CN115616665A - 卷积神经网络的处理方法、装置和电子设备 - Google Patents
卷积神经网络的处理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN115616665A CN115616665A CN202211217986.9A CN202211217986A CN115616665A CN 115616665 A CN115616665 A CN 115616665A CN 202211217986 A CN202211217986 A CN 202211217986A CN 115616665 A CN115616665 A CN 115616665A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- convolutional
- random
- thin
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 146
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 71
- 239000011229 interlayer Substances 0.000 claims abstract description 51
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 41
- 230000003595 spectral effect Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000010410 layer Substances 0.000 claims description 65
- 238000001228 spectrum Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 19
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 32
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000000985 reflectance spectrum Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000010200 validation analysis 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
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- 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
- 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
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种卷积神经网络的处理方法、装置和电子设备。其中，该方法包括：对地震数据进行谱分解，得到地震数据的多个频率的反射系数；建立卷积神经网络；其中，卷积神经网络的输入为反射系数，卷积神经网络的输出为弹性参数；其中，弹性参数包括：横波速度、纵波速度和薄夹层的密度；生成随机薄夹层模型，基于随机薄夹层模型确定卷积神经网络的训练集；基于训练集训练卷积神经网络，得到训练完成的卷积神经网络。该方式中，可以对地震数据进行谱分解可以消除调谐效应，获得多频反射系数；设计了具有多通道输入的卷积神经网络，可以用于薄夹层间弹性参数的多频率联合AVO反演。
Description
技术领域
本发明涉及神经网络技术领域，尤其是涉及一种卷积神经网络的处理方法、装置和电子设备。
背景技术
传统的AVO(振幅随偏移距变化)反演方法基于叠前收集的振幅属性，计算地下介质的弹性参数。然而，当介质为薄夹层时，传统的AVO反演方法存在一些主要缺陷：首先，会发生调谐效应，即不同反射界面处幅度的混叠现象。它打破了振幅变化的规律性，使薄层间识别变得困难。其次，相同的反射界面在不同的频率下会呈现不同的AVO特性，但频率因子不包括在传统的AVO反演方法中。最后，传统的反演方法难以实现地震数据的端到端解释，导致计算效率低下。
发明内容
有鉴于此，本发明的目的在于提供一种卷积神经网络的处理方法、装置和电子设备，以消除调谐效应，获得多频反射系数。
第一方面，本发明实施例提供了一种卷积神经网络的处理方法，方法包括：对地震数据进行谱分解，得到地震数据的多个频率的反射系数；建立卷积神经网络；其中，卷积神经网络的输入为反射系数，卷积神经网络的输出为弹性参数；其中，弹性参数包括：横波速度、纵波速度和薄夹层的密度；生成随机薄夹层模型，基于随机薄夹层模型确定卷积神经网络的训练集；基于训练集训练卷积神经网络，得到训练完成的卷积神经网络。
在本申请可选的实施例中，上述建立卷积神经网络的步骤，包括：建立多通道的卷积神经网络；其中，卷积神经网络的每个通道基于单频反射系数的反演过程的线性近似得到。
在本申请可选的实施例中，上述卷积神经网络的每个通道包括第一卷积层、第二卷积层和第三卷积层，第一卷积层、第二卷积层和第三卷积层的卷积核大小均为1×1，第一卷积层包括8个随机核，第二卷积层和第三卷积层均包括32个随机核。
在本申请可选的实施例中，上述生成随机薄夹层模型的步骤，包括：生成多个层数和厚度随机的随机薄夹层模型，并为每个随机薄夹层模型的每层均分配不同的横波速度、纵波速度和薄夹层的密度。
在本申请可选的实施例中，上述基于随机薄夹层模型确定卷积神经网络的训练集的步骤，包括：基于Brekhovskikh方程对随机薄夹层模型执行振幅随偏移距变化的正演建模，得到多个训练数据；将多个训练数据的集合作为卷积神经网络的训练集。
在本申请可选的实施例中，在卷积神经网络的训练过程中，将纵波速度、横波速度和薄夹层的密度作为标签值。
