CN115826039A - 一种时间切片分类模型训练方法、系统及应用方法、系统 - Google Patents
一种时间切片分类模型训练方法、系统及应用方法、系统 Download PDFInfo
- Publication number
- CN115826039A CN115826039A CN202211399627.XA CN202211399627A CN115826039A CN 115826039 A CN115826039 A CN 115826039A CN 202211399627 A CN202211399627 A CN 202211399627A CN 115826039 A CN115826039 A CN 115826039A
- Authority
- CN
- China
- Prior art keywords
- time slice
- time
- classification model
- slice
- reflected wave
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种时间切片分类模型训练方法、系统及应用方法、系统,涉及地震勘探成像领域,训练方法包括采集被动源地震数据;对被动源地震数据进行数据切割;获取时间切片的时域波形图以及FK谱图像;根据各个时间切片的时域波形图和FK谱图像,对时间切片进行分类;基于深度神经网络,构建时间切片分类模型;将时间切片对应的时域波形图和FK谱图像输入时间切片分类模型;根据时间切片分类模型的输出以及所输入的图像对应的时间切片的实际类别,确定损失函数;根据损失函数优化时间切片分类模型的参数,以对时间切片分类模型进行训练,得到训练好的时间切片分类模型,本发明能够提升时间切片的分类筛选的准确性和效率。
Description
技术领域
本发明涉及地震勘探成像领域,特别是涉及一种时间切片分类模型训练方法、系统及应用方法、系统。
背景技术
地震勘探是地质资源勘查过程中常用的高精度地球物理勘查技术,其利用地震波的传播特征来获取地下构造的空间分布。传统的被动源地震勘探方法首先基于互相关干涉法进行反射波场的重构,然后对地震数据进行去噪、振幅能量均衡等处理,得到叠加剖面及偏移成像剖面,进而将数据处理的结果用于地下构造的解释。
对反射波和面波的时间切片数据进行准确分类,有效分离出反射波和面波信号,对于被动源反射波场重构和面波反演成像至关重要。现有技术通常从时间域波形的斜率和信噪比的角度对时间切片数据进行分类,这种方法存在以下两个缺点:(1)需要计算每一个时间切片的信噪比,计算量较大,分类效率低;(2)仅考虑到了时间域,单纯依靠时间域无法准确、有效地分离出以反射波为主要波动类型的时间切片数据以及以面波为主要波动类型的时间切片数据,分类准确性较低。
发明内容
本发明的目的是提供一种时间切片分类模型训练方法、系统及应用方法、系统,从时间域和FK域的角度对时间切片数据的波动类型进行准确分类,提升了分类的准确性,并结合深度神经网络技术,向模型输入时域波形图和FK谱图像即可输出高精度的分类结果,提升了分类的效率。
为实现上述目的,本发明提供了如下方案:
一方面,本发明提出了一种时间切片分类模型的训练方法,所述方法包括:
采集被动源地震数据,所述被动源地震数据为通过检波器连续监测地震波采集的地震数据;
对所述被动源地震数据进行数据切割,得到若干时间切片;
获取各个所述时间切片的时域波形图,并对所述时域波形图分别进行FK变换,得到与所述时域波形图对应的FK谱图像;
根据各个所述时间切片的时域波形图和FK谱图像,对所述时间切片进行分类,且每一时间切片标记有对应的类别标签,所述时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;
基于深度神经网络,构建时间切片分类模型;
将所述时间切片对应的时域波形图和FK谱图像输入所述时间切片分类模型;
根据所述时间切片分类模型的输出以及所输入的图像对应的时间切片的实际类别,确定损失函数;
根据所述损失函数优化所述时间切片分类模型的参数,以对所述时间切片分类模型进行训练,得到训练好的时间切片分类模型。
可选地,所述对所述被动源地震数据进行数据切割,得到若干时间切片,具体包括:
设定一时间长度,将所述被动源地震数据按照所述时间长度分割成若干份地震子数据,每一份地震子数据为一个时间切片。
可选地,所述根据各个所述时间切片的时域波形图和FK谱图像,对所述时间切片进行分类,具体包括:
当所述时域波形图的同相轴为横线状,且所述FK谱图像的振幅能量集中于反射波的有效扇区范围的内部时,判定所述时间切片的类别为反射波优势时间切片,所述同相轴为时域波形图中所有波峰的连线和所有波谷的连线;
当所述时域波形图的同相轴为双曲线状,且所述FK谱图像的振幅能量分布于反射波的有效扇区范围的内外时,判定所述时间切片的类别为面波优势时间切片;
当所述时域波形图的同相轴的形状不明显,且所述FK谱图像的振幅能量分布也不明显时,判定所述时间切片的类别为信号混叠的时间切片。
另一方面,本发明还提出了一种时间切片分类模型的应用方法,所述方法包括:
获取待分类被动源地震数据;
对所述待分类被动源地震数据进行数据切割,得到若干待分类时间切片;
获取各个所述待分类时间切片的时域波形图,并对所述时域波形图分别进行FK变换,得到与所述时域波形图对应的FK谱图像;
将所述待分类时间切片的时域波形图和FK谱图像输入时间切片分类模型,得到所述待分类时间切片的类别,时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;所述时间切片分类模型为根据权利要求1所述的时间切片分类模型训练方法训练好的模型。
可选地,在所述将所述待分类时间切片的时域波形图和FK谱图像输入时间切片分类模型,得到所述待分类时间切片的类别之后,所述方法还包括:
从确定类别后的时间切片中选择出反射波优势时间切片和面波优势时间切片;
根据所述反射波优势时间切片和所述面波优势时间切片,采用互相关干涉法分别重构出反射波波场和面波波场;
对所述反射波波场进行去噪、速度分析和水平叠加处理,得到地下构造反射信息;
获取所述面波波场的频散曲线,并从所述频散曲线中提取频率信息及对应的相速度信息,并根据所述频率信息和所述相速度信息,采用梯度法反演出地下横波速度结构信息。
另一方面,本发明还提出了一种时间切片分类模型的训练系统,所述系统包括:
被动源地震数据采集模块,用于采集被动源地震数据,所述被动源地震数据为通过检波器连续监测地震波而采集的地震数据;
