CN117421642B - 基于深度学习的智能检波器数据存储方法及相关设备 - Google Patents
基于深度学习的智能检波器数据存储方法及相关设备 Download PDFInfo
- Publication number
- CN117421642B CN117421642B CN202311741060.4A CN202311741060A CN117421642B CN 117421642 B CN117421642 B CN 117421642B CN 202311741060 A CN202311741060 A CN 202311741060A CN 117421642 B CN117421642 B CN 117421642B
- Authority
- CN
- China
- Prior art keywords
- detection
- data
- vector
- spectrum
- exploration
- 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.)
- Active
Links
- 238000013500 data storage Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013135 deep learning Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 687
- 239000013598 vector Substances 0.000 claims abstract description 387
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000005065 mining Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000007726 management method Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims description 273
- 230000004927 fusion Effects 0.000 claims description 55
- 238000004364 calculation method Methods 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 24
- 238000013526 transfer learning Methods 0.000 claims description 24
- 230000005284 excitation Effects 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 238000011176 pooling Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 239000004215 Carbon black (E152) Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/096—Transfer learning
Abstract
本发明提供的基于深度学习的智能检波器数据存储方法及相关设备,涉及人工智能技术领域。在本发明中,挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量,并组合形成第一勘探检波向量序列;依据第一勘探检波向量序列进行至少一次关联的向量深度挖掘处理,输出目标检波器数据的第二勘探检波向量序列;基于第二勘探检波向量序列进行数据类型识别,输出目标检波器数据对应的数据类型识别信息;基于目标检波器数据对应的数据类型识别信息,对目标检波器数据进行分类存储处理,使得目标检波器数据被存储至与数据类型识别信息相对应的数据存储设备。基于上述内容,可以提高智能检波器数据存储管理的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于深度学习的智能检波器数据存储方法及相关设备。
背景技术
检波器在油气勘探中扮演着关键的角色,用于探测、测量和分析地下地质结构和油气资源。其在油气勘探中的主要应用领域:地震勘探。地震勘探作为最常见的油气勘探方法之一,它利用地震波传播来探测地下地质结构。地震检波器被用来记录地震波的到达时间和振幅(如通过振动源形成振动,检波器可以采集地质结构反射的波),以重建地下层的结构,这种技术有助于确定潜在的油气储层位置和性质。
对于油气勘探来说,形成的检波器数据是海量的,将一般需要包括多个数据存储设备的分布式存储系统进行存储。在现有技术中,一般是按照采集时间,将一个数据存储设备存储满之后,再启用另一个数据存储设备,如此,使得后续的应用查找便利性不高,即存在着检波器数据存储管理的可靠度相对不高的问题。
发明内容
本发明的目的在于提供一种基于深度学习的智能检波器数据存储方法及相关设备,以提高智能检波器数据存储管理的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于深度学习的智能检波器数据存储方法,包括:
挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量,并组合形成所述目标检波器数据的第一勘探检波向量序列,每一个所述局部检波器数据基于部署于目标油气勘探区域中的检波器阵列所包括的一个检波器进行相应的信息采集操作以得到,所述第一勘探检波向量序列用于反映所述目标检波器数据具有的表面语义信息;
依据所述第一勘探检波向量序列,进行至少一次关联的向量深度挖掘处理,输出所述目标检波器数据的第二勘探检波向量序列,所述第二勘探检波向量序列用于反映所述目标检波器数据具有的深度语义信息;
基于所述第二勘探检波向量序列,进行数据类型识别,输出所述目标检波器数据对应的数据类型识别信息;
基于所述目标检波器数据对应的数据类型识别信息,对所述目标检波器数据进行分类存储处理,使得所述目标检波器数据被存储至与所述数据类型识别信息相对应的数据存储设备。
在一些优选的实施例中,在上述基于深度学习的智能检波器数据存储方法中,依据所述第一勘探检波向量序列,进行至少一次关联的向量深度挖掘处理,输出所述目标检波器数据的第二勘探检波向量序列,其步骤包括:
将所述第一勘探检波向量序列,或者相邻的前一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列,确定为所述关联的向量深度挖掘处理对应的检波图谱成员组合;所述检波图谱成员组合中的一个检波图谱成员,对应于所述第一勘探检波向量序列中的一个所述第一勘探检波向量,或所述候选勘探检波向量序列中的一个候选勘探检波向量;
基于所述检波图谱成员组合中各成员之间的关联关系,确定出检波图谱关联线组合,所述检波图谱关联线组合中的检波图谱关联线用于反映所述检波图谱成员之间的关联关系;
基于所述检波图谱成员组合、所述检波图谱关联线组合,确定出所述关联的向量深度挖掘处理对应的检波数据图谱,所述检波数据图谱包括所述检波图谱成员组合和所述检波图谱关联线组合;
对于所述检波数据图谱中的每一个检波图谱成员,将其关联检波图谱成员融合到该检波图谱成员,并将融合形成的中间检波向量进行调整,使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量;
基于每一个所述检波图谱成员对应的中间勘探检波向量,得到所述目标检波器数据的第二勘探检波向量序列。
在一些优选的实施例中,在上述基于深度学习的智能检波器数据存储方法中,基于所述检波图谱成员组合中各检波图谱成员之间的关联关系,确定出检波图谱关联线组合,其步骤包括:
分析出所述检波图谱成员组合中各检波图谱成员之间的关联性参数,以用于反映相应的检波图谱成员之间的关联程度;
对于每一个所述检波图谱成员,将各其它检波图谱成员依照与该检波图谱成员之间的关联性参数进行大小排序,并根据大小排序的结果,对所述检波图谱成员和关联性参数最大的目标数量个其它检波图谱成员进行检波图谱关联线的配置;
基于每一个所述检波图谱成员配置的检波图谱关联线,得到所述检波图谱成员组合相应的检波图谱关联线组合。
在一些优选的实施例中,在上述基于深度学习的智能检波器数据存储方法中,所述对于所述检波数据图谱中的每一个检波图谱成员,将其关联检波图谱成员融合到该检波图谱成员,并将融合形成的中间检波向量进行调整,使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量,其步骤包括:
对于所述检波数据图谱中的每一个检波图谱成员,分析出与其区别程度最高的关联检波图谱成员,并对所述检波图谱成员与所述关联检波图谱成员的勘探检波向量进行聚合,形成对应的聚合勘探检波向量;
分别将所述检波数据图谱中的每一个检波图谱成员对应的聚合勘探检波向量进行卷积运算,输出所述检波数据图谱中的每一个检波图谱成员对应的融合形成的中间检波向量;
