CN116068640A - 盐丘的识别方法、装置和计算机设备 - Google Patents
盐丘的识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116068640A CN116068640A CN202310212572.5A CN202310212572A CN116068640A CN 116068640 A CN116068640 A CN 116068640A CN 202310212572 A CN202310212572 A CN 202310212572A CN 116068640 A CN116068640 A CN 116068640A
- Authority
- CN
- China
- Prior art keywords
- target
- salt dome
- seismic
- target area
- identification
- 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
- 150000003839 salts Chemical class 0.000 title claims abstract description 243
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 144
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 230000000739 chaotic effect Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 235000002639 sodium chloride Nutrition 0.000 description 212
- 238000004891 communication Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000005755 formation reaction Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000004590 computer program 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
- 238000009826 distribution Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 239000000126 substance Substances 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
-
- 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
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本说明书提供了盐丘的识别方法、装置和计算机设备。基于上述方法,在获取目标区域的目标地震数据后,先根据筛选出的敏感地震属性和目标地震数据,得到多个地震属性数据体;再利用卷积自编码器通过处理多个地震属性数据体,得到多个局部特征;并融合多个局部特征,得到整体特征;根据整体特征进行第一识别,得到第一识别结果;再根据第一识别结果,构建携带有标签的初始的训练集;基于预设的训练规则,利用初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,得到针对目标区域的盐丘的目标识别模型;进而再利用目标识别模型进行第二识别,确定出目标区域的盐丘。从而可以基于不携带标签的地震数据,高效、精准地确定出目标区域的盐丘。
Description
技术领域
本说明书属于油气地震勘探技术领域,尤其涉及盐丘的识别方法、装置和计算机设备。
背景技术
在油气地震勘探技术领域,常常需要识别并确定出所关注的研究区域中的盐丘的具体位置和边界,以便能够更好地指导后续对该研究区域的油气勘探开发。
基于现有方法,往往需要先获取并利用大量携带有标签的地震数据进行模型训练,再利用训练好的模型来检测和识别盐丘。
但是,基于现有方法具体实施时,首先需要获取和依赖大量携带有标签的地震数据。但在实际的工程场景中,上述携带有标签的地震数据的获取成本相对较高,且所能直接获取到的携带有标签的地震数据的数量还相对有限,进而会影响后续模型的训练,导致所训练得到的模型泛化能力相对较弱,在利用该模型进行盐丘识别容易出现误差。此外,基于上述方法在训练模型时,针对性也相对较差,且模型的训练周期也相对较长,训练得到的模型的模型精度相对较低,进一步影响后续盐丘识别的精度。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本说明书提供了一种盐丘的识别方法、装置和计算机设备,不需要依赖和使用携带有标签的地震数据,仅基于不携带标签的地震数据,就能高效、精准地识别确定出目标区域的盐丘。
本说明书提供了一种盐丘的识别方法,包括:
获取目标区域的目标地震数据;并筛选出针对目标区域的盐丘的局部特征的敏感地震属性;
根据所述敏感地震属性和所述目标地震数据,获取相对应的多个地震属性数据体;
通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征;
融合所述多个局部特征,得到针对目标区域的盐丘的整体特征;
根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果;
根据第一识别结果,构建携带有标签的初始的训练集;
基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,以得到针对目标区域的盐丘的目标识别模型;
通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘。
在一个实施例中,所述敏感地震属性包括以下地震属性中的至少两个:均方根属性、振幅属性、方差属性、混沌Chaos属性。
在一个实施例中,通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征,包括:
按照以下方式通过利用卷积自编码器处理多个地震属性数据体中的当前地震属性数据体,以获取对应的局部特征:
利用卷积自编码器处理处理当前地震属性数据体,并提取出卷积自编码器的指定中间网络层输出的多个深层语义特征;
对所述多个深层语义特征进行分类,得到多个深层语义特征组;
根据所述多个深层语义特征组,通过主成分分析,确定出主特征组;
根据主特征组,进行K-means聚类处理,得到对应的局部特征。
在一个实施例中,根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果,包括:
根据所述整体特征和目标地震数据,对目标区域的盐丘进行刻画,以确定出目标区域中盐丘的第一位置和第一边界,作为第一识别结果。