时间切片获取模块,用于对所述被动源地震数据进行数据切割,得到若干时间切片;
图像获取模块,用于获取各个所述时间切片的时域波形图,并对所述时域波形图分别进行FK变换,得到与所述时域波形图对应的FK谱图像;
时间切片分类模块,用于根据各个所述时间切片的时域波形图和FK谱图像,对所述时间切片进行分类,且每一时间切片标记有对应的类别标签,所述时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;
模型构建模块,用于基于深度神经网络,构建时间切片分类模型;
图像输入模块,用于将所述时间切片对应的时域波形图和FK谱图像输入所述时间切片分类模型;
损失函数确定模块,用于根据所述时间切片分类模型的输出以及所输入的图像对应的时间切片的实际类别,确定损失函数;
模型训练模块,用于根据所述损失函数优化所述时间切片分类模型的参数,以对所述时间切片分类模型进行训练,得到训练好的时间切片分类模型。
可选地,所述时间切片获取模块包括:
数据切割单元,用于设定一时间长度,将所述被动源地震数据按照所述时间长度分割成若干份地震子数据,每一份地震子数据为一个时间切片。
可选地,所述时间切片分类模块包括:
反射波优势时间切片判断单元,用于当所述时域波形图的同相轴为横线状,且所述FK谱图像的振幅能量集中于反射波的有效扇区范围的内部时,判定所述时间切片的类别为反射波优势时间切片,所述同相轴为时域波形图中所有波峰的连线和所有波谷的连线;
面波优势时间切片判断单元,用于当所述时域波形图的同相轴为双曲线状,且所述FK谱图像的振幅能量分布于反射波的有效扇区范围的内外时,判定所述时间切片的类别为面波优势时间切片;
信号混叠时间切片判断单元,用于当所述时域波形图的同相轴的形状不明显,且所述FK谱图像的振幅能量分布也不明显时,判定所述时间切片的类别为信号混叠的时间切片。
另一方面,本发明还提出了一种时间切片分类模型的应用系统,所述系统包括:
待分类被动源地震数据获取模块,用于获取待分类被动源地震数据;
待分类时间切片获取模块,用于对所述待分类被动源地震数据进行数据切割,得到若干待分类时间切片;
待分类图像获取模块,用于获取各个所述待分类时间切片的时域波形图,并对所述时域波形图分别进行FK变换,得到与所述时域波形图对应的FK谱图像;
待分类时间切片分类模块,用于将所述待分类时间切片的时域波形图和FK谱图像输入时间切片分类模型,得到所述待分类时间切片的类别,时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;所述时间切片分类模型为根据权利要求1所述的时间切片分类模型训练方法训练好的模型。
可选地,所述系统还包括:
时间切片选择模块,用于从确定类别后的时间切片中选择出反射波优势时间切片和面波优势时间切片;
波场重构模块,用于根据所述反射波优势时间切片和所述面波优势时间切片,采用互相关干涉法分别重构出反射波波场和面波波场;
地下构造反射信息获取模块,用于对所述反射波波场进行去噪、速度分析和水平叠加处理,得到地下构造反射信息;
地下横波速度结构信息获取模块,用于获取所述面波波场的频散曲线,并从所述频散曲线中提取频率信息及对应的相速度信息,并根据所述频率信息和所述相速度信息,采用梯度法反演出地下横波速度结构信息。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种时间切片分类模型训练方法,首先采集被动源地震数据,被动源地震数据为通过检波器连续监测地震波而采集的地震数据;然后对被动源地震数据进行数据切割,得到若干时间切片;获取各个时间切片的时域波形图,并对时域波形图分别进行FK变换,得到与时域波形图对应的FK谱图像;根据各个时间切片的时域波形图和FK谱图像,对时间切片进行分类,且每一时间切片标记有对应的类别标签,时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;基于深度神经网络,构建时间切片分类模型;将时间切片对应的时域波形图和FK谱图像输入时间切片分类模型;根据时间切片分类模型的输出以及所输入的图像对应的时间切片的实际类别,确定损失函数;根据损失函数优化时间切片分类模型的参数,以对时间切片分类模型进行训练,得到训练好的时间切片分类模型。
本发明基于深度神经网络构建时间切片分类模型,并基于双域(时间域和FK域)图像深度学习的方法,以时域波形图和FK谱图像双图像作为输入,以时间切片的类别作为输出对时间切片分类模型进行训练,使训练好的时间切片分类模型具有高精度的分类能力,提升了模型的分类性能。并且,相对于传统的分别计算每个时间切片的信噪比的方法,本发明通过构建时间切片分类模型,输入图像即可直接输出分类结果,使得时间切片分类模型的分类效率更高。
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性的前提下,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1提供的一种时间切片分类模型的训练方法的流程图;
图2为本发明实施例2提供的一种时间切片分类模型的应用方法的流程图;
图3为本发明实施例2提供的时间切片分类模型的应用方法的原理图;
图4为本发明实施例2提供的时间切片分类模型的结构示意图;
图5为本发明实施例2提供的时间切片的时域波形图与FK谱图像以及有效扇区范围示意图;
图6为本发明实施例2提供的反射波优势时间切片的时域波形图与FK谱示意图;
图7为本发明实施例2提供的面波优势时间切片的时域波形图与FK谱示意图;
图8为本发明实施例2提供的信号混叠的时间切片的时域波形图与FK谱示意图;
图9为本发明实施例2提供的反射波优势时间切片经互相关处理重构的波场示意图;
图10为本发明实施例2提供的面波优势时间切片经互相关处理重构的波场示意图;
图11为本发明实施例2提供的信号混叠的时间切片经互相关处理重构的波场示意图;
图12为本发明实施例3提供的一种时间切片分类模型的训练系统的结构示意图;
图13为本发明实施例4提供的一种时间切片分类模型的应用系统的结构示意图。
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。
