CN117572498A - 地震初至波拾取方法、装置、存储介质及计算机设备 - Google Patents

地震初至波拾取方法、装置、存储介质及计算机设备 Download PDF

Info

Publication number
CN117572498A
CN117572498A CN202311527839.6A CN202311527839A CN117572498A CN 117572498 A CN117572498 A CN 117572498A CN 202311527839 A CN202311527839 A CN 202311527839A CN 117572498 A CN117572498 A CN 117572498A
Authority
CN
China
Prior art keywords
seismic
data
wave
arrival
pickup
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
CN202311527839.6A
Other languages
English (en)
Inventor
黄海生
宋长青
刘英城
谢继安
冼海欧
张青立
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202311527839.6A priority Critical patent/CN117572498A/zh
Publication of CN117572498A publication Critical patent/CN117572498A/zh
Pending legal-status Critical Current

Links

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
    • G01V1/288—Event detection in seismic signals, e.g. microseismics
    • 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
    • G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请提供的地震初至波拾取方法、装置、存储介质及计算机设备，该方法包括：通过确定地质波速模型，并对地质波速模型进行正演模拟，得到与地质波速模型对应的地震数据集，并对地震数据集进行标注，得到初至波标签数据，以地震数据集和初至波标签数据分别作为训练数据和测试数据对卷积网络进行迭代训练，将最终得到的初至波拾取模型，并将其用于对地震初至波的拾取。如此，能够以初至波拾取模型所具备的非线性函数拟合能力，改善对非层状模型传播的地震信号的初至波拾取效果，从而提高地震勘探数据的准确性。

Description

地震初至波拾取方法、装置、存储介质及计算机设备
技术领域
本申请涉及勘探数据处理技术领域，尤其涉及一种地震初至波拾取方法、装置、存储介质及计算机设备。
背景技术
地震勘探技术在油气资源勘探、煤田勘探、隧道不良地质探测等生产实际中起到了重要作用。作为一项19世纪兴起的技术，地震勘探在岩石物理性质分析、地震波场正演模拟、资料的保真处理与质量控制和地震波场反演等方面研究都有着长足的发展。而基于反射波的地震勘探的基本工作原理是通过人工震源激发地震波，地震波遇到岩层分界面或地质构造发生反射，并使用布设在地面的检波器对地震波信号进行接收，以此判断结构体的位置及地质状况。
近年来，地震勘探研究的目标介质日益复杂，大大增加了地震信号的处理难度，在地震信号的处理过程中，静校正是地震成像技术中的关键环节，而地震初至波拾取效果直接影响了静校正的效果，但目前常用的初至波拾取方法一般是基于地震信号以层状模型传播的假设进行拾取的，对于非层状模型(如复杂的地质结构)传播的地震信号，对其初至波拾取的效果较差，进而影响地震勘探数据的准确性。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中目前常用的初至波拾取方法一般是基于地震信号以层状模型传播的假设进行拾取的，对于非层状模型(如复杂的地质结构)传播的地震信号，对其初至波拾取的效果较差，进而影响地震勘探数据的准确性的技术缺陷。
第一方面，本申请提供了一种地震初至波拾取方法，所述方法包括：
获取地震观测数据；
将所述地震观测数据输入至已训练的初至波拾取模型中，得到与所述地震观测数据对应的初至波拾取结果；
其中，所述初至波拾取模型的训练步骤，包括：
确定地质波速模型，并对所述地质波速模型进行正演模拟，得到与所述地质波速模型对应的地震数据集；