在一个实施例中,在根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果之后,所述方法还包括:
检测目标区域的地震剖面的盐丘边界反射的清晰度是否大于预设的清晰度阈值,以及是否存在强同相轴干扰;
在确定目标区域的地震剖面的盐丘边界反射的清晰度大于预设的清晰度阈值,且不存在强同向轴干扰的情况下,根据第一识别结果确定出目标区域的盐丘。
在一个实施例中,基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,以得到针对目标区域的盐丘的目标识别模型,包括:
按照以下方式,基于预设的训练规则,进行当前轮的递归迭代训练:
基于上一轮的训练集,沿指定方向,间隔指定步长,从目标地震数据中确定出当前轮的测试数据;
利用上一轮的识别模型处理当前轮的测试数据,确定出对应的伪标签;
根据当前轮的测试数据和伪标签,更新上一轮的训练集,得到当前轮的训练集;
利用当前轮的训练集训练上一轮的识别模型,得到当前轮的识别模型。
在一个实施例中,在得到当前轮的识别模型之后,所述方法还包括:
检测当前是否满足预设的结束条件;
在确定当前满足预设的结束条件的情况下,将当前轮的识别模型确定为针对目标区域的盐丘的目标识别模型。
在一个实施例中,通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘,包括:
利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,得到对应的目标识别结果;
根据目标识别结果,确定出目标区域中的盐丘。
本说明书还提供了一种盐丘的识别装置,包括:
第一获取模块,用于获取目标区域的目标地震数据;并筛选出针对目标区域的盐丘的局部特征的敏感地震属性;
第二获取模块,用于根据所述敏感地震属性和所述目标地震数据,获取相对应的多个地震属性数据体;
第三获取模块,用于通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征;
融合模块,用于融合所述多个局部特征,得到针对目标区域的盐丘的整体特征;
第一识别模块,用于根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果;
构建模块,用于根据第一识别结果,构建携带有标签的初始的训练集;
训练模块,用于基于预设的训练规则,利用所述初始的训练集,对初始的识别模型进行多轮迭代训练,以得到针对目标区域的盐丘的目标识别模型;
第二识别模块,用于通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘。
本说明书还提供了一种计算机设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现以下步骤:获取目标区域的目标地震数据;并筛选出针对目标区域的盐丘的局部特征的敏感地震属性;根据所述敏感地震属性和所述目标地震数据,获取相对应的多个地震属性数据体;通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征;融合所述多个局部特征,得到针对目标区域的盐丘的整体特征;根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果;根据第一识别结果,构建携带有标签的初始的训练集;基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,以得到针对目标区域的盐丘的目标识别模型;通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘。
基于本说明书提供的盐丘的识别方法、装置和计算机设备,在获取目标区域的目标地震数据之后,可以先根据筛选出的敏感地震属性和目标地震数据,得到多个地震属性数据体;再利用卷积自编码器通过处理多个地震属性数据体,得到多个局部特征;并融合多个局部特征,得到针对盐丘的整体特征;再根据该整体特征进行第一识别,得到第一识别结果;进一步,可以根据第一识别结果,构建携带有标签的初始的训练集;基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,得到针对目标区域的盐丘的目标识别模型;再利用该目标识别模型进行第二识别,以最终确定出目标区域的盐丘。从而可以不需要依赖和使用携带有标签的地震数据,仅利用不携带标签的地震数据,通过地震属性进行引导,就能便捷、高效,且精准地识别确定出目标区域的盐丘。
附图说明
为了更清楚地说明本说明书实施例,下面将对实施例中所需要使用的附图作简单地介绍,下面描述中的附图仅仅是本说明书中记载的一些实施例,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是本说明书的一个实施例提供的盐丘的识别方法的流程示意图;
图2是在一个场景示例中,应用本说明书实施例提供的盐丘的识别方法的一种实施例的示意图;
图3是在一个场景示例中,应用本说明书实施例提供的盐丘的识别方法的一种实施例的示意图;
图4是在一个场景示例中,应用本说明书实施例提供的盐丘的识别方法的一种实施例的示意图;
图5是在一个场景示例中,应用本说明书实施例提供的盐丘的识别方法的一种实施例的示意图;
图6是在一个场景示例中,应用本说明书实施例提供的盐丘的识别方法的一种实施例的示意图;
图7是在一个场景示例中,应用本说明书实施例提供的盐丘的识别方法的一种实施例的示意图;
图8是在一个场景示例中,应用本说明书实施例提供的盐丘的识别方法的一种实施例的示意图;
图9是在一个场景示例中,应用本说明书实施例提供的盐丘的识别方法的一种实施例的示意图;
图10是本说明书的一个实施例提供的计算机设备的结构组成示意图;
图11是本说明书的一个实施例提供的盐丘的识别装置的结构组成示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
参阅图1和图2所示,本说明书实施例提供了一种盐丘的识别方法。其中,该方法具体实施时,可以包括以下内容:
S101:获取目标区域的目标地震数据;并筛选出针对目标区域的盐丘的局部特征的敏感地震属性;
S102:根据所述敏感地震属性和所述目标地震数据,获取相对应的多个地震属性数据体;
S103:通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征;
S104:融合所述多个局部特征,得到针对目标区域的盐丘的整体特征;
S105:根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果;
S106:根据第一识别结果,构建携带有标签的初始的训练集;
S107:基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,以得到针对目标区域的盐丘的目标识别模型;
S108:通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘。
