CN117292225A - 一种基于SimpleNet网络的地震数据初至拾取方法 - Google Patents

一种基于SimpleNet网络的地震数据初至拾取方法 Download PDF

Info

Publication number
CN117292225A
CN117292225A CN202311323833.7A CN202311323833A CN117292225A CN 117292225 A CN117292225 A CN 117292225A CN 202311323833 A CN202311323833 A CN 202311323833A CN 117292225 A CN117292225 A CN 117292225A
Authority
CN
China
Prior art keywords
data
network
arrival
training
samples
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
Application number
CN202311323833.7A
Other languages
English (en)
Inventor
张�浩
李华丽
周远剑
施辉
陈程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
INSTITUTE OF GEOMECHANICS CHINESE ACADEMY OF GEOLOGICAL SCIENCES
Original Assignee
INSTITUTE OF GEOMECHANICS CHINESE ACADEMY OF GEOLOGICAL SCIENCES
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by INSTITUTE OF GEOMECHANICS CHINESE ACADEMY OF GEOLOGICAL SCIENCES filed Critical INSTITUTE OF GEOMECHANICS CHINESE ACADEMY OF GEOLOGICAL SCIENCES
Priority to CN202311323833.7A priority Critical patent/CN117292225A/zh
Publication of CN117292225A publication Critical patent/CN117292225A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于SimpleNet网络的地震数据初至拾取方法，涉及地震数据处理技术领域，包括以下步骤：S1，数据预处理；S101，将训练集中的地震炮集数据转化为灰度图像，便于后续的深度学习处理，例如单炮数据矩阵大小为451×800。本发明中，对于浅勘地震采集的炮集数据，采用人工标注拾取典型炮集上的初至函数，将数据集作为训练数据集和标签数据，一般来说，作为标签数据的数据量占整体炮集数据量的20％‑30％，并且使用训练集和对应的标签数据对SimpleNet网络进行训练，根据损失函数的表现确定神经网络训练的完成度，然后将其余数据作为验证集数据输入到训练好的神经网络中，让网络完成自动初至拾取，相比于现有技术，初至拾取能够更加准确高效。

