CN114048676A - 基于多任务深度学习的地震断层和层位解释方法、装置 - Google Patents

基于多任务深度学习的地震断层和层位解释方法、装置 Download PDF

Info

Publication number
CN114048676A
CN114048676A CN202111288136.3A CN202111288136A CN114048676A CN 114048676 A CN114048676 A CN 114048676A CN 202111288136 A CN202111288136 A CN 202111288136A CN 114048676 A CN114048676 A CN 114048676A
Authority
CN
China
Prior art keywords
network
fault
data
horizon
interpretation
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
Application number
CN202111288136.3A
Other languages
English (en)
Inventor
常德宽
张广智
周游
李林
蔺营
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202111288136.3A priority Critical patent/CN114048676A/zh
Publication of CN114048676A publication Critical patent/CN114048676A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本说明书提供了一种基于多任务深度学习的地震断层和层位解释方法、装置，该方法包括：根据三维地震数值模拟合成带有断层和层位的空间组合关系的速度模型，并对速度模型进行正演模拟，以获得合成地震数据；对合成地震数据自动标注断层标签和层位标签，以作为训练数据集；利用训练数据集对多任务深度学习网络模型进行推理学习，以获得初始网络模型；获取少量待解释地震数据的断层及层位标签数据；利用少量待解释地震数据的断层及层位标签数据对初始网络模型进行迁移学习，以获得目标解释模型；根据目标解释模型对待解释地震数据进行断层和层位解释，获得断层及层位解释结果。本说明书实施例可以提高地震数据断层和层位解释的准确度。

Description

基于多任务深度学习的地震断层和层位解释方法、装置
技术领域
本说明书涉及地震数据解释技术领域，尤其是涉及一种基于多任务深度学习的地震断层和层位解释方法、装置。
背景技术
地震解释是油气勘探领域的重要环节，其中地震数据断层和层位解释是两项关键工作。传统的断层和层位解释由解释人员以人机交互的方式进行手动解释，工作量巨大，且效率低下，容易带来人为误差。
为此，研究人员提出若干种地震数据自动解释方法。地震断层解释方面，Marfurt等(1999)提出特征结构相干算法，用于构造具有特征分解矩阵的协方差矩阵和特征分解矩阵；Pedersen等(2002)提出蚂蚁追踪方法用于提取小断层，然后合并形成较大的断层面；Wu等(2016)提出3D图像处理方法，自动计算与断层相邻的图像样本的断层面和倾斜滑动矢量。在地震层位解释方面，Zeng等(1998)提出了一种插值方法，该方法首先手动选取多个参考地层面，然后通过对解释后的层位面进行插值来构建整个地震层位；Borgos等(2003)首先使用地震振幅的波谷和波谷生成层位块，然后通过比较各层位块的相似性来合并组成一个层位。Lomask等(2006年)首先使用反射倾角使地震反射同相轴拉平，然后基于拉平的地震数据体生成相对地质时间(RGT)体积，用于层位拾取。Wu等(2012)提出具有水平和不整合约束的3D图形切割相位展开方法生成相对地质时间体，这提高在构造复杂区域的层位解释效果。Wu等(2018)提出了一种新的具有局部斜率和多网格相关性的自动地震层位解释方法。
然而，在实现本申请过程中，本申请的发明人研究发现：上述这些方法分别对断层和层位进行解释时，未考虑断层和层位的空间构造组合关系，这使得最终获得的层位和断层在空间构造上存在不闭合的情况。
发明内容
本说明书实施例的目的在于提供一种基于多任务深度学习的地震断层和层位解释方法、装置，以提高地震数据断层和层位解释的准确度。
为达到上述目的，一方面，本说明书实施例提供了一种基于多任务深度学习的地震断层和层位解释方法，包括：
根据三维地震数值模拟合成带有断层和层位的空间组合关系的速度模型，并对所述速度模型进行正演模拟，以获得合成地震数据；
对所述合成地震数据自动标注断层标签和层位标签，以作为训练数据集；
利用所述训练数据集对多任务深度学习网络模型进行推理学习，以获得初始网络模型；
获取少量待解释地震数据的断层及层位标签数据；
利用所述少量待解释地震数据的断层及层位标签数据对所述初始网络模型进行迁移学习，以获得目标解释模型；
根据所述目标解释模型对待解释地震数据进行断层和层位解释，获得断层及层位解释结果。
本说明书的实施例中，所述利用所述训练数据集对多任务深度学习网络模型进行推理学习，包括：
将所述训练数据集据输入多任务深度学习网络模型中进行推理学习，得到断层和层位的特征图；
对所述断层和层位特征图进行分类处理，获取所述训练数据集中每个地震数据的断层和层位类别概率；
通过预设的损失函数分别计算所述断层和层位类别概率与对应标签之间的损失值；
当所述损失值大于预设阈值时，利用所述损失值更新多任务深度学习网络模型中各层的权值参数，并继续进行训练，直至损失值不大于所述预设阈值为止。
本说明书的实施例中，所述多任务深度学习网络模型包括：用于学习断层和层位的相互关系的主干网络，用于学习断层特征的断层检测分支网络，以及用于学习层位特征的层位解释分支网络；其中，所述主干网络、所述断层检测分支网络及所述层位解释分支网络内，各层之间的共享输入特征通过张量拼接而成。
本说明书的实施例中，所述主干网络内各层之间的共享输入特征的张量拼接通过以下公式获得：
Figure BDA0003333637550000031
其中，Xn_input为主干网络内第n层网络的输入数据，Concatenate表示张量拼接，N表示主干网络的网络层数，Xn-1_output为主干网络内第n-1层网络的输出数据。
本说明书的实施例中，所述断层检测分支网络内各层之间的共享输入特征的张量拼接通过以下公式获得：
Figure BDA0003333637550000032
其中，XF,m_intput为断层检测分支网络内第m层网络的输入数据，Concatenate表示张量拼接，N表示主干网络的网络层数，M表示断层检测分支网络的网络层数，K表示层位解释分支网络的网络层数，Xn_output为主干网络内第n层网络的输出数据，XF,m-1_output为断层检测分支网络内第m-1层网络的输出数据，XL,k-1_output为层位解释分支网络内第k-1层网络的输出数据。
本说明书的实施例中，所述层位解释分支网络内各层之间的共享输入特征的张量拼接通过以下公式获得：
Figure BDA0003333637550000033
其中，XL,k_intput为层位解释分支网络内第k层网络的输入数据，Concatenate表示张量拼接，N表示主干网络的网络层数，M表示断层检测分支网络的网络层数，K表示层位解释分支网络的网络层数，Xn_output为主干网络内第n层网络的输出数据，XL,k-1_output为层位解释分支网络内第k-1层网络的输出数据，XF,m-1_output为断层检测分支网络内第m-1层网络的输出数据。
本说明书的实施例中，所述损失函数包括：
Figure BDA0003333637550000034
其中loss为损失函数，lossF为断层检测分支网络的损失函数，lossL为层位解释分支网络的损失函数，β和λ分别为断层检测分支网络的损失函数和层位解释分支网络的损失函数的权重，用于调节网络模型的训练优化效果，P为输入地震数据样本数，
