CN117724157A - 地震相结构的预测方法及装置 - Google Patents
地震相结构的预测方法及装置 Download PDFInfo
- Publication number
- CN117724157A CN117724157A CN202211131885.XA CN202211131885A CN117724157A CN 117724157 A CN117724157 A CN 117724157A CN 202211131885 A CN202211131885 A CN 202211131885A CN 117724157 A CN117724157 A CN 117724157A
- Authority
- CN
- China
- Prior art keywords
- deep
- preset number
- data
- seismic
- deep feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000000605 extraction Methods 0.000 claims abstract description 73
- 238000012216 screening Methods 0.000 claims abstract description 36
- 238000007621 cluster analysis Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 48
- 238000007781 pre-processing Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 11
- 230000008030 elimination Effects 0.000 claims description 10
- 238000003379 elimination reaction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000009833 condensation Methods 0.000 claims description 3
- 230000005494 condensation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 4
- 208000035126 Facies Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本公开涉及地震相结构的预测技术领域，提供了地震相结构的预测方法及装置。该方法包括：获取目标层位中第一预设数量叠前地震道信号；将所述叠前地震道信号导入训练好的深度特征提取模型，提取出所述叠前地震道信号中的至少三个深层特征数据；从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。本公开实施例可以提取出相邻地震道之间的连续性和相似性的抽象特征，进而大大减少地震数据预测中的不确定性和多解性，提高了预测效果。
Description
技术领域
本公开涉及地震相结构的预测技术领域，尤其涉及地震相结构的预测方法及装置。
背景技术
随着地球物理勘探开发力度的不断加大，对油藏模型的要求越来越高，利用地震数据更好地约束油藏模型已经成为地震解释的重要目标。给定适当的地震属性组合，地震相分析技术就可以识别储层的横向变化，然后结合井信息对其进行校正。利用地震资料和模式识别技术寻找合适的油藏模型表示方法一直是研究的主题。
叠前地震波是地表不同方位角检波器接收到来自地下同一反射点的原始反射信号，说明检波点可以利用多个角度的反射波来描述地下的结构信息。叠后地震信号是由叠前地震信号通过速度模型叠加获得，因此叠后数据量变少，同时也损失了地震反射波形的各向异性。由于叠前地震道信号维度较高，不仅会使模型的计算复杂度变高，也会使得数据样本相较叠后地震数据变得稀疏，故以往的地震波形分类方法受限于算法复杂度和硬件配置只能用于叠后地震数据，且分类效果不尽人意。如今随着计算机硬件和深度学习技术的不断发展，人们已经开始关注叠前地震道信号的波形分类处理方法。
地震相分析中常用的参数主要有反射构型，几何形态，反射连续性，地震反射物理参数以及与其它地震相单元的关系。其主要的研究手段为振幅法、正演模型法、反演法和模式识别法。目前的模式识别法大部分还是通过测井资料进行约束，结合深度学习算法将已知的地层参数资料通过神经网络与多种地震属性建立联系，再据此预测全部工区的地层参数。但由于实际工作中测井数据对于整个地震数据而言是非常稀疏的且自身存在许多干扰和误差,导致地震属性应用中不确定性和多解性较高，预测效果较差。
发明内容
有鉴于此，本公开实施例提供了地震相结构的预测方法及装置，以解决现有技术中的问题。
本公开实施例的第一方面，提供了一种地震相结构的预测方法，包括：
获取目标层位中第一预设数量叠前地震道信号；
将所述叠前地震道信号导入训练好的深度特征提取模型，提取出所述叠前地震道信号中的至少三个深层特征数据；
从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；
对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。
在一些实施例中，所述获取目标层位中第一预设数量叠前地震道信号，包括：
获取所述目标层位中针对第二预设数量方位角中每个方位角的针对第三预设数量地震道的原始叠前地震道信号；
对所述原始叠前地震道信号进行预处理，得到预处理后的针对每个方位角的第三预设数量原始叠前地震道信号，并构成所述第一预设数量叠前地震道信号，其中，所述第二预设数量与所述第三预设数量的乘积等于所述第一预设数量。
在一些实施例中，所述预处理的方式包括以下至少一项：
降噪处理、标准化处理、归一化处理、去重处理和消除极值处理。
在一些实施例中，所述深度特征提取模型包括基于卷积神经网络的自编码器模型；
所述深度特征提取模型的训练步骤包括：
复制多份所述叠前地震道信号，并添加噪声数据，构成添加噪声后的叠前地震道信号；
基于针对所述目标层位中第四预设数量不同深度的采样点，从所述添加噪声后的叠前地震道信号中提取第五预设数量维度的样本数据集，其中，所述第一预设数量与所述第四预设数量的乘积等于所述第五预设数量；
将所述样本数据集导入预设的基于卷积神经网络的自编码器模型进行训练，并生成预测样本集；
当所述预测样本集与所述样本数据集的误差满足预设要求时，得到所述训练好的深度特征提取模型。
