基于卷积神经网络的多波匹配方法组成比例

本发明专利技术公开了一种基于卷积神经网络的多波匹配方法。其包括对横波和纵波数据进行预处理，将横波和纵波数据根据预设步长划分空间网格，计算空间网格的网格点位移量，将横波和纵波数据进行融合并提取特征向量，训练卷积神经网络，对横波和纵波数据进行处理得到匹配数据体，建立三维时窗对匹配数据体进行遍历得到所有点的位移量，根据得到的位移量对纵波进行重采样完成多波匹配。本发明专利技术通过训练卷积神经网络对横波和纵波数据进行匹配，大大提高了匹配精度和效率，降低了工作量。

【技术实现步骤摘要】
基于卷积神经网络的多波匹配方法
本专利技术属于多波匹配
，尤其涉及一种基于卷积神经网络的多波匹配方法。
技术介绍
多波地震勘探是进行岩性油气藏和隐蔽油气藏勘探的一种非常有潜力的手段，但是，由于诸多原因，多波多分量理论研究和油气田实际勘探地质需求的结合问题、复杂条件下的转换波地震资料处理问题和多波综合解释、全波属性的地质应用等问题一直没有取得显著进展，并且已经成为制约多波地震勘探技术进一步发展的“瓶颈”。而解决这些问题的基础是做好多波多分量资料处理，提供高质量的各向同性和各向异性处理成果。其中多波传播机理的基础研究、多波资料中的纵横波匹配方法研究是目前多波地震资料后续处理的重点和难点，是多波精确成像和叠前纵横波联合反演以及岩性识别、储层预测和含气性识别的重要基础，是体现多波多分量地震勘探技术实际勘探开发应用价值的关键。因此，基于多波传播机理，研究纵横波高精度的匹配新方法，有利于充分利用多波多分量地震资料、准确认识多波地质响应特征，突出多波多分量地震资料解决地质问题的能力，具有重大的意义。目前多波匹配有基于反射特征的匹配方法和基于多波层位的匹配方法，前者通过横波，(简称PP波)和纵波(简称PS波)波地震数据的波形和波组特征进行对比生成γ0值，然后基于该γ0值实现两者的时间域匹配。后者首先分别基于PP波和PS波地震数据追踪解释出对应的层位。然后通过标定对应层位产生时移体，最后将时移体应用于PS地震数据，实现PS与PP地震数据的匹配。目前的多波匹配技术存在的主要问题是精度不高。第一，目前的多波初始匹配基本上是通过单纯的对PP波与PS波的层位进行匹配完成的，这样初始匹配的精度就会很粗糙，精度不高。第二，目前地震勘探对多波匹配的精度要求越来越高，而目前多波精细匹配的精度并不理想，低精度的精细匹配已经严重影响了多波的联合解释和联合反演。机器学习已经在图像处理和语音信号识别方面得到了很大的进展。而地震成像和图像具有相似性，地震数据则与语音信号也具有相似性。所以，在图像处理和语音信号识别中的机器学习算法，是能够应用到地震勘探领域的。但是传统的机器学习方法并不能有效的提取地震数据中的特征，所以在地震领域中，寻求一种能够捕捉复杂地质特征的机器学习算法是十分重要的。随着勘探目标要求的提高，多波匹配技术的研究越来越受到人们的重视，纵横波匹配技术已经成为地球物理学的研究热点。JamesE.G(1996)详细介绍了纵横波速度比()的求取方法，并用最大相关法求取γ0，平均γ0，层间γ0等，使用VSP资料验证从PP波和PS波剖面中求取γ0，且γ0可以用短波长振幅反演。1997年，Wai-KinChan等在时间对数域内，利用常数γ0值多次试算法，对纵、横波进行了匹配。但该匹配方法具有局限性，只能应用于特定的目的层。2001年，JamesG等通过扫描PP波和PS波的γ0谱，然后拾取其γ0平均值，采用最大相似性原理，在时间域内将PP波和PS波匹配了起来。Nahm在2002年在进行PP波和PS波的匹配工作时，采用校准两者的相位时间切片，通过这种方法，他成功地将两者匹配了起来，并对匹配后的数据进行分析和处理运用到实际的地震勘探中，最终发现了五块油气田，他的成功证实了多波匹配在地质勘探中的作用。同年，在多波匹配应用上，MichaelV.D首先求出了PP波和PS波的纵横波速度比和泊松比，并利用PP波和PS波的纵横波速度比和泊松比在深度域内对PP波和PS波的进行了匹配，匹配成功后，他将这一理论应用在墨西哥湾油气田里面，匹配结果很好地描绘了墨西哥湾油气田的浅海沉积相的特性，并对天然和油气田的开发起了重要的作用。2004年，Michalenicke在研究多波匹配算法时，采用迭代的思想进行多波匹配，他通过求取PP波和PS波的属性并对其进行多次迭代运算，并将运算结果通过低通滤波器进行滤波，然后计算得出PP波和PS波的时差，并将这种时差进行多次迭代运算，最终得到比较精确的纵横波速度比，由此实现了多波匹配，事实证明，这种匹配方法得出的精度还是很高的。2008年，JianxinJerryYuan等在计算PP波和PS波反射波最大相似系数时采用了模拟退火算法，利用求得的最大相似系数实现PP波和PS波时间上的匹配。通过时间变化的谱白化实现PP波和PS波频率上的匹配，然后进行相位校正。该研究不管是在在理论模型还是实际数据中，都取得了较好的效果。2009年，RishiB和VijayK在时间上实现了PP波和PS波精确匹配之后，利用PP波和PS波中、远偏移距地震道信息，通过拓展PS的高频信息来提高分辨率，以此实现PP波和PS波频率上的匹配。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络(ConvolutionalNeuralNetworks-简称CNN)。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。随后，更多的科研工作者对该网络进行了改进。其中，具有代表性的研究成果是Alexander和Taylor提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。2012年，Krizhevsky等[16]提出的AlexNet在大型图像数据库ImageNet的图像分类竞赛中以准确度超越第二名11％的巨大优势夺得了冠军，使得卷积神经网络成为了学术界的焦点。AlexNet之后，不断有新的卷积神经网络模型被提出，比如牛津大学的VGG(VisualGeometryGroup)、Google的GoogLeNet、微软的ResNet等，这些网络刷新了AlexNet在ImageNet上创造的纪录。并且，卷积神经网络不断与一些传统算法相融合，加上迁移学习方法的引入，使得卷积神经网络的应用领域获得了快速的扩展。一些典型的应用包括：卷积神经网络与递归神经网络(RecurrentNeuralNetwork，RNN)结合用于图像的摘要生成[]以及图像内容的问答；通过迁移学习的卷积神经网络在小样本图像识别数据库上取得了大幅度准确度提升；以及面向视频的行为识别模型——3D卷积神经网络等。一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。目前，多波匹配的主要采取的方式还是在同向轴上人工拾取大量本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的多波匹配方法，其特征在于，包括以下步骤：A、对横波和纵波数据进行预处理；B、将步骤A中预处理后的横波和纵波数据根据预设步长划分空间网格；C、计算步骤B中空间网格的网格点位移量；D、将横波和纵波数据进行融合并提取特征向量；E、将步骤D中特征向量及对应的位移量作为训练样本，训练卷积神经网络；F、按照步骤A‑D对横波和纵波数据进行处理得到匹配数据体，建立三维时窗对匹配数据体进行遍历得到所有点的位移量，根据得到的位移量对纵波进行重采样完成多波匹配。