Figure BDA0003333637550000041
为第i个样本数据的预测断层数据，Yi为第i个样本数据的标签断层数据，
Figure BDA0003333637550000042
为第i个样本数据的预测层位数据，Zi为第i个样本数据的标签层位数据，α为正负样本重要性平衡因子，γ为简单样本和复杂样本调制因子。
另一方面，本说明书实施例还提供了一种基于多任务深度学习的地震断层和层位解释装置，包括：
数据合成模块，用于根据三维地震数值模拟合成带有断层和层位的空间组合关系的速度模型，并对所述速度模型进行正演模拟，以获得合成地震数据；
第一标签模块，用于对所述合成地震数据自动标注断层标签和层位标签，以作为训练数据集；
第一训练模块，用于利用所述训练数据集对多任务深度学习网络模型进行推理学习，以获得初始网络模型；
第二标签模块，用于获取少量待解释地震数据的断层及层位标签数据；
第二训练模块，用于利用所述少量待解释地震数据的断层及层位标签数据对所述初始网络模型进行迁移学习，以获得目标解释模型；
数据解释模块，用于根据所述目标解释模型对待解释地震数据进行断层和层位解释，获得断层及层位解释结果。
另一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。
另一方面，本说明书实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
由以上本说明书实施例提供的技术方案可见，本说明书实施例中，利用三维数值模拟合成速度模型中带有断层和层位的空间组合关系(断层和层位的空间组合关系是指地震断层是与地质层位固有的密切相关的一种空间结构组合关系，这种关系决定了地震构造解释的准确性)；则对速度模型进行正演模拟获得的合成地震数据中也会带有断层和层位的空间组合关系；如此，当对合成地震数据自动标注断层标签和层位标签后作为训练数据集，并将其用于多任务深度学习网络模型训练时，多任务深度学习网络模型就可以学习到准确的断层与层位的组合关系，从而使得预测的层位和断层的空间构造组合关系更精确。
附图说明
为了更清楚地说明本说明书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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了本说明书一些实施例中基于多任务深度学习的地震断层和层位解释方法的流程图；
图2示出了本说明书一些实施例中利用训练数据集对多任务深度学习网络模型进行推理学习的流程图；
图3示出了本说明书一些实施例中多任务深度学习网络模型的结构示意图；
图4a示出了本说明书一实施例中预处理后的地震数据的示意图；
图4b示出了本说明书一实施例中的层位标签数据的示意图；
图4c示出了本说明书一实施例中的断层标签数据的示意图；
图5a示出了本说明书一实施例中预处理后的待解释地震数据的示意图；
图5b示出了本说明书一实施例中预测的层位标签数据的示意图；
图5c示出了本说明书一实施例中预测的断层标签数据的示意图；
图6示出了本说明书一些实施例中基于多任务深度学习的地震断层和层位解释装置的结构框图；
图7示出了本说明书一些实施例中计算机设备的结构框图。
【附图标记说明】
61、数据合成模块；
62、第一标签模块；
63、第一训练模块；
64、第二标签模块；
65、第二训练模块；
66、数据解释模块；
702、计算机设备；
704、处理器；
706、存储器；
708、驱动机构；
710、输入/输出接口；
712、输入设备；
714、输出设备；
716、呈现设备；
718、图形用户接口；
720、网络接口；
722、通信链路；
724、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
鉴于现有地震数据断层和层位自动解释技术所面临的准确度偏低的问题。本说明书提供了改进的地震数据断层和层位自动解释方案。
本说明书实施例提供了一种基于多任务深度学习的地震断层和层位解释方法，可以应用于任何合适的计算机设备上。参考图1所示，在一些实施例中，所述基于多任务深度学习的地震断层和层位解释方法可以包括以下步骤：
S101、根据三维地震数值模拟合成带有断层和层位的空间组合关系的速度模型，并对所述速度模型进行正演模拟，以获得合成地震数据。
S102、对所述合成地震数据自动标注断层标签和层位标签，以作为训练数据集。
S103、利用所述训练数据集对多任务深度学习网络模型进行推理学习，以获得初始网络模型。
S104、获取少量待解释地震数据的断层及层位标签数据。
S105、利用所述少量待解释地震数据的断层及层位标签数据对所述初始网络模型进行迁移学习，以获得目标解释模型。
S106、根据所述目标解释模型对待解释地震数据进行断层和层位解释，获得断层及层位解释结果。
本说明书实施例中，利用三维数值模拟合成速度模型中带有断层和层位的空间组合关系(断层和层位的空间组合关系是指地震断层是与地质层位固有的密切相关的一种空间结构组合关系，这种关系决定了地震构造解释的准确性)；则对速度模型进行正演模拟获得的合成地震数据中也会带有断层和层位的空间组合关系；如此，当对合成地震数据自动标注断层标签和层位标签后作为训练数据集，并将其用于多任务深度学习网络模型训练时，多任务深度学习网络模型就可以学习到准确的断层与层位的组合关系，从而使得预测的层位和断层的空间构造组合关系更精确。
