初至拾取方法及装置制造方法及图纸

本发明专利技术提供了一种初至拾取方法及装置，涉及石油勘探技术领域，该方法包括：获取地震数据、时窗信息和地震数据的初至信息；根据地震数据、时窗信息和初至信息确定训练样本数据；训练样本数据包括初至属性数据和初至标签数据；利用初至属性数据和初至标签数据确定生成网络模型的权值参数；生成网络模型用于提取初至属性数据中的初至特征数据，以及用于还原初至特征数据的位置；根据生成网络模型和权值参数生成待检地震数据的初至拾取结果。本发明专利技术利用初至属性数据和初至标签数据训练生成网络模型，利用训练出的生成网络模型生成待检地震数据的初至拾取结果，从而使所拾取的初至波位置精准、可靠，可满足野外生产需要。可满足野外生产需要。可满足野外生产需要。

【技术实现步骤摘要】
初至拾取方法及装置


[0001]本专利技术涉及石油勘探
，尤其是涉及一种初至拾取方法及装置。

技术介绍

[0002]随着高效高密度采集技术的发展和可控震源的广泛应用，所采地震数据的数量不断提高，初至拾取工作量越来越大，需要拾取处理的时间长，经济成本高。由于勘探目标区域日趋复杂，构造变化大，表面速度变化大，造成地震记录中信噪比低，初至波变得复杂，拾取困难。传统的初至拾取方法，如相关法、能量比法等经典的基于理论模型的初至检测方法，对这些情况下的初至检测效果欠佳。