将融合形成的中间检波向量进行调整,使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量。
在一些优选的实施例中,在上述基于深度学习的智能检波器数据存储方法中,将融合形成的中间检波向量进行调整,使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量,其步骤包括:
基于配置的权重参数,将融合形成的中间检波向量进行加权计算,输出相应的加权融合中间检波向量;
将所述加权融合中间检波向量进行激励处理,输出相应的激励融合中间检波向量;
基于所述激励融合中间检波向量,得到所述检波图谱成员对应的中间勘探检波向量。
在一些优选的实施例中,在上述基于深度学习的智能检波器数据存储方法中,所述基于所述激励融合中间检波向量,得到所述检波图谱成员对应的中间勘探检波向量,其步骤包括:
将所述激励融合中间检波向量进行非线性的映射处理,输出相应的第一非线性的映射检波向量;对所述第一非线性的映射检波向量进行卷积运算,并对形成的卷积向量和所述检波图谱成员对应的第一勘探检波向量进行叠加运算,形成所述检波图谱成员对应的中间勘探检波向量;
或者将所述激励融合中间检波向量进行卷积运算,并对形成的卷积向量和所述检波图谱成员的第一勘探检波向量进行叠加运算,形成所述检波图谱成员对应的叠加勘探检波向量;
将所述叠加勘探检波向量进行卷积运算,并对形成的卷积向量进行非线性的映射处理,输出相应的第二非线性的映射检波向量;
将所述第二非线性的映射检波向量进行卷积运算,以及,对形成的卷积向量和所述检波图谱成员对应的叠加勘探检波向量进行叠加运算,形成所述检波图谱成员对应的中间勘探检波向量。
在一些优选的实施例中,在上述基于深度学习的智能检波器数据存储方法中,所述基于所述第二勘探检波向量序列进行数据类型识别,输出所述目标检波器数据对应的数据类型识别信息,其步骤包括:
将所述第二勘探检波向量序列进行降维压缩处理,输出所述第二勘探检波向量序列相应的降维勘探检波向量;
将所述降维勘探检波向量进行卷积运算,并将形成的卷积向量进行映射处理,形成所述目标检波器数据属于各个数据类型的参数分布;
基于所述目标检波器数据属于各个数据类型的参数分布,确定出所述目标检波器数据的数据类型识别信息,在所述参数分布包括的各参数中,所述数据类型识别信息表征的数据类型对应的参数具有最大值。
在一些优选的实施例中,在上述基于深度学习的智能检波器数据存储方法中,在所述挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量,并组合形成所述目标检波器数据的第一勘探检波向量序列的步骤以前,所述基于深度学习的智能检波器数据存储方法还包括:
依据提取到的样本检波器数据簇,将迁移学习网络组合中的第一检波数据识别模型进行更新,所述第一检波数据识别模型的模型规模大于所述迁移学习网络组合中的第二检波数据识别模型的模型规模,所述第一检波数据识别模型属于迁移学习中的教师模型,第二检波数据识别模型属于迁移学习中的学生模型;
依据所述样本检波器数据簇,将所述第二检波数据识别模型进行更新,且在更新的过程中基于所述第一检波数据识别模型,对所述第二检波数据识别模型的更新进行引导,实现知识迁移学习。
在一些优选的实施例中,在上述基于深度学习的智能检波器数据存储方法中,所述依据提取到的样本检波器数据簇,将迁移学习网络组合中的第一检波数据识别模型进行更新的步骤,包括:
将提取到的样本检波器数据簇的至少部分样本检波器数据,加载到迁移学习网络组合中的第一检波数据识别模型,并基于所述第一检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布,计算出相应的数据类型识别误差,再基于所述数据类型识别误差,对所述第一检波数据识别模型的模型参数进行更新;
并且,所述依据所述样本检波器数据簇,将所述第二检波数据识别模型进行更新,且在更新的过程中基于所述第一检波数据识别模型,对所述第二检波数据识别模型的更新进行引导,实现知识迁移学习的步骤,包括:
分别将所述样本检波器数据簇的至少部分样本检波器数据,加载到所述第一检波数据识别模型和所述第二检波数据识别模型中,基于所述第一检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布和每一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列中的至少一个,并结合所述第二检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布和每一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列中的至 少一个,计算出相应的目标误差确定规则的目标误差,再基于所述目标误差,对所述第二检波数据识别模型的模型参数进行更新,所述目标误差确定规则包括第一误差计算规则和以下三种误差计算规则中的至少一种误差计算规则:
第二误差计算规则、第三误差计算规则和第四误差计算规则;
其中,所述第一误差计算规则用于反映所述第二检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布与所述样本检波器数据簇中样本检波器数据的数据类型实际信息之前的区别;
所述第二误差计算规则用于反映所述第一检波数据识别模型和所述第二检波数据识别模型在相对应的关联的向量深度挖掘处理中确定出的检波数据图谱中相应的检波图谱成员之间的区别;
所述第三误差计算规则用于反映所述第一检波数据识别模型和所述第二检波数据识别模型在相对应的关联的向量深度挖掘处理中确定出的检波数据图谱中相应的检波图谱成员的关联检波图谱成员之间的区别;
所述第四误差计算规则用于反映所述第一检波数据识别模型和所述第二检波数据识别模型输出的相应的样本检波器数据属于各个数据类型的参数分布之间的区别。
本发明实施例还提供一种基于深度学习的智能检波器数据存储相关设备,该相关设备为管理设备,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的基于深度学习的智能检波器数据存储方法。
本发明实施例提供的基于深度学习的智能检波器数据存储方法及相关设备,可以挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量,并组合形成第一勘探检波向量序列;依据第一勘探检波向量序列进行至少一次关联的向量深度挖掘处理,输出目标检波器数据的第二勘探检波向量序列;基于第二勘探检波向量序列进行数据类型识别,输出目标检波器数据对应的数据类型识别信息;基于目标检波器数据对应的数据类型识别信息,对目标检波器数据进行分类存储处理,使得目标检波器数据被存储至与数据类型识别信息相对应的数据存储设备。基于前述内容,可以对检波器数据进行分类存储,使得在应用查找时,相似的(同类的)检波器数据便于进行查找,可以在一定程度上提高智能检波器数据存储管理的可靠度(现有技术中,一般是基于采集的时间进行存储)。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明。
附图说明
图1为本发明实施例提供的基于深度学习的智能检波器数据存储相关设备的结构框图。
图2为本发明实施例提供的基于深度学习的智能检波器数据存储方法包括的各步骤的流程示意图。
图3为本发明实施例提供的一种检波数据图谱的示意图。
图4为本发明实施例提供的基于深度学习的智能检波器数据存储管理装置包括的各模块的示意图。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于深度学习的智能检波器数据存储相关设备,所述相关设备为管理设备。其中,所述基于深度学习的智能检波器数据存储相关设备可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于深度学习的智能检波器数据存储方法。
举例来说,在一种可能的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
举例来说,在一种可能的实施方式中,所述基于深度学习的智能检波器数据存储相关设备可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于深度学习的智能检波器数据存储方法,可应用于上述基于深度学习的智能检波器数据存储相关设备。其中,所述基于深度学习的智能检波器数据存储方法有关的流程所定义的方法步骤,可以由所述基于深度学习的智能检波器数据存储相关设备实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量,并组合形成所述目标检波器数据的第一勘探检波向量序列。