对所述地震数据集中的初至起跳点进行标注，以得到初至波标签数据；
利用所述地震数据集和所述初至波标签数据对当前训练轮次中的卷积网络进行训练，得到新的卷积网络，并将所述新的卷积网络作为下一训练轮次中的卷积网络，直至当前训练轮次等于预设轮次时，将最新的卷积网络确定为初至波拾取模型。
在其中一个实施例中，所述对所述地质波速模型进行正演模拟，得到与所述地质波速模型对应的地震数据集，包括：
在所述地质波速模型中提取波速分布数据、密度分布数据、波场观测数据以及地震波源数据；
根据所述波速分布数据、所述密度分布数据、所述波场观测数据以及所述地震波源数据，得到地震波动方程；
将所述地震波动方程转化为离散的形式；
采用有限差分法，对经过转化后的地震波动方程进行数值求解，得到与所述地质波速模型对应的地震数据集。
在其中一个实施例中，所述对所述地震数据集中的初至起跳点进行标注，包括：
对于所述地震数据集中的任意一个观测数据，构建该观测数据对应的第一目标矩阵；其中，所述第一目标矩阵为与该观测数据的尺寸一致的二维矩阵；
获取该观测数据对应的初至起跳点；
基于该观测数据对应的初至起跳点，对该观测数据对应的第一目标矩阵进行标记，得到该观测数据对应的第二目标矩阵；
当得到所述地震数据集中每个观测数据对应的第二目标矩阵时，根据所述地震数据集中每个观测数据对应的第二目标矩阵，生成初至波标签数据。
在其中一个实施例中，所述对该观测数据对应的第一目标矩阵进行标记，包括：
确定该观测数据对应的目标位置；其中，所述目标位置为该观测数据对应的初至起跳点在其对应的第一目标矩阵中的位置；
将该观测数据对应的第一目标矩阵中小于其对应的目标位置的时间点的位置标记为0，并将该观测数据对应的第一目标矩阵中大于其对应的目标位置的时间点的位置标记为1；
将该观测数据的第二目标矩阵确定为标记完成的该观测数据的第一目标矩阵。
在其中一个实施例中，所述利用所述地震数据集和所述初至波标签数据对当前训练轮次中的卷积网络进行训练，包括：
在当前训练轮次中，将所述地震数据集输入至当前训练轮次中的卷积网络中，得到与所述地震数据集对应的预测标签数据；
根据所述预测标签数据和所述初至波标签数据以及预设的损失函数，确定当前训练轮次中对应的目标函数；
根据当前训练轮次中对应的目标函数，对当前训练轮次中的卷积网络的网络参数进行更新，以得到新的卷积网络。
在其中一个实施例中，所述损失函数的表达式为：
式中，L(w)代表网络参数w对应的损失函数，FAn,t为初至波标签数据，FA_pren,t为本次训练轮次中的卷积网络的输出，b为单次训练的样本数，n为地震道的数量，t为时间采样点的数量。
在其中一个实施例中，所述卷积网络的每个卷积隐藏层中包括卷积注意力机制层；其中，卷积注意力机制层包括空间注意力模块和通道注意力模块。
第二方面，本申请提供了一种地震初至波拾取装置，所述装置包括：
数据获取模块，用于获取地震观测数据；
初至波拾取模块，用于将所述地震观测数据输入至已训练的初至波拾取模型中，得到与所述地震观测数据对应的初至波拾取结果；其中，所述初至波拾取模型的训练步骤，包括：
确定地质波速模型，并对所述地质波速模型进行正演模拟，得到与所述地质波速模型对应的地震数据集；
对所述地震数据集中的初至起跳点进行标注，以得到初至波标签数据；
利用所述地震数据集和所述初至波标签数据对当前训练轮次中的卷积网络进行训练，得到新的卷积网络，并将所述新的卷积网络作为下一训练轮次中的卷积网络，直至当前训练轮次等于预设轮次时，将最新的卷积网络确定为初至波拾取模型。
第三方面，本申请提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述任一项实施例所述地震初至波拾取方法的步骤。
第四方面，本申请提供了一种计算机设备，包括：一个或多个处理器，以及存储器；
所述存储器中存储有计算机可读指令，所述一个或多个处理器执行时所述计算机可读指令时，执行如上述任一项实施例所述地震初至波拾取方法的步骤。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请提供的地震初至波拾取方法、装置、存储介质及计算机设备，该方法包括：通过确定地质波速模型，并对地质波速模型进行正演模拟，得到与地质波速模型对应的地震数据集，并对地震数据集进行标注，得到初至波标签数据，以地震数据集和初至波标签数据分别作为训练数据和测试数据对卷积网络进行迭代训练，将最终得到的初至波拾取模型，并将其用于对地震初至波的拾取。如此，能够以初至波拾取模型所具备的非线性函数拟合能力，改善对非层状模型传播的地震信号的初至波拾取效果，从而提高地震勘探数据的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种地震初至波拾取方法的流程示意图；
