CN115690772A - 基于深度学习的重力断层自动识别方法 - Google Patents
基于深度学习的重力断层自动识别方法 Download PDFInfo
- Publication number
- CN115690772A CN115690772A CN202110847391.0A CN202110847391A CN115690772A CN 115690772 A CN115690772 A CN 115690772A CN 202110847391 A CN202110847391 A CN 202110847391A CN 115690772 A CN115690772 A CN 115690772A
- Authority
- CN
- China
- Prior art keywords
- gravity
- fault
- dimensional
- deep learning
- model
- 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
Images
Abstract
本发明提供一种基于深度学习的重力断层自动识别方法,该基于深度学习的重力断层自动识别方法包括:步骤1,构建三维断层地质模型;步骤2,进行三维地质模型密度填充;步骤3,构建三维断层重力样本数据;步骤4,构建重力断层样本标签;步骤5,进行基于深度学习的重力断层识别网络构建;步骤6,利用优化算法进行网络参数训练,获得重力断层自动识别网络模型;步骤7,进行重力断层自动识别网络模型的输出及应用。该基于深度学习的重力断层自动识别方法利用深度学习算法充分挖掘重力异常中包含的断裂构造信息,提升断层识别的效率及精度,为重力识别断裂方面的提供了新的技术工具。
Description
技术领域
本发明涉及勘探地球物理技术领域,特别是涉及到一种基于深度学习的重力断层自动识别方法。
背景技术
在油气勘探领域,断层作为地下常见的地质构造,在油气输导、运移及封堵过程中起到非常重要的作用,利用各类地球物理数据开展断层的识别刻画具有重要意义。利用重力数据识别断层是一种刻画地下断层展布特征的重要技术手段,主要基于不同方向的导数计算、梯度计算等位场边缘检测技术,在识别规模较大的断层产状方面具有较好的效果。但是,由于重力异常来源与地下密度体的叠加效应,断层产生的异常比较微弱,易受其它地质体、观测噪声、处理噪声的干扰,导致常规的断层识别技术存在一定的局限性,而且在不断优选断层提取参数时缺乏定量表征,存在效率低、主观性强等问题,从而影响了断层识别刻画的准确性。
中国专利申请CN201911015974.6公开了一种基于构造背景的重力断裂影像识别方法,包括:步骤1,进行布格重力异常预处理,形成开展处理解释的基础资料;步骤2,进行重力差值趋势面场源分离,定量刻画目标地层的重力异常响应;步骤3,进行重力异常增强与处理转换,增强线性构造微弱信息,凸显小级别断裂线性影像;步骤4,联合多种处理转换成果建立窄化梯度带的非线性目标函数;步骤5,进行断裂线性影像综合分析,确定不同级别的断裂产状及组合样式。该基于构造背景的重力断裂影像识别方法提高了重力资料精细刻画断裂目标的有效性和实用性,提高了横向分辨能力,突出了断裂边界特征,可以更清晰的识别断裂构造格架。
中国专利申请CN201910664831.1公开了一种基于变邻域滑动窗口机器学习的地震断层识别方法,将原始地震数据转化为三维矩阵数据体;对三维矩阵数据体的每个数据点创建不同尺度滑动窗口,将相同尺度的滑动窗口组合成相应尺度矩阵;对尺度矩阵使用相应的判别模型进行断层识别,分别生成识别结果张量,并将三个识别结果张量整合为矩阵;对矩阵使用决策树模型进行识断层识别。与现有技术相比,本发明并行性高,效率高于其他全局最优算法,可以较好的利用大型计算机的若干处理器核心;本发明同时消除了传统地震数据研究难以判断物理量纲的问题,因为本发明采用了变邻域而不是固定邻域,可以通过多个视野范围来考虑多个尺度上的影响。
中国专利申请CN201911159916.0公开了一种基于倾斜角的重力水平总梯度断裂识别方法,属于石油地球物理勘探领域。包括以下步骤:网格化布格重力异常;目标层向上解析延拓处理,求取目标层区域背景重力异常及目标层剩余重力异常;目标层重力水平总梯度处理,初步提取断裂信息;目标层倾斜角加强处理,最终目标层断裂信息提取;构造背景恢复;目标层断裂追踪解释。
近几年深度学习技术在图像识别、语音识别等领域展示了极大的应用潜力,已收到地球物理领域的广泛关注,例如在地震资料的断层识别、河道检测、储层反演解释工作中都取得了较好的应用效果,然而在重力识别断层领域尚未开展相关研究。
