CN114444555A - 一种基于U-net神经网络的地震层位解释方法及装置 - Google Patents
一种基于U-net神经网络的地震层位解释方法及装置 Download PDFInfo
- Publication number
- CN114444555A CN114444555A CN202011194837.6A CN202011194837A CN114444555A CN 114444555 A CN114444555 A CN 114444555A CN 202011194837 A CN202011194837 A CN 202011194837A CN 114444555 A CN114444555 A CN 114444555A
- Authority
- CN
- China
- Prior art keywords
- seismic
- neural network
- net neural
- sample data
- training
- 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 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 238000011176 pooling Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 208000010392 Bone Fractures Diseases 0.000 description 2
- 206010017076 Fracture Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种基于U‑net神经网络的地震层位解释方法及装置,方法包括:对获取的地震数据进行解析,获得地震样本数据;利用地震样本数据对预先构建的U‑net神经网络模型进行训练;通过训练后的U‑net神经网络模型对获取的当前地震数据进行层位解释。本申请实现了高精度的、高效率的地震层位追踪精度,满足地质资料高效构造解释的要求,极大的减轻地震资料解释人员的解释工作量。本申请既能适应二维工区的层位追踪,又能适应三维工区的层位追踪。
Description
技术领域
本申请属于油气勘探开发技术领域,具体地讲,涉及一种基于U-net神经网络的地震层位解释方法及装置。
背景技术
地震层位解释是地震解释中的重要工作之一,地震层位解释目前主要是通过专业软件进行解释。首先需要进行合成地震记录标定,建立深度域井资料和时间域地震资料的联系,通过井震标定确定目的层在地震数据体的反射特征,然后对连井剖面开展地震层位解释,建立解释格架,在保证解释格架的层位解释闭合的基础上,进行加密解释,最终形成解释成果。
地震层位解释目前大多都是人工解释,由于数据量大,要考虑到层位闭合等因素,人工解释工作量很大,此项工作占整个地震资料解释与分析工作的70%以上。各商业化地震解释软件都提供了自动层位解释功能,主要是通过同相轴的相似性进行自动追踪,在地震资料品质好,同相轴连续,断层不发育的地方自动层位解释效果较好。但到地震质量品质差,断层发育、反射界面弱,同相轴连续性差的地区,层位自动解释的效果不理想。
对于当前地震资料解释主要以人工解释为主,自动拾取为辅的方式进行,在构造复杂、断裂发育地区主要以全人工解释为主,工作量巨大。
在地震资料解释中,大面积的解释及加密解释工作十分重要且繁琐,因为加密解释工作直接决定构造解释精度,解释精度直接影响后续构造特征分析结果的准确及有利勘探目标的确定。
发明内容
本申请提供了一种基于U-net神经网络的地震层位解释方法及装置,以至少解决现有技术中,对于地震层位的解释大多依赖于人工解释的问题。
根据本申请的一个方面,提供了一种基于U-net神经网络的地震层位解释方法,包括:
对获取的历史地震数据进行解析,获得地震样本数据;
将获取的当前地震数据输入至利用地震样本数据训练后的U-net神经网络模型进行层位解释。
在一实施例中,地震层位解释方法还包括:构建的U-net神经网络模型,并利用所述地震样本数据对构建的U-net神经网络模型进行训练。
在一实施例中,对获取的地震数据进行解析,获得地震样本数据,包括:
对获取的地震数据进行解释后,以segy格式进行存储;
根据segy文件中的地震道的道头确定所需的地震道;
对所需的地震道进行解析获得地震样本数据。
在一实施例中,利用地震样本数据对预先构建的U-net神经网络模型进行训练,包括:
将地震样本数据划分为训练集和验证集;
利用训练集对U-net神经网络模型进行训练,获得训练结果;
根据训练结果调节模型的网络参数获得训练后的U-net神经网络模型。
在一实施例中,U-net神经网络模型包括:
20个卷积层,4个池化层和4个复制叠加层;
在20个卷积层中,19个卷积层卷积核大小为3*3,1个卷积层卷积核大小为1*1;
池化层的池化核大小为2*2,池化层步长全为1且不填充;
在后两层池化层后设置有Dropput层;
最后一层卷积层采用Sigmoid激活函数,其余卷积层均采用elu激活函数;
U-net神经网络模型采用交叉熵作为目标优化函数,并使用Adam优化器优化目标函数。
根据本申请的另一个方面,还提供了一种基于U-net神经网络的地震层位解释装置,包括:
样本数据获取单元,用于对获取的历史地震数据进行解析,获得地震样本数据;
层位解释单元,用于将获取的当前地震数据输入至利用地震样本数据训练后的U-net神经网络模型进行层位解释。
该地震层位解释装置还包括一模型训练单元,用于构建的U-net神经网络模型,并利用地震样本数据对构建的U-net神经网络模型进行训练。
在一实施例中,样本数据获取单元包括:
解释存储模块,用于对获取的地震数据进行解释后,以segy格式进行存储;
地震道确定模块,用于根据segy文件中的地震道的道头确定所需的地震道;
样本数据获取模块,用于对所需的地震道进行解析获得地震样本数据。
在一实施例中,模型训练单元包括:
集合划分模块,用于将地震样本数据划分为训练集和验证集;
训练模块,用于利用训练集对U-net神经网络模型进行训练,获得训练结果;
调参模块,用于根据训练结果调节模型的网络参数获得训练后的U-net神经网络模型。
在一实施例中,U-net神经网络模型包括:
20个卷积层,4个池化层和4个复制叠加层;
在20个卷积层中,19个卷积层卷积核大小为3*3,1个卷积层卷积核大小为1*1;
池化层的池化核大小为2*2,池化层步长全为1且不填充;
在后两层池化层后设置有Dropput层;
最后一层卷积层采用Sigmoid激活函数,其余卷积层均采用elu激活函数;
U-net神经网络模型采用交叉熵作为目标优化函数,并使用Adam优化器优化目标函数。
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。
图1为本申请提供的一种基于U-net神经网络的地震层位解释方法流程图。
图2为本申请实施例中获得地震样本数据的流程图。
图3为本申请实施例中对预先构建的U-net神经网络模型进行训练流程图。
图4为实际测试数据基于U-net神经网络的智能层位解释方法预测效果图。
图5为本申请提供的一种基于U-net神经网络的地震层位解释装置结构框图。
图6为本申请实施例中样本数据获取单元的结构框图。
图7为本申请实施例中模型训练单元的结构框图。
图8为本申请实施例中一种电子设备的具体实施方式。
图9为本申请中U-net神经网络模型的结构图。
图10为本申请中基于U-net神经网络的智能地震层位解释方法预测效果对比图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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做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。
当前地震资料的解释主要以人工解释为主,自动拾取为辅,并且,在地层构造复杂以及断裂发育的地区主要以全人工解释为主,人工解释不仅工作量巨大、效率低下,而且解释精度不高,而解释精度会直接影响后续构造特征分析结果的准确度。
基于上述问题,本申请提供了一种基于U-net神经网络的地震层位解释方法,如图1所示,包括:
S101:对获取的历史地震数据进行解析,获得地震样本数据。
在一实施例中,对获取的地震数据进行解析,获得地震样本数据,如图2所示,包括:
S201:对获取的地震数据进行大网格的人工层位解释后,以segy格式进行存储。
在一具体实施例中,首先收集实地勘探采集的地震数据,对地震数据的层位进行大网格的人工解释,以为后面的样本构建做准备,由于地震数据量较大,所以地震数据采用segy格式进行存储。
S202:根据segy文件中的地震道的道头确定所需的地震道。
在一具体实施例中,根据segy文件中地震道的道头,定义Inline、cdp所在的字节数,然后对所需的地震道进行解析并加载到内存中。
S203:对所需的地震道进行解析获得地震样本数据。
在一具体实施例中,将人工解释过的地震道作为样本数据,将地震层位的位置及以下位置标为1,层位的位置以上标为0,作为其层位标签。
S102:将获取的当前地震数据输入至利用地震样本数据训练后的U-net神经网络模型进行层位解释。
在一实施例中,利用地震样本数据对预先构建的U-net神经网络模型进行训练,如图3所示,包括:
S301:将地震样本数据划分为训练集和验证集。
在一具体实施例中,将S203中获得的地震样本数据划分为训练集和验证集。
S302:利用训练集对U-net神经网络模型进行训练,获得训练结果。
S303:根据训练结果调节模型的网络参数获得训练后的U-net神经网络模型。
在一具体实施例中,用划分好的训练集模型进行模型训练,调节网络参数以保证满足预测准确度,获得训练好的U-net神经网络模型。然后,利用划分好的验证集对网络精度进行验证评估,最后,用训练好的模型对地震数据进行自动地震层位解释预测。
在一实施例中,U-net神经网络模型包括:
20个卷积层,4个池化层和4个复制叠加层;
在20个卷积层中,19个卷积层卷积核大小为3*3,1个卷积层卷积核大小为1*1;
池化层的池化核大小为2*2,池化层步长全为1且不填充;
在后两层池化层后设置有Dropput层;
最后一层卷积层采用Sigmoid激活函数,其余卷积层均采用elu激活函数;
U-net神经网络模型采用交叉熵作为目标优化函数,并使用Adam优化器优化目标函数。
