CN117607956A - 一种地震相识别方法、装置、电子设备及可读存储介质 - Google Patents

一种地震相识别方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN117607956A
CN117607956A CN202311766904.0A CN202311766904A CN117607956A CN 117607956 A CN117607956 A CN 117607956A CN 202311766904 A CN202311766904 A CN 202311766904A CN 117607956 A CN117607956 A CN 117607956A
Authority
CN
China
Prior art keywords
seismic
model
earthquake
phase
parameter
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.)
Granted
Application number
CN202311766904.0A
Other languages
English (en)
Other versions
CN117607956B (zh
Inventor
闫百泉
王岁宝
孙雨
唐正浩
李婷婷
段文泽
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.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum University
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 Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202311766904.0A priority Critical patent/CN117607956B/zh
Publication of CN117607956A publication Critical patent/CN117607956A/zh
Application granted granted Critical
Publication of CN117607956B publication Critical patent/CN117607956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/048—Activation functions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种地震相识别方法、装置、电子设备及可读存储介质，应用于地震相分析技术领域，为解决现有地震相识别精确度低的技术问题，提出通过采用预先建立的地震相识别模型对待识别地震剖面图像进行识别，得到地震相识别结果；采用预先建立的地震参数分类模型分别对待识别地震剖面图像进行识别，得到地震参数分类结果；对地震相识别结果和地震参数分类结果进行综合处理，得到地震相和地震参数；其中：地震相识别模型和地震参数分类模型均为基于多个地震剖面图像构成的训练样本集对相应的神经网络进行训练得到的，地震剖面图像上标定有与每个地震相区域分别对应的地震参数类别；本发明在使用过程中能够提高地震相识别精确度。

Description

一种地震相识别方法、装置、电子设备及可读存储介质
技术领域
本发明涉及地震相分析技术领域，特别是涉及一种地震相识别方法、装置、电子设备及可读存储介质。
背景技术
地震相分析在油气勘探前期研究中具有很重要的地位，例如解释地下岩层的岩性组合，解释目标层段的沉积特征，预测储层等。经典地震相分析是地质或地球物理解释人员通过观察地震剖面的地震反射参数的变化进行地震相分析。经典地震相分析和增强地震相分析，需要解释人员根据对研究区的认识逐剖面完成地震相解释，十分耗时，且不同研究者在解释过程中遵循的标准可能存在差异。
智能地震相识别的主要发展过程可以分为三个阶段，初期阶段：早期的地震相识别主要依靠地震学家对地震数据进行手动解释和分类。这是一种费时费力的过程，并且容易受到主观因素的影响。因此，研究者开始尝试使用基于规则和统计的方法来进行自动化的地震相识别。结合传统机器学习方法阶段：随着机器学习技术的发展，研究者开始探索将传统的机器学习方法应用于地震相识别。这些方法包括支持向量机(SVM)、决策树、随机森林等。通过提取地震数据的特征，并利用这些特征训练模型，可以实现一定程度的自动化相识别。结合深度学习方法阶段：随着深度学习技术的兴起，特别是卷积神经网络(CNN)和递归神经网络(RNN)等模型的成功应用，智能地震相识别取得了显著进展，其中，现有的深度学习模型是通过对地震图像进行地震相的分割来对地震相进行识别的，仅考虑了地震相一个单一维度数据，导致识别精确度受影响。
鉴于此，如何提供一种高精度的地震相识别方法、装置、电子设备及计算机可读存储介质成为本领域技术人员需要解决的问题。
发明内容
本发明实施例的目的是提供一种地震相识别方法、装置、电子设备及计算机可读存储介质，在使用过程中能够提高地震相识别精确度。
为解决上述技术问题，本发明实施例提供了一种地震相识别方法，包括：
采用预先建立的地震相识别模型对待识别地震剖面图像进行识别，得到地震相识别结果；
采用预先建立的地震参数分类模型分别对待识别地震剖面图像进行识别，得到地震参数分类结果；
对所述地震相识别结果和所述地震参数分类结果进行综合处理，得到地震相和地震参数；其中：
所述地震相识别模型和所述地震参数分类模型均为基于多个地震剖面图像构成的训练样本集对相应的神经网络进行训练得到的，所述地震剖面图像上标定有与每个地震相区域分别对应的地震参数类别。
可选的，所述地震相识别模型和所述地震参数分类模型的训练过程包括：
对多个地震剖面图像进行地震相区域划分，并分别采用多种类型的地震参数对每个地震相区域进行地震相标定，得到标定后的地震剖面图像，以形成训练样本集；
采用基于训练样本集对地震相识别模型进行训练，并且训练过程中对地震相识别模型的模型参数进行更新，在满足预设要求的情况下得到地震相识别模型；其中，所述地震相识别模型的模型学习率为第一学习率；
采用基于所述训练样本集对地震参数分类模型进行训练，并且训练过程中对地震参数分类模型的模型参数进行更新，在满足预设要求的情况下得到地震参数分类模型；其中，所述地震参数分类模型的模型学习率为第二学习率；
将所述地震相识别模型和所述地震参数分类模型作为综合识别模型，采用所述训练样本集对所述综合识别模型进行训练，并且训练过程中对所述地震相识别模型和所述地震参数分类模型的模型参数进行调整，得到优化后的地震相识别模型和地震参数分类模型分别作为最终的地震相识别模型和地震参数分类模型；其中，所述综合识别模型的模型学习率为第三学习率，所述第三学习率小于所述第一学习率和所述第二学习率。
可选的，在所述采用基于训练样本集对地震相识别模型进行训练的过程中，采用第一损失函数进行模型损失的计算，其中，第一损失函数为：
其中，loss2表示第一损失值，n表示一个批次中的样本总数量，i表示第i个地震剖面图像，k表示第i个地震剖面图像上的第k个采样点，pk表示第k个采样点对应的地震相预测的概率，yk表示第k个采样点的真实地震相标签，γ表示用于平衡难易样本之间的权重。
可选的，在所述采用基于训练样本集对地震参数分类模型进行训练的过程中，采用第二损失函数进行模型损失的计算，其中，第二损失函数为：
其中，loss1表示第二损失值，j表示第j种类型地震参数，c表示第j种类型地震参数的第c个地震参数真实类别，yijc表示符号函数，pijc表示第i个样本对应的第j种地震参数预测为c的概率，第j种地震参数的地震参数类别数量为mj+1个。
可选的，所述采用所述训练样本集对所述综合识别模型进行训练的过程中，采用综合损失函数进行模型损失的计算，其中，所述综合损失函数为：
其中，loss3表示综合损失值。
可选的，所述多种类型的地震参数包括：地震相单元外形、地震相内部反射结构、连续性、振幅、频率、特殊波形、光滑性和整洁性中一种或多种的组合。
可选的，所述预设要求包括每轮训练中的损失值在预设范围内以及达到预设轮次训练。
本发明实施例还提供了一种地震相识别装置，包括：
第一识别模块，用于采用预先建立的地震相识别模型对待识别地震剖面图像进行识别，得到地震相识别结果；
第二识别模块，用于采用预先建立的地震参数分类模型分别对待识别地震剖面图像进行识别，得到地震参数分类结果；
综合模块，用于对所述地震相识别结果和所述地震参数分类结果进行综合处理，得到地震相和地震参数；其中：
所述地震相识别模型和所述地震参数分类模型均为基于多个地震剖面图像构成的训练样本集对相应的神经网络进行训练得到的，所述地震剖面图像上标定有与每个地震相区域分别对应的地震参数类别。
本发明实施例还提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述所述地震相识别方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述地震相识别方法的步骤。
本发明实施例中提供了一种地震相识别方法、装置、电子设备及计算机可读存储介质，该方法包括：采用预先建立的地震相识别模型对待识别地震剖面图像进行识别，得到地震相识别结果；采用预先建立的地震参数分类模型分别对待识别地震剖面图像进行识别，得到地震参数分类结果；对地震相识别结果和地震参数分类结果进行综合处理，得到地震相和地震参数；其中：地震相识别模型和地震参数分类模型均为基于多个地震剖面图像构成的训练样本集对相应的神经网络进行训练得到的，地震剖面图像上标定有与每个地震相区域分别对应的地震参数类别。
可见，本发明实施例中的地震相识别模型和地震参数分类模型均是基于多个地震剖面图像构成的训练样本集训练而成的，并且地震相剖面图像上标定有每个地震相区域的地震参数类别，由于本申请中的训练样本集中不仅包括地震剖面图像的地震相区域，还包括每个地震相区域的地震参数类别，可以训练得到地震相识别模型和地震参数分类模型，在对待识别地震剖面图像进行识别时，可以通过地震相识别模型和地震参数分类模型从两个维度对待识别地震剖面图像进行识别分析，并进一步对地震相识别结果和地震参数分类结果进行综合处理就可以得到与该待识别地震剖面图像对应的地震相和地震参数，本申请中能够从两个维度进行识别，可以提高地震相识别精确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种地震相识别方法的流程示意图；
图2为本发明实施例提供的一种地震相识别的模型架构示意图；
图3为本发明实施例提供的一种地震相识别装置的结构示意图。
具体实施方式
本发明实施例提供了一种地震相识别方法、装置、电子设备及计算机可读存储介质，在使用过程中能够提高地震相识别精确度。
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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，都属于本发明保护的范围。
请参照图1，图1为本发明实施例提供的一种地震相识别方法的流程示意图。该方法包括：
S110：采用预先建立的地震相识别模型对待识别地震剖面图像进行识别，得到地震相识别结果；
需要说明的是，本发明实施例中可以针对地震体获取多张地震剖面图像，具体可以间隔16道获取地震剖面图像64张或其他数量的地震剖面图像，针对每个地震剖面图像进行地震相区域划分，并针对每个地震剖面图像的每个地震相采用多种类型的地震参数对每个地震相区域进行地震相标定，得到标定后的地震剖面图像，以形成训练样本集。其中，多种类型的地震参数具体可以为8种类型地震参数，也即采用8种类型地震参数对地震相进行标定，每种类型的地震参数包括多个地震参数类别。具体的，8种类型的地震参数可以包括地震相单元外形、地震相内部反射结构、连续性、振幅(反映岩石类型差异)、频率、特殊波形、光滑性、整洁性。当然，在实际应用中可以根据实际需要确定采用哪几种类型的地震参数，本发明实施例对此不做特殊限定。
具体的，在形成训练样本集后，采用该训练样本集训练地震相识别模型和地震参数分类模型。在需要对待识别地震剖面图像进行地震相识别时，可以采用训练好的地震相识别模型对待识别地震剖面图像进行地震相识别，得到地震相识别结果。
S120：采用预先建立的地震参数分类模型分别对待识别地震剖面图像进行识别，得到地震参数分类结果；
具体的，采用训练好的地震参数分类模型对待识别地震剖面图像进行识别，得到地震参数分类结果。
需要说明的是，如图2所示，地震相识别模型和地震参数分类模型可以同时对待识别地震剖面图像(也即图2中的地震剖面)进行识别，分别输出地震相识别结果和地震参数分类结果，两者的识别过程没有先后顺序。
S130：对地震相识别结果和地震参数分类结果进行综合处理，得到地震相和地震参数；其中：
地震相识别模型和地震参数分类模型均为基于多个地震剖面图像构成的训练样本集对相应的神经网络进行训练得到的，地震剖面图像上标定有与每个地震相区域分别对应的地震参数类别。
具体的，在得到地震相识别结果和地震参数分类结果后，可以进一步将地震相识别结果和地震参数识别结果进行综合处理，也即将两个识别结果进行整合，得到与该待识别地震剖面图像对应的地震相和地震参数，从而得到最终的识别结果。也即，如图2所示，将地震相识别结果(如((B,N,H,W)))和地震参数分类结果(如(B,8,H,W))进行叠加，并将叠加结果输入至3*3卷积层后得到最终的地震相识别结果，该最终的地震相识别结果包括地震相和地震参数。
在一种实施例中，上述地震相识别模型和地震参数分类模型的训练过程可以包括：
对多个地震剖面图像进行地震相区域划分，并分别采用多种类型的地震参数对每个地震相区域进行地震相标定，得到标定后的地震剖面图像，以形成训练样本集。
可以理解的是，本发明实施例中可以针对地震体获取多张地震剖面图像，使用测井解释的层序地层结果在地震剖面图像上识别地震相。具体可以基于专家知识库中的地震数据和测井数据，间隔16道获取地震剖面图像64张或其他数量的地震剖面图像，针对每个地震剖面图像进行地震相区域划分。测井解释F3地层分布分别为：Lower North Sea(北海下部)组,Middle North Sea(北海中部)组,Upper North Sea(北海上部)组，Scruff组,Rijnland组,Chalk组，Zechstein组7种，具体可以在地震剖面图像上识别上述对应的7种地震相，从而实现对地震剖面图像的地震相划分。再针对每个地震剖面图像的每个地震相采用多种类型的地震参数对每个地震相区域进行地震相标定，得到标定后的地震剖面图像，以形成训练样本集。其中，多种类型的地震参数具体可以为8种类型地震参数，也即采用8种类型地震参数对地震相进行标定，每种类型的地震参数包括多个地震参数类别。另外，地震剖面维度是(B,1,H,W)(例如为(4,1,512,512))、地震相维度是(B,N,H,W)(例如为(4,7,512,512))、地震参数维度是(B,8,H,W)(例如为(4,8,512,512))，B表示批次、N表示表示第N个地震相区域，H、W分别表示高度和宽度。
其中，多种类型的地震参数包括：地震相单元外形、地震相内部反射结构、连续性、振幅(反映岩石类型差异)、频率、特殊波形、光滑性和整洁性中一种或多种的组合。
采用基于训练样本集对地震相识别模型进行训练，并且训练过程中对地震相识别模型的模型参数进行更新，在满足预设要求的情况下得到地震相识别模型；其中，地震相识别模型的模型学习率为第一学习率。
需要说明的是，所满足的预设要求可以包括每轮训练中的损失值在预设范围内以及达到预设轮次训练。也即，在具体训练过程中，可以设定循环轮次为，epoch，也即对地址相识别模型进行epoch轮的训练，并且每次训练均是为上一次训练完成时得到的模型参数的基础上进行本轮次的模型训练的。
具体的，在每轮训练中，可以使用训练样本集训练地震相识别模型，其中，地震相识别模型的模型学习率可以设定为e0(也即第一学习率为e0)，训练过程中更新模型参数，并且当地震相识别模型的损失稳定后，锁定地震相识别模型全部参数，从而完成一轮次的训练，并进行下一轮的训练，直至训练轮次达到epoch次时，得到最终训练完成的地震相识别模型。
需要说明的是，可以使用图像分割神经网络架构建立地震相识别模型，完成从地震剖面到像素级地震相的映射。主要分为三部分编码器、解码器、分类器，其中，编码器是由卷积层和池化层组成，这些卷积层负责特征提取，通过逐渐减少图像的空间分辨率，将图像转换为高级的抽象特征；解码器是卷积层和上采样层组成，通过对抽象特征恢复到输入地震剖面图像大小；分类器是经过解码器处理后的特征图通过一个1x1卷积层进行像素级别的地震相分类。每个地震剖面图像像素点都会得到一个分类标签，从而实现对输入地震剖面图像的像素级别分割。
在实际应用中，地震相识别模型的网络结构为主要分为三部分编码器、解码器、分类器共11层。编码器部分可以由5个卷积块组成，每个卷积块都有两个卷积层，后面跟随一个2x2的最大池化层用于降低特征图的尺寸。解码器部分，与编码器的对称结构，每个解码器层都有一个上采样层，上采样使用upsampling函数；在解码器的每个上采样层后面，还会添加一个1x1的逐点卷积层，用于减少特征图的通道数。分类器部分，模型最后一层是一个1x1的卷积层，用于像素级别地震相的分类；每个像素点都会得到一个分类标签，从而实现对输入地震剖面图像的像素级别地震相分割。分类器输出的特征图大小与输入图像大小相同，每个像素点的值表示该像素属于不同地震相类别的概率。具体的，地震相识别模型的输入中地震剖面图像的维度是(B,1,H,W)(具体可以为(4,1,512,512))，模型输出的是地震相类别，地震相类别维度是(B,n,H,W)(具体可以为(4,7,512,512))。
具体的，在采用基于训练样本集对地震相识别模型进行训练的过程中，采用第一损失函数进行模型损失的计算，其中，第一损失函数为：
其中，loss2表示第一损失值，n表示一个批次中的样本总数量，i表示第i个地震剖面图像，k表示第i个地震剖面图像上的第k个采样点，pk表示第k个采样点对应的地震相预测的概率，yk表示第k个采样点的真实地震相标签，γ表示用于平衡难易样本之间的权重。
也即，本发明实施例中的在地震相识别模型的损失函数是兼容类别差异和识别难易程度差异的像素级损失函数，例如提高地震相识别模型训练的精确度。
采用基于训练样本集对地震参数分类模型进行训练，并且训练过程中对地震参数分类模型的模型参数进行更新，在满足预设要求的情况下得到地震参数分类模型；其中，地震参数分类模型的模型学习率为第二学习率。
需要说明的是，本发明实施例中的预设要求可以包括每轮训练中相应的损失值在预设范围内以及达到预设轮次训练。也即，在具体训练过程中，可以设定循环轮次为epoch(例如为100)，也即对地址相识别模型进行epoch轮的训练，并且每次训练均是为上一次训练完成时得到的模型参数的基础上进行本轮次的模型训练的。
具体的，在每轮训练中，可以使用训练样本集训练地震参数分类模型，其中，地震参数分类模型的模型学习率可以设定为e1(也即第二学习率为e1)，训练过程中更新模型参数，并且当地震参数分类模型的损失稳定后，锁定地震参数分类模型全部参数，从而完成一轮次的训练，并进行下一轮的训练，直至训练轮次达到epoch次时，得到最终训练完成的地震参数分类模型。
具体的，使用全卷积神经网络架构建立地震参数分类模型，完成直接从地震剖面图像到像素级地震参数的映射。地震参数分类模型第一部分是特征提取模块，使用经典的卷积神经网络来提取地震剖面图像中的边缘及纹理低级特征和形状及结构高级特征，并在特征提取之后使用1x1的卷积层，用于减少特征图的通道数，保留更重要的特征。1x1卷积层完成地震剖面像素级别的地震参数分类，每个像素点都会得到一个分类标签。
在实际应用中，地震参数分类模型总网络层数是7层，结构为两部分：特征提取模块和分类模块。第一部分特征提取模块为前6层，分3组，每组两个卷积层，激活函数使用Relu，卷积核使用9*9大卷积核。第二部分是地震参数分类模型的第7层，是一个卷积核为1*1的卷积层，激活函数是softmax，主要功能是压缩特征维度为8(即地震参数类别数量)，生成像素级地震剖面的地震参数类别预测概率。地震参数分类模型的输入中地震剖面图像的维度是(B,1,H,W)(具体可以为(4,1,512,512))，输出的地震参数类别的维度是(B,8,H,W)(具体可以为(4,8,512,512))。
具体的，在采用基于训练样本集对地震参数分类模型进行训练的过程中，采用第二损失函数进行模型损失的计算，其中，第二损失函数为：
其中，loss1表示第二损失值，j表示第j种类型地震参数，c表示第j种类型地震参数的第c个地震参数真实类别，yijc表示符号函数，pijc表示第i个样本对应的第j种地震参数预测为c的概率，第j种地震参数的地震参数类别数量为mj+1个。也即，地震参数分类模型的损失函数是多参数多分类损失，可以提高模型训练的精确度。
将地震相识别模型和地震参数分类模型作为综合识别模型，采用训练样本集对综合识别模型进行训练，并且训练过程中对地震相识别模型和地震参数分类模型的模型参数进行调整，得到优化后的地震相识别模型和地震参数分类模型分别作为最终的地震相识别模型和地震参数分类模型；其中，综合识别模型的模型学习率为第三学习率，第三学习率小于第一学习率和第二学习率。
需要说明的是，为了进一步对地震参数分类模型和地震相识别模型进行优化，可以将上述训练得到的地震相识别模型和地震参数分类模型综合设定为整个综合识别模型，该综合识别模型参数的学习率为e3(也即第三学习率为e3)，并且第三学习率远小于第一学习率和第二学习率，从而可以采用训练样本数据同时对地震相识别模型和地震参数分类模型进行训练，在训练过程中对模型参数进行微调，从而优化地震识别模型和地震参数分类模型。通过上述过程，本申请中的二维损失函数是在横纵两个维度上跳跃训练，可以有效越过每一个鞍点，使生成的模型达到最优状态，其中，跳跃循环的模型参数调优方式避免了某一个单一维度数据容易停留在鞍点的问题，从而可以使训练得到的综合识别模型更加精确。
也即，在综合识别模型的训练过程中，样本数据同时作为地震参数分类模型和地震相识别模型的输入，两个模型的输出在第二维度叠加，数据维度为(4,15,512，512)，并输入一个3*3卷积层和一个softmax激活层，用于综合来自地震相和地震参数的信息，得到最终的地震相识别结果，并进行综合损失函数的计算，在损失稳定的情况下优化完成。其中，参数优化采用Adam算法，优化算法的超参数，一阶矩估计的指数衰减率设定为0.9，二阶矩估计的指数衰减率设定为0.999。在实际应用中，地震相识别模型的模型学习率可以设定为1e-4，地震参数分类模型的模型学习率设定为1e-3，设定整个综合识别模型参数的学习率为1e-5，使用全部训练数据进一步微调。
其中，采用训练样本集对综合识别模型进行训练的过程中，采用综合损失函数进行模型损失的计算，其中，综合损失函数为：
其中，loss3表示综合损失值。
具体的，在训练过程中在综合损失函数的损失稳定时，可以得到优化后的地震相识别模型和地震参数分类模型。
可见，本发明实施例中的地震相识别模型和地震参数分类模型均是基于多个地震剖面图像构成的训练样本集训练而成的，并且地震相剖面图像上标定有每个地震相区域的地震参数类别，由于本申请中的训练样本集中不仅包括地震剖面图像的地震相区域，还包括每个地震相区域的地震参数类别，可以训练得到地震相识别模型和地震参数分类模型，在对待识别地震剖面图像进行识别时，可以通过地震相识别模型和地震参数分类模型从两个维度对待识别地震剖面图像进行识别分析，并进一步对地震相识别结果和地震参数分类结果进行综合处理就可以得到与该待识别地震剖面图像对应的地震相和地震参数，本申请中能够从两个维度进行识别，可以提高地震相识别精确度。
在上述实施例的基础上，本发明实施例还提供了一种地震相识别装置，具体请参照图3，该装置包括：
第一识别模块11，用于采用预先建立的地震相识别模型对待识别地震剖面图像进行识别，得到地震相识别结果；
第二识别模块12，用于采用预先建立的地震参数分类模型分别对待识别地震剖面图像进行识别，得到地震参数分类结果；
综合模块13，用于对地震相识别结果和地震参数分类结果进行综合处理，得到地震相和地震参数；其中：
地震相识别模型和地震参数分类模型均为基于多个地震剖面图像构成的训练样本集对相应的神经网络进行训练得到的，地震剖面图像上标定有与每个地震相区域分别对应的地震参数类别。
需要说明的是，本发明实惠了中的种地震相识别装置具有与上述实施例中所提供的种地震相识别方法相同的有益效果，并且对于本发明实施例中所涉及到的种地震相识别方法的具体介绍请参照上述实施例，本申请在此不再赘述。
在上述实施例的基础上，本发明实施例还提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上述地震相识别方法的步骤。
在上述实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述地震相识别方法的步骤。
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，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，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。
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发明。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发明的精神或范围的情况下，在其他实施例中实现。因此，本发明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)

1.一种地震相识别方法，其特征在于，包括：
采用预先建立的地震相识别模型对待识别地震剖面图像进行识别，得到地震相识别结果；
采用预先建立的地震参数分类模型分别对待识别地震剖面图像进行识别，得到地震参数分类结果；
对所述地震相识别结果和所述地震参数分类结果进行综合处理，得到地震相和地震参数；其中：
所述地震相识别模型和所述地震参数分类模型均为基于多个地震剖面图像构成的训练样本集对相应的神经网络进行训练得到的，所述地震剖面图像上标定有与每个地震相区域分别对应的地震参数类别。
2.根据权利要求1所述的地震相识别方法，其特征在于，所述地震相识别模型和所述地震参数分类模型的训练过程包括：
对多个地震剖面图像进行地震相区域划分，并分别采用多种类型的地震参数对每个地震相区域进行地震相标定，得到标定后的地震剖面图像，以形成训练样本集；
采用基于训练样本集对地震相识别模型进行训练，并且训练过程中对地震相识别模型的模型参数进行更新，在满足预设要求的情况下得到地震相识别模型；其中，所述地震相识别模型的模型学习率为第一学习率；
采用基于所述训练样本集对地震参数分类模型进行训练，并且训练过程中对地震参数分类模型的模型参数进行更新，在满足预设要求的情况下得到地震参数分类模型；其中，所述地震参数分类模型的模型学习率为第二学习率；
将所述地震相识别模型和所述地震参数分类模型作为综合识别模型，采用所述训练样本集对所述综合识别模型进行训练，并且训练过程中对所述地震相识别模型和所述地震参数分类模型的模型参数进行调整，得到优化后的地震相识别模型和地震参数分类模型分别作为最终的地震相识别模型和地震参数分类模型；其中，所述综合识别模型的模型学习率为第三学习率，所述第三学习率小于所述第一学习率和所述第二学习率。
3.根据权利要求2所述的地震相识别方法，其特征在于，在所述采用基于训练样本集对地震相识别模型进行训练的过程中，采用第一损失函数进行模型损失的计算，其中，第一损失函数为：
其中，loss2表示第一损失值，n表示一个批次中的样本总数量，i表示第i个地震剖面图像，k表示第i个地震剖面图像上的第k个采样点，pk表示第k个采样点对应的地震相预测的概率，yk表示第k个采样点的真实地震相标签，γ表示用于平衡难易样本之间的权重。
4.根据权利要求3所述的地震相识别方法，其特征在于，在所述采用基于训练样本集对地震参数分类模型进行训练的过程中，采用第二损失函数进行模型损失的计算，其中，第二损失函数为：
其中，loss1表示第二损失值，j表示第j种类型地震参数，c表示第j种类型地震参数的第c个地震参数真实类别，yijc表示符号函数，pijc表示第i个样本对应的第j种地震参数预测为c的概率，第j种地震参数的地震参数类别数量为mj+1个。
5.根据权利要求4所述的地震相识别方法，其特征在于，所述采用所述训练样本集对所述综合识别模型进行训练的过程中，采用综合损失函数进行模型损失的计算，其中，所述综合损失函数为：
其中，loss3表示综合损失值。
6.根据权利要求2所述的地震相识别方法，其特征在于，所述多种类型的地震参数包括：地震相单元外形、地震相内部反射结构、连续性、振幅、频率、特殊波形、光滑性和整洁性中一种或多种的组合。
7.根据权利要求2所述的地震相识别方法，其特征在于，所述预设要求包括每轮训练中的损失值在预设范围内以及达到预设轮次训练。
8.一种地震相识别装置，其特征在于，包括：
第一识别模块，用于采用预先建立的地震相识别模型对待识别地震剖面图像进行识别，得到地震相识别结果；
第二识别模块，用于采用预先建立的地震参数分类模型分别对待识别地震剖面图像进行识别，得到地震参数分类结果；
综合模块，用于对所述地震相识别结果和所述地震参数分类结果进行综合处理，得到地震相和地震参数；其中：
所述地震相识别模型和所述地震参数分类模型均为基于多个地震剖面图像构成的训练样本集对相应的神经网络进行训练得到的，所述地震剖面图像上标定有与每个地震相区域分别对应的地震参数类别。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述地震相识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述地震相识别方法的步骤。
CN202311766904.0A 2023-12-20 2023-12-20 一种地震相识别方法、装置、电子设备及可读存储介质 Active CN117607956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311766904.0A CN117607956B (zh) 2023-12-20 2023-12-20 一种地震相识别方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311766904.0A CN117607956B (zh) 2023-12-20 2023-12-20 一种地震相识别方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN117607956A true CN117607956A (zh) 2024-02-27
CN117607956B CN117607956B (zh) 2024-07-16

Family

ID=89949979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311766904.0A Active CN117607956B (zh) 2023-12-20 2023-12-20 一种地震相识别方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN117607956B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160313463A1 (en) * 2015-04-24 2016-10-27 Leslie A. Wahrmund Seismic stratigraphic surface classification
CN107678059A (zh) * 2017-09-05 2018-02-09 中国石油大学(北京) 一种储层含气识别的方法、装置及系统
US20190353811A1 (en) * 2018-05-18 2019-11-21 IFP Energies Nouvelles Method for detecting geological objects in a seismic image
CN111178320A (zh) * 2020-01-07 2020-05-19 中国矿业大学(北京) 地质异常体识别的方法及其模型训练方法、装置
WO2021027026A1 (zh) * 2019-08-15 2021-02-18 东北大学 基于机器学习的地震波震动性质识别方法
US20210255347A1 (en) * 2017-10-12 2021-08-19 Chevron U.S.A. Inc. System and method for classifying seismic data by integrating petrophysical data
CN113805235A (zh) * 2020-06-11 2021-12-17 中国石油天然气股份有限公司 基于卷积神经网络的三维地震相识别方法及装置
CN114299330A (zh) * 2021-12-14 2022-04-08 中石化石油工程技术服务有限公司 一种地震相分类方法
CN114548299A (zh) * 2022-02-25 2022-05-27 中国石油大学(北京) 一种地震相识别方法、装置、计算机设备及存储介质
CN115601750A (zh) * 2022-09-14 2023-01-13 河北地质大学（Cn） 一种提升边缘准确度的地震相识别语义分割方法及系统
US20230081438A1 (en) * 2021-08-25 2023-03-16 Chengdu University Of Technology Method for Gas Detection Based on Multiple Quantum Neural Networks
CN116047590A (zh) * 2021-10-26 2023-05-02 中国石油天然气股份有限公司 一种地震相预测模型建立、地震相预测方法和装置
US20230306725A1 (en) * 2022-06-30 2023-09-28 Xi'an Jiaotong University Automatic seismic facies identification method based on combination of self-attention mechanism and u-shape network architecture
CN117251674A (zh) * 2023-09-14 2023-12-19 西安交通大学 一种地震相分类方法、装置、电子设备及介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160313463A1 (en) * 2015-04-24 2016-10-27 Leslie A. Wahrmund Seismic stratigraphic surface classification
CN107678059A (zh) * 2017-09-05 2018-02-09 中国石油大学(北京) 一种储层含气识别的方法、装置及系统
US20210255347A1 (en) * 2017-10-12 2021-08-19 Chevron U.S.A. Inc. System and method for classifying seismic data by integrating petrophysical data
US20190353811A1 (en) * 2018-05-18 2019-11-21 IFP Energies Nouvelles Method for detecting geological objects in a seismic image
WO2021027026A1 (zh) * 2019-08-15 2021-02-18 东北大学 基于机器学习的地震波震动性质识别方法
CN111178320A (zh) * 2020-01-07 2020-05-19 中国矿业大学(北京) 地质异常体识别的方法及其模型训练方法、装置
CN113805235A (zh) * 2020-06-11 2021-12-17 中国石油天然气股份有限公司 基于卷积神经网络的三维地震相识别方法及装置
US20230081438A1 (en) * 2021-08-25 2023-03-16 Chengdu University Of Technology Method for Gas Detection Based on Multiple Quantum Neural Networks
CN116047590A (zh) * 2021-10-26 2023-05-02 中国石油天然气股份有限公司 一种地震相预测模型建立、地震相预测方法和装置
CN114299330A (zh) * 2021-12-14 2022-04-08 中石化石油工程技术服务有限公司 一种地震相分类方法
CN114548299A (zh) * 2022-02-25 2022-05-27 中国石油大学(北京) 一种地震相识别方法、装置、计算机设备及存储介质
US20230306725A1 (en) * 2022-06-30 2023-09-28 Xi'an Jiaotong University Automatic seismic facies identification method based on combination of self-attention mechanism and u-shape network architecture
CN115601750A (zh) * 2022-09-14 2023-01-13 河北地质大学（Cn） 一种提升边缘准确度的地震相识别语义分割方法及系统
CN117251674A (zh) * 2023-09-14 2023-12-19 西安交通大学 一种地震相分类方法、装置、电子设备及介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LUBO-ROBLES, DAVID ET AL: "Exhaustive probabilistic neural network for attribute selection and supervised seismic facies classification", INTERPRETATION-A JOURNAL OF SUBSURFACE CHARACTERIZATION, vol. 9, no. 2, 1 May 2021 (2021-05-01), pages 421 *
