CN117251674A - 一种地震相分类方法、装置、电子设备及介质 - Google Patents
一种地震相分类方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117251674A CN117251674A CN202311188166.6A CN202311188166A CN117251674A CN 117251674 A CN117251674 A CN 117251674A CN 202311188166 A CN202311188166 A CN 202311188166A CN 117251674 A CN117251674 A CN 117251674A
- Authority
- CN
- China
- Prior art keywords
- seismic data
- seismic
- dimensional
- scattering
- network
- 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 79
- 230000009466 transformation Effects 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 133
- 238000012549 training Methods 0.000 claims description 47
- 208000035126 Facies Diseases 0.000 claims description 39
- 230000004927 fusion Effects 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000011282 treatment Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000006073 displacement reaction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000002411 adverse Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 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
- G01V1/30—Analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请提供了一种地震相分类方法、装置、电子设备及介质,首先使用二维散射变换从二维地震数据中提取具有局部形变稳定性与平移不变性的多尺度特征信息,即当地震信号因受到地下断裂活动影响而产生局部微小形变以及时移时,所提取到的多尺度特征不会发生较大的改变,因此有利于对地震数据的准确分类。然后以DenseBlock为基础构造密集连接卷积网络,使用不同深度的卷积神经网络对不同尺度的特征信息进行进一步处理以及融合,即多分辨率处理,最终实现对地震数据的地震相分类。由于DenseBlock内部采用全互连接的结构,能够实现特征的复用,使得特征信息在逐层处理过程中能够被更好地保留,进一步提升地震相分类结果的准确性。
Description
技术领域
本申请涉及地震相分析技术领域,特别是涉及一种地震相分类方法、装置、电子设备及介质。
背景技术
地震相识别是地震勘探的关键技术之一,是油气资源开发的基础和重要环节。准确的地震相识别可以反应地下储层的分布情况,从而可以用于指导石油勘探。传统的地震相是通过地球物理学家、岩石物理学家以及地质学家之间合作进行人工解释,该方法耗时严重且解释结果严重依赖于相关人员的经验,存在着效率低以及主观性强的缺点。
而随着机器学习的发展,许多基于机器学习的自动地震相解释方法得以出现并被成功应用。此外,许多研究学者尝试将时频分析与机器学习进行结合,从而实现对地震数据进行相解释。但是这类方法也存在一定的缺陷:
(1)基于机器学习的地震相解释方法虽然在一定程度上可以提升地震相解释效率,但其输入的地震属性对地震相解释结果影响较大。只有当其输入属性对地震相足够敏感时,才能得到较为准确的地震相解释结果。不同地区的数据集地震相所对应的敏感属性不完全相同,因此需要根据不同地区的情况人工选择最优的地震属性,这将会在一定程度上增加人工工作量。
(2)当前常用的时频变换方法不具备局部形变稳定性以及平移不变性,即当信号发生局部微小形变或者平移时,使用当前时频变换所提取到的特征信息将会发生较大的改变,从而不利于对地震数据进行地震相分类。
发明内容
本申请提供一种地震相分类方法、装置、电子设备及介质,以解决或至少部分解决上述问题。
本申请实施例第一方面提供一种地震相分类方法,上述方法包括:
获取目标区域的二维地震数据,并对上述二维地震数据进行预处理,得到每个地震数据采样点对应的二维地震数据;
利用预先设置的散射网络对上述二维地震数据进行二维小波散射变换,得到上述地震数据采样点对应地震数据的多尺度特征;上述多尺度特征为散射变换不同层对应的具有局部形变稳定性以及平移不变性的散射系数;
将上述地震数据采样点对应地震数据的多尺度特征输入预置的密集连接卷积网络中,进行多分辨率处理及特征融合,得到上述地震数据采样点对应地震数据的地震相分类结果,并对上述地震相分类结果进行反分块处理,得到上述目标区域的地震相剖面。
可选地,上述密集连接卷积网络包括连接的第一级DenseBlock组、第二级DenseBlock组、第三级DenseBlock组、全连接层和分类器,其中,任一DenseBlock组包括若干深度不同的DenseBlock和卷积层,两个上述DenseBlock之间通过上述卷积层连接;
上述将上述多尺度特征输入预置的密集连接卷积网络中,进行多分辨率处理及特征融合,得到对应的地震相分类结果,包括:
将上述散射变换不同层的散射系数对应输入至上述密集连接卷积网络的上述第一级DenseBlock组中进行第一次特征提取,得到第一级特征信息;
将使用上述第一级DenseBlock组从散射变换前两层的散射系数提取的特征信息进行拼接,并输入至上述第二级DenseBlock组中进行第二次特征融合、提取,得到第二级特征信息;
将上述第二级特征信息与使用上述第一级DenseBlock组从散射变换第三层的散射系数提取的特征信息进行拼接,并输入至上述第三级DenseBlock组中进行第三次特征融合、提取,得到第三级特征信息;
通过上述全连接层对上述第三级特征信息进行进一步特征融合和提取,并通过上述分类器计算上述地震数据采样点属于每类地震相的概率,选取概率最大的地震相类别作为上述地震数据采样点对应地震数据的地震相分类结果。