在一些实施例中,上述目标区域具体可以理解为包含有待测盐丘的地层区域。
其中,上述盐丘具体可以是指地下岩盐、黏土或石膏等容易流动、粘性低的物质在受到上覆地层的垂向压应力和运动时的侧向压应力作用而向上流动,挤压上覆岩层,使上覆岩层拱曲隆起而形成的一种底辟结构。基于该特殊结构可以为石油、天然气的聚集和存储提供了空间与圈闭条件。目前发现的许多高产油气田大多都与盐丘有着密切的关系。具体的,盐丘可以理解为是一种与油气资源密切相关的地质异常体。盐丘的振幅、频率、相位、连续性,以及岩性组成、地层产状等与其它地质体都存在一定的差异。在地震资料解释过程中,准确划分、识别盐丘是一项基础而又重要的工作,对于后续探究地下地质环境及地质构造、地震反演、储层预测、盐体的精确建模与成像等工作起着重要作用。因此,精确地描述盐丘的空间位置分布,识别并确定盐丘是非常必要的。
在一些实施例中,所获取的目标地震数据具体可以是一种关于目标区域的原始地震数据。具体的,上述目标地震数据可以是一种三维张量数据,区别于二维的像素图像。
在一些实施例中,上述敏感地震属性具体可以理解一种针对盐丘局部特征较为敏感,能够凸显出盐丘地质异常体的局部特征的地震属性。其中,上述地震属性可以通过几何计算推导得出的。
具体实施时,可以根据地质知识、地球物理知识,筛选出针对目标区域的盐丘局的部特征的敏感地震属性。
在一些实施例中,所述敏感地震属性包括以下地震属性中的至少两个:均方根属性、振幅属性、方差属性、混沌Chaos属性等。
其中,上述均方根属性以及振幅属性能够较好地凸显出地震数据中的锐利反射,对盐丘边界的刻画效果相对较好。上述方差属性以及混沌Chaos属性则对地震剖面上方差较大区域较为敏感,对盐丘内容部的混乱反射特征具有相对较好的指示作用。
需要说明的是,上述目标地震数据也可以理解为是一种振幅属性的数据体。
在本实施例中,参阅图2所示,具体可以优选振幅属性(对应属性一)和方差属性(对应属性二)这个地震属性的组合作为敏感地震属性。当然,具体实施时,根据具体情况和处理需求,还可以采用其他地震属性的组合作为敏感地震属性。
在一些实施例中,具体实施时,可以根据敏感地震属性和目标地震数据,获取相对应的多个地震属性数据体。
但是,由于通常直接获得的地震属性数据体中的冗余信息较多,导致这些敏感地震属性对盐丘局部特征的反应较为粗糙,且容易受许多噪声或者其它地震事件的影响,误差相对较大,因此还需要对上述地震属性数据体进行进一步的特征筛选和提纯,以便后续能够更加精准地确定出目标区域的盐丘。
在一些实施例中,参阅图3所示,上述通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征,具体实施时,可以包括以下内容:按照以下方式通过利用卷积自编码器处理多个地震属性数据体中的当前地震属性数据体,以获取对应的局部特征:
S1:利用卷积自编码器处理处理当前地震属性数据体,并提取出卷积自编码器的指定中间网络层输出的多个深层语义特征;
S2:对所述多个深层语义特征进行分类,得到多个深层语义特征组;
S3:根据所述多个深层语义特征组,通过主成分分析,确定出主特征组;
S4:根据主特征组,进行K-means聚类处理,得到对应的局部特征。
其中,上述卷积自编码器(CAE)通常用于对原始地震数据的重构,以得到对应的重构地震数据。
按照上述方式,可以分别处理多个不同的地震属性数据体,得到与不同的地震属性数据体分别对应的多个局部特征。
基于上述实施例,可以先利用卷积神经网络强大的特征提取能力,使用卷积自编码器(CAE)对地震属性数据体进行特征提取,以得到对于盐丘局部效果较好的特征;进一步,又通过进行主成分分析(PCA)以及K-means聚类处理,对上述特征进行提纯,以得到精度较高、误差较小的局部特征。进而后续可以基于上述局部特征更加精准地识别确定盐丘。
在一些实施例中,具体的,例如,参阅图4所示,可以将自编码器中的“Conv 3×3+Leakrelu,64”结构作为中间网络层。
以处理与振幅属性对应的地震属性数据体为例,在将该地震属性数据体输入至CAE之后,从中间网络层中提取得到64维深层语义特征;再根据深层语义特征的特点,将64维的深层语义特征先划分成3个深层语义特征组,对应图3中的3个特征图;再通过对上述3个深层语义特征组进行主成分分析,从3个深层语义特征组中筛选出主特征组;再对主特征组进行k=2的K-means聚类处理,得到与振幅属性对应的局部特征(对应局部特征一)。
又例如,参阅图5所示,按照类似的方式处理与方差属性对应的地震属性数据体,可以得到与方差属性对应的局部特征(对应局部特征二)。
参阅图4和图5可知,基于上述方式得到的与振幅属性对应的局部特征、与方差属性对应的局部特征分别能够较为清晰地表征出盐丘的边界局部特征,以及内部局部特征。
在一些实施例中,为了能够进一步提高处理精度,减少处理误差,参阅图2所示,在获取相对应的多个地震属性数据体之后,具体实施时,还可以先对多个地震属性数据体(例如,地震属性数据体一、地震属性数据体二)分别进行数据清洗和/或归一化处理,以消除多个地震属性数据体中的数据误差。
在一些实施例中,上述融合所述多个局部特征,得到针对目标区域的盐丘的整体特征,具体实施时,参阅图6所示,可以充分利用与振幅属性对应的局部特征、与方差属性对应的局部特征的特性与优势,按照以下方式组合使用两种局部特征进行特征融合,以得到针对目标区域的盐丘的效果较好的整体特征:根据多个局部特征,先对盐丘边界进行KNN平滑处理,以去除异常点;再对平滑处理后的边界进行线性插值,得到插值后的局部特征;基于上述处理后的多个局部特征,进行求并集后再求交的运算,以保留多个局部特征的共同部分,并去除异常反射边界以及一些高方差非盐丘的像素点,从而可以得到准确度较高、误差较小的整体特征。
具体处理过程可以表示为以下形式:
y1=kmeans(PCA(f1 c×h×w)),
y=y1+y2
其中,CAEencode表示卷积自编码器,PCA表示主成分分析,x1 h×w表示编号为1的地震属性数据体(例如,与振幅属性对应的地震属性数据体),f1 c×h×w表示编号为1的深层语义特征,y1表示编号为1的局部特征(例如,与振幅属性对应的局部特征),x2 h×w表示编号为2的地震属性数据体(例如,与方差属性对应的地震属性数据体),f2 c×h×w表示编号为2的深层语义特征,y2表示编号为2的局部特征(例如,与方差属性对应的局部特征),+表示融合操作,y表示融合多个局部特征得到的整体特征。
在一些实施例中,上述根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果,具体实施时,可以包括:根据所述整体特征和目标地震数据,对目标区域的盐丘进行刻画,以确定出目标区域中盐丘的第一位置和第一边界,作为第一识别结果。
在一些实施例中,在根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果之后,所述方法具体实施时,还可以包括以下内容:
S1:检测目标区域的地震剖面的盐丘边界反射的清晰度是否大于预设的清晰度阈值,以及是否存在强同相轴干扰;