在本申请可选的实施例中，上述基于训练集训练卷积神经网络，得到训练完成的卷积神经网络的步骤之后，方法还包括：基于训练完成的卷积神经网络预测薄夹层模型和具有起伏界面模型的弹性参数。
第二方面，本发明实施例还提供一种卷积神经网络的处理装置，装置包括：地震数据谱分解模块，用于对地震数据进行谱分解，得到地震数据的多个频率的反射系数；卷积神经网络建立模块，用于建立卷积神经网络；其中，卷积神经网络的输入为反射系数，卷积神经网络的输出为弹性参数；其中，弹性参数包括：横波速度、纵波速度和薄夹层的密度；随机薄夹层模型生成模块，用于生成随机薄夹层模型，基于随机薄夹层模型确定卷积神经网络的训练集；卷积神经网络训练模块，用于基于训练集训练卷积神经网络，得到训练完成的卷积神经网络。
第三方面，本发明实施例还提供了一种电子设备，包括处理器和存储器，该存储器存储有能够被该处理器执行的计算机可执行指令，该处理器执行该计算机可执行指令以实现上述卷积神经网络的处理方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述卷积神经网络的处理方法。
本发明实施例带来了以下有益效果：
本发明实施例提供了一种卷积神经网络的处理方法、装置和电子设备，对地震数据进行谱分解，得到地震数据的多个频率的反射系数，在建立输入为反射系数、输出为弹性参数的卷积神经网络之后，根据由随机薄夹层模型确定的训练集训练该神经网络，得到训练完成的卷积神经网络。该方式中，可以对地震数据进行谱分解可以消除调谐效应，获得多频反射系数；设计了具有多通道输入的卷积神经网络，可以用于薄夹层间弹性参数的多频率联合AVO反演。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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方式，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为本发明实施例提供的一种卷积神经网络的处理方法的流程图；
图2为本发明实施例提供的另一种卷积神经网络的处理方法的流程图；
图3为本发明实施例提供的一种模拟地震数据的谱分解的示意图；
图4为本发明实施例提供的五个理论实例的示意图；
图5为本发明实施例提供的五个理论实例的不同频率下的反射系数的示意图；
图6为本发明实施例提供的一种预测值与测试集真实值之间的平均误差的示意图；
图7为本发明实施例提供的一种计算的不同频率的反射系数与输入之间的平均误差的示意图；
图8为本发明实施例提供的三个薄层间模型的P波速度、S波速度和密度曲线的示意图；
图9为本发明实施例提供的一种Model1不同频率的地震数据和反射系数谱的示意图；
图10为本发明实施例提供的一种Model2不同频率的地震数据和反射系数谱的示意图；
图11为本发明实施例提供的一种Model3不同频率的地震数据和反射系数谱的示意图；
图12为本发明实施例提供的三个薄层间模型的反演结果的示意图；
图13为本发明实施例提供的一种具有起伏界面的横向连续模型的示意图；
图14为本发明实施例提供的一种5度角信道组的地震数据的示意图；
图15为本发明实施例提供的一种10度角信道组的地震数据的示意图；
图16为本发明实施例提供的一种15度角信道组的地震数据的示意图；
图17为本发明实施例提供的一种20度角信道组的地震数据的示意图；
图18为本发明实施例提供的一种25度角信道组的地震数据的示意图；
图19为本发明实施例提供一种30度角信道组的地震数据的示意图的；
图20为本发明实施例提供的一种基于多频反射系数的反演结果谱的示意图；
图21为本发明实施例提供的一种基于单频反射系数的反演结果谱的示意图；
图22为本发明实施例提供的一种基于地震资料的反演结果谱的示意图；
图23为本发明实施例提供的一种卷积神经网络的处理装置的结构示意图；
图24为本发明实施例提供的一种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，下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。
目前，传统的AVO反演方法基于叠前收集的振幅属性，计算地下介质的弹性参数。然而，当介质为薄夹层时，传统的AVO反演方法存在一些主要缺陷：首先，会发生调谐效应，即不同反射界面处幅度的混叠现象。它打破了振幅变化的规律性，使薄层间识别变得困难。其次，相同的反射界面在不同的频率下会呈现不同的AVO特性，但频率因子不包括在传统的AVO 反演方法中。最后，传统的反演方法难以实现地震数据的端到端解释，导致计算效率低下。
基于此，本发明实施例提供的一种卷积神经网络的处理方法、装置和电子设备，通过频谱分解与多通道卷积神经网络相结合，具体提供了一种频谱分解与人工智能联合弹性参数反演技术。对地震数据进行谱分解，消除调谐效应，获得多频反射系数。设计了具有多通道输入的卷积神经网络，用于薄夹层间弹性参数的多频率联合AVO反演。
本实施例中的具体技术手段包括：多频反射系数稀疏谱分解技术，通过生成随机薄夹层模型并基于Brekhovskikh方程执行AVO正演建模来获得训练集的技术，以及多通道卷积神经网络深度学习技术。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种卷积神经网络的处理方法进行详细介绍。
实施例一：
本发明实施例提供一种卷积神经网络的处理方法，参见图1所示的一种卷积神经网络的处理方法的流程图，该卷积神经网络的处理方法包括如下步骤：
步骤S102，对地震数据进行谱分解，得到地震数据的多个频率的反射系数。
本实施例中可以对地震数据进行谱分解，利用提出的多频反射系数稀疏谱分解技术，可以得到不同频率的反射系数。通过谱分解技术可以消除调谐效应，即消除了不同反射界面处幅度的混叠现象。
步骤S104，建立卷积神经网络；其中，卷积神经网络的输入为反射系数，卷积神经网络的输出为弹性参数。