可选地,上述方法还包括:
获取二维叠后地震数据,并从中随机选择若干道具有地震相标签的二维地震数据形成训练样本集;上述训练样本集中的任一训练样本包括:一个采样点对应的二维地震数据及地震相标签,上述地震相标签用于表征上述采样点所属的地震相类别;
构建散射网络,利用二维小波散射变换提取上述训练样本集中采样点对应的二维地震数据的具有局部形变稳定性与平移不变性的多尺度特征信息;
利用提取的上述训练样本集中采样点对应的二维地震数据的多尺度特征信息以及地震相标签对初始的密集连接卷积网络进行训练,得到能够对上述多尺度特征进行多分辨率处理及融合,以预测上述采样点所属的地震相类别的密集连接卷积网络。
可选地,上述训练样本集的生成包括:
获取样本二维地震数据并进行预处理,得到二维叠后地震数据Y,Y∈RN×M;其中,R表示实数集,M表示二维地震数据的地震道道数,N表示每道地震数据的采样点个数,RN×M表示尺寸为N×M的二维实数空间;
从上述二维叠后地震数据中选取若干道二维地震数据并获得其对应的地震相标签,形成训练样本集Ytrain,Ytrain∈RN×L,其中,L表示选取的已知地震相标签的地震道道数,N同样表示每道地震数据的采样点个数,RN×L表示尺寸为N×L的二维实数空间;
上述采样点对应的二维地震数据为:将二维叠后地震数据离散成N×M个采样点,对任一上述采样点,以该采样点为中心,利用方形窗对上述二维叠后地震数据进行划分,并将上述方形窗内所有采样点的二维地震数据作为该采样点对应的二维地震数据。
可选地,上述构建散射网络包括:
通过旋转和缩放带通滤波器Ψ(u)构建二维小波变换函数族:
其中,u为二维变量,q∈Z为尺度参数,Z表示整数集;Δ-θ∈H为旋转参数,表示沿瞬时针方向对变量u旋转的角度为θ,H表示在二维实数集R2的一个离散旋转集,旋转参数Δ-θ与旋转角度θ的之间关系式可表示为:
当最大尺度为2Q时,输入的一个训练样本的二维地震数据即为一个二维地震数据F,该二维地震数据F的小波变换可以表示为:
其中,*表示卷积运算,WQ表示小波算子,表示低通滤波器,{}表示不同尺度滤波器的集合;
令易知/>则对二维小波变换取模可表示为:
其中,MQ表示小波模算子,为带通滤波器/>参数/>所有取值的集合,/>表示低通滤波器,{}表示不同尺度滤波器的集合;
由此可得上述散射网络第一层的第0级散射系数和第1级小波模系数,上述散射网络的散射系数用于表征二维地震数据F的低频特征,其具有局部形变稳定性以及平移不变性,上述小波模系数用于表征二维地震数据F的高频特征;其中,上述第0级散射系数表示为:
上述第1级小波模系数表示为:
其中,Ξ1为第1级小波模系数所用到的带通滤波器参数/>所有取值的集合;
将上述第0级散射系数作为上述散射网络第一层的输出,并将上述第1级小波模系数输入上述散射网络的第二层,用于计算上述散射网络的第1级散射系数和第2级的小波模系数:
其中,Ξ2为第2级小波模系数所用到的带通滤波器参数/>所有取值的集合;
重复以上小波卷积、非线性取模以及低通滤波操作过程,将上述散射网络各层的散射系数作为该层的输出,并将该层的小波模系数输入上述散射网络的下一层进行计算,以逐级迭代得到不同尺度的散射系数与小波模系数;
将上述散射网络前若干层输出的散射系数进行组合,得到上述二维地震数据F对应的多尺度特征。
可选地,上述密集连接卷积网络的训练包括:
构建密集连接卷积网络,并设置初始的网络参数;
将通过上述散射网络提取的上述训练样本集中采样点对应的二维地震数据的多尺度特征输入上述密集连接卷积网络,进行多分辨率处理及特征融合,得到上述采样点对应的预测地震相类别;
根据上述采样点的预测地震相类别与上述采样点对应的地震相标签计算目标函数,并基于上述目标函数对上述密集连接卷积网络的网络参数进行反向梯度更新,以对上述密集连接卷积网络进行训练以及参数更新;
其中,上述地震相标签被表示为:通过One-hot编码得到的二进制向量,上述目标函数为:
其中,ykj表示第j个采样点的地震相标签对应的One-hot编码的第k个值,表示第j个采样点的预测地震相类别对应的One-hot编码的第k个值,J表示采样点的个数。
可选地,上述密集连接卷积网络的初始学习率设置为lrinitial=10-3,学习衰减常数设置为lrdecay=10-2,网络的最大迭代次数设置为Nmax=50,则第Ni次网络的学习率可表示为:
其中,表示第Ni次的学习率。
本申请实施例第二方面提供一种地震相分类装置,上述装置包括:
数据获取模块,用于获取目标区域的二维地震数据,并对上述二维地震数据进行预处理,得到每个地震数据采样点对应的二维地震数据;
多尺度特征提取模块,用于利用预先设置的散射网络对上述二维地震数据进行二维小波散射变换,得到上述地震数据采样点对应地震数据的多尺度特征;上述多尺度特征为散射变换不同层对应的具有局部形变稳定性以及平移不变性的散射系数;
地震相类别预测模块,用于将上述地震数据采样点对应地震数据的多尺度特征输入预置的密集连接卷积网络中,进行多分辨率处理及特征融合,得到上述地震数据采样点对应地震数据的地震相分类结果,并对上述地震相分类结果进行反分块处理,得到上述目标区域的地震相剖面。
本申请实施例第三方面提供一种可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如本申请第一方面上述的方法中的步骤。
本申请实施例第四方面提供一种电子设备,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,上述处理器执行时实现本申请第一方面上述的方法的步骤。
与现有技术相比,本申请包括以下优点:
在本申请实施例中,首先使用二维散射变换逐级从地震数据采样点的二维地震数据中提取具有局部形变稳定性与平移不变性的多尺度特征信息,即当地震信号因受到地下断裂活动影响而产生局部微小形变以及时移时,所提取到的多尺度特征不会发生较大的改变,从而可以保证地震信号所属的地震相类别不会因受到不利干扰因素而判别错误。然后以DenseBlock(密集连接块)为基础构造密集连接卷积神经网络,使用不同深度的卷积神经网络对不同尺度的特征信息进行进一步处理以及融合,即多分辨率处理,最终实现对地震数据采样点的地震数据的地震相分类。由于该密集连接神经网络内部采用全互连接的结构,能够实现特征的复用,使得特征信息在逐层处理过程中能够被更好地保留,进一步提升地震相分类结果的准确性。
附图说明
图1是本申请一实施例提出的一种地震相分类方法的流程图;
图2是本申请一实施例提出的一种地震相分类方法的地震数据剖面图;
图3是本申请一实施例提出的一种地震相分类方法中对输入数据的处理示意图;
