基于神经网络的地震初至波走时获取方法技术

本发明专利技术公开了一种基于神经网络的地震初至波走时获取方法，包括：获取原始地震波形数据，并将其处理为包含原始波形和对应标注点的数据集，再将数据集划分为训练数据集与测试数据集；根据初至波走时数据获取过程，以尽可能模拟人工拾取结果为目标，结合原始地震波形数据的特征，确定神经网络的结构；将训练数据集作为神经网络的输入，将对应的标注点做为神经网络的输出，对神经网络进行训练，并利用测试数据集对训练后的神经网络进行测试，若满足精度要求，则获得训练好的神经网络；利用根据训练好的神经网络自动获取原始地震波形数据的标注点，从而获得地震初至波走时。该方法提高了地震初至波走时数据的自动获取精度，减少人工校正工作量。

Method of obtaining seismic initial wave travel time based on Neural Network

The invention discloses a neural network first arrival traveltime acquisition method, including: obtaining the original based on seismic waveform data, and processed to contain the original waveform and the corresponding label point data set, the data set is divided into training data set and test data set; according to the first arrival traveltime data acquisition in the process, as far as possible artificial picked results as the goal, combined with the characteristics of the original seismic waveform data, determine the structure of the neural network; the training data set as the input of the neural network, the corresponding label point as the output of neural network, the neural network was trained and tested on the neural network after training set using the test data, to satisfy the requirement of accuracy, then get the trained neural network; based on the neural network is trained to automatically obtain the original seismic waveform data standard A point is injected to get the time of the first arrival of the earthquake. This method improves the automatic acquisition precision of the first arrival time of the earthquake and reduces the workload of manual correction.

【技术实现步骤摘要】
基于神经网络的地震初至波走时获取方法
本专利技术涉及地球物理勘探
，尤其涉及一种基于神经网络的地震初至波走时获取方法。
技术介绍
传统的地震初至波走时获取方法最主要有如下两种：1)能量比法通过计算采集地震数据各个采样点之间的能量比值，结合初至波波形和能量特点确定初至波走时。2)图像边缘检测法。通过使用微分算子对采集地震数据对数字图像进行边缘提取，从而根据波峰位置确定初至波走时。但是，上述两种传统方法均为确定的算法基础上加上人工修正之后得到拾取的初至波走时数据，因为算法精度有限，人工校正工作量较大，通常需要研究人员做逐炮手工提取。
技术实现思路
本专利技术的目的是提供一种基于神经网络的地震初至波走时获取方法，提高了计算机从地震波形原始数据中对初至波走时数据的自动获取精度，减少人工校正工作量；同时，为野外实地探测提供从原始数据即时获取初至波走时的解决方案。本专利技术的目的是通过以下技术方案实现的：一种基于神经网络的地震初至波走时获取方法，包括：获取原始地震波形数据，并将其处理为包含原始波形和对应标注点的数据集，再将数据集划分为训练数据集与测试数据集；根据初至波走时数据获取过程，以尽可能模拟人工拾取结果为目标，结合原始地震波形数据的特征，确定神经网络的结构；将训练数据集作为神经网络的输入，将对应的标注点做为神经网络的输出，对神经网络进行训练，并利用测试数据集对训练后的神经网络进行测试，若满足精度要求，则获得训练好的神经网络；利用根据训练好的神经网络自动获取原始地震波形数据的标注点，从而获得地震初至波走时。由上述本专利技术提供的技术方案可以看出，基于神经网络获取地震初至波走时，实现了高准确度的拾取精度，极大的减轻了相关行业研究人员的拾取工作量，且可以长时间不停运转，对地质勘探行业野外探测的数据处理和波形获取有重要意义。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域的普通技术人员来讲，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附图。图1为本专利技术实施例提供的基于神经网络的地震初至波走时获取方法的流程图；图2为本专利技术实施例提供的神经网络的结构示意图；图3为本专利技术实施例提供的基于神经网络获取地震初至波走时的示意图；图4为本专利技术实施例提供的神经网络测试陌生数据的地震初至波走时拾取情况的示意图。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，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，都属于本专利技术的保护范围。图1为本专利技术实施例提供的基于神经网络的地震初至波走时获取方法的流程图。如图1所示，其主要包括如下步骤：步骤11、获取原始地震波形数据，并将其处理为包含原始波形和对应标注点的数据集，再将数据集划分为训练数据集与测试数据集。本专利技术实施例中，可以通过进行实地勘探采集，获取原始地震波形数据。原始地震波形数据为二维浮点数矩阵，其形成的灰阶图像中，纵轴是记录时间，长度固定，横轴长度由检波器个数决定，每个检波器只包含一个标注点，用于记录地震初至波走时的时间。原始地震波形数据的处理方式如下：根据原始地震波形数据中标注点分布差别，采用相应的间隔对原始地震波形数据进行切割，获得等高等宽(即具有相同的检波器个数及记录时间)，且标注点均衡的若干数据数据样本，从而构成包含原始波形和对应标注数据的数据集。具体来说，根据原始地震波形数据中标注点分布差别，如果某一时间点的标注数据较少，则减小切割间隔以增加数据样本，反之则增大切割间隔以减少数据样本。步骤12、根据初至波走时数据获取过程，以尽可能模拟人工拾取结果为目标，结合原始地震波形数据的特征，确定神经网络的结构。本专利技术实施例中，所述神经网络的结构如图2所示，依次为：第一卷积层、第一BN层、第二卷积层、第二BN层、Reshape层、第一反卷积层、第三BN层、第二反卷积层、第四BN层、第三反卷积层与Softmax层。该神经网络的每层所处理数据的维度均以高度×宽度×通道数形式出现；高度是将原始地震波形数据进行规范化(考虑到神经网络输入数据形式和训练过程、以及标注点出现的位置，舍弃原始数据矩阵边界的行数据)之后的数据，宽度是针对检波器数量不定的波形数据进行的加窗切割，通道数为1(原始地震波形数据是浮点数灰阶图像)。上述神经网络的整体结构可以理解为一个编码-解码器。步骤13、将训练数据集作为神经网络的输入，将对应的标注点做为神经网络的输出，对神经网络进行训练，并利用测试数据集对训练后的神经网络进行测试，若满足精度要求，则获得训练好的神经网络。步骤14、利用根据训练好的神经网络自动获取原始地震波形数据的标注点，从而获得地震初至波走时。如图3所示，将训练数据集中每一训练样本进行白化处理后作为神经网络的输入；将由对应的标注点坐标生成的等尺寸one-hot向量组作为输出，可以自动获取原始地震波形数据的标注点，而标注点中记录了地震初至波走时的时间。示例性的，假设原始数据为高度1001(由波形记录时间决定)、宽度不定(由检波器数目决定)的二维浮点数数组；考虑到波形记录起点不会出现目标点，以及神经网络训练数据输入形式，忽略原始数据在时间起点的值，将神经网络输入参数形式定为(高度*宽度*通道数)1000*64*1；对应于图3搭建神经网络，其中，卷积层通道数(featuremap)设为64，反卷积层通道数依次设置为64、32、1，BN层通道数和其紧连的上层通道数相同，输出是和输入数据形式相同的one-hot向量组；再使用前文所述的方法训练和优化神经网络，从而利用根据训练好的神经网络自动获取原始地震波形数据的标注点。另外，还利用神经网络测试了陌生数据的地震初至波走时拾取情况，如图4(a)～图4(b)所示，每个输出图形宽度为400像素(网络的多组输出数据的拼接)，高度为1000像素。灰色粗线是由人工标注点构成的波形，黑色细线是由神经网络模型的输出点构成的波形，两种颜色的点重合的越多，说明神经网络准确率越高。本专利技术实施例上述方案，基于神经网络获取地震初至波走时，实现了高准确度的拾取精度，极大的减轻了相关行业研究人员的拾取工作量，且可以长时间不停运转，对地质勘探行业野外探测的数据处理和波形获取有重要意义。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可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本专利技术各个实施例所述的方法。以上所述，仅为本专利技术较佳的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本专利技术的保护范围之内。因此，本专利技术的保护范围应该以权利要求书的保护范围为准。本文档来自技高网...

【技术保护点】
一种基于神经网络的地震初至波走时获取方法，其特征在于，包括：获取原始地震波形数据，并将其处理为包含原始波形和对应标注点的数据集，再将数据集划分为训练数据集与测试数据集；根据初至波走时数据获取过程，以尽可能模拟人工拾取结果为目标，结合原始地震波形数据的特征，确定神经网络的结构；将训练数据集作为神经网络的输入，将对应的标注点做为神经网络的输出，对神经网络进行训练，并利用测试数据集对训练后的神经网络进行测试，若满足精度要求，则获得训练好的神经网络；利用根据训练好的神经网络自动获取原始地震波形数据的标注点，从而获得地震初至波走时。

【技术特征摘要】
1.一种基于神经网络的地震初至波走时获取方法，其特征在于，包括：获取原始地震波形数据，并将其处理为包含原始波形和对应标注点的数据集，再将数据集划分为训练数据集与测试数据集；根据初至波走时数据获取过程，以尽可能模拟人工拾取结果为目标，结合原始地震波形数据的特征，确定神经网络的结构；将训练数据集作为神经网络的输入，将对应的标注点做为神经网络的输出，对神经网络进行训练，并利用测试数据集对训练后的神经网络进行测试，若满足精度要求，则获得训练好的神经网络；利用根据训练好的神经网络自动获取原始地震波形数据的标注点，从而获得地震初至波走时。2.根据权利要求1所述的一种基于神经网络的地震初至波走时获取方法，其特征在于，原始地震波形数据为二维浮点数矩阵，其形成的灰阶图像中，纵轴是记录时间，长度固定，横轴长度由检波器个数决定，每个检波器只包含一个标注点，用于记录地震初至波走时的时间；原始地震波形数据的处理方式如下：根据原始地震波形数据中标注点分布差别，采用相应的间隔对原始地震波形数据进行切割，获得等...

【专利技术属性】
技术研发人员：陈志波，刘森，唐泽宇，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽,34