本实施例中可以建议多通道卷积神经网络，将上述步骤得到的反射系数作为该多通道卷积神经网络的输入，将弹性参数作为该多通道卷积神经网络的输出。其中，弹性参数包括：横波(S波)速度、纵波(P波)速度和薄夹层的密度。
步骤S106，生成随机薄夹层模型，基于随机薄夹层模型确定卷积神经网络的训练集。
本实施例中可以通过生成随机薄夹层模型并基于Brekhovskikh方程执行AVO正演建模来获得训练集(即不同频率下的反射系数)，这里的训练集的样本是层数和厚度随机的薄夹层模型，每个层要分配不同的P波速度，S 波速度和密度。
步骤S108，基于训练集训练卷积神经网络，得到训练完成的卷积神经网络。
基于上述训练集就可以训练上述建立的卷积神经网络，训练完成的卷积神经网络可以预测薄夹层模型和具有起伏界面模型的弹性参数。
本发明实施例提供了一种卷积神经网络的处理方法，对地震数据进行谱分解，得到地震数据的多个频率的反射系数，在建立输入为反射系数、输出为弹性参数的卷积神经网络之后，根据由随机薄夹层模型确定的训练集训练该神经网络，得到训练完成的卷积神经网络。该方式中，对地震数据进行谱分解可以消除调谐效应，获得多频反射系数；设计了具有多通道输入的卷积神经网络，可以用于薄夹层间弹性参数的多频率联合AVO反演。
实施例二：
本实施例提供了另一种卷积神经网络的处理方法，该方法在上述实施例的基础上实现，参见图2所示的另一种卷积神经网络的处理方法的流程图，该卷积神经网络的处理方法包括如下步骤：
步骤S202，对地震数据进行谱分解，得到地震数据的多个频率的反射系数。
本实施例提供了多频率卷积建模技术，包括：建模与求解算法和谱分解算法理论测试。对于建模与求解算法，地震卷积模型可以写成多个频率的小波的卷积及其相应的反射系数：
s＝w1*r1+w2*r2+…+wNf*rNf (1)
其中，wi是具有长度为Nt的单个频率的小波，ri是单个频率下反射系数的序列，Nf是频率的个数。上述方程可以写成矩阵-向量方程的线性系统：
在上式中，Wi(i＝1，2，…，Nt)是对应于具有维度为Nt×Nf的单频小波卷积矩阵，DNt×Nf是小波卷积矩阵库，m是由ri生成的反射系数矩阵。
小波矩阵字典是由地震小波的傅里叶变换构造的。根据傅里叶变换理论，一个X(t)(对应于小波)的复数信号可以分解成多个具有不同幅度、频率和相位的简单谐波：
在上式中，ω是角频率，Δt是时间采样间隔，n是采样点。不同频率分量的幅值和相位谱可以通过傅里叶变换得到，小波可以分解成多个简单的谐波。
由于地震数据s的维数为Nt+Nf-1，而反射系数矩阵的维数为Nt× Nf，因此方程组Dm＝s是不适定的，并且很难求得m的解。为了解决这一难题，通常通过引入m的p范数‖·‖Lp，应用稀疏解技巧。对于p＝1，它指的是求解一个不等式约束的最小化问题：
通过L1的谱投影梯度法求解上述不等式约束优化问题，即转化为求解下述的问题：
设mτ是上述极小化问题的解，令eτ是模拟数据与观测数据的残差，定义一个非线性函数ψ(τ)：
ψ(τ)＝‖eτ‖2，eτ＝s-DMτ (6)
上述函数定义了残差eτ的2-范数和解mτ的1-范数之间的最优权衡。函数ψ(τ)在反问题领域通常称之为偏差函数，可用于计算正则化参数τ。非线性方程(6)的根，可以通过求下述的方程得到：
ψ(τ)＝σ (7)
方程(7)的求解，可以通过牛顿法实现，即一系列正则化参数τk→τσ是根据下述的牛顿迭代公式计算：
τk+1＝τk+Δτk，Δτk＝(σ-ψ(τk))/ψ′(τk) (8)
当问题(5)的解收敛于mσ时，参数τσ给出方程(4)和(5)的相同解。
此外，对于方程(7)的求解，还可以通过逼近牛顿法实现，比如割线法、二分法或其它非线性方程求根方法。
谱分解实现步骤包括如下6步：
第一步：设置最小和最大步长0＜αmin＜αmax。设置初始步长α0∈[αmin,αmax]和充分下降参数γ∈(0,1)。将搜索历史记录长度设置为 M≥1。设置初始迭代：m0＝Pτ[m]，e0＝s-Dm0，g0＝-DTe0，l＝0。
第二步：计算对偶间隙δl＝||el||2-(sTel-τ||gl||∞)/||el||2；若对偶间隙满足收敛条件，转第六步。
第三步：令初始步长α＝αl，逼近解为
更新余量
若
转第四步，否则，令α＝α/2，重复第三步。
第四步：
gl+1＝-DTel+1，若ΔmTΔg≤0，更新步长αl+1＝αmax，否则αl+1＝min{αmax,maxpαmin,(ΔmTΔm)/(ΔmTΔg)[}，l＝l+1。
第五步：转第二步。
第六步：输出mτ＝ml，eτ＝el。
对于谱分解算法理论测试，地震勘探的频带范围通常在10Hz-100Hz以内，本发明选取反射系数为20Hz、40Hz、60Hz的分量作为弹性参数反演的基础。谱分解方法可以消除小波的影响，有助于降低随机噪声的影响。通过模拟地震数据验证谱分解的可行性。
参见图3所示的一种模拟地震数据的谱分解的示意图，图3(a)示出了薄层间模型；图3(b)示出了不同入射角度的地震数据；图3(c)-(e)示出了通过频谱分解得到的反射系数20Hz、40Hz和60Hz；图3(f)-(h)理论反映了由 Brekhovskikh方程计算的20Hz、40Hz和60Hz的离子系数。
首先，建立薄层间模型(图3(a))。进行地震数据正演建模，并将随机噪声添加到正演建模过程中。提取入射角为5°、10°、15°、20°、25°和30°的地震数据(图3(b))。对地震数据进行谱分解，得到20Hz(图3(c))、40Hz(图 3(d))和60Hz(图3(e))的反射系数。同时，利用Brekhovskikh方程计算20Hz(图 3(f))，40Hz(图3(g))和60Hz(图3(h))的反射系数的理论值。Brekhovskikh方程表达式如下：
RPP＝Brekhovskikh(VP1,VS1,ρ1,VP2,VS2,ρ2,VP3,VS3,ρ3,ω,d)。
其中，VP1，VP2和VP3分别是三层的P波速度；VS1，VS2和VS3分别是三层的S波速度；ρ1、ρ2和ρ3分别是三层的密度；d是介质第二层的厚度；ω是角频率。
步骤S204，建立卷积神经网络；其中，卷积神经网络的输入为反射系数，卷积神经网络的输出为弹性参数。