不仅如此，在基于训练数据集训练多任务深度学习网络模型得到初始网络模型的基础上，当需要对待解释地震数据进行断层和层位解释时，先基于少量待解释地震数据的断层及层位标签数据，对初始网络模型进行迁移学习，以获得更加适用于待解释地震数据场景下的目标解释模型，因此基于目标解释模型对待解释地震数据进行断层和层位解释，可以进一步提高地震数据层和层位解释的准确性，使得解释结果更加趋向于真实的断层和层位。
地震数值模拟是在假定地下介质结构模型和相应物理参数已知的情况下，通过计算机数值计算模拟研究地震波在地下各种介质中的传播规律，并计算在地面或地下各观测点所应观测到的数值地震记录的一种地震模拟方法。地震数值模拟可以包括一维模拟、二维模拟及三维模拟。在本说明书的实施例中使用了三维模拟。速度模型即为地震速度模型(例如地表层速度模型)，是用于表征地质构造的数学模型。在勘探地震数据处理中，速度模型的准确与否直接影响深度偏移成像的成像精度。
在一些实施例中，所述根据三维地震数值模拟合成带有断层和层位的空间组合关系的速度模型，包括以下步骤：
首先利用合成算法形成水平层状三维速度模型，然后对水平层状三维速度模型添加高斯扰动(即对水平层状三维速度模型进行构造扰动)，从而形成非水平层状的三维速度模型；在此基础上，利用位置位移方法对非水平层状的三维速度模型添加断层，形成带断层的非水平层状三维速度模型；如此，则可以形成准确的断层和层位的空间组合关系。
由于合成地震数据中带有断层和层位的空间组合关系，可以采用任何合适的断层自动识别和层位自动拾取方法，实现在合成地震数据中自动标注断层标签和层位标签，如此，自动标注后的合成地震数据则可以作为训练数据集。
例如，在一示例性实施例中，基于上述方式得到的合成地震数据可如图4a所示(获得合成地震数据的过程即为预处理过程)。而通过对如图4a所示的合成地震数据进行断层标注和层位标注，可对应得到如图4b所示的断层标签数据和如图4c所示的断层标签数据。
应当指出的是，在本说明书的实施例中，多任务学习是指一个网络模型可以完成多种任务。而迁移学习指的是将从源领域的知识(source domin)学到的知识用于目标领域(target domin)，以提升目标领域的学习效果。
参考图2所示，在一些实施例中，所述利用训练数据集对多任务深度学习网络模型进行推理学习，可以包括以下步骤：
S201、将训练数据集据输入多任务深度学习网络模型中进行推理学习，得到断层和层位的特征图。
如图3所示，在一些实施例中，多任务深度学习网络模型可以包括用于学习断层和层位的相互关系的主干网络，用于学习断层特征的断层检测分支网络，以及用于学习层位特征的层位解释分支网络。主干网络、断层检测分支网络及层位解释分支网络均由多层深度学习网络组成。例如，主干网络可以由N层深度学习网络组成，断层检测分支网络可以由M层深度学习网络组成，层位解释分支网络可以由K层深度学习网络组成，N、M和K均为大于1的正整数。
在一些实施例中，主干网络、断层检测分支网络及层位解释分支网络内，各层之间的共享输入特征通过张量拼接而成。通过张量拼接而形成的各部分交叉连接的多任务深度学习网络模型，可有利于有效学习地震数据中断层和层位的空间构造组合关系。
在一些实施例中，主干网络内各层之间的共享输入特征的张量拼接可通过以下公式获得：
Figure BDA0003333637550000091
其中，Xn_input为主干网络内第n层网络的输入数据，Concatenate表示张量拼接，N表示主干网络的网络层数，Xn-1_output为主干网络内第n-1层网络的输出数据。
在一些实施例中，所述断层检测分支网络内各层之间的共享输入特征的张量拼接可通过以下公式获得：
Figure BDA0003333637550000092
其中，XF,m_intput为断层检测分支网络内第m层网络的输入数据，Concatenate表示张量拼接，N表示主干网络的网络层数，M表示断层检测分支网络的网络层数，K表示层位解释分支网络的网络层数，Xn_output为主干网络内第n层网络的输出数据，XF,m-1_output为断层检测分支网络内第m-1层网络的输出数据，XL,k-1_output为层位解释分支网络内第k-1层网络的输出数据。
在一些实施例中，所述层位解释分支网络内各层之间的共享输入特征的张量拼接可通过以下公式获得：
Figure BDA0003333637550000093
其中，XL,k_intput为层位解释分支网络内第k层网络的输入数据，Concatenate表示张量拼接，N表示主干网络的网络层数，M表示断层检测分支网络的网络层数，K表示层位解释分支网络的网络层数，Xn_output为主干网络内第n层网络的输出数据，XL,k-1_output为层位解释分支网络内第k-1层网络的输出数据，XF,m-1_output为断层检测分支网络内第m-1层网络的输出数据。
S202、对所述断层和层位特征图进行分类处理，获取所述训练数据集中每个地震数据的断层和层位类别概率。
其中，每个地震数据的断层和层位类别概率是每个地震数据的指断层概率和层位类别概率；每个地震数据的指断层概率用于表征该地震数据对应位置处为断层构造的概率；每个地震数据的层位类别概率用于表征该地震数据对应位置处为某种层位的概率。
S203、通过预设的损失函数分别计算所述断层和层位类别概率与对应标签之间的损失值。
损失函数用来评价模型的预测值和真实值不一样的程度。损失值越小表明二者之间的差距越小。根据需要可以采用任何合适的损失函数计算损失值。例如，在一些实施例中，可以采用如下损失函数计算断层和层位类别概率与对应标签之间的损失值：
Figure BDA0003333637550000101
