层位追踪方法及装置、计算机设备及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种层位追踪方法及装置、计算机设备及计算机可读存储介质，该方法包括：获取样点采样间隔为预设样点采样间隔的目标地震数据体，利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标，将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。本发明专利技术以单剖面神经网络提取目标层位的种子点坐标，进而利用多剖面联合网络识别目标地震数据体的地震层位，能够提高层位追踪的效率和准确性。追踪的效率和准确性。追踪的效率和准确性。

【技术实现步骤摘要】
层位追踪方法及装置、计算机设备及计算机可读存储介质


[0001]本专利技术涉及地震信号处理
，尤其涉及层位追踪方法及装置、计算机设备及计算机可读存储介质。

技术介绍

[0002]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。
[0003]在地震资料解释中，地震剖面上同相轴的判别和层位追踪是非常重要的工作。传统基于地震相位和模式识别的方法，往往需要首先在地震层位候选种子点附近开一个识别时窗，并人工提取波形或者波组特征，层位追踪效果非常依赖于人工提取的波形或者波组特征的结果。随着深度学习技术的兴起和发展，越来越多的模型与方法被应用到地震勘探资料智能化解释过程中。因为深度学习技术所具备的泛化学习能力、抗干扰能力以及对非线性映射的表达能力，使它在地震资料解释智能化的过程中被越来越广泛的应用。
[0004]然而，现有层位追踪方法在效率及准确性上仍有待进一步提高。

技术实现思路

[0005]本专利技术实施例提供一种层位追踪方法，用以提高层位追踪的效率和准确性，该层位追踪方法包括：
[0006]获取样点采样间隔为预设样点采样间隔的目标地震数据体；
[0007]利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标；
[0008]将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。
[0009]本专利技术实施例还提供一种层位追踪装置，用以提高层位追踪的效率和准确性，该层位追踪装置包括：
[0010]目标数据体获取模块，用于获取样点采样间隔为预设样点采样间隔的目标地震数据体；
[0011]种子点坐标提取模块，用于利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标；
[0012]层位识别模块，用于将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。
[0013]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述层位追踪方法。
[0014]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有
执行上述层位追踪方法的计算机程序。
[0015]本专利技术实施例中，首先获取样点采样间隔为预设样点采样间隔的目标地震数据体，进而利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标，最后将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。本专利技术实施例以单剖面神经网络提取目标层位的种子点坐标，进而利用多剖面联合网络识别目标地震数据体的地震层位，能够提高层位追踪的效率和准确性。
附图说明
[0016]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一些实施例，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，还可以根据这些附图获得其他的附图。在附图中：
[0017]图1为本专利技术实施例提供的层位追踪方法的实现流程图；
[0018]图1-1为本专利技术实施例提供的多剖面联合网络相关性计算原理示意图；
[0019]图1-2为本专利技术实施例提供的单剖面神经网络结构示意图；
[0020]图1-3为本专利技术实施例提供的某目标地震数据体的层位识别结果示意图；
[0021]图2为本专利技术实施例提供的层位追踪方法中步骤101的实现流程图；
[0022]图3为本专利技术实施例提供的层位追踪方法中训练单剖面神经网络的实现流程图；
[0023]图4为本专利技术实施例提供的层位追踪方法中训练单剖面神经网络的另一实现流程图；
[0024]图5为本专利技术实施例提供的层位追踪方法中步骤401的实现流程图；
[0025]图6为本专利技术实施例提供的层位追踪方法中训练多剖面联合网络的实现流程图；
[0026]图7为本专利技术实施例提供的层位追踪装置的模块结构图；
[0027]图8为本专利技术实施例提供的层位追踪装置中目标数据体获取模块701的结构框图；
[0028]图9为本专利技术实施例提供的层位追踪装置中训练单剖面神经网络的结构框图；
[0029]图10为本专利技术实施例提供的层位追踪装置中训练单剖面神经网络的另一结构框图；
[0030]图11为本专利技术实施例提供的层位追踪装置中样本数据体获取模块1001的结构框图；
[0031]图12为本专利技术实施例提供的层位追踪装置中训练多剖面联合网络的结构框图。
具体实施方式
[0032]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0033]图1示出了本专利技术实施例提供的层位追踪方法的实现流程，为便于描述，仅示出了与本专利技术实施例相关的部分，详述如下：
[0034]如图1所示，层位追踪方法，其包括：
[0035]步骤101，获取样点采样间隔为预设样点采样间隔的目标地震数据体；
[0036]步骤102，利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标；
[0037]步骤103，将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。
[0038]在对地震数据体进行层位识别时，需要首先获取待进行层位识别的目标地震数据体，该目标地震数据体为样点采样间隔为预设样点采样间隔的地震数据体。其中，该预设样点采样间隔为预先设定的采样时间间隔，可以理解的是，本领域技术人员可以根据实际情况和具体需求预先设定该预设样点采样间隔。例如，本领域技术人员可以预先设定该预设样点采样间隔为0.1毫秒，或者本领域技术人员可以预先设定该预设样点采样间隔为0.08毫秒，或者0.12毫秒，本领域技术人员还可以预先设定该预设样点采样间隔除上述0.1毫秒、0.08毫秒及0.12毫秒之外的其它数值，例如0.11毫秒或0.09毫秒，本专利技术实施例对此不做特别的限制。
[0039]在获取样点采样间隔为预设样点采样间隔的目标地震数据体后，利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标。其中，训练好的单剖面神经网络能够提取地震数据体中目标层位的种子点坐标。
[0040]进一步的，在利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标后，将提取到的目标地震数据体中每个目标层位的种子点坐标作为多剖面联合网络的输入，同时以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种层位追踪方法，其特征在于，包括：获取样点采样间隔为预设样点采样间隔的目标地震数据体；利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标；将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标地震数据体的层位识别结果。2.如权利要求1所述的层位追踪方法，其特征在于，获取样点采样间隔为预设样点采样间隔的目标地震数据体，包括：以地震数据的顶层最小坐标及底层最大坐标为界限，上下扩充预设数量个采样点，确定原始地震数据体；对原始地震数据体每一道上边界以外的数据置零，确定层位识别地震数据体；利用B样条插值对层位识别地震数据体中的无效值进行插值处理，确定插值后的地震数据体；将插值后的地震数据体调整为样点采样间隔为预设样点采样间隔的目标地震数据体。3.如权利要求1所述的层位追踪方法，其特征在于，训练单剖面神经网络的过程包括：获取样本地震数据体中每个目标层位的种子点坐标及其对应的标签数据；将样本地震数据体中每个目标层位的种子点坐标及其对应的标签数据作为输入数据，迭代训练单剖面神经网络；在满足迭代终止的条件时，获得训练好的单剖面神经网络。4.如权利要求3所述的层位追踪方法，其特征在于，训练单剖面神经网络的过程还包括：获取样点采样间隔为预设样点采样间隔的样本地震数据体。5.如权利要求4所述的层位追踪方法，其特征在于，获取样点采样间隔为预设样点采样间隔的样本地震数据体，包括：以样本地震数据的顶层最小坐标及底层最大坐标为界限，上下扩充预设数量个采样点，确定原始样本地震数据体；对原始样本地震数据体每一道上边界以外的数据置零，确定层位识别样本地震数据体；利用B样条插值对层位识别样本地震数据体中的无效值进行插值处理，确定插值后的样本地震数据体；将插值后的样本地震数据体调整为样点采样间隔为预设样点采样间隔的样本地震数据体。6.如权利要求1所述的层位追踪方法，其特征在于，多剖面联合网络至少包括双向长短期记忆网络。7.如权利要求1所述的层位追踪方法，其特征在于，通过如下公式确定构建的损失函数：数：
其中，θ表示多剖面联合网络的网络参数集合，loss(θ)表示构建的损失函数，t表示索引变量，K表示所有识别的层位目标点的单剖面个数，loss_pos
t
(θ)表示第t剖面样本识别的位置损失函数，loss_att
t
(θ)表示第t剖面样本识别的类别损失函数，表示第t剖面目标地震数据体中每个目标层位的识别的种子点坐标，I
t
表示第t剖面目标地震数据体中每个目标层位的原始的种子点坐标，表示第t剖面目标地震数据体中每个目标层位种子点预测类别标签，J
t
表示第t剖面目标地震数据体中每个目标层位种子点真实类别标签，及分别表示多剖面联合网络自动寻优的训练参数。8.如权利要求4所述的层位追踪方法，其特征在于，训练多剖面联合网络的过程包括：将利用训练好的单剖面神经网络提取的样本地震数据体中每个目标层位的种子点坐标作为输入，迭代训练多剖面联合网络；在满足迭代终止的条件时，获得训练好的多剖面联合网络。9.一种层位追踪装置，其特征在于，包括：目标数据体获取模块，用于获取样点采样间隔为预设样点采样间隔的目标地震数据体；种子点坐标提取模块，用于利用训练好的单剖面神经网络提取目标地震数据体中每个目标层位的种子点坐标；层位识别模块，用于将目标地震数据体中每个目标层位的种子点坐标作为输入，以构建的损失函数为约束，利用训练好的多剖面联合网络确定目标...

【专利技术属性】
技术研发人员：李磊，詹仕凡，张少华，万忠宏，郭锐，高英楠，
申请(专利权)人：中国石油集团东方地球物理勘探有限责任公司，
类型：发明
国别省市：