图4是本申请一实施例提出的一种地震相分类方法的结果对比图,其中(a)图表示地震数据的真实地震相剖面,(b)图表示使用本说明书方法预测的地震相分类结果;
图5是本申请一实施例提出的一种地震相分类装置的结构示意图。
附图标记:1、数据获取模块;2、多尺度特征提取模块;3、地震相类别预测模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
地震资料包含丰富的地质信息,地震相分析则是根据地震反射的波组特征提取有效信息,从而研究三维空间中沉积相分布、地层层序的沉积环境、地层组合模式及区域地质背景等的一项重要技术。在实际生产中,地震相的准确划分对于深刻认识油藏生、储、盖配置关系及优质储层的预测等具有重要的指导意义。传统上,地震相的划分主要依赖于人工经验对地震剖面上的反射特征、同相轴形态等进行划分,得到具体的地震相结构。但是该方法耗时严重,且解释结果严重依赖于相关人员的经验,存在着效率低以及主观性强的缺点。
而随着机器学习的发展,许多基于机器学习的自动地震相解释方法得以出现并被成功应用。主要思路为:利用计算机技术和一定的数学方法对地震数据进行处理和计算以提取不同的属性,并根据各属性的空间变化对应的地质含义组合各属性进行地震相划分。此外,许多研究学者尝试将时频分析与机器学习进行结合,从而实现对地震数据进行相解释。但是这类方法也存在一定的缺陷:
(1)基于机器学习的地震相解释方法虽然在一定程度上可以提升地震相解释效率,但其输入的地震属性对地震相解释结果影响较大,地震相解释结果非常依赖于选取的属性种类及使用的属性数量。只有当其输入属性对地震相足够敏感时,才能得到较为准确的地震相解释结果。而且,不同地区的数据集地震相所对应的敏感属性不完全相同,因此需要根据不同地区的情况人工选择最优的地震属性,这将会在一定程度上增加人工工作量。
(2)当前常用的时频变换方法不具备局部形变稳定性以及平移不变性,即当信号发生局部微小形变或者平移时,使用当前时频变换所提取到的特征信息将会发生较大的改变,从而不利于对地震数据进行地震相分类。
鉴于此,本申请首先使用二维散射变换逐级从二维地震数据中提取具有局部形变稳定性与平移不变性的多尺度特征信息,然后以DenseBlock(密集连接块)为基本单元,使用不同深度的卷积神经网络分别对提取到的各个尺度的特征信息进行进一步的处理以及融合,进而实现对地震数据的相分类。
请参照图1,图1是本申请一实施例提出的一种地震相分类方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101:获取目标区域的二维地震数据,并对上述二维地震数据进行预处理,得到每个地震数据采样点对应的二维地震数据。
本实施例中,地震数据是指记录地震活动和地震波传播的数据。它通常包含地震波形、地震事件的时空信息、地震震级和震源参数等。地震数据对于研究地震活动、地震物理学以及地震工程等领域都具有重要的意义。对地震数据进行处理可以反应地下介质情况,从而可以帮助寻找油气等资源。
对于待勘测的目标区域,可以通过模拟地震波进行实验,采集相关的地震资料,并进行预处理,包括去噪、静校正、动矫正、反褶积以及时间偏移等处理,从而获得用于观测的二维地震数据,并生成二维地震数据剖面图。如图2所示,该剖面图中横轴表示地震道的线号,纵轴表示深度,CDP表示共深度点(若不同的地震道都来自地下界面上的某个共同点,则该共同点即为共深度点)。然后,将二维地震数据离散成若干个地震数据采样点,形成二维数据网格,并取某个地震数据采样点周围区域的若干个地震数据采样点对应的二维地震数据作为该地震数据采样点对应的二维地震数据。示例性的,可以某个地震数据采样点为窗中心,采用尺寸为I×I的方形窗对二维地震数据进行划分,并将该方形窗内所有地震数据采样点对应的二维地震数据作为该地震数据采样点对应的二维地震数据,即该地震数据采样点对应的二维地震数据大小为I×I。之后,通过小波变换和密集连接卷积网络对二维地震数据进行处理,预测出该地震数据采样点对应的地震相类别。得到所有地震数据采样点的地震相类别后,将地震数据采样点与原来的二维数据网格位置一一对应,重新排列成一个二维地震相剖面,从而得到目标区域的二维地震数据的地震相剖面。具体每个地震数据采样点的地震相的预测过程详见下文。
步骤S102:利用预先设置的散射网络对上述二维地震数据进行二维小波散射变换,得到上述地震数据采样点对应地震数据的多尺度特征;上述多尺度特征为散射变换不同层对应的具有局部形变稳定性以及平移不变性的散射系数。
作为非平稳地震信号分析的有力工具,时频变换可以提取地震信号在时域内隐藏的,且对地震相敏感的特征信息,可以用以对地震信号处理以及特征提取,从而对地震信号进行进一步的相识别。深度学习具有强大的特征学习能力与非线性问题处理能力,可以用于处理地震信号,或者使用时频变换从地震信号中提取到特征信息与地震相之间的复杂非线性关系。因此,可以将时频变换与深度学习进行结合,从而实现基于地震数据的地震相分类。
本实施例中,二维小波散射变换是一种一边计算一边输出的运算,散射变换过程中,每层均能得到两种系数,即低频的散射系数与高频的小波模系数。其中,每层的散射系数具有局部形变稳定性与平移不变性,可以表征信号某一频率的稳定特征信息。正因为散射系数的两种稳定性,当信号受到不利因素产生局部形变或微小平移时,其所提取到的散射系数将不会产生较大的改变,因此会消除不利因素对地震信号最终类别判断结果的影响,从而有利于对地震信号进行相分类。而小波模系数则作为散射变换下一层的输入数据,用于继续计算散射网络下一层的散射系数和小波模系数。
如图3所示,将地震数据采样点对应的二维地震数据输入散射网络后,首先由第一层的算子WS1计算得到第一层的散射系数S0F和小波模系数U1F,并将散射系数S0F作为第一层的输出,对应输入至后续的密集连接卷积网络中,同时将小波模系数U1F输入至散射网络的第二层。然后,由第二层的算子WS2计算得到第二层的散射系数S1F和小波模系数U2F,并将散射系数S1F作为第二层的输出,对应输入至后续的密集连接卷积网络中,同时将小波模系数U2F输入至散射网络的第三层继续进行计算。如此持续下去,对地震数据采样点的二维地震数据逐级进行二维小波散射变换,以逐级迭代得到不同尺度下的散射系数与小波模系数,即得到二维地震数据对应的多尺度特征。考虑到在散射变换过程中,信号的能量逐级减弱,因此可以根据实际应用场景,取散射变换前若干层的散射系数作为散射网络的输出。例如,取前3层的散射系数作为整个散射网络的输出。此时,这三层的散射系数S0F、S1F和S2F可以理解成包含了二维地震数据不同频率的特征信息。
步骤S103:将上述地震数据采样点对应地震数据的多尺度特征输入预置的密集连接卷积网络中,进行多分辨率处理及特征融合,得到上述地震数据采样点对应地震数据的地震相分类结果,并对上述地震相分类结果进行反分块处理,得到上述目标区域的地震相剖面。