S2:在确定目标区域的地震剖面的盐丘边界反射的清晰度大于预设的清晰度阈值,且不存在强同向轴干扰的情况下,根据第一识别结果确定出目标区域的盐丘。
在一些实施例中,在确定目标区域的地震剖面的盐丘边界反射的清晰度小于等于预设的清晰度阈值,或存在强同向轴干扰的情况下,可以判断仅基于上述第一识别结果无法准确地确定出目标区域的盐丘,进而可以先基于预设的训练规则,利用第一识别结果通过进行无监督的多轮的递归迭代训练,不断地更新训练集,同时更新模型,以得到针对目标区域的盐丘识别效果较好的目标识别模型;再利用该目标识别模型通过进行第二识别,以精准、细致地确定出目标区域的盐丘。
在一些实施例中,具体实施时,参阅图2所示,可以构建基于残差Unet结构的神经网络模型作为初始的识别模型;同时,可以根据第一识别结果,对目标地震数据中的部分地震数据设置对应的标签;并组合上述携带有标签的部分地震数据,以得到初始的训练集。
进一步,本说明书还考虑到由于沉积运动是连续发生的,且地下地质构造也存在较强的连续性,因此空间位置相近的地质体其盐丘类别也会在一定程度上表现出相似,几乎不存在频繁的突变。由于具有上述特性,空间位置相近的地震数据在地震资料解释的过程中,其盐丘划分结果往往是基本一致的。进一步,考虑可以充分地利用上述地质规律,对边界反射复杂以及含有强同相轴干扰的地震剖面采用递归训练迭代逐步更新标签的方式通过无监督学习,来训练模型,以基于最终得到的识别模型来进行盐丘的识别和确定。
在一些实施例中,参阅图7所示,上述基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,以得到针对目标区域的盐丘的目标识别模型,具体实施时,可以包括:按照以下方式,基于预设的训练规则,进行当前轮的递归迭代训练:
S1:基于上一轮的训练集,沿指定方向,间隔指定步长,从目标地震数据中确定出当前轮的测试数据;
S2:利用上一轮的识别模型处理当前轮的测试数据,确定出对应的伪标签;
S3:根据当前轮的测试数据和伪标签,更新上一轮的训练集,得到当前轮的训练集;
S4:利用当前轮的训练集训练上一轮的识别模型,得到当前轮的识别模型。
具体开始训练模型时,可以先根据第一识别结果,构建携带有标签的初始的训练集。例如,可以根据第一识别结果对目标地震数据中相对应的部分少量地震数据进行标记,得到部分携带有标签的地震数据;同时获取与该部分携带有标签的地震数据相对应的地震属性数据(例如,方差属性数据)进行组合,得到初始的训练数据;基于上述初始的训练数据,构建得到初始的训练集。此外,还可以构建基于残差Unet结构的神经网络模型作为初始的识别模型。
具体进行当前轮的递归迭代训练时,考虑到数据集在Inline剖面一般不会存在数据分布的突变,同时结合专家经验基于该方向上的数据在训练具有较明显的对照性,因此可以选择将Inline方向作为指定方向。又考虑到邻近位置处的地质特征表现上具有一定的连续性,可以使用10个Inline长度作为指定长度,来确定待加入到训练集的当前轮的测试数据。这样,可以保证在利用上一轮的识别模型处理当前轮的测试数据时,所得到的识别结果具有较高的准确性。
接着,可以利用上一轮的识别模型处理当前轮的测试数据,得到对应的识别结果(或称预测结果);根据该识别结果,确定出针对当前轮的测试数据的标签。由于该标签不同于初始的训练集中训练数据的标签,是基于模型确定的,因此这里记为伪标签。
具体的,可以表示为以下形式:
net(xh,w,m...n,yh,w,m...n)→yh,w,n+10
net(xh,w,m...n+10,yh,w,m...n+10)→yh,w,n+20
其中,h表示输入的地震数据(例如,灰度矩阵)的高度,w表示输入的地震数据的宽度,m表示训练数据集的起始Inline号,n表示训练数据集的结束Inline号。
再将当前轮的测试数据与对应的伪标签,以相对应的地震属性数据组合作为一组新的训练数据加入到上一轮的训练集中,以实现对上一轮的训练集的更新,得到当前轮的训练集。
进而可以利用当前轮的训练集对上一轮的识别模型进行进一步的训练,以得到精度更高、泛化能力更好的当前轮的识别模型,从而完成当前轮的递归迭代训练。
在一些实施例中,在得到当前轮的识别模型之后,所述方法具体实施时,还可以包括以下内容:
S1:检测当前是否满足预设的结束条件;
S2:在确定当前满足预设的结束条件的情况下,将当前轮的识别模型确定为针对目标区域的盐丘的目标识别模型。
在一些实施例中,在完成当前轮的递归迭代训练后,还可以利用当前轮的识别模型处理当前轮的测试数据,得到对应的识别结果,并进行保存和记录。
在一些实施例中,具体检测当前是否满足预设的结束条件时,可以参阅图2所示,根据知道当前轮的递归迭代训练所累积得到的识别结果,结合第一识别结果,检测是否已经完成对目标区域的整体三维数据体的盐丘解释。
如果确定未完成,则继续重复上述过程,进行下一轮的递归迭代训练。相反,如果确定已经完成,确定当前满足预设的结束条件,停止递归迭代训练,进而可以汇总并根据三维数据体的盐丘解释结果,进行第二识别,精准地确定出目标区域的盐丘的具体位置和具体边界,准确地确定出了目标区域的盐丘。具体可以参阅图8所示。
在一些实施例中,具体检测当前是否满足预设的结束条件时,可以通过检测当前轮的轮数是否达到指定轮数以确定当前是否满足预设的结束条件。还可以利用验证集对当前轮的识别模型进行验证测试,得到验证测试结果;根据验证测试结果,检测当前轮的识别模型的模型精度是否符合要求,在确定当前轮的识别模型的模型精度符合要求的情况下,确定当前满足预设的结束条件。
基于上述方式在确定当前满足预设的结束条件的情况下,将当前轮的识别模型确定为针对目标区域的盐丘的目标识别模型。
进一步,可以通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘。
具体实施时,可以包括:利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,得到对应的目标识别结果;根据目标识别结果,确定出目标区域中的盐丘。
具体的,可以参阅图9所示,可以将目标地震数据,以及相对应的地震数据体(例如,与方差属性对应的地震属性数据体)组合后一同输入至目标识别模型,并运行该目标识别模型得到并输出对应的目标识别结果。进而可以根据该目标识别结果,准确地确定出目标区域中的盐丘。其中,Conv具体可以表示卷积层,Batchnorm具体可以表示批归一化层,Crop and copy具体可以表示特征融合,Maxpool具体可以表示最大池化,Upsample具体可以表示上采用,Residual convolution具体可以表示残差卷积,weight layer具体可以表示参数层。
由上可见,基于本说明书实施例提供的盐丘的识别方法,在获取目标区域的目标地震数据之后,可以先根据筛选出的敏感地震属性和目标地震数据,得到多个地震属性数据体;再利用卷积自编码器通过处理多个地震属性数据体,得到多个局部特征;并融合多个局部特征,得到整体特征;根据整体特征进行第一识别,得到第一识别结果;再根据第一识别结果,构建携带有标签的初始的训练集;基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,得到针对目标区域的盐丘的目标识别模型;再利用目标识别模型进行第二识别,确定出目标区域的盐丘。从而可以不需要依赖和使用携带有标签的地震数据,仅利用不携带标签的地震数据,就能便捷、高效,且精准地识别确定出目标区域的盐丘。