其中loss为损失函数，lossF为断层检测分支网络的损失函数，lossL为层位解释分支网络的损失函数，β和λ分别为断层检测分支网络的损失函数和层位解释分支网络的损失函数的权重，用于调节网络模型的训练优化效果，P为输入地震数据样本数，
Figure BDA0003333637550000102
为第i个样本数据的预测断层数据，Yi为第i个样本数据的标签断层数据，
Figure BDA0003333637550000103
为第i个样本数据的预测层位数据，Zi为第i个样本数据的标签层位数据，α为正负样本重要性平衡因子，γ为简单样本和复杂样本调制因子。
S204、判断损失值是否大于预设阈值；如果损失值不大于预设阈值时，执行步骤S205，否则执行步骤S206。
S205、当所述损失值不大于预设阈值时，将当前的多任务深度学习模型作为初始网络模型。
S206、当所述损失值大于预设阈值时，利用所述损失值更新多任务深度学习网络模型中各层的权值参数，并跳转执行步骤S201以继续进行训练。
当所述损失值大于预设阈值时，表明当前的多任务深度学习网络模型不满足要求，此时，可以利用所述损失值更新多任务深度学习网络模型中各层的权值参数(即更新多任务深度学习网络模型)，以继续进行训练。
当所述损失值不大于预设阈值时，表明当前的多任务深度学习网络模型满足要求，此时，可以将当前的多任务深度学习模型作为初始网络模型。
步骤S105中获取少量待解释地震数据的断层及层位标签数据的方式，与上述步骤S101和步骤S102中获取合成地震数据并对其进行自动标注(即断层标签和层位标签)的过程类似，不同之处在于，获取少量待解释地震数据的断层及层位标签数据的步骤中，仅涉及对待解释地震数据的一少部分待解释地震数据。
步骤S105中利用所述少量待解释地震数据的断层及层位标签数据对所述初始网络模型进行迁移学习的过程，与上述步骤S103中利用所述训练数据集对多任务深度学习网络模型进行推理学习，以获得初始网络模型的过程具有一定的相似性，且也需要通过损失函数判断训练在何种条件下终止，在此不再赘述。
步骤S105中根据所述目标解释模型对待解释地震数据进行断层和层位解释，是指将待解释地震数据输入目标解释模型，对应得到的输出结果即为断层及层位解释结果。例如，在一示例性实施例中，以图5a所示的待解释地震数据(合成的待解释地震数据的过程即为预处理过程)为例，基于本说明书实施例的基于多任务深度学习的地震断层和层位解释方法，可以预测得到如图5b所示的层位解释结果以及如图5c所示的断层解释结果。
虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
与上述的基于多任务深度学习的地震断层和层位解释方法对应，本说明书实施例还提供了一种基于多任务深度学习的地震断层和层位解释装置。参考图6所示，在一些实施例中，所述震数据断层和层位解释装置可以包括：数据合成模块61、第一标签模块62、第一训练模块63、第二标签模块64、第二训练模块65和数据解释模块66。其中：
数据合成模块61可以用于根据三维地震数值模拟合成带有断层和层位的空间组合关系的速度模型，并对所述速度模型进行正演模拟，以获得合成地震数据；
第一标签模块62可以用于对所述合成地震数据自动标注断层标签和层位标签，以作为训练数据集；
第一训练模块63可以用于利用所述训练数据集对多任务深度学习网络模型进行推理学习，以获得初始网络模型；
第二标签模块64可以用于获取少量待解释地震数据的断层及层位标签数据；
第二训练模块65可以用于利用所述少量待解释地震数据的断层及层位标签数据对所述初始网络模型进行迁移学习，以获得目标解释模型；
数据解释模块66可以用于根据所述目标解释模型对待解释地震数据进行断层和层位解释，获得断层及层位解释结果。
本说明书的装置实施例中，所述第一训练模块可以包括：
特征图获取子模块，用于将所述训练数据集据输入多任务深度学习网络模型中进行推理学习，得到断层和层位的特征图；
分类处理子模块，用于对所述断层和层位特征图进行分类处理，获取所述训练数据集中每个地震数据的断层和层位类别概率；
损失值计算子模块，用于通过预设的损失函数分别计算所述断层和层位类别概率与对应标签之间的损失值；
训练控制子模块，用于当所述损失值大于预设阈值时，利用所述损失值更新多任务深度学习网络模型中各层的权值参数，并继续进行训练，直至损失值不大于所述预设阈值为止。
本说明书的装置实施例中，所述多任务深度学习网络模型可以包括：用于学习断层和层位的相互关系的主干网络，用于学习断层特征的断层检测分支网络，以及用于学习层位特征的层位解释分支网络；其中，所述主干网络、所述断层检测分支网络及所述层位解释分支网络内，各层之间的共享输入特征通过张量拼接而成。
本说明书的装置实施例中，所述主干网络内各层之间的共享输入特征的张量拼接可以通过以下公式获得：
Figure BDA0003333637550000121
其中，Xn_input为主干网络内第n层网络的输入数据，Concatenate表示张量拼接，N表示主干网络的网络层数，Xn-1_output为主干网络内第n-1层网络的输出数据。
本说明书的装置实施例中，所述断层检测分支网络内各层之间的共享输入特征的张量拼接可以通过以下公式获得：
Figure BDA0003333637550000122
其中，XF,m_intput为断层检测分支网络内第m层网络的输入数据，Concatenate表示张量拼接，N表示主干网络的网络层数，M表示断层检测分支网络的网络层数，K表示层位解释分支网络的网络层数，Xn_output为主干网络内第n层网络的输出数据，XF,m-1_output为断层检测分支网络内第m-1层网络的输出数据，XL,k-1_output为层位解释分支网络内第k-1层网络的输出数据。