具体地，本实施例可以建立多通道的卷积神经网络；其中，卷积神经网络的每个通道基于单频反射系数的反演过程的线性近似得到。本实施例提供了多通道卷积神经网络深度学习技术，包括：多通道卷积神经网络架构和深度学习理论测试。
对于多通道卷积神经网络架构，卷积神经网络在反问题领域的本质是用多层线性关系近似和解释非线性问题，它建立了两种不同特征的数据之间的映射关系，属于经典的数据驱动算法。然而，在地球物理反问题中，卷积神经网络应该具有符合现实的物理意义。本发明构建了一种多通道卷积神经网络，并结合频谱分解方法，反演薄夹层的P波速度、S波速度和密度。卷积神经网络通过与卷积运算的多个线性关系逼近逆过程，每个线性运算可以表示为：
在公式(9)中，Xi是神经元的输入，Yi是神经元的输出，
是激活函数， Wi T是卷积内核，bi是偏差。
本发明采用多通道卷积神经网络实现弹性参数的多频联合反演。每个通道都是基于单频反射系数的反演过程的线性近似。为了使求解过程具有物理意义，基于Brekhovskikh方程的振幅-偏移距变化正演建模成为网络的物理导引。
在该多通道的卷积神经网络中，谱分解后地震数据的多频反射系数为输入。卷积神经网络的每个通道包括第一卷积层、第二卷积层和第三卷积层，第一卷积层、第二卷积层和第三卷积层的卷积核大小均为1×1，第一卷积层包括8个随机核，第二卷积层和第三卷积层均包括32个随机核。
每个池化层采用最大池化，池化接受窗口的大小为2×2，步长为2。为了避免由于输入过大或过小而引起的梯度弥散，使用Batch Norm层将输入映射到接近0的小区间，以获得更理想的优化轨迹。在最后一次池化操作之后，数据通过拼合层进行一维处理，为全连接层做准备。在第一个完全连接中，激活函数是下面给出的Softmax函数：
三个通道的输出使用连接函数进行连接。将三个一维向量拼接成一个一维向量，并导入到最终的全连接层中。在第二个完全连接中，激活函数是下面给出的ReLU函数：
R(xi)＝max(0，xi) (11)
ReLU函数将抑制所有小于0及趋于0的值，并直接输出正数。至此，整个网络训练过程完成。训练后，使用Brekhovskikh方程对预测数据(弹性参数)进行多频振幅-偏移距变化正演建模，然后与输入反射系数进行比较。显然，Brekhovskikh方程被用作该网络的物理约束条件。
步骤S106，生成随机薄夹层模型，基于随机薄夹层模型确定卷积神经网络的训练集。
对于深度学习理论测试，大型训练集对于获得更好的训练效果是必要的。本实施例可以生成多个层数和厚度随机的随机薄夹层模型，并为每个随机薄夹层模型的每层均分配不同的横波速度、纵波速度和薄夹层的密度。本实施例还可以基于Brekhovskikh方程对随机薄夹层模型执行振幅随偏移距变化的正演建模，得到多个训练数据；将多个训练数据的集合作为卷积神经网络的训练集。
训练集由两个步骤生成：生成随机薄夹层模型和基于Brekhovskikh方程执行振幅-偏移距变化正演建模。生成许多层数和厚度随机的薄层间模型，并为每个层分配不同的P波速度，S波速度和密度。
可以参见图4所示的五个理论实例的示意图，其中，图4(a)示出了P波速度，图4(b)示出了S波速度，图4(c)示出了密度。还可以参见图5所示的五个理论实例的不同频率下的反射系数的示意图，其中，图5(a)示出了20Hz 下的反射系数，图5(b)示出了40Hz下的反射系数，图5(c)示出了60Hz下的反射系数。
对每个样品进行基于Brekhovskikh方程执行振幅-偏移距变化正演建模，以获得20Hz、40Hz和60Hz的反射系数谱。提取5°、10°、15°、20°、 25°和30°的反射系数作为网络的输入，如图5所示。按照上述步骤，生成2000组训练数据，形成训练集。
步骤S208，基于训练集训练卷积神经网络，得到训练完成的卷积神经网络。
具体地，在卷积神经网络的训练过程中，可以将纵波速度、横波速度和薄夹层的密度作为标签值。
为了确保网络的准确性，我们采取两种方式对其进行验证。与构造训练集时使用的方法类似，构造500组数据作为测试集。首先，正演验证：通过测试集中不同频率的反射系数预测P波速度、S波速度和密度，并计算预测值与实值之间的平均误差，可以参见图6所示的一种预测值与测试集真实值之间的平均误差的示意图。其中，图6(a)示出了P波速度的平均误差，图 6(b)示出了S波速度的平均误差，图6(c)示出了密度的平均误差。
P波速度平均误差的绝对值小于40m/s。S波速度平均误差的绝对值小于20m/s。密度平均误差的绝对值小于0.05g/cm3。
反向验证：对预测值进行基于Brekhovskikh方程的AVO正演建模，将计算出的反射系数与输入进行比较，并计算平均误差。三个频率反射系数的平均误差小于6×10-4。可以参见图7所示的一种计算的不同频率的反射系数与输入之间的平均误差的示意图。其中，图7(a)示出了20Hz的平均误差，图7(b)示出了40Hz的平均误差，图7(c)示出了60Hz的平均误差。
两个方面的验证表明，上述网络可以准确预测薄层的P波速度、S波速度和密度。
步骤S210，基于训练完成的卷积神经网络预测薄夹层模型和具有起伏界面模型的弹性参数。
本发明实施例可以进行人工合成实例模拟，建立了3个薄夹层模型 Model1、Model2和Model3。如图8所示的三个薄层间模型的P波速度、S 波速度和密度曲线的示意图。其中，图8(a)示出了Model1的曲线，图8(b) 示出了Model2的曲线，图8(c)示出了Model3的曲线。
此外，还可以参见图9所示的一种Model1不同频率的地震数据和反射系数谱的示意图、图10所示的一种Model2不同频率的地震数据和反射系数谱的示意图和图11所示的一种Model3不同频率的地震数据和反射系数谱的示意图。
其中，图9(a)示出了Model1的地震数据，图9(b)示出了Model1的20Hz 反射系数谱，图9(c)示出了Model1的40Hz反射系数谱，图9(d)示出了 Model1的60Hz反射系数谱。图10(a)示出了Model2的地震数据，图10(b) 示出了Model2的20Hz反射系数谱，图10(c)示出了Model2的40Hz反射系数谱，图10(d)示出了Model2的60Hz反射系数谱。图11(a)示出了Model3 的地震数据，图11(b)示出了Model3的0Hz反射系数谱，图11(c)示出了 Model3的40Hz反射系数谱，图11(d)示出了Model3的60Hz反射系数谱。
