CN116449415A - 一种地震数据的波形处理方法、装置和相关设备 - Google Patents
一种地震数据的波形处理方法、装置和相关设备 Download PDFInfo
- Publication number
- CN116449415A CN116449415A CN202111651311.0A CN202111651311A CN116449415A CN 116449415 A CN116449415 A CN 116449415A CN 202111651311 A CN202111651311 A CN 202111651311A CN 116449415 A CN116449415 A CN 116449415A
- Authority
- CN
- China
- Prior art keywords
- waveform data
- seismic
- data
- waveform
- channel
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 78
- 238000007621 cluster analysis Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 44
- 230000009467 reduction Effects 0.000 claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 239000012530 fluid Substances 0.000 claims abstract description 14
- 239000010410 layer Substances 0.000 claims description 146
- 238000012549 training Methods 0.000 claims description 87
- 230000008569 process Effects 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 5
- 239000011229 interlayer Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000010587 phase diagram Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 230000008021 deposition Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地震数据的波形处理方法、装置和相关设备，该方法可以包括：对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据；将目标层的单道波形数据输入到预先训练的包含卷积神经网络和无监督聚类分析网络的深度神经网络模型，其中，目标层的单道波形数据经过卷积神经网络中的特征提取层，得到降维后的单道波形数据；将降维后的单道波形数据输入到无监督聚类分析网络，以确定地震数据中的波形差异性特征。该方法可以更加方便地提取不同地震波形之间的差异特征。利用地震波形更好地生成地震相图，有效帮助储层分布预测工作，为后续地震相分析、储层参数预测、流体识别等提供可靠支撑。
Description
技术领域
本发明涉及地震数据处理技术领域，特别涉及一种地震数据的波形处理方法、装置和相关设备。
背景技术
地震波形反映了地下的地质条件变化情况，不同的波形对应着不同地质特征类型，利用地震波形进行聚类分析的地震波形分类技术，是预测储层空间分布的一种有效而快捷的方法。传统的地震波形分类主要是采用模式识别方法对地震波形进行分类。通过划分典型地震模型道形状，神经网络算法的迭代更新，最终实际工区中的所有地震道进行划分，这些模型道代表整个区域目标层段地震道形状的多样性。地震波形分类的主要目的是建立地震信号的总体变化以及这种变化的分布规律与油气藏储层或流体分布之间的对应关系。
发明内容
发明人发现，在早期的算法中，通过无监督聚类技术来完成地震相分析。通常使用沿着目的层上下开时窗范围内的波形特征作为样本特征，然后采用K-means或者自组织映射等传统方法自动根据波形样本点特征对储层数据进行分类。但是典型的波形特征中存在大量的信息冗余，采用主成分分析(PCA)方法发对波形数据进行特征提取(压缩)，然后再进行聚类分析的过程，面临着特征提取数目难以确定的问题。
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种地震数据的波形处理方法、装置和相关设备。
第一方面，本发明实施例提供了一种地震数据的波形处理方法，可以包括：
对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据；
将所述目标层的单道波形数据输入到预先训练的包含卷积神经网络和无监督聚类分析网络的深度神经网络模型，其中，目标层的单道波形数据经过卷积神经网络中的特征提取层，得到降维后的单道波形数据；将所述降维后的单道波形数据输入到无监督聚类分析网络，以确定所述地震数据中的波形差异性特征。
