一种基于深度学习的地震速度谱人工智能拾取方法技术

本发明专利技术提供一种基于深度学习的地震速度谱人工智能拾取方法，基于速度谱具有图像的特点，通过卷积神经网络提取速度谱中能量团的特征，并从提取到的特征中计算出速度谱中能量团所对应的时间‑速度对序列的预测结果；再基于速度谱的时间序列特征，利用循环神经网络提所述取预测结果的时间与速度的关系特征，根据这些关系特征对所述预测结果进行修正，最终得到准确的时间‑速度对序列。本发明专利技术的有益效果：自动化程度高，有利于缩减地震资料处理的时间，基本上可以完全解放地震数据处理人员的智力和体力劳动。

【技术实现步骤摘要】
一种基于深度学习的地震速度谱人工智能拾取方法
本专利技术涉及地震勘探的地震资料处理
，尤其涉及一种基于深度学习的地震速度谱人工智能拾取方法。
技术介绍
速度分析是常规地震资料处理的基础。在常规速度分析方法中，给定一系列相同间隔的速度进行扫描，以叠加能量或相似系数等作为速度分析的准则制作速度谱(图1)。速度谱的能量团对应着强反射信息，能够提供正确的动校正速度。速度拾取的正确与否，会直接影响到油气勘探中动校正、偏移、AVO和时深转换的结果。目前采用的速度谱拾取方式都是由人工完成，工作效率低，耗时多，容易出现人为误差。因此在地震勘探不断发展以及勘探领域不断扩大的今天，需要处理的地震资料也不断增加，对速度分析中速度谱的拾取效率和精度也提出了更高的要求。经过对现有技术的检索发现，公开号为CN105445788A的中国专利提供了一种基于模型和全局寻优的速度谱自动解释方法，该方法拾取效率不高，结果常常带有随机性，且易出错。另外一个中国专利，公开号为CN105572733A，提供了一种地震速度谱自动拾取方法。该方法包括，先将地震数据转换为二维网格数据，然后设置计算时窗，并在计算时窗的区域内确定最大值位置，再定义速度搜索阈值并记录速度谱最大值的位置，连接速度曲线，最后对速度曲线进行插值。该方法需要根据先验知识人为设置合理的计算时窗、速度搜索阈值，没有能实现智能化和自动化。
技术实现思路
有鉴于此，本专利技术的实施例提供了一种基于深度学习的地震速度谱人工智能拾取方法。本专利技术的实施例提供一种基于深度学习的地震速度谱人工智能拾取方法，基于速度谱具有图像的特点，通过卷积神经网络提取速度谱中能量团的特征，并从提取到的特征中计算出速度谱中能量团所对应的时间-速度对序列的预测结果；再基于速度谱的时间序列特征，利用循环神经网络提所述取预测结果的时间与速度的关系特征，根据这些关系特征对所述预测结果进行修正，最终得到准确的时间-速度对序列。进一步地，包括如下细化步骤：A1：将预处理过的原始速度谱及其对应的时间-速度对序列的人工提取值作为训练样本，训练所述卷积神经网络，获得能够预测所述预测结果的卷积神经网络训练模型；A2：将所述预测结果及原始速度谱的时间-速度对序列的人工提取值作为新的训练样本集，训练所述循环神经网络，获得能够得到准确的时间-速度对序列的循环神经网络训练模型；A3：将原始速度谱依次输入到所述卷积神经网络训练模型和所述循环神经网络训练模型，得到准确的时间-速度对序列。进一步地，所述卷积神经网络包括多个卷积层和与所述多个卷积层交叉设置的多个池化层，每一所述池化层位于与之对应的所述卷积层的后面，所述循环神经网络还包括位于最后一个所述池化层后面的多个全连接层，所述多个全连接层前后设置，最后一所述全连接层对应所述神经网络的输出。进一步地，所述循环神经网络包括输入层、输出层和位于所述输入层和所述输出层之间的隐藏层，所述输入层对应所述卷积神经网络的输出。进一步地，步骤A1的细化步骤包括：A1.1：对原始速度谱进行白化预处理，得到速度谱，所述速度谱及其相应的时间-速度对序列构成卷积神经网络的训练数据集；A1.2：对所述卷积神经网络的训练数据集进行随机洗牌，将该训练集中的数据分组，每组中数据的数量一致，并将各组依次输入所述卷积神经网络中，每组数据依次经过多个所述卷积层；A1.3：使用滑动窗口，对一所述卷积层上的特征进行提取与融合，得到该卷积层上的卷积特征图，每一所述卷积特征图和与之对应的卷积层的权值相关；A1.4：所述卷积特征图被输入到与之相邻的后续的所述池化层，所述池化层采用最大池化算法，得到池化特征图，该池化特征图进入与之相邻的后续的另一所述卷积层；A1.5：重复步骤A1.3和A1.4，直至数据进入最后一所述卷积层，最后一所述卷积层内插有Dropout层，所述Dropout层用于随机的让经过所述Dropout层的池化特征图的值为零，以减轻网络过拟合现象，然后该卷积层生成最后一卷积特征图，该卷积特征图最终被最后一所述池化层池化而生成池化特征图；A1.6：基于不同池化层的池化特征图对速度谱的能量团的区域位置进行多次分类识别，筛选出真正的所述能量团的位置，并利用全连接层对能量团的峰值进行多次检测和推断，得到的能量团峰值的实际位置，即是速度谱的时间-速度对序列的预测结果；A1.7：计算卷积神经网络的代价函数，判断最后一所述全连接层的代价函数是否收敛，若收敛则完成卷积神经网络的训练，并将时间-速度对序列的预测结果输出，否则进行下一步；A1.8：利用反向传导算法，计算卷积神经网络中各层代价函数的梯度值，利用基于动量的随机梯度下降算法，根据得到的各层梯度来计算卷积神经网络各层的误差灵敏度，用每一层的误差灵敏度更新该层的权值；A1.8：返回步骤1.2。进一步地，步骤A2的细化步骤包括：A2.1：所述预测结果及原始速度谱的时间-速度对序列的人工提取值构成循环神经网络的训练样本集，将循环神经网络的训练样本集输入到所述循环神经网络中；A2.2：所述循环神经网络通过其神经元提取所述预测结果中的时间与速度的关系特征，此关系特征与相应层的权值相关，利用此关系特征从而得到更为准确的时间-速度对序列；A2.3：计算卷积神经网络的代价函数，判断所述输出层的代价函数是否收敛，若收敛则完成循环神经网络的训练，否则进行下一步；A2.4：利用反向传导算法，计算循环神经网络中各层代价函数的梯度值，利用Adam学习率自适应的算法，根据各层梯度值来计算循环神经网络中各层的误差灵敏度，用每一层的误差灵敏度更新该层的权值；A2.5：重复步骤A2.2。进一步地，所述循环神经网络的训练样本集形成于所述循环神经网络的输入层，所述循环神经网络的隐藏层用于对所述预测结果进行修正，其输出层用于输出更为准确的时间-速度对序列，所述循环神经网络是长短期记忆网络结构，该结构包括遗忘门、输入门、输出门和细胞状态。进一步地，步骤A3的细化步骤包括：A3.1：对原始速度谱进行白化预处理；A3.2：将预处理后的速度谱输入到所述卷积神经网络训练模型，得到的处理后的速度谱中能量团对应的位置即是处理后的速度谱的时间-速度对序列的预测结果；A3.3：将处理后的速度谱的时间-速度对序列的预测结果输入到所述循环神经网络训练模型，所述循环神经网络训练模型对所述预测结果进行修正，最后输出准确的时间-速度对序列；A3.4：组合多张同一测线不同位置的速度谱智能拾取结果，经过插值形成叠加速度剖面。本专利技术的实施例提供的技术方案带来的有益效果是：本专利技术所述的基于深度学习的地震速度谱人工智能拾取方法，(1)采用本专利技术所述的基于深度学习的地震速度谱人工智能拾取方法能够对地震速度谱进行人工智能拾取，对经过训练后得到的卷积神经网络训练模型和循环神经网络训练模型，输入相应的原始地震速度谱数据，即可获取准确的时间-速度对序列，期间不需要任何人工干预，自动化程度高；(2)本专利技术在训练模型时需要花费大量时间；在训练完成后，通过向训练模型中输入原始速度谱数据，就可自动和快速的得到时间-速度曲线，有利于缩减地震资料处理的时间，基本上可以完全解放地震数据处理人员的智力和体力劳动。附图说明图1是现有的地震速度谱；图2是本专利技术的卷积神经网络和循环神经网络的结本文档来自技高网...

【技术保护点】
1.一种基于深度学习的地震速度谱人工智能拾取方法，其特征在于：基于速度谱具有图像的特点，通过卷积神经网络提取速度谱中能量团的特征，并从提取到的特征中计算出速度谱中能量团所对应的时间‑速度对序列的预测结果；再基于速度谱的时间序列特征，利用循环神经网络提所述取预测结果的时间与速度的关系特征，根据这些关系特征对所述预测结果进行修正，最终得到准确的时间‑速度对序列。

【技术特征摘要】
1.一种基于深度学习的地震速度谱人工智能拾取方法，其特征在于：基于速度谱具有图像的特点，通过卷积神经网络提取速度谱中能量团的特征，并从提取到的特征中计算出速度谱中能量团所对应的时间-速度对序列的预测结果；再基于速度谱的时间序列特征，利用循环神经网络提所述取预测结果的时间与速度的关系特征，根据这些关系特征对所述预测结果进行修正，最终得到准确的时间-速度对序列。2.如权利要求1所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：包括如下细化步骤：A1：将预处理过的原始速度谱及其对应的时间-速度对序列的人工提取值作为训练样本，训练所述卷积神经网络，获得能够预测所述预测结果的卷积神经网络训练模型；A2：将所述预测结果及原始速度谱的时间-速度对序列的人工提取值作为新的训练样本集，训练所述循环神经网络，获得能够得到准确的时间-速度对序列的循环神经网络训练模型；A3：将原始速度谱依次输入到所述卷积神经网络训练模型和所述循环神经网络训练模型，得到准确的时间-速度对序列。3.如权利要求2所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：所述卷积神经网络包括多个卷积层和与所述多个卷积层交叉设置的多个池化层，每一所述池化层位于与之对应的所述卷积层的后面，所述循环神经网络还包括位于最后一个所述池化层后面的多个全连接层，所述多个全连接层前后设置，最后一所述全连接层对应所述神经网络的输出。4.如权利要求3所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：所述循环神经网络包括输入层、输出层和位于所述输入层和所述输出层之间的隐藏层，所述输入层对应所述卷积神经网络的输出。5.如权利要求4所述的基于深度学习的地震速度谱人工智能拾取方法，其特征在于：步骤A1的细化步骤包括：A1.1：对原始速度谱进行白化预处理，得到速度谱，所述速度谱及其相应的时间-速度对序列构成卷积神经网络的训练数据集；A1.2：对所述卷积神经网络的训练数据集进行随机洗牌，将该训练集中的数据分组，每组中数据的数量一致，并将各组依次输入所述卷积神经网络中，每组数据依次经过多个所述卷积层；A1.3：使用滑动窗口，对一所述卷积层上的特征进行提取与融合，得到该卷积层上的卷积特征图，每一所述卷积特征图和与之对应的卷积层的权值相关；A1.4：所述卷积特征图被输入到与之相邻的后续的所述池化层，所述池化层采用最大池化算法，得到池化特征图，该池化特征图进入与之相邻的后续的另一所述卷积层；A1.5：重复步骤A1.3和A1.4，直至数据进入最后一所述卷积层，最后一所述卷积层内插有Dropout层，所述Dropout层用于随机的让经过所述Dropout层的池化特征图的值为零，以减轻网络过拟合现象，然后该...

【专利技术属性】
技术研发人员：张昊，朱培民，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42