在一个具体的场景示例中,可以应用本说明书实施例提供的盐丘的识别方法准确地识别并确定出研究区域中的盐丘。具体实施过程,可以参阅以下内容。
第一步(对应第一识别),可以结合地质知识以及地球物理知识,筛选出一些对盐丘局部特征较为敏感的地震属性,再结合卷积自编码器(CAE)的强大特征提取能力,以及聚类分析强大的特征筛选能力,对多个对盐丘局部特征较敏感的属性进行特征提取与特征筛选,进而重构盐丘整体特征,在地震数据上表征刻画盐丘。
在本场景示例中,考虑到盐丘内部的盐岩与上覆地层的密度与速度存在明显的差异,这使得盐丘边界在地震剖面上存在锐利的反射,同时盐丘内部岩性结构复杂,多呈现杂乱或空白地震反射。地震属性是通过几何计算推导得出的,其可以突出地质异常体的局部特征。例如,均方根属性以及振幅属性可突出地震数据中的锐利反射,对盐丘边界的刻画效果较好。方差属性以及混沌Chaos属性则对地震剖面上方差较大区域较敏感,对盐丘的混乱反射特征具有一定的指示作用。由于地震数据的冗余信息较多,这些属性对盐丘局部特征的反应较为粗糙,受到许多噪声或者其它地震事件的影响。因此,考虑可以借助卷积神经网络强大的特征提取能力,采用CAE对盐丘的属性进行特征提取,而后采用主成分分析以及K-means聚类分析对得到的特征进行提纯。最后将这些对盐丘较敏感的局部特征聚合,尽可能形成一套对盐丘敏感的整体特征。
在本场景示例中,可以将振幅属性以及方差属性作为装置第一步的输入数据,该属性可粗略反映盐丘的局部特征,再采用CAE、PCA以及K-means聚类分析得到盐丘的局部特征后,需将该特征进行KNN平滑处理,以过滤一些与目标特征归为一类的非目标区域。而后对得到的盐丘边界进行线性插值,将两特征图求并集后再求交集,保留两特征的共同部分,去除异常反射边界以及一些高方差非盐丘的像素点。
上述步骤为盐丘识别的第一步,当地震剖面的盐丘边界反射较清晰,无强同相轴干扰时效果较好。该步骤不仅可从地震数据中精确划分盐丘,也为深度人工智能数据驱动模型提供了高质量的标签。对于盐丘边界反射复杂以及有强同相轴干扰的地震数据,需要进行盐丘识别的第二步,才能得到良好的盐丘识别结果。
第二步(对应第二识别),采用递归训练迭代逐步更新标签和训练集,具体的,可以在第一步得到的标签的基础上,以较小的迭代步长不断制作有一定分布差异的伪标签加入下次迭代,从而实现对具有复杂盐丘边界强同相轴干扰的地震剖面的盐丘解释,进而解释整个三维数据体的盐丘。
考虑到由于沉积运动是连续发生的,且地下地质构造存在较强的连续性,故空间位置十分相近的地质体其盐丘类别也在一定程度上相同,几乎不存在频繁的突变。由于这一特性,空间位置相近的地震数据在地震资料解释的过程中,其盐丘划分结果基本一致。考虑可以充分地利用这一地质规律,对边界反射复杂以及含有强同相轴干扰的地震剖面采用递归训练迭代逐步更新标签的方式预测盐丘。
在本场景示例中,可以在第一步解释得到的盐丘的基础上,采用残差Unet结构拟合地震数据与盐丘标签的非线性映射,每次迭代时将训练数据附近的测试结果当成伪标签,加入至原始训练数据集对,直至预测整个三维地震数据中的盐丘。为了尽可能减小误差累积的影响,加入的伪标签需要尽可能准确,本装置选择尽可能小的迭代步长进行伪标签的加入。对于一个385(Depth)×768(Crossline)×542(Inline)的地震数据,本装置在Inline方向进行盐丘识别,每次迭代过程中选取的测试集在Inline方向与训练集的距离为10个Inline长度。由于每次迭代过程中,选取的测试集与训练集空间位置相近,得到的伪标签与真实标签基本一致。在伪标签误差允许范围内,其对后续迭代过程不会产生较大的影响。
其中,深度神经网络能够端到端、图像到图像、像素到像素地进行学习。在地震解释的盐丘识别领域,逐像素标注成本太大,而精准标记需要采集数据设备技术较高,这在现实地质数据中难以实现,进而难以满足人工智能对大量带盐丘标记的地震数据的需求,神经网络往往很难实现地震数据与盐丘标签最普遍的关系映射,从而导致训练的弱神经网络在测试集上出现过拟合甚至不拟合的现象,这也是现有的深度学习盐丘识别技术最本质的问题。对于不同区块,由于训练数据集和测试数据集数据在地质构造上差异较大,神经网络无法跨越这条鸿沟。这往往需要向神经网络输入更多的测试区块的标注数据以增加其泛化能力。通过采用CAE—PCA—K-means与递归训练迭代逐步更新标签和训练集,可以在没有人工解释标签的情况下,根据盐丘在不同地震属性上的特征,采用人工智能方式自动解释盐丘。
进而可以在保证盐丘解释效率的同时,提升了盐丘解释的精度,高效、精准地识别并确定出该研究区域中的盐丘。
通过上述场景示例,验证了本说明书提供的盐丘的识别方法,可以在地震属性知识的引导下,结合卷积自编码器以及K-means强大的特征提取与特征提纯能力,从不同属性体中提取盐丘的局部特征,而后将这些特征聚合成对盐丘敏感的整体特征。在此基础上,再针对较复杂的地震数据体,根据盐丘数据在地下地质构造存在较强的连续性的特点,采用递归训练迭代逐步更新标签和训练集的方式对整个三维数据体的盐丘进行知识增量化解释。从而可以有效地缓解了传统的深度人工智能盐丘识别装置训练小量数据集而在不同区块泛化性能较差的问题。并且还能够在地震属性知识的引导下,充分发挥了人工智能数据驱动模型强大特征提取与特征提纯的优势,实现在地震样本数据量较少的情况下,提升其在不连续测试集上的泛化性能、同时缩短了人工解释盐丘的周期,提高了盐丘解释的效率。此外,又考虑到小样本训练神经网络在不连续数据上过拟合现象严重的问题,在人工智能对地震大数据强大的特征学习功能的基础上,不断向神经网络中加入丰富的地震数据,在伪标签误差范围允许的情况下,使神经网络尽可能拟合地震数据与盐丘标签的更普遍的关系映射,进而提升其在不连续地震数据上的泛化能力,为开展精细化、高效率地震资料解释提供有力的技术支持。
本说明书实施例还提供一种计算机设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:获取目标区域的目标地震数据;并筛选出针对目标区域的盐丘的局部特征的敏感地震属性;根据所述敏感地震属性和所述目标地震数据,获取相对应的多个地震属性数据体;通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征;融合所述多个局部特征,得到针对目标区域的盐丘的整体特征;根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果;根据第一识别结果,构建携带有标签的初始的训练集;基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,以得到针对目标区域的盐丘的目标识别模型;通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘。
