一种三维地震断层智能组合方法技术

本发明专利技术公开一种三维地震断层智能组合方法，应用于地震数据处理领域，针对现有技术中缺少断层建模方法，本发明专利技术的方法基于视频流的神经网络模型，该神经网络由编码器和解码器两个主要部分组成，并辅以跳跃连接，全局卷积块；采用本发明专利技术的模型将少量人工解释断层实例标签和地震数据作为输入，结合渐进迭代式的训练方法，能够自定义地设置解释范围，实现断层智能组合；本发明专利技术的神经网络可以充分利用神经网络特的高级征挖取能力且以人工解释经验为约束；能够实现端到端的断层智能实例识别与组合和快速的断层重建。和快速的断层重建。和快速的断层重建。

【技术实现步骤摘要】
一种三维地震断层智能组合方法


[0001]本专利技术属于地震数据处理领域，特别涉及一种断层智能组合与重建技术。

技术介绍

[0002]断层是连续地层受应力挤压、拉伸而产生的断裂聚集带，也是基础的地质现象之一。断层按照上下盘的相对关系和断层面倾角可以分为正断层，逆断层，逆冲断层，逆掩断层，冲掩复合断层等多种类型。研究断层实际上是在研究断层的地质构造，它有众多地质意义和实际生产价值，比如：断层附近容易富集大量如石油，天然气等重要储层；活动性断层是天然地震的重要内力因素；表层断层构造是工程建设、水利建设前期勘查的重要地质结构。传统的断层建模工作一般是建立在断层识别的基础上，以断层要素(倾角，倾向，走向，断距，落差等)为约束，搜索邻域断层要素相似的断点并组合建立断层模型的空间拓扑结构。虽然近期以深度学习为基础的断层识别的相关方法居多，但是涉及到断层建模的相关方法鲜有。

技术实现思路

[0003]为解决上述技术问题，本专利技术提出一种三维地震断层智能组合方法，基于数据驱动学习的深度学习方法实现的断层智能重建。
[0004]本专利技术采用的技术方案为：一种三维地震断层智能组合方法，包括：
[0005]S1、采用三维的地震空间数据体和断层实例标签构建样本数据集；
[0006]S2、构建视频流神经网络模型；
[0007]S3、根据步骤S1构建的样本数据集对步骤S2构建的视频流神经网络模型进行训练；
[0008]S4、采用训练得到的视频流神经网络模型进行断层识别。
[0009]步骤S1中断层实例标签通过对断层0
‑
1数据集进行标注得到，具体包括以下步骤：
[0010]A1、计算待分类断层点与已标记实例断层点之间的距离；
[0011]A2、按照距离的递增关系进行排序；
[0012]A3、选取距离最小的k个点；
[0013]A4、返回前k个点中出现频率最高的类别作为待分类断层点的预测分类。
[0014]步骤S2所述视频流神经网络模型为全连接模型，至少包括编码层、全局卷积块以及解码层，编码层的输入包括两个输入流，分别是参考剖面输入流和目标剖面输入流；全局卷积块的输入为编码层的两个输入流通过拼接操作得到的组合，所述全局卷积块用于匹配参考剖面输入流和目标剖面输入流之间的断层实例特征；解码层是由与编码层对称的解码块组成，解码块将全局卷积块的输出与目标剖面输入流的输入通过跳跃连接的方式组合在一起。
[0015]还包括特征提取块，特征提取块由两部分相加组成，第一部分是一个卷积块连接一个残差卷积块，第二部分是与之对应的编码块全局卷积块的上采样。
[0016]所述解码层依次通过三个特征提取块、一个最终的卷积层以及一个softmax，最终得到目标剖面的断层实例掩膜。
[0017]所述编码层的每个输入流是一对图像组合，每个图像组合包括一张原始地震剖面和一张断层实例标签。
[0018]本专利技术的有益效果：本专利技术的方法结合了基于参考剖面的断层分割和基于上一剖面的断层追踪这两种模式，由一个多输入，多层级的编解码卷积神经网络在线学习相邻剖面和参考剖面之间的断层实例分布与组合规律来预测目标剖面的断层实例，进而实现对整个地震空间数据体的断层组合建模。
附图说明
[0019]图1为本专利技术实施例提供的BP神经网络模型；
[0020]图2为本专利技术实施例提供的断层向量投影方法流程示意图；
[0021]其中，图2(a)为断层线重叠说明，图2(b)为断层线重叠部分处理说明，图2(c) 为合成置信概率最大的断层线段；
[0022]图3为本专利技术实施例提供的地震空间数据体视频流示意图；
[0023]图4为本专利技术实施例提供的断层0
‑
1标签与断层实例标签；
[0024]其中，图4(a)为断层0
‑
1标签，图4(b)为断层实例标签；
[0025]图5为本专利技术实施例提供的KNN标记小区域断层实例标签；
[0026]其中，图5(a)为SSE软件标记大部分断层实例标签，图5(b)为KNN算法标记其他断层实例标签；
[0027]图6为本专利技术实施例提供的视频流神经网络模型；
[0028]图7为本专利技术实施例提供的迭代渐进式的神经网络训练；
[0029]图8为本专利技术实施例提供的断层识别与重建的结果；
[0030]其中，图8(a)为地震图像，图8(b)为断层分割结果，图8(c)为断层实例分割结果；
[0031]图9为本专利技术实施例提供的断层曲面重建结果。
具体实施方式
[0032]以下对与本专利技术相关的现有技术进行介绍：
[0033]1、卷积神经网络的相关技术
[0034]BP神经网络模型是基础神经网络模型，如图1所示。它模拟了人脑的感知神经元系统，由多连接的神经元组成，神经元的作用是对输入的结构向量作数学变换并输出新的结构向量。如果神经元的数量和规模足够大，那么它就能够模拟生物神经系统对真实世界物体作出的交互反应。神经网络的有监督学习是通过前向传播与反向传播完成的，以经典的BP 神经网络为例进行说明，
[0035]a)前向传播
[0036]前向传播过程是给定神经元的输入，得到神经元的输出并将输出作为下一层神经元的输入，对应的公示表达如下。
[0037]第l层的第i个神经元的输入：
[0038][0039]第l层的第i个神经元的输出：
[0040][0041]其中，为第l层的第i个神经元的激活值，为第l层的第i个神经元的偏置项，为l层的第i个神经元与l+1神经元之间的权值，为第l层的第i个神经元的输入，S
l
‑1为前一层的节点总数，g(x)为激活函数。
[0042]b)反向传播
[0043]反向传播是根据损失函数计算真实样本和前向传播结果之间的误差，并用梯度下降算法调整权系数的过程。计算梯度的公式如下。
[0044]权值关于损失函数的梯度为：
[0045][0046]偏置关于损失函数的梯度为：
[0047][0048]其中，m为样本数，W为神经元的权值，x为该层的输入，y为该层的输出，b为神经元的偏置项，为第l层的第i个神经元的输入，为第l层样本(x
i
,y
i
)对应损失函数的偏导数，x
t
,y
t
为第t个节点的输入和输出，J为损失函数，λ为更新的步长。
[0049]随着卷积神经网络自身结构不断的完善和发展，它于多个细分应用领域产生出新的网络模型。尤其是在计算机视觉的主战场上得到了广泛的应用。计算机视觉的任务按粗粒度到细粒度依次可以分为图像分类，图像目标检测，图像语义分割，图像实例分割等。图像分类需要分类物体类别；图像目标检测需要分类物体类别，指明物体位置；图像语义分割需要分类物体，刻画物体边界；图像实例分割需要分类同一物体的多个实例，刻画实例边界。...

【技术保护点】

【技术特征摘要】
1.一种三维地震断层智能组合方法，其特征在于，包括：S1、采用三维的地震空间数据体和断层实例标签构建样本数据集；S2、构建视频流神经网络模型；S3、根据步骤S1构建的样本数据集对步骤S2构建的视频流神经网络模型进行训练；S4、采用训练得到的视频流神经网络模型进行断层识别。2.根据权利要求1所述的一种三维地震断层智能组合方法，其特征在于，步骤S1中断层实例标签通过对断层0
‑
1数据集进行标注得到，具体包括以下步骤：A1、计算待分类断层点与已标记实例断层点之间的距离；A2、按照距离的递增关系进行排序；A3、选取距离最小的k个点；A4、返回前k个点中出现频率最高的类别作为待分类断层点的预测分类。3.根据权利要求1所述的一种三维地震断层智能组合方法，其特征在于，步骤S2所述视频流神经网络模型为全连接模型，至少包括编码层、全局卷积块以及解码层，编码层的输入包括两个输入流，分别是参考剖...

【专利技术属性】
技术研发人员：何翔，李祖宜，杨盾，姚兴苗，胡光岷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：