以上现有技术均与本发明有较大区别,未能解决我们想要解决的技术问题,为此我们发明了一种新的基于深度学习的重力断层自动识别方法。
发明内容
本发明的目的是提供一种寻找更高效、可靠的重力断层自动识别技术手段和流程,为矿产资源勘探部署提供技术支撑的基于深度学习的重力断层自动识别方法。
本发明的目的可通过如下技术措施来实现:基于深度学习的重力断层自动识别方法,该基于深度学习的重力断层自动识别方法包括:
步骤1,构建三维断层地质模型;
步骤2,进行三维地质模型密度填充;
步骤3,构建三维断层重力样本数据;
步骤4,构建重力断层样本标签;
步骤5,进行基于深度学习的重力断层识别网络构建;
步骤6,利用优化算法进行网络参数训练,获得重力断层自动识别网络模型;
步骤7,进行重力断层自动识别网络模型的输出及应用。
本发明的目的还可通过如下技术措施来实现:
在步骤1,设置起伏构造、断层倾角、断层方位角、断层埋深这些关键参数,生成大量三维断层地质模型。
在步骤1,模拟起伏构造,随机设置包含多个地层的三维地质几何结构模型H,假设待构建的模型x、y、z方向的尺寸为nx、ny、nz,为消除起伏构造带来的边界效应,沿着x、y方向的两侧分别扩充了nxyout个网格,沿着z方向向下扩充nzout个网格,即模型H的初始尺寸变为nx+2nxyout、ny+2nxyout、nz+nzout;
对模型H施加构造起伏影响,起伏构造采用高斯源产生的曲面组合而成,具体公式为:
在步骤1,模拟三维断面;随机设置断面的中心点(x0,y0,z0)、断面走向方位角、断面倾角这些参数,以中心点(x0,y0,z0)为参考点,建立新的坐标系,如下所示:
其中,R为三维旋转变换矩阵,形式为:
其中,φ为断面走向方位角、θ为断面倾角;为模拟弯曲的断面,在新坐标系中利用多个正弦函数进行组合构建,
构建了断面面之后,在新的坐标系中计算断面两盘地层的位移量d。
在步骤1,将位移后的新坐标系计算结果反变换回原始坐标系;对地层模型进行三维插值得到原始坐标系中的三维断层模型,并将断面f(x,y)附近对应的点作为三维断层样本标签位置。
在步骤2,根据建立的三维地质几何结构模型H中的地层分布,按照实际情况的密度区间范围分别对不同地层进行随机剩余密度赋值,在此过程中考虑施加一定的密度随深度增加的低频趋势。
在步骤3,利用重力三维正演公式,计算三维地质密度体产生的重力异常,并在其中添加噪声干扰以模拟实测重力异常。
在步骤3,按照直立六面体公式进行重力正演计算;对地下三维模型的各个直立六面体单元计算重力异常并进行叠加求和,则可得重力异常正演模拟结果;在正演过程中为消除边界效应,将地层模型H的水平方向扩边网格大小按照一定比例进行增加,模拟密度模型水平方向向外无限延伸,消除边界效应,凸显重磁观测区域构造变化产生的重力异常;最后,在重力异常中添加一定的噪声干扰以保证正演模拟的数据更接近于真实数据。
在步骤4,根据三维断层地质模型中的断层分布,确定与重力异常正演区域相对应的断层样本标签平面位置;由于断面是一个三维体,而重力异常是二维平面数据;因此,对三维断层标签数据体沿着深度方向进行求和计算,得到二维标签投影结果,将其与重力观测点进行匹配;考虑到重力异常与断面投影点并非严格对应,因此将断层面中心线附近的点作为最终的断层平面样本标签。
在步骤5,将断层样本重力数据作为输入,将断层平面标签作为输出,构建深度学习网络结构;将重力平面数据识别断层平面位置看作一个图像语义分割问题;将断层平面样本标签位置标定为1,其它非断层位置标定为0;利用U型卷积神经网络结构进行重力断层自动识别。
在步骤5,输入数据为加入随机噪声的重力平面数据,输出的样本标签为与重力平面数据大小一致的二维断层平面样本标签;使用3层网络结构完成编码和解码;在编码过程,每一层使用池化层进行下采样,再利用卷积层来提取特征,使用ReLU作为激活函数;在解码过程中,使用转置卷积操作和ReLU激活函数进行特征的重构;解码过程的第一、二、三层分别与编码过程的第三、二、一层按通道方向进行组合拼接,把对应尺度上的特征信息进行引入,为后期断层识别提供多尺度多层次的信息;在解码层之后,施加一个1×1的卷积操作将隐藏层输出的尺寸匹配至输入数据大小;最后,利用SoftMax层将其转化成概率图,并采用Generalized Dice loss作为损失函数,通过Adam进行网络参数的最优化计算。
