道能量的平均倍数、与相邻道的时差的相似度生成所述机器学习模型标签;
根据信噪比大于预设数值的地震数据以及所述机器学习模型标签对所述机器学习模型的初始模型进行训练,以生成所述机器学习模型。
5.一种基于机器学习的地震数据多域处理装置,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;
域范围确定单元,用于根据预生成的机器学习模型以及所述地震数据,确定所述地震数据多个域中的特征域范围。
6.如权利要求5所述的地震数据多域处理装置,其特征在于,
所述地震数据包括:共炮点道集、共检波点道集、共中心点道集、共偏移距道集以及共方位角道集数据;
所述多个域包括:共炮点数据域、共检波点数据域、共中心点数据域、共十字排列数据域、共偏移距数据域以及供方位角数据域。
7.如权利要求6所述的地震数据多域处理装置,其特征在于,所述域范围确定单元包括:
特征参数确定模块,用于根据所述地震数据以及所述机器学习模型确定其各自的多域特征参数以及所述多域特征参数的域范围;
所述多域特征参数包括:倾角、地震道能量与相邻地震道能量的平均倍数以及地震道与相邻地震道的时差。
8.如权利要求5所述的地震数据多域处理装置,其特征在于,还包括模型生成单元,用于生成所述机器学习模型,所述模型生成单元包括:
模型标签生成模块,用于根据所述地震数据的倾角、与相邻道能量的平均倍数、与相邻道的时差的相似度生成所述机器学习模型标签;
模型生成模块,用于根据信噪比大于预设数值的地震数据以及所述机器学习模型标签对所述机器学习模型的初始模型进行训练,以生成所述机器学习模型;
所述机器学习模型为前馈式深度机器学习模型。
9.一种电子设备,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4任一项所述基于机器学习的地震数据多域处理方法的步骤。
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4任一项所述基于机器学习的地震数据多域处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010644224.1A CN113971415A (zh) | 2020-07-07 | 2020-07-07 | 基于机器学习的地震数据多域处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010644224.1A CN113971415A (zh) | 2020-07-07 | 2020-07-07 | 基于机器学习的地震数据多域处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113971415A true CN113971415A (zh) | 2022-01-25 |
Family
ID=79584509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010644224.1A Pending CN113971415A (zh) | 2020-07-07 | 2020-07-07 | 基于机器学习的地震数据多域处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971415A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267899A (zh) * | 2022-08-15 | 2022-11-01 | 河北地质大学 | 基于边界保持的DnCNN混合震源地震数据分离方法和系统 |
-
2020
- 2020-07-07 CN CN202010644224.1A patent/CN113971415A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267899A (zh) * | 2022-08-15 | 2022-11-01 | 河北地质大学 | 基于边界保持的DnCNN混合震源地震数据分离方法和系统 |
CN115267899B (zh) * | 2022-08-15 | 2024-01-12 | 河北地质大学 | 基于边界保持的DnCNN混合震源地震数据分离方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110945385B (zh) | 利用地层知识库从地震和井数据识别地层 | |
US7184991B1 (en) | Pattern recognition applied to oil exploration and production | |
CN110031896B (zh) | 基于多点地质统计学先验信息的地震随机反演方法及装置 | |
US6141622A (en) | Seismic semblance/discontinuity method | |
AU2020239165B2 (en) | Seismic data representation and comparison | |
CN104755962A (zh) | 4d地震数据的处理系统和方法 | |
EP3881105A1 (en) | Passive seismic imaging | |
US11892587B2 (en) | Distributed three-dimensional (3D) induced polarization (IP) data acquisition and processing device and method | |
Di et al. | 3D structural-orientation vector guided autotracking for weak seismic reflections: A new tool for shale reservoir visualization and interpretation | |
CN113971415A (zh) | 基于机器学习的地震数据多域处理方法及装置 | |
US20230072038A1 (en) | Method and apparatus for removing tube wave interference from optical fiber acoustic wave sensing seismic data | |
GB2583910A (en) | Method of analysing seismic data | |
Kadlec et al. | Knowledge-assisted visualization and segmentation of geologic features | |
CN110579799B (zh) | 一种等旅行时间间隔的地震采集观测方法及系统 | |
US8811677B2 (en) | Method of tracking discontinuous seismic horizons in seismic images | |
Aitken et al. | Semiautomated quantification of the influence of data richness on confidence in the geologic interpretation of aeromagnetic maps | |
Ge et al. | Reverse travel time imaging of microseismic location | |
WO2019191382A1 (en) | Wavefield propagator for tilted orthorhombic media | |
NO343122B1 (no) | Analyse av geologiske strukturer basert på seismiske attributter | |
US11965997B2 (en) | Determining fault surfaces from fault attribute volumes | |
Chen et al. | Toward autonomous event identification in wave-equation traveltime inversion | |
CN116050046A (zh) | 一种基于聚类分析的大地电磁模糊约束反演方法 | |
Chen et al. | Joint deblending and source time inversion | |
US20090052279A1 (en) | Method and system for determining azimuth parameters for seismic data processing | |
Steiner et al. | formikoj: A flexible library for data management and processing in geophysics—Application for seismic refraction data |
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 |