为了能够更加准确地完成上述指令,参阅图10,本说明书实施例还提供了另一种具体的计算机设备,其中,所述计算机设备包括网络通信端口1001、处理器1002以及存储器1003,上述结构通过内部线缆相连,以便各个结构可以进行具体的数据交互。
其中,所述网络通信端口1001,具体可以用于获取目标区域的目标地震数据;并筛选出针对目标区域的盐丘的局部特征的敏感地震属性。
所述处理器1002,具体可以用于根据所述敏感地震属性和所述目标地震数据,获取相对应的多个地震属性数据体;通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征;融合所述多个局部特征,得到针对目标区域的盐丘的整体特征;根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果;根据第一识别结果,构建携带有标签的初始的训练集;基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,以得到针对目标区域的盐丘的目标识别模型;通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘。
所述存储器1003,具体可以用于存储相应的指令程序。
在本实施例中,所述网络通信端口1001可以是与不同的通信协议进行绑定,从而可以发送或接收不同数据的虚拟端口。例如,所述网络通信端口可以是负责进行web数据通信的端口,也可以是负责进行FTP数据通信的端口,还可以是负责进行邮件数据通信的端口。此外,所述网络通信端口还可以是实体的通信接口或者通信芯片。例如,其可以为无线移动网络通信芯片,如GSM、CDMA等;其还可以为Wifi芯片;其还可以为蓝牙芯片。
在本实施例中,所述处理器1002可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中,所述存储器1003可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
本说明书实施例还提供了一种基于上述盐丘的识别方法的计算机存储介质,所述计算机存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:获取目标区域的目标地震数据;并筛选出针对目标区域的盐丘的局部特征的敏感地震属性;根据所述敏感地震属性和所述目标地震数据,获取相对应的多个地震属性数据体;通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征;融合所述多个局部特征,得到针对目标区域的盐丘的整体特征;根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果;根据第一识别结果,构建携带有标签的初始的训练集;基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,以得到针对目标区域的盐丘的目标识别模型;通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘。
在本实施例中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施例中,该计算机存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
参阅图11所示,在软件层面上,本说明书实施例还提供了一种盐丘的识别装置,该装置具体可以包括以下的结构模块:
第一获取模块1101,具体可以用于获取目标区域的目标地震数据;并筛选出针对目标区域的盐丘的局部特征的敏感地震属性;
第二获取模块1102,具体可以用于根据所述敏感地震属性和所述目标地震数据,获取相对应的多个地震属性数据体;
第三获取模块1103,具体可以用于通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征;
融合模块1104,具体可以用于融合所述多个局部特征,得到针对目标区域的盐丘的整体特征;
第一识别模块1105,具体可以用于根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果;
构建模块1106,具体可以用于根据第一识别结果,构建携带有标签的初始的训练集;
训练模块1107,具体可以用于基于预设的训练规则,利用所述初始的训练集,对初始的识别模型进行多轮迭代训练,以得到针对目标区域的盐丘的目标识别模型;
第二识别模块1108,具体可以用于通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘。
在一些实施例中,所述敏感地震属性具体可以包括以下地震属性中的至少两个:均方根属性、振幅属性、方差属性、混沌Chaos属性等。
在一些实施例中,上述第三获取模块1103具体实施时,可以按照以下方式通过利用卷积自编码器处理多个地震属性数据体中的当前地震属性数据体,以获取对应的局部特征:利用卷积自编码器处理处理当前地震属性数据体,并提取出卷积自编码器的指定中间网络层输出的多个深层语义特征;对所述多个深层语义特征进行分类,得到多个深层语义特征组;根据所述多个深层语义特征组,通过主成分分析,确定出主特征组;根据主特征组,进行K-means聚类处理,得到对应的局部特征。
在一些实施例中,上述第一识别模块1105具体实施时,可以按照以下方式根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果:根据所述整体特征和目标地震数据,对目标区域的盐丘进行刻画,以确定出目标区域中盐丘的第一位置和第一边界,作为第一识别结果。
在一些实施例中,在根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果之后,所述装置具体实施时,还可以用于检测目标区域的地震剖面的盐丘边界反射的清晰度是否大于预设的清晰度阈值,以及是否存在强同相轴干扰;在确定目标区域的地震剖面的盐丘边界反射的清晰度大于预设的清晰度阈值,且不存在强同向轴干扰的情况下,根据第一识别结果确定出目标区域的盐丘。
相反,在确定目标区域的地震剖面的盐丘边界反射的清晰度小于等于预设的清晰度阈值,或存在强同向轴干扰的情况下,则需要调用第二识别模块1108以通过进行第二识别,准确地确定出目标区域的盐丘。
在一些实施例中,上述训练模块1107具体实施时,可以按照以下方式按照以下方式,基于预设的训练规则,进行当前轮的递归迭代训练:基于上一轮的训练集,沿指定方向,间隔指定步长,从目标地震数据中确定出当前轮的测试数据;利用上一轮的识别模型处理当前轮的测试数据,确定出对应的伪标签;根据当前轮的测试数据和伪标签,更新上一轮的训练集,得到当前轮的训练集;利用当前轮的训练集训练上一轮的识别模型,得到当前轮的识别模型。
