CN117172082A - 利用深度神经网络进行地震数据重建的方法 - Google Patents
利用深度神经网络进行地震数据重建的方法 Download PDFInfo
- Publication number
- CN117172082A CN117172082A CN202210562077.2A CN202210562077A CN117172082A CN 117172082 A CN117172082 A CN 117172082A CN 202210562077 A CN202210562077 A CN 202210562077A CN 117172082 A CN117172082 A CN 117172082A
- Authority
- CN
- China
- Prior art keywords
- data
- seismic data
- neural network
- training
- reconstruction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000004347 surface barrier Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种利用深度神经网络进行地震数据重建的方法,包括:步骤1,进行地震数据网格化预处理;步骤2,进行训练集和测试集的准备;步骤3,搭建卷积自编码器神经网络;步骤4,进行卷积自编码器神经网络的训练、测试和参数调整;步骤5,应用训练好的卷积自编码器神经网络进行地震数据重建。该利用深度神经网络进行地震数据重建的方法能够充分利用地震数据多维空间特征信息,突破了现有深度神经网络只能利用二维、三维数据特征信息进行数据重建的框架,不需要人机交互的人工阈值设定,避免了传统地震数据重建方法中的数学模型约束和物理模型约束,训练完成后可以快速有效的应用于大批量的地震数据重建处理中。
Description
技术领域
本发明涉及石油地球物理勘探技术领域,特别是涉及到一种利用深度神经网络进行地震数据重建的方法。
背景技术
地表障碍物对采集条件的限制,洋流对海上拖缆采集的影响,不同观测系统区块连片处理,都会使观测系统在空间分布上存在不规则性,此时,需要对地震数据进行重建。地震数据重建方法是利用地震记录中已有的数据信息,对其中随机缺失的地震道数据进行预测重建,从而恢复出完整采样的地震数据。传统的地震数据插值重建方法可大致分为四类:基于预测滤波的方法、基于波动方程的方法、基于数学变换的方法和基于压缩感知的方法。上述四类地震数据重建方法均需要一定的假设前提和先验信息,容易对部分有效信号产生损伤,且面对大数据量时计算效率不足。
近年来,随着深度学习的研究不断深入,发展了基于GAN对抗网络和DNCNN深度卷积神经网络的图像超分辨率处理方法,但普通的用于图像处理的深度学习模型如果直接用于地震数据重建容易引起地震信号失真,在地震数据缺失比例严重时尤为明显。
实际上,地震数据的缺失过程是随机发生的,难以用确定性的数学物理公式进行描述。地震数据是对地下固定区域进行多尺度、多角度地震观测得到的,因此采集到的地震数据虽然来源于时间、空间(水平面上直角坐标系,代表两个维度)组成的三维空间,但根据震源和检波点的相对位置又可进一步细分出偏移距和方位角维度,从而细分为五维数据体,常规的深度学习进行地震数据重建时往往只利用了其中的部分维度,例如处理炮集数据时,数据按时间和检波点在地表的空间位置进行排序得到三维数据体,以炮为单位进行数据重建,无法拓展利用其他炮的数据信息进行数据重建。如果深度网络只学习部分维度的数据特征,那么在数据重构时就很容易产生信号畸变。
目前地震数据冲击算法包括基于预测滤波的方法、基于波动方程的方法、基于数学变换的方法和基于压缩感知的方法,这四类地震数据重建方法均需要一定的假设前提和先验信息,容易对部分有效信号产生损伤,且面对大数据量时计算效率不足。常规的基于深度学习的地震数据重建时,输入数据将数据缺失部分用空白数据占位代替,输出的重建数据补充了空白部分,大小与输入数据相同,只考虑了部分数据维度上的数据特征,因此容易产生重建结果失真。