本实施例中,密集连接卷积网络包括连接的第一级DenseBlock组、第二级DenseBlock组、第三级DenseBlock组、全连接层和分类器,其中,任一DenseBlock组包括若干深度不同的DenseBlock和卷积层,两个上述DenseBlock之间通过上述卷积层连接。
上述将多尺度特征输入预置的密集连接卷积网络中,进行多分辨率处理及特征融合,得到对应的地震相分类结果,包括:将上述散射变换不同层的散射系数对应输入至上述密集连接卷积网络的上述第一级DenseBlock组中进行第一次特征提取,得到第一级特征信息;将使用上述第一级DenseBlock组从散射变换前两层的散射系数提取的特征信息进行拼接,并输入至上述第二级DenseBlock组中进行第二次特征融合、提取,得到第二级特征信息;将上述第二级特征信息与使用上述第一级DenseBlock组从散射变换第三层的散射系数提取的特征信息进行拼接,并输入至上述第三级DenseBlock组中进行第三次特征融合、提取,得到第三级特征信息;通过上述全连接层对上述第三级特征信息进行进一步特征融合和提取,并通过上述分类器计算上述地震数据采样点属于每类地震相的概率,选取概率最大的地震相类别作为上述地震数据采样点对应地震数据的地震相分类结果。
请参照图3,本申请的卷积网络基于若干个DenseBlock(Densely connectedblock,密集连接块)构成。其中,每个DenseBlock包含4层卷积层,层与层之间采用密集连接方式,即每一层的输入都来自于它前面所有层提取的特征信息,每一层的输出均会直接连接到它后面所有层的输入,从而实现特征重用(即对不同“级别”的特征——不同表征进行总体性地再探索),提高计算效率和处理效果。图3中,DenseBlock1中每层卷积层的卷积核个数为16,DenseBlock2中每层卷积层的卷积核个数为32,DenseBlock3中每层卷积层的卷积核个数为64,DenseBlock4中每层卷积层的卷积核个数为128。每个DenseBlock除卷积核的个数不同外,其余结构均相同。
如图3所示,以上述散射网络的输出为前3层的散射系数为例,在对散射网络提取的多尺度特征进行处理时,对于散射网络第一层输出的散射系数S0F,通过DenseBlock1和DenseBlock2两个DenseBlock对其进行处理。这两个DenseBlock以及连接它们的三个卷积层,共同构成了散射系数S0F对应的第一级DenseBlock组。对于散射网络第二层输出的散射系数S1F,通过DenseBlock2一个DenseBlock对其进行处理。这个DenseBlock以及它后面连接的卷积层,共同构成了散射系数S1F对应的第一级DenseBlock组。对于散射网络第三层输出的散射系数S2F,通过DenseBlock2和DenseBlock3两个DenseBlock对其进行处理。这两个DenseBlock以及连接它们的两个卷积层,共同构成了散射系数S2F对应的第一级DenseBlock组。其中,卷积层的作用主要是对特征进行降维,控制输出特征的个数。
由此,通过将散射网络输出的前三层的散射系数S0F、S1F和S2F分别输入至它们各自对应的第一级DenseBlock组中,单独进行第一次特征提取,得到对应的第一级特征信息。然后,将提取到的散射系数S0F和S1F的第一级特征信息进行拼接,并输入至第二级DenseBlock组(DenseBlock2、DenseBlock3以及一个卷积层构成)中进行特征融合以及第二次特征提取,得到第二级特征信息。之后,再将融合后的第二级特征信息与上述提取到的散射系数S2F的第一级特征信息进行拼接,并输入至第三级DenseBlock组(DenseBlock3、DenseBlock4以及两个卷积层构成)中进行特征融合以及第三次特征提取,得到更为完整的第三级特征信息。最后,通过两个全连接层(FC1和FC2)进行特征融合和降维,并通过Softmax分类器进行分类预测,得到地震数据采样点的二维地震数据属于某一地震相的后验概率,选取概率最大的地震相类别作为该地震数据采样点对应的地震相分类结果。同时,对于散射系数S0F总共经过了6个DenseBlock处理,对于散射系数S1F总共经过了5个DenseBlock处理,对于散射系数S2F总共经过了4个DenseBlock处理,使得在特征提取过程中能够更加平滑地融合多分辨率特征,不会因特征量骤降而丢失特征信息,进而对地震相分类结果产生不利影响。
从而,通过散射网络和密集连接卷积网络构成的多分辨率混合网络模型稳定、准确地进行地震相分类,并对地震相分类结果进行反分块处理,得到目标区域的地震相剖面,可用于辅助确定储层的沉积相及横向的分布范围,为储层的综合预测奠定基础。
在本申请的另一实施例中,上述方法还包括:
步骤S201:获取二维叠后地震数据,并从中随机选择若干道具有地震相标签的二维地震数据形成训练样本集;上述训练样本集中的任一训练样本包括:一个采样点对应的二维地震数据及地震相标签,上述地震相标签用于表征上述采样点所属的地震相类别。
本实施例中,首先获取样本二维地震数据并进行预处理,得到二维叠后地震数据Y,Y∈RN×M;其中,R表示实数集,M表示二维地震数据的地震道道数,N表示每道地震数据的采样点个数,RN×M表示尺寸为N×M的二维实数空间。然后,从二维叠后地震数据中选取若干道二维地震数据并获得其对应的地震相标签,形成训练样本集Ytrain,Ytrain∈RN×L,其中,L表示选取的已知地震相标签的地震道道数,N同样表示每道地震数据的采样点个数,RN×L表示尺寸为N×L的二维实数空间。之后,将二维叠后地震数据离散成N×M个采样点,并取某个采样点周围区域的若干个采样点对应的二维地震数据作为该采样点对应的二维地震数据,输入至网络中进行处理和预测,以判别该采样点所属的地震相类别。
具体的,对于任一采样点,其对应的二维地震数据的获取方式为:以该采样点为中心,利用方形窗对二维叠后地震数据进行划分,并将方形窗内所有采样点的二维地震数据作为该采样点对应的二维地震数据。例如,采用尺寸为I×I的方形窗对二维叠后地震数据进行划分,即使得某个采样点对应的二维地震数据大小为I×I。然后将划分后的数据按照采样点个数×每个采样点地震相对应的二维地震数据重新分配成一个三维数据形式,则整个二维叠后地震数据集变为Ynew∈RNM×I×I,训练集变为Ynewtrain∈RNL×I×I,其中NM与NL分别指整个数据集以及训练集中采样点的个数,RNM×I×I与RNL×I×I分别指尺寸为NM×I×I与NL×I×I的三维实数空间,三个维度分别指采样点个数、二维地震数据的纵向长度和二维地震数据的横向长度。
