CN114063164A - 基于U-net++卷积神经网络的初至波拾取方法及装置 - Google Patents
基于U-net++卷积神经网络的初至波拾取方法及装置 Download PDFInfo
- Publication number
- CN114063164A CN114063164A CN202010776031.1A CN202010776031A CN114063164A CN 114063164 A CN114063164 A CN 114063164A CN 202010776031 A CN202010776031 A CN 202010776031A CN 114063164 A CN114063164 A CN 114063164A
- Authority
- CN
- China
- Prior art keywords
- data
- seismic
- arrival wave
- net
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01V1/32—Transforming one recording into another or one representation into another
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/40—Transforming data representation
- G01V2210/48—Other transforms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Biophysics (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于U‑net++卷积神经网络的初至波拾取方法及装置,该方法包括:获取待拾取的地震道集数据,其中,地震道集数据包括:多个地震道;将待拾取的地震道集数据,输入至初至波拾取模型中,输出各个地震道的初至时间,其中,初至波拾取模型为预先通过机器学习训练得到的U‑net++卷积神经网络模型。本发明能够更准确地自动拾取地震数据中的初至波,满足地震勘探对初至波的拾取精度要求,无需人工参与,解决了初至波拾取工作耗时耗力的问题。
Description
技术领域
本发明涉及地球物理勘探领域,尤其涉及一种基于U-net++卷积神经网络的初至波拾取方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
在地震资料处理中,准确拾取初至波是一项基础而又很重要的工作。地震初至波拾取在折射波静校正、VSP测井解释、层析成像中都起着重要的作用,其准确程度直接决定地震资料的处理结果。
在早期,对于地震初至波的拾取,采用的方式主要是手工拾取,由于采集的地震数据道集数量庞大(常常是上万道),使得地震初至波拾取成为一项耗时费力、十分枯燥且效率低下的工作。
近年来,众多学者针对初至波拾取技术的研究,提出了多种初至自动拾取方法,按照特征可分为以下几大类:
①基于瞬时特征的方法(例如,能量比值法、瞬时强度比法、差分法、能量因子法等),该类方法的优点是物理意义明确,操作简单,对高信噪比资料效果好;缺点是对噪声敏感,当地震记录信噪比较低时,难以准确拾取初至波。
②基于整体特征的方法(例如,相关法、线性最小平方预测法等),该类方法的优点是不受波形的影响,对噪声有一定的抑制作用;缺点是受地震道相关性等因素影响,对于复杂地表条件地区的拾取效果较差,存在周期跳跃;
③基于综合特征的方法(例如,边缘检测法、分形分维法等),该类方法的优点是具有一定抗噪能力,在低信噪比地区,拾取效果较好;缺点是在低信噪比局部道集存在强噪音时,容易导致算法失败。
对于高信噪比、初至波起跳明显的地震数据,采用上述方法均能满足初至自动拾取的精度要求,但对于复杂地表条件的地区,由于受地形等诸多因素影响,采集的地震数据具有低信噪比、弱初至波的特点,采用上述方法拾取初至波的精度不高,仍需要人工拾取。
发明内容
本发明实施例中提供了一种基于U-net++卷积神经网络的初至波拾取方法,用以解决现有地震初至波拾取方法需要人工参与,存在耗时耗力的技术问题,该方法包括:获取待拾取的地震道集数据,其中,地震道集数据包括:多个地震道;将待拾取的地震道集数据,输入至初至波拾取模型中,输出各个地震道的初至时间,其中,初至波拾取模型为预先通过机器学习训练得到的U-net++卷积神经网络模型。
本发明实施例中还提供了一种基于U-net++卷积神经网络的初至波拾取装置,用以解决现有地震初至波拾取方法需要人工参与,存在耗时耗力的技术问题,该装置包括:待拾取地震数据获取模块,用于获取待拾取的地震道集数据,其中,地震道集数据包括:多个地震道;初至波拾取模块,用于将待拾取的地震道集数据,输入至初至波拾取模型中,输出各个地震道的初至时间,其中,初至波拾取模型为预先通过机器学习训练得到的U-net++卷积神经网络模型。
本发明实施例中还提供了一种计算机设备,用以解决现有地震初至波拾取方法需要人工参与,存在耗时耗力的技术问题,该计算机设备包括存储器、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,处理器执行计算机程序时实现上述基于U-net++卷积神经网络的初至波拾取方法。
本发明实施例中还提供了一种计算机可读存储介质,用以解决现有地震初至波拾取方法需要人工参与,存在耗时耗力的技术问题,该计算机可读存储介质存储有执行上述基于U-net++卷积神经网络的初至波拾取方法的计算机程序。
本发明实施例中,通过机器学习训练一个基于U-net++卷积神经网络的初至波拾取模型,在获取到待拾取的地震道集数据后,将待拾取的地震道集数据,输入至初至波拾取模型中,输出各个地震道的初至时间。