在申请号:CN202011233514.3的中国专利申请中,涉及到地震数据的重建方法、装置、电子设备及可读存储介质,所述重建方法包括:基于获取的待重建地震数据的地域范围的地质属性,构建深度学习网络;基于构建好的深度学习网络的网络结构,以及深度学习网络中的多个初始参数,构建归一化误差函数;基于获取到的多个样本地震数据和所述归一化误差函数,对所述深度学习网络进行训练,得到训练好的地震数据重建模型;将所述待重建地震数据输入至所述地震数据重建模型,得到重建后的地震数据。这样,通过构建地震数据重建模型,完成对地震数据的重建,有助于提高地震数据重建准确率和精度。
在申请号:CN201910591075.4的中国专利申请中,涉及到一种基于纹理约束的U-net网络进行地震数据重建的方法,包括:S1、利用K-means算法对训练数据集进行分割,获得训练数据的纹理标签;S2、通过训练数据集和纹理标签训练U-net网络作为纹理提取器,得到优化的纹理提取器参数;S3、将训练好的纹理提取器与重建网络串联,采用优化的纹理提取器参数,提取重建标签和重建地震数据的纹理信息,获得纹理损失;S4、通过纹理损失优化重建网络后进行地震数据重建。该发明结合地震数据具有丰富的纹理信息这一特点,通过强化对纹理的学习可以在有限样本的情况下提高地震同相轴的重建准确度和连续性。
在申请号:CN202110645817.4的中国专利申请中,涉及到一种地震数据重建方法、装置、设备及介质,应用于地震勘探技术领域,用以解决现有技术中存在的高密度地震数据的采集成本较高、勘探精度较低的问题。具体为:利用各个地质模型的稀疏地震数据和高密度地震数据,对表征稀疏地震数据和高密度地震数据的非线性映射关系的深度神经网络模型进行训练,使得最终训练出的地震数据重建模型可以根据待重建的稀疏地震数据获得高密度地震数据,从而实现了地震数据的重建,进而降低了高密度地震数据的采集成本,提升了高密度地震数据的勘探精度。
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利用深度神经网络进行地震数据重建的方法。
发明内容
本发明的目的是提供一种训练完成后可以快速有效的应用于大批量的地震数据重建处理中的利用深度神经网络进行地震数据重建的方法。
本发明的目的可通过如下技术措施来实现:利用深度神经网络进行地震数据重建的方法,该利用深度神经网络进行地震数据重建的方法包括:
步骤1,进行地震数据网格化预处理;
步骤2,进行训练集和测试集的准备;
步骤3,搭建卷积自编码器神经网络;
步骤4,进行卷积自编码器神经网络的训练、测试和参数调整;
步骤5,应用训练好的卷积自编码器神经网络进行地震数据重建。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,根据地震数据特点建立时间、空间、偏移距、方位角五个维度的数据网格,网格在这五个维度上是等间隔的,将需要进行重建的地震数据根据自身维度属性放入五维数据网格中。
在步骤1中,数据全部放入网格后存在三种情况:有的网格为空,代表该网格内的数据需要通过重建被补充;有的网格只有一个数据;有的网格有多个数据。
在步骤1中,当同一网格有多个数据时,要将数据进行归一化合并,保证每个网格内只有一个数据。
在步骤2中,从五维数据网格中抽取部分数据作为训练集和测试集,抽取的数据在各个维度上的大小要一致且连续,训练集用于神经网络模型的训练,测试集用于神经网络模型的测试。
在步骤2中,根据抽取数据制作标签用于模型训练,标签相对抽取的多维数据在时间、空间维度上大小一致,在偏移距和方位角维度上要小于抽取的多维数据。
在步骤3中,搭建的卷积自编码器神经网络由不同大小卷积核的卷积层、最大池化层、LeakyReLU激活函数层和上采样层这些模块串并联组成。
在步骤4中,网络训练的初始学习率设置为0.001,卷积层的权值矩阵采用正态分布矩阵进行初始化,卷积层的偏置参数初始化为0;训练轮次参数则具体视训练和测试的结果而定。
在步骤4中,将步骤2中准备的训练集数据作为输入,使用初始参数网络对数据进行处理得到训练集重建结果,将该结果与训练集标签进行对比,根据二者差异使用损失函数对网络参数进行修正,然后用训练集数据作为输入,使用修正参数后的网络对数据处理,如此迭代至网络输出重建结果与标签残差满足设定值或迭代至设定的最大次数,此时完成网络训练得到训练后网络;将测试集数据作为输入,用训练后网络进行处理得到重建结果,根据处理效果可判断网络训练效果。
在步骤4中,网络训练过程的损失函数为:
其中W为网络权重参数,y表示缺道地震数据,f(y)表示用神经网络重建的地震数据,x为完整地震数据,λ为加权系数。
在步骤5中,如果步骤4中测试集数据处理效果良好,可以应用训练后的神经网络进行地震数据重建;首先按照训练集数据的准备方法对需要应用的地震数据进行处理,然后将处理结果作为输入,用训练后网络处理得到重建结果,最后将重建结果合并为最终结果。
本发明提供一种高效的地震数据重建方法,该方法将深度学习技术引入到地震数据重建处理中,提出了一种基于卷积自编码器神经网络的地震数据重建方法。本发明不需要人机交互的人工阈值设定,避免了传统地震数据重建方法中的数学模型约束和物理模型约束,训练完成后可以快速有效的应用于大批量的地震数据重建处理中。现有的数据重建深度神经网络由于网络结构限制,只能处理三维数据体重建,其依据是地震数据同相轴在时-空域中的连续性,当数据在局部缺失较多或同相轴杂乱时,重建效果会受到严重影响。本发明的深度神经网络能够获取五维数据特征并对三维数据体进行数据重建,能够充分利用地震数据多维空间特征信息,重建时可参照的数据信息更多,能够提高数据重建的保真度。该方法突破了现有深度神经网络只能利用二维、三维数据特征信息进行数据重建的框架,不需要人机交互的操作经验,避免了传统地震数据重建方法中基于各种假设和近似的约束,网络模型一经训练完成后可以应用于地震数据重建处理中。
附图说明
图1为本发明的一具体实施例中卷积自编码器模型的网络架构的示图;
图2为本发明的一具体实施例中图1中W的具体结构的示意图;
图3为本发明的一具体实施例中卷积自编码器神经网络的训练和测试流程图;
图4为本发明的一具体实施例中预处理后训练集数据在4个方位角和不同偏移距维度的展示图;
图5为本发明的一具体实施例中预处理后训练集数据对应标签在4个方位角和不同偏移距维度的展示图;
图6为本发明的一具体实施例中网络训练后训练集输出结果在4个方位角和不同偏移距维度的展示图;
图7为本发明的一具体实施例中测试集数据的重建结果的示意图;
图8为本发明的一具体实施例中实际地震数据CMP道集的示意图;
图9为本发明的一具体实施例中实际地震数据网格化并随机缺道后在偏移距1800m、方位角20°维度上的数据的示意图;
图10为本发明的一具体实施例中实际地震数据网格化并随机缺道后在偏移距1900m、方位角25°维度上的数据的示意图;
图11为本发明的一具体实施例中实际地震数据网格化并随机缺道后在偏移距2000m、方位角30°维度上的数据的示意图;
图12为本发明的一具体实施例中实际地震数据网格化并随机缺道后在偏移距2100m、方位角35°维度上的数据的示意图;
图13为本发明的一具体实施例中实际地震数据网格化并随机缺道后在偏移距2200m、方位角40°维度上的数据的示意图;
图14为本发明的一具体实施例中实际地震数据在偏移距2000m、方位角30°维度上的重建结果的示意图;
图15为本发明的利用深度神经网络进行地震数据重建的方法的一具体实施例的流程图。
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。
本发明基于地震数据在多个维度上的特征进行网络模型训练,并应用训练后的模型对地震进行重建处理。其核心在于深度网络模型的构建和训练,以及训练样本集的构建。样本中的输入数据根据时间、空间(水平面上直角坐标系,代表两个维度)、偏移距、方位角排列为五维数据作为训练输入,网络模型期望输出的数据大小和维度可以小于输入数据。训练策略使用了L1损失函数,在保证对多维数据信息提取的基础上优化了网络参数迭代修正过程中解的稀疏性,提高了训练过程中结果收敛的稳定性。训练得到的神经网络模型根据输入数据相对输出数据缺失位置所代表的维度信息在输入的五维数据中寻找相邻维度的数据进行数据特征采集,并用于地震数据重建。
如图15所示,图15为本发明的利用深度神经网络进行地震数据重建的方法的一具体实施例的流程图,该利用深度神经网络进行地震数据重建的方法包括了以下几个步骤:
步骤101,地震数据网格化预处理。根据地震数据特点建立时间、空间(水平面上直角坐标系,代表两个维度)、偏移距、方位角五个维度的数据网格,网格在这五个维度上是等间隔的,将需要进行重建的地震数据根据自身维度属性放入五维数据网格中。数据全部放入网格后存在三种情况:有的网格为空,代表该网格内的数据需要通过重建被补充;有的网格只有一个数据;有的网格有多个数据。当同一网格有多个数据时,要将数据进行归一化合并,保证每个网格内只有一个数据。