噪音时间切片中含有反射波、面波以及各类干扰,对于被动源地震勘探过程中的波场重构,目前有以下两种处理方式,第一种处理方式是在波场重构前进行时间切片的筛选,首先通过计算的方式得出噪音时间切片的反射波和面波的信噪比,然后从中筛选出信噪比高的时间切片进行波场重构的计算,这种方法由于需要计算每一个时间切片的信噪比,工作量太大;第二种处理方式是在波场重构后进行大量的噪声压制处理,然而被动源数据的信噪比本身就比较弱,大量的去噪处理会导致信号畸变,从而容易产生虚假的地下构造成像。
本发明的目的是提供一种时间切片分类模型训练方法、系统及应用方法、系统,不同于现有技术从时间域波形的斜率和信噪比的角度对时间切片数据进行分类,本发明从时间域和FK域的角度对时间切片数据的波动类型进行准确分类,提升分类的准确性,并结合深度神经网络技术,向模型输入时域波形图和FK谱图像即可输出高精度的分类结果,提升分类的效率。利用时间域的地震波形及其FK谱图像作为输入,训练神经网络模型,实现对以体波、面波为主要波动类型的时间切片数据的快速、有效筛选和分离。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
名词解释:
地震勘探:基于地震波动理论,对检波器接收到的波动进行处理,可以对地下介质构造进行成像。
被动源:相对于主动源的地震波主要由重锤、炸药等震源激发产生,被动源无需主动激发地震波,故此时检波器接收到的地震波是被动产生的。
格林函数:点源的脉冲响应。
波场重构:基于接收到的被动源地震背景噪声数据,借助地震干涉技术,利用互相关法或者反褶积法对地震数据进行格林函数重构。
时间切片数据:地震数据是连续的时间域震动记录,由于野外实际采集地震背景噪声数据的时间非常长(以一周采集时间为例,采样点数为302,400,000个),因此,在进行波场重构之前,需要对数据进行切片。比如12小时的数据,分成约2620个时间切片数据。时间切片数据也称“噪音面板数据”。
实施例1
如图1所示,本实施例提出了一种时间切片分类模型的训练方法,所述方法包括以下步骤:
步骤S1、采集被动源地震数据,所述被动源地震数据为通过检波器连续监测地震波采集的地震数据;
步骤S2、对所述被动源地震数据进行数据切割,得到若干时间切片;
步骤S3、获取各个所述时间切片的时域波形图,并对所述时域波形图分别进行FK变换,得到与所述时域波形图对应的FK谱图像;
步骤S4、根据各个所述时间切片的时域波形图和FK谱图像,对所述时间切片进行分类,且每一时间切片标记有对应的类别标签,所述时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;
步骤S5、基于深度神经网络,构建时间切片分类模型;
步骤S6、将所述时间切片对应的时域波形图和FK谱图像输入所述时间切片分类模型;
步骤S7、根据所述时间切片分类模型的输出以及所输入的图像对应的时间切片的实际类别,确定损失函数;
步骤S8、根据所述损失函数优化所述时间切片分类模型的参数,以对所述时间切片分类模型进行训练,得到训练好的时间切片分类模型。
其中,步骤S2具体包括:
设定一时间长度,将所述被动源地震数据按照所述时间长度分割成若干份地震子数据,每一份地震子数据为一个时间切片。
其中,步骤S4具体包括:
当所述时域波形图的同相轴为横线状,且所述FK谱图像的振幅能量集中于反射波的有效扇区范围的内部时,判定所述时间切片的类别为反射波优势时间切片,所述同相轴为时域波形图中所有波峰的连线和所有波谷的连线;
当所述时域波形图的同相轴为双曲线状,且所述FK谱图像的振幅能量分布于反射波的有效扇区范围的内外(FK谱图像的振幅能量主要分布于反射波的有效扇区范围之外),判定所述时间切片的类别为面波优势时间切片;
当所述时域波形图的同相轴的形状不明显,且所述FK谱图像的振幅能量分布也不明显(FK谱图像的主要振幅能量在该FK谱图像中处处存在)时,判定所述时间切片的类别为信号混叠的时间切片。
实施例2
基于实施例1中的训练好的时间切片分类模型,本实施例提出了一种时间切片分类模型的应用方法,如图2所示,所述方法包括以下步骤:
步骤A1、获取待分类被动源地震数据;
步骤A2、对所述待分类被动源地震数据进行数据切割,得到若干待分类时间切片;
步骤A3、获取各个所述待分类时间切片的时域波形图,并对所述时域波形图分别进行FK变换,得到与所述时域波形图对应的FK谱图像;
步骤A4、将所述待分类时间切片的时域波形图和FK谱图像输入时间切片分类模型,得到所述待分类时间切片的类别,时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;所述时间切片分类模型为实施例1中的时间切片分类模型训练方法训练好的模型。
步骤A5、从确定类别后的时间切片中选择出反射波优势时间切片和面波优势时间切片;
步骤A6、根据所述反射波优势时间切片和所述面波优势时间切片,采用互相关干涉法分别重构出反射波波场和面波波场;
步骤A7、对所述反射波波场进行去噪、速度分析和水平叠加处理,得到地下构造反射信息;
步骤A8、获取所述面波波场的频散曲线,并从所述频散曲线中提取频率信息及对应的相速度信息,并根据所述频率信息和所述相速度信息,采用梯度法反演出地下横波速度结构信息。
图3示出了本发明利用时间切片分类模型进行时间切片分类以及波场重构的原理,整体分为模型训练以及模型应用两个步骤。在某一实施例中,可以直接采集大量野外数据,其中一部分用于模型训练,另外一部分用于波场重构以及成像。在其他实施例中,也可以预先使用野外数据作为样本进行模型训练,再实时采集待处理的野外数据直接输入训练好的模型中进行分类筛选。时间切片分类和波场重构的整个过程如下:
步骤A、定义规则野外观测系统,检波器线性、等间距布设,野外地震检波器采用连续采集模式,获得长时间、连续的野外数据,作为被动源地震数据;
步骤B、设定重构波场的时长为m秒,由于需要将互相关结果的正时和负时进行叠加以增强重构波场的信噪比,因此此时将步骤A采集到野外数据按相同的时间进行分割成n份时间切片,每份的时间长度为m秒的2倍;
步骤C、将步骤B中的时间切片进行按顺序编号1,2,3,……,n,然后将分割后的时间切片进行FK变换,得到与时域波形一一对应的FK谱图像;
在数据切割完可直接得到每个时间切片的时域波形,对这些时域波形分别做FK变换,即可得到相应的FK谱的图像。
步骤D、定义时间切片的三种类别:反射波优势时间切片(即以反射波为优势波动类型的时间切片)、面波优势时间切片(即以面波为优势波动类型的时间切片)以及信号混叠的时间切片(即反射波、面波等混叠的时间切片)。对于不同信噪比的地震数据,时间切片数据的时域波形图和FK谱图像不相同,具体的分类过程如下:
(1)首先确定FK谱图像中反射波的有效扇区范围。类似于主动地震勘探,不同的波动类型位于FK谱的不同扇形区域。
(2)如图5所示,两个箭头所夹的部分为反射波的扇区范围。
(3)当时间切片以反射波为优势波动类型时,如图6所示,其时域波形显示为类似于横线状的同相轴,即波动从很远的地方传过来。同时,FK谱面板的主要振幅能量集中在反射波的有效扇区范围。其中,优势波动类型指的是以反射波或面波为主的波动类型。
(4)当时间切片以面波为优势波动类型时,如图7所示,其时域波形显示为类似于双曲线的同相轴。由于时间切片数据里面波的能量远大于反射波,因此,FK谱的振幅能量在反射波的有效扇区范围之外也广泛存在,即FK谱图像的振幅能量在反射波的有效扇区范围的内、外均有分布,主要分布于反射波的有效扇区范围之外。
需要说明的是,对于面波时间切片,能量在反射波的有效扇区范围的内、外均有分布,此时的能量应该主要存在于面波扇区,而不是反射波扇区。其中,考虑到当人为活动或者地下构造活动产生强面波的时候也会产生一部分体波,但对于面波优势时间切片的能量应该更多地存在于面波扇区,少量存在于反射波扇区,即大部分振幅能量位于面波扇区,小部分振幅能量位于反射波扇区。所以说,FK谱图像的振幅能量在反射波的有效扇区范围的“内部和外部均有分布”。同时在时域波形上体现“双曲线状”同相轴。
(5)当面波和反射波信号混叠时,如图8所示,其时域波形和FK谱图像都不能准确指示该时间切片具体属于哪一类,此时时域波形图的同相轴的形状不明显,且FK谱图像的振幅能量主要分布的位置也不明显,此时,FK谱图像的主要振幅能量在该FK谱图像中处处存在。
步骤E、将野外地震数据中的部分数据(不少于12小时)等分分割,并基于分割后的时间切片数据的时域波形图和FK谱图像对时间切片数据进行分类标记,记录时间切片的编号和分类;
步骤F、将时间切片数据的时域波形图和FK谱图像及其分类输入基于深度神经网络构建的时间切片分类模型进行模型训练,得到训练好的时间切片分类模型。本发明基于深度神经网络建立的时间切片分类模型的结构如图4所示,由于深度神经网络分类预测是本领域现有技术,在此不再赘述。
本发明以时域波形图和FK谱图像作为输入,以时间切片的类别作为输出,对时间切片分类模型进行训练,实现模型的双域图像深度学习,以使时间切片分类模型具备对时间切片进行准确分类的能力,在实际应用时,直接获取时间切片数据的时域波形图和FK谱图像并输入模型,即可直接输出其对应的类别,以便于对时间切片类型的筛选,通过深度神经网络可以提高对近乎海量时间切片数据的分类筛选的效率,通过基于时域波形图和FK谱图像的双域图像深度学习,可以提高时间切片数据分类的准确性。
步骤G、将野外地震数据中的剩余数据等分分割,并基于步骤F训练好的时间切片分类模型预测时间切片数据的分类,并记录编号和分类;
步骤H、根据步骤G中的时间切片的类别,采用互相关干涉法分别进行如下的互相关处理,分别重构出反射波波场和面波波场:
重构XB为虚拟震源的地震记录的频率域表达式为:
其中,XB表示重构出的虚拟震源,XR表示检波器,G(XR,XB,ω)是震源与检波器之间的格林函数。表示实部,*表示共轭算子,S(ω)表示噪声源地震子波,Pobs,i(XR,ω)和Pobs,i(XB,ω)分别表示检波器XR和震源XB所记录的第i个噪声源观测记录,Ns表示地下Ns个噪声源。
需要说明的是,可以将步骤H重构的结果与步骤E中的重构结果进行对比,以验证时间切片分类模型筛选的有效性和可靠性。经过筛选后,可以得到跟训练样本类似或者更好的重构效果,例如时间切片分类模型筛选出了以反射波为优势波动类型的样本,那么将这些样本进行重构,确定重构出的结果中是否包含更清晰的体波反射轴。或者,时间切片分类模型筛选出了以面波为优势波动类型的样本,那么将这些样本进行重构,确定重构出的结果中是否包含更清晰的、扫帚状的面波信号。
步骤I、基于重构波场的类型的不同,分别进行以下成像处理,以获取地下构造信息:
对于反射波波场,本发明通过对反射波波场进行常规的反射地震数据处理,即依次进行去噪、速度分析、水平叠加处理,得到含有尽量少虚假构造的地下构造反射信息;
对于面波波场,本发明通过提取面波波场的频散曲线中的频率信息和对应的相速度信息,建立初始速度模型,结合频散曲线中的频率信息和对应的相速度信息,采用梯度法反演获得地下横波速度结构信息。
现有的面波反演方法是对数据统一做归一化、频率域滤波等预处理,不进行筛选。频率-相速度图像中因为体波、噪音信号等导致频散曲线的提取产生困难。本发明通过在互相关计算之前,筛选出信噪比高的面波时间切片数据,从而减少了后续人工识别频散曲线过程中的错误,提高了成像以及获取地下横波速度结构信息的准确性。
本发明基于相同的数据重构出两种高精度的被动源地震波场,提高了数据的利用率。基于反射波优势时间切片进行互相关计算得到的波场可以用于反射波成像,得到类似于主动源人工地震的成像结果。基于面波优势时间切片进行互相关计算得到的波场可以用于面波反演,得到浅部的横波速度结构。基于发射波和面波两种被动源地震波场重构,获得了由浅(横波速度结构)到深(反射波成像)的地下构造信息。
下面对本发明方案进行举例说明:
以被动源野外实际地震数据为例,地震检波器安置在地表,采用线性排列采集的方式。检波器的布设间距为50米,采集台数为51台,总测线长度为2.5千米,采样间隔2毫秒,总布设时长15天。利用约12小时的数据进行时间切片,获得2620个时间切片数据用于建立时间切片的分类。单个时间切片数据采样点16384个,时长32.766秒。将此2620个时间切片数据变换到FK域,并与时域波形并列显示。根据前述时间切片的分类规则,反射波时间切片、面波时间切片、信号混叠时间切片的时域波形及其FK谱图像分别如图6、图7、图8所示。
将反射波时间切片的数据进行互相关地震干涉处理,获得以反射波为优势波动类型的波场,如图9所示,可以看到明显的反射波同相轴。将面波时间切片的数据进行互相关地震干涉处理,获得以面波为优势波动类型的波场,如图10所示,可以看到明显的面波信号。作为对比,如图11所示的是信号混叠时间切片互相关处理后获得的波场,可以看到面波和反射波以及噪音混叠。
本发明基于地震时间切片数据的时域波形图像及FK谱图像建立分类,通过在时间域和FK域对时间切片数据进行分类,筛选出反射波为优势波动类型的时间切片以及面波为优势波动类型的时间切片;基于双域图像深度学习进行建模和模型训练,并分别面向反射波场重构和面波波场重构的不同类型的时间切片数据的有效与快速筛选,又针对被动源地震数据进行基于互相关地震干涉法的被动源反射波与面波波场的重构,最终能够面向复杂地下构造目标的浅部和深部实现高精度地震成像。