在一些实施例中,在得到当前轮的识别模型之后,所述训练模块1107具体实施时,还可以用于检测当前是否满足预设的结束条件;在确定当前满足预设的结束条件的情况下,将当前轮的识别模型确定为针对目标区域的盐丘的目标识别模型。
在一些实施例中,上述第二识别模块1108具体实施时,可以按照以下方式通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘:利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,得到对应的目标识别结果;根据目标识别结果,确定出目标区域中的盐丘。
需要说明的是,上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。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。
由上可见,基于本说明书实施例提供的盐丘的识别装置,在获取目标区域的目标地震数据之后,可以先根据筛选出的敏感地震属性和目标地震数据,得到多个地震属性数据体;再利用卷积自编码器通过处理多个地震属性数据体,得到多个局部特征;并融合多个局部特征,得到整体特征;根据整体特征进行第一识别,得到第一识别结果;再根据第一识别结果,构建携带有标签的初始的训练集;基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,得到针对目标区域的盐丘的目标识别模型;再利用目标识别模型进行第二识别,确定出目标区域的盐丘。从而可以不需要依赖和使用携带有标签的地震数据,仅利用不携带标签的地震数据,就能便捷、高效,且精准地识别确定出目标区域的盐丘。
虽然本说明书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。在实际中的装置或客户端产品执行时,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。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施例的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书的技术方案本质上可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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,移动终端,服务器,或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或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。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形和变化而不脱离本说明书的精神,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (10)
1.一种盐丘的识别方法,其特征在于,包括:
获取目标区域的目标地震数据;并筛选出针对目标区域的盐丘的局部特征的敏感地震属性;
根据所述敏感地震属性和所述目标地震数据,获取相对应的多个地震属性数据体;
通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征;
融合所述多个局部特征,得到针对目标区域的盐丘的整体特征;
根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果;
根据所述第一识别结果,构建携带有标签的初始的训练集;
基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,以得到针对目标区域的盐丘的目标识别模型;
通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘。
2.根据权利要求1所述的方法,其特征在于,所述敏感地震属性包括以下地震属性中的至少两个:均方根属性、振幅属性、方差属性、混沌Chaos属性。
3.根据权利要求1所述的方法,其特征在于,通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征,包括:
按照以下方式通过利用卷积自编码器处理多个地震属性数据体中的当前地震属性数据体,以获取对应的局部特征:
利用卷积自编码器处理处理当前地震属性数据体,并提取出卷积自编码器的指定中间网络层输出的多个深层语义特征;
对所述多个深层语义特征进行分类,得到多个深层语义特征组;
根据所述多个深层语义特征组,通过主成分分析,确定出主特征组;
根据主特征组,进行K-means聚类处理,得到对应的局部特征。
4.根据权利要求1所述的方法,其特征在于,根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果,包括:
根据所述整体特征和目标地震数据,对目标区域的盐丘进行刻画,以确定出目标区域中盐丘的第一位置和第一边界,作为第一识别结果。
5.根据权利要求1所述的方法,其特征在于,在根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果之后,所述方法还包括:
检测目标区域的地震剖面的盐丘边界反射的清晰度是否大于预设的清晰度阈值,以及是否存在强同相轴干扰;
在确定目标区域的地震剖面的盐丘边界反射的清晰度大于预设的清晰度阈值,且不存在强同向轴干扰的情况下,根据第一识别结果确定出目标区域的盐丘。
6.根据权利要求1所述的方法,其特征在于,基于预设的训练规则,利用所述初始的训练集,通过对初始的识别模型进行多轮的递归迭代训练,以得到针对目标区域的盐丘的目标识别模型,包括:
按照以下方式,基于预设的训练规则,进行当前轮的递归迭代训练:
基于上一轮的训练集,沿指定方向,间隔指定步长,从目标地震数据中确定出当前轮的测试数据;
利用上一轮的识别模型处理当前轮的测试数据,确定出对应的伪标签;
根据当前轮的测试数据和伪标签,更新上一轮的训练集,得到当前轮的训练集;
利用当前轮的训练集训练上一轮的识别模型,得到当前轮的识别模型。
7.根据权利要求6所述的方法,其特征在于,在得到当前轮的识别模型之后,所述方法还包括:
检测当前是否满足预设的结束条件;
在确定当前满足预设的结束条件的情况下,将当前轮的识别模型确定为针对目标区域的盐丘的目标识别模型。
8.根据权利要求1所述的方法,其特征在于,通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘,包括:
利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,得到对应的目标识别结果;
根据目标识别结果,确定出目标区域中的盐丘。
9.一种盐丘的识别装置,其特征在于,包括:
第一获取模块,用于获取目标区域的目标地震数据;并筛选出针对目标区域的盐丘的局部特征的敏感地震属性;
第二获取模块,用于根据所述敏感地震属性和所述目标地震数据,获取相对应的多个地震属性数据体;
第三获取模块,用于通过利用卷积自编码器分别处理所述多个地震属性数据体,以获取针对目标区域的盐丘的多个局部特征;
融合模块,用于融合所述多个局部特征,得到针对目标区域的盐丘的整体特征;
第一识别模块,用于根据所述整体特征,对目标区域的盐丘进行第一识别,得到第一识别结果;
构建模块,用于根据第一识别结果,构建携带有标签的初始的训练集;
训练模块,用于基于预设的训练规则,利用所述初始的训练集,对初始的识别模型进行多轮迭代训练,以得到针对目标区域的盐丘的目标识别模型;
第二识别模块,用于通过利用目标识别模型处理目标地震数据,以及相对应的地震属性数据体,进行第二识别,以确定出目标区域的盐丘。
10.一种计算机设备,其特征在于,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310212572.5A CN116068640A (zh) | 2023-02-28 | 2023-02-28 | 盐丘的识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310212572.5A CN116068640A (zh) | 2023-02-28 | 2023-02-28 | 盐丘的识别方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116068640A true CN116068640A (zh) | 2023-05-05 |
Family
ID=86183849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310212572.5A Pending CN116068640A (zh) | 2023-02-28 | 2023-02-28 | 盐丘的识别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116068640A (zh) |
-
2023
- 2023-02-28 CN CN202310212572.5A patent/CN116068640A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Development of subsurface geological cross-section from limited site-specific boreholes and prior geological knowledge using iterative convolution XGBoost | |
Tahmasebi et al. | Multiple-point geostatistical modeling based on the cross-correlation functions | |
EP3371629B1 (en) | Representing structural uncertainty in a mesh representing a geological environment | |
EP1540585A1 (en) | Pattern recognition applied to oil exploration and production | |
CN102066980A (zh) | 地震层位骨架化 | |
EP2539844A2 (en) | Method and system for using multiple-point statistics simulation to model reservoir property trends | |
CN110414723B (zh) | 基于微震事件的裂缝油气藏历史拟合的方法、装置及系统 | |
US20230161061A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
Gardet et al. | Pattern-based conditional simulation with a raster path: a few techniques to make it more efficient | |
WO2022140717A9 (en) | Seismic embeddings for detecting subsurface hydrocarbon presence and geological features | |
CN114548299A (zh) | 一种地震相识别方法、装置、计算机设备及存储介质 | |
Bi et al. | DeepISMNet: Three-dimensional implicit structural modeling with convolutional neural network | |
Udegbe et al. | Big Data Analytics for Seismic Fracture Identification, Using Amplitude-Based Statistics | |
CN116068640A (zh) | 盐丘的识别方法、装置和计算机设备 | |
US20240127039A1 (en) | Geologic learning framework | |
CN115587537A (zh) | 基于多源异构数据的地质构造建模方法 | |
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 | |
Demyanov et al. | Reservoir modelling with feature selection: a kernel learning approach | |
CN114239655A (zh) | 地震相识别模型训练方法及装置、地震相预测方法及装置 | |
CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
Liu | Downscaling seismic data into a geologically sound numerical model | |
CN108108512B (zh) | 一种储层岩相的表征方法及装置 | |
Li et al. | Reservoir ranking map sketching for selection of infill and replacement drilling locations using machine learning technique | |
CA3108964C (en) | Petroleum play analysis and display | |
CN111542819A (zh) | 用于改进的地下数据处理系统的装置和方法 |
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 |