步骤S202:构建散射网络,利用二维小波散射变换提取所述训练样本集中采样点对应的二维地震数据的具有局部形变稳定性与平移不变性的多尺度特征信息。
本实施例中,首先通过旋转和缩放带通滤波器Ψ(u)构建二维小波变换函数族:
其中,u为二维变量,q∈Z为尺度参数,Z表示整数集;Δ-θ∈H为旋转参数,表示沿瞬时针方向对变量u旋转的角度为θ,H表示在二维实数集R2的一个离散旋转集,旋转参数Δ-θ与旋转角度θ的之间关系式可表示为:
当最大尺度为2Q时,输入的一个训练样本的二维地震数据即为一个二维地震数据F,该二维地震数据F的小波变换可以表示为:
其中,*表示卷积运算,WQ表示小波算子,表示低通滤波器,{}表示不同尺度滤波器的集合;
令易知/>则对二维小波变换取模可表示为:
其中,MQ表示小波模算子,为带通滤波器/>参数/>所有取值的集合,/>表示低通滤波器,{}表示不同尺度滤波器的集合。
基于上述二维小波变换取模的小波模运算可以得到具有平移不变性与局部形变稳定性的第0级散射系数,表示为:由于其中的/>为低通滤波器,信号与低通滤波器卷积得到的信息只有低频信息,所以会造成高频信息的丢失。为了恢复丢失的高频信息,可对二维小波变换取模公式中的高频分量/>继续进行迭代运算,该高频分量又称为第1级小波模系数,则第1级小波模系数可表示为:
其中,Ξ1为第1级小波模系数所用到的带通滤波器参数/>所有取值的集合。也就是说,散射网络的散射系数用于表征二维地震数据F的低频特征,小波模系数用于表征二维地震数据F的高频特征。
之后,将第0级散射系数作为散射网络第一层的输出,并将第1级小波模系数输入散射网络的第二层,用于计算散射网络的第1级散射系数和第2级的小波模系数:
其中,Ξ2为第2级小波模系数所用到的带通滤波器参数/>所有取值的集合。
通过重复以上小波卷积、非线性取模以及低通滤波操作过程,将散射网络各层的散射系数作为该层的输出,并将该层的小波模系数输入散射网络的下一层进行计算,以逐级迭代得到不同尺度的散射系数与小波模系数。最终,将散射网络前若干层输出的散射系数进行组合,即可得到二维地震数据F对应的多尺度特征。
步骤S203:利用提取的所述训练样本集中采样点对应的二维地震数据的多尺度特征信息以及地震相标签对初始的密集连接卷积网络进行训练,得到能够对所述多尺度特征进行多分辨率处理及融合,以预测所述采样点所属的地震相类别的密集连接卷积网络。
本实施例中,首先基于DenseBlock构建密集连接卷积网络,DenseBlock可以实现特征复用,其输出端包含了输入数据的低级特征,使得到的特征信息更加丰富,以建立二维地震数据经散射变换得到的散射系数与地震相类别之间的映射关系,并设置初始的网络参数。例如,初始学习率设置为lrinitial=10-3,学习衰减常数设置为lrdecay=10-2,网络的最大迭代次数设置为Nmax=50,则第Ni次网络的学习率可表示为:
其中,表示第Ni次的学习率。
将通过散射网络提取的训练样本集中采样点对应的二维地震数据的多尺度特征输入密集连接卷积网络,进行多分辨率处理及特征融合,并使用分类器计算采样点属于某一地震相的后验概率,取最大值对应的地震相作为当前采样点所属的地震相,以得到采样点对应的预测地震相类别。接着,根据采样点的预测地震相类别与采样点对应的地震相标签计算目标函数,并基于目标函数对密集连接卷积网络的网络参数进行反向梯度更新,以对密集连接卷积网络进行训练以及参数更新。为方便计算,在计算目标函数时首先需要对地震相标签进行One-hot编码,即将分类值映射到整数值。然后,每个整数值被表示为二进制向量,除了整数的索引值为1之外,其它位置都是零值。因而,上述地震相标签被表示为:通过One-hot编码得到的二进制向量,上述目标函数为:
其中,ykj表示第j个采样点的地震相标签对应的One-hot编码的第k个值,表示第j个采样点的预测地震相类别对应的One-hot编码的第k个值,J表示采样点的个数。
通过Adam优化器以上述目标函数对初始的密集连接卷积网络进行训练,获得适用于地震相分类的网络模型的最优参数集,从而形成能够进行地震相分类的多分辨率网络。
请参照图4,图4是本申请一实施例提出的一种地震相分类方法的结果对比图。该样本数据来自荷兰近海地区的F3地震数据集。图4中,图4(a)展示了原始的地震相分布剖面,该数据共有869道地震记录,其中已知地震相标签的地震记录共有40道,每道地震记录包含255个采样点,该地震数据共包含6类地震相:Upper North,Middle North,LowerNorth,Chalk/Rijnland,Scruff,Zechstein。图4(b)为本发明所预测得到的地震相剖面。对比图4(a)与图4(b)可以看出,通过本发明的散射网络+密集连接卷积网络所构成的多分辨卷积网络预测得到的地震相分类结果均较为准确,且对于同类地震相内部的连续性的描述以及不同类地震相边界的刻画均取得了良好的效果,为后续的进一步改善提供了有利的基础。
基于同一发明构思,本申请一实施例提供一种地震相分类装置。请参照图5,图5是本申请一实施例提出的一种地震相分类装置的结构示意图,包括:
数据获取模块1,用于获取目标区域的二维地震数据,并对上述二维地震数据进行预处理,得到每个地震数据采样点对应的二维地震数据;
多尺度特征提取模块2,用于利用预先设置的散射网络对上述二维地震数据进行二维小波散射变换,得到上述地震数据采样点对应地震数据的多尺度特征;上述多尺度特征为散射变换不同层对应的具有局部形变稳定性以及平移不变性的散射系数;
地震相类别预测模块3,用于将上述地震数据采样点对应地震数据的多尺度特征输入预置的密集连接卷积网络中,进行多分辨率处理及特征融合,得到上述地震数据采样点对应地震数据的地震相分类结果,并对上述地震相分类结果进行反分块处理,得到上述目标区域的地震相剖面。
可选地,上述密集连接卷积网络包括连接的第一级DenseBlock组、第二级DenseBlock组、第三级DenseBlock组、全连接层和分类器,其中,任一DenseBlock组包括若干深度不同的DenseBlock和卷积层,两个上述DenseBlock之间通过上述卷积层连接;上述地震相类别预测模块3包括:
第一级特征提取子模块,用于将上述散射变换不同层的散射系数对应输入至上述密集连接卷积网络的上述第一级DenseBlock组中进行第一次特征提取,得到第一级特征信息;
第二级特征提取子模块,用于将使用上述第一级DenseBlock组从散射变换前两层的散射系数提取的特征信息进行拼接,并输入至上述第二级DenseBlock组中进行第二次特征融合、提取,得到第二级特征信息;
第三级特征提取子模块,用于将上述第二级特征信息与使用上述第一级DenseBlock组从散射变换第三层的散射系数提取的特征信息进行拼接,并输入至上述第三级DenseBlock组中进行第三次特征融合、提取,得到第三级特征信息;
