【技术实现步骤摘要】
一种基于深度学习的高精度地震构造曲率体计算方法
本专利技术涉及一种基于深度学习技术的高精度地震构造曲率体计算方法，精细、准确的地震构造曲率属性体能够有效地辅助地震解释人员对地下地层构造进行理解和刻画，属于地震数据构造解释领域。
技术介绍
由于构造的曲率信息能够有效反映地下地层中所包含的断层、断裂带、微小褶皱和河道等地质现象，根据叠后地震数据进行地震构造曲率属性的求取是地震数据构造解释中的一种常用手段(参见现有文献1：ChopraS,MarfurtKJ.Volumetriccurvatureattributesforfault/fracturecharacterization[J].firstbreak,2007,25(7)；现有文献2：ChopraS,MarfurtKJ.Integrationofcoherenceandvolumetriccurvatureimages[J].TheLeadingEdge,2010,29(9):1092-1107)。传统的构造曲率求取方法主要基于地震同相轴的相似性来进行倾角扫描得到局部构造的...
【技术保护点】
1.一种基于深度学习的高精度地震构造曲率体计算方法，其特征在于，包括以下步骤：/n步骤一、地震曲率深度学习样本生成，使用人工合成样本的方法，构建以地震波形响应为输入，准确高精度构造曲率为标签的数据样本集；/n步骤二、地震曲率深度学习模型拟合，采用端到端网络结构，基于深度学习技术对样本集进行拟合，直接建立从地震波形响应到高精度构造曲率的映射模型；/n步骤三、地震曲率深度学习模型应用，使用得到的端到端网络模型同时对实际数据的最大正曲率C
【技术特征摘要】
1.一种基于深度学习的高精度地震构造曲率体计算方法，其特征在于，包括以下步骤：
步骤一、地震曲率深度学习样本生成，使用人工合成样本的方法，构建以地震波形响应为输入，准确高精度构造曲率为标签的数据样本集；
步骤二、地震曲率深度学习模型拟合，采用端到端网络结构，基于深度学习技术对样本集进行拟合，直接建立从地震波形响应到高精度构造曲率的映射模型；
步骤三、地震曲率深度学习模型应用，使用得到的端到端网络模型同时对实际数据的最大正曲率Cpos和最小负曲率Cneg同时进行预测，并针对所使用的端对端网络模型结构，进行对应的Geometric损失函数定义。
2.根据权利要求1所述的计算方法，其特征在于，所述步骤一包括以下子步骤：
步骤S11、三维构造模型的生成：通过宏观褶皱模拟、断层错切模拟和微小褶皱模拟三步进行三维构造模型的生成；借鉴地表数字高程模型DEM数据中的微小地形起伏，构建同时具有宏观构造趋势和微小构造变化的三维构造模型；
步骤S12、三维地层模型的生成：将步骤S11中生物构模拟过程应用到水平地层属性模型上，得到具有同样构造的三维地层波阻抗模型和地层反射系数模型，具体过程为，首先以给定井波阻抗数据，或给定的波阻抗剖面上的一道为基础，在水平方向上进行延拓将其展开为水平的三维波阻抗模型；而后为了模拟实际地层中所存在的非均质性，进一步对该地层中的波阻抗在水平方向上进行扰动，得到非均质化的水平地层三维波阻抗模型及其对应的反射系数模型；最后，通过将与前述构造模型生成过程一致的形变模拟过程应用到该三维波阻抗模型上，得到与其一致的三维地层反射系数模型，构建得到同时具有宏观构造趋势和微小构造变化的三维地层模型；
步骤S13、地震波型数据的正演：在步...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。