Description

一种基于SimpleNet网络的地震数据初至拾取方法
技术领域
本发明涉及地震数据处理技术领域，尤其涉及一种基于SimpleNet网络的地震数据初至拾取方法。
背景技术
浅勘地震勘探中，探测深度浅，地形起伏对浅层地震成像的质量影响非常大。静校正(static)技术是资料处理中的消除地形影响的一项基础技术，在地表一定深(厚)度的地层，由于各种原因导致部分地层的速度较低，并且低速度地层的分布并不均匀，在地震波向下或侧向传播的过程中，低速体地层延长了记录的时间，影响了深层地层的成像位置，同时由于低速体厚度不均匀，会严重扭曲深层的构造成像，出现假构造，甚至是反向的构造，影响人们对地层、构造的认识和区分。随着对地震资料研究的加深，人们对静校正技术的要求越来越高，特别对于沙漠、黄土原、丘陵、复杂山地等区域的资料，静校正都是不可缺少的处理技术。
目前在地震资料处理过程中，为了减弱低速体的干扰，主要采用的静校正技术有高程静校正、初至波静校正、折射波静校正、微测井(cvt)和沙丘曲线和层析折射静校正等，虽然这些技术在实际使用中具有一定的效果，但是各项技术单独使用时，即使在相同的区域，由于试验参数的不同，也常常会有不同的结论。经过对上述静校正技术的分析，可以发现：高程静校正技术中没有涉及低速体速度的变化和厚度的变化因素，计算结果只是一个基本的校正量，不能很好的反映上低速体引起的校正量；初至波静校正技术主要利用初至波，但是初至波主要反映的是浅地表的速度信息，只有低速体比较薄，又相对均匀的情况下，该技术可以较好的解决静校正问题，当低速体厚度和均匀性发生变化时，该技术的计算误差较大；折射波静校正利用折射波计算高速层的速度，从而更精确的计算低速体平均速度(或时差)，但是面对低速体较厚并且变化较快的区域，初至波和折射波经常混在一起，很难是去折射波；微测井和沙丘曲线技术，微测井数据相对比较准确，但因数据采集点比较少，对于低速体横向变化，和高速地层底部的空间变化无法准确描述，一般只适合地表和地下高速层变化缓慢的地区，而沙丘曲线则更多适合沙丘厚度较大的区域，对于局部高速层或低速层快速变化的区域，效果并不明显；层析静校正技术也是基于初至波或折射波拾取，其处理效果虽然不多，但是对初至拾取的要求较高，如果地表变化过快，拾取的初至时间可靠性会降低，进而严重影响静校正效果。
通过对现有静校正技术的分析可以发现，目前所用的静校正技术成功施加非常依赖于初至拾取，准确高效的初至拾取可以有效提高静校正的效果，在地震资料处理领域，如何准确拾取初至，将是静校正技术的重要研究方向。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于SimpleNet网络的地震数据初至拾取方法。
为了实现上述目的，本发明采用了如下技术方案：一种基于SimpleNet网络的地震数据初至拾取方法，包括以下步骤：
S1，数据预处理；
S101，将训练集中的地震炮集数据转化为灰度图像，便于后续的深度学习处理，例如单炮数据矩阵大小为451×800，所以其生成的灰度图尺寸为800；
S102，对炮集灰度图进行初至的标注，由于实际资料中初至函数的复杂性，我们在标注初至函数时只选择标注那些明显且确定的初至函数，而忽略那些相对难以界定的部分，这样做可以尽量使得输入卷积神经网络的正样本(指的是初至函数部分)为真；
S103，为了突出初至函数区域，需要对原始剖面的灰度图和标签进行裁剪，从而形成初至函数集中的新灰度图和新标签，此过程中选择的图片裁剪范围主要依据的是原始标签图中的初至函数分布，生成的新标签尺寸为451×730，得到新标签后，对原始灰度图也做相同的裁剪操作，生成对应的初至函数集中的新灰度图，新灰度图的大小也是451×730；
S104，根据新获得的灰度图和标签，随机裁剪并生成多个256×256大小的样本和对应的标签，对样本进行数据增强操作；
S2，网络训练过程，在训练卷积神经网络时，使用训练卡进行训练，由10个原始地震剖面生成的训练样本的数量是可以选择的；
S3，预测结果，在神经网络完成训练后，使用该网络对测试集中的样本进行预测，此时卷积网络的预测过程分两种情况：一种情况是测试图像的尺寸与训练图像一样，为256×256；另一种情况是测试图像的尺寸是任意大小的，对于这两种情况，这时分别选择一个实际数据例子来说明网络的预测过程，尺寸为451×800。
较佳的，在S102步骤中，在处理结果中卷积网络的预测可以识别出那些较为细小的初至函数，则可以从侧面验证本方法中卷积网络提取初至函数特征的有效性。
较佳的，在S104步骤中，所述数据增强操作的具体方式为从由7个原始剖面生成的所有样本中随机选择一部分进行水平镜像变换，然后将新生成的图像代替变换前的图像作为新的样本，如此保持样本数量与数据增强前相同，最后得到的所有样本作为下一步中输入卷积神经网络的训练样本，对于样本对应的标签来说，也进行相同的操作。
较佳的，在S2步骤中，所述训练卡为NVIDIATeslaGPU(32GB)。此处，可以保证训练速度。
较佳的，在S2步骤中，模型中使用的卷积网络模型的结构为可变的，由于UNET++的网络特性，网络深度可以根据数据样本自适应调节。
与现有技术相比，本发明的优点和积极效果在于，
本发明中，对于浅勘地震采集的炮集数据，采用人工标注拾取典型炮集上的初至函数，将数据集作为训练数据集和标签数据，一般来说，作为标签数据的数据量占整体炮集数据量的20％-30％，并且使用训练集和对应的标签数据对SimpleNet网络进行训练，根据损失函数的表现确定神经网络训练的完成度，然后将其余数据作为验证集数据输入到训练好的神经网络中，让网络完成自动初至拾取，相比于现有技术，初至拾取能够更加准确高效。
附图说明
图1为本发明提出一种基于SimpleNet网络的地震数据初至拾取方法的流程图；
图2为本发明提出一种基于SimpleNet网络的地震数据初至拾取方法的原理图；
图3为本发明提出一种基于SimpleNet网络的地震数据初至拾取方法中训练和验证损失曲线(a)、学习率自适应调整曲线(b)以及分别由均方误差；
图4为本发明提出一种基于SimpleNet网络的地震数据初至拾取方法的应用效果图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开说明书的具体实施例的限制。
实施例中的原料均可通过市售得到；