本说明书的装置实施例中，所述层位解释分支网络内各层之间的共享输入特征的张量拼接可以通过以下公式获得：
Figure BDA0003333637550000131
其中，XL,k_intput为层位解释分支网络内第k层网络的输入数据，Concatenate表示张量拼接，N表示主干网络的网络层数，M表示断层检测分支网络的网络层数，K表示层位解释分支网络的网络层数，Xn_output为主干网络内第n层网络的输出数据，XL,k-1_output为层位解释分支网络内第k-1层网络的输出数据，XF,m-1_output为断层检测分支网络内第m-1层网络的输出数据。
本说明书的装置实施例中，所述损失函数可以包括：
Figure BDA0003333637550000132
其中loss为损失函数，lossF为断层检测分支网络的损失函数，lossL为层位解释分支网络的损失函数，β和λ分别为断层检测分支网络的损失函数和层位解释分支网络的损失函数的权重，用于调节网络模型的训练优化效果，P为输入地震数据样本数，
Figure BDA0003333637550000133
为第i个样本数据的预测断层数据，Yi为第i个样本数据的标签断层数据，
Figure BDA0003333637550000134
为第i个样本数据的预测层位数据，Zi为第i个样本数据的标签层位数据，α为正负样本重要性平衡因子，γ为简单样本和复杂样本调制因子。
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，在实施本说明书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。
本说明书的实施例还提供一种计算机设备。如图7所示，在本说明书一些实施例中，所述计算机设备702可以包括一个或多个处理器704，诸如一个或多个中央处理单元(CPU)或图形处理器(GPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备702还可以包括任何存储器706，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施例中，存储器706上并可在处理器704上运行的计算机程序，所述计算机程序被所述处理器704运行时，可以执行上述任一实施例所述的基于多任务深度学习的地震断层和层位解释方法的指令。非限制性的，比如，存储器706可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备702的固定或可移除部件。在一种情况下，当处理器704执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备702可以执行相关联指令的任一操作。计算机设备702还包括用于与任何存储器交互的一个或多个驱动机构708，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备702还可以包括输入/输出接口710(I/O)，其用于接收各种输入(经由输入设备712)和用于提供各种输出(经由输出设备714)。一个具体输出机构可以包括呈现设备716和相关联的图形用户接口718(GUI)。在其他实施例中，还可以不包括输入/输出接口710(I/O)、输入设备712以及输出设备714，仅作为网络中的一台计算机设备。计算机设备702还可以包括一个或多个网络接口720，其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。
通信链路722可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本申请是参照本说明书一些实施例的方法、设备(系统)、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器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器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器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器上，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。
在一个典型的配置中，计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
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机设备访问的信息。按照本说明书中的界定，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。
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器来执行任务。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。
还应理解，在本说明书实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
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 (10)

