神经网络训练方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种神经网络训练方法、装置、计算机设备及存储介质，其中，该神经网络训练方法包括：获取水力压裂作业阶段中通过至少两个接收器获取的预设数量的原始数据样本；采用数据增强方法处理预设数量的原始数据样本，获取增量数据样本，增量数据样本包括三分量波形；将三分量波形输入UNET模型，用以通过a个接收器、b个时间采样点、c个卷积层信道以及d个MAXPOOLING层，提取出震相拾取信息，其中，a、b、c和d为随机数；通过d个向上采样层对所有震相拾取信息进行转换，形成输出标签。该方法可获取充足的数据来训练出适合应用于地震勘探工业的神经网络，极大克服了震勘探工业中难以获取大量野外实际数据的困难。

【技术实现步骤摘要】
神经网络训练方法、装置、计算机设备及存储介质
本专利技术涉及微地震检测
，尤其涉及一种神经网络训练方法、装置、计算机设备及存储介质。
技术介绍
微地震监测是采矿、地热和天然气/石油行业中非常重要的监测手段，训练数据不足导致泛化能力有限也影响了深度学习方法在微地震监测中的应用。例如，页岩气开发中的水力压裂作业需要实时定位微震事件，这些微震事件一般由井下或地面接收器监测。深度学习方法在微地震监测中的应用正在迅速增长，成功的应用通常涉及大量的样本来训练广义神经网络。Zhuetal.(2019)提出利用图像分割得到的神经网络架构来解决地震学单站P/S相位提取问题。研究人员从北加利福尼亚地震目录的889个地震台收集了234，117次地震，并利用具有P波和S波的到达时间的三分量数据产生了779，514个样本来训练和测试神经网络模型。经过训练的模型可以很好地推广和应用于地震学研究中的相位选取，例如自动描述地震活动性。最近，Mousavi等人改进了深度学习方法，用于检测和拾取地震震相，其利用了100万事件波形和30万噪音波形，训练和测试神经网络。与传统方法相比，经过训练的模型能够探测到两倍多数量的地震。得益于地震学界对数据集的开放访问，机器学习方法可以探索全球地震数据集的信息特征。而与地震学行业相比，野外数据一般不向公众分享，尤其对于地震勘探行业，并不总是有足够的数据来训练神经网络模型，从而难以为地震勘探工业中的复杂问题训练出泛化的神经网络模型。如何通过充足的数据来训练出适合应用于地震勘探工业的神经网络成为亟待解决的问题。
技术实现思路
本专利技术实施例提供一种神经网络训练方法、装置、计算机设备及存储介质，以解决通过充足的数据来训练出适合应用于地震勘探工业的神经网络的问题。一种神经网络训练方法，包括：获取水力压裂作业阶段中通过至少两个接收器获取的预设数量的原始数据样本；采用数据增强方法处理预设数量的原始数据样本，获取增量数据样本，增量数据样本包括三分量波形；将三分量波形输入UNET模型，用以通过a个接收器、b个时间采样点、c个卷积层信道以及d个MAXPOOLING层，提取出震相拾取信息，其中，a、b、c和d为随机数；通过d个向上采样层对所有震相拾取信息进行转换，形成输出标签。一种神经网络训练装置，包括：获取原始样本模块，用于获取水力压裂作业阶段中通过至少两个接收器获取的预设数量的原始数据样本；获取增量样本模块，用于采用数据增强方法处理预设数量的原始数据样本，获取增量数据样本，增量数据样本包括三分量波形；提取震相信息模块，用于将三分量波形输入UNET模型，用以通过a个接收器、b个时间采样点、c个卷积层信道以及d个MAXPOOLING层，提取出震相拾取信息，其中，a、b、c和d为随机数；形成输出标签模块，用于通过d个向上采样层对所有震相拾取信息进行转换，形成输出标签。一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述神经网络训练方法。一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述神经网络训练方法。上述神经网络训练方法、装置、计算机设备及存储介质，基于水力压裂作业一个阶段获取的少量原始数据样本，通过数据增强方法增强该原始数据样本，可获取充足的增量数据样本，并基于增量数据样本训练出一个泛化的U-Net神经网络模型，以将训练好的模型应用于不同水力压裂阶段和不同项目。该方法可获取充足的数据来训练出适合应用于地震勘探工业的神经网络，极大克服了震勘探工业中难以获取大量野外实际数据的困难。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的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性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例中神经网络训练方法的应用环境示意图；图2是本专利技术一实施例中神经网络训练方法的流程图；图3是本专利技术一实施例中神经网络训练方法的UNET模型体系结构图；图4是本专利技术一实施例中神经网络训练方法的另一流程图；图5是本专利技术一实施例中神经网络训练方法的另一流程图；图6是本专利技术一实施例中神经网络训练方法的另一流程图；图7是本专利技术一实施例中神经网络训练方法的另一流程图；图8是本专利技术一实施例中神经网络训练方法的另一流程图；图9是本专利技术中所有实施例中关于数据增强方法的P/S到时对比图；图10是本专利技术一实施例中神经网络训练方法的从增广训练集中选取64个典型样本的实验结果图；图11是本专利技术一实施例中神经网络训练方法的基于U-Net选择器自动计算的位置结果图；图12是图11中关于本专利技术一实施例中神经网络训练方法中两个阶段的两个典型事件示意图；图13是本专利技术一实施例中神经网络训练装置的示意图；图14是本专利技术一实施例中计算机设备的示意图。具体实施方式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作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。本专利技术实施例提供的神经网络训练方法，可应用在如图1的应用环境中，该神经网络训练方法应用在神经网络训练系统中，该神经网络训练系统包括客户端和服务器，其中，客户端通过网络与服务器进行通信。客户端又称为用户端，是指与服务器相对应，为客户端提供本地服务的程序。该客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等计算机设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。在一实施例中，如图2所示，提供一种神经网络训练方法，以该方法应用在图1中的服务器为例进行说明，具体包括如下步骤：S10.获取水力压裂作业阶段中通过至少两个接收器获取的预设数量的原始数据样本。其中，接收器是弹性波接收器。原始数据样本是由接收器采集的包括P波和S波走时(以下简称P/S走时)的数据样本。预设数量是指指定采集原始数据样本的个数。具体地，本实施例可采用12个接收器，并设定预设数量为10，也即通过12个采集器采集10个原始数据样本以继续后续的神经网络训练方法。另外，每个接收器的最大振幅进行归一化，保留一个接收器三分量的相对振幅。输出为12道高斯分布数据，P/S走时为高斯分布最大值所对应的时间点，如果输入中某一道数据为噪音，或者不包含P或S相位，对应的高斯分布设为零。三分量地震勘探一般指利用纵波激发，采用三分量检波器记录一个纵向分量和两个横向分量的技术。S20.采用数据增强方法处理预设数量的原始数据样本本文档来自技高网...

【技术保护点】
1.一种神经网络训练方法，其特征在于，包括：/n获取水力压裂作业阶段中通过至少两个接收器获取的预设数量的原始数据样本；/n采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，所述增量数据样本包括三分量波形；/n将所述三分量波形输入UNET模型，用以通过a个接收器、b个时间采样点、c个卷积层信道以及d个MAXPOOLING层，提取出震相拾取信息，其中，a、b、c和d为随机数；/n通过d个向上采样层对所有所述震相拾取信息进行转换，形成输出标签。/n

【技术特征摘要】
1.一种神经网络训练方法，其特征在于，包括：
获取水力压裂作业阶段中通过至少两个接收器获取的预设数量的原始数据样本；
采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，所述增量数据样本包括三分量波形；
将所述三分量波形输入UNET模型，用以通过a个接收器、b个时间采样点、c个卷积层信道以及d个MAXPOOLING层，提取出震相拾取信息，其中，a、b、c和d为随机数；
通过d个向上采样层对所有所述震相拾取信息进行转换，形成输出标签。


2.如权利要求1所述的神经网络训练方法，其特征在于，至少两个所述接收器具有初始放置顺序；
所述采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，包括：
按与至少两个所述接收器的初始放置顺序相反的顺序重新放置所有所述接收器，获取反序数据样本；
结合所述预设预设数量的原始数据样本和所述反序数据样本，获取所述增量数据样本。


3.如权利要求1所述的神经网络训练方法，其特征在于，所述采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，包括：
获取所述原始数据样本的三分量波形数据，将所述三分量波形数据中的每一分量按照随机角度分别随机旋转θ、Φ和度；
根据旋转公式获取旋转后的旋转分量数据作为所述增量数据样本，其中，所述旋转公式为：



其中，(dx,dy,dz)T是所述原始数据样本的三分量波形数据，(d′x,d′y,d′z)T是旋转后的所述旋转分量数据。


4.如权利要求1所述的神经网络训练方法，其特征在于，所述原始数据样本包括P/S走时，所述P/S走时包括P波震相和S波震相；
采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，包括：
按预设次数随机移动所述原始数据样本的P波震相和S波震相的同相轴，以模拟出移动走时曲线；
基于所述移动走时曲线获取所述增量数据样本。


5.如权利要求1所述的神经网络训练方法，其特征在于，所述原始数据样本包括P幅值和P波震相；
采用数据增强方法处理所述预设数量的原始数据样本，获取增量数据样本，包括：
在预设P幅值因子范围内随机获取一个P幅值因子；
将所述P幅值乘以所述P幅值因子获取更新的...

【专利技术属性】
技术研发人员：张雄，田宵，陈慧慧，汪明军，刘勇健，
申请(专利权)人：东华理工大学，
类型：发明
国别省市：江西;36