【技术特征摘要】
1.一种基于卷积神经网络的多波匹配方法，其特征在于，包括以下步骤：A、对横波和纵波数据进行预处理；B、将步骤A中预处理后的横波和纵波数据根据预设步长划分空间网格；C、计算步骤B中空间网格的网格点位移量；D、将横波和纵波数据进行融合并提取特征向量；E、将步骤D中特征向量及对应的位移量作为训练样本，训练卷积神经网络；F、按照步骤A-D对横波和纵波数据进行处理得到匹配数据体，建立三维时窗对匹配数据体进行遍历得到所有点的位移量，根据得到的位移量对纵波进行重采样完成多波匹配。2.如权利要求1所述的基于卷积神经网络的多波匹配方法，其特征在于，所述步骤A对横波和纵波数据进行预处理具体为根据纵横波速度比将纵波数据压缩到横波数据时间范围，压缩后的纵波数据与横波数据具有等长度。3.如权利要求1所述的基于卷积神经网络的多波匹配方法，其特征在于，所述步骤B将步骤A中预处理后的横波和纵波数据根据预设步长划分空间网格具体包括以下分步骤：B1、计算已知点坐标中x,y,z的最大值和最小值，确定剖分区域；B2、根据设定x,y,z方向的剖分步长对剖分区域进行划分，得到空间网格。4.如权利要求1所述的基于卷积神经网络的多波匹配方法，其特征在于，所述步骤C计算步骤B中空间网格的网格点位移量具体包括以下分步骤：C1、对空间网格进行编号建立索引，以空间网格左上角的顶点标识该空间网格，并将已知点信息记录在对应的空间网格中；C2、采用最大相关系数法对纵波数据的空间网格的网格点进行调整并记录调整值；C3、依次计算所有空间网格的网格点位移量。5.如权利要求4所述的基于卷积神经网络的多波匹配方法，其特征在于，...

【专利技术属性】
技术研发人员：姚兴苗，帅领，胡光岷，刘鶄，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51