特征融合预测模块,用于通过上述全连接层对上述第三级特征信息进行进一步特征融合和提取,并通过上述分类器计算上述地震数据采样点属于每类地震相的概率,选取概率最大的地震相类别作为上述地震数据采样点对应地震数据的地震相分类结果。
可选地,上述装置还包括:
样本获取模块,用于获取二维叠后地震数据,并从中随机选择若干道具有地震相标签的二维地震数据形成训练样本集;上述训练样本集中的任一训练样本包括:一个采样点对应的二维地震数据及地震相标签,上述地震相标签用于表征上述采样点所属的地震相类别;
散射网络构建模块,用于构建散射网络,利用二维小波散射变换提取上述训练样本集中采样点对应的二维地震数据的具有局部形变稳定性与平移不变性的多尺度特征信息;
密集连接卷积网络训练模块,用于利用提取的上述训练样本集中采样点对应的二维地震数据的多尺度特征信息以及地震相标签对初始的密集连接卷积网络进行训练,得到能够对上述多尺度特征进行多分辨率处理及融合,以预测上述采样点所属的地震相类别的密集连接卷积网络。
可选地,上述样本获取模块包括:
预处理子模块,用于获取样本二维地震数据并进行预处理,得到二维叠后地震数据Y,Y∈RN×M;其中,R表示实数集,M表示二维地震数据的地震道道数,N表示每道地震数据的采样点个数,RN×M表示尺寸为N×M的二维实数空间;
选择子模块,用于从上述二维叠后地震数据中选取若干道二维地震数据并获得其对应的地震相标签,形成训练样本集Ytrain,Ytrain∈RN×L,其中,L表示选取的已知地震相标签的地震道道数,N同样表示每道地震数据的采样点个数,RN×L表示尺寸为N×L的二维实数空间;
上述采样点对应的二维地震数据为:将二维叠后地震数据离散成N×M个采样点,对任一上述采样点,以该采样点为中心,利用方形窗对上述二维叠后地震数据进行划分,并将上述方形窗内所有采样点的二维地震数据作为该采样点对应的二维地震数据。
可选地,上述散射网络构建模块包括:
小波变换构建子模块,用于通过旋转和缩放带通滤波器Ψ(u)构建二维小波变换函数族:
其中,u为二维变量,q∈Z为尺度参数,Z表示整数集;Δ-θ∈H为旋转参数,表示沿瞬时针方向对变量u旋转的角度为θ,H表示在二维实数集R2的一个离散旋转集,旋转参数Δ-θ与旋转角度θ的之间关系式可表示为:
当最大尺度为2Q时,输入的一个训练样本的二维地震数据即为一个二维地震数据F,该二维地震数据F的小波变换可以表示为:
其中,*表示卷积运算,WQ表示小波算子,表示低通滤波器,{}表示不同尺度滤波器的集合;
令易知/>则对二维小波变换取模可表示为:
其中,MQ表示小波模算子,为带通滤波器/>参数/>所有取值的集合,/>表示低通滤波器,{}表示不同尺度滤波器的集合;/>
系数计算子模块,用于计算上述散射网络第一层的第0级散射系数和第1级小波模系数,上述散射网络的散射系数用于表征二维地震数据F的低频特征,上述小波模系数用于表征二维地震数据F的高频特征;其中,上述第0级散射系数表示为:
上述第1级小波模系数表示为:
其中,Ξ1为第1级小波模系数所用到的带通滤波器参数/>所有取值的集合;
将上述第0级散射系数作为上述散射网络第一层的输出,并将上述第1级小波模系数输入上述散射网络的第二层,用于计算上述散射网络的第1级散射系数和第2级的小波模系数:
其中,Ξ2为第2级小波模系数所用到的带通滤波器参数/>所有取值的集合;
输出子模块,用于重复以上小波卷积、非线性取模以及低通滤波操作过程,将上述散射网络各层的散射系数作为该层的输出,并将该层的小波模系数输入上述散射网络的下一层进行计算,以逐级迭代得到不同尺度的散射系数与小波模系数;
将上述散射网络前若干层输出的散射系数进行组合,得到上述二维地震数据F对应的多尺度特征。
可选地,上述密集连接卷积网络训练模块包括:
初始构建子模块,用于构建密集连接卷积网络,并设置初始的网络参数;
样本预测子模块,用于将通过上述散射网络提取的上述训练样本集中采样点对应的二维地震数据的多尺度特征输入上述密集连接卷积网络,进行多分辨率处理及特征融合,得到上述采样点对应的预测地震相类别;
训练更新子模块,用于根据上述采样点的预测地震相类别与上述采样点对应的地震相标签计算目标函数,并基于上述目标函数对上述密集连接卷积网络的网络参数进行反向梯度更新,以对上述密集连接卷积网络进行训练以及参数更新;
其中,上述地震相标签被表示为:通过One-hot编码得到的二进制向量,上述目标函数为:
其中,ykj表示第j个采样点的地震相标签对应的One-hot编码的第k个值,表示第j个采样点的预测地震相类别对应的One-hot编码的第k个值,J表示采样点的个数。
可选地,上述密集连接卷积网络训练模块还包括:
设置子模块,用于将初始学习率设置为lrinitial=10-3,学习衰减常数设置为lrdecay=10-2,网络的最大迭代次数设置为Nmax=50,则第Ni次网络的学习率可表示为:
其中,表示第Ni次的学习率。
对于系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均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的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例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,本申请实施例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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种地震相分类方法、装置、电子设备及介质,进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
Claims (10)
1.一种地震相分类方法,其特征在于,所述方法包括:
获取目标区域的二维地震数据,并对所述二维地震数据进行预处理,得到每个地震数据采样点对应的二维地震数据;
利用预先设置的散射网络对所述二维地震数据进行二维小波散射变换,得到所述地震数据采样点对应地震数据的多尺度特征;所述多尺度特征为散射变换不同层对应的具有局部形变稳定性以及平移不变性的散射系数;
将所述地震数据采样点对应地震数据的多尺度特征输入预置的密集连接卷积网络中,进行多分辨率处理及特征融合,得到所述地震数据采样点对应地震数据的地震相分类结果,并对所述地震相分类结果进行反分块处理,得到所述目标区域的地震相剖面。