可选的，所述对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据，可以包括：
提取所述地震数据中的两个目的层中层间不等时窗长度的地震波形数据；
对每道地震波形数据的波形长度进行统计，以确定所述地震波形数据的波形长度分布直方图；
将所有地震道的地震波形数据使用所述直方图中长度最大的波形长度进行插值处理，以得到具有相同最大波形长度的单道波形数据。
可选的，所述插值处理为近邻插值处理方法。
可选的，所述深度神经网络模型是通过下述步骤预先训练的：
获取训练样本集，所述样本集中的每个训练样本包括单道波形数据集、降维后的单道波形数据及其波形差异性特征；
用所述训练样本集中的训练样本对包含卷积神经网络和无监督聚类分析网络的深度神经网络模型进行训练，其中，目标层的单道波形数据输入到卷积神经网络进行特征提取的参数估计，降维后的单道波形数据输入到无监督聚类分析网络进行分类参数估计。
第二方面，本发明实施例提供了一种机器学习模型的训练方法，可以包括：
获取训练样本集，所述样本集中的每个训练样本包括单道波形数据集、降维后的单道波形数据及其波形差异性特征；
用所述训练样本集中的训练样本对包含卷积神经网络和无监督聚类分析网络的深度神经网络模型进行训练，其中，目标层的单道波形数据输入到卷积神经网络进行特征提取的参数估计，降维后的单道波形数据输入到无监督聚类分析网络进行聚类的参数估计。
可选的，所述获取训练样本集，具体可以包括：
对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据；
基于主成分分析法对所述单道波形数据进行分析，以得到降维后的单道波形数据；
对所述降维后的单道波形数据进行聚类分析，以确定所述单道波形数据的波形差异性特征；
将单道波形数据、降维后的单道波形数据及其波形差异性特征确定为一个训练样本，得到由训练样本构成的训练样本集。
可选的，所述对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据，可以包括：
提取地震的数据中的两个目的层中层间不等时窗长度的地震波形数据；
对每道地震波形数据的波形长度进行统计，以确定所述地震波形数据的波形长度分布直方图；
将所有地震道的地震波形数据使用所述直方图中长度最大的波形长度进行插值处理，以得到具有相同最大波形长度的单道波形数据。
可选的，所述插值处理为近邻插值处理方法。
可选的，所述卷积神经网络可以包括：下采样网络和上采样网络；
所述下采样网络依次包括：第一卷积层、第一批正则化层、第一最大池化层、第一参数优化层、第二卷积层、第二批正则化层、第二最大池化层和第三卷积层；
所述上采样网络依次包括：第一上采样层、第一融合接口、第三参数优化层、第四卷积层、第二上采样层、第二融合接口、第四参数优化层和第五卷积层；
所述第一上采样层基于双线性差值对上采样进行处理；
所述第一融合接口用于将第一上采样层的采样结果与第二卷积层的结果进行连接；
所述第二融合接口用于将第二上采样层的采样结果与第一卷积层的结果进行连接。
可选的，所述无监督聚类分析网络的中心点参数为：
其中，K*为聚类个数；mr为每一个聚类子类的中心；∑r为每一个聚类子类的协方差矩阵；r为下标索引。
第三方面，本发明实施例提供了一种基于地震数据中的波形差异性特征在地震相分析、储存参数预测和/或流体识别中的应用；
其中，所述地震数据中的波形差异性特征是根据第一方面所述的地震数据的波形处理方法得到的。
第四方面，本发明实施例提供了一种地震数据的波形处理装置，可以包括：
提取模块，用于对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据；
确定模块，用于将所述目标层的单道波形数据输入到预先训练的包含卷积神经网络和无监督聚类分析网络的深度神经网络模型，其中，目标层的单道波形数据经过卷积神经网络中的特征提取层，得到降维后的单道波形数据；将所述降维后的单道波形数据输入到无监督聚类分析网络，以确定所述地震数据中的波形差异性特征。
第五方面，本发明实施例提供了一种机器学习模型的训练装置，可以包括：
获取模块，用于获取训练样本集，所述样本集中的每个训练样本包括单道波形数据集、降维后的单道波形数据及其波形差异性特征；
训练模块，用于用所述训练样本集中的训练样本对包含卷积神经网络和无监督聚类分析网络的深度神经网络模型进行训练，其中，目标层的单道波形数据输入到卷积神经网络进行特征提取的参数估计，降维后的单道波形数据输入到无监督聚类分析网络进行聚类的参数估计。
第六方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面所述的地震数据的波形处理方法，或实现如第二方面所述的机器学习模型的训练方法，或实现如第三方面所述的基于地震数据中的波形差异性特征在地震相分析、储存参数预测和/或流体识别中的应用。