在步骤6,使用大量重力正演样本数据和断层样本标签来训练卷积神经网络,并且保留一定的验证数据集以检验深度学习网络模型的可靠性;同时,考虑实际情况中不同区域的重力异常值可能相差较大,将所有训练、验证及后续实际测试的重力数据均进行归一化处理,
其中Δg代表重力原始数据,μΔg代表重力数据振幅均值,σΔg代表重力异常方差值,而Δg′表示重力数据体的归一化处理结果;
初始化网络权重,设置迭代轮次、下降率等训练参数,优化求解采用Adam方法。
在步骤7,对于输入的实际数据根据需求进行网格化和预处理,包括曲化平、异常分离、去噪,之后利用训练好的自动识别模型进行断层的刻画;在预测过程中按照训练模型输入的大小对实际数据进行滑动窗口预测,最后将各个滑动窗口的识别结果进行拼接得到断层自动识别结果。
本发明中的基于深度学习的重力断层自动识别方法,在自动生成大量的、符合实际情况的断层几何形态模型及密度模型基础上,通过三维正演获得与之对应的重力数据,再利用深度学习算法的自动分析重力异常特征与断层空间位置之间的非线性映射关系,充分挖掘出重力异常的断裂构造信息。相比来说,常规的重力断裂解释工作中涉及不同算法的选择问题,并且需要进行大量的参数优选,流程复杂繁琐、主观性强,而本发明所提方法可端到端的直接获取各个方向的断层位置,具有效率高、可靠性高的优势,可为重力区域构造解释提供新的技术思路。
附图说明
图1为本发明的基于深度学习的重力断层自动识别方法的一具体实施例的流程图;
图2为本发明一具体实施例所述带复杂构造的三维断层模型图;
图3为本发明一具体实施例所述带三维断层模型对应的密度模型及重力异常图;
图4为本发明一具体实施例所述重力正演模拟数据和断层平面样本标签叠合图;
图5为本发明一具体实施例所述重力断层自动识别深度卷积神经网络结构图;
图6为本发明一具体实施例所述测试所用剩余重力异常图;
图7为本发明一测试所用剩余重力异常的断层自动识别结果图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
如图1所示,图1为本发明的基于深度学习的重力断层自动识别方法的流程图。该基于深度学习的重力断层自动识别方法包括以下步骤:
1)三维断层地质模型构建。设置起伏构造、断层倾角、断层方位角、断层埋深等关键参数,生成大量三维断层地质模型;
(2)三维地质模型密度填充。在三维断层地质模型构建的基础上,根据实际情况填充地层的密度值;
(3)三维断层重力样本数据构建。利用重力三维正演公式,计算三维地质密度体产生的重力异常,并在其中添加噪声干扰以模拟实测重力异常;
(4)重力断层样本标签构建。根据三维断层地质模型中的断层分布,确定与重力异常正演区域相对应的断层样本标签平面位置;
(5)基于深度学习的重力断层识别网络构建。将断层样本重力数据作为输入,将断层平面标签作为输出,构建深度学习网络结构;
(6)利用优化算法进行网络参数训练,获得重力断层自动识别网络模型;
(7)重力断层自动识别网络模型输出及应用。对实测数据进行处理,利用训练好的网络模型获得处理后重力异常对应的断层平面位置。
以下为应用本发明的几个具体实施例。
实施例1:
在应用本发明的一具体实施例1中,本发明的基于深度学习的重力断层自动识别方法包括了以下步骤:
步骤1,设置起伏构造、断层倾角、断层方位角、断层埋深等关键参数,生成大量三维断层地质模型;
首先模拟起伏构造。随机设置包含多个地层的三维地质几何结构模型H,假设待构建的模型x、y、z方向的尺寸为nx、ny、nz,为消除起伏构造带来的边界效应,沿着x、y方向的两侧分别扩充了nxyout个网格,沿着z方向向下扩充nzout个网格,即模型H的初始尺寸变为nx+2nxyout、ny+2nxyout、nz+nzout。
对模型H施加构造起伏影响。起伏构造采用高斯源产生的曲面组合而成,具体公式为:
之后,模拟三维断面。随机设置断面的中心点(x0,y0,z0)、断面走向方位角、断面倾角等参数。以中心点(x0,y0,z0)为参考点,建立新的坐标系,如下所示:
其中,R为三维旋转变换矩阵,形式为:
其中,φ为断面走向方位角、θ为断面倾角。为模拟弯曲的断面,在新坐标系中利用多个正弦函数进行组合构建,
构建了断面面之后,在新的坐标系中计算断面两盘地层的位移量d。
再次,将位移后的新坐标系计算结果反变换回原始坐标系。
最后,对地层模型进行三维插值得到原始坐标系中的三维断层模型,并将断面f(x,y)附近对应的点作为三维断层样本标签位置。
步骤2,在三维断层地质模型构建的基础上,根据实际情况填充地层的密度值。
根据建立的三维地质几何结构模型H中的地层分布,按照实际情况的密度区间范围分别对不同地层进行随机剩余密度赋值,在此过程中可考虑施加一定的密度随深度增加的低频趋势。