通过本发明实施例,能够更准确地自动拾取地震数据中的初至波,满足地震勘探对初至波的拾取精度要求,无需人工参与,解决了初至波拾取工作耗时耗力的问题。
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,下面描述中的附图仅仅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。在附图中:
图1为本发明实施例中提供的一种基于U-net++卷积神经网络的初至波拾取方法流程图;
图2为本发明实施例中提供的一种U-net++卷积神经网络模型示意图;
图3为本发明实施例中提供的一种对地震道集数据进行数据分割的示意图;
图4为本发明实施例中提供的一种构建初至波样本数据的示意图;
图5为本发明实施例中提供的一种基于U-net++卷积神经网络的初至波拾取方法具体实现流程图;
图6为本发明实施例中提供的初至波预测结果与人工拾取结果的比对示意图;
图7为本发明实施例中提供的一种基于U-net++卷积神经网络的初至波拾取装置示意图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请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一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
本发明实施例中提供了一种基于U-net++卷积神经网络的初至波拾取方法,能够改变现有人工或者人机交互的初至波拾取工作状态,使地震资料处理人员摆脱耗时、费力而又枯燥的初至波拾取工作,大规模提高工作效率,降低人员成本,提高初至波自动拾取精度。
图1为本发明实施例中提供的一种基于U-net++卷积神经网络的初至波拾取方法流程图,如图1所示,该方法可以包括如下步骤:
S101,获取待拾取的地震道集数据,其中,地震道集数据包括:多个地震道;
S102,将待拾取的地震道集数据,输入至初至波拾取模型中,输出各个地震道的初至时间,其中,初至波拾取模型为预先通过机器学习训练得到的U-net++卷积神经网络模型。
需要说明的是,上述S101中获取的待拾取的地震道集数据可以是SEG-Y格式文件中存储的地震数据,由于SEG-Y格式文件中存储的叠前数据,往往数据量巨大,直接读取大量SEG-Y格式数据,加载到计算机内存中,会占用大部分内存甚至造成内存报错的情形,因而,如果上述S101获取的是SEG-Y格式的地震道集数据,本发明实施例中可以对数据进行格式转换处理,将SEG-Y文件中存储的地震振幅数据写成二进制TFRecord格式的文件,并固化到硬盘上,再读取TFRecord格式数据的时候,可以避免内存占用过大导致内存报错的问题。
上述S102中的初至波拾取模型可以是根据已标注初至波的地震道集数据,对U-net++卷积神经网络模型进行训练,得到初至波拾取模型得到的一个模型,将待拾取初至波的地震道集数据输入到该模型,能够预测出对应的初至波识别结果。图2为本发明实施例中提供的一种U-net++卷积神经网络模型示意图,如图2所示,U-net++网络是一种像素级的图像语义分割网络,是一个先编码再解码的过程,其网络结构包含下采样和上采样两个对称部分。下采样部分是通过卷积和池化操作提取图像不同维度的特征,上采样部分是将提取到的特征逐步恢复成原图对应位置。
由上可知,本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取方法,通过机器学习训练一个基于U-net++卷积神经网络的初至波拾取模型,在获取到待拾取的地震道集数据后,将待拾取的地震道集数据,输入至初至波拾取模型中,输出各个地震道的初至时间。
通过本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取方法,能够更准确地自动拾取地震数据中的初至波,满足地震勘探对初至波的拾取精度要求,无需人工参与,解决了初至波拾取工作耗时耗力的问题。
在一个实施例中,本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取方法还可以包括如下步骤:构建U-net++卷积神经网络模型,其中,U-net++卷积神经网络模型包括:卷积层、池化层和复制叠加层。
在具体实施时,本发明实施例中采用的U-net++网络上下采样共包含24次卷积层、4个池化层和4个复制叠加层,其中19个卷积层卷积核大小为3×3,4个卷积层卷积核大小为2×2,1个卷积层大小为1×1,3个池化层的池化核大小为2×2,1个池化层的池化核大小为1×1,池化层步长全为1且不填充。在后两层池化层之后,加入Dropput层,采用早停法来消除U-net模型过拟合的问题。除最后一层卷积层采用Sigmoid激活函数外,其余卷积层均采用Relu激活函数来提高网络的非线性性。可选地,本发明实施例中,采用交叉熵作为目标优化函数,使用Adam优化器优化该目标函数。
在一个实施例中,本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取方法还可以包括如下步骤:获取训练样本数据;根据训练样本数据,对U-net++卷积神经网络模型进行训练,得到初至波拾取模型。本发明实施例中的训练样本数据是已标注初至波的共炮点道集数据。在具体实施时,可以预先配置模型训练的收敛条件,根据获取的训练样本数据,对预先搭建的U-net++卷积神经网络模型进行训练,不断调整模型参数直到满足预设收敛条件。可选地,模型采用的收敛条件可以是基于交叉熵损失函数计算出模型在输入训练样本数据时的输出损失值小于某一预设阈值。