第七方面，本发明实施例提供了一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的地震数据的波形处理方法，或实现如第二方面所述的机器学习模型的训练方法，或实现如第三方面所述的基于地震数据中的波形差异性特征在地震相分析、储存参数预测和/或流体识别中的应用。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供了一种地震数据的波形处理方法、装置和相关设备，该方法可以包括：对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据；将所述目标层的单道波形数据输入到预先训练的包含卷积神经网络和无监督聚类分析网络的深度神经网络模型，其中，目标层的单道波形数据经过卷积神经网络中的特征提取层，得到降维后的单道波形数据；将所述降维后的单道波形数据输入到无监督聚类分析网络，以确定所述地震数据中的波形差异性特征。
本发明实施例提供的上述方法较好的探索和应用了基于深度学习的自编码卷积网络和聚类分析方法相结合的地震波形特征自动提取信息，可以更加方便地提取不同地震波形之间的差异特征。利用地震波形更好地生成地震相图，有效帮助储层分布预测工作。以规避传统聚类分析方法存在的问题，及其对油气预测影响，最终提高油气预测精度，降低研究目标的钻探风险，为油气田高效勘探开发提供可靠数据。进一步的，通过预先训练的深度神经网络模型对地震数据进行压缩和特征提取，提取出波形特征的最大差异性特征，为后续地震相分析、储层参数预测、流体识别等提供可靠支撑。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1中提供的机器学习模型的训练方法的流程示意图；
图2为本发明实施例1中提供的提取目标层的单道波形数据的流程示意图；
图3为本发明实施例1中提供的步骤S21的具体流程图；
图4为本发明实施例1中提供的深度神经网络的模型示意图；
图5为本发明实施例1中提供的机器学习模型的训练的具体流程示意图；
图6为本发明实施例1中提供的机器学习模型的训练装置的结构示意图；
图7为本发明实施例2中提供的地震数据的波形处理方法的流程示意图；
图8为本发明实施例2中提供的自动特征提取与自动波形聚类得到的河道效果的示例；
图9为本发明实施例2中提供的地震数据的波形处理装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例1
本发明实施例1中提供了一种机器学习模型的训练方法，参照图1所示，该方法可以包括以下步骤：
步骤S11、获取训练样本集，样本集中的每个训练样本包括单道波形数据集、降维后的单道波形数据及其波形差异性特征。
步骤S12、用训练样本集中的训练样本对包含卷积神经网络和无监督聚类分析网络的深度神经网络模型进行训练，其中，目标层的单道波形数据输入到卷积神经网络进行特征提取的参数估计，降维后的单道波形数据输入到无监督聚类分析网络进行聚类的参数估计。
需要说明的是，本发明实施例中的上述卷积神经网络为U-net类型的自编码卷积神经网络。
本发明实施例中提供的上述机器学习模型的训练方法，通过自编码卷积神经网络和无监督聚类分析网络结合，即自编码卷积神经网络对地震数据进行压缩后，得到降维后的地震数据进行无监督聚类分析网络进行特征提取，以提取出波形特征的最大差异性特征，为后续地震相分析、储层参数预测、流体识别等提供可靠支撑。
上述步骤S11中，参照图2所示，获取训练样本集，具体可以包括以下步骤：
步骤S21、对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据。
本步骤是对地震数据目标层的单道波形数据进行提取，提取的过程中可以中通过沿着解释人员事先给定的目的层l0，沿层上、下开相同长度Δt时窗，进而可以根据时窗长度提取具有相同采样点的单道波形数据。发明人发现，该种方式提取的单道波形数据不能完全符合地质沉积规律，如果只沿着某一个层位上下选取等长度的视窗，那就可能认为沿着这个层的环境是一样的，导致地质沉积发生变化时，无法准确预测地质沉积的地层走向等。
因此，本申请发明人创新性地提出了以下自适应局部均值化采样处理方法，参照图3所示，具体可以包括以下步骤：
步骤S211、提取地震的数据中的两个目的层中层间不等时窗长度的地震波形数据。
本步骤中，沿着给定的上下两个目的层l1和l2，提取层间不等时窗长度(分别设为Δtup和Δtdown)的地震波形数据T是地震道的总数，i是地震道索引变量。
步骤S212、对每道地震波形数据的波形长度进行统计，以确定地震波形数据的波形长度分布直方图。
本步骤中，对每道地震波形数据si的波形长度len_si进行统计，得到地震波形数据si波形长度len_si分布的直方图mapS。
步骤S213、将所有地震道的地震波形数据使用直方图中长度最大的波形长度进行插值处理，以得到具有相同最大波形长度的单道波形数据。
本步骤中，从上述直方图mapS中找到长度最大的分布对应的长度len_s*。将所有的si按照len_s*长度采用近邻插值处理的方式进行插值(插值点的数值采用与它最近的点的值代替)，最终将数据集合转化得到具有相同长度len_s*的数据集合/>
通过上述步骤得到的目标层的单道波形数据更加符合地质沉积规律，对提取的差异性特征更加准确。
步骤S22、基于主成分分析法对单道波形数据进行分析，以得到降维后的单道波形数据。本步骤中，在获得训练样本时，可以使用主成分分析法(PCA)对单道波形数据进行分析，以剔除波形特征中大量的冗余信息，进而得到降维后的单道波形数据。