除非特别说明，本发明采用的试剂、方法和设备为本技术领域常规试剂、方法和设备。
实施例一
SimpleNet神经网络方法原理
在计算机视觉中，浅勘地震数据初至拾取可以被视为一种语义分割任务，旨在将地震数据分割为两种语义：含有效地震数据区域区域和其他噪声区域。近年来，深度学习算法(如FCN、U-net、SegNet、Deeplab)和计算机计算能力的快速发展极大地提高了语义分割的性能。本发明采用异常检测的思想拾取浅勘地震数据初至函数。SimpleNet利用了基于合成和嵌入的方式，并进行了一些改进。与传统的Unet类深度神经网络方法相比，使用特征适配器来产生面向目标的特征，而不是直接使用预训练的特征，这可以减少领域偏差。通过训练一个简单的鉴别器来简化异常检测过程，该鉴别器比传统基于嵌入的方法所采用的复杂统计算法具有更高的计算效率。
SimpleNet方法原理
SimpleNet是一种神经网络模型，它的基本原理是通过对输入数据进行前向传播和反向传播，自动学习和优化网络的权重和结构，以实现准确的数据分析和预测。
在前向传播阶段，输入数据经过多个神经元的处理，通过非线性函数进行转换，逐步传递到输出层，生成预测结果。这个过程中，每个神经元都会根据其权重和偏差对输入信号进行计算，并将结果传递给下一个神经元。
在反向传播阶段，网络会根据预测结果和实际结果的差异，通过反向传播算法，逐层反向更新每个神经元的权重和偏差，以减小误差。这个过程会不断迭代，直到网络收敛，达到满意的预测准确率。SimpleNet采用多层的神经元模型，每个神经元都包含一个激活函数和一个线性组合函数。激活函数可以增加网络的非线性能力，而线性组合函数则可以将输入信号进行加权求和，然后传递给下一层神经元。SimpleNet还采用了梯度下降算法来优化网络的权重和偏差，使得网络能够更好地拟合数据。在训练过程中，网络会不断调整权重和偏差，以最小化预测误差的平方和，提高网络的预测准确率。
具体到网络结构，SimpleNet由一个特征提取器、一个特征适配器、一个异常特征生成器和一个鉴别器组成。异常特征生成器仅在训练期间使用，因此SimpleNet在推理时遵循单流方式。在训练阶段，将正常样本输入到预先训练的特征提取器中，以获得局部特征。然后，利用特征适配器将预先训练的特征适配到目标域中。通过将高斯噪声添加到自适应特征中来合成异常特征。自适应特征和异常特征分别用作正样本和负样本来训练最终的鉴别器。异常特征生成器在推断时被移除，SimpleNet可以在学习训练过程中实现自适应学习率调整。SimpleNet网络工作原理图见图1。
本发明提供一种技术方案：一种基于SimpleNet网络的地震数据初至拾取方法，包括以下步骤：
S1，数据预处理；
S101，将训练集中的地震炮集数据转化为灰度图像，便于后续的深度学习处理，例如单炮数据矩阵大小为451×800，所以其生成的灰度图尺寸为800；
S102，对炮集灰度图进行初至的标注，由于实际资料中初至函数的复杂性，我们在标注初至函数时只选择标注那些明显且确定的初至函数，而忽略那些相对难以界定的部分，这样做可以尽量使得输入卷积神经网络的正样本(指的是初至函数部分)为真；
S103，为了突出初至函数区域，需要对原始剖面的灰度图和标签进行裁剪，从而形成初至函数集中的新灰度图和新标签，此过程中选择的图片裁剪范围主要依据的是原始标签图中的初至函数分布，生成的新标签尺寸为451×730，得到新标签后，对原始灰度图也做相同的裁剪操作，生成对应的初至函数集中的新灰度图，新灰度图的大小也是451×730；
S104，根据新获得的灰度图和标签，随机裁剪并生成多个256×256大小的样本和对应的标签，对样本进行数据增强操作；
S2，网络训练过程，在训练卷积神经网络时，使用训练卡进行训练，由10个原始地震剖面生成的训练样本的数量是可以选择的，经过实验，SimpleNet网络模型的训练时间为30分钟左右，考虑到网络经过一次的训练后可以进行多次的预测，所以此训练时长完全可以接受，卷积神经网络在训练过程中的损失曲线(Loss曲线)，如图3所示，从图中可以看到损失函数随epoch增加逐渐收敛的过程，在epoch达到80后损失函数大小基本不再变化；
S3，预测结果，在神经网络完成训练后，使用该网络对测试集中的样本进行预测，此时卷积网络的预测过程分两种情况：一种情况是测试图像的尺寸与训练图像一样，为256×256；另一种情况是测试图像的尺寸是任意大小的，对于这两种情况，这时分别选择一个实际数据例子来说明网络的预测过程，尺寸为451×800，对于测试图像来说，一般不需要标注标签，当预测尺寸为451×800的图像时，卷积神经网络所需的预测时间小于1秒，网络预测的结果是一幅概率图，红色线代表初至预测位置，如图4所示，图4是网络直接输出的预测结果，图中颜色来代表初至拾取的结果，红色是概率高的地方，对应自动拾取结果，图4是将预测结果显示在原剖面上得到的图像，从图中可以直观地看出神经网络预测出的初至函数位置结果。
本实施例中，在S102步骤中，在处理结果中卷积网络的预测可以识别出那些较为细小的初至函数，则可以从侧面验证本方法中卷积网络提取初至函数特征的有效性。
本实施例中，在S104步骤中，所述数据增强操作的具体方式为从由7个原始剖面生成的所有样本中随机选择一部分进行水平镜像变换，然后将新生成的图像代替变换前的图像作为新的样本，如此保持样本数量与数据增强前相同，最后得到的所有样本作为下一步中输入卷积神经网络的训练样本，对于样本对应的标签来说，也进行相同的操作。
本实施例中，在S2步骤中，所述训练卡为NVIDIATeslaGPU(32GB)。
本实施例中，在S2步骤中，模型中使用的卷积网络模型的结构为可变的，由于UNET++的网络特性，网络深度可以根据数据样本自适应调节。
通过上述实施例可以看出，对于浅勘地震采集的炮集数据，采用人工标注拾取典型炮集上的初至函数，将数据集作为训练数据集和标签数据，一般来说，作为标签数据的数据量占整体炮集数据量的20％-30％，并且使用训练集和对应的标签数据对SimpleNet网络进行训练，根据损失函数的表现确定神经网络训练的完成度，然后将其余数据作为验证集数据输入到训练好的神经网络中，让网络完成自动初至拾取，且相比于现有技术，初至拾取能够更加准确高效。
以上，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

1.一种基于SimpleNet网络的地震数据初至拾取方法，其特征在于，包括以下步骤：
S1，数据预处理；
S101，将训练集中的地震炮集数据转化为灰度图像，便于后续的深度学习处理，例如单炮数据矩阵大小为451×800，所以其生成的灰度图尺寸为800；
S102，对炮集灰度图进行初至的标注，由于实际资料中初至函数的复杂性，我们在标注初至函数时只选择标注那些明显且确定的初至函数，而忽略那些相对难以界定的部分，这样做可以尽量使得输入卷积神经网络的正样本(指的是初至函数部分)为真；
S103，为了突出初至函数区域，需要对原始剖面的灰度图和标签进行裁剪，从而形成初至函数集中的新灰度图和新标签，此过程中选择的图片裁剪范围主要依据的是原始标签图中的初至函数分布，生成的新标签尺寸为451×730，得到新标签后，对原始灰度图也做相同的裁剪操作，生成对应的初至函数集中的新灰度图，新灰度图的大小也是451×730；
S104，根据新获得的灰度图和标签，随机裁剪并生成多个256×256大小的样本和对应的标签，对样本进行数据增强操作；
S2，网络训练过程，在训练卷积神经网络时，使用训练卡进行训练，由10个原始地震剖面生成的训练样本的数量是可以选择的；
S3，预测结果，在神经网络完成训练后，使用该网络对测试集中的样本进行预测，此时卷积网络的预测过程分两种情况：一种情况是测试图像的尺寸与训练图像一样，为256×256；另一种情况是测试图像的尺寸是任意大小的，对于这两种情况，这时分别选择一个实际数据例子来说明网络的预测过程，尺寸为451×800。
2.根据权利要求1所述的基于SimpleNet网络的地震数据初至拾取方法，其特征在于：在S102步骤中，在处理结果中卷积网络的预测可以识别出那些较为细小的初至函数，则可以从侧面验证本方法中卷积网络提取初至函数特征的有效性。
3.根据权利要求1所述的基于SimpleNet网络的地震数据初至拾取方法，其特征在于：在S104步骤中，所述数据增强操作的具体方式为从由7个原始剖面生成的所有样本中随机选择一部分进行水平镜像变换，然后将新生成的图像代替变换前的图像作为新的样本，如此保持样本数量与数据增强前相同，最后得到的所有样本作为下一步中输入卷积神经网络的训练样本，对于样本对应的标签来说，也进行相同的操作。
4.根据权利要求1所述的基于SimpleNet网络的地震数据初至拾取方法，其特征在于：在S2步骤中，所述训练卡为NVIDIATeslaGPU(32GB)。
5.根据权利要求1所述的基于SimpleNet网络的地震数据初至拾取方法，其特征在于：在S2步骤中，模型中使用的卷积网络模型的结构为可变的，由于UNET++的网络特性，网络深度可以根据数据样本自适应调节。
CN202311323833.7A 2023-10-13 2023-10-13 一种基于SimpleNet网络的地震数据初至拾取方法 Pending CN117292225A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311323833.7A CN117292225A (zh) 2023-10-13 2023-10-13 一种基于SimpleNet网络的地震数据初至拾取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311323833.7A CN117292225A (zh) 2023-10-13 2023-10-13 一种基于SimpleNet网络的地震数据初至拾取方法