进一步地,为了提高模型预测的泛化能力,本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取方法还可以包括如下步骤:获取测试样本数据;根据测试样本数据,对训练得到的初至波拾取模型进行验证。本发明实施例中的测试样本数据也是已标注初至波的共炮点道集数据。在具体实施时,可以预先配置模型验证的泛化条件,根据获取的测试样本数据,对训练得到的U-net++卷积神经网络模型进行模型参数微调,直到满足预设泛化条件。可选地,模型采用的泛化条件可以是基于交叉熵损失函数计算出模型在输入测试样本数据时的输出损失值小于另一预设阈值。
在一个实施例中,本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取方法可以通过如下步骤来获取样本数据:采集激发地震信号产生的共炮点道集数据(实际勘探采集的共炮点道集数据);对共炮点道集数据进行初至波标注,得到初至波标注数据;按照预设比例,将初至波标注数据划分为训练样本数据和测试样本数据。例如,将80%的初至波标注数据作为对模型进行训练的训练样本数据,将80%的初至波标注数据作为对模型进行验证的测试样本数据。
可选地,在采集激发地震信号产生的共炮点道集数据后,本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取方法还可以包括如下步骤:对采集的共炮点道集数据进行缺失值处理。通过缺失值处理,能够剔除掉炮集数据中的坏道或没有标记的地震道。
由于训练过程中需要样本的尺寸大小保持一致,在一个实施例中,本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取方法还可以包括如下步骤:对共炮点道集数据进行数据分割处理,使得数据分割处理后的共炮点道集数据具有相同地震道数和采样数。可选地,可以对缺失值处理后的共炮点道集数据进行数据分割处理。
图3为本发明实施例中提供的一种对地震道集数据进行数据分割的示意图,如图3所示,对经缺失值处理后的炮集数据进行数据裁剪,可以能够相同道数和采样数的样本。
在地震勘探中,同一炮所测得的各道的数据基本上都处于同一个量级,对于不同的炮、不同的勘探地形所测得的地震数据的差别很大,甚至差几个数量级。在深度学习中,将数据进行训练时应该保证数据有相近的尺度,能够有效地帮助梯度下降算法更快地收敛。因而,在一个实施例中,本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取方法还可以包括如下步骤:对共炮点道集数据进行归一化处理。可选地,可以对数据分割处理后的共炮点道集数据进行归一化处理。
在具体实施时,本发明实施例对每个数据取绝对值,然后采用“简单缩放法”,使用“最大-最小规范化”算法,即对每一道地震数据进行统计,选取最大值和最小值,两者相减,得到数据的长度。然后每个样本依次减去最小值,然后除以数据的长度。
假设某一地震记录道Xt的离散序列为xi,振幅的绝对值为:
Ai=|xi| (1)
归一化计算公式如下所示:
其中,A*表示每一道地震道样本点的归一化结果;Ai表示每一道地震道样本点的绝对值,Amax表示每一道地震样本点绝对值的最大值,Amin表示每一道样本点绝对值的最小值。通过归一化,每道地震数据的数值落在[0,1]之间。
可选地,本发明实施例中,在根据采集的共炮点道集数据制作样本数据前,可以将采集的共炮点道集数据写入TFRecord格式的文件中,以避免后续数据处理过程中设备内存被占用过大的问题。
需要说明的是,本发明实施例中,在对经预处理(包括但不限于格式转换处理、缺失值处理、数据分割数据、数据归一化处理等)后的地震道集数据进行标注的时候,为了达到最优图像语义分割效果,针对每个地震记录的样本图片,将初至波以上的数据确定为背景,并配置为0;将初至波一下的数据确定为有效数据,配置为1,最终形成包含原始地震波形和对应标注数据的样本集。图4为本发明实施例中提供的一种构建初至波样本数据的示意图,如图4所示,设置每个样本图片的白色区域(初至波以下部分)为1,设置每个样本图片的黑色区域(初至波以上部分)为0。
图5为本发明实施例中提供的一种基于U-net++卷积神经网络的初至波拾取方法具体实现流程图,如图5所示,包括如下步骤:
S501,采集激发地震信号产生的共炮点道集数据;
S502,对共炮点道集数据进行初至波标注,得到初至波标注数据;
S503,按照预设比例,将初至波标注数据划分为训练样本数据和测试样本数据;
S504,构建U-net++卷积神经网络模型;
S505,根据训练样本数据,对U-net++卷积神经网络模型进行训练,得到初至波拾取模型;
S506,根据测试样本数据,对训练得到的初至波拾取模型进行验证;
S507,将待拾取的地震道集数据,输入至初至波拾取模型中,输出各个地震道的初至时间。
图6为本发明实施例中提供的初至波预测结果与人工拾取结果的比对示意图,如图6所示,从整体上看,本发明实施例得到的初至波自动拾取形态和人工拾取一样;从细节上看,本发明实施例得到的初至波自动拾取细节也和人工拾取大部分一致。
可见,本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取方法,不仅能够从地震数据中自动拾取初至波,而且能够获得高精度的拾取结果,可满足地震勘探技术中对初至波拾取精度的要求,极大减轻了地震资料处理人员的拾取工作量,对地震资料数据处理技术的发展有重要意义。
基于同一发明构思,本发明实施例中还提供了一种基于U-net++卷积神经网络的初至波拾取装置,如下面的实施例所述。由于该装置实施例解决问题的原理与基于U-net++卷积神经网络的初至波拾取方法相似,因此该装置实施例的实施可以参见方法的实施,重复之处不再赘述。