步骤S23、对降维后的单道波形数据进行聚类分析，以确定单道波形数据的波形差异性特征。本步骤中，在获取训练样本时，可以使用已有的聚类分析手段获得单道波形数据的波形差异特征。
步骤S24、将单道波形数据、降维后的单道波形数据及其波形差异性特征确定为一个训练样本，得到由训练样本构成的训练样本集。
本发明实施例中的上述训练样本集的获取过程，其中包括提取目标层的单道波形数据，以及基于该单道波形数据压缩后的降维单道波形数据，以及基于降维后的单道波形数据进行聚类提取的波形差异性特征，将其作为一个训练样本，以构成训练样本集。
在另一个可选的实施例中，为了进行地震波形特征提取，首先需要定义每一个输入的模糊退化属性与相应的输出/>之间的对应关系，其简单地表达形式为目标函数：
其中，函数和/>分别为需要模拟的算子，在本实施例中发明人采用神经网络模型进行模拟，/>为上文得到的采用后的单道波形数据样本集合。为了使函数/>和/>不是简单地恒等变换，在算法的初始阶段，需要加入随机噪声对网络模型进行初始化，在算法过程中需要加入Dropout操作，使算法不等于恒等变换，及如下表示：
其中，和/>分别为网络对应的随机噪声扰动操作。
在另一个可选的实施例中，上述卷积神经网络(U-net网络)netauto主要由卷积层、池化层、批正则化曾、上采样层和跳跃层组成，其中跳跃层可以合并多尺度特征。具体结构为：conv1(包括三个卷积核，采用3*3的卷积核，相同尺度卷积)，norm1(批正则化)，maxpool1(采用最大池化)，dropout1(参数优化层)，conv2(包括三个卷积核，采用3*3的卷积核，相同尺度卷积)，norm2(批正则化)，maxpool2(采用最大池化)，conv3(包括三个卷积核，采用3*3的卷积核，相同尺度卷积)，dropout3(参数优化层)，uppool1(采用双线性插值上采样)，fuse1(将uppool上采样结果与conv2的结果采用并排连接concat操作进行连接)，conv4(4卷积核，采用3*3的卷积核，相同尺度卷积)，uppool2(采用双线性插值上采样)，fuse2(将上采样uppool2结果与conv1的结果采用并排连接concat操作进行连接)，conv5(5卷积核，采用3*3的卷积核，相同尺度卷积)，采用1*1*c(c为通道数)的全卷积的到最后的融合结果。
该网络主要有两部分组成，其架构可以包括：下采样网络和上采样网络；即conv1+norm1+maxpool1+dropout1+conv2+norm2+maxpool2+conv3下采样网络netdown和uppool1+fuse1+dropout3+conv4+uppool2+fuse2+dropout4+conv5上采样网络netup组成。下采样网络依次包括：第一卷积层、第一批正则化层、第一最大池化层、第一参数优化层、第二卷积层、第二批正则化层、第二最大池化层和第三卷积层；上采样网络依次包括：第一上采样层、第一融合接口、第三参数优化层、第四卷积层、第二上采样层、第二融合接口、第四参数优化层和第五卷积层；
上述网络结构类似于端到端的自组织类型的网络结构，输入为地震波形数据其输出也是地震波形数据/>netdown和netup共同组成了整个网络netauto，该网络是一个自输入/>和自输出/>的网络结构。通过网络学习，/>在netdown网络中被降维(特征提取)，能够通过netup被还原。网络netdown通过计算输出结果为提取样本数据集合/>中各个/>波形压缩后的特征信息/>该方法为后续的无监督聚类分析的情况下建立一种从自身波形特征出发的特征提取过程，每一个优化后的地震道/>都由一个网络netdown输出的压缩特征/>和上采样网络netup的输出结果/>与之对应。
在另一个可选的实施例中，无监督聚类分析网络的中心点参数为：
其中，K*为聚类个数；mr为每一个聚类子类的中心；∑r为每一个聚类子类的协方差矩阵；r为下标索引。
1)本发明实施例中使用的是自适应K-means无监督聚类网络
发明人发现现有的K-means无监督聚类网络主要缺点是聚类的个数K*必须在算法运算前给定，算法运算过程中不能更改聚类个数K*。为了让K-means算法适合于深度学习过程，我们在将K-means的中心点参数其中，mr为每一个聚类子类的中心，∑r优化为每一个聚类子类的协方差矩阵，r为下标索引。进行优化的同时，将聚类个数K*也进行优化，及每次在一定范围[Ks,Ke]内，Ks和Ke分别由解释人员根据实际工区情况事先给定，它们表示在聚类过程中，子类数量的上下界。计算不同的K*聚类之后的类内离散度/>和类间离散度/>选择/>最大的那个K*所对应的误差/>反向传播的合并网络。
最后基于上述卷积神经网络和无监督聚类分析网络建立聚类分析与特征提取合并网络，即深度神经网络模型。
合并网络的作用在提取每个优化后的地震到的特征，并将它们进行组合聚类分析，生成最终的分类结果/>该网络模型的图示如图4所示，其最大的创新点在于采用无监督聚类分析网络对卷积神经网络中输出的/>进行聚类，并计算聚类的误差上述自编码网络的输出结果/>与数据集合/>之间的误差组成，并且设总的误差函数为：/>组成，其中参数α和参数β分别为两个步骤产生误差所占总误差的权重参数，可以根据实际的工区事先设定。