在一些实施例中，所述提取出所述叠前地震道信号中的至少三个深层特征数据，包括：
提取所述深度特征提取模型中池化层的输出，得到所述叠前地震道信号中的第六数量维度的深层特征数据，其中，所述第六数量维度等于所述第五预设数量与所述特征提取模型的池化步长数量的商。
在一些实施例中，所述从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据，包括：
基于所述至少三个深层特征数据中的每个深层特征数据生成深层特征图像，得到至少三个深层特征图像，其中，每个深层特征图像用于展示针对所述第三预设数量地震道中每个地震道的图像；
从所述至少三个深层特征图像中筛选出至少两个目标深层特征图像，所述目标深层特征图像中无数据地震道在所述第三预设数量地震道中的占比小于第一阈值，或者，相似地震道在所述第三预设数量地震道中的占比小于第二阈值；
将所述至少两个目标深层特征图像对应的至少两个深层特征数据进行合并，得到所述合并后的深层特征数据。
在一些实施例中，所述聚类分析的方法为凝聚层次聚类分析方法。
本公开实施例的第二方面，提供了一种地震相结构的预测装置，包括：
获取模块，用于获取目标层位中第一预设数量叠前地震道信号；
提取模块，用于将所述叠前地震道信号导入训练好的深度特征提取模型，提取出至少三个深层特征数据；
筛选模块，用于从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；
聚类分析模块，用于对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。
在一些实施例中，所述获取目标层位中第一预设数量叠前地震道信号，包括：
获取所述目标层位中针对第二预设数量方位角中每个方位角的第三预设数量地震道的原始叠前地震道信号；
对所述原始叠前地震道信号进行预处理，得到预处理后的针对每个方位角的第三预设数量原始叠前地震道信号，并构成所述第一预设数量叠前地震道信号，其中，所述第二预设数量与所述第三预设数量的乘积等于所述第一预设数量。
在一些实施例中，所述预处理的方式包括以下至少一项：
降噪处理、标准化处理、归一化处理、去重处理和消除极值处理。
在一些实施例中，所述深度特征提取模型包括基于卷积神经网络的自编码器模型；
所述深度特征提取模型的训练步骤包括：
复制多份所述叠前地震道信号，并添加噪声数据，构成添加噪声后的叠前地震道信号；
基于针对所述目标层位中第四预设数量不同深度的采样点，从所述添加噪声后的叠前地震道信号中提取第五预设数量维度的样本数据集，其中，所述第一预设数量与所述第四预设数量的乘积等于所述第五预设数量；
将所述样本数据集导入预设的基于卷积神经网络的自编码器模型进行训练，并生成预测样本集；
当所述预测样本集与所述样本数据集的误差满足预设要求时，得到所述训练好的深度特征提取模型。
在一些实施例中，所述提取出所述叠前地震道信号中的至少三个深层特征数据，包括：
提取所述深度特征提取模型中池化层的输出，得到所述叠前地震道信号中的第六数量维度的深层特征数据，其中，所述第六数量维度等于所述第五预设数量与所述特征提取模型的池化步长数量的商。
在一些实施例中，所述从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据，包括：
基于所述至少三个深层特征数据中的每个深层特征数据生成深层特征图像，得到至少三个深层特征图像，其中，每个深层特征图像用于展示针对所述第三预设数量地震道中每个地震道的图像；
从所述至少三个深层特征图像中筛选出至少两个目标深层特征图像，所述目标深层图像中无数据地震道在所述第三预设数量地震道中的占比小于第一阈值，或者，相似地震道在所述第三预设数量地震道中的占比小于第二阈值；
将所述至少两个目标深层特征图像对应的至少两个深层特征数据进行合并，得到所述合并后的深层特征数据。
在一些实施例中，所述聚类分析的装置为凝聚层次聚类分析装置。
本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现的步骤包括：
获取目标层位中第一预设数量叠前地震道信号；
将所述叠前地震道信号导入训练好的深度特征提取模型，提取出至少三个深层特征数据；
从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；
对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。
在一些实施例中，所述获取目标层位中第一预设数量叠前地震道信号，包括：
获取所述目标层位中针对第二预设数量方位角中每个方位角的第三预设数量地震道的原始叠前地震道信号；
对所述原始叠前地震道信号进行预处理，得到预处理后的针对每个方位角的第三预设数量原始叠前地震道信号，并构成所述第一预设数量叠前地震道信号，其中，所述第二预设数量与所述第三预设数量的乘积等于所述第一预设数量。
在一些实施例中，所述预处理的方式包括以下至少一项：
降噪处理、标准化处理、归一化处理、去重处理和消除极值处理。
在一些实施例中，所述深度特征提取模型包括基于卷积神经网络的自编码器模型；
所述深度特征提取模型的训练步骤包括：
复制多份所述叠前地震道信号，并添加噪声数据，构成添加噪声后的叠前地震道信号；
基于针对所述目标层位中第四预设数量不同深度的采样点，从所述添加噪声后的叠前地震道信号中提取第五预设数量维度的样本数据集，其中，所述第一预设数量与所述第四预设数量的乘积等于所述第五预设数量；
将所述样本数据集导入预设的基于卷积神经网络的自编码器模型进行训练，并生成预测样本集；
当所述预测样本集与所述样本数据集的误差满足预设要求时，得到所述训练好的深度特征提取模型。
在一些实施例中，所述提取出所述叠前地震道信号中的至少三个深层特征数据，包括：
提取所述深度特征提取模型中池化层的输出，得到所述叠前地震道信号中的第六数量维度的深层特征数据，其中，所述第六数量维度等于所述第五预设数量与所述特征提取模型的池化步长数量的商。
在一些实施例中，所述从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据，包括：
基于所述至少三个深层特征数据中的每个深层特征数据生成深层特征图像，得到至少三个深层特征图像，其中，每个深层特征图像用于展示针对所述第三预设数量地震道中每个地震道的图像；
从所述至少三个深层特征图像中筛选出至少两个目标深层特征图像，所述目标深层图像中无数据地震道在所述第三预设数量地震道中的占比小于第一阈值，或者，相似地震道在所述第三预设数量地震道中的占比小于第二阈值；
将所述至少两个目标深层特征图像对应的至少两个深层特征数据进行合并，得到所述合并后的深层特征数据。