步骤3,利用重力三维正演公式,计算三维地质密度体产生的重力异常,并在其中添加噪声干扰以模拟实测重力异常。
按照直立六面体公式进行重力正演计算。对地下三维模型的各个直立六面体单元计算重力异常并进行叠加求和,则可得重力异常正演模拟结果。在正演过程中为消除边界效应,可将地层模型H的水平方向扩边网格大小按照一定比例进行增加,模拟密度模型水平方向向外无限延伸,消除边界效应,凸显重磁观测区域构造变化产生的重力异常。最后,在重力异常中添加一定的噪声干扰以保证正演模拟的数据更接近于真实数据。
步骤4,根据三维断层地质模型中的断层分布,确定与重力异常正演区域相对应的断层样本标签平面位置。
由于断面是一个三维体,而重力异常是二维平面数据。因此,对三维断层标签数据体沿着深度方向进行求和计算,得到二维标签投影结果,将其与重力观测点进行匹配。考虑到重力异常与断面投影点并非严格对应,因此将断层面中心线附近的点作为最终的断层平面样本标签。
步骤5,将断层样本重力数据作为输入,将断层平面标签作为输出,构建深度学习网络结构。
将重力平面数据识别断层平面位置看作一个图像语义分割问题。将断层平面样本标签位置标定为1,其它非断层位置标定为0。利用U型卷积神经网络结构进行重力断层自动识别。
输入数据为加入随机噪声的重力平面数据,输出的样本标签为与重力平面数据大小一致的二维断层平面样本标签。使用3层网络结构完成编码和解码。在编码过程,每一层使用池化层进行下采样,再利用卷积层来提取特征,使用ReLU作为激活函数;在解码过程中,使用转置卷积操作和ReLU激活函数进行特征的重构。解码过程的第一、二、三层分别与编码过程的第三、二、一层按通道方向进行组合拼接,把对应尺度上的特征信息进行引入,为后期断层识别提供多尺度多层次的信息。在解码层之后,施加一个1×1的卷积操作将隐藏层输出的尺寸匹配至输入数据大小。最后,利用SoftMax层将其转化成概率图,并采用广义骰子损失(Generalized Dice loss、GDL)作为损失函数,通过Adam进行网络参数的最优化计算。
步骤6,利用优化算法进行网络参数训练,获得重力断层自动识别网络模型。
使用大量重力正演样本数据和断层样本标签来训练卷积神经网络,并且保留一定的验证数据集以检验深度学习网络模型的可靠性。同时,考虑实际情况中不同区域的重力异常值可能相差较大,将所有训练、验证及后续实际测试的重力数据均进行归一化处理。
其中Δg代表重力原始数据,μΔg代表重力数据振幅均值,σΔg代表重力异常方差值,而Δg′表示重力数据体的归一化处理结果。
初始化网络权重,设置迭代轮次、下降率等训练参数,优化求解采用Adam方法。
步骤7,重力断层自动识别网络模型输出及应用。对实测数据进行处理,利用训练好的网络模型获得处理后重力异常对应的断层平面位置。
对于输入的实际数据根据需求进行网格化和预处理,包括曲化平、异常分离、去噪等,之后利用训练好的自动识别模型进行断层的刻画。在预测过程中按照训练模型输入的大小对实际数据进行滑动窗口预测,最后将各个滑动窗口的识别结果进行拼接得到断层自动识别结果。
实施例2:
在应用本发明的具体实施例2中,本发明的基于深度学习的重力断层自动识别方法具体步骤如下:
(1)三维断层地质模型构建。设置起伏构造、断层倾角、断层方位角、断层埋深等关键参数,生成大量三维断层地质模型;
(2)三维地质模型密度填充。在三维断层地质模型构建的基础上,根据实际情况填充地层的密度值;
(3)三维断层重力样本数据构建。利用重力三维正演公式,计算三维地质密度体产生的重力异常,并在其中添加噪声干扰以模拟实测重力异常;
(4)重力断层样本标签构建。根据三维断层地质模型中的断层分布,确定与重力异常正演区域相对应的断层样本标签平面位置;
(5)基于深度学习的重力断层识别网络构建。将断层样本重力数据作为输入,将断层平面标签作为输出,构建深度学习网络结构;
(6)利用优化算法进行网络参数训练,获得重力断层自动识别网络模型;
(7)重力断层自动识别网络模型输出及应用。对实测数据进行处理,利用训练好的网络模型获得处理后重力异常对应的断层平面位置。
实施例3
以下结合具体的实施例对本发明做进一步说明。
图2为带复杂构造的三维断层模型图。如图中所示,地下半空间剖分X、Y方向范围为-8~8Km,间距为250m,地下半空间剖分Z方向范围为0~10Km,间距为500m。断层模型中包含随机生成的三个断面。
图3为带三维断层模型对应的密度模型及重力异常图。密度沿着垂直方向随机分布,同一套地层的断层两盘产生了垂向位移,造成了密度分布随埋深的变化,从而产生了重力异常的变化。
图4为重力正演模拟数据和断层平面样本标签叠合图。将三维断层体数据沿着深度方向进行叠加,投影至平面二维空间,标记出的断层位置与重力异常的变化之间存在一定的相关关系。
图5为重力断层自动识别深度卷积神经网络结构图。输入数据为加入随机噪声的重力平面数据,输出的样本标签为与重力平面数据大小一致的二维断层平面样本标签。使用3层网络结构完成编码和解码。在编码过程,每一层包含使用2×2的池化层(MaxPooL)进行下采样,再利用3×3的卷积(Conv2D)来提取特征,使用ReLU作为激活函数,每层通道数分别为64、128、256;在解码过程中,使用3×3的转置卷积(DeConv2D)操作和ReLU激活函数进行特征的重构,每层通道数为256、128、64。解码过程的第一、二、三层分别与编码过程的第三、二、一层按通道方向进行组合拼接,把对应尺度上的特征信息进行引入,为后期断层识别提供多尺度多层次的信息。在解码层之后,施加一个1×1的卷积操作将隐藏层输出的尺寸匹配至输入数据大小。最后,利用SoftMax层将其转化成概率图,并采用广义骰子损失(Generalized Dice loss、GDL)作为损失函数,通过Adam进行网络参数的最优化计算。
图6为测试所用剩余重力异常图。
图7为测试所用剩余重力异常的断层自动识别结果图。在对图6测试所用剩余重力数据进行归一化处理后,利用训练好的识别模型,得到对应的断层平面识别结果,与实际断裂分布具有很好的对应关系,断点结果清晰,为后续构造解释提供了有力的参考。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域技术人员来说,其依然可以对前述实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
除说明书所述的技术特征外,均为本专业技术人员的已知技术。
Claims (13)
1.基于深度学习的重力断层自动识别方法,其特征在于,该基于深度学习的重力断层自动识别方法包括:
步骤1,构建三维断层地质模型;
步骤2,进行三维地质模型密度填充;
步骤3,构建三维断层重力样本数据;
步骤4,构建重力断层样本标签;
步骤5,进行基于深度学习的重力断层识别网络构建;
步骤6,利用优化算法进行网络参数训练,获得重力断层自动识别网络模型;
步骤7,进行重力断层自动识别网络模型的输出及应用。
2.根据权利要求1所述的基于深度学习的重力断层自动识别方法,其特征在于,在步骤1,设置起伏构造、断层倾角、断层方位角、断层埋深这些关键参数,生成大量三维断层地质模型。
5.根据权利要求4所述的基于深度学习的重力断层自动识别方法,其特征在于,在步骤1,将位移后的新坐标系计算结果反变换回原始坐标系;对地层模型进行三维插值得到原始坐标系中的三维断层模型,并将断面f(x,y)附近对应的点作为三维断层样本标签位置。
6.根据权利要求1所述的基于深度学习的重力断层自动识别方法,其特征在于,在步骤2,根据建立的三维地质几何结构模型H中的地层分布,按照实际情况的密度区间范围分别对不同地层进行随机剩余密度赋值,在此过程中考虑施加一定的密度随深度增加的低频趋势。
7.根据权利要求1所述的基于深度学习的重力断层自动识别方法,其特征在于,在步骤3,利用重力三维正演公式,计算三维地质密度体产生的重力异常,并在其中添加噪声干扰以模拟实测重力异常。
8.根据权利要求7所述的基于深度学习的重力断层自动识别方法,其特征在于,在步骤3,按照直立六面体公式进行重力正演计算;对地下三维模型的各个直立六面体单元计算重力异常并进行叠加求和,则可得重力异常正演模拟结果;在正演过程中为消除边界效应,将地层模型H的水平方向扩边网格大小按照一定比例进行增加,模拟密度模型水平方向向外无限延伸,消除边界效应,凸显重磁观测区域构造变化产生的重力异常;最后,在重力异常中添加一定的噪声干扰以保证正演模拟的数据更接近于真实数据。
9.根据权利要求1所述的基于深度学习的重力断层自动识别方法,其特征在于,在步骤4,根据三维断层地质模型中的断层分布,确定与重力异常正演区域相对应的断层样本标签平面位置;由于断面是一个三维体,而重力异常是二维平面数据;因此,对三维断层标签数据体沿着深度方向进行求和计算,得到二维标签投影结果,将其与重力观测点进行匹配;考虑到重力异常与断面投影点并非严格对应,因此将断层面中心线附近的点作为最终的断层平面样本标签。