XU, GUOQIANG ET AL: "Seismic facies analysis: Past, present and future", EARTH-SCIENCE REVIEWS, vol. 224, 24 April 2022 (2022-04-24) *
曹辉: "地震参数解释的模式识别法", 石油地球物理勘探, no. 02, 15 April 1994 (1994-04-15) *
王树华;于会臻;谭绍泉;陈学国;: "基于深度卷积神经网络的地震相识别技术研究", 物探化探计算技术, no. 04, 15 July 2020 (2020-07-15) *

Also Published As

Publication number Publication date
CN117607956B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
Zhu et al. Intelligent logging lithological interpretation with convolution neural networks
US11320551B2 (en) Training machine learning systems for seismic interpretation
US11693139B2 (en) Automated seismic interpretation-guided inversion
AlRegib et al. Subsurface structure analysis using computational interpretation and learning: A visual signal processing perspective
US20210356623A1 (en) Rock Reservoir Structure Characterization Method, Device, Computer-Readable Storage Medium and Electronic Equipment
CN106909924B (zh) 一种基于深度显著性的遥感影像快速检索方法
CN107688201B (zh) 基于rbm地震叠前信号聚类方法
US6438493B1 (en) Method for seismic facies interpretation using textural analysis and neural networks
CN104102929B (zh) 基于深度学习的高光谱遥感数据分类方法
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
CN112731522B (zh) 地震地层智能识别方法、装置、设备及存储介质
CN108830312B (zh) 一种基于样本自适应扩充的集成学习方法
Younis et al. Detection and annotation of plant organs from digitised herbarium scans using deep learning
CN109670533A (zh) 一种基于卷积神经网络的多尺度测井相识别方法
Wang et al. Seismic stratum segmentation using an encoder–decoder convolutional neural network
CN108226997A (zh) 一种基于叠前地震数据的地震相划分方法
CN116047583A (zh) 基于深度卷积神经网络的自适应波阻抗反演方法及系统
Zhang et al. SaltISCG: Interactive salt segmentation method based on CNN and graph cut
Lei et al. Convolutional recurrent neural networks based waveform classification in seismic facies analysis
Lou et al. Seismic volumetric dip estimation via a supervised deep learning model by integrating realistic synthetic data sets
Alohali et al. Automated fault detection in the Arabian Basin
AlSalmi et al. Automated seismic semantic segmentation using attention U-Net
CN117607956B (zh) 一种地震相识别方法、装置、电子设备及可读存储介质
Hong et al. A DTW distance-based seismic waveform clustering method for layers of varying thickness
CN114299330A (zh) 一种地震相分类方法

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