在一些实施例中，所述聚类分析的方法为凝聚层次聚类分析方法。
本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现的步骤包括：
获取目标层位中第一预设数量叠前地震道信号；
将所述叠前地震道信号导入训练好的深度特征提取模型，提取出至少三个深层特征数据；
从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；
对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。
在一些实施例中，所述获取目标层位中第一预设数量叠前地震道信号，包括：
获取所述目标层位中针对第二预设数量方位角中每个方位角的第三预设数量地震道的原始叠前地震道信号；
对所述原始叠前地震道信号进行预处理，得到预处理后的针对每个方位角的第三预设数量原始叠前地震道信号，并构成所述第一预设数量叠前地震道信号，其中，所述第二预设数量与所述第三预设数量的乘积等于所述第一预设数量。
在一些实施例中，所述预处理的方式包括以下至少一项：
降噪处理、标准化处理、归一化处理、去重处理和消除极值处理。
在一些实施例中，所述深度特征提取模型包括基于卷积神经网络的自编码器模型；
所述深度特征提取模型的训练步骤包括：
复制多份所述叠前地震道信号，并添加噪声数据，构成添加噪声后的叠前地震道信号；
基于针对所述目标层位中第四预设数量不同深度的采样点，从所述添加噪声后的叠前地震道信号中提取第五预设数量维度的样本数据集，其中，所述第一预设数量与所述第四预设数量的乘积等于所述第五预设数量；
将所述样本数据集导入预设的基于卷积神经网络的自编码器模型进行训练，并生成预测样本集；
当所述预测样本集与所述样本数据集的误差满足预设要求时，得到所述训练好的深度特征提取模型。
在一些实施例中，所述提取出所述叠前地震道信号中的至少三个深层特征数据，包括：
提取所述深度特征提取模型中池化层的输出，得到所述叠前地震道信号中的第六数量维度的深层特征数据，其中，所述第六数量维度等于所述第五预设数量与所述特征提取模型的池化步长数量的商。
在一些实施例中，所述从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据，包括：
基于所述至少三个深层特征数据中的每个深层特征数据生成深层特征图像，得到至少三个深层特征图像，其中，每个深层特征图像用于展示针对所述第三预设数量地震道中每个地震道的图像；
从所述至少三个深层特征图像中筛选出至少两个目标深层特征图像，所述目标深层图像中无数据地震道在所述第三预设数量地震道中的占比小于第一阈值，或者，相似地震道在所述第三预设数量地震道中的占比小于第二阈值；
将所述至少两个目标深层特征图像对应的至少两个深层特征数据进行合并，得到所述合并后的深层特征数据。
在一些实施例中，所述聚类分析的方法为凝聚层次聚类分析方法。
有益效果
本公开实施例与现有技术相比存在的有益效果至少包括：通过获取目标层位中第一预设数量叠前地震道信号；将所述叠前地震道信号导入训练好的深度特征提取模型，提取出至少三个深层特征数据；从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果，可以提取出相邻地震道之间的连续性和相似性的抽象特征，进而大大减少地震数据预测中的不确定性和多解性，提高了预测效果。
附图说明
为了更清楚地说明本公开实施例中的技术方案，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它的附图。
图1是根据本公开实施例提供的地震相结构的预测方法的一个应场景的示意图；
图2是根据本公开实施例提供的一种地震相结构的预测方法的实施例二的流程图；
图3是根据本公开实施例提供的一种地震相结构的预测方法的深层特征数据对应的展示图；
图4是根据本公开实施例提供的一种地震相结构的预测方法的预测结果与基于PCA方法预测的预测结果的地震相对比图；
图5是根据本公开实施例提供的另一种地震相结构的预测方法的实施例三的流程图；
图6是根据本公开实施例提供的一种地震相结构的预测装置的简易结构示意图；
图7是根据本公开实施例提供的电子设备的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关本公开相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的系统、装置、模块或单元进行区分，并非用于限定这些系统、装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
实施例一：
图1是根据本公开的实施例一的地震相结构的预测方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以获取目标层位中第一预设数量叠前地震道信号102；
其次，计算设备101可以将所述叠前地震道信号102导入训练好的深度特征提取模型103，提取出至少三个深层特征数据104；
再次，计算设备101可以从所述至少三个深层特征数据104中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据105；
最后，计算设备101可以对合并后的深层特征数据105进行聚类分析，得到目标层位的地震相结构预测结果106。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
实施例二：
继续参考图2，示出了根据本公开的地震相结构的预测方法的实施例二的流程200。该方法可以由图1中的计算设备101来执行。该地震相结构的预测的方法，包括以下步骤：
步骤201，获取目标层位中第一预设数量叠前地震道信号。
在一些可选地实现方式中，地震相结构的预测方法的执行主体(如图1所示的计算设备101)可以通过有线连接方式或无线连接方式连接目标设备，然后，获取目标层位中第一预设数量叠前地震道信号。
由于实际测量时，叠前地震道信号的数量非常庞大，一般都为上万道，因此在对地层进行研究时，为了满足运行效率和精准度，往往需要将底层数据进行切片分析，即将地层结构切分为多个不同厚度的地层来进行研究。目标层位可以指当前处理的层位。地震道信号可以指由检波器检测到的针对该目标层位的反射波的信号(即针对整个地形结构的反射波信号中截取的针对所述目标层的片段信号)。预设数量可以为任意正整数。作为示例，地震道的数量可以为1、500、3563、24000等，根据需要设置。第一预设数量可以指获取的叠前地震道信号的数量。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202，将所述叠前地震道信号导入训练好的深度特征提取模型，提取出至少三个深层特征数据。
