CN117492079B - 基于TDS-Unet网络的地震速度模型重构方法、介质和设备 - Google Patents
基于TDS-Unet网络的地震速度模型重构方法、介质和设备 Download PDFInfo
- Publication number
- CN117492079B CN117492079B CN202410003847.9A CN202410003847A CN117492079B CN 117492079 B CN117492079 B CN 117492079B CN 202410003847 A CN202410003847 A CN 202410003847A CN 117492079 B CN117492079 B CN 117492079B
- Authority
- CN
- China
- Prior art keywords
- tds
- velocity model
- unet network
- training
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 10
- 230000005012 migration Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 10
- 239000002609 medium Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000009918 complex formation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007320 rich medium Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- 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
- G01V1/303—Analysis for determining velocity profiles or travel times
-
- 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
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于TDS‑Unet网络的地震速度模型重构方法、介质和设备,属于地球物理勘探技术领域,所述方法为获取初始速度模型和地震偏移剖面,对真实速度模型、初始速度模型和地震偏移剖面对应进行等间距裁剪,制作出若干组训练样本;设计地震速度模型重构TDS‑Unet网络构架,其将初始速度模型、偏移剖面组成的联合样本集作为输入,重构地震速度模型作为输出,实现地震速度信息的提取与重构;将制作数据输入TDS‑Unet网络进行训练与超参数的优化,通过误差下降曲线监控TDS‑Unet网络训练效果,确定最佳训练次数;使用未参与训练的数据输入训练好的TDS‑Unet网络进行速度模型重构。本发明方法能够实现基于深度学习地震速度模型的高精度重构。
Description
技术领域
本发明属于地球物理勘探技术领域,涉及一种基于TDS-Unet网络的地震速度模型重构方法、介质和设备。
背景技术
精准的速度模型一直是地震资料处理所追求的目标,其对于后期地震资料解释具有重要指导意义,速度建模是地震资料处理里非常重要的环节之一。传统速度建模方法都有其各自的局限性,常规速度建模方法比如叠加速度分析和偏移速度分析,都无法对复杂速度模型进行精确建模。目前应用效果最好的是全波形反演,其对地下速度高精度反演效果较好,但是实测数据低频信息缺失将会使其陷入局部极小,此外庞大的计算量消耗的时间也是其不可忽视的局限性之一。
随着计算机计算能力的不断提高,近年来人工智能深度学习发展迅速。深度学习可以看做是层数较深的神经网络,通过将地层特征组合提取成深层抽象特征,来发现数据特征规律。将深度学习与地震勘探技术结合解决实际问题也是地震勘探领域热点之一。而利用深度学习神经网络进行速度建模也是近几年的新型建模技术之一。深度学习速度建模方法不受初始模型限制且运算效率高,但是目前都是在简单的地质模型中进行实验,无法应用于较为复杂的地震数据之中。
发明内容
针对现有技术存在的问题,本发明提供了一种基于TDS-Unet网络的地震速度模型重构方法,所述方法输入平滑的、低波数的地震速度模型及包含中、高波数信息的地震偏移剖面,智能提取剖面层位信息和速度信息,输出高精度地震速度模型,实现基于深度学习地震速度模型的高精度重构。
本发明是通过如下技术方案来实现的:
一种基于TDS-Unet网络的地震速度模型重构方法,所述方法为
第一步、获取初始速度模型和地震偏移剖面,对真实速度模型、初始速度模型和地震偏移剖面对应进行等间距裁剪,制作出若干组训练样本;
第二步、设计地震速度模型重构TDS-Unet网络构架,其将初始速度模型m0(x,z)、偏移剖面I(x,z)组成的联合样本集S(x,z)作为输入,重构地震速度模型作为输出,TDS-Unet网络包含三次下采样及三次反卷积,实现地震速度信息的提取与重构;
第三步、将制作数据输入TDS-Unet网络进行训练与超参数的优化,通过误差下降曲线监控TDS-Unet网络训练效果,确定最佳训练次数;
第四步、使用未参与训练的数据输入训练好的TDS-Unet网络进行速度模型重构。
进一步,所述的第一步,初始速度模型使用真实速度模型进行高斯平滑处理得到,高斯平滑邻域选择为5;之后对初始速度模型进行逆时偏移成像处理得到偏移剖面;将真实速度模型、初始速度模型、偏移剖面使用同一窗口对应进行等间距裁剪,制作出若干组训练样本及标签。
进一步,所述的第二步,TDS-Unet网络含三次下采样及三次反卷积,采用ReLU函数作为激活函数更有效率的进行梯度下降,采用BN层使TDS-Unet网络各层数据保持相同分布,加快TDS-Unet网络学习速度,TDS-Unet网络如下:
L1 = ReLU(BN(S(x,z)×w1+b1));
L2 = max pool(L1);
L3 = ReLU(BN(L2×w2+b2));
L4 = max pool(L3);
L5 = ReLU(BN(L4 ×w3+b3));
L6 = max pool(L5);
L7 = Convtrans(L6);
L8 = ReLU(BN(L7 ×w4+b4));
L9= Convtrans(L8);
L10 = ReLU(BN(L9 ×w5+b5));
L11= Convtrans(L10);
L12 = ReLU(BN(L11 ×w6+b6));
上式中,BN(x)是对输入数据进行归一化操作、ReLU(x)= max(0,x)、max pool(x)是池化层、Convtrans(x)是反卷积层、L1~L12为TDS-Unet网络各层、w1~w6为卷积核、b1~b6为偏置项,训练时真实速度模型m(x,z)作为标签使用,训练时使用样本集中的70%进行训练,剩下的数据进行测试工作。
进一步,所述的第三步,使用的卷积核大小为3×3,池化层的步幅为2×2,学习率为0.001,学习次数为2000次,采用的损失函数为均方误差MSE,其公式为:
;
式中,MSE_loss代表均方误差,Vp代表神经网络输出的预测速度,Vt代表标签的真实速度,n为输入速度网格总数量。为了加快训练网络的速度,本文采用Adam优化算法,其能基于训练的速度模型数据实现神经网络权重的迭代更新,有很高的计算效率和较低的内存需求。
进一步,所述的第四步,将数据集S(x,z)中未参与训练的数据输入已经训练好的深度神经网络TDS-Unet网络,输出即为高精度地震速度模型。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序适用于由处理器加载并执行所述地震速度模型重构方法。
本发明还提供一种计算机设备,所述设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述地震速度模型重构方法。
本发明与现有技术相比的有益效果:
本发明了一种基于TDS-Unet网络的地震速度模型重构方法,能够智能、高效地实现高精度速度模型的建立。
本发明的方法创新性地使用初始速度模型和地震偏移剖面作为训练的数据集使用,虽然初始速度模型中包含着地下丰富的地质信息,但是目前实际速度模型中的信息往往是模糊的、低波数的。而偏移成像结果中包含地下的层位信息,且含有真实速度模型的中、高波数信息。本方明将低波数的初始速度模型和中、高波数的偏移成像结果联合作为数据样本集,通过深度学习的方法,更好地学习到地下速度特征信息,实现对于速度模型从低波数到高波数的智能重建,完成宽波数、高精度速度模型的建立。
本发明设计了具有针对性的TDS-Unet卷积神经网络,与普通的卷积神经网络不同,本发明设计的网络含三次下采样及三次反卷积,在这个过程中可以实现地震速度信息的高效提取与重构,采用ReLU函数作为激活函数更有效率的进行梯度下降,采用BN层使网络各层数据保持相同分布,加快网络收敛速度。该卷积神经网络主体由编码部分和解码部分构成,其中编码部分采用三组卷积层,下采样层,ReLU层和BN层,与之对应解码部分采用三组卷积层,上采样层,ReLU层和BN层。通过编码过程中卷积层,下采样层,ReLU层和BN层的组合方式可以依次提取到更大、更多尺度的地震速度信息,充分学习到初始速度模型的低波数信息和偏移结果中的中、高波数信息,之后通过解码部分卷积层,上采样层,ReLU层和BN层依次恢复数据原本大小,最后输出重构后的地震速度模型,获得宽波数的高精度速度模型。
附图说明
图1是本发明实施例1提供的Marmousi速度模型图;
图2是本发明实施例1提供的对Marmousi速度模型进行高斯平滑得到的初始速度模型图;
图3是本发明实施例1提供的初始速度模型的偏移剖面图;
图4是本发明实施例1提供的基于TDS-Unet网络的地震速度模型重构方法的TDS-Unet网络构架图;
图5是本发明实施例1提供的TDS-Unet网络训练误差下降曲线图;