Publications (1)

Publication Number Publication Date
CN117292225A true CN117292225A (zh) 2023-12-26

Family

ID=89244348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311323833.7A Pending CN117292225A (zh) 2023-10-13 2023-10-13 一种基于SimpleNet网络的地震数据初至拾取方法

Country Status (1)

Country Link
CN (1) CN117292225A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117647837A (zh) * 2024-01-26 2024-03-05 东北石油大学三亚海洋油气研究院 一种地震数据的初至拾取方法、系统及计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117647837A (zh) * 2024-01-26 2024-03-05 东北石油大学三亚海洋油气研究院 一种地震数据的初至拾取方法、系统及计算机设备
CN117647837B (zh) * 2024-01-26 2024-04-09 东北石油大学三亚海洋油气研究院 一种地震数据的初至拾取方法、系统及计算机设备

Similar Documents

Publication Publication Date Title
CN117292225A (zh) 一种基于SimpleNet网络的地震数据初至拾取方法
Zhao et al. An attention encoder-decoder network based on generative adversarial network for remote sensing image dehazing
Si et al. Attenuation of random noise using denoising convolutional neural networks
NO20220101A1 (en) Geological feature detection using generative adversarial neural networks
CN113687414B (zh) 基于数据增广的卷积神经网络地震层间多次波压制方法
Li et al. IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data
CN109977968A (zh) 一种深度学习分类后比较的sar变化检测方法
CN111948711B (zh) 一种利用深度学习法提取地震数据低频部分的方法和系统
Dou et al. MD loss: Efficient training of 3-D seismic fault segmentation network under sparse labels by weakening anomaly annotation
CN110879412A (zh) 地下横波速度反演方法、装置、计算设备及存储介质
CN113538378A (zh) 一种基于深度学习的轴承尺寸在线检测系统
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
Zhou et al. MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution
CN112818777B (zh) 一种基于密集连接与特征增强的遥感图像目标检测方法
CN117054754A (zh) 一种基于目标检测模型的快速射电暴信号搜寻方法
CN112101440A (zh) 一种基于改进U-Net网络的日冕物质抛射检测方法
Guan et al. DiffWater: Underwater Image Enhancement Based on Conditional Denoising Diffusion Probabilistic Model
CN114155411A (zh) 一种弱小目标智能检测识别方法
CN116934603A (zh) 测井曲线缺失段补全方法、装置、存储介质及电子设备
Li Restoration method of ancient mural image defect information based on neighborhood filtering
CN112034512A (zh) 基于深度学习模型的地震数据不连续性检测方法和系统
Song et al. Research on virtual color restoration of complex building system based on discrete wavelet transform
CN110222632A (zh) 一种灰色预测辅助区域建议的水面目标检测方法
CN117250657B (zh) 一种地震数据重建去噪一体化方法
CN114624768B (zh) 训练地震初至拾取模型的方法及装置

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