在一些实施例中，上述执行主体可以将所述叠前地震道信号导入训练好的深度特征提取模型，提取出至少三个深层特征数据。深度特征提取模型可以指用于从叠前地震道信号中提取抽象特征的计算模型。深度特征提取模型可以为各种机器学期模型如神经网络模型、主成分分析模型、随机森林模型等，根据需要设置。深层特征数据可以指从多个叠前地震道信号中提取出来的隐含的各种数据特征。不同的深层特征数据可以表示机器学习过程中寻找到的叠前地震道信号中的不同的未知规律或未知关系。
步骤203，从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据。
在一些实施例中，上述执行主体可以从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据。在进行深层特征数据提取时，提取的深层特征数据的数量(种类)越多，表示对数据分析的角度越多。但随着深层特征数据数量的增多，一方面会增加处理资源，另一方面会增加无效深层特征数据的数量。无效深层特征数据可以指差异数据特征占比过低，或者空数据占比过高的深层特征数据。符合要求的深层特征数据即为非无效的深层特征数据。当提取出的深层特征数据价值较低时，可以抛弃该深层特征数据。并随后将价值较高的深层特征数据进行合并，得到合并后的深层特征数据。判断无效深层特征数据时，可以根据已知的数据规律进行判断，也可以通过查看各个深层特征数据形成的图像进行判断，或者通过其他现有技术中的方法来判断，在此不做具体限制。
步骤204，对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。
在一些实施例中，上述执行主体可以对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。聚类分析可以指将合并后的深层特征数据进行聚类处理并进行数据分析，或者生成图像后进行图像分析，进而得到目标层位的地震相结构预测结果。地震相结构预测结果可以指针对该层的地震相结构的数据分析结果或图像分析结果。在实际处理过程中，由于图像分析更为直观，因此更多使用图像分析。
本公开的上述实施例中的其中一个实现方式的有益效果至少包括：通过获取目标层位中第一预设数量叠前地震道信号；将所述叠前地震道信号导入训练好的深度特征提取模型，提取出至少三个深层特征数据；从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果，可以提取出相邻地震道之间的连续性和相似性的抽象特征，进而大大减少地震数据预测中的不确定性和多解性，提高了预测效果。
在一些实施例中，上述执行主体针对获取目标层位中第一预设数量叠前地震道信号的步骤包括：
第一步，上述执行主体可以获取所述目标层位中针对第二预设数量方位角中每个方位角的第三预设数量地震道的原始叠前地震道信号。
常规资料处理得到的动校正道集记录中，为了便于观测和分析地震反射振幅随入射角的变化，需要把固定炮检距的道集记录转换成固定入射角的“道集”记录，称为角道集。每个角道集可以包括m(第二预设数量)个方位角，每个方位角可以对应n(第三预设数量)个地震道数据(即角道集的维度)，其中，m，n都是大于1的正整数。m*n的乘积即为所述第一预设数量。
第二步，上述执行主体可以对所述原始叠前地震道信号进行预处理，得到预处理后的针对每个方位角的第三预设数量原始叠前地震道信号，并构成所述第一预设数量叠前地震道信号，其中，所述第二预设数量与所述第三预设数量的乘积等于所述第一预设数量。
预处理可以指对获取的叠前地震道信号进行的预先处理。
在一些实施例的一些可选的实现方式中，所述预处理的方式包括以下至少一项：降噪处理、标准化处理、归一化处理、去重处理和消除极值处理等常见的针对信号的处理方式。
在一些实施例中，所述深度特征提取模型包括基于卷积神经网络的自编码器模型。卷积神经网络和自编码器模型均为常见的计算模型，在此不做过多赘述。
在一些实施例中，上述执行主体针对所述深度特征提取模型的训练步骤包括：
第一步，上述执行主体可以复制多份所述叠前地震道信号，并添加噪声数据，构成添加噪声后的叠前地震道信号。考虑一个切片(层)内的数据作为样本数据进行测试时数据量较小，因此可以复制多份信号作为样本数据来对模型进行训练。另外，添加噪声数据是为了增加模型数据的鲁棒性。该噪声数据可以为随机噪声数据，随机噪声数据可以进一步增强模型的鲁棒性。
第二步，上述执行主体可以基于针对所述目标层位中第四预设数量不同深度的采样点，从所述添加噪声后的叠前地震道信号中提取第五预设数量维度的样本数据集，其中，所述第一预设数量与所述第四预设数量的乘积等于所述第五预设数量。
在对每个切片(层)内的叠前地震道数据进行处理时，不同厚度的地层可以增加不同倍数的数据维度作为输入数据，使得训练获得的深层特征数据更加精准。第五预设数量即为该采样点的数量。作为一个具体示例，目标地层的厚度为10米，设置40个采样点，方位角的数量为6个，每个方位角对应4000个地震道数据。则第一预设数量为4000*6＝24000，该目标地层对应的输入数据的维度为40*24000＝960000。
第三步，上述执行主体可以将所述样本数据集导入预设的基于卷积神经网络的自编码器模型进行训练，并生成预测样本集。
预测样本集可以指自编码器模型的输出值。自编码器模型运行时，通过比对输入的样本数据与预测的预测样本集进行对比，通过预设的损失函数来计算损失值，来判断是否继续迭代训练。直至损失函数符合预设的要求，训练结束。
第四部，当所述预测样本集与所述样本数据集的误差满足预设要求时，上述执行主体可以得到所述训练好的深度特征提取模型。
在一些实施例中，上述执行主体提取出所述叠前地震道信号中的至少三个深层特征数据的步骤包括：上述执行主体可以提取所述深度特征提取模型中池化层的输出，得到所述叠前地震道信号中的第六数量维度的深层特征数据，其中，所述第六数量维度等于所述第五预设数量与所述特征提取模型的池化步长数量的商。不同的池化步长可以对深层数据特征的维度进行比例缩减。作为示例，若池化步长为b，输入数据的维度为c，则深层特征数据的维度为c/b。池化步长可以为正整数，如2、3、8等。根据需要设置。
在一些实施例中，上述执行主体从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据的步骤包括：
第一步，上述执行主体可以基于所述至少三个深层特征数据中的每个深层特征数据生成深层特征图像，得到至少三个深层特征图像，其中，每个深层特征图像用于展示针对所述第三预设数量地震道中每个地震道的图像。