不同于传统的被动源地震波场重构方法仅考虑反射波或者面波重构,本发明同时考虑了面波波场和反射波波场,并提高了所重构出波场的信噪比,最大程度保留了被动源信号中的有用信息,在常规数据处理之前极大地降低了传统方法由于被动源信号信噪比低造成虚假构造的可能性。并且,本发明以短周期密集台阵进行被动源地震波动采集,观测更加绿色、安全,采集成本低,具备生态保护意义和广阔的应用前景。
实施例3
相对于实施例1中的时间切片分类模型的训练方法,本实施例提出了一种时间切片分类模型的训练系统,如图12所示,所述系统包括:
被动源地震数据采集模块M1,用于采集被动源地震数据,所述被动源地震数据为通过检波器连续监测地震波而采集的地震数据;
时间切片获取模块M2,用于对所述被动源地震数据进行数据切割,得到若干时间切片;
图像获取模块M3,用于获取各个所述时间切片的时域波形图,并对所述时域波形图分别进行FK变换,得到与所述时域波形图对应的FK谱图像;
时间切片分类模块M4,用于根据各个所述时间切片的时域波形图和FK谱图像,对所述时间切片进行分类,且每一时间切片标记有对应的类别标签,所述时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;
模型构建模块M5,用于基于深度神经网络,构建时间切片分类模型;
图像输入模块M6,用于将所述时间切片对应的时域波形图和FK谱图像输入所述时间切片分类模型;
损失函数确定模块M7,用于根据所述时间切片分类模型的输出以及所输入的图像对应的时间切片的实际类别,确定损失函数;
模型训练模块M8,用于根据所述损失函数优化所述时间切片分类模型的参数,以对所述时间切片分类模型进行训练,得到训练好的时间切片分类模型。
所述时间切片获取模块M2包括:
数据切割单元,用于设定一时间长度,将所述被动源地震数据按照所述时间长度分割成若干份地震子数据,每一份地震子数据为一个时间切片。
所述时间切片分类模块M4包括:
反射波优势时间切片判断单元,用于当所述时域波形图的同相轴为横线状,且所述FK谱图像的振幅能量集中于反射波的有效扇区范围的内部时,判定所述时间切片的类别为反射波优势时间切片,所述同相轴为时域波形图中所有波峰的连线和所有波谷的连线;
面波优势时间切片判断单元,用于当所述时域波形图的同相轴为双曲线状,且所述FK谱图像的振幅能量分布于反射波的有效扇区范围的内外时,判定所述时间切片的类别为面波优势时间切片;
信号混叠时间切片判断单元,用于当所述时域波形图的同相轴的形状不明显,且所述FK谱图像的振幅能量分布也不明显时,判定所述时间切片的类别为信号混叠的时间切片。
实施例4
相对于实施例2中的时间切片分类模型的应用方法,本实施例提出了一种时间切片分类模型的应用系统,如图13所示,所述系统包括:
待分类被动源地震数据获取模块N1,用于获取待分类被动源地震数据;
待分类时间切片获取模块N2,用于对所述待分类被动源地震数据进行数据切割,得到若干待分类时间切片;
待分类图像获取模块N3,用于获取各个所述待分类时间切片的时域波形图,并对所述时域波形图分别进行FK变换,得到与所述时域波形图对应的FK谱图像;
待分类时间切片分类模块N4,用于将所述待分类时间切片的时域波形图和FK谱图像输入时间切片分类模型,得到所述待分类时间切片的类别,时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;所述时间切片分类模型为根据实施例1所述的时间切片分类模型训练方法训练好的模型。
时间切片选择模块N5,用于从确定类别后的时间切片中选择出反射波优势时间切片和面波优势时间切片;
波场重构模块N6,用于根据所述反射波优势时间切片和所述面波优势时间切片,采用互相关干涉法分别重构出反射波波场和面波波场;
地下构造反射信息获取模块N7,用于对所述反射波波场进行去噪、速度分析和水平叠加处理,得到地下构造反射信息;
地下横波速度结构信息获取模块N8,用于获取所述面波波场的频散曲线,并从所述频散曲线中提取频率信息及对应的相速度信息,并根据所述频率信息和所述相速度信息,采用梯度法反演出地下横波速度结构信息。
本发明从时间域和FK域的角度,根据时间切片的时域波形图和FK谱图像对时间切片进行分类,实现了对时间切片数据的波动类型的准确分类,提升了分类的准确性,解决了现有技术单纯依靠时间域进行分类的准确性低的问题,有助于准确分离出反射波优势时间切片以及面波优势时间切片并用于波场重构。并且,本发明采用深度神经网络技术,基于深度神经网络构建时间切片分类模型,并将时域波形图和FK谱图像双图像作为输入进行模型训练,提升了模型分类的准确性,输入图像即可直接输出分类结果,相对于传统的分别计算每个时间切片的信噪比的方法,本发明无需计算时间切片的信噪比,工作量少,分类效率更高。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个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。
Claims (10)
1.一种时间切片分类模型的训练方法,其特征在于,所述方法包括:
采集被动源地震数据,所述被动源地震数据为通过检波器连续监测地震波采集的地震数据;
对所述被动源地震数据进行数据切割,得到若干时间切片;
获取各个所述时间切片的时域波形图,并对所述时域波形图分别进行FK变换,得到与所述时域波形图对应的FK谱图像;
根据各个所述时间切片的时域波形图和FK谱图像,对所述时间切片进行分类,且每一时间切片标记有对应的类别标签,所述时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;
基于深度神经网络,构建时间切片分类模型;
将所述时间切片对应的时域波形图和FK谱图像输入所述时间切片分类模型;
根据所述时间切片分类模型的输出以及所输入的图像对应的时间切片的实际类别,确定损失函数;
根据所述损失函数优化所述时间切片分类模型的参数,以对所述时间切片分类模型进行训练,得到训练好的时间切片分类模型。
2.根据权利要求1所述的时间切片分类模型的训练方法,其特征在于,所述对所述被动源地震数据进行数据切割,得到若干时间切片,具体包括:
设定一时间长度,将所述被动源地震数据按照所述时间长度分割成若干份地震子数据,每一份地震子数据为一个时间切片。
3.根据权利要求1所述的时间切片分类模型的训练方法,其特征在于,所述根据各个所述时间切片的时域波形图和FK谱图像,对所述时间切片进行分类,具体包括:
当所述时域波形图的同相轴为横线状,且所述FK谱图像的振幅能量集中于反射波的有效扇区范围的内部时,判定所述时间切片的类别为反射波优势时间切片,所述同相轴为时域波形图中所有波峰的连线和所有波谷的连线;
当所述时域波形图的同相轴为双曲线状,且所述FK谱图像的振幅能量分布于反射波的有效扇区范围的内外时,判定所述时间切片的类别为面波优势时间切片;
当所述时域波形图的同相轴的形状不明显,且所述FK谱图像的振幅能量分布也不明显时,判定所述时间切片的类别为信号混叠的时间切片。
4.一种时间切片分类模型的应用方法,其特征在于,所述方法包括:
获取待分类被动源地震数据;
对所述待分类被动源地震数据进行数据切割,得到若干待分类时间切片;
获取各个所述待分类时间切片的时域波形图,并对所述时域波形图分别进行FK变换,得到与所述时域波形图对应的FK谱图像;
将所述待分类时间切片的时域波形图和FK谱图像输入时间切片分类模型,得到所述待分类时间切片的类别,时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;所述时间切片分类模型为根据权利要求1所述的时间切片分类模型训练方法训练好的模型。
5.根据权利要求4所述的时间切片分类模型的应用方法,其特征在于,在所述将所述待分类时间切片的时域波形图和FK谱图像输入时间切片分类模型,得到所述待分类时间切片的类别之后,所述方法还包括:
从确定类别后的时间切片中选择出反射波优势时间切片和面波优势时间切片;
根据所述反射波优势时间切片和所述面波优势时间切片,采用互相关干涉法分别重构出反射波波场和面波波场;
对所述反射波波场进行去噪、速度分析和水平叠加处理,得到地下构造反射信息;
获取所述面波波场的频散曲线,并从所述频散曲线中提取频率信息及对应的相速度信息,并根据所述频率信息和所述相速度信息,采用梯度法反演出地下横波速度结构信息。
6.一种时间切片分类模型的训练系统,其特征在于,所述系统包括:
被动源地震数据采集模块,用于采集被动源地震数据,所述被动源地震数据为通过检波器连续监测地震波而采集的地震数据;
时间切片获取模块,用于对所述被动源地震数据进行数据切割,得到若干时间切片;
图像获取模块,用于获取各个所述时间切片的时域波形图,并对所述时域波形图分别进行FK变换,得到与所述时域波形图对应的FK谱图像;
时间切片分类模块,用于根据各个所述时间切片的时域波形图和FK谱图像,对所述时间切片进行分类,且每一时间切片标记有对应的类别标签,所述时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;
模型构建模块,用于基于深度神经网络,构建时间切片分类模型;
图像输入模块,用于将所述时间切片对应的时域波形图和FK谱图像输入所述时间切片分类模型;
损失函数确定模块,用于根据所述时间切片分类模型的输出以及所输入的图像对应的时间切片的实际类别,确定损失函数;
模型训练模块,用于根据所述损失函数优化所述时间切片分类模型的参数,以对所述时间切片分类模型进行训练,得到训练好的时间切片分类模型。
7.根据权利要求6所述的时间切片分类模型的训练系统,其特征在于,所述时间切片获取模块包括:
数据切割单元,用于设定一时间长度,将所述被动源地震数据按照所述时间长度分割成若干份地震子数据,每一份地震子数据为一个时间切片。
8.根据权利要求6所述的时间切片分类模型的训练系统,其特征在于,所述时间切片分类模块包括:
反射波优势时间切片判断单元,用于当所述时域波形图的同相轴为横线状,且所述FK谱图像的振幅能量集中于反射波的有效扇区范围的内部时,判定所述时间切片的类别为反射波优势时间切片,所述同相轴为时域波形图中所有波峰的连线和所有波谷的连线;
面波优势时间切片判断单元,用于当所述时域波形图的同相轴为双曲线状,且所述FK谱图像的振幅能量分布于反射波的有效扇区范围的内外时,判定所述时间切片的类别为面波优势时间切片;
信号混叠时间切片判断单元,用于当所述时域波形图的同相轴的形状不明显,且所述FK谱图像的振幅能量分布也不明显时,判定所述时间切片的类别为信号混叠的时间切片。
9.一种时间切片分类模型的应用系统,其特征在于,所述系统包括:
待分类被动源地震数据获取模块,用于获取待分类被动源地震数据;
待分类时间切片获取模块,用于对所述待分类被动源地震数据进行数据切割,得到若干待分类时间切片;
待分类图像获取模块,用于获取各个所述待分类时间切片的时域波形图,并对所述时域波形图分别进行FK变换,得到与所述时域波形图对应的FK谱图像;
待分类时间切片分类模块,用于将所述待分类时间切片的时域波形图和FK谱图像输入时间切片分类模型,得到所述待分类时间切片的类别,时间切片的类别包括反射波优势时间切片、面波优势时间切片以及信号混叠的时间切片;所述时间切片分类模型为根据权利要求1所述的时间切片分类模型训练方法训练好的模型。
10.根据权利要求9所述的时间切片分类模型的应用系统,其特征在于,所述系统还包括:
时间切片选择模块,用于从确定类别后的时间切片中选择出反射波优势时间切片和面波优势时间切片;
波场重构模块,用于根据所述反射波优势时间切片和所述面波优势时间切片,采用互相关干涉法分别重构出反射波波场和面波波场;
地下构造反射信息获取模块,用于对所述反射波波场进行去噪、速度分析和水平叠加处理,得到地下构造反射信息;
地下横波速度结构信息获取模块,用于获取所述面波波场的频散曲线,并从所述频散曲线中提取频率信息及对应的相速度信息,并根据所述频率信息和所述相速度信息,采用梯度法反演出地下横波速度结构信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211399627.XA CN115826039B (zh) | 2022-11-09 | 2022-11-09 | 一种时间切片分类模型训练方法、系统及应用方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211399627.XA CN115826039B (zh) | 2022-11-09 | 2022-11-09 | 一种时间切片分类模型训练方法、系统及应用方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115826039A true CN115826039A (zh) | 2023-03-21 |