2.根据权利要求1所述的方法,其特征在于,所述密集连接卷积网络包括连接的第一级DenseBlock组、第二级DenseBlock组、第三级DenseBlock组、全连接层和分类器,其中,任一DenseBlock组包括若干深度不同的DenseBlock和卷积层,两个所述DenseBlock之间通过所述卷积层连接;
所述将所述多尺度特征输入预置的密集连接卷积网络中,进行多分辨率处理及特征融合,得到对应的地震相分类结果,包括:
将所述散射变换不同层的散射系数对应输入至所述密集连接卷积网络的所述第一级DenseBlock组中进行第一次特征提取,得到第一级特征信息;
将使用所述第一级DenseBlock组从散射变换前两层的散射系数提取的特征信息进行拼接,并输入至所述第二级DenseBlock组中进行第二次特征融合、提取,得到第二级特征信息;
将所述第二级特征信息与使用所述第一级DenseBlock组从散射变换第三层的散射系数提取的特征信息进行拼接,并输入至所述第三级DenseBlock组中进行第三次特征融合、提取,得到第三级特征信息;
通过所述全连接层对所述第三级特征信息进行进一步特征融合和提取,并通过所述分类器计算所述地震数据采样点属于每类地震相的概率,选取概率最大的地震相类别作为所述地震数据采样点对应地震数据的地震相分类结果。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取二维叠后地震数据,并从中随机选择若干道具有地震相标签的二维地震数据形成训练样本集;所述训练样本集中的任一训练样本包括:一个采样点对应的二维地震数据及地震相标签,所述地震相标签用于表征所述采样点所属的地震相类别;
构建散射网络,利用二维小波散射变换提取所述训练样本集中采样点对应的二维地震数据的具有局部形变稳定性与平移不变性的多尺度特征信息;
利用提取的所述训练样本集中采样点对应的二维地震数据的多尺度特征信息以及地震相标签对初始的密集连接卷积网络进行训练,得到能够对所述多尺度特征进行多分辨率处理及融合,以预测所述采样点所属的地震相类别的密集连接卷积网络。
4.根据权利要求3所述的方法,其特征在于,所述训练样本集的生成包括:
获取样本二维地震数据并进行预处理,得到二维叠后地震数据Y,Y∈RN×M;其中,R表示实数集,M表示二维地震数据的地震道道数,N表示每道地震数据的采样点个数,RN×M表示尺寸为N×M的二维实数空间;
从所述二维叠后地震数据中选取若干道二维地震数据并获得其对应的地震相标签,形成训练样本集Ytrain,Ytrain∈RN×L,其中,L表示选取的已知地震相标签的地震道道数,N同样表示每道地震数据的采样点个数,RN×L表示尺寸为N×L的二维实数空间;
所述采样点对应的二维地震数据为:将二维叠后地震数据离散成N×M个采样点,对任一所述采样点,以该采样点为中心,利用方形窗对所述二维叠后地震数据进行划分,并将所述方形窗内所有采样点的二维地震数据作为该采样点对应的二维地震数据。
5.根据权利要求3所述的方法,其特征在于,构建所述散射网络包括:
通过旋转和缩放带通滤波器Ψ(u)构建二维小波变换函数族:
其中,u为二维变量,q∈Z为尺度参数,Z表示整数集;Δ-θ∈H为旋转参数,表示沿瞬时针方向对变量u旋转的角度为θ,H表示在二维实数集R2的一个离散旋转集,旋转参数Δ-θ与旋转角度θ的之间关系式可表示为:
当最大尺度为2Q时,输入的一个训练样本的二维地震数据即为一个二维地震数据F,该二维地震数据F的小波变换可以表示为:
其中,*表示卷积运算,WQ表示小波算子,表示低通滤波器,{}表示不同尺度滤波器的集合;
令易知/>则对二维小波变换取模可表示为:
其中,MQ表示小波模算子,为带通滤波器/>参数/>所有取值的集合,/>表示低通滤波器,{}表示不同尺度滤波器的集合;
由此可得所述散射网络第一层的第0级散射系数和第1级小波模系数,所述散射网络的散射系数用于表征二维地震数据F的低频特征,其具有局部形变稳定性以及平移不变性,所述小波模系数用于表征二维地震数据F的高频特征;其中,所述第0级散射系数表示为:
所述第1级小波模系数表示为:
其中,Ξ1为第1级小波模系数所用到的带通滤波器参数/>所有取值的集合;
将所述第0级散射系数作为所述散射网络第一层的输出,并将所述第1级小波模系数输入所述散射网络的第二层,用于计算所述散射网络的第1级散射系数和第2级的小波模系数:
其中,Ξ2为第2级小波模系数所用到的带通滤波器参数/>所有取值的集合;
重复以上小波卷积、非线性取模以及低通滤波操作过程,将所述散射网络各层的散射系数作为该层的输出,并将该层的小波模系数输入所述散射网络的下一层进行计算,以逐级迭代得到不同尺度的散射系数与小波模系数;
将所述散射网络前若干层输出的散射系数进行组合,得到所述二维地震数据F对应的多尺度特征。
6.根据权利要求3所述的方法,其特征在于,所述密集连接卷积网络的训练包括:
构建密集连接卷积网络,并设置初始的网络参数;
将通过所述散射网络提取的所述训练样本集中采样点对应的二维地震数据的多尺度特征输入所述密集连接卷积网络,进行多分辨率处理及特征融合,得到所述采样点对应的预测地震相类别;
根据所述采样点的预测地震相类别与所述采样点对应的地震相标签计算目标函数,并基于所述目标函数对所述密集连接卷积网络的网络参数进行反向梯度更新,以对所述密集连接卷积网络进行训练以及参数更新;
其中,所述地震相标签被表示为:通过One-hot编码得到的二进制向量,所述目标函数为:
其中,ykj表示第j个采样点的地震相标签对应的One-hot编码的第k个值,表示第j个采样点的预测地震相类别对应的One-hot编码的第k个值,J表示采样点的个数。
7.根据权利要求6所述的方法,其特征在于,所述密集连接卷积网络的初始学习率设置为lrinitial=10-3,学习衰减常数设置为lrdecay=10-2,网络的最大迭代次数设置为Nmax=50,则第Ni次网络的学习率可表示为:
其中,表示第Ni次的学习率。
8.一种地震相分类装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标区域的二维地震数据,并对所述二维地震数据进行预处理,得到每个地震数据采样点对应的二维地震数据;
多尺度特征提取模块,用于利用预先设置的散射网络对所述二维地震数据进行二维小波散射变换,得到所述地震数据采样点对应地震数据的多尺度特征;所述多尺度特征为散射变换不同层对应的具有局部形变稳定性以及平移不变性的散射系数;
地震相类别预测模块,用于将所述地震数据采样点对应地震数据的多尺度特征输入预置的密集连接卷积网络中,进行多分辨率处理及特征融合,得到所述地震数据采样点对应地震数据的地震相分类结果,并对所述地震相分类结果进行反分块处理,得到所述目标区域的地震相剖面。
9.一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,该计算机程序被处理器执行时,实现如权利要求1至7任一所述的方法中的步骤。
