基于机器学习的地震数据多域处理方法及装置制造方法及图纸

本发明专利技术提供了一种基于机器学习的地震数据多域处理方法及装置，基于机器学习的地震数据多域处理方法包括：获取目标工区的地震数据；根据预生成的机器学习模型以及所述地震数据，确定所述地震数据多个域中的特征域范围。本发明专利技术所提供的基于机器学习的地震数据多域处理方法及装置，可以拓展地震数据处理时机器学习模型的维度范围，更加综合的判断地震数据的特征，从而提高使用机器学习处理地震数据的精度。精度。精度。

【技术实现步骤摘要】
基于机器学习的地震数据多域处理方法及装置


[0001]本专利技术涉及石油勘探领域，尤其是地震数据处理技术，具体涉及一种基于机器学习的地震数据多域处理方法及装置。

技术介绍

[0002]地震数据由地表激发震源经过在地下介质的传播后返回地表被接收，按照激发和接收的方式不同分成了多个域，不同的域中地震信号按照不同排列顺序进行组合，随着组合顺序的不同，地震信号在不同的域显示的特点也各不相同，因此地震数据处理过程中经常需要在不同的域根据待处理地震信号的特征开展处理。机器学习是人工智能领域的研究热点并已广泛应用于各个领域的数据处理之中。目前机器学习主要采用递归类的神经网络进行，部分采用多层网络被称为深度学习网络，包含输入和输出层的则称为前馈式深度学习网络。通过机器学习可以实现地震数据的自动化处理，处理过程无需人工干预。
[0003]但现有技术中，利用机器学习处理地震数据存在下面的问题：在不同的域进行地震数据的分析和处理是各自独立开展的，相互之间无法建立联系，无法相互补充。

技术实现思路

[0004]针对现有技术中的问题，本专利技术所提供的基于机器学习的地震数据多域处理方法及装置，可以拓展地震数据处理时机器学习模型的维度范围，更加综合的判断地震数据的特征，从而提高使用机器学习处理地震数据的精度。
[0005]为解决上述技术问题，本专利技术提供以下技术方案：
[0006]第一方面，本专利技术提供一种基于机器学习的地震数据多域处理方法，包括：
[0007]获取目标工区的地震数据；
>[0008]根据预生成的机器学习模型以及所述地震数据，确定所述地震数据多个域中的特征域范围。
[0009]一实施例中，所述地震数据包括：共炮点道集、共检波点道集、共中心点道集、共偏移距道集以及共方位角道集数据；
[0010]所述多个域包括：共炮点数据域、共检波点数据域、共中心点数据域、共十字排列数据域、共偏移距数据域以及供方位角数据域。
[0011]一实施例中，所述根据预生成的机器学习模型以及所述地震数据，确定所述地震数据多个域中的特征域范围，包括：
[0012]根据所述地震数据以及所述机器学习模型确定其各自的多域特征参数以及所述多域特征参数的域范围；
[0013]所述多域特征参数包括：倾角、地震道能量与相邻地震道能量的平均倍数以及地震道与相邻地震道的时差。
[0014]一实施例中，所述机器学习模型为前馈式深度机器学习模型；生成所述机器学习模型的步骤包括：
[0015]根据所述地震数据的倾角、与相邻道能量的平均倍数、与相邻道的时差的相似度生成所述机器学习模型标签；
[0016]根据信噪比大于预设数值的地震数据以及所述机器学习模型标签对所述机器学习模型的初始模型进行训练，以生成所述机器学习模型。
[0017]第二方面，本专利技术提供一种基于机器学习的地震数据多域处理装置，该装置包括：
[0018]地震数据获取单元，用于获取目标工区的地震数据；
[0019]域范围确定单元，用于根据预生成的机器学习模型以及所述地震数据，确定所述地震数据多个域中的特征域范围。
[0020]一实施例中，所述地震数据包括：共炮点道集、共检波点道集、共中心点道集、共偏移距道集以及共方位角道集数据；
[0021]所述多个域包括：共炮点数据域、共检波点数据域、共中心点数据域、共十字排列数据域、共偏移距数据域以及供方位角数据域。
[0022]一实施例中，所述域范围确定单元包括：
[0023]特征参数确定模块，用于根据所述地震数据以及所述机器学习模型确定其各自的多域特征参数以及所述多域特征参数的域范围；
[0024]所述多域特征参数包括：倾角、地震道能量与相邻地震道能量的平均倍数以及地震道与相邻地震道的时差。
[0025]一实施例中，基于机器学习的地震数据多域处理装置，还包括模型生成单元，用于生成所述机器学习模型，所述模型生成单元包括：
[0026]模型标签生成模块，用于根据所述地震数据的倾角、与相邻道能量的平均倍数、与相邻道的时差的相似度生成所述机器学习模型标签；
[0027]模型生成模块，用于根据信噪比大于预设数值的地震数据以及所述机器学习模型标签对所述机器学习模型的初始模型进行训练，以生成所述机器学习模型；
[0028]所述机器学习模型为前馈式深度机器学习模型。
[0029]第三方面，本专利技术提供一种电子设备，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，处理器执行程序时实现基于机器学习的地震数据多域处理方法的步骤。
[0030]第四方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现基于机器学习的地震数据多域处理方法的步骤。
[0031]从上述描述可知，本专利技术实施例提供基于机器学习的地震数据多域处理方法及装置，首先获取目标工区的地震数据；接着，根据预生成的机器学习模型以及所述地震数据，确定所述地震数据多个域中的特征域范围。本专利技术可以拓展地震数据处理时机器学习模型的维度范围，更加综合的判断地震数据的特征，从而提高使用机器学习处理地震数据的精度。
附图说明
[0032]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。
[0033]图1为本专利技术的实施例中的基于机器学习的地震数据多域处理方法的流程示意图一；
[0034]图2为本专利技术的实施例中步骤200的流程示意图；
[0035]图3为本专利技术的实施例中的基于机器学习的地震数据多域处理方法的流程示意图二；
[0036]图4为本专利技术的实施例中步骤300的流程示意图；
[0037]图5为本专利技术的具体实施方式中基于机器学习的地震数据多域处理方法的流程示意图；
[0038]图6为本专利技术的具体实施方式中炮域地震记录示意图；
[0039]图7为本专利技术的具体实施方式中检波点域地震记录示意图；
[0040]图8为本专利技术的具体实施方式中全工区获得的炮域倾角特征参数平面图；
[0041]图9为本专利技术的具体实施方式中检波点域特征参数平面图；
[0042]图10为本专利技术的具体实施方式中全工区炮域倾角相似度平面图；
[0043]图11为本专利技术的具体实施方式中全工区检波点域倾角相似度平面图；
[0044]图12为本专利技术的具体实施方式中最大相似度对应的倾角特征参数平面图；
[0045]图13为本专利技术的实施例中的基于机器学习的地震数据多域处理装置的结构示意图一；
[0046]图14为本专利技术的实施例中域范围确定单元的结构示意图；
[0047]图15为本专利技术的实施例中的基于机器学习的地震数据多域处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的地震数据多域处理方法，其特征在于，包括：获取目标工区的地震数据；根据预生成的机器学习模型以及所述地震数据，确定所述地震数据多个域中的特征域范围。2.如权利要求1所述的地震数据多域处理方法，其特征在于，所述地震数据包括：共炮点道集、共检波点道集、共中心点道集、共偏移距道集以及共方位角道集数据；所述多个域包括：共炮点数据域、共检波点数据域、共中心点数据域、共十字排列数据域、共偏移距数据域以及供方位角数据域。3.如权利要求2所述的地震数据多域处理方法，其特征在于，所述根据预生成的机器学习模型以及所述地震数据，确定所述地震数据多个域中的特征域范围，包括：根据所述地震数据以及所述机器学习模型确定其各自的多域特征参数以及所述多域特征参数的域范围；所述多域特征参数包括：倾角、地震道能量与相邻地震道能量的平均倍数以及地震道与相邻地震道的时差。4.如权利要求1所述的地震数据多域处理方法，其特征在于，所述机器学习模型为前馈式深度机器学习模型；生成所述机器学习模型的步骤包括：根据所述地震数据的倾角、与相邻道能量的平均倍数、与相邻道的时差的相似度生成所述机器学习模型标签；根据信噪比大于预设数值的地震数据以及所述机器学习模型标签对所述机器学习模型的初始模型进行训练，以生成所述机器学习模型。5.一种基于机器学习的地震数据多域处理装置，其特征在于，包括：地震数据获取单元，用于获取目标工区的地震数据；域范围确定单元，用于根据预生成的机器学习模型以及所述地震数据，确定所述地震数据多个域中的特征域范围。6.如权利要求5所...

【专利技术属性】
技术研发人员：首皓，曹宏，崔栋，曾同生，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：