U-net神经网络是一种像素级的图像语义分割网络,网络结构包含下采样和上采样两个部分。下采样部分是通过卷积和池化操作提取图像不同层次的特征,上采样部分利用下采样得到的不同层次的特征,将它们通过特征叠加的方式整合并逐步恢复成原图对应位置。
在一具体实施例中,该神经网络上下采样共包含20个卷积层、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*3,1个卷积层卷积核大小为1*1,4个池化层的池化核大小为2*2,池化层步长全为1且不填充。在后两层池化层后加入Dropput层来消除U-net模型过拟合的问题。除最后一层卷积层采用Sigmoid激活函数以外,其余卷积层均采用elu激活函数来增加网络的非线性。采用交叉熵作为目标优化函数,使用Adam优化器优化目标函数。图4为实际测试数据基于U-net神经网络的智能层位解释方法预测效果图。如图10所示,从整体上看,自动层位解释与人工解释结果相一致。
基于同一发明构思,本申请实施例还提供了一种基于U-net神经网络的地震层位解释装置,可以用于实现上述实施例中所描述的方法,如下面实施例所述。由于该基于U-net神经网络的地震层位解释装置解决问题的原理与基于U-net神经网络的地震层位解释方法相似,因此基于U-net神经网络的地震层位解释装置的实施可以参见基于U-net神经网络的地震层位解释方法的实施,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。
如图5所示,本申请提供了一种基于U-net神经网络的地震层位解释装置,包括:
样本数据获取单元501,用于对获取的地震数据进行解析,获得地震样本数据;
层位解释单元502,用于通过训练后的U-net神经网络模型对获取的当前地震数据进行层位解释。
在一实施例中,该地震层位解释装置还包括一模型训练单元,用于构建的U-net神经网络模型,并利用地震样本数据对构建的U-net神经网络模型进行训练。
在一实施例中,如图6所示,样本数据获取单元501包括:
解释存储模块601,用于对获取的地震数据进行解释后,以segy格式进行存储;
地震道确定模块602,用于根据segy文件中的地震道的道头确定所需的地震道;
样本数据获取模块603,用于对所需的地震道进行解析获得地震样本数据。
在一实施例中,如图7所示,模型训练单元502包括:
集合划分模块701,用于将地震样本数据划分为训练集和验证集;
训练模块702,用于利用训练集对U-net神经网络模型进行训练,获得训练结果;
调参模块703,用于根据训练结果调节模型的网络参数获得训练后的U-net神经网络模型。
在一实施例中,如图9所示,U-net神经网络模型包括:
20个卷积层,4个池化层和4个复制叠加层;
在20个卷积层中,19个卷积层卷积核大小为3*3,1个卷积层卷积核大小为1*1;
池化层的池化核大小为2*2,池化层步长全为1且不填充;
在后两层池化层后设置有Dropput层;
最后一层卷积层采用Sigmoid激活函数,其余卷积层均采用elu激活函数;
U-net神经网络模型采用交叉熵作为目标优化函数,并使用Adam优化器优化目标函数。
本申请实现了高精度的、高效率的地震层位追踪精度,满足地质资料高效构造解释的要求,极大的减轻地震资料解释人员的解释工作量。本申请既能适应二维工区的层位追踪,又能适应三维工区的层位追踪。
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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式,参见图8,所述电子设备具体包括如下内容:
处理器(processor)801、内存802、通信接口(Communications Interface)803、总线804和非易失性存储器805;
其中,所述处理器801、内存802、通信接口803通过所述总线804完成相互间的通信;
所述处理器801用于调用所述内存802和非易失性存储器805中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S101:对获取的地震数据进行解析,获得地震样本数据。
S102:利用地震样本数据对预先构建的U-net神经网络模型进行训练。
S103:通过训练后的U-net神经网络模型对获取的当前地震数据进行层位解释。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S101:对获取的地震数据进行解析,获得地震样本数据。
S102:利用地震样本数据对预先构建的U-net神经网络模型进行训练。
S103:通过训练后的U-net神经网络模型对获取的当前地震数据进行层位解释。
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。虽然本说明书实施例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手段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。在实际中的装置或终端产品执行时,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,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。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。