10.一种电子设备,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计算机程序时,实现如权利要求1至7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188166.6A CN117251674A (zh) | 2023-09-14 | 2023-09-14 | 一种地震相分类方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188166.6A CN117251674A (zh) | 2023-09-14 | 2023-09-14 | 一种地震相分类方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117251674A true CN117251674A (zh) | 2023-12-19 |
Family
ID=89136158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311188166.6A Pending CN117251674A (zh) | 2023-09-14 | 2023-09-14 | 一种地震相分类方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251674A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117607956A (zh) * | 2023-12-20 | 2024-02-27 | 东北石油大学 | 一种地震相识别方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-09-14 CN CN202311188166.6A patent/CN117251674A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117607956A (zh) * | 2023-12-20 | 2024-02-27 | 东北石油大学 | 一种地震相识别方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020325168A1 (en) | Petrophysical inversion with machine learning-based geologic priors | |
CN109709607B (zh) | 一种预测薄层砂岩储层厚度方法及装置 | |
CN110609320B (zh) | 一种基于多尺度特征融合的叠前地震反射模式识别方法 | |
CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
Tyler et al. | Modeling heterogeneities in fluvial domains: a review of the influence on production profiles | |
CN104199092A (zh) | 基于多层次框架的三维全层位自动追踪方法 | |
CN117251674A (zh) | 一种地震相分类方法、装置、电子设备及介质 | |
CN114966860A (zh) | 一种基于卷积神经网络的地震数据去噪方法 | |
CN105044775A (zh) | 一种地震流体反演识别方法和装置 | |
CN111894563B (zh) | 潜山段中裂缝型储层的分类确定方法及系统 | |
Zhong et al. | Multiscale residual pyramid network for seismic background noise attenuation | |
Verma et al. | Quantification of sand fraction from seismic attributes using Neuro-Fuzzy approach | |
CN112649887B (zh) | 基于钻井资料定量划分层序地层的方法及装置 | |
CN117031539A (zh) | 一种自监督深度学习地震数据低频重建方法及系统 | |
CN113419278B (zh) | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 | |
Roberts et al. | Joint stochastic constraint of a large data set from a salt dome | |
CN114035226B (zh) | 基于噪声语义相关性深度迁移去噪自编码网络的微地震资料噪声压制方法及系统 | |
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 | |
CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
Ye et al. | Rapid and Consistent Identification of Stratigraphic Boundaries and Stacking Patterns in Well Logs-An Automated Process Utilizing Wavelet Transforms and Beta Distributions | |
Heidary | The use of kernel principal component analysis and discrete wavelet transform to determine the gas and oil interface | |
Sadeghi et al. | Global stochastic seismic inversion using turning bands simulation and co-simulation | |
CN115291277B (zh) | 少井条件下基于多属性智能融合的储层构型解释方法 | |
CN112950016B (zh) | 基于深度学习的多参数融合非常规油气资源甜点评价方法 | |
CN114609668B (zh) | 一种基于散射变换和神经网络的优质储层识别方法、装置、设备及存储介质 |
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 |