对上述3个薄夹层模型进行地震数据正演建模。在正演建模过程中加入随机噪声，提取5°、10°、15°、20°、25°、30°入射的地震数据，如图9(a)、图10(a)和图11(a)所示。对地震数据进行谱分解，得到3种薄夹层模型的反射系数谱：20Hz反射系数谱如图9(b)、图10(b)和图11(b)所示； 40Hz反射系数频谱，如图9(c)、图10(c)和图11(c)所示；60Hz反射系数频谱，如图9(d)、图10(d)和图11(d)所示。频谱分解法使各反射界面更清晰，提高了薄层间的分辨率，并综合利用不同频率的AVO特性，提高了反演精度。
将多频反射系数的反演结果与单频反射系数和地震数据的反演结果进行比较。在利用单频反射系数或地震数据预测弹性参数的过程中，以图2所示的网络中的单通道为网络结构。输入为40Hz反射系数频谱或地震数据，输出为P波速度、S波速度和密度。上述训练集中的40Hz反射系数用作训练集，以基于单频反射系数反演弹性参数。根据卷积公式，将上述训练集的反射系数与相应频率的小波卷积，求和合成地震数据。地震数据用作训练集，以根据地震数据反演弹性参数。预测了上述3种薄层间模型的P波速度、S 波速度和密度，结果可以参见图12所示的三个薄层间模型的反演结果的示意图。
其中，图12中的实线为真实值，虚线为多频联合反演和单频反演的结果。图12(a)示出了Model1的P波速度、S波速度和密度，图12(b)示出了 Model2的P波速度、S波速度和密度，图12(c)示出了Model3的P波速度、 S波速度和密度。
参见图13所示的一种具有起伏界面的横向连续模型的示意图。其中，图13(a)示出了P波速度的地震反射波，图13(b)示出了S波速度的地震反射波，图13(c)示出了密度的地震反射波。如图13所示，本实施例可以建立具有起伏界面的横向连续模型。
对上述模型进行地震数据正演建模。具体实现过程中，在正演建模中加入了20％的随机噪声，提取5°、10°、15°、20°、25°、30°入射的地震数据。对地震数据进行谱分解，得到模型的反射系数谱。可以参见图14 所示的一种5度角信道组的地震数据的示意图、图15所示的一种10度角信道组的地震数据的示意图、图16所示的一种15度角信道组的地震数据的示意图、图17所示的一种20度角信道组的地震数据的示意图、图18所示的一种25度角信道组的地震数据的示意图和图19所示的一种30度角信道组的地震数据的示意图。
其中，图14(a)-图19(a)示出了20Hz反射系数的地震反射波，图14(b) -图19(b)示出了40Hz反射系数的地震反射波，图14(c)-图19(c)示出了60Hz 反射系数的地震反射波。
基于频谱分解的结果，使用三个训练的网络模型来预测薄互层的P波速度，S波速度和密度，可以参见图20所示的一种基于多频反射系数的反演结果谱的示意图、图21所示的一种基于单频反射系数的反演结果谱的示意图和图22所示的一种基于地震资料的反演结果谱的示意图。其中，图 20(a)-图22(a)示出了P波速度的地震反射波，图20(b)-图22(b)示出了S波速度的地震反射波，图20(c)-图22(c)示出了密度的地震反射波。
将三个反演结果与真实值(如图13所示)进行比较。基于多频反射系数谱的联合反演结果令人满意(如图20所示)，参数和界面起伏描述非常准确。相比之下，基于单频反射系数频谱的反演结果较差(如图21所示)。虽然在基于单频反射系数谱的反演结果中也可以看出薄层间介质的轮廓，但其界面波动和夹层弹性参数的精度都略显不足。由于随机噪声和调谐效应的影响，传统的基于地震数据的反演结果(如图22所示)是不准确的。
本发明实施例提供的上述方法，可以提高薄夹层间的分辨率，准确反演弹性参数，提出一种结合频谱分解和多通道卷积神经网络的多频联合振幅随偏移距变化(AVO)反演方法。该方法对地震数据进行谱分解，得到不同频率的反射系数。通过多通道卷积神经网络建立多频反射系数与弹性参数的映射关系，实现弹性参数的多频联合反演。可以通过生成随机薄夹层模型并基于Brekhovskikh方程执行AVO正演建模来获得训练集。因此，该方程将用作网络训练的物理条件。训练后的网络模型用于预测薄夹层模型和具有起伏界面模型的弹性参数。多频联合AVO反演可以准确描述反射界面和弹性参数。此外，通过与基于单频反射系数和地震数据的卷积神经网络反演结果的对比，验证了该方法的可行性和准确性，具有良好的弹性参数反演效果，可以为稀薄油气藏定量分析提供新的思路。
实施例三：
对应于上述方法实施例，本发明实施例提供了一种卷积神经网络的处理装置，参见图23所示的一种卷积神经网络的处理装置的结构示意图，该卷积神经网络的处理装置包括：
地震数据谱分解模块2301，用于对地震数据进行谱分解，得到地震数据的多个频率的反射系数；
卷积神经网络建立模块2302，用于建立卷积神经网络；其中，卷积神经网络的输入为反射系数，卷积神经网络的输出为弹性参数；其中，弹性参数包括：横波速度、纵波速度和薄夹层的密度；
随机薄夹层模型生成模块2303，用于生成随机薄夹层模型，基于随机薄夹层模型确定卷积神经网络的训练集；
卷积神经网络训练模块2304，用于基于训练集训练卷积神经网络，得到训练完成的卷积神经网络。
本发明实施例提供了一种卷积神经网络的处理装置，对地震数据进行谱分解，得到地震数据的多个频率的反射系数，在建立输入为反射系数、输出为弹性参数的卷积神经网络之后，根据由随机薄夹层模型确定的训练集训练该神经网络，得到训练完成的卷积神经网络。该方式中，对地震数据进行谱分解可以消除调谐效应，获得多频反射系数；设计了具有多通道输入的卷积神经网络，可以用于薄夹层间弹性参数的多频率联合AVO反演。
上述卷积神经网络训练模块，用于建立多通道的卷积神经网络；其中，卷积神经网络的每个通道基于单频反射系数的反演过程的线性近似得到。