1.一种基于多任务深度学习的地震断层和层位解释方法，其特征在于，包括：
根据三维地震数值模拟合成带有断层和层位的空间组合关系的速度模型，并对所述速度模型进行正演模拟，以获得合成地震数据；
对所述合成地震数据自动标注断层标签和层位标签，以作为训练数据集；
利用所述训练数据集对多任务深度学习网络模型进行推理学习，以获得初始网络模型；
获取少量待解释地震数据的断层及层位标签数据；
利用所述少量待解释地震数据的断层及层位标签数据对所述初始网络模型进行迁移学习，以获得目标解释模型；
根据所述目标解释模型对待解释地震数据进行断层和层位解释，获得断层及层位解释结果。
2.如权利要求1所述的基于多任务深度学习的地震断层和层位解释方法，其特征在于，所述利用所述训练数据集对多任务深度学习网络模型进行推理学习，包括：
将所述训练数据集据输入多任务深度学习网络模型中进行推理学习，得到断层和层位的特征图；
对所述断层和层位特征图进行分类处理，获取所述训练数据集中每个地震数据的断层和层位类别概率；
通过预设的损失函数分别计算所述断层和层位类别概率与对应标签之间的损失值；
当所述损失值大于预设阈值时，利用所述损失值更新多任务深度学习网络模型中各层的权值参数，并继续进行训练，直至损失值不大于所述预设阈值为止。
3.如权利要求2所述的基于多任务深度学习的地震断层和层位解释方法，其特征在于，所述多任务深度学习网络模型包括：用于学习断层和层位的相互关系的主干网络，用于学习断层特征的断层检测分支网络，以及用于学习层位特征的层位解释分支网络；其中，所述主干网络、所述断层检测分支网络及所述层位解释分支网络内，各层之间的共享输入特征通过张量拼接而成。
4.如权利要求3所述的基于多任务深度学习的地震断层和层位解释方法，其特征在于，所述主干网络内各层之间的共享输入特征的张量拼接通过以下公式获得：
Figure FDA0003333637540000021
其中，Xn_input为主干网络内第n层网络的输入数据，Concatenate表示张量拼接，N表示主干网络的网络层数，Xn-1_output为主干网络内第n-1层网络的输出数据。
5.如权利要求3所述的基于多任务深度学习的地震断层和层位解释方法，其特征在于，所述断层检测分支网络内各层之间的共享输入特征的张量拼接通过以下公式获得：
Figure FDA0003333637540000022
其中，XF,m_intput为断层检测分支网络内第m层网络的输入数据，Concatenate表示张量拼接，N表示主干网络的网络层数，M表示断层检测分支网络的网络层数，K表示层位解释分支网络的网络层数，Xn_output为主干网络内第n层网络的输出数据，XF,m-1_output为断层检测分支网络内第m-1层网络的输出数据，XL,k-1_output为层位解释分支网络内第k-1层网络的输出数据。
6.如权利要求3所述的基于多任务深度学习的地震断层和层位解释方法，其特征在于，所述层位解释分支网络内各层之间的共享输入特征的张量拼接通过以下公式获得：
Figure FDA0003333637540000023
其中，XL,k_intput为层位解释分支网络内第k层网络的输入数据，Concatenate表示张量拼接，N表示主干网络的网络层数，M表示断层检测分支网络的网络层数，K表示层位解释分支网络的网络层数，Xn_output为主干网络内第n层网络的输出数据，XL,k-1_output为层位解释分支网络内第k-1层网络的输出数据，XF,m-1_output为断层检测分支网络内第m-1层网络的输出数据。
7.如权利要求3所述的基于多任务深度学习的地震断层和层位解释方法，其特征在于，所述损失函数包括：
Figure FDA0003333637540000031
其中loss为损失函数，lossF为断层检测分支网络的损失函数，lossL为层位解释分支网络的损失函数，β和λ分别为断层检测分支网络的损失函数和层位解释分支网络的损失函数的权重，用于调节网络模型的训练优化效果，P为输入地震数据样本数，
Figure FDA0003333637540000032
为第i个样本数据的预测断层数据，Yi为第i个样本数据的标签断层数据，
Figure FDA0003333637540000033
为第i个样本数据的预测层位数据，Zi为第i个样本数据的标签层位数据，α为正负样本重要性平衡因子，γ为简单样本和复杂样本调制因子。
8.一种基于多任务深度学习的地震断层和层位解释装置，其特征在于，包括：
数据合成模块，用于根据三维地震数值模拟合成带有断层和层位的空间组合关系的速度模型，并对所述速度模型进行正演模拟，以获得合成地震数据；
第一标签模块，用于对所述合成地震数据自动标注断层标签和层位标签，以作为训练数据集；
第一训练模块，用于利用所述训练数据集对多任务深度学习网络模型进行推理学习，以获得初始网络模型；
第二标签模块，用于获取少量待解释地震数据的断层及层位标签数据；
第二训练模块，用于利用所述少量待解释地震数据的断层及层位标签数据对所述初始网络模型进行迁移学习，以获得目标解释模型；
数据解释模块，用于根据所述目标解释模型对待解释地震数据进行断层和层位解释，获得断层及层位解释结果。
9.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时，执行根据权利要求1-7任意一项所述方法的指令。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1-7任意一项所述方法的指令。
CN202111288136.3A 2021-11-02 2021-11-02 基于多任务深度学习的地震断层和层位解释方法、装置 Pending CN114048676A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111288136.3A CN114048676A (zh) 2021-11-02 2021-11-02 基于多任务深度学习的地震断层和层位解释方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111288136.3A CN114048676A (zh) 2021-11-02 2021-11-02 基于多任务深度学习的地震断层和层位解释方法、装置