CN115826039B CN115826039B (zh) | 2023-07-14 |
Family
ID=85527424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211399627.XA Active CN115826039B (zh) | 2022-11-09 | 2022-11-09 | 一种时间切片分类模型训练方法、系统及应用方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115826039B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824275A (zh) * | 2023-08-29 | 2023-09-29 | 青岛美迪康数字工程有限公司 | 一种实现智能模型优化的方法、装置和计算机设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160341839A1 (en) * | 2015-05-20 | 2016-11-24 | Conocophillips Company | Surface wave tomography using sparse data acquisition |
CN106405642A (zh) * | 2016-07-19 | 2017-02-15 | 西安石油大学 | 基于脱压实声波速度的地震反演储层预测方法 |
US20190113642A1 (en) * | 2017-10-12 | 2019-04-18 | Southern University Of Science And Technology | Surface wave prospecting method and acquisition equipment |
CN110231652A (zh) * | 2019-06-03 | 2019-09-13 | 中国海洋石油集团有限公司 | 一种基于密度的含噪声应用空间聚类的地震相提取方法 |
WO2020033465A1 (en) * | 2018-08-10 | 2020-02-13 | University Of Houston System | Surface wave estimation and removal from seismic data |
CN111239802A (zh) * | 2020-01-19 | 2020-06-05 | 中国海洋大学 | 基于地震反射波形和速度谱的深度学习速度建模方法 |
CN112764103A (zh) * | 2020-07-09 | 2021-05-07 | 五季数据科技(北京)有限公司 | 一种基于稀疏编码特征dbscan聚类地震相分析方法 |
US20210302603A1 (en) * | 2020-03-30 | 2021-09-30 | Qingdao university of technology | Performance-level seismic motion hazard analysis method based on three-layer dataset neural network |
CN113534243A (zh) * | 2021-07-15 | 2021-10-22 | 中国地质科学院 | 一种被动源Marchenko成像方法及系统 |
WO2022048288A1 (zh) * | 2020-09-07 | 2022-03-10 | 中国石油化工股份有限公司 | 基于地质特征约束的储层参数预测方法、装置和存储介质 |
-
2022
- 2022-11-09 CN CN202211399627.XA patent/CN115826039B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160341839A1 (en) * | 2015-05-20 | 2016-11-24 | Conocophillips Company | Surface wave tomography using sparse data acquisition |
CN106405642A (zh) * | 2016-07-19 | 2017-02-15 | 西安石油大学 | 基于脱压实声波速度的地震反演储层预测方法 |
US20190113642A1 (en) * | 2017-10-12 | 2019-04-18 | Southern University Of Science And Technology | Surface wave prospecting method and acquisition equipment |
WO2020033465A1 (en) * | 2018-08-10 | 2020-02-13 | University Of Houston System | Surface wave estimation and removal from seismic data |
CN110231652A (zh) * | 2019-06-03 | 2019-09-13 | 中国海洋石油集团有限公司 | 一种基于密度的含噪声应用空间聚类的地震相提取方法 |
CN111239802A (zh) * | 2020-01-19 | 2020-06-05 | 中国海洋大学 | 基于地震反射波形和速度谱的深度学习速度建模方法 |
US20210302603A1 (en) * | 2020-03-30 | 2021-09-30 | Qingdao university of technology | Performance-level seismic motion hazard analysis method based on three-layer dataset neural network |
CN112764103A (zh) * | 2020-07-09 | 2021-05-07 | 五季数据科技(北京)有限公司 | 一种基于稀疏编码特征dbscan聚类地震相分析方法 |
WO2022048288A1 (zh) * | 2020-09-07 | 2022-03-10 | 中国石油化工股份有限公司 | 基于地质特征约束的储层参数预测方法、装置和存储介质 |