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。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 (12)
1.一种基于U-net神经网络的地震层位解释方法,其特征在于,包括:
对获取的历史地震数据进行解析,获得地震样本数据;
将获取的当前地震数据输入至利用所述地震样本数据训练后的U-net神经网络模型进行层位解释。
2.根据权利要求1所述的地震层位解释方法,其特征在于,所述对获取的历史地震数据进行解析,获得地震样本数据,包括:
对获取的地震数据进行解释后,以segy格式进行存储;
根据segy文件中的地震道的道头确定所需的地震道;
对所需的地震道进行解析获得所述地震样本数据。
3.根据权利要求1所述的地震层位解释方法,其特征在于,还包括:
构建的U-net神经网络模型,并利用所述地震样本数据对构建的U-net神经网络模型进行训练。
4.根据权利要求3所述的地震层位解释方法,其特征在于,所述利用所述地震样本数据对构建的U-net神经网络模型进行训练,包括:
将所述地震样本数据划分为训练集和验证集;
利用所述训练集对所述U-net神经网络模型进行训练,获得训练结果;
根据训练结果调节模型的网络参数获得训练后的所述U-net神经网络模型。
5.根据权利要求1所述的地震层位解释方法,其特征在于,所述U-net神经网络模型包括:
20个卷积层,4个池化层和4个复制叠加层;
在20个卷积层中,19个卷积层卷积核大小为3*3,1个卷积层卷积核大小为1*1;
所述池化层的池化核大小为2*2,池化层步长全为1且不填充;
在后两层池化层后设置有Dropput层;
最后一层卷积层采用Sigmoid激活函数,其余卷积层均采用elu激活函数;
所述U-net神经网络模型采用交叉熵作为目标优化函数,并使用Adam优化器优化目标函数。
6.一种基于U-net神经网络的地震层位解释装置,其特征在于,包括:
样本数据获取单元,用于对获取的历史地震数据进行解析,获得地震样本数据;
层位解释单元,用于将获取的当前地震数据输入至利用所述地震样本数据训练后的U-net神经网络模型进行层位解释。
7.根据权利要求6所述的地震层位解释装置,其特征在于,所述样本数据获取单元包括:
解释存储模块,用于对获取的地震数据进行解释后,以segy格式进行存储;
地震道确定模块,用于根据segy文件中的地震道的道头确定所需的地震道;
样本数据获取模块,用于对所需的地震道进行解析获得所述地震样本数据。
8.根据权利要求6所述的地震层位解释装置,其特征在于,还包括:
模型训练单元,用于构建的U-net神经网络模型,并利用所述地震样本数据对构建的U-net神经网络模型进行训练。
9.根据权利要求6所述的地震层位解释装置,其特征在于,所述模型训练单元包括:
集合划分模块,用于将所述地震样本数据划分为训练集和验证集;
训练模块,用于利用所述训练集对所述U-net神经网络模型进行训练,获得训练结果;
调参模块,用于根据训练结果调节模型的网络参数获得训练后的所述U-net神经网络模型。
10.根据权利要求6所述的地震层位解释装置,其特征在于,所述U-net神经网络模型包括:
20个卷积层,4个池化层和4个复制叠加层;
在20个卷积层中,19个卷积层卷积核大小为3*3,1个卷积层卷积核大小为1*1;
所述池化层的池化核大小为2*2,池化层步长全为1且不填充;
在后两层池化层后设置有Dropput层;
最后一层卷积层采用Sigmoid激活函数,其余卷积层均采用elu激活函数;
所述U-net神经网络模型采用交叉熵作为目标优化函数,并使用Adam优化器优化目标函数。
11.一种电子设备,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5中任意一项所述基于U-net神经网络的地震层位解释方法。
12.一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5中任一项所述基于U-net神经网络的地震层位解释方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011194837.6A CN114444555A (zh) | 2020-10-30 | 2020-10-30 | 一种基于U-net神经网络的地震层位解释方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011194837.6A CN114444555A (zh) | 2020-10-30 | 2020-10-30 | 一种基于U-net神经网络的地震层位解释方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114444555A true CN114444555A (zh) | 2022-05-06 |
Family
ID=81357567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011194837.6A Pending CN114444555A (zh) | 2020-10-30 | 2020-10-30 | 一种基于U-net神经网络的地震层位解释方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444555A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116381782A (zh) * | 2023-02-17 | 2023-07-04 | 中海石油(中国)有限公司深圳分公司 | 一种低幅度构造成图方法、设备及存储设备 |
-
2020
- 2020-10-30 CN CN202011194837.6A patent/CN114444555A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116381782A (zh) * | 2023-02-17 | 2023-07-04 | 中海石油(中国)有限公司深圳分公司 | 一种低幅度构造成图方法、设备及存储设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109471171B (zh) | 一种混叠地震数据分离的方法、装置及系统 | |
Merwade | Watershed and stream network delineation using ArcHydro tools | |
US8180619B2 (en) | System and method for digital effects analysis | |
CN106803799B (zh) | 一种性能测试方法和装置 | |
CN110210513A (zh) | 数据分类方法、装置及终端设备 | |
CN112199086A (zh) | 自动编程控制系统、方法、装置、电子设备及存储介质 | |
JP2016100006A (ja) | パフォーマンス試験のためのベンチマーク・アプリケーションを生成する方法および装置 | |
CN113420009B (zh) | 一种基于大数据的电磁数据分析装置、系统及方法 | |
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 | |
CN114444555A (zh) | 一种基于U-net神经网络的地震层位解释方法及装置 | |
CN105089658A (zh) | 基于不确定度的地层对比方法及装置 | |
CN113962304A (zh) | 一种多层同时智能地震层位解释方法及系统 | |
CN111124372A (zh) | 一种简化开发图表前后端设计方法及系统 | |
Röber et al. | Visualization of climate science simulation data | |
WO2010132986A1 (en) | Method, apparatus and system for improved groundwater modeling | |
Walton et al. | Dynamic 3-d visualization of climate model development and results | |
CN114661571A (zh) | 模型评测方法、装置、电子设备和存储介质 | |
Mai et al. | Blockly earthquake transformer: A deep learning platform for custom phase picking | |
CN111767942A (zh) | 一种地震断层数据处理方法及装置 | |
CN118094968B (zh) | 一种基于dem数据的动态流域划分方法及系统 | |
Li | Optimizing geospatial cyberinfrastructure to improve the computing capability for climate studies | |
CN109143334B (zh) | 一种层位插值方法、装置及系统 | |
Abramova et al. | Towards the Unified Approach for Obtaining Hydro-Meteorological and Landscape Characteristics for River Catchments | |
Sharples et al. | Best practice regarding the three P’s: profiling, portability and provenance when running HPC geoscientific applications | |
Simandla et al. | Auto-Detection of Medicinal Plants using Machine Learning Approach |
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 |