步骤102,训练集和测试集的准备。从五维数据网格中抽取部分数据作为训练集和测试集,抽取的数据在各个维度上的大小要一致且连续,训练集用于神经网络模型的训练,测试集用于神经网络模型的测试。根据抽取数据制作标签用于模型训练,标签相对抽取的多维数据在时间、空间维度上大小一致,在偏移距和方位角维度上要小于抽取的多维数据。例如:抽取训练集和测试集数据时,按照时间维度6s、空间维度x为3000m、空间维度y为3000m、偏移距600m、方位角20°固定大小进行抽取,抽取到的数据可能为时间1s~7s、空间x为3000m~6000m、空间x为4000m~7000m、偏移距为1400m~2000m、方位角为20°~40°,该数据对应的标签可以为时间1s~7s、空间x为3000m~6000m、空间x为4000m~7000m、偏移距1700m、方位角30°。
步骤103,卷积自编码器神经网络的搭建。主要由不同大小卷积核的卷积层、最大池化层、LeakyReLU激活函数层和上采样层等模块串并联组成,使用多组网络在多个数据维度上进行数据特征提取并用于网络参数迭代修改,具体的网络结构见图1~2。
步骤104,卷积自编码器神经网络的训练、测试和参数调整。网络训练的初始学习率设置在0.001即可,使用高斯分布的矩阵对卷积层的权值矩阵赋初值,卷积层的偏置参数初值设为0。训练迭代等参数根据实际训练数据的情况确定,具体的训练和测试流程见图3。将步骤(2)中准备的训练集数据作为输入,使用初始参数网络对数据进行处理得到训练集重建结果,将该结果与训练集标签进行对比,根据二者差异使用损失函数对网络参数进行修正,然后用训练集数据作为输入,使用修正参数后的网络对数据处理,如此迭代至网络输出重建结果与标签残差满足设定值或迭代至设定的最大次数,此时完成网络训练得到训练后网络。将测试集数据作为输入,用训练后网络进行处理得到重建结果,根据处理效果可判断网络训练效果。网络训练过程的损失函数为
其中W为网络权重参数,y表示缺道地震数据,f(y)表示用神经网络重建的地震数据,x为完整地震数据,λ为加权系数。
步骤105,如果步骤104中测试集数据处理效果良好,可以应用训练后的神经网络进行地震数据重建。首先按照训练集数据的准备方法对需要应用的地震数据进行处理,然后将处理结果作为输入,用训练后网络处理得到重建结果,最后将重建结果合并为最终结果。
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,将实际地震数据进行数据网格化预处理,得到五维数据体,随机剔除部分数据产生缺失,其中预处理后训练集数据在偏移距和方位角维度上如图4所示,训练中对应训练集的标签在偏移距和方位角维度上如图5所示,网络训练后训练集输出结果在偏移距和方位角维度上如图6所示。按上述实现过程对卷积自编码器神经网络进行训练,保存训练好的模型并进行测试,测试结果如图7所示,其中,左图为缺失的地震数据;右图为卷积自编码神经网络重建的数据。结果表明本发明方法可以实现地震数据重建处理,其重建过程中充分利用数据在多维度上的特征,能够更加保真的恢复地震信号的波形信息。
实施例2
在应用本发明的一具体实施例2中,将实际地震数据(图8)进行数据网格化预处理,得到五维数据体,随机剔除部分数据产生缺失,其中部分维度数据如图9~图13所示,图示中数据的时间、空间维度相同,偏移距和方位角不同。按上述实现过程对卷积自编码器神经网络进行训练,保存训练好的模型并进行测试,测试结果如图14所示,其中上图为缺失的地震数据;下图为卷积自编码神经网络重建的数据。结果表明卷积自编码器方法可以快速有效的实现地震数据重建处理,其重建结果能够较好的保留地震信号的波形信息,且不易产生假象。
实施例3
在应用本发明的一具体实施例3中,在数据进行网格化预处理之前,可进行动校正或部分动校正处理,以增强数据在多维度空间上的相关性。
网络输入的五维数据可退化为四维数据,例如:时间、空间(水平面上直角坐标系,代表两个维度)、偏移距四个维度。利用四维数据信息进行数据重建虽然效果不如五维,但比传统深度神经网络利用三维数据的方法更加可靠。
对二维观测系统获得的地震数据进行重建时,震源和检波点都在在一条直线上,因此空间维度变为一个维度,方位角只有0°和180°,此时数据可细分为时间、空间、偏移距三个维度,相比传统深度神经网络只利用时间-空间二维数据更加可靠。