图7为本发明实施例中提供的一种基于U-net++卷积神经网络的初至波拾取装置示意图,如图7所示,该装置包括:待拾取地震数据获取模块71和初至波拾取模块72。
其中,待拾取地震数据获取模块71,用于获取待拾取的地震道集数据,其中,地震道集数据包括:多个地震道;初至波拾取模块72,用于将待拾取的地震道集数据,输入至初至波拾取模型中,输出各个地震道的初至时间,其中,初至波拾取模型为预先通过机器学习训练得到的U-net++卷积神经网络模型。
由上可知,本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取装置,通过待拾取地震数据获取模块71获取待拾取的地震道集数据;通过初至波拾取模块72将待拾取的地震道集数据,输入至预先通过机器学习对U-net++卷积神经网络模型训练得到的初至波拾取模型中,输出各个地震道的初至时间。
通过本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取装置,能够更准确地自动拾取地震数据中的初至波,满足地震勘探对初至波的拾取精度要求,无需人工参与,解决了初至波拾取工作耗时耗力的问题。
在一个实施例中,本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取装置还可以包括:初至波拾取模型训练模块73,用于获取训练样本数据;以及根据训练样本数据,对U-net++卷积神经网络模型进行训练,得到初至波拾取模型。
进一步地,初至波拾取模型训练模块73还用于获取测试样本数据;以及根据测试样本数据,对训练得到的初至波拾取模型进行验证。
在一个实施例中,本发明实施例中提供的基于U-net++卷积神经网络的初至波拾取装置还可以包括:样本数据获取模块74,用于采集激发地震信号产生的共炮点道集数据,对共炮点道集数据进行初至波标注,得到初至波标注数据,并按照预设比例,将初至波标注数据划分为训练样本数据和测试样本数据。
可选地,上述样本数据获取模块74还用于对采集的共炮点道集数据进行缺失值处理。
进一步地,上述样本数据获取模块74还用于对缺失值处理后的共炮点道集数据进行数据分割处理,使得数据分割处理后的共炮点道集数据具有相同地震道数和采样数。
更进一步地,上述样本数据获取模块74还用于对数据分割处理后的共炮点道集数据进行归一化处理。
可选地,本发明实施例中的样本数据获取模块74还用于将采集的共炮点道集数据写入TFRecord格式的文件中。
基于同一发明构思,本发明实施例中还提供了一种计算机设备,用以解决现有地震初至波拾取方法需要人工参与,存在耗时耗力的技术问题,该计算机设备包括存储器、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,处理器执行计算机程序时实现上述基于U-net++卷积神经网络的初至波拾取方法。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,用以解决现有地震初至波拾取方法需要人工参与,存在耗时耗力的技术问题,该计算机可读存储介质存储有执行上述基于U-net++卷积神经网络的初至波拾取方法的计算机程序。
综上所述,本发明实施例中,通过机器学习训练一个基于U-net++卷积神经网络的初至波拾取模型,在获取到待拾取的地震道集数据后,将待拾取的地震道集数据,输入至初至波拾取模型中,输出各个地震道的初至时间。
通过本发明实施例,能够更准确地自动拾取地震数据中的初至波,满足地震勘探对初至波的拾取精度要求,无需人工参与,极大的减轻地震资料处理人员的拾取工作量,解决了初至波拾取工作耗时耗力的问题。利用每次拾取后的数据,对模型不断训练更新,能够使得本发明实施例中提供的初至波自动拾取方法能够具有学习能力,获取更高的命中率,特别是对于信噪比低的地区,对地震资料数据处理具有重要意义。
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。
本发明是参照根据本发明实施例的方法、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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种基于U-net++卷积神经网络的初至波拾取方法,其特征在于,包括:
获取待拾取的地震道集数据,其中,所述地震道集数据包括:多个地震道;
将所述待拾取的地震道集数据,输入至初至波拾取模型中,输出各个地震道的初至时间,其中,所述初至波拾取模型为预先通过机器学习训练得到的U-net++卷积神经网络模型。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
构建U-net++卷积神经网络模型,其中,所述U-net++卷积神经网络模型包括:卷积层、池化层和复制叠加层。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
获取训练样本数据;
根据所述训练样本数据,对U-net++卷积神经网络模型进行训练,得到初至波拾取模型。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
获取测试样本数据;
根据所述测试样本数据,对训练得到的初至波拾取模型进行验证。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
采集激发地震信号产生的共炮点道集数据;
对所述共炮点道集数据进行初至波标注,得到初至波标注数据;
按照预设比例,将初至波标注数据划分为训练样本数据和测试样本数据。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