在本发明实施例中,所述基于深度学习的智能检波器数据存储相关设备可以挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量,并组合形成所述目标检波器数据的第一勘探检波向量序列。每一个所述局部检波器数据基于部署于目标油气勘探区域中的检波器阵列包括的一个检波器进行相应的信息采集操作以得到,如此,对于检波器阵列包括的多个检波器,可以得到多个局部检波器数据,另外,所述局部检波器数据可以是指采集到的原始的地震波数据,也可以是将地震波数据进行转换后形成的频谱数据。所述第一勘探检波向量序列用于反映所述目标检波器数据具有的表面语义信息,表面语义信息通常关注输入数据的局部结构,它们对于识别输入中的基本特征很有用,但缺乏对更高级抽象的理解。另外,所述第一勘探检波向量序列中的一个所述第一勘探检波向量对应于一个局部检波器数据,用于表征该局部检波器数据的表面语义信息。举例来说,可以通过相应神经网络中的卷积层,对所述局部检波器数据进行卷积运算,以得到相应的第一勘探检波向量,即用向量来表征。
步骤S120,依据所述第一勘探检波向量序列进行至少一次关联的向量深度挖掘处理,输出所述目标检波器数据的第二勘探检波向量序列。
在本发明实施例中,所述基于深度学习的智能检波器数据存储相关设备可以依据所述第一勘探检波向量序列进行至少一次关联的向量深度挖掘处理,输出所述目标检波器数据的第二勘探检波向量序列。所述第二勘探检波向量序列用于反映所述目标检波器数据具有的深度语义信息,深度语义信息能够更好地理解输入数据的语义含义,可以对不同输入之间的共性进行更强的泛化。由于所述第一勘探检波向量序列中的所述第一勘探检波向量属于表面特征(Shallow Features),因此,还需要进行进一步的挖掘,使得得到属于深度特征(Deep Features)的第二勘探检波向量。其中,在向量深度挖掘处理的过程中,通过进行关联的挖掘,即考虑关联的第一勘探检波向量的语义信息,使得得到的第二勘探检波向量的语义表征能力更强,在后续的数据类型识别中可以保障识别的精度。另外,所述第二勘探检波向量序列中的一个第二勘探检波向量,对应于所述第一勘探检波向量序列中的一个第一勘探检波向量序列,即具有一一对应的关系。
步骤S130,基于所述第二勘探检波向量序列进行数据类型识别,输出所述目标检波器数据对应的数据类型识别信息。
在本发明实施例中,所述基于深度学习的智能检波器数据存储相关设备可以基于所述第二勘探检波向量序列进行数据类型识别,输出所述目标检波器数据对应的数据类型识别信息。示例性地,可以通过相应神经网络中的识别单元进行处理,得到相应的数据类型识别信息。
步骤S140,基于所述目标检波器数据对应的数据类型识别信息,对所述目标检波器数据进行分类存储处理,使得所述目标检波器数据被存储至与所述数据类型识别信息相对应的数据存储设备。
在本发明实施例中,所述基于深度学习的智能检波器数据存储相关设备可以基于所述目标检波器数据对应的数据类型识别信息,对所述目标检波器数据进行分类存储处理,使得所述目标检波器数据被存储至与所述数据类型识别信息相对应的数据存储设备。示例性地,所述数据类型识别信息,是用于进行分类存储,即使得相似的检波器数据(即具有一样的数据类型识别信息的检波器数据)能够存储到一个数据存储设备(或者说,一个数据存储设备中存储的各检波器数据具有一样的数据类型识别信息),因此,所述数据类型识别信息可以不具有实际的语义信息,如第一种数据类型信息、第二种数据类型信息、第三种数据类型信息。或者,在其它示例中,所述数据类型识别信息也可以具有实际的类型语义,如表征是否具有油气或具有的油气存储量等级等,可以进行预先定义。
基于前述内容,可以对检波器数据进行分类存储,使得在应用查找时,相似的(同类的)检波器数据便于进行查找,因此,可以在一定程度上提高智能检波器数据存储管理的可靠度(现有技术中,一般是基于采集的时间进行存储,如采集时间相近的会分配到相同的数据存储设备)。
举例来说,需要存储的检波器数据包括第一检波器数据、第二检波器数据和第二检波器数据。其中,第一检波器数据包括第一局部检波器数据、第二局部检波器数据和第三局部检波器数据,第二检波器数据包括第四局部检波器数据、第五局部检波器数据和第六局部检波器数据,第三检波器数据包括第七局部检波器数据、第八局部检波器数据和第九局部检波器数据。挖掘出第一局部检波器数据对应的第一勘探检波向量、第二局部检波器数据对应的第一勘探检波向量、第三局部检波器数据对应的第一勘探检波向量;挖掘出第四局部检波器数据对应的第一勘探检波向量、第五局部检波器数据对应的第一勘探检波向量、第五局部检波器数据对应的第一勘探检波向量;挖掘出第七局部检波器数据对应的第一勘探检波向量、第八局部检波器数据对应的第一勘探检波向量、第九局部检波器数据对应的第一勘探检波向量。
对第一局部检波器数据对应的第一勘探检波向量、第二局部检波器数据对应的第一勘探检波向量、及第三局部检波器数据对应的第一勘探检波向量进行至少一次关联的向量深度挖掘处理,得到三个第二勘探检波向量;对第四局部检波器数据对应的第一勘探检波向量、第五局部检波器数据对应的第一勘探检波向量、及第六局部检波器数据对应的第一勘探检波向量进行至少一次关联的向量深度挖掘处理,得到三个第二勘探检波向量;对第七局部检波器数据对应的第一勘探检波向量、第八局部检波器数据对应的第一勘探检波向量、及第九局部检波器数据对应的第一勘探检波向量进行至少一次关联的向量深度挖掘处理,得到三个第二勘探检波向量。对第一局部检波器数据对应的第一勘探检波向量、第二局部检波器数据对应的第一勘探检波向量、及第三局部检波器数据对应的第一勘探检波向量进行至少一次关联的向量深度挖掘处理后,得到的三个第二勘探检波向量进行数据类型识别,得到第一数据类型识别信息;对第四局部检波器数据对应的第一勘探检波向量、第五局部检波器数据对应的第一勘探检波向量、及第六局部检波器数据对应的第一勘探检波向量进行至少一次关联的向量深度挖掘处理后,得到的三个第二勘探检波向量进行数据类型识别,得到第二数据类型识别信息;对第七局部检波器数据对应的第一勘探检波向量、第八局部检波器数据对应的第一勘探检波向量、及第九局部检波器数据对应的第一勘探检波向量进行至少一次关联的向量深度挖掘处理,得到的三个第二勘探检波向量进行数据类型识别,得到第三数据类型识别信息;倘若第一数据类型识别信息和第二数据类型识别信息一样,都属于第一种数据类型信息;第三数据类型识别信息属于第二种数据类型信息。第一数据存储设备存储的检波器数据对应的数据类型识别信息属于第一种数据类型信息,因此,可以将第一检波器数据和第二检波器数据存储至第一数据存储设备;第二数据存储设备存储的检波器数据对应的数据类型识别信息属于第二种数据类型信息,因此,可以将检波器数据存储至第二数据存储设备。
另外,需要说明的是,上述的各种向量序列可以是指向量的集合、有序集合或者矩阵等表现形式。
其中,举例来说,在一种可能的实施方式中,上述的步骤S110,可以包括以下的具体内容:
分别将目标检波器数据中的各个局部检波器数据加载到卷积网络中的各个卷积单元(卷积单元和局部检波器数据之间可以具有一一对应的关系);
分别利用各个卷积单元,对相应的局部检波器数据进行卷积运算,得到相应的第一勘探检波向量,并将各个卷积单元输出的第一勘探检波向量组合形成所述目标检波器数据的第一勘探检波向量序列;卷积层通过定义一组卷积核(也称为滤波器或特征检测器),对输入数据进行卷积操作,卷积核在输入数据的局部区域上进行滑动,并与输入数据的对应部分进行逐元素相乘并求和,这个操作可以有效地提取输入数据中的局部特征,通过在卷积层中使用多个卷积核,可以提取多个不同的特征,在油气勘探中,可以将检波器数据作为输入,通过卷积层进行特征挖掘,卷积层可以学习到一些浅层特征,比如震荡波形的形状、频率成分和振幅变化等。
举例来说,假设有一局部检波器数据对应的频谱数据:
[[0.2, 0.4, 0.6], [0.1, 0.2, 0.4], [0.0, 0.1, 0.2]];
现在,定义了多个卷积核,每个卷积核可以学习不同的频谱特征。以下是两个示例卷积核:
卷积核1(低频特征检测):[[1, 1], [1, 1]];
卷积核2(高频特征检测):[[-1, 1], [-1, 1]];
卷积层的卷积操作在频谱数据上进行滑动,以提取不同的频谱特征。对于每个卷积核,卷积操作如下:
对卷积核1的卷积操作:Output1 = [(0.2*1 + 0.4*1 + 0.1*1 + 0.2*1) ,(0.4*1 + 0.6*1 + 0.2*1 + 0.4*1) , (0.1*1 + 0.2*1 + 0.0*1 + 0.1*1) , (0.2*1 + 0.4*1+ 0.1*1 + 0.2*1)]=[0.9,1.6,0.4,0.9];
对卷积核2的卷积操作:Output2 = (0.2*(-1) + 0.4*1 + 0.1*(-1) + 0.2*1) ,(0.4*(-1) + 0.6*1 + 0.2*(-1) + 0.4*1) , (0.1*(-1) + 0.2*1 + 0.0*(-1) + 0.1*1),(0.2*(-1) + 0.4*1 + 0.1*(-1) + 0.2*1)] = [0.3,0.4,0.1,0.3];
