【技术实现步骤摘要】
基于深度学习模型的地震数据不连续性检测方法和系统
本专利技术涉及一种基于深度学习模型的地震数据不连续性检测方法和系统，属于地震信号处理
技术介绍
随着地震勘探从传统构造油气藏为目标向复杂岩性、非常规油气藏转变。传统意义上依靠大的构造控制的油气藏目标已不多见，取而代之的是低幅构造、小型断控圈闭、岩性构造、扭曲褶皱构造等小型地质目标。这就要求地震数据处理过程中尽量保证地震数据的保真性，在地震数据解释阶段更要研发先进的技术去提取其中的小型地质现象，这些现象就是地震数据的不连续性。事实上，地震数据所呈现出的不连续性往往比连续性更具有意义。不连续性是地下介质结构或者物理性质发生改变的标志。比如构造变化直接导致地震波传播方向改变，造成地震数据的不连续性。而介质物理性质变化，如河道边缘，岩性由泥岩向砂岩转变，势必有介质速度、密度及孔隙度等变化，对地震波的能量、频率等造成影响，从而也在地震数据上表现为不连续性。所以说，检测地震数据的不连续性有着非常重要的意义，是为后续地震解释地下构造、岩性边界、物性边界，进一步圈定油气藏的...
【技术保护点】
1.一种基于深度学习模型的地震数据不连续性检测方法，其特征在于，包括以下步骤：/nS1将地震数据按照不连续的复杂成度分为简单、中等和困难三类，并根据所述地震数据的不同类别对其进行不同的处理，生成简单地震数据的初始数据标签；/nS2建立初始深度学习模型，并通过简单地震数据的初始数据标签对所述初始深度学习模型进行训练，获得简单地震数据的深度学习模型；/nS3将经过处理的中等地震数据代入所述简单地震数据的深度学习模型进行训练，获得中等地震数据的深度学习模型；/nS4将经过处理的困难地震数据分别带入所述简单地震数据的深度学习模型和中等地震数据的深度学习模型中进行训练，获得困难地震数...
【技术特征摘要】
1.一种基于深度学习模型的地震数据不连续性检测方法，其特征在于，包括以下步骤：
S1将地震数据按照不连续的复杂成度分为简单、中等和困难三类，并根据所述地震数据的不同类别对其进行不同的处理，生成简单地震数据的初始数据标签；
S2建立初始深度学习模型，并通过简单地震数据的初始数据标签对所述初始深度学习模型进行训练，获得简单地震数据的深度学习模型；
S3将经过处理的中等地震数据代入所述简单地震数据的深度学习模型进行训练，获得中等地震数据的深度学习模型；
S4将经过处理的困难地震数据分别带入所述简单地震数据的深度学习模型和中等地震数据的深度学习模型中进行训练，获得困难地震数据的深度学习模型，简单地震数据的深度学习模型、中等地震数据的深度学习模型和困难地震数据的深度学习模型组成了最终的深度学习模型；
S5将待检测地震波信号代入所述最终的深度学习模型，并对所述待检测地震波信号的不连续性进行检测。
2.如权利要求1所述的基于深度学习模型的地震数据不连续性检测方法，其特征在于，所述步骤S1中的处理过程包括：对简单地震数据进行不连续性检测运算，并将所述运算的结果生成初始数据标签；中等地震数据和困难地震数据进行数据切割扩量。
3.如权利要求2所述的基于深度学习模型的地震数据不连续性检测方法，其特征在于，所述不连续性检测运算将所述简单地震数据包括相干、局部梯度结构张量属性、断层因子和局部结构熵四种属性；所述数据切割扩量将地震数据切割成小数据集合和大数据集合，所述大数据集合包括所述小数据集合，从而生成中等地震数据小数据集合、中等地震数据大数据集合、困难地震数据小数据集合和困难地震数据大数据集合。
4.如权利要求3所述的基于深度学习模型的地震数据不连续性检测方法，其特征在于，所述步骤S1中生成简单地震数据的初始数据标签的方法为：
S1.1将不连续性检测运算获得的所述四种属性沿着时间维度转换成一系列时间切片；
S1.2将所述一系列时间切片存储成灰度图像，并对所述灰度图像进行图像去噪、图像增强、图像的开运算和闭运算；
S1.3提取所述四种属性对应的灰度图像的共性，生成一个合并属性体，并将所述合并属性体转换到时空域三维数据体；
S1.4将所述时空域三维数据体进行数据切割扩量，生成简单地震数据小数据集合和简单地震数据大数据集合两个集合。
5.如权利要求4所述的基于深度学习模型的地震数据不连续性检测方法，其特征在于，所述步骤S2生成简单地震数据的深度学习模型的步骤为：用简单地震数据小数据集合对初始深度学习模型，将简单地震数据大数据集合代入训练后的深度学习模型，获得的结果为简单地震数据的深度学习模型。
...
【专利技术属性】
技术研发人员：丁继才，张金淼，朱振宇，翁斌，姜秀娣，赵小龙，王清振，黄小刚，张益明，吴克强，
申请(专利权)人：中海石油中国有限公司，中海石油中国有限公司北京研究中心，
类型：发明
国别省市：北京;11
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。