对采集的共炮点道集数据进行缺失值处理。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:
对缺失值处理后的共炮点道集数据进行数据分割处理,使得数据分割处理后的共炮点道集数据具有相同地震道数和采样数。
8.如权利要求7所述的方法,其特征在于,所述方法还包括:
对数据分割处理后的共炮点道集数据进行归一化处理。
9.如权利要求5至8任一项所述的方法,其特征在于,所述方法还包括:
将采集的共炮点道集数据写入TFRecord格式的文件中。
10.一种基于U-net++卷积神经网络的初至波拾取装置,其特征在于,包括:
待拾取地震数据获取模块,用于获取待拾取的地震道集数据,其中,所述地震道集数据包括:多个地震道;
初至波拾取模块,用于将所述待拾取的地震道集数据,输入至初至波拾取模型中,输出各个地震道的初至时间,其中,所述初至波拾取模型为预先通过机器学习训练得到的U-net++卷积神经网络模型。
11.如权利要求10所述的装置,其特征在于,所述装置还包括:
初至波拾取模型训练模块,用于获取训练样本数据;以及根据所述训练样本数据,对U-net++卷积神经网络模型进行训练,得到初至波拾取模型。
12.如权利要求11所述的装置,其特征在于,所述装置还包括:
样本数据获取模块,用于采集激发地震信号产生的共炮点道集数据,对所述共炮点道集数据进行初至波标注,得到初至波标注数据,并按照预设比例,将初至波标注数据划分为训练样本数据和测试样本数据。
13.一种计算机设备,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计算机程序时实现权利要求1至9任一项所述基于U-net++卷积神经网络的初至波拾取方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至9任一项所述基于U-net++卷积神经网络的初至波拾取方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010776031.1A CN114063164A (zh) | 2020-08-05 | 2020-08-05 | 基于U-net++卷积神经网络的初至波拾取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010776031.1A CN114063164A (zh) | 2020-08-05 | 2020-08-05 | 基于U-net++卷积神经网络的初至波拾取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114063164A true CN114063164A (zh) | 2022-02-18 |
Family
ID=80232087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010776031.1A Pending CN114063164A (zh) | 2020-08-05 | 2020-08-05 | 基于U-net++卷积神经网络的初至波拾取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114063164A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685127A (zh) * | 2018-12-17 | 2019-04-26 | 郑州云海信息技术有限公司 | 一种并行深度学习初至拾取的方法和系统 |
CN109885709A (zh) * | 2019-01-08 | 2019-06-14 | 五邑大学 | 一种基于自编码预降维的图像检索方法、装置和存储介质 |
CN109917457A (zh) * | 2019-04-10 | 2019-06-21 | 苏州浪潮智能科技有限公司 | 一种地震波初至点的拾取方法以及设备 |
CN110471111A (zh) * | 2019-09-06 | 2019-11-19 | 中国海洋大学 | 一种基于卷积神经网络的速度谱自动拾取方法 |
CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
CN110619264A (zh) * | 2019-07-30 | 2019-12-27 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
CN111381275A (zh) * | 2019-11-20 | 2020-07-07 | 中国海洋石油集团有限公司 | 一种地震数据的初至拾取方法和装置 |
-
2020
- 2020-08-05 CN CN202010776031.1A patent/CN114063164A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685127A (zh) * | 2018-12-17 | 2019-04-26 | 郑州云海信息技术有限公司 | 一种并行深度学习初至拾取的方法和系统 |
CN109885709A (zh) * | 2019-01-08 | 2019-06-14 | 五邑大学 | 一种基于自编码预降维的图像检索方法、装置和存储介质 |
CN109917457A (zh) * | 2019-04-10 | 2019-06-21 | 苏州浪潮智能科技有限公司 | 一种地震波初至点的拾取方法以及设备 |
CN110619264A (zh) * | 2019-07-30 | 2019-12-27 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
CN110516740A (zh) * | 2019-08-28 | 2019-11-29 | 电子科技大学 | 一种基于Unet++卷积神经网络的断层识别方法 |
CN110471111A (zh) * | 2019-09-06 | 2019-11-19 | 中国海洋大学 | 一种基于卷积神经网络的速度谱自动拾取方法 |
CN111381275A (zh) * | 2019-11-20 | 2020-07-07 | 中国海洋石油集团有限公司 | 一种地震数据的初至拾取方法和装置 |
Non-Patent Citations (1)
Title |
---|
安伟涛 等: "基于深度学习与中医数据的多标签分类算法", 软件导刊, vol. 18, no. 3, 31 March 2019 (2019-03-31), pages 25 - 33 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | An automatic microseismic or acoustic emission arrival identification scheme with deep recurrent neural networks | |
Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
CN113359212B (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
CN111562611A (zh) | 基于波动方程驱动的半监督深度学习地震数据反演方法 | |
CN111381275A (zh) | 一种地震数据的初至拾取方法和装置 | |
Zheng et al. | Deep neural networks design and analysis for automatic phase pickers from three-component microseismic recordings | |
CN112799128A (zh) | 一种地震信号检测和震相提取的方法 | |
CN115327616B (zh) | 一种海量数据驱动的矿山微震震源自动定位方法 | |
CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
Li et al. | Pore type identification in carbonate rocks using convolutional neural network based on acoustic logging data | |
Huang et al. | Machine learning using U-net convolutional neural networks for the imaging of sparse seismic data | |
Wang et al. | Seismic stratum segmentation using an encoder–decoder convolutional neural network | |
Yu et al. | Identification of seismic wave first arrivals from earthquake records via deep learning | |
CN116626753B (zh) | 一种基于多模态神经网络的微地震事件识别方法及系统 | |
CN111797690B (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
WO2021135281A1 (zh) | 一种基于多层特征融合的端点检测方法、装置、设备及介质 | |
CN112464725A (zh) | 基于深度学习网络的初至拾取方法及装置 | |
CN112241001A (zh) | 雷达人体动作识别方法、装置、电子设备和存储介质 | |
CN117031539A (zh) | 一种自监督深度学习地震数据低频重建方法及系统 | |
CN114063164A (zh) | 基于U-net++卷积神经网络的初至波拾取方法及装置 | |
CN114065822A (zh) | 海洋潮流涨落的电磁识别方法及系统 | |
Wang et al. | A hierarchical birdsong feature extraction architecture combining static and dynamic modeling | |
Chen et al. | Coal mine microseismic identification and first-arrival picking based on Conv-LSTM-Unet | |
Liu et al. | Research on seismic wave first arrival Picking Based on improved U-Net | |
Hassan et al. | Deep learning approach to automatic detection of faults and fractures from magnetic data using the convolutional neural network (CNN) |
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 |