10.根据权利要求1所述的基于深度学习的重力断层自动识别方法,其特征在于,在步骤5,将断层样本重力数据作为输入,将断层平面标签作为输出,构建深度学习网络结构;将重力平面数据识别断层平面位置看作一个图像语义分割问题;将断层平面样本标签位置标定为1,其它非断层位置标定为0;利用U型卷积神经网络结构进行重力断层自动识别。
11.根据权利要求10所述的基于深度学习的重力断层自动识别方法,其特征在于,在步骤5,输入数据为加入随机噪声的重力平面数据,输出的样本标签为与重力平面数据大小一致的二维断层平面样本标签;使用3层网络结构完成编码和解码;在编码过程,每一层使用池化层进行下采样,再利用卷积层来提取特征,使用ReLU作为激活函数;在解码过程中,使用转置卷积操作和ReLU激活函数进行特征的重构;解码过程的第一、二、三层分别与编码过程的第三、二、一层按通道方向进行组合拼接,把对应尺度上的特征信息进行引入,为后期断层识别提供多尺度多层次的信息;在解码层之后,施加一个1×1的卷积操作将隐藏层输出的尺寸匹配至输入数据大小;最后,利用SoftMax层将其转化成概率图,并采用Generalized Dice loss作为损失函数,通过Adam进行网络参数的最优化计算。
13.根据权利要求1所述的基于深度学习的重力断层自动识别方法,其特征在于,在步骤7,对于输入的实际数据根据需求进行网格化和预处理,包括曲化平、异常分离、去噪,之后利用训练好的自动识别模型进行断层的刻画;在预测过程中按照训练模型输入的大小对实际数据进行滑动窗口预测,最后将各个滑动窗口的识别结果进行拼接得到断层自动识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110847391.0A CN115690772A (zh) | 2021-07-26 | 2021-07-26 | 基于深度学习的重力断层自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110847391.0A CN115690772A (zh) | 2021-07-26 | 2021-07-26 | 基于深度学习的重力断层自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115690772A true CN115690772A (zh) | 2023-02-03 |
Family
ID=85059122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110847391.0A Pending CN115690772A (zh) | 2021-07-26 | 2021-07-26 | 基于深度学习的重力断层自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115690772A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880505A (zh) * | 2023-03-08 | 2023-03-31 | 山东科技大学 | 一种目标边缘检测神经网络的低序级断层智能识别方法 |
CN117313557A (zh) * | 2023-11-29 | 2023-12-29 | 中国石油大学(华东) | 基于深度学习的压裂磁法实时监测中裂缝诊断方法 |
-
2021
- 2021-07-26 CN CN202110847391.0A patent/CN115690772A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880505A (zh) * | 2023-03-08 | 2023-03-31 | 山东科技大学 | 一种目标边缘检测神经网络的低序级断层智能识别方法 |
CN115880505B (zh) * | 2023-03-08 | 2023-05-09 | 山东科技大学 | 一种目标边缘检测神经网络的低序级断层智能识别方法 |
CN117313557A (zh) * | 2023-11-29 | 2023-12-29 | 中国石油大学(华东) | 基于深度学习的压裂磁法实时监测中裂缝诊断方法 |
CN117313557B (zh) * | 2023-11-29 | 2024-01-23 | 中国石油大学(华东) | 基于深度学习的压裂磁法实时监测中裂缝诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Micro-seismic event detection and location in underground mines by using Convolutional Neural Networks (CNN) and deep learning | |
CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
West et al. | Interactive seismic facies classification using textural attributes and neural networks | |
Raeesi et al. | Classification and identification of hydrocarbon reservoir lithofacies and their heterogeneity using seismic attributes, logs data and artificial neural networks | |
CN103487832B (zh) | 一种三维地震信号中的有监督波形分类方法 | |
CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
CN107688201B (zh) | 基于rbm地震叠前信号聚类方法 | |
Song et al. | Multi-waveform classification for seismic facies analysis | |
US9146903B2 (en) | Method of using spatially independent subsets of data to calculate vertical trend curve uncertainty of spatially correlated reservoir data | |
Brazell et al. | A machine-learning-based approach to assistive well-log correlation | |
CN115690772A (zh) | 基于深度学习的重力断层自动识别方法 | |
Konaté et al. | Capability of self-organizing map neural network in geophysical log data classification: Case study from the CCSD-MH | |
CN103792576A (zh) | 一种基于梯度结构张量的储层非均质检测方法及设备 | |
CN103403768A (zh) | 有关地下岩层的模型的方法和系统 | |
CN112684497B (zh) | 地震波形聚类方法和装置 | |
Jo et al. | Machine learning assisted history matching for a deepwater lobe system | |
CN112731522B (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
CN110412662A (zh) | 基于地震多属性深度学习的薄互层储层预测方法 | |
CN107798340A (zh) | 基于空间约束多自编码器的多元地球化学异常识别方法 | |
CN115639605A (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
Zhang et al. | Segmentation and quantitative analysis of geological fracture: a deep transfer learning approach based on borehole televiewer image | |
Dai et al. | Stratigraphic automatic correlation using SegNet semantic segmentation model | |
CN116068644A (zh) | 一种利用生成对抗网络提升地震数据分辨率和降噪的方法 | |
Liu et al. | Machine learning assisted recovery of subsurface energy: a review |
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 |