结合图5所示，本发明实施例通过获取全工区的地震波形，用已有的中值滤波算法对地震数据进行去噪预处理；然后对每一道地震波形采用局部均值分解进行特征提取；将上述单道波形数据放入自编码器网络中进行训练后，用训练好的网络模型输出编码器的结果进行聚类分析，根绝分类结果调整和更新权重；直到算法稳定，获得压缩后的特征数据；用训练好的网络模型对所有地震波形进行分类处理。
基于同一发明构思，本发明实施例中还提供了一种机器学习模型的训练装置，参照图6所示，该装置可以包括：获取模块61和训练模块62，其工作原理如下：
获取模块61用于获取训练样本集，所述样本集中的每个训练样本包括单道波形数据集、降维后的单道波形数据及其波形差异性特征；
训练模块62用于用所述训练样本集中的训练样本对包含卷积神经网络和无监督聚类分析网络的深度神经网络模型进行训练，其中，目标层的单道波形数据输入到卷积神经网络进行特征提取的参数估计，降维后的单道波形数据输入到无监督聚类分析网络进行聚类的参数估计。
在一个可选的实施例中，上述获取模块61具体用于：
对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据；
基于主成分分析法对所述单道波形数据进行分析，以得到降维后的单道波形数据；
对所述降维后的单道波形数据进行聚类分析，以确定所述单道波形数据的波形差异性特征；
将单道波形数据、降维后的单道波形数据及其波形差异性特征确定为一个训练样本，得到由训练样本构成的训练样本集。
在另一个可选的实施例中，上述获取模块61在提取目标层的单道波形数据时，具体用于：
提取地震的数据中的两个目的层中层间不等时窗长度的地震波形数据；
对每道地震波形数据的波形长度进行统计，以确定所述地震波形数据的波形长度分布直方图；
将所有地震道的地震波形数据使用所述直方图中长度最大的波形长度进行插值处理，以得到具有相同最大波形长度的单道波形数据。其中，上述插值处理为近邻插值处理方法。
在另一个可选的实施例中，上述训练模块62中的卷积神经网络可以包括：下采样网络和上采样网络；
所述下采样网络依次包括：第一卷积层、第一批正则化层、第一最大池化层、第一参数优化层、第二卷积层、第二批正则化层、第二最大池化层和第三卷积层；
所述上采样网络依次包括：第一上采样层、第一融合接口、第三参数优化层、第四卷积层、第二上采样层、第二融合接口、第四参数优化层和第五卷积层；
所述第一上采样层基于双线性差值对上采样进行处理；
所述第一融合接口用于将第一上采样层的采样结果与第二卷积层的结果进行连接；
所述第二融合接口用于将第二上采样层的采样结果与第一卷积层的结果进行连接。
在另一个可选的实施例中，上述训练模块62中的无监督聚类分析网络的中心点参数为：
其中，K*为聚类个数；mr为每一个聚类子类的中心；∑r为每一个聚类子类的协方差矩阵；r为下标索引。
基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述机器学习模型的训练方法。
基于同一发明构思，本发明实施例中还提供了一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述机器学习模型的训练方法。
本发明实施例中的上述装置、介质、相关设备所解决问题的原理与前述方法相似，因此其实施可以参见前述方法的实施，重复之处不再赘述。
实施例2
本发明实施例2中提供了一种地震数据的波形处理方法，参照图7所示，
步骤S71、对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据。
步骤S72、将目标层的单道波形数据输入到预先训练的包含卷积神经网络和无监督聚类分析网络的深度神经网络模型，其中，目标层的单道波形数据经过卷积神经网络中的特征提取层，得到降维后的单道波形数据；将降维后的单道波形数据输入到无监督聚类分析网络，以确定地震数据中的波形差异性特征。
需要说明的是，本发明实施例中的上述预先训练的包含卷积神经网络和无监督聚类分析网络的深度神经网络模型，可以是根据实施例1中的方法提前训练好的，也可以是通过其他方式训练的，本发明实施例对此并不作具体限定。
本发明实施例提供的上述方法较好的探索和应用了基于深度学习的自编码卷积网络和聚类分析方法相结合的地震波形特征自动提取信息，可以更加方便地提取不同地震波形之间的差异特征。利用地震波形更好地生成地震相图，有效帮助储层分布预测工作。以规避传统聚类分析方法存在的问题，及其对油气预测影响，最终提高油气预测精度，降低研究目标的钻探风险，为油气田高效勘探开发提供可靠数据。进一步的，通过预先训练的深度神经网络模型对地震数据进行压缩和特征提取，提取出波形特征的最大差异性特征，为后续地震相分析、储层参数预测、流体识别等提供可靠支撑。
以某工区实际三维地震资料为例，参照图8所示，本方案自动特征提取与自动波形聚类得到的河道效果，可以看到，本发明实施例提供的上述方法提取时取得了较好的效果。
在一个可选的实施例中，对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据，包括：