第二步，上述执行主体可以从所述至少三个深层特征图像中筛选出至少两个目标深层特征图像，所述目标深层图像中无数据地震道在所述第三预设数量地震道中的占比小于第一阈值，或者，相似地震道在所述第三预设数量地震道中的占比小于第二阈值。无数据地震道可以指没有信号数据的地震道。相似地震道可以指相互之间信号数据相似的地震道。第一阈值和第二阈值分别为预先设定的用于判断是否为有效深层特征数据的设定值。作为示例，第一阈值可以为20％，第二阈值可以为80％，根据需要设置，在此不做具体限制。
作为一个详细的实施例，请参照图3中的(a)、(b)、(c)、(d)、(e)和(f)区块图，每个区块图中的水平方向为地震道编号，竖直方向为振幅数据，其中(a)区块图表示未提取特征的叠前数据构成的图像，(b)、(c)、(d)、(e)和(f)区块图分别对应表示提取出的第1、2、3、4、5个深层特征数据构成的图像。可以看出，(b)区块图对应的每个地震道的数据的相似度非常高(即)，因此(b)区块图被判定无效的深层特征数据。而(e)区块图中，只有左侧不到20％部分的地震道数据有对应数据，右侧均为空数据的地震道，因此(e)区块图也被判定无效的深层特征数据。
第三步，上述执行主体可以将所述至少两个目标深层特征图像对应的至少两个深层特征数据进行合并，得到所述合并后的深层特征数据。
在一些实施例中，所述聚类分析的方法为凝聚层次聚类分析方法。凝聚层次聚类分析方法为现有技术，在本公开的应用中聚类效果较好，执行效率较高。
下面通过一个具体实施例来说明本公开较好的预测效果。
如图4所示，图4中的(1)部分的示意图为基于本公开的方法得到的预测结果。其中，基于本公开方法得到了5个深层特征数据，抛弃2个无效的深层特征数据，并将剩余的3个深层特征数据进行合并，最后得到(1)部分的地震相示意图。
图4中(2)部分的示意图与基于PCA(Principle Compoent Analysis，主元成分分析)方法得到的预测结果。具体步骤包括：先使用PCA对地震数据进行降维处理，然后使用凝聚层次聚类得到(2)部分的地震相示意图。
通过比较可得，基于PCA算法的叠前地震波形分类技术虽然也识别出了一些砂体，但将部分砂体识别成了泥类，导致砂体的边界并不明显，局部出现了一些缺失。相反，本公开的识别结果就很好地区分了泥沙，其聚类结果与实际物理模型更加吻合，能够很好地描述砂体的空间展布及顶底边界的范围。同时，这也验证了基于数据驱动比模型指定的特征能够更好的表达地震数据，并且相比于线性映射(PCA)，非线性自编码器是更好的降维方法。
实施例三：
继续参考图5，示出了根据本公开的地震相结构的预测方法的实施例三的流程500，该方法可以由图1中的计算设备101来执行。该地震相结构的预测方法包括：
步骤501，获取所述目标层位中针对第二预设数量方位角中每个方位角的第三预设数量地震道的原始叠前地震道信号。
步骤502，对所述原始叠前地震道信号进行预处理，得到预处理后的针对每个方位角的第三预设数量原始叠前地震道信号，并构成所述第一预设数量叠前地震道信号，其中，所述第二预设数量与所述第三预设数量的乘积等于所述第一预设数量。
步骤503，将所述叠前地震道信号导入训练好的深度特征提取模型，提取出至少三个深层特征数据。
步骤504，基于所述至少三个深层特征数据中的每个深层特征数据生成深层特征图像，得到至少三个深层特征图像，其中，每个深层特征图像用于展示针对所述第三预设数量地震道中每个地震道的图像。
步骤505，从所述至少三个深层特征图像中筛选出至少两个目标深层特征图像，所述目标深层图像中无数据地震道在所述第三预设数量地震道中的占比小于第一阈值，或者，相似地震道在所述第三预设数量地震道中的占比小于第二阈值。
步骤506，将所述至少两个目标深层特征图像对应的至少两个深层特征数据进行合并，得到所述合并后的深层特征数据。
步骤507，对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。
在一些可选地实现方式中，步骤501-507的具体实现及所带来的技术效果可以参考图2对应的实施例二中的步骤，在此不再赘述。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施方式，在此不再一一赘述。
实施例四：
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
进一步参考图6，作为对上述各图上述方法的实现，本公开提供了地震相结构的预测装置的实施例，本装置实施例与图2上述的实施例二相对应。
如图6所示，本实施例的地震相结构的预测装置600包括：
获取模块601，用于获取目标层位中第一预设数量叠前地震道信号；
提取模块602，用于将所述叠前地震道信号导入训练好的深度特征提取模型，提取出至少三个深层特征数据；
筛选模块603，用于从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；
聚类分析模块604，用于对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。
在一些实施例的一些可选的实现方式中，获取模块601被进一步配置为：
获取所述目标层位中针对第二预设数量方位角中每个方位角的第三预设数量地震道的原始叠前地震道信号；
对所述原始叠前地震道信号进行预处理，得到预处理后的针对每个方位角的第三预设数量原始叠前地震道信号，并构成所述第一预设数量叠前地震道信号，其中，所述第二预设数量与所述第三预设数量的乘积等于所述第一预设数量。
在一些实施例的一些可选的实现方式中，所述预处理的方式包括以下至少一项：
降噪处理、标准化处理、归一化处理、去重处理和消除极值处理。
在一些实施例的一些可选的实现方式中，所述深度特征提取模型包括基于卷积神经网络的自编码器模型；
所述深度特征提取模型的训练步骤包括：
复制多份所述叠前地震道信号，并添加噪声数据，构成添加噪声后的叠前地震道信号；
基于针对所述目标层位中第四预设数量不同深度的采样点，从所述添加噪声后的叠前地震道信号中提取第五预设数量维度的样本数据集，其中，所述第一预设数量与所述第四预设数量的乘积等于所述第五预设数量；
将所述样本数据集导入预设的基于卷积神经网络的自编码器模型进行训练，并生成预测样本集；
当所述预测样本集与所述样本数据集的误差满足预设要求时，得到所述训练好的深度特征提取模型。
在一些实施例的一些可选的实现方式中，所述提取出所述叠前地震道信号中的至少三个深层特征数据，包括：
提取所述深度特征提取模型中池化层的输出，得到所述叠前地震道信号中的第六数量维度的深层特征数据，其中，所述第六数量维度等于所述第五预设数量与所述特征提取模型的池化步长数量的商。
在一些实施例的一些可选的实现方式中，所述从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据，包括：
基于所述至少三个深层特征数据中的每个深层特征数据生成深层特征图像，得到至少三个深层特征图像，其中，每个深层特征图像用于展示针对所述第三预设数量地震道中每个地震道的图像；
从所述至少三个深层特征图像中筛选出至少两个目标深层特征图像，所述目标深层图像中无数据地震道在所述第三预设数量地震道中的占比小于第一阈值，或者，相似地震道在所述第三预设数量地震道中的占比小于第二阈值；
将所述至少两个目标深层特征图像对应的至少两个深层特征数据进行合并，得到所述合并后的深层特征数据。
在一些实施例的一些可选的实现方式中，所述聚类分析的装置为凝聚层次聚类分析装置。
可以理解的是，该装置600中记载的诸模块与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的模块，在此不再赘述。
实施例五：
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在本实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM702被安装。在该计算机程序被处理装置701执行时，可以执行以下步骤：
获取目标层位中第一预设数量叠前地震道信号；
将所述叠前地震道信号导入训练好的深度特征提取模型，提取出至少三个深层特征数据；
从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；
对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。
在一些实施例中，所述获取目标层位中第一预设数量叠前地震道信号，包括：
获取所述目标层位中针对第二预设数量方位角中每个方位角的第三预设数量地震道的原始叠前地震道信号；
对所述原始叠前地震道信号进行预处理，得到预处理后的针对每个方位角的第三预设数量原始叠前地震道信号，并构成所述第一预设数量叠前地震道信号，其中，所述第二预设数量与所述第三预设数量的乘积等于所述第一预设数量。
在一些实施例中，所述预处理的方式包括以下至少一项：
降噪处理、标准化处理、归一化处理、去重处理和消除极值处理。
在一些实施例中，所述深度特征提取模型包括基于卷积神经网络的自编码器模型；
所述深度特征提取模型的训练步骤包括：
复制多份所述叠前地震道信号，并添加噪声数据，构成添加噪声后的叠前地震道信号；
基于针对所述目标层位中第四预设数量不同深度的采样点，从所述添加噪声后的叠前地震道信号中提取第五预设数量维度的样本数据集，其中，所述第一预设数量与所述第四预设数量的乘积等于所述第五预设数量；
将所述样本数据集导入预设的基于卷积神经网络的自编码器模型进行训练，并生成预测样本集；
当所述预测样本集与所述样本数据集的误差满足预设要求时，得到所述训练好的深度特征提取模型。
在一些实施例中，所述提取出所述叠前地震道信号中的至少三个深层特征数据，包括：
提取所述深度特征提取模型中池化层的输出，得到所述叠前地震道信号中的第六数量维度的深层特征数据，其中，所述第六数量维度等于所述第五预设数量与所述特征提取模型的池化步长数量的商。
在一些实施例中，所述从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据，包括：
基于所述至少三个深层特征数据中的每个深层特征数据生成深层特征图像，得到至少三个深层特征图像，其中，每个深层特征图像用于展示针对所述第三预设数量地震道中每个地震道的图像；
从所述至少三个深层特征图像中筛选出至少两个目标深层特征图像，所述目标深层图像中无数据地震道在所述第三预设数量地震道中的占比小于第一阈值，或者，相似地震道在所述第三预设数量地震道中的占比小于第二阈值；
将所述至少两个目标深层特征图像对应的至少两个深层特征数据进行合并，得到所述合并后的深层特征数据。
在一些实施例中，所述聚类分析的方法为凝聚层次聚类分析方法。
需要说明的是，本实施例中上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行以下步骤：
获取目标层位中第一预设数量叠前地震道信号；
将所述叠前地震道信号导入训练好的深度特征提取模型，提取出至少三个深层特征数据；
从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；
对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。
在一些实施例中，所述获取目标层位中第一预设数量叠前地震道信号，包括：
获取所述目标层位中针对第二预设数量方位角中每个方位角的第三预设数量地震道的原始叠前地震道信号；
对所述原始叠前地震道信号进行预处理，得到预处理后的针对每个方位角的第三预设数量原始叠前地震道信号，并构成所述第一预设数量叠前地震道信号，其中，所述第二预设数量与所述第三预设数量的乘积等于所述第一预设数量。
在一些实施例中，所述预处理的方式包括以下至少一项：
降噪处理、标准化处理、归一化处理、去重处理和消除极值处理。
在一些实施例中，所述深度特征提取模型包括基于卷积神经网络的自编码器模型；
所述深度特征提取模型的训练步骤包括：
复制多份所述叠前地震道信号，并添加噪声数据，构成添加噪声后的叠前地震道信号；
基于针对所述目标层位中第四预设数量不同深度的采样点，从所述添加噪声后的叠前地震道信号中提取第五预设数量维度的样本数据集，其中，所述第一预设数量与所述第四预设数量的乘积等于所述第五预设数量；
将所述样本数据集导入预设的基于卷积神经网络的自编码器模型进行训练，并生成预测样本集；
当所述预测样本集与所述样本数据集的误差满足预设要求时，得到所述训练好的深度特征提取模型。
在一些实施例中，所述提取出所述叠前地震道信号中的至少三个深层特征数据，包括：
提取所述深度特征提取模型中池化层的输出，得到所述叠前地震道信号中的第六数量维度的深层特征数据，其中，所述第六数量维度等于所述第五预设数量与所述特征提取模型的池化步长数量的商。
在一些实施例中，所述从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据，包括：
基于所述至少三个深层特征数据中的每个深层特征数据生成深层特征图像，得到至少三个深层特征图像，其中，每个深层特征图像用于展示针对所述第三预设数量地震道中每个地震道的图像；
从所述至少三个深层特征图像中筛选出至少两个目标深层特征图像，所述目标深层图像中无数据地震道在所述第三预设数量地震道中的占比小于第一阈值，或者，相似地震道在所述第三预设数量地震道中的占比小于第二阈值；
将所述至少两个目标深层特征图像对应的至少两个深层特征数据进行合并，得到所述合并后的深层特征数据。
在一些实施例中，所述聚类分析的方法为凝聚层次聚类分析方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本实施例中的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：
获取模块，用于获取目标层位中第一预设数量叠前地震道信号；
提取模块，用于将所述叠前地震道信号导入训练好的深度特征提取模型，提取出至少三个深层特征数据；
筛选模块，用于从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；
聚类分析模块，用于对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。
在一些实施例中，所述获取目标层位中第一预设数量叠前地震道信号，包括：
获取所述目标层位中针对第二预设数量方位角中每个方位角的第三预设数量地震道的原始叠前地震道信号；
对所述原始叠前地震道信号进行预处理，得到预处理后的针对每个方位角的第三预设数量原始叠前地震道信号，并构成所述第一预设数量叠前地震道信号，其中，所述第二预设数量与所述第三预设数量的乘积等于所述第一预设数量。
在一些实施例中，所述预处理的方式包括以下至少一项：
降噪处理、标准化处理、归一化处理、去重处理和消除极值处理。
在一些实施例中，所述深度特征提取模型包括基于卷积神经网络的自编码器模型；
所述深度特征提取模型的训练步骤包括：
复制多份所述叠前地震道信号，并添加噪声数据，构成添加噪声后的叠前地震道信号；
基于针对所述目标层位中第四预设数量不同深度的采样点，从所述添加噪声后的叠前地震道信号中提取第五预设数量维度的样本数据集，其中，所述第一预设数量与所述第四预设数量的乘积等于所述第五预设数量；
将所述样本数据集导入预设的基于卷积神经网络的自编码器模型进行训练，并生成预测样本集；
当所述预测样本集与所述样本数据集的误差满足预设要求时，得到所述训练好的深度特征提取模型。
在一些实施例中，所述提取出所述叠前地震道信号中的至少三个深层特征数据，包括：
提取所述深度特征提取模型中池化层的输出，得到所述叠前地震道信号中的第六数量维度的深层特征数据，其中，所述第六数量维度等于所述第五预设数量与所述特征提取模型的池化步长数量的商。
在一些实施例中，所述从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据，包括：
基于所述至少三个深层特征数据中的每个深层特征数据生成深层特征图像，得到至少三个深层特征图像，其中，每个深层特征图像用于展示针对所述第三预设数量地震道中每个地震道的图像；
从所述至少三个深层特征图像中筛选出至少两个目标深层特征图像，所述目标深层图像中无数据地震道在所述第三预设数量地震道中的占比小于第一阈值，或者，相似地震道在所述第三预设数量地震道中的占比小于第二阈值；
将所述至少两个目标深层特征图像对应的至少两个深层特征数据进行合并，得到所述合并后的深层特征数据。
在一些实施例中，所述聚类分析的装置为凝聚层次聚类分析装置。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种地震相结构的预测方法，其特征在于，包括：
获取目标层位中第一预设数量叠前地震道信号；
将所述叠前地震道信号导入训练好的深度特征提取模型，提取出所述叠前地震道信号中的至少三个深层特征数据；
从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；
对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取目标层位中第一预设数量叠前地震道信号，包括：
获取所述目标层位中针对第二预设数量方位角中每个方位角的第三预设数量地震道的原始叠前地震道信号；
对所述原始叠前地震道信号进行预处理，得到预处理后的针对每个方位角的第三预设数量原始叠前地震道信号，并构成所述第一预设数量叠前地震道信号，其中，所述第二预设数量与所述第三预设数量的乘积等于所述第一预设数量。
3.根据权利要求2所述的方法，其特征在于，所述预处理的方式包括以下至少一项：
降噪处理、标准化处理、归一化处理、去重处理和消除极值处理。
4.根据权利要求1所述的方法，其特征在于，所述深度特征提取模型包括基于卷积神经网络的自编码器模型；
所述深度特征提取模型的训练步骤包括：
复制多份所述叠前地震道信号，并添加噪声数据，构成添加噪声后的叠前地震道信号；
基于针对所述目标层位中第四预设数量不同深度的采样点，从所述添加噪声后的叠前地震道信号中提取第五预设数量维度的样本数据集，其中，所述第一预设数量与所述第四预设数量的乘积等于所述第五预设数量；
将所述样本数据集导入预设的基于卷积神经网络的自编码器模型进行训练，并生成预测样本集；
当所述预测样本集与所述样本数据集的误差满足预设要求时，得到所述训练好的深度特征提取模型。
5.根据权利要求4所述的方法，其特征在于，所述提取出所述叠前地震道信号中的至少三个深层特征数据，包括：
提取所述深度特征提取模型中池化层的输出，得到所述叠前地震道信号中的第六数量维度的深层特征数据，其中，所述第六数量维度等于所述第五预设数量与所述特征提取模型的池化步长数量的商。
6.根据权利要求2所述的方法，其特征在于，所述从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据，包括：
基于所述至少三个深层特征数据中的每个深层特征数据生成深层特征图像，得到至少三个深层特征图像，其中，每个深层特征图像用于展示针对所述第三预设数量地震道中每个地震道的图像；
从所述至少三个深层特征图像中筛选出至少两个目标深层特征图像，所述目标深层图像中无数据地震道在所述第三预设数量地震道中的占比小于第一阈值，或者，相似地震道在所述第三预设数量地震道中的占比小于第二阈值；
将所述至少两个目标深层特征图像对应的至少两个深层特征数据进行合并，得到所述合并后的深层特征数据。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述聚类分析的方法为凝聚层次聚类分析方法。
8.一种地震相结构的预测装置，其特征在于，包括：
获取模块，用于获取目标层位中第一预设数量叠前地震道信号；
提取模块，用于将所述叠前地震道信号导入训练好的深度特征提取模型，提取出所述叠前地震道信号中的至少三个深层特征数据；