上述卷积神经网络的每个通道包括第一卷积层、第二卷积层和第三卷积层，第一卷积层、第二卷积层和第三卷积层的卷积核大小均为1×1，第一卷积层包括8个随机核，第二卷积层和第三卷积层均包括32个随机核。
上述随机薄夹层模型生成模块，用于生成多个层数和厚度随机的随机薄夹层模型，并为每个随机薄夹层模型的每层均分配不同的横波速度、纵波速度和薄夹层的密度。
上述随机薄夹层模型生成模块，用于基于Brekhovskikh方程对随机薄夹层模型执行振幅随偏移距变化的正演建模，得到多个训练数据；将多个训练数据的集合作为卷积神经网络的训练集。
在卷积神经网络的训练过程中，将纵波速度、横波速度和薄夹层的密度作为标签值。
上述装置还包括：弹性参数预测模块，用于基于训练完成的卷积神经网络预测薄夹层模型和具有起伏界面模型的弹性参数。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的卷积神经网络的处理装置的具体工作过程，可以参考前述的卷积神经网络的处理方法的实施例中的对应过程，在此不再赘述。
实施例四：
本发明实施例还提供了一种电子设备，用于运行上述卷积神经网络的处理方法；参见图24所示的一种电子设备的结构示意图，该电子设备包括存储器100和处理器101，其中，存储器100用于存储一条或多条计算机指令，一条或多条计算机指令被处理器101执行，以实现上述卷积神经网络的处理方法。
进一步地，图24所示的电子设备还包括总线102和通信接口103，处理器101、通信接口103和存储器100通过总线102连接。
其中，存储器100可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图24 中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100，处理器101读取存储器100中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述卷积神经网络的处理方法，具体实现可参见方法实施例，在此不再赘述。
本发明实施例所提供的卷积神经网络的处理方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和/或装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种卷积神经网络的处理方法，其特征在于，所述方法包括：
对地震数据进行谱分解，得到所述地震数据的多个频率的反射系数；
建立卷积神经网络；其中，所述卷积神经网络的输入为反射系数，所述卷积神经网络的输出为弹性参数；其中，所述弹性参数包括：横波速度、纵波速度和薄夹层的密度；
生成随机薄夹层模型，基于所述随机薄夹层模型确定所述卷积神经网络的训练集；
基于所述训练集训练所述卷积神经网络，得到训练完成的卷积神经网络。
2.根据权利要求1所述的方法，其特征在于，建立卷积神经网络的步骤，包括：
建立多通道的卷积神经网络；其中，所述卷积神经网络的每个通道基于单频反射系数的反演过程的线性近似得到。
3.根据权利要求2所述的方法，其特征在于，所述卷积神经网络的每个通道包括第一卷积层、第二卷积层和第三卷积层，所述第一卷积层、所述第二卷积层和所述第三卷积层的卷积核大小均为1×1，所述第一卷积层包括8个随机核，所述第二卷积层和所述第三卷积层均包括32个随机核。
4.根据权利要求1所述的方法，其特征在于，生成随机薄夹层模型的步骤，包括：
生成多个层数和厚度随机的随机薄夹层模型，并为每个所述随机薄夹层模型的每层均分配不同的横波速度、纵波速度和薄夹层的密度。
5.根据权利要求1所述的方法，其特征在于，基于所述随机薄夹层模型确定所述卷积神经网络的训练集的步骤，包括：
基于Brekhovskikh方程对所述随机薄夹层模型执行振幅随偏移距变化的正演建模，得到多个训练数据；
将多个所述训练数据的集合作为卷积神经网络的训练集。
6.根据权利要求1所述的方法，其特征在于，在所述卷积神经网络的训练过程中，将纵波速度、横波速度和薄夹层的密度作为标签值。
7.根据权利要求1所述的方法，其特征在于，基于所述训练集训练所述卷积神经网络，得到训练完成的卷积神经网络的步骤之后，所述方法还包括：
基于训练完成的卷积神经网络预测薄夹层模型和具有起伏界面模型的弹性参数。
8.一种卷积神经网络的处理装置，其特征在于，所述装置包括：
地震数据谱分解模块，用于对地震数据进行谱分解，得到所述地震数据的多个频率的反射系数；
卷积神经网络建立模块，用于建立卷积神经网络；其中，所述卷积神经网络的输入为反射系数，所述卷积神经网络的输出为弹性参数；其中，所述弹性参数包括：横波速度、纵波速度和薄夹层的密度；
随机薄夹层模型生成模块，用于生成随机薄夹层模型，基于所述随机薄夹层模型确定所述卷积神经网络的训练集；
卷积神经网络训练模块，用于基于所述训练集训练所述卷积神经网络，得到训练完成的卷积神经网络。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1-7任一项所述的卷积神经网络的处理方法的步骤。
10.一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计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，所述计算机可执行指令促使处理器实现权利要求1-7任一项所述的卷积神经网络的处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211217986.9A CN115616665B (zh) | 2022-09-30 | 2022-09-30 | 卷积神经网络的处理方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211217986.9A CN115616665B (zh) | 2022-09-30 | 2022-09-30 | 卷积神经网络的处理方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115616665A true CN115616665A (zh) | 2023-01-17 |
| CN115616665B CN115616665B (zh) | 2023-07-21 |
Family
ID=84860317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211217986.9A Active CN115616665B (zh) | 2022-09-30 | 2022-09-30 | 卷积神经网络的处理方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115616665B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116430448A (zh) * | 2023-02-28 | 2023-07-14 | 中国科学院地质与地球物理研究所 | 地震数据的反演方法、装置及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104597490A (zh) * | 2015-01-28 | 2015-05-06 | 中国石油大学(北京) | 基于精确Zoeppritz方程的多波AVO储层弹性参数反演方法 |
| US20190064389A1 (en) * | 2017-08-25 | 2019-02-28 | Huseyin Denli | Geophysical Inversion with Convolutional Neural Networks |
| CN112305612A (zh) * | 2019-07-23 | 2021-02-02 | 中国海洋石油集团有限公司 | 高分辨率复谱分解时频空间域振幅随偏移距变化校正方法 |
| CN112444841A (zh) * | 2020-12-09 | 2021-03-05 | 同济大学 | 基于分尺度多输入卷积网络的含薄层岩性地震预测方法 |
| US20210089897A1 (en) * | 2019-09-24 | 2021-03-25 | Quantico Energy Solutions Llc | High-resolution earth modeling using artificial intelligence |
| CN113759424A (zh) * | 2021-09-13 | 2021-12-07 | 中国科学院地质与地球物理研究所 | 基于频谱分解和机器学习的岩溶储层充填分析方法和系统 |
| CN113866832A (zh) * | 2021-09-13 | 2021-12-31 | 中国石油大学(华东) | 基于虚拟井训练的卷积神经网络弹性参数预测方法 |
| US20220196860A1 (en) * | 2020-12-22 | 2022-06-23 | International Business Machines Corporation | Earthquake detection and response via distributed visual input |
| CN114706119A (zh) * | 2022-04-06 | 2022-07-05 | 中国科学院地质与地球物理研究所 | 基于卷积神经网络深度学习的反射波形反演方法和系统 |
-
2022
- 2022-09-30 CN CN202211217986.9A patent/CN115616665B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104597490A (zh) * | 2015-01-28 | 2015-05-06 | 中国石油大学(北京) | 基于精确Zoeppritz方程的多波AVO储层弹性参数反演方法 |
| US20190064389A1 (en) * | 2017-08-25 | 2019-02-28 | Huseyin Denli | Geophysical Inversion with Convolutional Neural Networks |
| CN112305612A (zh) * | 2019-07-23 | 2021-02-02 | 中国海洋石油集团有限公司 | 高分辨率复谱分解时频空间域振幅随偏移距变化校正方法 |
| US20210089897A1 (en) * | 2019-09-24 | 2021-03-25 | Quantico Energy Solutions Llc | High-resolution earth modeling using artificial intelligence |
| CN112444841A (zh) * | 2020-12-09 | 2021-03-05 | 同济大学 | 基于分尺度多输入卷积网络的含薄层岩性地震预测方法 |
| US20220196860A1 (en) * | 2020-12-22 | 2022-06-23 | International Business Machines Corporation | Earthquake detection and response via distributed visual input |
| CN113759424A (zh) * | 2021-09-13 | 2021-12-07 | 中国科学院地质与地球物理研究所 | 基于频谱分解和机器学习的岩溶储层充填分析方法和系统 |
| CN113866832A (zh) * | 2021-09-13 | 2021-12-31 | 中国石油大学(华东) | 基于虚拟井训练的卷积神经网络弹性参数预测方法 |
| CN114706119A (zh) * | 2022-04-06 | 2022-07-05 | 中国科学院地质与地球物理研究所 | 基于卷积神经网络深度学习的反射波形反演方法和系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116430448A (zh) * | 2023-02-28 | 2023-07-14 | 中国科学院地质与地球物理研究所 | 地震数据的反演方法、装置及电子设备 |
| CN116430448B (zh) * | 2023-02-28 | 2023-11-17 | 中国科学院地质与地球物理研究所 | 地震数据的反演方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115616665B (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503128B (zh) | 使用卷积生成对抗网络进行波形合成的谱图 | |
| US20190171935A1 (en) | Robust gradient weight compression schemes for deep learning applications | |
| Park et al. | Data compression and prediction using machine learning for industrial IoT | |
| CN110135577A (zh) | 训练全连接神经网络的装置及方法 | |
| Chen et al. | Seismic acoustic impedance inversion via optimization-inspired semisupervised deep learning | |
| CN115616665B (zh) | 卷积神经网络的处理方法、装置和电子设备 | |
| Weiss et al. | Eigenvalue decomposition of a parahermitian matrix: Extraction of analytic eigenvectors | |
| CN112596107A (zh) | 弹性参数反演方法及装置 | |
| Seleznev et al. | Bayesian framework for simulation of dynamical systems from multidimensional data using recurrent neural network | |
| Pérez-Vieites et al. | Probabilistic scheme for joint parameter estimation and state prediction in complex dynamical systems | |
| Andreux et al. | Music Generation and Transformation with Moment Matching-Scattering Inverse Networks. | |
| Chikin et al. | Channel balancing for accurate quantization of winograd convolutions | |
| CN110297273B (zh) | 储层的叠前反演方法及装置 | |
| Emirov et al. | Polynomial graph filters of multiple shifts and distributed implementation of inverse filtering | |
| JP7488422B2 (ja) | フィルタバンク領域でオーディオサンプルを処理するための生成ニューラルネットワークモデル | |
| Zhang et al. | Wavelet sampling and generalization in neural networks | |
| Chao et al. | Entropic proximal operators for nonnegative trigonometric polynomials | |
| Hamilton et al. | Revisiting implicit finite difference schemes for 3-D room acoustics simulations on GPU | |
| Silva et al. | Generative network-based reduced-order model for prediction, data assimilation and uncertainty quantification | |
| CN114841892B (zh) | 一种基于全连接网络的稀疏导波数据恢复方法 | |
| Gao et al. | Reduced-Degrees-of-Freedom Gaussian-Mixture-Model Fitting for Large-Scale History-Matching Problems | |
| US20230140656A1 (en) | Method and system for determining seismic processing parameters using machine learning | |
| CN116430448B (zh) | 地震数据的反演方法、装置及电子设备 | |
| Liu et al. | On exploiting spectral properties for solving MDP with large state space | |
| Chabiron et al. | Optimization of a fast transform structured as a convolutional tree |
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 |