然后,可以将两个卷积核的输出进行合并,得到相应的第一勘探检波向量,如级联(拼接)得到[[0.9,1.6,0.4,0.9], [0.3,0.4,0.1,0.3]],如均值叠加得到[0.6,1.0,0.25,0.6]。
举例来说,在一种可能的实施方式中,上述的步骤S120,可以包括:
将所述第一勘探检波向量序列或者相邻的前一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列,确定为所述关联的向量深度挖掘处理对应的检波图谱成员组合,所述检波图谱成员组合中的一个检波图谱成员对应于所述第一勘探检波向量序列中的一个所述第一勘探检波向量或所述候选勘探检波向量序列中的一个候选勘探检波向量,即一一对应;
基于所述检波图谱成员组合中检波图谱成员之间的关联关系,确定出检波图谱关联线组合,所述检波图谱关联线组合中的检波图谱关联线用于反映所述检波图谱成员之间的关联关系,如具有关联关系的检波图谱成员之间配置有检波图谱关联线,可以用参数1表示,不具有关联关系的检波图谱成员之间不配置有检波图谱关联线,可以用参数0表示;
基于所述检波图谱成员组合和所述检波图谱关联线组合,确定出所述关联的向量深度挖掘处理对应的检波数据图谱,所述检波数据图谱包括所述检波图谱成员组合和所述检波图谱关联线组合,也就是说,所述检波数据图谱由所述检波图谱成员组合和所述检波图谱关联线组合构成;
对于所述检波数据图谱中的每一个检波图谱成员,将该检波图谱成员的关联检波图谱成员融合到该检波图谱成员,以及,将融合形成的中间检波向量进行调整,使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量(即当前一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列);
基于每一个所述检波图谱成员对应的中间勘探检波向量,得到所述目标检波器数据的第二勘探检波向量序列,在当前一次进行关联的向量深度挖掘处理属于最后一次进行关联的向量深度挖掘处理的时候,可以将每一个所述检波图谱成员对应的中间勘探检波向量组合在一起,形成所述目标检波器数据的第二勘探检波向量序列。
举例来说,第一勘探检波向量序列中包括三个第一勘探检波向量。基于此,可以形成相应的第一检波图谱成员、第二检波图谱成员和第三检波图谱成员;假设确定出第一检波图谱成员与第二检波图谱成员和第三检波图谱成员分别具有关联关系,第二检波图谱成员和第三检波图谱成员之间不具有关联关系,因此,可以在第一检波图谱成员与第二检波图谱成员之间配置第一检波图谱关联线,在第一检波图谱成员与第三检波图谱成员之间配置第二检波图谱关联线,如此,可以形成如图3所示的检波数据图谱。
然后,可以基于第二检波图谱成员和第三检波图谱成员,对第一检波图谱成员进行关联的融合调整,得到对应的第一检波图谱成员对应的中间勘探检波向量;基于第一检波图谱成员,对第二检波图谱成员进行关联的融合调整,得到对应的第二检波图谱成员对应的中间勘探检波向量;基于第一检波图谱成员,对第三检波图谱成员进行关联的融合调整,得到对应的第三检波图谱成员对应的中间勘探检波向量。
倘若,仅需要进行一次关联的向量深度挖掘处理,如此,可以将第一检波图谱成员对应的中间勘探检波向量、第二检波图谱成员对应的中间勘探检波向量、以及第三检波图谱成员对应的中间勘探检波向量,分别作为相应的第二勘探检波向量,如此,可以组合形成第二勘探检波向量序列。
倘若,还需要进行一次关联的向量深度挖掘处理。则可以将第一检波图谱成员对应的中间勘探检波向量、第二检波图谱成员对应的中间勘探检波向量、以及第三检波图谱成员对应的中间勘探检波向量,分别作为相应的相邻的前一次进行关联的向量深度挖掘处理输出的候选勘探检波向量,如此,可以形成新的第一检波图谱成员、第二检波图谱成员和第三检波图谱成员,以及,新的检波数据图谱,然后,按照上述的处理过程,可以分别形成新的中间勘探检波向量。
举例来说,在一种可能的实施方式中,所述基于所述检波图谱成员组合中检波图谱成员之间的关联关系,确定出检波图谱关联线组合的步骤,可以包括:
分析出所述检波图谱成员组合中各检波图谱成员之间的关联性参数,所述关联性参数用于反映相应的检波图谱成员之间的关联程度,示例性地,可以计算检波图谱成员之间的相似度,以作为对应的关联性参数,具体来说,可以计算相应的第一勘探检波向量(第一次进行关联的向量深度挖掘处理)或候选勘探检波向量(第一次以后的每一次进行关联的向量深度挖掘处理)之间的向量相似度,如余弦相似度等;
对于每一个所述检波图谱成员,将各其它检波图谱成员依照与该检波图谱成员之间的关联性参数进行大小排序,以及,以及大小排序的结果,对所述检波图谱成员和关联性参数最大的目标数量个其它检波图谱成员进行检波图谱关联线的配置,例如,可以在所述检波图谱成员和关联性参数最大的一个、两个、三个、五个等目标数量个其它检波图谱成员之间配置检波图谱关联线,即确定具有关联关系;
基于每一个所述检波图谱成员配置的检波图谱关联线,得到所述检波图谱成员组合相应的检波图谱关联线组合。
举例来说,在一种可能的实施方式中,所述对于所述检波数据图谱中的每一个检波图谱成员,将该检波图谱成员的关联检波图谱成员融合到该检波图谱成员,以及,将融合形成的中间检波向量进行调整,使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量的步骤,可以包括:
对于所述检波数据图谱中的每一个检波图谱成员,分析出与该检波图谱成员的区别程度最高的关联检波图谱成员,以及,对所述检波图谱成员与所述关联检波图谱成员的勘探检波向量进行聚合,形成对应的聚合勘探检波向量,如此,通过选择区别程度最高的关联检波图谱成员来进行聚合,可能会导致图谱中不同成员之间的表示具有更大的多样性,这有助于更好地捕捉图谱中的复杂关系和多样性,并且,不同成员之间的确保表示可以增加图谱中的成员之间的判别性,这对于分类任务更有利,而且,选择区别最大的关联成员有助于降低图谱中表示之间的冗余性;
分别将所述检波数据图谱中的每一个检波图谱成员对应的聚合勘探检波向量进行卷积运算,输出所述检波数据图谱中的每一个检波图谱成员对应的融合形成的中间检波向量;示例性地,可以利用相应神经网络中具有的权重参数,对所述聚合勘探检波向量进行加权,以实现卷积运算,从而得到相应的一个检波图谱成员对应的融合形成的中间检波向量;
将融合形成的中间检波向量进行调整,使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量;示例性地,可以进行非线性处理,使得特征之间的区别得到强化,改善平滑等问题。
其中,举例来说,在一种可能的实施方式中,所述对于所述检波数据图谱中的每一个检波图谱成员,分析出与该检波图谱成员的区别程度最高的关联检波图谱成员,以及,对所述检波图谱成员与所述关联检波图谱成员的勘探检波向量进行聚合,形成对应的聚合勘探检波向量的步骤,可以包括:
对于所述检波数据图谱中的每一个检波图谱成员,分析出与该检波图谱成员的区别程度最高的关联检波图谱成员,如计算相应的勘探检波向量(如第一勘探检波向量或候选勘探检波向量)之间的相似度,其中,相似度最小的就是区别程度最高的关联检波图谱成员;或者,可以将勘探检波向量之间进行对应位置的向量参数的绝对差值的计算,再计算绝对差值的均值,并将均值最大的作为相应的区别程度最高的关联检波图谱成员;
对所述检波图谱成员与所述区别程度最高的关联检波图谱成员的勘探检波向量进行聚合,形成对应的聚合勘探检波向量;示例性地,可以将相应的勘探检波向量进行级联(拼接)处理,得到聚合勘探检波向量。
举例来说,第一检波图谱成员与第二检波图谱成员和第三检波图谱成员分别具有关联关系,其中,第二检波图谱成员与第一检波图谱成员之间的区别大于与第三检波图谱成员之间的区别,因此,可以将第二检波图谱成员作为第一检波图谱成员的区别程度最高的关联检波图谱成员,然后,可以将第二检波图谱成员和第一检波图谱成员进行相应的勘探检波向量的级联,得到检波图谱成员对应的聚合勘探检波向量。
举例来说,在一种可能的实施方式中,所述将融合形成的中间检波向量进行调整,使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量的步骤,可以包括:
基于配置的权重参数(可以是相应神经网络中携带的,可以在该神经网络的网络更新过程中形成),将融合形成的中间检波向量进行加权计算,输出相应的加权融合中间检波向量;
将所述加权融合中间检波向量进行激励处理,输出相应的激励融合中间检波向量;示例性地,可以通过双曲正切函数或Sigmoid函数等非线性函数,对所述加权融合中间检波向量进行激励处理;
基于所述激励融合中间检波向量,得到所述检波图谱成员对应的中间勘探检波向量;示例性地,可以直接将所述激励融合中间检波向量作为所述检波图谱成员对应的中间勘探检波向量,也可以将所述激励融合中间检波向量进行进一步处理,得到所述检波图谱成员对应的中间勘探检波向量,如引入更多的非线性处理。
举例来说,在第一种可能的实施方式中,所述基于所述激励融合中间检波向量,得到所述检波图谱成员对应的中间勘探检波向量的步骤,可以包括:
将所述激励融合中间检波向量进行非线性的映射处理,输出相应的第一非线性的映射检波向量,示例性地,可以通过双曲正切函数或Sigmoid函数等非线性函数,对所述激励融合中间检波向量进行非线性的映射处理;
对所述第一非线性的映射检波向量进行卷积运算(示例性地,可以通过相应神经网络中携带的权重参数,对所述第一非线性的映射检波向量进行加权,以实现相应的卷积运算),以及,对形成的卷积向量和所述检波图谱成员对应的第一勘探检波向量进行叠加运算(即相应位置的向量运算的相加),形成所述检波图谱成员对应的中间勘探检波向量。
举例来说,在第二种可能的实施方式中,所述基于所述激励融合中间检波向量,得到所述检波图谱成员对应的中间勘探检波向量的步骤,可以包括:
将所述激励融合中间检波向量进行卷积运算(示例性地,可以通过相应神经网络中携带的权重参数,对所述激励融合中间检波向量进行加权,以实现相应的卷积运算),以及,对形成的卷积向量和所述检波图谱成员的第一勘探检波向量进行叠加运算(即相应位置的向量运算的相加),形成所述检波图谱成员对应的叠加勘探检波向量;
将所述叠加勘探检波向量进行卷积运算(示例性地,可以通过相应神经网络中携带的权重参数,对所述叠加勘探检波向量进行加权,以实现相应的卷积运算),以及,对形成的卷积向量进行非线性的映射处理,输出相应的第二非线性的映射检波向量,示例性地,可以通过双曲正切函数或Sigmoid函数等非线性函数,对形成的卷积向量进行非线性的映射处理;
将所述第二非线性的映射检波向量进行卷积运算(示例性地,可以通过相应神经网络中携带的权重参数,对所述第二非线性的映射检波向量进行加权,以实现相应的卷积运算),以及,对形成的卷积向量和所述检波图谱成员对应的叠加勘探检波向量进行叠加运算(即相应位置的向量运算的相加),形成所述检波图谱成员对应的中间勘探检波向量。
可以理解的是,上述的通过相应神经网络中携带的权重参数对向量进行加权,各权重参数可以分别在神经网络的更新中形成。
举例来说,在一种可能的实施方式中,上述的步骤S130,可以包括:
将所述第二勘探检波向量序列进行降维压缩处理,输出所述第二勘探检波向量序列相应的降维勘探检波向量,示例性地,可以通过相应神经网络中的Pooling层进行均值Pooling操作(Average Pooling):均值池化操作是在每个池化窗口中计算参数的平均值;
将所述降维勘探检波向量进行卷积运算(如前所述,也可以是基于相应神经网络中的权重参数进行加权),以及,将形成的卷积向量进行映射处理,形成所述目标检波器数据属于各个数据类型的参数分布(示例性地,可以利用softmax等函数将形成的卷积向量进行映射处理,形成所述目标检波器数据属于各个数据类型的参数分布,如该参数分布包括属于第一种数据类型的概率参数、属于第二种数据类型的概率参数、属于第三种数据类型的概率参数);
基于所述目标检波器数据属于各个数据类型的参数分布,确定出所述目标检波器数据的数据类型识别信息,在所述参数分布包括的各参数中,所述数据类型识别信息表征的数据类型对应的参数具有最大值,如属于第一种数据类型的概率参数具有最大值,则所述数据类型识别信息表征的是第一种数据类型;属于第二种数据类型的概率参数具有最大值,则所述数据类型识别信息表征的是第二种数据类型;属于第三种数据类型的概率参数具有最大值,则所述数据类型识别信息表征的是第三种数据类型。
举例来说,在一种可能的实施方式中,上述的步骤S110、步骤S120和步骤S130可以是利用第二检波数据识别模型执行的,基于此,在进行上述的步骤S110之前,所述基于深度学习的智能检波器数据存储方法还可以包括以下的内容(步骤)以得到更新后的第二检波数据识别模型:
依据提取到的样本检波器数据簇,将迁移学习网络组合中的第一检波数据识别模型进行更新,所述第一检波数据识别模型的模型规模(如参数量)大于所述迁移学习网络组合中的第二检波数据识别模型的模型规模,所述第一检波数据识别模型属于迁移学习中的教师模型,第二检波数据识别模型属于迁移学习中的学生模型;其中,在迁移学习(Transfer Learning)中,教师模型和学生模型通常用于描述迁移学习中知识传递的过程,教师模型指的是一个已经经过充分训练的模型,它可以是一个复杂的深度神经网络,通常在大规模数据集上进行训练,并能够很好地解决某一特定任务,学生模型则是指目标任务中待训练的模型,它可能是一个较简单的模型或是在较小的数据集上进行训练,具体而言:教师模型(Teacher Model)是在源域数据上训练得到的模型,它通常具有较强的泛化能力和丰富的知识表示能力;教师模型可以是一个复杂的深度神经网络,其目的是在源任务上取得良好的性能,并且学到数据的关键特征和模式;学生模型(Student Model)是在目标域数据上进行训练的模型,它的规模通常较小,可能是一个浅层神经网络或具有较少参数的模型,学生模型的目标是通过利用教师模型的知识来加速模型的训练过程,提高在目标任务上的性能;迁移学习中,教师模型通常通过在源任务上进行预训练,学习到有用的特征表示和模式识别能力,然后,这些知识可以通过各种方式传递给学生模型,例如,初始化学生模型参数,或者作为辅助任务的知识传递,学生模型通过利用教师模型的知识来加速学习,通常能够在较少的数据上取得更好的性能;
依据所述样本检波器数据簇,将所述第二检波数据识别模型进行更新,且在更新的过程中基于所述第一检波数据识别模型,对所述第二检波数据识别模型的更新进行引导,实现知识迁移学习;其中,所述样本检波器数据簇中可以包括多个样本检波器数据,每一个样本检波器数据可以包括多个样本局部检波器数据(基于相应的检波器进行信息采集操作以形成),并且,每一个样本检波器数据还具有实际数据类型信息,以进行监督学习,其中,每一个样本检波器数据对应的实际数据类型信息可以编码为一个向量,如(1,0,0,0,0,0),1表示属于相应的数据类型,0表示不属于相应的数据类型。
举例来说,在一种可能的实施方式中,所述依据提取到的样本检波器数据簇,将迁移学习网络组合中的第一检波数据识别模型进行更新的步骤,可以包括:
将提取到的样本检波器数据簇的至少部分样本检波器数据,加载到迁移学习网络组合中的第一检波数据识别模型;示例性地,可以在所述样本检波器数据簇包括的多个样本检波器数据中进行随机筛选,以形成一个数据批次,并加载到所述第一检波数据识别模型中;
基于所述第一检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布(该参数分布的计算过程可以参照前文对步骤S110-步骤S130的解释说明),计算出相应的数据类型识别误差(即计算该参数分布和前述的基于样本检波器数据对应的实际数据类型信息编码形成的一个向量之间的误差),再基于所述数据类型识别误差,对所述第一检波数据识别模型的模型参数进行更新,如沿着降低所述数据类型识别误差的方向,对所述第一检波数据识别模型的模型参数进行更新,使得所述数据类型识别误差降低至目标值,即确定收敛,得到更新后的第一检波数据识别模型;如此,可以实现教师模型的训练更新。
举例来说,样本检波器数据对应的实际数据类型信息编码形成的一个向量为(1,0,0,0,0,0),所述第一检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布为(0.6,0.1,0.2,0.1,0.3,0.2),然后,可以采用以下计算规则得到相应的数据类型识别误差:
[H(y, \hat{y}) = -\sum_{i=1}^{N} y_i \cdot \log(\hat{y}_i)];
其中:(y) 是实际标签 (1,0,0,0,0,0)。(\hat{y}) 是预测值 (0.6,0.1,0.2,0.1,0.3,0.2)。(N) 是类别的数量,这里为6。将这些值代入公式中:[H(y, \hat{y}) = -(1 \cdot \log(0.6) + 0 \cdot \log(0.1) + 0 \cdot \log(0.2) + 0 \cdot \log(0.1) + 0 \cdot \log(0.3) + 0 \cdot \log(0.2))];计算每一项的乘积和对数值:[H(y, \hat{y}) = -(\log(0.6) + 0 + 0 + 0 + 0 + 0)];所以,标签(1,0,0,0,0,0)和预测(0.6,0.1,0.2,0.1,0.3,0.2)之间的数据类型识别误差约为0.5108,数据类型识别误差越小,表示预测结果越接近实际标签。
举例来说,在一种可能的实施方式中,所述依据所述样本检波器数据簇,将所述第二检波数据识别模型进行更新,且在更新的过程中基于所述第一检波数据识别模型,对所述第二检波数据识别模型的更新进行引导,实现知识迁移学习的步骤,可以包括:
分别将所述样本检波器数据簇的至少部分样本检波器数据,加载到所述第一检波数据识别模型和所述第二检波数据识别模型中;
基于所述第一检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布和每一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列中的至少一个,并结合所述第二检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布和每一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列中的至少一个,计算出相应的目标误差确定规则的目标误差,再基于所述目标误差,对所述第二检波数据识别模型的模型参数进行更新,所述目标误差确定规则包括第一误差计算规则和以下三种误差计算规则中的至少一种误差计算规则:第二误差计算规则、第三误差计算规则和第四误差计算规则;示例性地,可以按照所述目标误差确定规则包括各误差计算规则计算出各局部误差之后,对各局部误差进行加权求和或求和计算,得到目标误差,然后,可以沿着降低该目标误差的方向,将所述第二检波数据识别模型的模型参数进行更新,直到收敛,从而形成更新后的第二检波数据识别模型的模型参数。
举例来说,在一种可能的实施方式中,所述第一误差计算规则用于反映所述第二检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布与所述样本检波器数据簇中样本检波器数据的数据类型实际信息之前的区别,可以参照前述的数据类型识别误差的计算过程;
举例来说,在一种可能的实施方式中,所述第二误差计算规则用于反映所述第一检波数据识别模型和所述第二检波数据识别模型在相对应的关联的向量深度挖掘处理中确定出的检波数据图谱中相应的检波图谱成员之间的区别;示例性地,可以对于所述检波数据图谱中每一个检波图谱成员,将该检波图谱成员在所述第一检波数据识别模型中进行关联的向量深度挖掘处理中得到的勘探检波向量和在所述第二检波数据识别模型中进行关联的向量深度挖掘处理中得到的勘探检波向量(需要保证进行关联的向量深度挖掘处理的次数相同,如都是第一次或都是第二次等)进行求差计算,得到差值勘探检波向量,然后,对差值勘探检波向量中的各向量元素进行平方和的计算,再开根号,得到该检波图谱成员的误差,最后,对各检波图谱成员的误差进行融合,如均值计算等得到最终的误差;
举例来说,在一种可能的实施方式中,所述第三误差计算规则用于反映所述第一检波数据识别模型和所述第二检波数据识别模型在相对应的关联的向量深度挖掘处理中确定出的检波数据图谱中相应的检波图谱成员的关联检波图谱成员之间的区别,可以参照前述的所述第二误差计算规则,只是计算的对象由检波图谱成员对应的勘探检波向量变更为关联检波图谱成员对应的勘探检波向量,且可以是区别程度最大的关联检波图谱成员,或者可以是指各关联检波图谱成员对应的勘探检波向量的均值向量;
举例来说,在一种可能的实施方式中,所述第四误差计算规则用于反映所述第一检波数据识别模型和所述第二检波数据识别模型输出的相应的样本检波器数据属于各个数据类型的参数分布之间的区别,同样地,可以参照前述的数据类型识别误差的计算过程。
结合图4,本发明实施例还提供一种基于深度学习的智能检波器数据存储管理装置,可应用于上述基于深度学习的智能检波器数据存储相关设备。其中,所述基于深度学习的智能检波器数据存储管理装置可以包括:
检波表面语义挖掘模块,用于挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量,并组合形成所述目标检波器数据的第一勘探检波向量序列,每一个所述局部检波器数据基于部署于目标油气勘探区域中的检波器阵列包括的一个检波器进行相应的信息采集操作以得到,所述第一勘探检波向量序列用于反映所述目标检波器数据具有的表面语义信息;
检波深度语义挖掘模块,用于依据所述第一勘探检波向量序列进行至少一次关联的向量深度挖掘处理,输出所述目标检波器数据的第二勘探检波向量序列,所述第二勘探检波向量序列用于反映所述目标检波器数据具有的深度语义信息;
数据类型识别模块,用于基于所述第二勘探检波向量序列进行数据类型识别,输出所述目标检波器数据对应的数据类型识别信息;
分类存储处理模块,用于基于所述目标检波器数据对应的数据类型识别信息,对所述目标检波器数据进行分类存储处理,使得所述目标检波器数据被存储至与所述数据类型识别信息相对应的数据存储设备。
综上所述,本发明提供的基于深度学习的智能检波器数据存储方法及相关设备,可以挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量,并组合形成第一勘探检波向量序列;依据第一勘探检波向量序列进行至少一次关联的向量深度挖掘处理,输出目标检波器数据的第二勘探检波向量序列;基于第二勘探检波向量序列进行数据类型识别,输出目标检波器数据对应的数据类型识别信息;基于目标检波器数据对应的数据类型识别信息,对目标检波器数据进行分类存储处理,使得目标检波器数据被存储至与数据类型识别信息相对应的数据存储设备。基于前述内容,可以对检波器数据进行分类存储,使得在应用查找时,相似的(同类的)检波器数据便于进行查找,因此,可以在一定程度上提高智能检波器数据存储管理的可靠度(现有技术中,一般是基于采集的时间进行存储)。
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,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。
Claims (7)
1.一种基于深度学习的智能检波器数据存储方法,其特征在于,包括:
挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量,并组合形成所述目标检波器数据的第一勘探检波向量序列,每一个所述局部检波器数据基于部署于目标油气勘探区域中的检波器阵列所包括的一个检波器进行相应的信息采集操作以得到,所述第一勘探检波向量序列用于反映所述目标检波器数据具有的表面语义信息;
依据所述第一勘探检波向量序列,进行至少一次关联的向量深度挖掘处理,输出所述目标检波器数据的第二勘探检波向量序列,所述第二勘探检波向量序列用于反映所述目标检波器数据具有的深度语义信息;
基于所述第二勘探检波向量序列,进行数据类型识别,输出所述目标检波器数据对应的数据类型识别信息;
基于所述目标检波器数据对应的数据类型识别信息,对所述目标检波器数据进行分类存储处理,使得所述目标检波器数据被存储至与所述数据类型识别信息相对应的数据存储设备;
其中,所述依据所述第一勘探检波向量序列,进行至少一次关联的向量深度挖掘处理,输出所述目标检波器数据的第二勘探检波向量序列,其步骤包括:
将所述第一勘探检波向量序列,或者相邻的前一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列,确定为所述关联的向量深度挖掘处理对应的检波图谱成员组合;所述检波图谱成员组合中的一个检波图谱成员,对应于所述第一勘探检波向量序列中的一个所述第一勘探检波向量,或所述候选勘探检波向量序列中的一个候选勘探检波向量;
基于所述检波图谱成员组合中各成员之间的关联关系,确定出检波图谱关联线组合,所述检波图谱关联线组合中的检波图谱关联线用于反映所述检波图谱成员之间的关联关系;
基于所述检波图谱成员组合、所述检波图谱关联线组合,确定出所述关联的向量深度挖掘处理对应的检波数据图谱,所述检波数据图谱包括所述检波图谱成员组合和所述检波图谱关联线组合;
对于所述检波数据图谱中的每一个检波图谱成员,将其关联检波图谱成员融合到该检波图谱成员,并将融合形成的中间检波向量进行调整,使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量;
基于每一个所述检波图谱成员对应的中间勘探检波向量,得到所述目标检波器数据的第二勘探检波向量序列;
其中,基于所述检波图谱成员组合中各检波图谱成员之间的关联关系,确定出检波图谱关联线组合,其步骤包括:
分析出所述检波图谱成员组合中各检波图谱成员之间的关联性参数,以用于反映相应的检波图谱成员之间的关联程度;
对于每一个所述检波图谱成员,将各其它检波图谱成员依照与该检波图谱成员之间的关联性参数进行大小排序,并根据大小排序的结果,对所述检波图谱成员和关联性参数最大的目标数量个其它检波图谱成员进行检波图谱关联线的配置;
基于每一个所述检波图谱成员配置的检波图谱关联线,得到所述检波图谱成员组合相应的检波图谱关联线组合;
其中,所述基于所述第二勘探检波向量序列进行数据类型识别,输出所述目标检波器数据对应的数据类型识别信息,其步骤包括:
将所述第二勘探检波向量序列进行降维压缩处理,输出所述第二勘探检波向量序列相应的降维勘探检波向量;
将所述降维勘探检波向量进行卷积运算,并将形成的卷积向量进行映射处理,形成所述目标检波器数据属于各个数据类型的参数分布;
基于所述目标检波器数据属于各个数据类型的参数分布,确定出所述目标检波器数据的数据类型识别信息,在所述参数分布包括的各参数中,所述数据类型识别信息表征的数据类型对应的参数具有最大值。
2.如权利要求1所述的基于深度学习的智能检波器数据存储方法,其特征在于,对于所述检波数据图谱中的每一个检波图谱成员,将其关联检波图谱成员融合到该检波图谱成员,并将融合形成的中间检波向量进行调整,使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量,其步骤包括:
对于所述检波数据图谱中的每一个检波图谱成员,分析出其区别程度最高的关联检波图谱成员,并对所述检波图谱成员与所述关联检波图谱成员的勘探检波向量进行聚合,形成对应的聚合勘探检波向量;
分别将所述检波数据图谱中的每一个检波图谱成员对应的聚合勘探检波向量进行卷积运算,输出所述检波数据图谱中的每一个检波图谱成员对应的融合形成的中间检波向量;
将融合形成的中间检波向量进行调整,使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量。
3.如权利要求2所述的基于深度学习的智能检波器数据存储方法,其特征在于,所述将融合形成的中间检波向量进行调整,使得所述融合形成的中间检波向量被调整为所述检波图谱成员对应的中间勘探检波向量,其步骤包括:
基于配置的权重参数,将融合形成的中间检波向量进行加权计算,输出相应的加权融合中间检波向量;
将所述加权融合中间检波向量进行激励处理,输出相应的激励融合中间检波向量;
基于所述激励融合中间检波向量,得到所述检波图谱成员对应的中间勘探检波向量。
4.如权利要求3所述的基于深度学习的智能检波器数据存储方法,其特征在于,所述基于所述激励融合中间检波向量,得到所述检波图谱成员对应的中间勘探检波向量,其步骤包括:
将所述激励融合中间检波向量进行非线性的映射处理,输出相应的第一非线性的映射检波向量;对所述第一非线性的映射检波向量进行卷积运算,并对形成的卷积向量和所述检波图谱成员对应的第一勘探检波向量进行叠加运算,形成所述检波图谱成员对应的中间勘探检波向量;
或者,将所述激励融合中间检波向量进行卷积运算,并对形成的卷积向量和所述检波图谱成员的第一勘探检波向量进行叠加运算,形成所述检波图谱成员对应的叠加勘探检波向量;
将所述叠加勘探检波向量进行卷积运算,并对形成的卷积向量进行非线性的映射处理,输出相应的第二非线性的映射检波向量;
将所述第二非线性的映射检波向量进行卷积运算,并对形成的卷积向量和所述检波图谱成员对应的叠加勘探检波向量进行叠加运算,形成所述检波图谱成员对应的中间勘探检波向量。
5.如权利要求1-4任意一项所述的基于深度学习的智能检波器数据存储方法,其特征在于,在所述挖掘出与目标检波器数据中的各个局部检波器数据对应的第一勘探检波向量,并组合形成所述目标检波器数据的第一勘探检波向量序列的步骤以前,所述基于深度学习的智能检波器数据存储方法还包括:
依据提取到的样本检波器数据簇,将迁移学习网络组合中的第一检波数据识别模型进行更新,所述第一检波数据识别模型的模型规模大于所述迁移学习网络组合中的第二检波数据识别模型的模型规模,所述第一检波数据识别模型属于迁移学习中的教师模型,第二检波数据识别模型属于迁移学习中的学生模型;
依据所述样本检波器数据簇,将所述第二检波数据识别模型进行更新,且在更新的过程中基于所述第一检波数据识别模型,对所述第二检波数据识别模型的更新进行引导,实现知识迁移学习。
6.如权利要求5所述的基于深度学习的智能检波器数据存储方法,其特征在于,所述依据提取到的样本检波器数据簇,将迁移学习网络组合中的第一检波数据识别模型进行更新的步骤,包括:
将提取到的样本检波器数据簇的至少部分样本检波器数据,加载到迁移学习网络组合中的第一检波数据识别模型,基于所述第一检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布,计算出相应的数据类型识别误差,再基于所述数据类型识别误差,对所述第一检波数据识别模型的模型参数进行更新;
并且,所述依据所述样本检波器数据簇,将所述第二检波数据识别模型进行更新,且在更新的过程中基于所述第一检波数据识别模型,对所述第二检波数据识别模型的更新进行引导,实现知识迁移学习的步骤,包括:
分别将所述样本检波器数据簇的至少部分样本检波器数据,加载到所述第一检波数据识别模型和所述第二检波数据识别模型中,基于所述第一检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布和每一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列中的至少一个,并结合所述第二检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布和每一次进行关联的向量深度挖掘处理输出的候选勘探检波向量序列中的至少一个,计算出相应的目标误差确定规则的目标误差,再基于所述目标误差,对所述第二检波数据识别模型的模型参数进行更新,所述目标误差确定规则包括第一误差计算规则和以下三种误差计算规则中的至少一种误差计算规则:
第二误差计算规则、第三误差计算规则和第四误差计算规则;
其中,所述第一误差计算规则用于反映所述第二检波数据识别模型输出的样本检波器数据属于各个数据类型的参数分布与所述样本检波器数据簇中样本检波器数据的数据类型实际信息之前的区别;
所述第二误差计算规则用于反映所述第一检波数据识别模型和所述第二检波数据识别模型在相对应的关联的向量深度挖掘处理中确定出的检波数据图谱中相应的检波图谱成员之间的区别;
所述第三误差计算规则用于反映所述第一检波数据识别模型和所述第二检波数据识别模型在相对应的关联的向量深度挖掘处理中确定出的检波数据图谱中相应的检波图谱成员的关联检波图谱成员之间的区别;
所述第四误差计算规则用于反映所述第一检波数据识别模型和所述第二检波数据识别模型输出的相应的样本检波器数据属于各个数据类型的参数分布之间的区别。
7.一种基于深度学习的智能检波器数据存储相关设备,其特征在于,所述相关设备为管理设备,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-6任意一项所述的基于深度学习的智能检波器数据存储方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311741060.4A CN117421642B (zh) | 2023-12-18 | 2023-12-18 | 基于深度学习的智能检波器数据存储方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311741060.4A CN117421642B (zh) | 2023-12-18 | 2023-12-18 | 基于深度学习的智能检波器数据存储方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117421642A CN117421642A (zh) | 2024-01-19 |
CN117421642B true CN117421642B (zh) | 2024-03-12 |
Family
ID=89528779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311741060.4A Active CN117421642B (zh) | 2023-12-18 | 2023-12-18 | 基于深度学习的智能检波器数据存储方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421642B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105429970A (zh) * | 2015-11-09 | 2016-03-23 | 中国石油天然气集团公司 | 用于数字检波器的数据传输及控制方法、装置 |
CN113393135A (zh) * | 2021-06-22 | 2021-09-14 | 刘永志 | 一种城乡规划信息化存储设备 |
CN114462703A (zh) * | 2022-01-30 | 2022-05-10 | 中国石油大学(北京) | 声波参数曲线预测、测井曲线预测方法及电子设备 |
CN114861889A (zh) * | 2022-07-04 | 2022-08-05 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、目标对象检测方法和装置 |
CN116521729A (zh) * | 2023-03-03 | 2023-08-01 | 北京无代码科技有限公司 | 一种基于Elasticsearch的信息分类搜索方法及装置 |
WO2023155481A1 (zh) * | 2022-02-17 | 2023-08-24 | 网络通信与安全紫金山实验室 | 无线通信网络知识图谱的智能分析与应用系统及方法 |
CN117113036A (zh) * | 2023-10-20 | 2023-11-24 | 中国铁塔股份有限公司吉林省分公司 | 基于能源管理系统的光伏设备分析方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1995609B1 (en) * | 2007-05-23 | 2013-03-27 | Sercel England Limited | Seismic data acquisition |