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 (11)
1.利用深度神经网络进行地震数据重建的方法,其特征在于,该利用深度神经网络进行地震数据重建的方法包括:
步骤1,进行地震数据网格化预处理;
步骤2,进行训练集和测试集的准备;
步骤3,搭建卷积自编码器神经网络;
步骤4,进行卷积自编码器神经网络的训练、测试和参数调整;
步骤5,应用训练好的卷积自编码器神经网络进行地震数据重建。
2.根据权利要求1所述的利用深度神经网络进行地震数据重建的方法,其特征在于,在步骤1中,根据地震数据特点建立时间、空间、偏移距、方位角五个维度的数据网格,网格在这五个维度上是等间隔的,将需要进行重建的地震数据根据自身维度属性放入五维数据网格中。
3.根据权利要求2所述的利用深度神经网络进行地震数据重建的方法,其特征在于,在步骤1中,数据全部放入网格后存在三种情况:有的网格为空,代表该网格内的数据需要通过重建被补充;有的网格只有一个数据;有的网格有多个数据。
4.根据权利要求3所述的利用深度神经网络进行地震数据重建的方法,其特征在于,在步骤1中,当同一网格有多个数据时,要将数据进行归一化合并,保证每个网格内只有一个数据。
5.根据权利要求2所述的利用深度神经网络进行地震数据重建的方法,其特征在于,在步骤2中,从五维数据网格中抽取部分数据作为训练集和测试集,抽取的数据在各个维度上的大小要一致且连续,训练集用于神经网络模型的训练,测试集用于神经网络模型的测试。
6.根据权利要求5所述的利用深度神经网络进行地震数据重建的方法,其特征在于,在步骤2中,根据抽取数据制作标签用于模型训练,标签相对抽取的多维数据在时间、空间维度上大小一致,在偏移距和方位角维度上要小于抽取的多维数据。
7.根据权利要求1所述的利用深度神经网络进行地震数据重建的方法,其特征在于,在步骤3中,搭建的卷积自编码器神经网络由不同大小卷积核的卷积层、最大池化层、LeakyReLU激活函数层和上采样层这些模块串并联组成。
8.根据权利要求1所述的利用深度神经网络进行地震数据重建的方法,其特征在于,在步骤4中,网络训练的初始学习率设置为0.001,卷积层的权值矩阵采用正态分布矩阵进行初始化,卷积层的偏置参数初始化为0;训练轮次参数则具体视训练和测试的结果而定。
9.根据权利要求8所述的利用深度神经网络进行地震数据重建的方法,其特征在于,在步骤4中,将步骤2中准备的训练集数据作为输入,使用初始参数网络对数据进行处理得到训练集重建结果,将该结果与训练集标签进行对比,根据二者差异使用损失函数对网络参数进行修正,然后用训练集数据作为输入,使用修正参数后的网络对数据处理,如此迭代至网络输出重建结果与标签残差满足设定值或迭代至设定的最大次数,此时完成网络训练得到训练后网络;将测试集数据作为输入,用训练后网络进行处理得到重建结果,根据处理效果可判断网络训练效果。
10.根据权利要求9所述的利用深度神经网络进行地震数据重建的方法,其特征在于,在步骤4中,网络训练过程的损失函数为:
其中W为网络权重参数,y表示缺道地震数据,f(y)表示用神经网络重建的地震数据,x为完整地震数据,λ为加权系数。
11.根据权利要求1所述的利用深度神经网络进行地震数据重建的方法,其特征在于,在步骤5中,如果步骤4中测试集数据处理效果良好,可以应用训练后的神经网络进行地震数据重建;首先按照训练集数据的准备方法对需要应用的地震数据进行处理,然后将处理结果作为输入,用训练后网络处理得到重建结果,最后将重建结果合并为最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210562077.2A CN117172082A (zh) | 2022-05-23 | 2022-05-23 | 利用深度神经网络进行地震数据重建的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210562077.2A CN117172082A (zh) | 2022-05-23 | 2022-05-23 | 利用深度神经网络进行地震数据重建的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117172082A true CN117172082A (zh) | 2023-12-05 |