Publications (1)

Publication Number Publication Date
CN114048676A true CN114048676A (zh) 2022-02-15

Family

ID=80206926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111288136.3A Pending CN114048676A (zh) 2021-11-02 2021-11-02 基于多任务深度学习的地震断层和层位解释方法、装置

Country Status (1)

Country Link
CN (1) CN114048676A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913371A (zh) * 2022-05-10 2022-08-16 平安科技（深圳）有限公司 多任务学习模型训练方法、装置、电子设备及存储介质
CN115201909A (zh) * 2022-07-06 2022-10-18 中国地震局地震预测研究所 一种地震活动断层段危险系数综合判定方法及系统
WO2024082215A1 (zh) * 2022-10-20 2024-04-25 杨平 一种地震信号监测方法及装置
CN118052993A (zh) * 2024-04-12 2024-05-17 山东省地震工程研究院 基于扫描电镜确定地震断层滑动面特征方法、系统和设备
WO2024125606A1 (zh) * 2022-12-15 2024-06-20 中国石油天然气集团有限公司 基于多源多任务深度学习的地震构造解释方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114913371A (zh) * 2022-05-10 2022-08-16 平安科技（深圳）有限公司 多任务学习模型训练方法、装置、电子设备及存储介质
CN115201909A (zh) * 2022-07-06 2022-10-18 中国地震局地震预测研究所 一种地震活动断层段危险系数综合判定方法及系统
CN115201909B (zh) * 2022-07-06 2023-12-19 中国地震局地震预测研究所 一种地震活动断层段危险系数综合判定方法及系统
WO2024082215A1 (zh) * 2022-10-20 2024-04-25 杨平 一种地震信号监测方法及装置
WO2024125606A1 (zh) * 2022-12-15 2024-06-20 中国石油天然气集团有限公司 基于多源多任务深度学习的地震构造解释方法及装置
CN118052993A (zh) * 2024-04-12 2024-05-17 山东省地震工程研究院 基于扫描电镜确定地震断层滑动面特征方法、系统和设备

Similar Documents

Publication Publication Date Title
CN114048676A (zh) 基于多任务深度学习的地震断层和层位解释方法、装置
CA3070479C (en) Automated seismic interpretation using fully convolutional neural networks
CA3122986C (en) Automated seismic interpretation-guided inversion
US10916333B1 (en) Artificial intelligence system for enhancing data sets used for training machine learning-based classifiers
Lomask et al. Application of image segmentation to tracking 3D salt boundaries
Hagg et al. Prototype discovery using quality-diversity
Marcellino et al. Using GPGPU accelerated interpolation algorithms for marine bathymetry processing with on-premises and cloud based computational resources
Alvers et al. A novel warped-space concept for interactive 3D-geometry-inversion to improve seismic imaging
US9846964B2 (en) Multi-Z polyline to single-Z horizons conversion
Weatherill et al. Capturing directivity in probabilistic seismic hazard analysis for New Zealand: Challenges, implications, and a machine learning approach for implementation
McDonald et al. Explicit incorporation of spatial variability in a biomass dynamics assessment model
CN114402233A (zh) 正演沉积模型的自动校准
US10454713B2 (en) Domain decomposition using a multi-dimensional spacepartitioning tree
Alvers et al. Quo vadis inversión?
Foresti et al. Extreme precipitation modelling using geostatistics and machine learning algorithms
Madhukar et al. Earth science [Big] data analytics
Warren et al. Toward generalized models for machine-learning-assisted salt interpretation in the Gulf of Mexico
Bogen et al. Using Interactive Visualization and Machine Learning for Seismic Interpretation
EP3451191A1 (en) Computer implemented method for manipulating a numerical model of a 3d domain
Le Bouteiller et al. Semi-supervised multi-facies object retrieval in seismic data
Arpat et al. Feature-based geostatistics: an application to a submarine channel reservoir
Kriegman et al. Evolving spatially aggregated features from satellite imagery for regional modeling
Kermarrec et al. Optimal surface fitting of point clouds using local refinement: Application to GIS data
Roy et al. Sounding spider: An efficient way for representing uncertainties in high dimensions
Turuncoglu Towards in-situ visualization integrated Earth System Models: RegESM 1.1 regional modeling system

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