图2为本申请实施例提供的初至波拾取模型的训练步骤的流程示意图；
图3为本申请实施例提供的对地质波速模型进行正演模拟的流程示意图；
图4为本申请实施例提供的利用地震数据集和初至波标签数据对当前训练轮次中的卷积网络进行训练的流程示意图；
图5为本申请实施例提供的一种地震初至波拾取装置的结构示意图；
图6为本申请实施例提供的一种计算机设备的内部结构图。
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，所描述的实施例仅仅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做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。
在其中一个实施例中，本申请提供了一种地震初至波拾取方法，下述实施例以该方法应用于服务器进行说明。可以理解，执行地震初至波拾取方法可以是单个服务器，也可以是由多个服务器组成的服务器集群，本申请对此不作具体限制。
如图1所示，本申请提供了一种地震初至波拾取方法，所述方法包括：
步骤S101：获取地震观测数据。
其中，地震观测数据是指在工程现场采集到的地震数据。这些数据可以包括地震事件的时空属性、地震波的传播特征、地震活动的历史纪录等内容。
在本步骤中，当需要确定初至波到达地面或地震台站的时刻时，可以通过客户端发起初至波拾取指令。服务端接收到该初至波拾取指令时，将会获取地震观测数据，以作为初至波拾取的数据基础。
步骤S102：将地震观测数据输入至已训练的初至波拾取模型中，得到与地震观测数据对应的初至波拾取结果。
可以理解的是，初至波是指地震发生后，地震观测点最先接收到的波。其中，初至波拾取结果包括初至起跳点位置和初至起跳点时间。
在本步骤中，当获取到地震观测数据时，则可以将获取到的地震观测数据输入至已训练完成的初至波拾取模型中，得到初至波拾取模型的输出内容，即与地震观测数据对应的初至波拾取结果。
其中，如图2所示，初至波拾取模型的训练步骤，包括：
步骤S201：确定地质波速模型，并对地质波速模型进行正演模拟，得到与地质波速模型对应的地震数据集。
其中，地质波速模型是指描述不同区域波速分布的一种模型。地震数据集包括多个观测数据。
在本步骤中，可以根据实际工程的地质剖面图，构建地质波速模型，确定地质波速模型后，则对地质波速模型进行正演模拟，以得到与地质波速模型对应的地震数据集。其中，正演模拟可以用于模拟地震波在地球内部传播的情况，这种方法通过计算机模拟地震波在地球内部的传播路径和特征，可以帮助地震学家理解地球内部结构、探索地下资源、进行地震监测和预测等。
步骤S202：对地震数据集中的初至起跳点进行标注，以得到初至波标签数据。
本步骤中，在得到地震数据集后，需要对地震数据集中的每个观测数据的初至起跳点进行标注，以得到初至波标签数据，用于验证预测效果，并生成损失函数，以对卷积网络进行迭代更新。
可以理解的是，步骤S201中获取的地震数据集是作为初至波拾取模型训练中的训练数据集，而本步骤中得到的初至波标签数据是作为初至波拾取模型训练中的验证数据集。
步骤S203：利用地震数据集和初至波标签数据对当前训练轮次中的卷积网络进行训练，得到新的卷积网络，并将新的卷积网络作为下一训练轮次中的卷积网络，直至当前训练轮次等于预设轮次时，将最新的卷积网络确定为初至波拾取模型。
其中，卷积网络是一种全卷积自编码网络，全卷积自编码网络包括编码器和解码器，编码器和解码器均由多个卷积层构成，两者卷积层数相同，各层卷积核尺寸围绕中间层对称。预设轮次为经验值。
可以理解的是，在一次训练轮次中，使用地震数据集和初至波标签数据对当前训练轮次中的卷积网络进行训练，以得到新的卷积网络，此时，将新的卷积网络作为下一次训练轮次中对应的卷积网络，并判断当前训练轮次是否等于预设轮次，若等于，则将最新的卷积网络确定为初至波拾取模型。若不是，则进入下一训练轮次。
本申请提供的地震初至波拾取方法、装置、存储介质及计算机设备，该方法包括：通过确定地质波速模型，并对地质波速模型进行正演模拟，得到与地质波速模型对应的地震数据集，并对地震数据集进行标注，得到初至波标签数据，以地震数据集和初至波标签数据分别作为训练数据和测试数据对卷积网络进行迭代训练，将最终得到的初至波拾取模型，并将其用于对地震初至波的拾取。如此，能够以初至波拾取模型所具备的非线性函数拟合能力，改善对非层状模型传播的地震信号的初至波拾取效果，从而提高地震勘探数据的准确性。
如图3所示，在其中一个实施例中，对地质波速模型进行正演模拟，得到与地质波速模型对应的地震数据集，包括：
步骤S301：在地质波速模型中提取波速分布数据、密度分布数据、波场观测数据以及地震波源数据。
其中，波速分布数据是描述地球内部不同区域波速的数据。密度分布数据是描述地球内部介质密度随深度或位置变化的数据。波场观测数据是指在地面或地下观测到的地震波信号数据。地震波源数据是描述地震波产生过程的数据，通常包括地震发生的时间、位置、震级等信息。
在本步骤中，对地质波速模型进行正演模拟，需要先获取数据用于构建地震波动方程。因此，可以从地质波速模型中获取所需要的数据。当获取到所需要的数据时，可以根据这些数据，确定正演主频，以进行正演模拟。正演主频是指用于模拟地震波传播的正演模拟中所采用的主要频率。
步骤S302：根据波速分布数据、密度分布数据、波场观测数据以及地震波源数据，得到地震波动方程。
可以理解的是，波动方程是描述波动现象的数学方程，波动方程的形式可以根据不同的波动类型而有所不同，常见的波动方程包括：一维波动方程、二维和三维波动方程、时间-空间波动方程。地震波动方程属于时间-空间波动方程的一种，用于描述地震波的传播。
步骤S303：将地震波动方程转化为离散的形式。
在本步骤中，由于地震波动方程是一种偏微分方程，因此，需要将地震波动方程转化为离散的代数方程，使得计算机可以对地震波动方程进行数值求解。
步骤S304：采用有限差分法，对经过转化后的地震波动方程进行数值求解，得到与地质波速模型对应的地震数据集。
在本步骤中，使用有限差分法对经过转化后的地震波动方程进行求解，以生成对应的地震观测数据，将其作为地震数据集，以用于对卷积网络的训练。其中，有限差分法可用于求解偏微分方程。通过有限差分法，可以模拟复杂介质中地震波的传播和相互作用。
在一个示例中，假设地质波速模型为二维层状波速模型，可以采用空间2阶、时间2阶二维弹性波波动方程有限差分法正演在二维层状波速模型上生成地震观测数据，将生成的地震观测数据作为地震数据集，以雷克子波作为震源，时间步为1ms，采用PML(PerfectlyMatched Layer，完全匹配层)技术吸收边界。震源布设于地表子波主频15Hz至35Hz，子波延迟50ms。每个数据包含1000时间步、60道的地震记录。共生成了6000组数据。
在其中一个实施例中，对地震数据集中的初至起跳点进行标注，包括：
对于地震数据集中的任意一个观测数据，构建该观测数据对应的第一目标矩阵；其中，第一目标矩阵为与该观测数据的尺寸一致的二维矩阵；
获取该观测数据对应的初至起跳点；
基于该观测数据对应的初至起跳点，对该观测数据对应的第一目标矩阵进行标记，得到该观测数据对应的第二目标矩阵；
当得到地震数据集中每个观测数据对应的第二目标矩阵时，根据地震数据集中每个观测数据对应的第二目标矩阵，生成初至波标签数据。
在本实施例中，对地震数据集中的初至起跳点进行标注，以生成初至波标签数据，可以将初至波标签数据用于验证卷积网络的预测结果，进而计算损失函数，以对卷积网络进行迭代更新。当得到地震数据集中每个观测数据对应的第二目标矩阵时，可以将每个观测数据对应的第二目标矩阵作为组成初至波标签数据的一部分，即初至波标签数据包括每个观测数据对应的第二目标矩阵。可以理解的是，地震数据集中包括多个观测数据。初至起跳点包括初至波到达的时间和位置。
在其中一个实施例中，对该观测数据对应的第一目标矩阵进行标记，包括：
确定该观测数据对应的目标位置；其中，目标位置为该观测数据对应的初至起跳点在其对应的第一目标矩阵中的位置；
将该观测数据对应的第一目标矩阵中小于其对应的目标位置的时间点的位置标记为0，并将该观测数据对应的第一目标矩阵中大于其对应的目标位置的时间点的位置标记为1；
将该观测数据的第二目标矩阵确定为标记完成的该观测数据的第一目标矩阵。
在本实施例中，使用0和1标记初至起跳点前后的数据，具体而言，矩阵中标记为0的部分表示地震波到时小于初至起跳点的时刻，而标记为1的部分表示地震波到时大于初至起跳点的时刻。通过对矩阵进行合适的处理和分析，可以清晰地识别初至波的到时。
如图4所示，在其中一个实施例中，利用地震数据集和初至波标签数据对当前训练轮次中的卷积网络进行训练，包括：
步骤S401：在当前训练轮次中，将地震数据集输入至当前训练轮次中的卷积网络中，得到与地震数据集对应的预测标签数据。
可以理解的是，在整个训练过程中，卷积网络只有一个，但由于每个训练轮次中都会更新卷积网络，因此，将上一训练轮次中更新得到的卷积网络作为当前训练轮次中对应的卷积网络，而当前训练轮次中对其对应的卷积网络进行更新得到的新的卷积网络作为下一训练轮次中对应的卷积网络。
步骤S402：根据预测标签数据和初至波标签数据以及预设的损失函数，确定当前训练轮次中对应的目标函数。
在本步骤中，根据预定义的损失函数，确定预测标签数据和初至波标签数据之间的差异情况，以得到当前训练轮次中的目标函数。
其中，损失函数可以采用均方误差(Mean Squared Error，MSE)损失函数，用于衡量预测值和真实值之间的差异程度。
步骤S403：根据当前训练轮次中对应的目标函数，对当前训练轮次中的卷积网络的网络参数进行更新，以得到新的卷积网络。
其中，目标函数是指根据预定义的损失函数所得到的当前训练轮次的损失函数。
示例性地，可以以监督学习的方式训练卷积网络。将地震数据集中的数据分批输入卷积网络，进行200轮训练，采用Adam优化器，学习率设置为2e-3，单次样本训练数量设置为16，并采用均方误差损失函数进行目标函数的确定，以完成对卷积网络的训练。
可以理解的是，以地震数据集和初至波标签数据分别作为训练数据和测试数据对卷积网络进行迭代训练，将最终得到的初至波拾取模型，并将其用于对地震初至波的拾取。如此，能够以初至波拾取模型所具备的非线性函数拟合能力，改善对非层状模型传播的地震信号的初至波拾取效果，从而提高地震勘探数据的准确性。
在其中一个实施例中，所述损失函数的表达式为：
式中，L(w)代表网络参数w对应的损失函数，FAn,t为初至波标签数据，FA_pren,t为本次训练轮次中的卷积网络的输出，b为单次训练的样本数，n为地震道的数量，t为时间采样点的数量。
其中，FAn,t和FA_pren,t均为一个大小为t×n的矩阵。
在其中一个实施例中，卷积网络的每个卷积隐藏层中包括卷积注意力机制层；其中，卷积注意力机制层包括空间注意力模块和通道注意力模块。
具体而言，卷积网络包含编码器和解码器两部分，其中编码器与解码器各包含5个卷积网络层，各卷积网络层的输出特征大小围绕网络中间层对称。在每个卷积网络层后包含一个CBAM层(Convolutional Block Attention Module，卷积注意力机制)。
可以理解的是，增加CBAM层(其中包括空间注意力模块和通道注意力模块)能够增强卷积网络对地震观测数据中的初至波相关特征的提取能力。从而进一步提高初至波拾取的准确性，进而提高地震勘探数据的准确性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
下面对本申请实施例提供的地震初至波拾取装置进行描述，下文描述的地震初至波拾取装置与上文描述的地震初至波拾取方法可相互对应参照。
如图5所示，本申请提供了一种地震初至波拾取装置500，所述装置包括：
数据获取模块501，用于获取地震观测数据；
初至波拾取模块502，用于将地震观测数据输入至已训练的初至波拾取模型中，得到与地震观测数据对应的初至波拾取结果；其中，初至波拾取模型的训练步骤，包括：
确定地质波速模型，并对地质波速模型进行正演模拟，得到与地质波速模型对应的地震数据集；
对地震数据集中的初至起跳点进行标注，以得到初至波标签数据；
利用地震数据集和初至波标签数据对当前训练轮次中的卷积网络进行训练，得到新的卷积网络，并将新的卷积网络作为下一训练轮次中的卷积网络，直至当前训练轮次等于预设轮次时，将最新的卷积网络确定为初至波拾取模型。
在其中一个实施例中，初至波拾取模块包括：
数据提取子模块，用于在地质波速模型中提取波速分布数据、密度分布数据、波场观测数据以及地震波源数据；
波动方程确定子模块，用于根据波速分布数据、密度分布数据、波场观测数据以及地震波源数据，得到地震波动方程；
形式转化子模块，用于将地震波动方程转化为离散的形式；
数值求解子模块，用于采用有限差分法，对经过转化后的地震波动方程进行数值求解，得到与地质波速模型对应的地震数据集。
在其中一个实施例中，初至波拾取模块包括：
矩阵构建子模块，用于对于地震数据集中的任意一个观测数据，构建该观测数据对应的第一目标矩阵；其中，第一目标矩阵为与该观测数据的尺寸一致的二维矩阵；
起跳点获取子模块，用于获取该观测数据对应的初至起跳点；
矩阵标记子模块，用于基于该观测数据对应的初至起跳点，对该观测数据对应的第一目标矩阵进行标记，得到该观测数据对应的第二目标矩阵；
初至波标签数据确定子模块，用于当得到地震数据集中每个观测数据对应的第二目标矩阵时，根据地震数据集中每个观测数据对应的第二目标矩阵，生成初至波标签数据。
在其中一个实施例中，矩阵标记子模块包括：
目标位置确定单元，用于确定该观测数据对应的目标位置；其中，目标位置为该观测数据对应的初至起跳点在其对应的第一目标矩阵中的位置；
位置标记单元，用于将该观测数据对应的第一目标矩阵中小于其对应的目标位置的时间点的位置标记为0，并将该观测数据对应的第一目标矩阵中大于其对应的目标位置的时间点的位置标记为1；
矩阵确定单元，用于将该观测数据的第二目标矩阵确定为标记完成的该观测数据的第一目标矩阵。
在其中一个实施例中，初至波拾取模块包括：
预测标签数据确定子模块，用于在当前训练轮次中，将地震数据集输入至当前训练轮次中的卷积网络中，得到与地震数据集对应的预测标签数据；
目标函数确定子模块，用于根据预测标签数据和初至波标签数据以及预设的损失函数，确定当前训练轮次中对应的目标函数；
参数更新子模块，用于根据当前训练轮次中对应的目标函数，对当前训练轮次中的卷积网络的网络参数进行更新，以得到新的卷积网络。
上述地震初至波拾取装置中各个模块的划分仅仅用于举例说明，在其他实施例中，可将地震初至波拾取装置按照需要划分为不同的模块，以完成上述地震初至波拾取装置的全部或部分功能。上述地震初至波拾取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，本申请还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述地震初至波拾取方法的步骤。
在一个实施例中，本申请还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述地震初至波拾取方法的步骤。
示意性地，如图6所示，图6为本申请实施例提供的一种计算机设备的内部结构示意图，该计算机设备600可以被提供为一服务器。参照图6，计算机设备600包括处理组件602，其进一步包括一个或多个处理器，以及由存储器601所代表的存储器资源，用于存储可由处理组件602的执行的指令，例如应用程序。存储器601中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件602被配置为执行指令，以执行上述任意实施例的地震初至波拾取方法。
计算机设备600还可以包括一个电源组件603被配置为执行计算机设备600的电源管理，一个有线或无线网络接口604被配置为将计算机设备600连接到网络，和一个输入输出(I/O)接口605。计算机设备600可以操作基于存储在存储器601的操作系统，例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
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、物品或者设备中还存在另外的相同要素。本文中，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性，同时，在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
本说明书中各个实施例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，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种地震初至波拾取方法，其特征在于，所述方法包括：
获取地震观测数据；
将所述地震观测数据输入至已训练的初至波拾取模型中，得到与所述地震观测数据对应的初至波拾取结果；
其中，所述初至波拾取模型的训练步骤，包括：
确定地质波速模型，并对所述地质波速模型进行正演模拟，得到与所述地质波速模型对应的地震数据集；
对所述地震数据集中的初至起跳点进行标注，以得到初至波标签数据；
利用所述地震数据集和所述初至波标签数据对当前训练轮次中的卷积网络进行训练，得到新的卷积网络，并将所述新的卷积网络作为下一训练轮次中的卷积网络，直至当前训练轮次等于预设轮次时，将最新的卷积网络确定为初至波拾取模型。
2.根据权利要求1所述的地震初至波拾取方法，其特征在于，所述对所述地质波速模型进行正演模拟，得到与所述地质波速模型对应的地震数据集，包括：
在所述地质波速模型中提取波速分布数据、密度分布数据、波场观测数据以及地震波源数据；
根据所述波速分布数据、所述密度分布数据、所述波场观测数据以及所述地震波源数据，得到地震波动方程；
将所述地震波动方程转化为离散的形式；
采用有限差分法，对经过转化后的地震波动方程进行数值求解，得到与所述地质波速模型对应的地震数据集。
3.根据权利要求1所述的地震初至波拾取方法，其特征在于，所述对所述地震数据集中的初至起跳点进行标注，包括：
对于所述地震数据集中的任意一个观测数据，构建该观测数据对应的第一目标矩阵；其中，所述第一目标矩阵为与该观测数据的尺寸一致的二维矩阵；
获取该观测数据对应的初至起跳点；
基于该观测数据对应的初至起跳点，对该观测数据对应的第一目标矩阵进行标记，得到该观测数据对应的第二目标矩阵；
当得到所述地震数据集中每个观测数据对应的第二目标矩阵时，根据所述地震数据集中每个观测数据对应的第二目标矩阵，生成初至波标签数据。
4.根据权利要求3所述的地震初至波拾取方法，其特征在于，所述对该观测数据对应的第一目标矩阵进行标记，包括：
确定该观测数据对应的目标位置；其中，所述目标位置为该观测数据对应的初至起跳点在其对应的第一目标矩阵中的位置；
将该观测数据对应的第一目标矩阵中小于其对应的目标位置的时间点的位置标记为0，并将该观测数据对应的第一目标矩阵中大于其对应的目标位置的时间点的位置标记为1；
将该观测数据的第二目标矩阵确定为标记完成的该观测数据的第一目标矩阵。
5.根据权利要求1至4任一项所述的地震初至波拾取方法，其特征在于，所述利用所述地震数据集和所述初至波标签数据对当前训练轮次中的卷积网络进行训练，包括：
在当前训练轮次中，将所述地震数据集输入至当前训练轮次中的卷积网络中，得到与所述地震数据集对应的预测标签数据；
根据所述预测标签数据和所述初至波标签数据以及预设的损失函数，确定当前训练轮次中对应的目标函数；
根据当前训练轮次中对应的目标函数，对当前训练轮次中的卷积网络的网络参数进行更新，以得到新的卷积网络。
6.根据权利要求5所述的地震初至波拾取方法，其特征在于，所述损失函数的表达式为：
式中，L(w)代表网络参数w对应的损失函数，FAn,t为初至波标签数据，FA_pren,t为本次训练轮次中的卷积网络的输出，b为单次训练的样本数，n为地震道的数量，t为时间采样点的数量。
7.根据权利要求1所述的地震初至波拾取方法，其特征在于，所述卷积网络的每个卷积隐藏层中包括卷积注意力机制层；其中，卷积注意力机制层包括空间注意力模块和通道注意力模块。
8.一种地震初至波拾取装置，其特征在于，所述装置包括：
数据获取模块，用于获取地震观测数据；
初至波拾取模块，用于将所述地震观测数据输入至已训练的初至波拾取模型中，得到与所述地震观测数据对应的初至波拾取结果；其中，所述初至波拾取模型的训练步骤，包括：
确定地质波速模型，并对所述地质波速模型进行正演模拟，得到与所述地质波速模型对应的地震数据集；
对所述地震数据集中的初至起跳点进行标注，以得到初至波标签数据；
利用所述地震数据集和所述初至波标签数据对当前训练轮次中的卷积网络进行训练，得到新的卷积网络，并将所述新的卷积网络作为下一训练轮次中的卷积网络，直至当前训练轮次等于预设轮次时，将最新的卷积网络确定为初至波拾取模型。
9.一种存储介质，其特征在于：所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述地震初至波拾取方法的步骤。
10.一种计算机设备，其特征在于，包括：一个或多个处理器，以及存储器；
所述存储器中存储有计算机可读指令，所述计算机可读指令被所述一个或多个处理器执行时，执行如权利要求1至7中任一项所述地震初至波拾取方法的步骤。
CN202311527839.6A 2023-11-15 2023-11-15 地震初至波拾取方法、装置、存储介质及计算机设备 Pending CN117572498A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311527839.6A CN117572498A (zh) 2023-11-15 2023-11-15 地震初至波拾取方法、装置、存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311527839.6A CN117572498A (zh) 2023-11-15 2023-11-15 地震初至波拾取方法、装置、存储介质及计算机设备

Publications (1)

Publication Number Publication Date
CN117572498A true CN117572498A (zh) 2024-02-20

Family

ID=89885574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311527839.6A Pending CN117572498A (zh) 2023-11-15 2023-11-15 地震初至波拾取方法、装置、存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN117572498A (zh)

Similar Documents

Publication Publication Date Title
USRE49507E1 (en) Faulted geological structures having unconformities
Ambraseys et al. Internet site for European strong-motion data
Zhuang et al. A study on the background and clustering seismicity in the Taiwan region by using point process models
Taillandier et al. First-arrival traveltime tomography based on the adjoint-state method
Cattania et al. Propagation of Coulomb stress uncertainties in physics‐based aftershock models
EP3371629B1 (en) Representing structural uncertainty in a mesh representing a geological environment
Rodriguez et al. Simultaneous recovery of origin time, hypocentre location and seismic moment tensor using sparse representation theory
Mărmureanu et al. From national to transnational seismic monitoring products and services in the Republic of Bulgaria, Republic of Moldova, Romania, and Ukraine
Segou et al. Comparative evaluation of physics‐based and statistical forecasts in Northern California
CN114117906A (zh) 基于观测数据自编码的多尺度无监督地震波速反演方法
CN114035228B (zh) 一种基于深度学习的隧道地震波速反演方法及系统
Grose et al. Inversion of structural geology data for fold geometry
CN103913768A (zh) 基于地震波资料对地表中浅层进行建模的方法及装置
CN112904419A (zh) 一种微地震成像方法及终端设备
Dai et al. Focal mechanism determination for microseismic events and its application to the left bank slope of the Baihetan hydropower station in China
CN106662665B (zh) 用于更快速的交错网格处理的重新排序的插值和卷积
CN107817524B (zh) 三维地震层析成像的方法和装置
Lamuraglia et al. Application of a global–local full‐waveform inversion of Rayleigh wave to estimate the near‐surface shear wave velocity model
Lee et al. An empirical equation of effective shaking duration for moderate to large earthquakes
US20230325369A1 (en) Multiple source data change journal system
Jaquet et al. Estimation of volcanic hazards using geostatistical models
CN114371504B (zh) 一种地震震中位置确定方法、装置、设备及可读存储介质
CN117572498A (zh) 地震初至波拾取方法、装置、存储介质及计算机设备
CN111983668B (zh) 一种获取地震参数估计的方法及系统
Wang et al. Cross-related microseismic location based on improved particle swarm optimization and the double-difference location method of jointed coal rock mass

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