图6是本发明实施例1提供的未参与训练的Marmousi模型某一局部位置地震速度重构真实速度模型效果图;
图7是本发明实施例1提供的未参与训练的Marmousi模型某一局部位置地震速度重构初始速度模型效果图;
图8是本发明实施例1提供的未参与训练的Marmousi模型某一局部位置地震速度重构地震速度模型的重构结果效果图;
图9是本发明实施例1提供的Marmousi模型的真实速度模型、初始速度模型以及TDS-Unet网络重构速度模型的单道对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实例仅仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供了一种基于TDS-Unet网络的地震速度模型重构方法,下面结合附图对本发明作详细的描述。
本发明提供的基于TDS-Unet网络的地震速度模型重构方法包括以下步骤:
S10:获取初始速度模型和地震偏移剖面,对真实速度模型、初始速度模型和地震偏移剖面进行对应进行等间距裁剪,制作出若干组训练样本;
S20:设计地震速度模型重构TDS-Unet网络构架,其将初始速度和偏移剖面联合作为数据集输入,TDS-Unet网络包含三次下采样及三次反卷积,可以实现地震速度信息的高效提取与重构;
S30:将制作数据输入本发明设计的TDS-Unet网络进行训练与超参数的优化,通过误差下降曲线监控网络训练效果,确定最佳训练次数;
S40:使用未参与训练的数据输入训练好的神经网络进行速度模型重构。
下面通过实例结合附图对本发明的技术方案作进一步的描述。
本发明提供的基于TDS-Unet网络的地震速度模型重构的技术路线图包括以下步骤:
步骤100,使用真实速度模型进行高斯平滑处理得到低波数丰富而中、高波数信息缺少的初始速度模型,高斯平滑用一个指定的卷积去扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值,平滑的程度取决于邻域的选择以及标准差的大小。实验中使用Marmousi模型来验证本发明的有效性,Marmousi模型的真实速度模型如图1所示,模型横向和纵向采样点分别是800和500,采样间隔均是5m。对真实速度模型进行高斯平滑,邻域值选择为5,平滑后的速度模型作为初始速度模型如图2所示,可以看到初始速度模型所能提供的速度信息较为模糊,地层层位信息不明显,很大程度会影响后期地震资料的解释工作。
步骤101,对初始速度模型进行逆时偏移成像处理。逆时偏移过程主要由三部分组成,正向地震波场延拓,逆向波场延拓以及波场互相关。对步骤100得到的初始速度模型进行逆时偏移成像,偏移成像剖面如图3所示。从图3中可以看到,逆时偏移能够实现对于Marmousi模型的复杂地层、三大断裂以及底部背斜的精细成像,成像剖面中的构造特征明显,因此,其可以为本发明中的深度学习网络提供良好的层位信息。
步骤102,将真实速度模型、初始速度模型、偏移剖面使用同一窗口对应进行等间距裁剪,制作出若干组训练样本及标签。在实际实验中,对Marmousi模型的真实速度模型、初始速度模型、偏移剖面以128m×128m大小的窗口进行等间距切割,总共切割出400组数据。每组中将初始速度模型、偏移剖面切片作为网络输入,对应真实速度模型切片作为标签使用。
步骤103,将制作好的数据集输入本发明设计的TDS-Unet网络进行训练。本发明的TDS-Unet网络将初始速度模型m0(x,z)、偏移剖面I(x,z)组成样本集S(x,z)作为输入,TDS-Unet网络包含三次下采样及三次反卷积,采用ReLU函数作为激活函数更有效率的进行梯度下降,采用BN层使网络各层数据保持相同分布,加快TDS-Unet网络学习速度,TDS-Unet网络如下:
L1 = ReLU(BN(S(x,z)×w1+b1));
L2 = max pool(L1);
L3 = ReLU(BN(L2×w2+b2));
L4 = max pool(L3);
L5 = ReLU(BN(L4 ×w3+b3));
L6 = max pool(L5);
L7 = Convtrans(L6);
L8 = ReLU(BN(L7 ×w4+b4));
L9= Convtrans(L8);
L10 = ReLU(BN(L9 ×w5+b5));
L11= Convtrans(L10);
L12 = ReLU(BN(L11 ×w6+b6));
上式中,BN(x)是对输入数据进行归一化操作、ReLU(x)= max(0,x)、max pool(x)是池化层、Convtrans(x)是反卷积层、L1~L12为深度神经网络各层、w1~w6为卷积核、b1~b6为偏置项。训练时真实速度模型m(x,z)作为标签使用。
实验使用TDS-Unet网络架构如图4所示,输入初始速度模型以及偏移剖面数据,之后经过网络提取特征,特征通道由128每次翻倍增加到512,再逐渐减半返回128,实验中使用的卷积核大小为3×3,池化层的步幅为2×2,学习率为0.001,学习次数为2000次,在此过程中图像大小由128×128经历三次下采样变为16×16,之后经历三次反卷积恢复为128×128最终输出结果,数据集70%用于训练。
TDS-Unet网络训练的误差下降曲线如图5所示,从中可以看到,随着学习次数的增加,前期训练误差迅速下降,之后在学习次数为2000左右时趋于平衡,由此可知此时TDS-Unet网络已经得到了较好的训练,而后期测试也确实得到了不错的效果。
步骤104,用未参与训练的数据输入训练好的TDS-Unet网络进行速度模型重构,将数据集S(x,z)未参与训练的数据输入已经训练好的深度学习网络,输出即为高精度的地震速度模型。
图6-8分别为未参与训练的Marmousi模型某一局部位置地震速度的真实速度模型、初始速度模型、地震速度模型重构效果,同时也是本实施例网络输入的一部分。图7所示的初始速度模型图像较为模糊,低波数信息丰富,层位信息不清晰。基于TDS-Unet网络重构后的图8地震速度模型层位清晰,剖面分辨率高,与真实速度模型相比有较高的吻合度。图9为抽取真实速度模型、初始速度模型以及TDS-Unet网络重构结果中纵向同一位置处的速度值进行对比,实虚相间线(—·)代表真实速度,虚线(··)代表初始速度,实线(—)为TDS-Unet网络重构速度。从中可以看出,本实施例重构结果与真实速度模型的单道有较高的一致性。由此可见,以低波数的初试速度模型和中、高波数的偏移成像结果作为数据样本,基于TDS-Unet网络,可以实现将模糊的初始地震速度模型智能重构为宽波数的精细速度模型,是一种较为有效的地震速度模型重构方法,可以为后期地震资料解释提供有效指导和帮助。
Claims (6)
1.一种基于TDS-Unet网络的地震速度模型重构方法,其特征在于,所述方法为:
第一步、获取初始速度模型和地震偏移剖面,对真实速度模型、初始速度模型和地震偏移剖面对应进行等间距裁剪,制作出若干组训练样本;
第二步、设计地震速度模型重构TDS-Unet网络构架,其将初始速度模型m0(x,z)、偏移剖面I(x,z)组成的联合样本集S(x,z)作为输入,重构地震速度模型作为输出,TDS-Unet网络包含三次下采样及三次反卷积,实现地震速度信息的提取与重构;
所述TDS-Unet网络含三次下采样及三次反卷积,采用ReLU函数作为激活函数更有效率的进行梯度下降,采用BN层使TDS-Unet网络各层数据保持相同分布,加快TDS-Unet网络学习速度,TDS-Unet网络如下:
L1=ReLU(BN(S(x,z)×w1+b1));
L2=maxpool(L1);
L3=ReLU(BN(L2×w2+b2));
L4=maxpool(L3);
L5=ReLU(BN(L4×w3+b3));
L6=maxpool(L5);
L7=Convtrans(L6);
L8=ReLU(BN(L7×w4+b4));
L9=Convtrans(L8);
L10=ReLU(BN(L9×w5+b5));
L11=Convtrans(L10);
L12=ReLU(BN(L11×w6+b6));
上式中,BN(y)是对输入数据进行归一化操作、ReLU(y)=max(0,y)、maxpool(y)是池化层、Convtrans(y)是反卷积层、L1~L12为TDS-Unet网络各层、w1~w6为卷积核、b1~b6为偏置项,训练时真实速度模型m(x,z)作为标签使用,训练时使用样本集中的70%进行训练,剩下的数据进行测试工作;
第三步、将制作数据输入TDS-Unet网络进行训练与超参数的优化,通过误差下降曲线监控TDS-Unet网络训练效果,确定最佳训练次数;
第四步、使用未参与训练的数据输入训练好的TDS-Unet网络进行速度模型重构。
2.根据权利要求1所述的一种基于TDS-Unet网络的地震速度模型重构方法,其特征在于,所述的第一步,初始速度模型使用真实速度模型进行高斯平滑处理得到,高斯平滑邻域选择为5;之后对初始速度模型进行逆时偏移成像处理得到偏移剖面;将真实速度模型、初始速度模型、偏移剖面使用同一窗口对应进行等间距裁剪,制作出若干组训练样本及标签。
3.根据权利要求1所述的一种基于TDS-Unet网络的地震速度模型重构方法,其特征在于,所述的第三步,使用的卷积核大小为3×3,池化层的步幅为2×2,学习率为0.001,学习次数为2000次,采用的损失函数为均方误差MSE,其公式为:
式中,MSE_loss代表均方误差,Vp代表神经网络输出的预测速度,Vt代表标签的真实速度,n为输入速度网格总数量。
4.根据权利要求1所述的一种基于TDS-Unet网络的地震速度模型重构方法,其特征在于,所述的第四步,将数据集S(x,z)中未参与训练的数据输入已经训练好的深度神经网络TDS-Unet网络,输出即为高精度地震速度模型。
5.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序适用于由处理器加载并执行权利要求1-4任何一项所述地震速度模型重构方法。
6.一种计算机设备,所述设备包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1-4任何一项所述地震速度模型重构方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410003847.9A CN117492079B (zh) | 2024-01-03 | 2024-01-03 | 基于TDS-Unet网络的地震速度模型重构方法、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410003847.9A CN117492079B (zh) | 2024-01-03 | 2024-01-03 | 基于TDS-Unet网络的地震速度模型重构方法、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117492079A CN117492079A (zh) | 2024-02-02 |
CN117492079B true CN117492079B (zh) | 2024-04-09 |
Family
ID=89674746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410003847.9A Active CN117492079B (zh) | 2024-01-03 | 2024-01-03 | 基于TDS-Unet网络的地震速度模型重构方法、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117492079B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711280A (zh) * | 2018-12-10 | 2019-05-03 | 北京工业大学 | 一种基于ST-Unet的视频异常检测方法 |
CN111796326A (zh) * | 2020-07-07 | 2020-10-20 | 中海石油(中国)有限公司 | 一种基于Unet网络的层序地层格架构建方法和系统 |
CN112748463A (zh) * | 2020-12-21 | 2021-05-04 | 中国科学技术大学 | 一种基于深度学习照明分析的局部偏移成像方法 |
WO2021258096A1 (en) * | 2020-06-19 | 2021-12-23 | Exxonmobil Upstream Research Company | Classifying geologic features in seismic data through image analysis by neural network |
CN114706119A (zh) * | 2022-04-06 | 2022-07-05 | 中国科学院地质与地球物理研究所 | 基于卷积神经网络深度学习的反射波形反演方法和系统 |
CN115659773A (zh) * | 2022-07-07 | 2023-01-31 | 清华大学 | 基于深度网络的全波形反演加速方法及相关装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220221609A1 (en) * | 2021-01-14 | 2022-07-14 | Cgg Services Sas | SEISMIC DATA PROCESSING USING DUnet |
US11922679B2 (en) * | 2022-06-30 | 2024-03-05 | Xi'an Jiaotong University | Automatic seismic facies identification method based on combination of self-attention mechanism and u-shape network architecture |
-
2024
- 2024-01-03 CN CN202410003847.9A patent/CN117492079B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711280A (zh) * | 2018-12-10 | 2019-05-03 | 北京工业大学 | 一种基于ST-Unet的视频异常检测方法 |
WO2021258096A1 (en) * | 2020-06-19 | 2021-12-23 | Exxonmobil Upstream Research Company | Classifying geologic features in seismic data through image analysis by neural network |
CN111796326A (zh) * | 2020-07-07 | 2020-10-20 | 中海石油(中国)有限公司 | 一种基于Unet网络的层序地层格架构建方法和系统 |
CN112748463A (zh) * | 2020-12-21 | 2021-05-04 | 中国科学技术大学 | 一种基于深度学习照明分析的局部偏移成像方法 |
CN114706119A (zh) * | 2022-04-06 | 2022-07-05 | 中国科学院地质与地球物理研究所 | 基于卷积神经网络深度学习的反射波形反演方法和系统 |
CN115659773A (zh) * | 2022-07-07 | 2023-01-31 | 清华大学 | 基于深度网络的全波形反演加速方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
Seismic Velocity Anomalies Detection Based on a Modified U-Net Framework;Ziqian Li et al.;applied sciences;20220718;全文 * |
一种基于RUnet卷积神经网络的地震资料随机噪声压制方法;罗仁泽 等;石油物探;20200131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117492079A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086773B (zh) | 基于全卷积神经网络的断层面识别方法 | |
CN110889343B (zh) | 基于注意力型深度神经网络的人群密度估计方法及装置 | |
CN113160234B (zh) | 基于超分辨率和域自适应的无监督遥感图像语义分割方法 | |
CN110781924B (zh) | 一种基于全卷积神经网络的侧扫声纳图像特征提取方法 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN112541572B (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
CN111340046A (zh) | 基于特征金字塔网络和通道注意力的视觉显著性检测方法 | |
CN110782427B (zh) | 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法 | |
CN108447057A (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN112213771A (zh) | 地震波阻抗反演方法及装置 | |
CN110009706A (zh) | 一种基于深层神经网络和迁移学习的数字岩心重构方法 | |
CN113359212A (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
CN114897804A (zh) | 基于自监督学习的探地雷达隧道衬砌质量检测方法 | |
CN113033432A (zh) | 一种基于渐进监督的遥感影像居民区提取方法 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN114511710A (zh) | 一种基于卷积神经网络的图像目标检测方法 | |
CN112163106A (zh) | 二阶相似感知的图像哈希码提取模型建立方法及其应用 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
Huang et al. | Machine learning using U-net convolutional neural networks for the imaging of sparse seismic data | |
Zhang et al. | Multi-source information fused generative adversarial network model and data assimilation based history matching for reservoir with complex geologies | |
Liu et al. | Physics-driven self-supervised learning system for seismic velocity inversion | |
Yang et al. | Well-log information-assisted high-resolution waveform inversion based on deep learning | |
CN113625336A (zh) | 一种基于全卷积神经网络的地震波阻抗薄层反演方法 | |
CN112444850B (zh) | 地震资料速度建模方法、存储介质及计算设备 | |
CN117492079B (zh) | 基于TDS-Unet网络的地震速度模型重构方法、介质和设备 |
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 |