CN113534243A (zh) * | 2021-07-15 | 2021-10-22 | 中国地质科学院 | 一种被动源Marchenko成像方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824275A (zh) * | 2023-08-29 | 2023-09-29 | 青岛美迪康数字工程有限公司 | 一种实现智能模型优化的方法、装置和计算机设备 |
CN116824275B (zh) * | 2023-08-29 | 2023-11-17 | 青岛美迪康数字工程有限公司 | 一种实现智能模型优化的方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115826039B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7127353B2 (en) | Method and apparatus for imaging permeability pathways of geologic fluid reservoirs using seismic emission tomography | |
EP1958007B1 (en) | Signal integration measure for passive seismic data | |
EP2375268B1 (en) | Method for separating up and down propagating pressure and vertical velocity fields from pressure and three-axial motion sensors in towed streamers | |
CA2750253C (en) | Time reverse imaging operators for source location | |
US11880011B2 (en) | Surface wave prediction and removal from seismic data | |
CA2750982C (en) | Method of detecting or monitoring a subsurface hydrocarbon reservoir-sized structure | |
CA2521919A1 (en) | Method for simulating local prestack depth migrated seismic images | |
Panea et al. | Retrieval of reflections from ambient noise recorded in the Mizil area, Romania | |
US20110276273A1 (en) | Image domain signal to noise estimate | |
MX2010005019A (es) | Metodo para el calculo de atributos sismicos a partir de señales sismicas. | |
WO2012015520A1 (en) | Seismic acquisition method for mode separation | |
CN115826039B (zh) | 一种时间切片分类模型训练方法、系统及应用方法、系统 | |
RU2165093C2 (ru) | Способ и устройство для селекции эллиптических волн, распространяющихся в среде | |
Sun et al. | Beyond correlations: Deep learning for seismic interferometry | |
Wu et al. | An adapted eigenvalue-based filter for ocean ambient noise processing | |
US20120016591A1 (en) | Time reverse imaging attributes with borehole data | |
Vidal et al. | Retrieval of reflections from ambient-noise field data using illumination diagnostics | |
Dai et al. | Seismic site characterization through the passive surface wave survey | |
Sheng | Empirical Analysis of Complex Wavefields | |
Kong et al. | Understanding the Seismic Ground Motion Spatial Variability Using Network Analysis Community Detection | |
Taira et al. | Imaging of crustal heterogeneous structures using a slowness‐weighted back‐projection with effects of scattering modes: 1. Theory | |
Johnson | Automatic P-wave Picking of Microseismic Events in Underground Mines | |
Sandjivy et al. | Why Should We Use Probability Models for Seismic Data Processing? A Case Study Comparing Wiener and Kriging Filters | |
Menon | Reducing Uncertainty in Estimates of Environmental Parameters From Ambient Noise Using Statistical Array Processing | |
Vidal et al. | of Technology |
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 |