技术实现思路

[0003]本专利技术提供了一种初至拾取方法及装置，可以提高初至波拾取的效率和精度，降低野外初至拾取的成本。
[0004]第一方面，本专利技术实施例提供了一种初至拾取方法，该方法包括获取地震数据、时窗信息和所述地震数据的初至信息；根据所述地震数据、所述时窗信息和所述初至信息确定训练样本数据；所述训练样本数据包括初至属性数据和初至标签数据；利用所述初至属性数据和所述初至标签数据确定生成网络模型的权值参数；所述生成网络模型用于提取所述初至属性数据中的初至特征数据，以及用于还原所述初至特征数据的位置；根据所述生成网络模型和所述权值参数生成待检地震数据的初至拾取结果。
[0005]第二方面，本专利技术实施例还提供一种初至拾取装置，该装置包括获取模块，用于获取地震数据、时窗信息和所述地震数据的初至信息；样本模块，用于根据所述地震数据、所述时窗信息和所述初至信息确定训练样本数据；所述训练样本数据包括初至属性数据和初至标签数据；训练模块，用于利用所述初至属性数据和所述初至标签数据确定生成网络模型的权值参数；所述生成网络模型用于提取所述初至属性数据中的初至特征数据，以及用于还原所述初至特征数据的位置；预测模块，用于根据所述生成网络模型和所述权值参数生成待检地震数据的初至拾取结果。
[0006]第三方面，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初至拾取方法。
[0007]第四方面，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初至拾取方法的计算机程序。
[0008]本专利技术实施例带来了以下有益效果：本专利技术实施例提供了一种初至拾取方案，该方案首先获取地震数据、时窗信息和地震数据的初至信息；根据地震数据、时窗信息和初至信息确定训练样本数据；训练样本数据包括初至属性数据和初至标签数据；利用初至属性数据和初至标签数据确定生成网络模型的权值参数；生成网络模型用于提取初至属性数据中的初至特征数据，以及用于还原初至特征数据的位置；根据生成网络模型和权值参数生
成待检地震数据的初至拾取结果。本专利技术实施例利用初至属性数据和初至标签数据训练生成网络模型，利用训练出的生成网络模型生成待检地震数据的初至拾取结果，从而使所拾取的初至波位置精准、可靠，可满足野外生产需要。
[0009]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
[0010]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0011]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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方式，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。
[0012]图1为本专利技术实施例提供的初至拾取方法流程图；
[0013]图2为本专利技术实施例提供的针对初至检测的深度对抗网络结构图；
[0014]图3为本专利技术实施例提供的基于深度对抗网络的初至学习流程图；
[0015]图4为本专利技术实施例提供的基于深度网络的初至检测流程图；
[0016]图5为本专利技术实施例提供的原始地震数据效果图；
[0017]图6为本专利技术实施例提供的初至拾取效果图；
[0018]图7为本专利技术实施例提供的一种初至拾取装置结构框图；
[0019]图8为本专利技术实施例提供的另一种初至拾取装置结构框图；
[0020]图9为本专利技术实施例提供的计算机设备结构框图。
具体实施方式
[0021]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术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。
[0022]目前，基于深度学习的技术已经在其他
已经取得了一定突破，深度学习技术通过对大量样本学习，掌握先验知识，利用泛化能力对类似数据进行检测与识别，在人脸识别等领域已经取得突破，因此可以考虑将深度学习技术应用到初至拾取领域，利用深度神经网络进行初至的学习和拾取。
[0023]基于此，本专利技术实施例提供的一种初至拾取方法及装置，可以利用初至时窗中的地震数据和初至数据对对抗网络进行训练，通过对大量样本数据的学习掌握初至波检测的人工经验，然后利用训练好的对抗网络来对海量地震数据进行初至波拾取，提高初至波拾取的效率和精度，降低野外初至拾取的成本。
[0024]为便于对本实施例进行理解，首先对本专利技术实施例所公开的一种初至拾取方法进行详细介绍。
[0025]本专利技术实施例提供了一种初至拾取方法，参见图1所示的一种初至拾取方法流程图，该方法包括以下步骤：
[0026]步骤S102，获取地震数据、时窗信息和地震数据的初至信息。
[0027]在本专利技术实施例中，时窗信息用于确定时窗范围，时窗信息可以根据实际需求进行设置，本专利技术实施例对此不作具体限定。预先对地震数据进行初至标记处理，得到地震数据的初至信息。
[0028]步骤S104，根据地震数据、时窗信息和初至信息确定训练样本数据。