提取地震数据中的两个目的层中层间不等时窗长度的地震波形数据；
对每道地震波形数据的波形长度进行统计，以确定地震波形数据的波形长度分布直方图；
将所有地震道的地震波形数据使用直方图中长度最大的波形长度进行插值处理，以得到具有相同最大波形长度的单道波形数据。
在另一个可选的实施例中，插值处理为近邻插值处理方法。
在另一个可选的实施例中，上述深度神经网络模型是通过下述步骤预先训练的：
获取训练样本集，样本集中的每个训练样本包括单道波形数据集、降维后的单道波形数据及其波形差异性特征；
用训练样本集中的训练样本对包含卷积神经网络和无监督聚类分析网络的深度神经网络模型进行训练，其中，目标层的单道波形数据输入到卷积神经网络进行特征提取的参数估计，降维后的单道波形数据输入到无监督聚类分析网络进行分类参数估计。
基于同一发明构思，本发明实施例中还提供了一种地震数据的波形处理装置，参照图9所示，该装置可以包括：提取模块91和确定模块92，其工作原理如下：
提取模块91用于对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据；
确定模块92用于将所述目标层的单道波形数据输入到预先训练的包含卷积神经网络和无监督聚类分析网络的深度神经网络模型，其中，目标层的单道波形数据经过卷积神经网络中的特征提取层，得到降维后的单道波形数据；将所述降维后的单道波形数据输入到无监督聚类分析网络，以确定所述地震数据中的波形差异性特征。
基于同一发明构思，本发明实施例中还提供了一种基于地震数据中的波形差异性特征在地震相分析、储存参数预测和/或流体识别中的应用；
其中，所述地震数据中的波形差异性特征是根据上述地震数据的波形处理方法得到的。
基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述地震数据的波形处理方法，或实现上述基于地震数据中的波形差异性特征在地震相分析、储存参数预测和/或流体识别中的应用。
基于同一发明构思，本发明实施例中还提供了一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述地震数据的波形处理方法，或实现上述基于地震数据中的波形差异性特征在地震相分析、储存参数预测和/或流体识别中的应用。
本发明实施例中的上述装置、介质、相关设备所解决问题的原理与前述方法相似，因此其实施可以参见前述方法的实施，重复之处不再赘述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (15)
1.一种地震数据的波形处理方法，其特征在于，包括：
对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据；
将所述目标层的单道波形数据输入到预先训练的包含卷积神经网络和无监督聚类分析网络的深度神经网络模型，其中，目标层的单道波形数据经过卷积神经网络中的特征提取层，得到降维后的单道波形数据；将所述降维后的单道波形数据输入到无监督聚类分析网络，以确定所述地震数据中的波形差异性特征。
2.根据权利要求1所述的方法，其特征在于，所述对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据，包括：
提取所述地震数据中的两个目的层中层间不等时窗长度的地震波形数据；
对每道地震波形数据的波形长度进行统计，以确定所述地震波形数据的波形长度分布直方图；
将所有地震道的地震波形数据使用所述直方图中长度最大的波形长度进行插值处理，以得到具有相同最大波形长度的单道波形数据。
3.根据权利要求2所述的方法，其特征在于，所述插值处理为近邻插值处理方法。
4.根据权利要求1～3中任一项所述的方法，其特征在于，所述深度神经网络模型是通过下述步骤预先训练的：
获取训练样本集，所述样本集中的每个训练样本包括单道波形数据集、降维后的单道波形数据及其波形差异性特征；
用所述训练样本集中的训练样本对包含卷积神经网络和无监督聚类分析网络的深度神经网络模型进行训练，其中，目标层的单道波形数据输入到卷积神经网络进行特征提取的参数估计，降维后的单道波形数据输入到无监督聚类分析网络进行分类参数估计。
5.一种机器学习模型的训练方法，其特征在于，包括：
获取训练样本集，所述样本集中的每个训练样本包括单道波形数据集、降维后的单道波形数据及其波形差异性特征；
用所述训练样本集中的训练样本对包含卷积神经网络和无监督聚类分析网络的深度神经网络模型进行训练，其中，目标层的单道波形数据输入到卷积神经网络进行特征提取的参数估计，降维后的单道波形数据输入到无监督聚类分析网络进行聚类的参数估计。
6.根据权利要求5所述的方法，其特征在于，所述获取训练样本集，具体包括：
对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据；
基于主成分分析法对所述单道波形数据进行分析，以得到降维后的单道波形数据；
对所述降维后的单道波形数据进行聚类分析，以确定所述单道波形数据的波形差异性特征；
将单道波形数据、降维后的单道波形数据及其波形差异性特征确定为一个训练样本，得到由训练样本构成的训练样本集。
7.根据权利要求5所述的方法，其特征在于，所述对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据，包括：
提取地震的数据中的两个目的层中层间不等时窗长度的地震波形数据；
对每道地震波形数据的波形长度进行统计，以确定所述地震波形数据的波形长度分布直方图；
将所有地震道的地震波形数据使用所述直方图中长度最大的波形长度进行插值处理，以得到具有相同最大波形长度的单道波形数据。
8.根据权利要求7所述的方法，其特征在于，所述插值处理为近邻插值处理方法。
9.根据权利要求5～8中任一项所述的方法，其特征在于，所述卷积神经网络包括：下采样网络和上采样网络；
所述下采样网络依次包括：第一卷积层、第一批正则化层、第一最大池化层、第一参数优化层、第二卷积层、第二批正则化层、第二最大池化层和第三卷积层；
所述上采样网络依次包括：第一上采样层、第一融合接口、第三参数优化层、第四卷积层、第二上采样层、第二融合接口、第四参数优化层和第五卷积层；
所述第一上采样层基于双线性差值对上采样进行处理；
所述第一融合接口用于将第一上采样层的采样结果与第二卷积层的结果进行连接；
所述第二融合接口用于将第二上采样层的采样结果与第一卷积层的结果进行连接。
10.根据权利要求5～8中任一项所述的方法，其特征在于，所述无监督聚类分析网络的中心点参数为：
其中，K*为聚类个数；mr为每一个聚类子类的中心；∑r为每一个聚类子类的协方差矩阵；r为下标索引。
11.一种基于地震数据中的波形差异性特征在地震相分析、储存参数预测和/或流体识别中的应用；
其中，所述地震数据中的波形差异性特征是根据权利要求1～4中任一项所述的地震数据的波形处理方法得到的。
12.一种地震数据的波形处理装置，其特征在于，包括：
提取模块，用于对地震数据使用自适应局部均值化采样处理，以提取目标层的单道波形数据；
确定模块，用于将所述目标层的单道波形数据输入到预先训练的包含卷积神经网络和无监督聚类分析网络的深度神经网络模型，其中，目标层的单道波形数据经过卷积神经网络中的特征提取层，得到降维后的单道波形数据；将所述降维后的单道波形数据输入到无监督聚类分析网络，以确定所述地震数据中的波形差异性特征。
13.一种机器学习模型的训练装置，其特征在于，包括：
获取模块，用于获取训练样本集，所述样本集中的每个训练样本包括单道波形数据集、降维后的单道波形数据及其波形差异性特征；
训练模块，用于用所述训练样本集中的训练样本对包含卷积神经网络和无监督聚类分析网络的深度神经网络模型进行训练，其中，目标层的单道波形数据输入到卷积神经网络进行特征提取的参数估计，降维后的单道波形数据输入到无监督聚类分析网络进行聚类的参数估计。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～4中任一项所述的地震数据的波形处理方法，或实现如权利要求5～10中任一项所述的机器学习模型的训练方法，或实现如权利要求11所述的基于地震数据中的波形差异性特征在地震相分析、储存参数预测和/或流体识别中的应用。
15.一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～4中任一项所述的地震数据的波形处理方法，或实现如权利要求5～10中任一项所述的机器学习模型的训练方法，或实现如权利要求11所述的基于地震数据中的波形差异性特征在地震相分析、储存参数预测和/或流体识别中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111651311.0A CN116449415A (zh) | 2021-12-30 | 2021-12-30 | 一种地震数据的波形处理方法、装置和相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111651311.0A CN116449415A (zh) | 2021-12-30 | 2021-12-30 | 一种地震数据的波形处理方法、装置和相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116449415A true CN116449415A (zh) | 2023-07-18 |
Family
ID=87124238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111651311.0A Pending CN116449415A (zh) | 2021-12-30 | 2021-12-30 | 一种地震数据的波形处理方法、装置和相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449415A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116626753A (zh) * | 2023-07-25 | 2023-08-22 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及系统 |
-
2021
- 2021-12-30 CN CN202111651311.0A patent/CN116449415A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116626753A (zh) * | 2023-07-25 | 2023-08-22 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及系统 |
| CN116626753B (zh) * | 2023-07-25 | 2023-10-13 | 东北石油大学三亚海洋油气研究院 | 一种基于多模态神经网络的微地震事件识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Intelligent monitoring and diagnostics using a novel integrated model based on deep learning and multi-sensor feature fusion | |
| CN107545577B (zh) | 基于神经网络的沉积相图像分割方法 | |
| CN110929029A (zh) | 一种基于图卷积神经网络的文本分类方法及系统 | |
| Wang et al. | Multifocus image fusion using convolutional neural networks in the discrete wavelet transform domain | |
| CN111649779B (zh) | 基于密集神经网络的油井含油率和总流速测量方法及应用 | |
| He et al. | Application of CNN‐LSTM in Gradual Changing Fault Diagnosis of Rod Pumping System | |
| You et al. | An efficient lightweight neural network using BiLSTM-SCN-CBAM with PCA-ICEEMDAN for diagnosing rolling bearing faults | |
| Bagheri et al. | Seismic facies analysis from well logs based on supervised classification scheme with different machine learning techniques | |
| CN108596044B (zh) | 基于深度卷积神经网络的行人检测方法 | |
| CN112861931A (zh) | 一种基于差异注意力神经网络的多级别变化检测方法 | |
| CN114898160B (zh) | 基于多任务的断层智能识别方法 | |
| CN114034486A (zh) | 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 | |
| CN113313000A (zh) | 一种基于光学图像的气液两相流智能识别方法 | |
| CN110516569B (zh) | 一种基于身份和非身份属性交互学习的行人属性识别方法 | |
| CN112016477A (zh) | 一种基于深度学习的测井沉积微相识别方法 | |
| CN116449415A (zh) | 一种地震数据的波形处理方法、装置和相关设备 | |
| CN114037699B (zh) | 一种病理图像分类方法、设备、系统及存储介质 | |
| Drass et al. | Semantic segmentation with deep learning: detection of cracks at the cut edge of glass | |
| CN114548299A (zh) | 一种地震相识别方法、装置、计算机设备及存储介质 | |
| EP3588441B1 (en) | Imagification of multivariate data sequences | |
| Lei et al. | Convolutional recurrent neural networks based waveform classification in seismic facies analysis | |
| CN113625336B (zh) | 一种基于全卷积神经网络的地震波阻抗薄层反演方法 | |
| CN114118162A (zh) | 基于改进深度森林算法的轴承故障检测方法 | |
| CN116911432A (zh) | 用于水平井产能的预测方法、存储介质及处理器 | |
| Saraswathi et al. | RETRACTED ARTICLE: Adaptive supervised multi-resolution approach based modeling of performance improvement in satellite image classification |
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 |