Family
ID=88930394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210562077.2A Pending CN117172082A (zh) | 2022-05-23 | 2022-05-23 | 利用深度神经网络进行地震数据重建的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172082A (zh) |
-
2022
- 2022-05-23 CN CN202210562077.2A patent/CN117172082A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Intelligent logging lithological interpretation with convolution neural networks | |
CN110532859B (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
Yang et al. | Deep learning seismic random noise attenuation via improved residual convolutional neural network | |
EP3894906A1 (en) | Training machine learning systems for seismic interpretation | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN110309835B (zh) | 一种图像局部特征提取方法及装置 | |
CN111612906B (zh) | 一种三维地质模型的生成方法、系统及计算机存储介质 | |
CN107688201A (zh) | 基于rbm地震叠前信号聚类方法 | |
CN113269818B (zh) | 一种基于深度学习的地震数据纹理特征重建方法 | |
CN112364719A (zh) | 一种遥感图像目标快速检测方法 | |
CN116168295B (zh) | 一种岩性遥感智能解译模型建立方法及解译方法 | |
CN107240136A (zh) | 一种基于深度学习模型的静态图像压缩方法 | |
CN115330643B (zh) | 基于卷积神经网络和视觉变换神经网络的地震去噪方法 | |
CN106845343A (zh) | 一种光学遥感图像海上平台自动检测方法 | |
CN109389553A (zh) | 基于t样条的气象传真图等值线插值方法 | |
Zhou et al. | Seismic fault detection with iterative deep learning | |
CN110837111B (zh) | 地震数据插值方法及系统 | |
CN108960326B (zh) | 一种基于深度学习框架的点云快速分割方法及其系统 | |
Li et al. | Magnetotelluric noise suppression via convolutional neural network | |
CN116091492B (zh) | 一种图像变化像素级检测方法与系统 | |
CN112464725A (zh) | 基于深度学习网络的初至拾取方法及装置 | |
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 | |
CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 | |
CN117172082A (zh) | 利用深度神经网络进行地震数据重建的方法 | |
CN114021422B (zh) | 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法 |
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 |