US10430725B2 (en) * | 2016-06-15 | 2019-10-01 | Akw Analytics Inc. | Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry |
US11727247B2 (en) * | 2020-03-30 | 2023-08-15 | International Business Machines Corporation | Multimodal well log interpretation using deep learning models |
CN113917527A (zh) * | 2021-08-25 | 2022-01-11 | 成都理工大学 | 基于多重量子神经网络进行含气性检测的方法 |
-
2023
- 2023-12-18 CN CN202311741060.4A patent/CN117421642B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105429970A (zh) * | 2015-11-09 | 2016-03-23 | 中国石油天然气集团公司 | 用于数字检波器的数据传输及控制方法、装置 |
CN113393135A (zh) * | 2021-06-22 | 2021-09-14 | 刘永志 | 一种城乡规划信息化存储设备 |
CN114462703A (zh) * | 2022-01-30 | 2022-05-10 | 中国石油大学(北京) | 声波参数曲线预测、测井曲线预测方法及电子设备 |
WO2023155481A1 (zh) * | 2022-02-17 | 2023-08-24 | 网络通信与安全紫金山实验室 | 无线通信网络知识图谱的智能分析与应用系统及方法 |
CN114861889A (zh) * | 2022-07-04 | 2022-08-05 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、目标对象检测方法和装置 |
CN116521729A (zh) * | 2023-03-03 | 2023-08-01 | 北京无代码科技有限公司 | 一种基于Elasticsearch的信息分类搜索方法及装置 |
CN117113036A (zh) * | 2023-10-20 | 2023-11-24 | 中国铁塔股份有限公司吉林省分公司 | 基于能源管理系统的光伏设备分析方法及系统 |
Non-Patent Citations (4)
Title |
---|
"Explainable Convolutional Neural Networks Driven Knowledge Mining for Seismic Facies Classification";Jiachun You 等;《IEEE》;20230526;第1-18页 * |
"一种模块化地震勘探采集设备的设计和工作方式";岩巍;《物探装备》;20230425;第33卷(第2期);第71-74页 * |
"面向测井的分布式声波传感系统设计与应用";王文郁;《中国优秀硕士学位论文全文数据库(工程科技Ⅰ辑)》;20220115(第2022年第01期);第B019-170页 * |
XIN FENG 等."Automatic Deep Vector Learning Model Applied for Oil-Well-Testing Feature Mining,Purification and Classification".《IEEE》.2020,第151634-151649页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117421642A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kong et al. | Machine learning in seismology: Turning data into insights | |
CN111476294A (zh) | 一种基于生成对抗网络的零样本图像识别方法及系统 | |
CN111027576B (zh) | 基于协同显著性生成式对抗网络的协同显著性检测方法 | |
Li et al. | Semi-supervised learning based on generative adversarial network and its applied to lithology recognition | |
McBrearty et al. | Earthquake phase association with graph neural networks | |
Hu et al. | Seismic fault interpretation using deep learning-based semantic segmentation method | |
Wei et al. | Characterizing rock facies using machine learning algorithm based on a convolutional neural network and data padding strategy | |
US20220414144A1 (en) | Multi-task deep hash learning-based retrieval method for massive logistics product images | |
US11500118B2 (en) | Seismic data representation and comparison | |
Wrona et al. | 3D seismic interpretation with deep learning: A brief introduction | |
CN113902861A (zh) | 一种基于机器学习的三维地质建模方法 | |
Xu et al. | A semi-supervised learning framework for gas chimney detection based on sparse autoencoder and TSVM | |
Kaur et al. | A deep learning framework for seismic facies classification | |
Zhang et al. | SaltISCG: Interactive salt segmentation method based on CNN and graph cut | |
Ucar et al. | Aircraft detection system based on regions with convolutional neural networks | |
CN117421642B (zh) | 基于深度学习的智能检波器数据存储方法及相关设备 | |
CN113222002A (zh) | 一种基于生成式鉴别性对比优化的零样本分类方法 | |
Görnitz et al. | Transductive regression for data with latent dependence structure | |
Hong et al. | A DTW distance-based seismic waveform clustering method for layers of varying thickness | |
CN114202020A (zh) | 直推式支持向量机的落水洞检测方法、系统、终端及介质 | |
Lemhadri et al. | RbX: Region-based explanations of prediction models | |
Bond et al. | An unsupervised machine learning approach for ground‐motion spectra clustering and selection | |
Gao et al. | Seismic predictions of fluids via supervised deep learning: Incorporating various class-rebalance strategies | |
Le Bouteiller et al. | Semi-supervised multi-facies object retrieval in seismic data | |
Baisero et al. | The Path Kernel. |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |