CN117610430A - 基于专家知识的地震相类别预测模型训练方法及装置 - Google Patents

基于专家知识的地震相类别预测模型训练方法及装置 Download PDF

Info

Publication number
CN117610430A
CN117610430A CN202311694041.0A CN202311694041A CN117610430A CN 117610430 A CN117610430 A CN 117610430A CN 202311694041 A CN202311694041 A CN 202311694041A CN 117610430 A CN117610430 A CN 117610430A
Authority
CN
China
Prior art keywords
seismic
phase
facies
information
horizon
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
CN202311694041.0A
Other languages
English (en)
Inventor
孙晓明
伍新明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Advanced Technology University of Science and Technology of China
Original Assignee
Institute of Advanced Technology University of Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Advanced Technology University of Science and Technology of China filed Critical Institute of Advanced Technology University of Science and Technology of China
Priority to CN202311694041.0A priority Critical patent/CN117610430A/zh
Publication of CN117610430A publication Critical patent/CN117610430A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
    • G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
    • G01V1/48—Processing data
    • G01V1/50—Analysing data
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

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

Abstract

本申请公开了一种基于专家知识的地震相类别预测模型训练方法及装置，属于人工智能技术领域。方法包括：获取目标工区内的地震数据；地震数据包括地震剖面信息和地震层位解释信息；其中，地震剖面信息中标注有地震相类别；将地震剖面信息映射至地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型；以低频背景模型为约束，使用地震数据作为训练样本对预设的分类模型进行训练，得到地震相类别预测模型。本申请实施例通过将地震层位来约束模型的训练，考虑到了地震横向结构变化信息，从而实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。

