初至拾取方法及装置制造方法及图纸

本发明专利技术公开了一种初至拾取方法及装置，该方法包括：提取地震数据测试样本的特征属性，将地震数据测试样本的特征属性输入至训练好的初至拾取模型，获取地震数据测试样本的初至，初至拾取模型为基于U‑net全卷积神经网络的初至拾取模型。基于U‑net全卷积神经网络的初至拾取模型的收缩路径包含两个单元，每个单元包含一个卷积层和一个下采样层；基于U‑net全卷积神经网络的初至拾取模型的扩张路径包含两个单元，每个单元包含一个上采样层和一个卷积层。本发明专利技术利用基于U‑net全卷积神经网络的初至拾取模型，获取地震数据测试样本的初至，可以提高初至的拾取效率和拾取准确度。

【技术实现步骤摘要】
初至拾取方法及装置
本专利技术涉及地震勘探
，尤其涉及初至拾取方法及装置。
技术介绍
本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。在地震勘探中，初至波是从炮点激发经地表传播到接收点的地震波。初至时间携带了近地表结构信息，近地表结构的变化严重影响地下介质结构的成像、地层弹性参数反演的精度，而获取精确的初至时间是近地表反演的关键参数，对改善静校正精度、地下介质成像、地层弹性参数反演起重要作用。早期的初至拾取是人工的、非实时分析，随着计算机技术和地震处理技术的发展，初至拾取从早期的人工分析过渡到人机交互的半自动分析。传统的初至拾取方法，需要依靠人工进行修改，导致初至拾取效率较低，并且初始拾取的准确度也不尽人意。因此，现有的初至拾取方法存在初至拾取效率低、准确度差的问题。
技术实现思路
本专利技术实施例提供一种初至拾取方法，用以提高初至的拾取效率和拾取准确度，该方法包括：提取地震数据测试样本的特征属性；>将地震数据测试样本本文档来自技高网...

【技术保护点】
1.一种初至拾取方法，其特征在于，包括：/n提取地震数据测试样本的特征属性；/n将地震数据测试样本的特征属性输入至训练好的初至拾取模型，获取地震数据测试样本的初至；所述初至拾取模型为基于U-net全卷积神经网络的初至拾取模型；/n其中，所述基于U-net全卷积神经网络的初至拾取模型的收缩路径包含两个单元，每个单元包含一个卷积层和一个下采样层；所述基于U-net全卷积神经网络的初至拾取模型的扩张路径包含两个单元，每个单元包含一个上采样层和一个卷积层。/n

【技术特征摘要】
1.一种初至拾取方法，其特征在于，包括：
提取地震数据测试样本的特征属性；
将地震数据测试样本的特征属性输入至训练好的初至拾取模型，获取地震数据测试样本的初至；所述初至拾取模型为基于U-net全卷积神经网络的初至拾取模型；
其中，所述基于U-net全卷积神经网络的初至拾取模型的收缩路径包含两个单元，每个单元包含一个卷积层和一个下采样层；所述基于U-net全卷积神经网络的初至拾取模型的扩张路径包含两个单元，每个单元包含一个上采样层和一个卷积层。


2.如权利要求1所述的方法，其特征在于，地震数据包括以下一种或多种：
共炮点道集地震数据、共检波点道集地震数据以及共偏移距道集地震数据。


3.如权利要求1所述的方法，其特征在于，地震数据测试样本的特征属性包括以下一种或多种：
单道归一化属性、相位谱方差属性、动态增益属性及瞬时振幅属性。


4.如权利要求1所述的方法，其特征在于，所述基于U-net全卷积神经网络的初至拾取模型中：
收缩路径和扩张路径中卷积层后均连接一个用于非线性变换ELU激活函数，且卷积层的卷积核尺寸为3x3，卷积预设步长为1；
收缩路径中下采样层的卷积核尺寸为4x4，卷积预设步长为2；扩张路径中上采样层采用二维近邻插值进行上采样，随后连接一个卷积层，且卷积核尺寸为3x3，卷积预设步长为1；
跳跃连接将收缩路径每一个卷积层输出和扩张路径对应每一个上采样层的输出合并，作为扩张路径对应卷积层的输入；
网络输出层输出二进制的初至分割图；所述初至分割图上值为1的位置即为地震数据测试样本的初至。


5.如权利要求1所述的方法，其特征在于，将地震数据按照预设比例或预设步长划分为：
地震数据训练样本、地震数据验证样本及地震数据测试样本。


6.如权利要求1所述的方法，其特征在于，训练初至拾取模型的过程包括：
提取地震数据训...

【专利技术属性】
技术研发人员：胡莲莲，郑晓东，段艳廷，晏信飞，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：北京;11