筛选模块，用于从所述至少三个深层特征数据中筛选出至少两个符合要求的深层特征数据进行合并，得到合并后的深层特征数据；
聚类分析模块，用于对合并后的深层特征数据进行聚类分析，得到目标层位的地震相结构预测结果。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述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计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211131885.XA CN117724157A (zh) | 2022-09-16 | 2022-09-16 | 地震相结构的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211131885.XA CN117724157A (zh) | 2022-09-16 | 2022-09-16 | 地震相结构的预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117724157A true CN117724157A (zh) | 2024-03-19 |
Family
ID=90203941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211131885.XA Pending CN117724157A (zh) | 2022-09-16 | 2022-09-16 | 地震相结构的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117724157A (zh) |
-
2022
- 2022-09-16 CN CN202211131885.XA patent/CN117724157A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mousavi et al. | Deep-learning seismology | |
| CN112731522B (zh) | 地震地层智能识别方法、装置、设备及存储介质 | |
| US11009617B2 (en) | Method for fast calculation of seismic attributes using artificial intelligence | |
| CN107065013B (zh) | 一种地震尺度下的层速度确定方法及装置 | |
| US12032111B2 (en) | Method and system for faster seismic imaging using machine learning | |
| WO2021194524A1 (en) | Method and system for automated velocity model updating using machine learning | |
| US20220237891A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
| CN117546051A (zh) | 使用s波速度模型和机器学习进行地震成像的方法和系统 | |
| CN103869362A (zh) | 体曲率获取方法和设备 | |
| US11397273B2 (en) | Full waveform inversion in the midpoint-offset domain | |
| Wu et al. | Seismic impedance inversion using second-order overlapping group sparsity with A-ADMM | |
| US20230125277A1 (en) | Integration of upholes with inversion-based velocity modeling | |
| 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 | |
| CN105353406B (zh) | 一种生成角道集的方法和装置 | |
| CA2693247C (en) | Seismic attributes for structural analysis | |
| US11899150B2 (en) | Velocity model for sediment-basement interface using seismic and potential fields data | |
| Yuan et al. | Horizon auto-picking with quantitative uncertainty evaluation by using a modified VQ-VAE framework | |
| CN117724157A (zh) | 地震相结构的预测方法及装置 | |
| CN114200522B (zh) | 深度域地震子波提取方法和装置、存储介质及电子设备 | |
| US10082588B2 (en) | Adaptive structure-oriented operator | |
| Ye et al. | Rapid and Consistent Identification of Stratigraphic Boundaries and Stacking Patterns in Well Logs-An Automated Process Utilizing Wavelet Transforms and Beta Distributions | |
| Liu et al. | Robust prestack seismic facies analysis using shearlet transform-based deep learning | |
| Wang et al. | Poststack seismic inversion using a patch-based Gaussian mixture model | |
| CN114063169B (zh) | 一种波阻抗反演方法、系统、设备和存储介质 | |
| CN117849875B (zh) | 一种地震信号分析方法、系统、装置及存储介质 |
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 |