[0029]在本专利技术实施例中，训练样本数据包括初至属性数据和初至标签数据。其中，初至属性数据包括地震数据和从地震数据中提取的属性数据，初至属性数据可以是三维数据体。初至标签数据用于确定地震数据中的初至信息，初至标签数据可以是二维矩阵，其大小与初至属性数据中相应的参数物理意义和个数一致。例如，初至属性数据包括A1、B1和C1三个维度的数据，初至标签数据包括A2和B2两个维度的数据，则A1与A2可以表示地震道信息，B1和B2可以表示深度信息，并且，A1与A2的地震道个数相同，B1和B2的深度个数相同。
[0030]需要说明的是，在本专利技术实施例中，初至属性数据和初至标签数据的生成可以由目标数据区域标定、初至属性数据提取、初至标签制作、数据切割、数据筛选以及数据扩容几个部分组成。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种初至拾取方法，其特征在于，包括：获取地震数据、时窗信息和所述地震数据的初至信息；根据所述地震数据、所述时窗信息和所述初至信息确定训练样本数据；所述训练样本数据包括初至属性数据和初至标签数据；利用所述初至属性数据和所述初至标签数据确定生成网络模型的权值参数；所述生成网络模型用于提取所述初至属性数据中的初至特征数据，以及用于还原所述初至特征数据的位置；根据所述生成网络模型和所述权值参数生成待检地震数据的初至拾取结果。2.根据权利要求1所述的方法，其特征在于，根据所述地震数据、所述时窗信息和所述初至信息确定训练样本数据，包括：根据所述地震数据和所述时窗信息确定第一初至属性数据；根据所述初至信息确定所述地震数据的第一初至标签数据；根据所述第一初至属性数据和所述第一初至标签数据确定训练样本数据。3.根据权利要求2所述的方法，其特征在于，包括根据所述地震数据和所述时窗信息按照如下公式确定第一初至属性数据：FBProperty
i
＝FBTransform
i
(SeisData)其中，FBTransform
i
表示第i种初至属性提取函数，SeisData表示地震数据，是大小为DepthLength
×
TraceCount的矩阵，DepthLength为炮集数据中地震道数据长度，TraceCount为道集数据中地震道的个数，FBProperty
i
提取的第i种第一初至属性数据，数据大小与SeisData一致。4.根据权利要求2所述的方法，其特征在于，根据所述初至信息确定所述地震数据的第一初至标签数据，包括：将地震道数据作为行数据，将深度位置数据作为列数据确定目标矩阵；所述目标矩阵的地震道数据个数和深度位置数据个数分别与所述初至属性数据中的地震道数据个数和深度位置数据个数相同；确定所述目标矩阵中各元素的值，以确定第一初至标签数据；所述目标矩阵中的元素用于标识初至数据或非初至数据。5.根据权利要求4所述的方法，其特征在于，根据所述第一初至属性数据和所述第一初至标签数据确定训练样本数据，包括：根据所述地震道数据和所述深度位置数据，将所述第一初至属性数据切割为多个第一子矩阵数据，并将所述第一初至标签数据切割为多个第二子矩阵数据；所述第一子矩阵数据与所述第二子矩阵数据的大小相同；判断所述第二子矩阵数据中初至数据的个数是否满足预设范围；如果是，则将所述第二子矩阵数据作为初至标签数据，将所述第二子矩阵数据对应的第一子矩阵数据作为初至属性数据；如果否，则删除所述第二子矩阵数据和所述第二子矩阵数据对应的第一子矩阵数据。6.根据权利要求1所述的方法，其特征在于，根据所述地震数据、所述时窗信息和所述初至信息确定训练样本数据之后，还包括：根据地形倾斜数据对所述训练样本数据进行旋转变换处理，以扩充所述训练样本数据
的数量。7.根据权利要求1所述的方法，其特征在于，利用所述初至属性数据和所述初至标签数据确定生成网络模型的权值参数，包括：采用正态分布初始化方法初始化所述生成网络模型的权值参数；利用初始化后的生成网络模型和所述初至属性数据生成学习结果；根据所述学习结果和所述初至标签数据确定生成网络模型的权值参数。8.根据权利要求7所述的方法，其特征在于，包括利用如下公式根据所述学习结果和所述初至标签数据确定生成网络模型的权值参数：a＝σ(z)where z＝∑W
j
×
X
j
+b其中，C为交叉熵损失函数，y为初至标签数据，a为学习结果，W
j
为神经元权值，X
j
为神经元输入，b为常值。9.根据权利要求1-8任一项所述的方法，其特征在于，根据所述生成网络模型和所述权值参数生成待检地震数据的初至拾取结果之前，还包括：根据所述生成网络模型和所述权值参数生成待检地震数据的第一初至拾取结果；根据所述第一初至拾取结果和所述初至标签数据生成所述生成网络模型的评价结果；若所述评价结果不满足预设条件，则重新确定生成网络模型的权值参数。10.根据权利要求9所述的方法，其特征在于，包括按照如下公式根据所述第一初至拾取结果和所述初至标签数据生成所述生成网络模型的评价结果：取结果和所述初至标签数据生成所述生成网络模型的评价结果：取结果和所述初至标签数据生成所述生成网络模型的评价结果：其中，G
*
为总损失函数，λ是一个系数，G表示生成网格模型，D表示判别网络模型，x表示初至样本数据，y表示初至标签数据，z表示噪声扰动，G(x，z)表示生成网络生成的第一初至拾取结果，D(x，y)表示判别网络生成的评价结果，E
x，y
和E
x，z
表示误差函数。11.一种初至拾取装置，其特征在于，包括：获取模块，用于获取地震数据、时窗信息和所述地震数据的初至信息；样本模块，用于根据所述地震数据、所述时...

【专利技术属性】
技术研发人员：潘英杰，许银坡，倪宇东，邹雪峰，白志宏，田磊，
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：