Description

基于专家知识的地震相类别预测模型训练方法及装置
技术领域
本申请属于人工智能技术领域，尤其涉及一种基于专家知识的地震相类别预测模型训练方法及装置。
背景技术
地震相是沉积体在地震信号中包括振幅、频率、速度、反射结构等多种地震信息的综合响应，通常利用地震内部结构和外部形态描述各层段地震相类别，再辅以地震反射同相轴的振幅和连续性等地震参数对地震相类别进行描述。如何提升地震相识别的准确率，提高油气采出程度，是油田开发面临的重要任务。
传统的地震相分析方法主要是在获取地震剖面信息后，由解释人员肉眼观测地震剖面信息，结合其自身专业知识及经验给出合理的地震相划分结果。
然而，对于某一工区来说，若要识别该工区的地震相，则要对工区内不同地震剖面进行解释，地震剖面信息的量是非常大的，如果通过解释人员进行人工解释，会耗费大量时间，效率较低。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种基于专家知识的地震相类别预测模型训练方法及装置，以提高地震相类别预测的准确性。
第一方面，本申请提供了一种基于专家知识的地震相类别预测模型训练方法，该方法包括：
获取目标工区内的地震数据；所述地震数据包括地震剖面信息和地震层位解释信息；其中，所述地震剖面信息中标注有地震相类别；
将所述地震剖面信息映射至所述地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型；
以所述低频背景模型为约束，使用所述地震数据作为训练样本对预设的分类模型进行训练，得到地震相类别预测模型。
根据本申请的基于专家知识的地震相类别预测模型训练方法，通过获取目标工区内的地震数据，将所述地震剖面信息映射至所述地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型；以所述低频背景模型为约束，使用所述地震数据作为训练样本对预设的分类模型进行训练，得到地震相类别预测模型。本申请实施例通过将地震层位来约束地震相类别预测模型的训练，考虑到了地震横向结构变化信息，使得模型在训练过程中，能够将训练样本中对于地震相类别的解释进行扩展，从而实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
根据本申请的一个实施例，通过以下方式标注地震剖面信息中的地震相类别：
获取所述地震剖面信息中地震剖面上的采样点；
根据所述采样点的反射特征从预设的规则集中匹配所述反射特征对应的地震相类别；其中，所述规则集包括反射特征与地震相类别的对应关系；
在所述地震剖面上的采样点上标注所述采样点对应的地震相类别。
根据本申请的一个实施例，所述将所述地震剖面信息映射至所述地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型，包括：
基于所述地震层位解释信息为地震层位赋值，以构建表征地震层位分布的标量场；其中，在所述标量场中同一地震层位的标量值相同；
将所述地震剖面信息映射至所述标量场中，以构建低频背景模型。
在该实施例中，通过构建标量场的方式，能够有效地将地震相类别解释剖面从物理空间转换到层控空间，进而约束网络，以有效提取地震相与地震数据间复杂的非线性映射关系，达到通过以少量的样本标签实现模型的训练，进一步提高地震相预测的效率。
根据本申请的一个实施例，所述基于所述地震层位解释信息为地震层位赋值，以构建表征地震层位分布的标量场包括：
获取所述地震层位解释信息中的地震层位分布；
基于所述地震层位分布为同一地震层位赋予相同的标量值，得到表征地震层位分布的标量场。
在该实施例中，在获取到地震层位分布后，为同一地震层位赋予相同的标量值，为不同地震层位赋予不同的标量值，从而使得构建的标量场能够准确标注地震层位分布。
根据本申请的一个实施例，所述将所述地震剖面信息映射至所述标量场中，以构建低频背景模型，包括：
基于所述地震剖面信息中地震剖面上采样点的位置信息，将所述采样点的地震相类别映射至所述标量场中；
通过线性插值计算所述标量场中的标量值与地震相类别之间的关系函数；
根据所述关系函数构建低频背景模型。
根据本申请的一个实施例，所述基于所述地震剖面信息中地震剖面上采样点的位置信息，将所述采样点的地震相类别映射至所述标量场中，包括：
通过公式
将所述采样点的地震相类别映射至所述标量场中；
其中，表示标量场，k表示地震剖面，i表示地震剖面编号，i为大于0的自然数，τ表示标量值，w表示地震剖面的宽，h表示地震剖面的高，f表示地震相类别。
在该实施例中，由于层位信息包含在该标量场中，因此插值被严格约束在由标量值指示的同一地层内进行，从而使得在插值过程中引入构造的横向变化信息，进而能够稳健可靠地将样本中的少量的地震相解释剖面扩展到整个地震工区中，并获得一个同时遵循层位解释和地震相解释的低频背景模型，实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
根据本申请的一个实施例，所述根据所述关系函数构建低频背景模型，包括：
使用径向基函数控制地震剖面中同一地震层位内的地震相类别的横向变化；
根据所述横向变化和所述关系函数构建低频背景模型。
根据本申请的一个实施例，所述使用径向基函数控制地震剖面中同一地震层位内的地震相类别的横向变化，包括：
通过公式
控制地震剖面中同一地震层位内的地震相类别的横向变化；
其中，wi(x，y)表示第i个地震剖面上待插值点(x，y)上的局部空间插值距离权场，所述局部空间插值距离权场表示所述横向变化，(x，y)表示待插值点的位置坐标，(xk，yk)表示地震剖面上采样点的位置坐标，Ki表示采样点个数，ε表示用于平衡空间距离相关重要性的径向参数。
根据本申请的一个实施例，所述根据所述横向变化和所述关系函数构建低频背景模型，包括：
通过公式
建低频背景模型；
其中，q(x,y,τ,c)表示低频背景模型，c表示坐标(x,y)处的地震相类别，pi(τ,c)表示所述关系函数，N表示地震剖面数量。
在该实施例中，通过使用径向基函数引入距离相关权重来控制同一地层内地震相的横向变化，以突出地震剖面相近的地震相解释在插值过程中的影响，从而使得低频背景模型在横向上严格遵循地震解释层位。
根据本申请的一个实施例，所述通过线性插值计算所述标量场中的标量值与地震相类别之间的关系函数，可以包括：
针对每一地震相类别分别进行线性插值，得到所述标量场中的标量值与地震相类别之间的关系函数。
在该实施例中，对地震剖面中的每一地震相类别分别进行线性插值，能够避免在插值过程中引入非整数的浮点值而无法确定地震相的类别。
根据本申请的一个实施例，所述分类模型包括编码器，解码器和预测器；
所述编码器用于通过池化层和残差学习模块将输入的所述低频背景模型和所述地震剖面信息进行特征提取，得到特征向量；其中，所述残差学习模块包括两个连续的卷积层；
所述解码器用于对所述特征向量进行解码，得到解码特征；
所述预测器用于通过多个卷积层的堆叠融合所述解码特征以得到地震相预测结果。
根据本申请的一个实施例，所述编码器和所述解码器通过四个不同尺度的跳跃连接相连。
第二方面，本申请提供了一种基于专家知识的地震相类别预测方法，包括：
获取目标工区的待预测地震数据；
将所述待预测地震数据输出至预设的地震相类别预测模型中，以获得所述地震相类别预测模型输出的预测结果；所述预测结果表征所述待预测地震数据中地震剖面各位置的地震相类别；
其中，所述地震相类别预测模型是采用如第一方面所述的方法训练的。
根据本申请实施例提供的基于专家知识的地震相类别预测方法，本申请实施例所使用的地震相类别预测模型，通过将地震层位来约束地震相类别预测模型的训练，考虑到了地震横向结构变化信息，使得模型在训练过程中，能够将训练样本中对于地震相类别的解释进行扩展，从而实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
第三方面，本申请提供了一种基于专家知识的地震相类别预测模型训练装置，该装置包括：
第一获取模块，用于获取目标工区内的地震数据；所述地震数据包括地震剖面信息和地震层位解释信息；其中，所述地震剖面信息中标注有地震相类别；
映射模块，用于将所述地震剖面信息映射至所述地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型；
训练模块，用于以所述低频背景模型为约束，使用所述地震数据作为训练样本对预设的分类模型进行训练，得到地震相类别预测模型。
根据本申请实施例提供的基于专家知识的地震相类别预测模型训练装置，本申请实施例通过将地震层位来约束地震相类别预测模型的训练，考虑到了地震横向结构变化信息，使得模型在训练过程中，能够将训练样本中对于地震相类别的解释进行扩展，从而实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
第四方面，本申请提供了一种基于专家知识的地震相类别预测装置，该装置包括：
第二获取模块，用于获取目标工区的待预测地震数据；
预测模块，用于将所述待预测地震数据输出至预设的地震相类别预测模型中，以获得所述地震相类别预测模型输出的预测结果；所述预测结果表征所述待预测地震数据中地震剖面各位置的地震相类别；
其中，所述地震相类别预测模型是采用如第一方面所述的方法训练的。
根据本申请实施例提供的基于专家知识的地震相类别预测装置，本申请实施例所使用的地震相类别预测模型，通过将地震层位来约束地震相类别预测模型的训练，考虑到了地震横向结构变化信息，使得模型在训练过程中，能够将训练样本中对于地震相类别的解释进行扩展，从而实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
第五方面，本申请提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面或第二方面所述的方法。
第六方面，本申请提供了一种非暂态计算机可读存储介质，其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第一方面或第二方面所述的方法。
第七方面，本申请提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如上述第一方面或第二方面所述的方法。
第八方面，本申请提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面或第二方面所述的方法。
本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：
根据本申请的基于专家知识的地震相类别预测模型训练方法，通过获取目标工区内的地震数据，将所述地震剖面信息映射至所述地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型；以所述低频背景模型为约束，使用所述地震数据作为训练样本对预设的分类模型进行训练，得到地震相类别预测模型。本申请实施例通过将地震层位来约束地震相类别预测模型的训练，考虑到了地震横向结构变化信息，使得模型在训练过程中，能够将训练样本中对于地震相类别的解释进行扩展，从而实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
进一步的，在一些实施例中，通过构建标量场的方式，能够有效地将地震相类别解释剖面从物理空间转换到层控空间，进而约束网络，以有效提取地震相与地震数据间复杂的非线性映射关系，达到通过以少量的样本标签实现模型的训练，进一步提高地震相预测的效率。
更进一步的，在一些实施例中，由于层位信息包含在该标量场中，因此插值被严格约束在由标量值指示的同一地层内进行，从而使得在插值过程中引入构造的横向变化信息，进而能够稳健可靠地将样本中的少量的地震相解释剖面扩展到整个地震工区中，并获得一个同时遵循层位解释和地震相解释的低频背景模型，实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
再进一步的，在一些实施例中，通过使用径向基函数引入距离相关权重来控制同一地层内地震相的横向变化，以突出地震剖面相近的地震相解释在插值过程中的影响，从而使得低频背景模型在横向上严格遵循地震解释层位。
再进一步的，在一些实施例中，对地震剖面中的每一地震相类别分别进行线性插值，能够避免在插值过程中引入非整数的浮点值而无法确定地震相的类别。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请实施例提供的基于专家知识的地震相类别预测模型训练方法的流程示意图；
图2是本申请实施例地震相解释示意图；
图3是本申请实施例单一地震剖面标签示意图；
图4是本申请实施例解释标签剖面分布示意图；
图5是本申请实施例低频背景模型构建过程示意图；
图6是本申请实施例通过空间距离函数定义地震相在同一地层内的分布模式示意图；
图7是本申请实施例不同地震相的低频背景模型示意图；
图8是本申请实施例分类模型的网络架构；
图9是本申请实施例模型训练效果示意图；
图10是本申请实施例实际工区人工解释剖面示意图；
图11是地质专家解释联井剖面与本申请实施例的预测结果对比示意图；
图12是本申请实施例提供的基于专家知识的地震相类别预测方法的流程示意图；
图13是本申请实施例提供的基于专家知识的地震相类别预测模型训练装置的结构示意图；
图14是本申请实施例提供的基于专家知识的地震相类别预测装置的结构示意图；
图15是本申请实施例提供的电子设备的结构示意图。
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地描述，显然，所描述的实施例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获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
传统的地震相分析方法主要是在获取地震剖面信息后，由解释人员肉眼观测地震剖面信息，结合其自身专业知识及经验给出合理的地震相划分结果。当然，目前也发展出了一些技术对地震相进行自动识别。
但是，若要识别某一工区的地震相，则要对工区内不同地震剖面进行解释，地震剖面信息的量是非常大的，无论是解释人员人工的分析方式或者是目前的地震相自动识别方式，都需要大量解释人员人工解释。因此，现有技术中的地震相类别预测方式的效率是很低的。
本申请考虑到如果能够将地震层位因素结合到地震相分析中，则可以有效表征地震相与地震数据间复杂的非线性映射关系，进而通过模型训练的方式，将样本中对于地震相类别的解释进行扩展，从而实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的基于专家知识的地震相类别预测模型训练方法及装置进行详细地说明。
其中，基于专家知识的地震相类别预测模型训练方法可应用于终端，具体可由，终端中的硬件或软件执行。
该终端包括但不限于具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话或平板电脑等便携式通信设备。还应当理解的是，在某些实施例中，该终端可以不是便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。
以下各个实施例中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和控制杆的一个或多个其它物理用户接口设备。
本申请实施例提供的基于专家知识的地震相类别预测模型训练方法，该基于专家知识的地震相类别预测模型训练方法的执行主体可以为电子设备或者电子设备中能够实现该基于专家知识的地震相类别预测模型训练方法的功能模块或功能实体，本申请实施例提及的电子设备包括但不限于手机、平板电脑、电脑、相机和可穿戴设备等，下面以电子设备作为执行主体为例对本申请实施例提供的基于专家知识的地震相类别预测模型训练方法进行说明。
如图1所示，该基于专家知识的地震相类别预测模型训练方法包括：步骤110、步骤120和步骤130。
步骤110、获取目标工区内的地震数据；地震数据包括地震剖面信息和地震层位解释信息；其中，地震剖面信息中标注有地震相类别。
地震数据是指通过地震勘探技术获取的地下岩石结构和性质的信息。这些数据对于油气勘探领域非常重要，因为它们可以帮助勘探人员确定地下是否存在油气资源，以及油气资源的分布和规模。
地震数据的作用包括但不限于：帮助勘探人员确定地下岩石的结构和性质，从而确定潜在的油气储集层；提供有关地下地层构造和构造变形的信息，帮助勘探人员理解地质构造；为油气勘探提供定位和导向的信息，帮助勘探人员确定勘探钻井的位置和方向。
地震数据可以通过地震勘探技术来获取。地震勘探通常包括在地表或井下放置地震传感器，然后利用爆炸或震源器产生地震波。当地震波穿过地下岩石时，它们会受到不同类型岩石的影响而发生反射、折射和散射。地震传感器记录这些地震波的反射和折射信息，从而获取地下岩石的结构和性质的数据。
进行地震相类别解释的关键就是建立工区骨架地震相，即那些反射特征明显，易识别与解释的典型地震相。一般沉积盆地的典型地震相主要有：丘状相、透镜体、充填相、杂乱相、强振幅席状相和弱振幅相等类型。
地震剖面信息是指在拿到一套三维地震数据后，对具体的地震剖面进行分析而得到的信息。在对具体的地震剖面进行分析过程中，可以根据地震剖面的结构特征，确定地震剖面各处的地震相类别。
在本申请实施例中，在分析得到地震剖面信息后，可以在地震剖面上标注各个位置的地震相类别。其中，标注方式可以通过打标签的方式进行，例如可以通过数字的方式标注地震相类别，例如标签“1”表示地震相类别1，标签“2”表示地震相类别2，标签“3”表示地震相类别3。当然，标签还可以通过其他数字来表示，或者通过字母、符号等其他方式或者各类方式的组合来表示，本申请实施例对此不作限定。
地震层位解释信息是地震构造解释的重要内容，是根据目标层位的地震反射特征如振幅、相位、形态、连续性、特征组合等信息在地震数据体上进行追踪解释获得的地震层位数据。在本申请实施例中，地震层位解释信息可以包括地震数据中，各个地震剖面上地震层位的识别结果。
步骤120、将地震剖面信息映射至地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型。
地震剖面信息通常在空间中稀疏分散，缺少地震横向结构变化信息，如果仅通过对地震剖面信息进行分析来实现地震相类别的预测，由于难以有效表征地震相与地震数据间复杂的非线性映射关系。
在本申请实施例中，通过将地震剖面信息映射至地震层位解释信息中，使用已解释地震相的地震剖面和地震层位来拟合映射函数，来构建表征地震层位与地震相类别之间的关系的低频背景模型，通过该低频背景模型，可以用于估计未解释地震剖面处的地震相类别。
步骤130、以低频背景模型为约束，使用地震数据作为训练样本对预设的分类模型进行训练，得到地震相类别预测模型。
在本申请实施例中，分类模型可以为基于机器学习相关的算法构建得到。基于有监督学习的方式对分类模型进行训练，输入为低频背景模型和地震剖面信息，输出为目标剖面上的地震相分类结果。
具体的，可以从地震数据中分别沿着测线和纵测线的方向抽取固定尺度的地震剖面以及构建对应低频背景模型，结合地震相剖面上的标签，对分类模型进行训练，基于预测结果与标签对应的真实值进行比较，计算损失函数，为反向传播提供输入依据，以迭代更新分类模型的参数，训练完成，得到地震相类别预测模型。
根据本申请的基于专家知识的地震相类别预测模型训练方法，通过获取目标工区内的地震数据，将地震剖面信息映射至地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型；以低频背景模型为约束，使用地震数据作为训练样本对预设的分类模型进行训练，得到地震相类别预测模型。本申请实施例通过将地震层位来约束地震相类别预测模型的训练，考虑到了地震横向结构变化信息，使得模型在训练过程中，能够将训练样本中对于地震相类别的解释进行扩展，从而实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
在一些实施例中，可以通过以下方式标注地震剖面信息中的地震相类别：
获取地震剖面信息中地震剖面上的采样点；
根据采样点的反射特征从预设的规则集中匹配反射特征对应的地震相类别；其中，规则集包括反射特征与地震相类别的对应关系；
在地震剖面上的采样点上标注采样点对应的地震相类别。
具体的，反射特征通常与地震相类别密切相关，不同地震相类别对应不同的反射特征，本申请中，可以预先建立反射特征与地震相类别的对应关系，形成规则集。例如，可以将反射特征存储在数据表中的某一列，地震相类别存储在数据表中的另一列，反射特征与地震相类别具有一一对应的关系，在获取到反射特征后，通过查表的方式可以获得该反射特征对应的地震相类别。
以一个示例进行说明，如图2所示，在拿到一套三维地震数据后，对具体地震剖面进行分析，其中图2中的点即为采样点。在该地震剖面上，丘状地震相的外形表现为底平顶凸的结构，其内部以平行-亚平行的中到强连续性反射结构、杂乱反射结构或者空白结构为特征，该剖面中丘状地震相其反射结构为顶界面为中-弱振幅反射且边界较为清晰(图2中Face B)。前积反射构型是一种向深水方向扩建的反射结构，其形态包括S形前积、斜交型前积、S形斜交复合型、叠瓦状以及乱岗状前积反射。该剖面中前积以S形反射为主(图2中的FaceC)。其顶积层与底积层倾角较为平缓，基本与上下地层界面平行，终端前积层倾角较陡(图2中黑色箭头)。另外一种地震相FaceC通过层序的底、生物礁丘状反射底界面以及底积层来进行识别(图2中的FaceA)。其反射不足一个周期的波形，FaceA在地震剖面上对应着一波峰一波谷中间的极薄的沉积。
以图3所示的地震剖面为例，FacieB在地震剖面上呈现明显的丘状反射，FaceC地震反射构型呈S型前积反射，而FaceA底部早期前积层较薄。如图3所示，地震相对应的标签为：FaceA底部前积层对应标签为1，FaceB对应标签2，FaceC前积层对应标签为3以及背景值对应标签为0。
在本示例中，以同样的方式对工区内不同地震剖面进行解释和标注，考虑到实际解释地震剖面花费时间较长，解释大量地震剖面作为训练数据几乎是不可能的任务。因此，在本工区内解释了12条联络侧线作为网络的训练数据，12条解释剖面分布如图4所示，解释地震剖面相对较为均匀的分布于工区内，解释剖面数量占总体剖面数量的2.4％(12/500)。
在该实施例中，通过引入包括反射特征与地震相类别的对应关系规则集，能够准确为地震剖面上标注地震相类别。
在一些实施例中，将地震剖面信息映射至地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型，可以包括：
基于地震层位解释信息为地震层位赋值，以构建表征地震层位分布的标量场；其中，在标量场中同一地震层位的标量值相同；
将地震剖面信息映射至标量场中，以构建低频背景模型。
具体的，标量场是指一个仅用其大小就可以完整表征的场。根据地震层位解释信息为地震层位进行赋值，不同地震层位赋予不同的值，同一地震层位的值相同，从而得到表征地震层位分布的标量场，该标量场的等值面可以准确地追踪地震层位。
将地震剖面信息映射至标量场中，即可得到表征地震层位与地震相类别之间的关系的低频背景模型。
在该实施例中，通过构建标量场的方式，能够有效地将地震相类别解释剖面从物理空间转换到层控空间，进而约束网络，以有效提取地震相与地震数据间复杂的非线性映射关系，达到通过以少量的样本标签实现模型的训练，进一步提高地震相预测的效率。
在一些实施例中，基于地震层位解释信息为地震层位赋值，以构建表征地震层位分布的标量场包括：
获取地震层位解释信息中的地震层位分布；
基于地震层位分布为同一地震层位赋予相同的标量值，得到表征地震层位分布的标量场。
在一个示例中，图5中的a显示了实际地震数据以及叠加其上显示的两个地震层位。为构建低频背景模型，首先使用地震层位解释资料构建了一个标量场(图5中的b)，该标量场包含了所有层位的横向结构变化信息，用于约束低频背景模型的构建。
在该实施例中，在获取到地震层位分布后，为同一地震层位赋予相同的标量值，为不同地震层位赋予不同的标量值，从而使得构建的标量场能够准确标注地震层位分布。
在一些实施例中，将地震剖面信息映射至标量场中，以构建低频背景模型，包括：
基于地震剖面信息中地震剖面上采样点的位置信息，将采样点的地震相类别映射至标量场中；
通过线性插值计算标量场中的标量值与地震相类别之间的关系函数；
根据关系函数构建低频背景模型。
具体的，假设目标勘探工区中有N个已解释地震相类别的地震剖面(假设其长h，宽为w)，则每个剖面包含多个采样点，每个采样点上被赋予地震相类别：
其中，fk，i表示位于地震剖面上采样点xk，i位置的地震相类别，i表示地震剖面编号，其范围为1到N。
在一些实施例中，可以通过公式
将采样点的地震相类别映射至标量场中；
其中，表示标量场，k表示地震剖面，i表示地震剖面编号，i为大于0的自然数，τ表示标量值，w表示地震剖面的宽，h表示地震剖面的高，f表示地震相类别。
由于地震剖面上采样点在空间中稀疏分散，并不连续，因此在将采样点的地震相类别映射至标量场中后，可以通过线性插值的方式进行插值，从而得到标量场中的标量值与地震相类别之间的关系函数。
在该实施例中，由于层位信息包含在该标量场中，因此插值被严格约束在由标量值指示的同一地层内进行，从而使得在插值过程中引入构造的横向变化信息，进而能够稳健可靠地将样本中的少量的地震相解释剖面扩展到整个地震工区中，并获得一个同时遵循层位解释和地震相解释的低频背景模型，实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
在一些实施例中，根据关系函数构建低频背景模型，包括：
使用径向基函数控制地震剖面中同一地震层位内的地震相类别的横向变化；
根据横向变化和关系函数构建低频背景模型。
具体的，可以通过公式
控制地震剖面中同一地震层位内的地震相类别的横向变化；
其中，wi(x,y)表示第i个地震剖面上待插值点(x,y)上的局部空间插值距离权场，局部空间插值距离权场表示横向变化，(x,y)表示待插值点的位置坐标，(xk,yk)表示地震剖面上采样点的位置坐标，Ki表示采样点个数，ε表示用于平衡空间距离相关重要性的径向参数。
可以通过公式
建低频背景模型；
其中，q(x,y,τ,c)表示低频背景模型，c表示坐标(x,y)处的地震相类别，pi(τ,c)表示关系函数，N表示地震剖面数量。
以上述示例进行说明，图5中的c显示了在该地震工区解释的12条地震剖面，包括沿侧线方向的10条剖面和沿纵测线方向的两条地震剖面。通过使用上述插值方法，在标量场的控制下分别沿着测线和垂直于测线的方向进行插值，使低频背景模型在横向上严格遵循地震解释层位。除此之外，还通过空间距离函数分别在沿测线和垂直于测线的方向(图6中的a和图6中的b)定义地震相在同一地层内的分布模式，最后以加权平均的方式计算出插值后的低频背景模型。
在该实施例中，通过使用径向基函数引入距离相关权重来控制同一地层内地震相的横向变化，以突出地震剖面相近的地震相解释在插值过程中的影响，从而使得低频背景模型在横向上严格遵循地震解释层位。
在一些实施例中，通过线性插值计算标量场中的标量值与地震相类别之间的关系函数，可以包括：
针对每一地震相类别分别进行线性插值，得到标量场中的标量值与地震相类别之间的关系函数。
具体的，通过针对每一地震相类别分别进行线性插值，能够得到标量值与每一地震相类别之间的关系函数，相应的，根据这些关系函数，可以得到每一地震相类别对应的低频背景模型，如图7所示，中的a、b、c、d分别表示不同地震相对应的低频背景模型。
在该实施例中，对地震剖面中的每一地震相类别分别进行线性插值，能够避免在插值过程中引入非整数的浮点值而无法确定地震相的类别。
在一些实施例中，分类模型包括编码器，解码器和预测器；
编码器用于通过池化层和残差学习模块将输入的低频背景模型和地震剖面信息进行特征提取，得到特征向量；其中，残差学习模块包括两个连续的卷积层；
解码器用于对特征向量进行解码，得到解码特征；
预测器用于通过多个卷积层的堆叠融合解码特征以得到地震相预测结果。
编码器和解码器通过四个不同尺度的跳跃连接相连。
在一个示例中，如图8所示，图8为本示例的分类模型所用的网络架构。该网络架构使用基于UNet简化的编码器-解码器框架。该网络主要分为三个部分，包括编码器，解码器和预测器。网络的编码器部分由迟化层和残差学习模块组成，其中池化层用于对输入进行下采样以扩大网络的感受野，使得其后的残差学习模块系统地聚合多尺度结构特征。在编码器部分，输入地震数据和低频背景模型首先被输入到卷积核尺寸为5×5的卷积层用于计算16个局部平移不变的特征向量，然后将其传递到ReLU激活函数和实例归一化层。激活的特征向量被输入到四个相连的池化层和残差学习模块进一步提取其中不同空间尺度的信息。每个残差学习模块由两个连续的卷积层组成，其卷积核尺寸均为3×3。利用卷积层两端的局部跳连结构将该模块表示为残差学习函数，这有助于梯度反向传播训练网络，以提高性能和加速计算。
解码器的部分包含与编码器中池化层同样数量的残差学习模块和上采样插值层，主要用于进一步提取输入数据中的特征模式以及恢复下采样特征图的空间尺寸，将编码输出的特征向量映射回输入的大小。在每个空间尺度上，可以使用简单的线性插值进行上采样，因为不需要任何可训练的参数来补偿两个拼接特征之间的尺寸不匹配。上采样后的特征图被输入到残差模块以进一步提取特征。编码器和解码器通过四个不同尺度的跳跃连接相连，不仅补偿了空间分辨率，且聚合了多尺度的特征模式。在网络的预测器部分，使用两个卷积层的堆叠去融合所有解码的特征得到最终的沉积相预测结果，并用实例归一化和激活函数应用于除最后一个卷积层外的所有卷积层的输出。
以实际地震数据为例说明本申请实施例提供的基于专家知识的地震相类别预测模型训练方法的效果。地震数据包含401(测线方向)×357(纵测线方向)×161(时间或深度轴)采样点，该地震工区包含有两个已解释的地震层位，以及沿测线方向10条和纵测线方向2条地震相解释剖面。
在分类模型训练中，分别沿着测线和纵测线的方向抽取固定尺度的地震剖面以及构建对应的低频背景模型，结合少量地震相剖面上的标签，用以迭代更新分类模型的参数。为了稳定训练过程，对输入的地震数据进行了归一化。在此归一化过程中，首先计算整个地震数据体的平均值和标准偏差，并减去其平均值除以相应的标准偏差，得到归一化地震数据。在训练时，分批输入训练数据，并将批大小设置为8。本示例使用具有自适应步长的Adam优化器来加速训练，初始学习率设置为0.01，当预定义的度量性能停止改善时，该值逐渐降低。
为了评估分类模型的训练效果，本示例使用验证数据集中的四条地震道来估计相应的阻抗。验证数据集包含其他3条已解释地震相的地震剖面，作为盲测试，不参与分类模型训练过程，以充分证明最终预测的改善。图9中的a、b和c分别显示了输入地震数据，人工解释的地震相剖面以及模型预测的地震相剖面。从结果上发现预测地震相在剖面上的分布特征与解释标签较为一致。由于在训练和验证数据集上的优异性能，认为网络已经成功地学会如何从输入的地震数据中预测地震相。
为进一步验证通过本申请实施例提供的基于专家知识的地震相类别预测模型训练方法的准确度，发明人进行了另一个较大工区的地震相预测试验。以相同的方法在井控的前提前做了少量样本用于分类训练。本示例共解释了10条地震侧线，标签数占总地震剖面道数的0.25％(10/4000)，如图10所示。通过本申请实施例提出的方法进行训练预测，小样本预测结果在地震相边界的控制上效果较好，基本与之前人工解释的联井相相吻合，如图11所示。例如，图11下部分为本次示例的预测结果，深色下部分代表礁体，主要分布台地边缘一侧，受地形控制较为明显。在本申请实施例引入了地震层位等地质约束信息后，通过小样本学习训练预测地震相，对相带边界、地震相形态的刻画上以及预测效率上较传统方法提高较为明显，与前人解释的结果基本可以吻合，可以在保证预测准确度的同时节省大量人工解释时间。
本申请实施例还提供一种基于专家知识的地震相类别预测方法，如图12所示，基于专家知识的地震相类别预测方法包括：步骤1210和步骤1220。
获取目标工区的待预测地震数据；
将待预测地震数据输出至预设的地震相类别预测模型中，以获得地震相类别预测模型输出的预测结果；预测结果表征待预测地震数据中地震剖面各位置的地震相类别；
其中，地震相类别预测模型是采用如本申请实施例提供的地震相类别预测模型训练方法训练的。
本申请实施例所使用的地震相类别预测模型，通过将地震层位来约束地震相类别预测模型的训练，考虑到了地震横向结构变化信息，使得模型在训练过程中，能够将训练样本中对于地震相类别的解释进行扩展，从而实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
本申请实施例提供的基于专家知识的地震相类别预测模型训练方法，执行主体可以为基于专家知识的地震相类别预测模型训练装置。本申请实施例中以基于专家知识的地震相类别预测模型训练装置执行基于专家知识的地震相类别预测模型训练方法为例，说明本申请实施例提供的基于专家知识的地震相类别预测模型训练装置。
本申请实施例还提供一种基于专家知识的地震相类别预测模型训练装置。
如图13所示，该基于专家知识的地震相类别预测模型训练装置包括：
第一获取模块1310，用于获取目标工区内的地震数据；地震数据包括地震剖面信息和地震层位解释信息；其中，地震剖面信息中标注有地震相类别；
映射模块1320，用于将地震剖面信息映射至地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型；
训练模块1330，用于以低频背景模型为约束，使用地震数据作为训练样本对预设的分类模型进行训练，得到地震相类别预测模型。
根据本申请实施例提供的基于专家知识的地震相类别预测模型训练装置，通过将地震层位来约束地震相类别预测模型的训练，考虑到了地震横向结构变化信息，使得模型在训练过程中，能够将训练样本中对于地震相类别的解释进行扩展，从而实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
在一些实施例中，通过以下方式标注地震剖面信息中的地震相类别：
获取地震剖面信息中地震剖面上的采样点；
根据采样点的反射特征从预设的规则集中匹配反射特征对应的地震相类别；其中，规则集包括反射特征与地震相类别的对应关系；
在地震剖面上的采样点上标注采样点对应的地震相类别。
在一些实施例中，映射模块1320，还用于：
获取地震剖面信息中地震剖面上的采样点；
根据采样点的反射特征从预设的规则集中匹配反射特征对应的地震相类别；其中，规则集包括反射特征与地震相类别的对应关系；
在地震剖面上的采样点上标注采样点对应的地震相类别。
在一些实施例中，映射模块1320，还用于：
获取地震层位解释信息中的地震层位分布；
基于地震层位分布为同一地震层位赋予相同的标量值，得到表征地震层位分布的标量场。
在一些实施例中，映射模块1320，还用于：
基于地震剖面信息中地震剖面上采样点的位置信息，将采样点的地震相类别映射至标量场中；
通过线性插值计算标量场中的标量值与地震相类别之间的关系函数；
根据关系函数构建低频背景模型。
在一些实施例中，映射模块1320，还用于：
通过公式
将采样点的地震相类别映射至标量场中；
其中，表示标量场，k表示地震剖面，i表示地震剖面编号，i为大于0的自然数，τ表示标量值，w表示地震剖面的宽，h表示地震剖面的高，f表示地震相类别。
在一些实施例中，映射模块1320，还用于：
使用径向基函数控制地震剖面中同一地震层位内的地震相类别的横向变化；
根据横向变化和关系函数构建低频背景模型。
在一些实施例中，映射模块1320，还用于：
通过公式
控制地震剖面中同一地震层位内的地震相类别的横向变化；
其中，wi(x,y)表示第i个地震剖面上待插值点(x,y)上的局部空间插值距离权场，局部空间插值距离权场表示横向变化，(x,y)表示待插值点的位置坐标，(xk,yk)表示地震剖面上采样点的位置坐标，Ki表示采样点个数，ε表示用于平衡空间距离相关重要性的径向参数。
在一些实施例中，映射模块1320，还用于：
通过公式
建低频背景模型；
其中，q(x,y,τ,c)表示低频背景模型，c表示坐标(x,y)处的地震相类别，pi(τ,c)表示关系函数，N表示地震剖面数量。
在一些实施例中，映射模块1320，还用于：
针对每一地震相类别分别进行线性插值，得到标量场中的标量值与地震相类别之间的关系函数。
在一些实施例中，分类模型包括编码器，解码器和预测器；
编码器用于通过池化层和残差学习模块将输入的低频背景模型和地震剖面信息进行特征提取，得到特征向量；其中，残差学习模块包括两个连续的卷积层；
解码器用于对特征向量进行解码，得到解码特征；
预测器用于通过多个卷积层的堆叠融合解码特征以得到地震相预测结果。
在一些实施例中，编码器和解码器通过四个不同尺度的跳跃连接相连。
本申请实施例提供的基于专家知识的地震相类别预测方法，执行主体可以为基于专家知识的地震相类别预测装置。本申请实施例中以基于专家知识的地震相类别预测装置执行基于专家知识的地震相类别预测方法为例，说明本申请实施例提供的基于专家知识的地震相类别预测装置。
本申请实施例还提供一种基于专家知识的地震相类别预测装置。
如图14所示，该基于专家知识的地震相类别预测装置包括：
第二获取模块1410，用于获取目标工区的待预测地震数据；
预测模块1420，用于将待预测地震数据输出至预设的地震相类别预测模型中，以获得地震相类别预测模型输出的预测结果；预测结果表征待预测地震数据中地震剖面各位置的地震相类别；
其中，地震相类别预测模型是采用如本申请实施例提供的基于专家知识的地震相类别预测模型训练方法训练的。
根据本申请实施例提供的基于专家知识的地震相类别预测装置，通过使用的地震相类别预测模型，通过将地震层位来约束地震相类别预测模型的训练，考虑到了地震横向结构变化信息，使得模型在训练过程中，能够将训练样本中对于地震相类别的解释进行扩展，从而实现训练后的地震相类别预测模型能够自动预测地震相类别，提高地震相类别的预测效率。
本申请实施例中的基于专家知识的地震相类别预测模型训练装置或基于专家知识的地震相类别预测装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile InternetDevice，MID)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，还可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的基于专家知识的地震相类别预测模型训练装置或基于专家知识的地震相类别预测装置可以为具有操作系统的装置。该操作系统可以为微软(Windows)操作系统，可以为安卓(Android)操作系统，可以为IOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
在一些实施例中，如图15所示，本申请实施例还提供一种电子设备1500，包括处理器1501、存储器1502及存储在存储器1502上并可在处理器1501上运行的计算机程序，该程序被处理器1501执行时实现上述基于专家知识的地震相类别预测模型训练方法或基于专家知识的地震相类别预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
本申请实施例还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述基于专家知识的地震相类别预测模型训练方法或基于专家知识的地震相类别预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，处理器为上述实施例中的电子设备中的处理器。可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述基于专家知识的地震相类别预测模型训练方法或基于专家知识的地震相类别预测方法。
其中，处理器为上述实施例中的电子设备中的处理器。可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现上述基于专家知识的地震相类别预测模型训练方法或基于专家知识的地震相类别预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。

Claims (18)

1.一种基于专家知识的地震相类别预测模型训练方法，其特征在于，包括：
获取目标工区内的地震数据；所述地震数据包括地震剖面信息和地震层位解释信息；其中，所述地震剖面信息中标注有地震相类别；
将所述地震剖面信息映射至所述地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型；
以所述低频背景模型为约束，使用所述地震数据作为训练样本对预设的分类模型进行训练，得到地震相类别预测模型。
2.根据权利要求1所述的方法，其特征在于，通过以下方式标注地震剖面信息中的地震相类别：
获取所述地震剖面信息中地震剖面上的采样点；
根据所述采样点的反射特征从预设的规则集中匹配所述反射特征对应的地震相类别；其中，所述规则集包括反射特征与地震相类别的对应关系；
在所述地震剖面上的采样点上标注所述采样点对应的地震相类别。
3.根据权利要求1所述的方法，其特征在于，所述将所述地震剖面信息映射至所述地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型，包括：
基于所述地震层位解释信息为地震层位赋值，以构建表征地震层位分布的标量场；其中，在所述标量场中同一地震层位的标量值相同；
将所述地震剖面信息映射至所述标量场中，以构建低频背景模型。
4.根据权利要求3所述的方法，其特征在于，所述基于所述地震层位解释信息为地震层位赋值，以构建表征地震层位分布的标量场包括：
获取所述地震层位解释信息中的地震层位分布；
基于所述地震层位分布为同一地震层位赋予相同的标量值，得到表征地震层位分布的标量场。
5.根据权利要求3所述的方法，其特征在于，所述将所述地震剖面信息映射至所述标量场中，以构建低频背景模型，包括：
基于所述地震剖面信息中地震剖面上采样点的位置信息，将所述采样点的地震相类别映射至所述标量场中；
通过线性插值计算所述标量场中的标量值与地震相类别之间的关系函数；
根据所述关系函数构建低频背景模型。
6.根据权利要求5所述的方法，其特征在于，所述基于所述地震剖面信息中地震剖面上采样点的位置信息，将所述采样点的地震相类别映射至所述标量场中，包括：
通过公式
将所述采样点的地震相类别映射至所述标量场中；
其中，κk,i表示标量场，k表示地震剖面，i表示地震剖面编号，i为大于0的自然数，τ表示标量值，w表示地震剖面的宽，h表示地震剖面的高，f表示地震相类别。
7.根据权利要求5所述的方法，其特征在于，所述根据所述关系函数构建低频背景模型，包括：
使用径向基函数控制地震剖面中同一地震层位内的地震相类别的横向变化；
根据所述横向变化和所述关系函数构建低频背景模型。
8.根据权利要求7所述的方法，其特征在于，所述使用径向基函数控制地震剖面中同一地震层位内的地震相类别的横向变化，包括：
通过公式
控制地震剖面中同一地震层位内的地震相类别的横向变化；
其中，wi(x,y)表示第i个地震剖面上待插值点(x,y)上的局部空间插值距离权场，所述局部空间插值距离权场表示所述横向变化，(x,y)表示待插值点的位置坐标，(xk,yk)表示地震剖面上采样点的位置坐标，Ki表示采样点个数，ε表示用于平衡空间距离相关重要性的径向参数。
9.根据权利要求7所述的方法，其特征在于，所述根据所述横向变化和所述关系函数构建低频背景模型，包括：
通过公式
建低频背景模型；
其中，q(x,y,τ,c)表示低频背景模型，c表示坐标(x,y)处的地震相类别，pi(τ,c)表示所述关系函数，N表示地震剖面数量。
10.根据权利要求5所述的方法，其特征在于，所述通过线性插值计算所述标量场中的标量值与地震相类别之间的关系函数，包括：
针对每一地震相类别分别进行线性插值，得到所述标量场中的标量值与地震相类别之间的关系函数。
11.根据权利要求1所述的方法，其特征在于，所述分类模型包括编码器，解码器和预测器；
所述编码器用于通过池化层和残差学习模块将输入的所述低频背景模型和所述地震剖面信息进行特征提取，得到特征向量；其中，所述残差学习模块包括两个连续的卷积层；
所述解码器用于对所述特征向量进行解码，得到解码特征；
所述预测器用于通过多个卷积层的堆叠融合所述解码特征以得到地震相预测结果。
12.根据权利要求11所述的方法，其特征在于，所述编码器和所述解码器通过四个不同尺度的跳跃连接相连。
13.一种基于专家知识的地震相类别预测方法，其特征在于，包括：
获取目标工区的待预测地震数据；
将所述待预测地震数据输出至预设的地震相类别预测模型中，以获得所述地震相类别预测模型输出的预测结果；所述预测结果表征所述待预测地震数据中地震剖面各位置的地震相类别；
其中，所述地震相类别预测模型是采用如权利要求1-12任一项所述的方法训练的。
14.一种基于专家知识的地震相类别预测模型训练装置，其特征在于，包括：
第一获取模块，用于获取目标工区内的地震数据；所述地震数据包括地震剖面信息和地震层位解释信息；其中，所述地震剖面信息中标注有地震相类别；
映射模块，用于将所述地震剖面信息映射至所述地震层位解释信息中，得到表征地震层位与地震相类别之间的关系的低频背景模型；
训练模块，用于以所述低频背景模型为约束，使用所述地震数据作为训练样本对预设的分类模型进行训练，得到地震相类别预测模型。
15.一种基于专家知识的地震相类别预测方法，其特征在于，包括：
第二获取模块，用于获取目标工区的待预测地震数据；
预测模块，用于将所述待预测地震数据输出至预设的地震相类别预测模型中，以获得所述地震相类别预测模型输出的预测结果；所述预测结果表征所述待预测地震数据中地震剖面各位置的地震相类别；
其中，所述地震相类别预测模型是采用如权利要求1-12任一项所述的方法训练的。
16.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-13任一项所述的方法。
17.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-13任一项所述的方法。
18.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-13任一项所述的方法。
CN202311694041.0A 2023-12-08 2023-12-08 基于专家知识的地震相类别预测模型训练方法及装置 Pending CN117610430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311694041.0A CN117610430A (zh) 2023-12-08 2023-12-08 基于专家知识的地震相类别预测模型训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311694041.0A CN117610430A (zh) 2023-12-08 2023-12-08 基于专家知识的地震相类别预测模型训练方法及装置

Publications (1)

Publication Number Publication Date
CN117610430A true CN117610430A (zh) 2024-02-27

Family

ID=89949867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311694041.0A Pending CN117610430A (zh) 2023-12-08 2023-12-08 基于专家知识的地震相类别预测模型训练方法及装置

Country Status (1)

Country Link
CN (1) CN117610430A (zh)

Similar Documents

Publication Publication Date Title
CA3067013C (en) Deep learning based reservoir modeling
EP3682269B1 (en) Seismic image data interpretation system
Peters et al. Multiresolution neural networks for tracking seismic horizons from few training images
US11989829B2 (en) Generating geological facies models with fidelity to the diversity and statistics of training images using improved generative adversarial networks
Wu et al. Deep learning for characterizing paleokarst collapse features in 3‐D seismic images
WO2021130512A1 (en) Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data
Bi et al. Deep relative geologic time: A deep learning method for simultaneously interpreting 3‐D seismic horizons and faults
CN109709603A (zh) 地震层位识别与追踪方法、系统
CN109478208A (zh) 用于石油勘探和生产评估的综合数据和过程集成的迭代且可重复的工作流程
Gao et al. ChannelSeg3D: Channel simulation and deep learning for channel interpretation in 3D seismic images
US11054537B2 (en) Feature index-based feature detection
US11169287B2 (en) Method and system for automated velocity model updating using machine learning
EP2350901B1 (en) Tracking geologic object and detecting geologic anomalies in exploration seismic data volume
US11733424B2 (en) Systems and methods for identifying subsurface features as functions of feature positions in a subsurface volume of interest
Wang et al. Data-driven S-wave velocity prediction method via a deep-learning-based deep convolutional gated recurrent unit fusion network
CN112731522A (zh) 地震地层智能识别方法、装置、设备及存储介质
Zhou et al. Data driven modeling and prediction for reservoir characterization using seismic attribute analyses and big data analytics
CN115587537A (zh) 基于多源异构数据的地质构造建模方法
Waggoner et al. Improved reservoir modeling with time-lapse seismic in a Gulf of Mexico gas condensate reservoir
CN108508481B (zh) 一种纵波转换波地震数据时间匹配的方法、装置及系统
Hillier et al. GeoINR 1.0: an implicit neural network approach to three-dimensional geological modelling
Mariethoz et al. Analog‐based meandering channel simulation
Merrifield et al. Synthetic seismic data for training deep learning networks
US11899150B2 (en) Velocity model for sediment-basement interface using seismic and potential fields data
CN117610430A (zh) 基于专家知识的地震相类别预测模型训练方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination