一种基于深度学习的地震速度自动拾取方法技术

本发明专利技术公开了一种基于深度学习的地震速度自动拾取方法，包括：获取地震数据与标签；将所述地震数据与所述标签输入到预先训练好的深度学习模型中，得到速度拾取结果；其中，深度学习模型的结构包括：三块残差块组成的残差网络；在残差网络后添加长短时记忆网络和全连接层；其中，每个残差块均由三层卷积层构成；各个残差块以及残差块各层之间的激活函数为Relu函数；长短时记忆网络和全连接层之间的激活函数为Relu函数。本发明专利技术提供的基于深度学习的地震速度自动拾取方法，有效提高了地震速度拾取的效率。的效率。的效率。

【技术实现步骤摘要】
一种基于深度学习的地震速度自动拾取方法


[0001]本专利技术涉及地震速度拾取
，更具体的说是涉及一种基于深度学习的地震速度自动拾取方法。

技术介绍

[0002]建立速度模型是重要的地震数据处理步骤，速度模型建立的优劣对地震资料后续处理(如多次波压制、时深转换、偏移成像和反演等)具有重要影响。
[0003]建立速度模型需要在速度谱上进行速度拾取，此过程通常需要专业人员进行人工拾取、需花费大量的人工时间。利用速度谱进行速度拾取时，拾取速度的精度以及速度谱的分辨率受到多种因素影响，如：炮检距分布、叠加次数、信噪比、速度采样密度以及近地表异常等因素。因此需要经验丰富的处理人员才会得到精度较高的拾取结果。由于三维地震的数据量十分庞大，在进行地震数据处理时，单纯使用人工方法拾取速度谱需要耗费大量时间并且效率较低。
[0004]因此，如何提高地震速度拾取的效率是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于深度学习的地震速度自动拾取方法，有效提高了地震速度拾取的效率。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于深度学习的地震速度自动拾取方法，包括：
[0008]获取地震数据与标签；
[0009]将所述地震数据与所述标签输入到预先训练好的深度学习模型中，得到速度拾取结果；
[0010]其中，深度学习模型的结构包括：三块残差块组成的残差网络，在残差网络后还添加有长短时记忆网络和全连接层；
[0011]每个残差块均由三层卷积层构成；各个残差块以及残差块各层卷积层之间的激活函数均为Relu函数；长短时记忆网络和全连接层之间的激活函数为Relu函数。
[0012]优选的，深度学习模型的训练方法包括：
[0013]构建训练集数据与标签；
[0014]构建深度学习模型；
[0015]将训练集数据与标签输入到构建好的深度学习模型中进行训练，并利用迁移学习对深度学习模型做进一步训练。
[0016]优选的，构建训练集数据与标签的具体步骤包括：
[0017]建立水平层状速度模型；
[0018]基于波动方程对水平层状速度模型进行正演模拟，得到地震记录；
[0019]基于地震记录合成CMP道集；
[0020]基于CMP道集计算速度谱；
[0021]将速度谱按照时间轴等分为m个区域，显示能量信息的区域形状，其他区域能量值设置为0，得到处理后的速度谱；
[0022]将处理后的速度谱与原速度谱进行叠加，得到训练集数据；
[0023]提取每个区域中能量最大值点所对应的速度值，并将该速度值作为标签。
[0024]优选的，利用迁移学习对深度学习模型做进一步训练的具体步骤包括：
[0025]在实际地震数据中提取n个速度谱，并利用人工拾取速度的方式获取标签；
[0026]基于n个速度谱得到迁移训练数据集，并基于迁移训练数据集和对应的标签对深度学习模型做进一步训练。
[0027]其中，这里需要说明的是，根据速度谱得到迁移训练数据集的方法和上面提到的基于速度谱得到训练集数据的方法相同的，这里不做展开描述。
[0028]优选的，在残差网络后添加长短时记忆网络时还进行数据变形处理。
[0029]优选的，数据变形处理通过python中的reshape函数实现。
[0030]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于深度学习的地震速度自动拾取方法，采用残差网络和长短时记忆网络来实现地震速度拾取，其中残差网络能够有效提取数据的特征，同时在训练中进一步降低输入值与实际值的训练误差；长短时记忆网络可以更好的学习数据之间的时序关系，增强数据之间的关系。
[0031]此外，训练数据与标签采用正演模拟的方法获得，正演模拟方法与人工标定方法相比能够有效提高工作效率，节省人力，并且正演模拟可以获取更精细的标签。
[0032]而且，在本专利技术提供的技术方案中，还利用迁移学习消除了模拟数据与实际数据之间存在的差异，有效提高了工作效率。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0034]图1为本专利技术提供的建立水平层状速度模型的示意图；
[0035]图2为本专利技术提供的基于正演模拟将速度模型转换为CMP道集与速度谱的示意图；
[0036]图3为本专利技术提供的基于速度谱构建数据集与标签的示意图；
[0037]图4为本专利技术提供的深度学习模型的示意图；
[0038]图5为本专利技术提供的迁移学习消除模拟数据与实际数据差异的流程图；
[0039]图6为本专利技术提供的基于深度学习的地震速度自动拾取方法的流程图。
具体实施方式
[0040]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0041]参见附图6，本专利技术实施例公开了一种基于深度学习的地震速度自动拾取方法，包括：
[0042]步骤S1：获取地震数据与标签；
[0043]步骤S2：将所述地震数据与所述标签输入到预先训练好的深度学习模型中，得到速度拾取结果；
[0044]参见附图4，深度学习模型的结构包括：三块残差块组成的残差网络，在残差网络后还添加有长短时记忆网络和全连接层；
[0045]其中，每个残差块均由三层卷积层构成；各个残差块以及残差块各层卷积层之间的激活函数均为Relu函数；长短时记忆网络和全连接层之间的激活函数为Relu函数。
[0046]为了进一步优化上述技术方案，深度学习模型的训练方法包括：
[0047](1)构建训练集数据与标签，具体包括：
[0048]S21：建立水平层状速度模型，具体请参见附图1，设置截止层数为k层，每一层均为各向同性介质，随机设定各层的速度，范围保持在纵波2500至4500m/s。震源设置在顶层，采用主频为30Hz雷克子波，采样间隔为0.5ms(小于每一层介质的厚度)。
[0049]S22：基于波动方程对水平层状速度模型进行正演模拟，得到地震记录；
[0050]声波方程表示为：
[0051][0052]其中，c为声波速度，q表示震源，u(x,t)代表声波传播的函数，k代表慢度，q inΩ代表模型中模拟的震源，Ω代表模拟的模型。
[0053]边界条件选择狄利克雷边界条件：
[0054]u(x,t)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的地震速度自动拾取方法，其特征在于，包括：获取地震数据与标签；将所述地震数据与所述标签输入到预先训练好的深度学习模型中，得到速度拾取结果；其中，深度学习模型的结构包括：三块残差块组成的残差网络，在残差网络后还添加有长短时记忆网络和全连接层；每个残差块均由三层卷积层构成；各个残差块以及残差块各层卷积层之间的激活函数均为Relu函数；长短时记忆网络和全连接层之间的激活函数为Relu函数。2.根据权利要求1所述的一种基于深度学习的地震速度自动拾取方法，其特征在于，深度学习模型的训练方法包括：构建训练集数据与标签；构建深度学习模型；将训练集数据与标签输入到构建好的深度学习模型中进行训练，并利用迁移学习对深度学习模型做进一步训练。3.根据权利要求2所述的一种基于深度学习的地震速度自动拾取方法，其特征在于，构建训练集数据与标签的具体步骤包括：建立水平层状速度模型；基于波动方程对水平层状速度模型进行正演模拟，得到地震记录...

【专利技术属性】
技术研发人员：师素珍，李明轩，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：