一种基于生成对抗网络的含断层标记地震数据样本集增广方法技术

本发明专利技术公开了一种基于生成对抗网络的含断层标记地震数据样本集增广方法，具体涉及地球物理技术领域。本发明专利技术通过在实测地震数据中提取断层地震数据及其标签，构建断层地震数据样本集后，再构建含有生成器和判别器的对抗网络模型，利用断层地震数据样本集训练对抗网络模型的生成器和判别器，并采用训练后的对抗网络模型构建地震数据增广模型对断层地震数据样本集进行数据增广，批量生成断层地震数据后，评价地震数据增广模型生成断层地震数据的质量。本发明专利技术基于深度学习方法实现了对断层地震数据的增广处理，生成与实际地震数据特征一致性较高的断层地震数据样本，有效提高了深度学习网络训练数据的多样性和稳定性，为地震模型的训练奠定了基础。型的训练奠定了基础。型的训练奠定了基础。

【技术实现步骤摘要】
一种基于生成对抗网络的含断层标记地震数据样本集增广方法


[0001]本专利技术涉及地球物理
，具体涉及一种基于生成对抗网络的含断层标记地震数据样本集增广方法。

技术介绍

[0002]近年来，人工智能作为一种新的数据驱动技术，其在多个领域的应用均取得了不错的成果，多次波和随机噪音的去除已成为人工智能应用于地球物理学领域的热点。
[0003]传统方法一般通过分析和提取有效信号和噪声之间的特征差异，人工设计滤波器去除噪声，而人工智能方法可以提供端到端的去噪能力，将改进的成熟网路结构应用到去噪中，同时，人工智能方法还能被应用到数据的恢复和重构中，通过随机或者规律性的抽取地震记录或地震剖面中的道数据，借用采用完整数据训练出的深度神经网络恢复缺失数据的完整性。人工智能方法应用于初至波拾取处理中，改善了初至波的拾取精度，特别是对低能量、低信噪比、相位变化的实际数据具有优势。有些方法将初至波拾取视为分类问题，将每个时间节点视为一类；有些方法将每个时间节点视为一个二分类节点，将初至时间标定为1、其他时间标定为0，增加网络的稳定性；有些方法则将初至波视为一个整体，采用分割网络拾取整条记录的初值信息。在成像和反演领域，有些学者希望通过构建深度神经网络直接从速度模型得到地震数据或者从地震数据直接反演出速度模型，但受各种因素的限制，该方法很难应用于实际处理中；有些学者采用RNN模拟地震波在介质中的传播，通过上一时刻的波长推断下一时刻的波长，从而利用较低的算力快速获取波场模拟结果。在地震解释和属性分析领域，人工智能方法构造解释发展迅速，通过图像变换算法对生成的平层地层进行褶皱和错动，生成较为真实的标签数据，将这些带有标签的断层数据输入至三维分割网络中进行训练，得到对实际三维资料断层时间识别具有较好效果的神经网络模型。
[0004]然而，人工智能方法需要大量的真实数据作为支撑，训练样本集的完善以及与真实数据之间的差异将直接影响神经网络模型的实际应用效果。虽然地震勘探存在海量的数据，但是这些数据多数无法公开且未标注，难以用于训练神经网络中。针对这一问题，很多学者提出了自己的解决方案。例如，在去噪过程中先利用传统方法处理形成无噪声数据，再向无噪声数据中添加白噪声数据作为噪声数据训练采用人工智能方法构建的神经网络，该方法虽然能够有效训练出去除白噪声的模型，但是其跨工区泛化能力较弱且无法脱离传统方法的束缚；在初至拾取过程中，有些学者通过对实际资料标注后，将标注好的记录拆散后再随机组合用于训练神经网络，该方法虽然只需要少量标注的实际资料就能获取大量的样本集，但是该方法获取的样本集存在道间连续性差的问题，难以泛化至其他记录中；有些学者还提出了以褶积记录为基础，通过对褶积记录进行变形和修饰获取与实际资料相类似的炮集记录，该方法形成的数据集在地震数据道数较少时能够很好的模拟实际地震数据，当地震数据道数较多时，即记录时间较长时，该方法内部随机生成的反射波同向轴与实际地震数据相差很大，此时数据集对神经网络的训练效果很差，无法应用于训练神经网络中。采
用人工智能方法反演正反过程时，常常采用正演模拟获取样本集，而正演模拟方法计算量巨大，仅能为简单模型提供数据集，而对于断层解释而言，通过对标注后的实际资料进行旋转缩放虽然能够增广样本的数量，但是这种方法泛化能力较差，适用测线单一。
[0005]综上所述，采用人工智能方法训练神经网络模型时存在训练样本集数据不足的问题，限制了神经网络模型的训练效果。因此，亟需提出一种基于生成对抗网络的含断层标记地震数据样本集增广方法，通过对模拟地震数据的样本集进行增广，增加样本集中数据的多样性，提高神经网络的训练效果。

技术实现思路

[0006]本专利技术针对采用人工智能方法训练神经网络模型时训练样本集数据不足的问题，提出了一种基于生成对抗网络的含断层标记地震数据样本集增广方法，基于深度学习方法实现了对断层地震数据的增广处理，且生成的断层地震数据具有实际地震数据的特征，有效提高了深度学习网络训练数据的多样性，有利于后续对于断层识别模型的训练。
[0007]本专利技术采用以下的技术方案：
[0008]一种基于生成对抗网络的含断层标记地震数据样本集增广方法，具体包括以下步骤：
[0009]步骤1，获取实测地震数据，从实测地震数据中提取断层地震数据及其标签，构建断层地震数据样本集；
[0010]步骤2，构建对抗网络模型，利用断层地震数据样本集训练对抗网络模型的生成器和判别器；
[0011]步骤3，对抗网络模型训练完成后，采用训练后的对抗网络模型构建地震数据增广模型，将断层地震数据样本集输入地震数据增广模型中，利用地震数据增广模型批量生成断层地震数据，对断层地震数据样本集进行数据增广；
[0012]步骤4，采用Wasserstein距离作为对抗网络模型训练效果的评价指标，评价地震数据增广模型生成断层地震数据的质量。
[0013]优选地，所述步骤2中，具体包括以下步骤：
[0014]步骤2.1，构建包含生成器和判别器的对抗网络模型，初始化设置对抗网络模型中的权重和超参数，再分别设置生成器和判别器；
[0015]步骤2.2，在断层地震数据样本集中选取断层地震数据输入生成器中，利用生成器生成假断层地震数据形成假图像；
[0016]步骤2.3，保持对抗网络模型中判别器的参数不变，设置对抗网络模型的收敛条件为判别器能够判断出生成器生成的假图像，根据步骤2.2中选取的断层地震数据获取真实地层的地震图像样本，将生成器生成的假图像和真实地层的地震图像样本共同输入判别器中，若判别器能够判断出生成器生成的假图像，则调整生成器的参数，返回步骤2.2中继续训练生成器，若判别器无法判断出生成器生成的假图像，则进入步骤2.4中；
[0017]步骤2.4，保持对抗网络模型中生成器的参数不变，设置对抗网络模型的收敛条件为判别器能够判断出生成器生成的假图像，在断层地震数据样本集中选取断层地震数据输入生成器中生成假图像，同时，将根据选取的断层地震数据获取真实地层的地震图像样本，判别器根据真实地层的地震图像样本对生成器生成的假图像进行判断，若判别器无法判断
出生成器生成的假图像，则返回步骤2.4中继续训练判别器；若判别器能够判断出生成器生成的假图像，则进入步骤2.5；
[0018]步骤2.5，停止训练对抗网络模型。
[0019]优选地，所述生成器和判别器均使用Adam作为优化器；生成器中设置有多个依次连接的卷积层，各卷积层共同构成U形网络结构，U形网络结构与生成器的输出层相连接，生成器的输出层设置为转置卷积层；判别器中设置有多个依次连接的卷积层，各卷积层共同构成倒金字塔形网络结构，判别器中还设置有dropout层；直接使用卷积层连接生成器的输入层和判别器的输出层，生成器中除了输出层使用Tanh激活函数，其他层均使用ReLU激活函数，判别器中全部使用Leaky ReLU激活函数；
[0020]生成器中使用转置卷积层、归一化层和RuLu激活函数层进行上采样，用于提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的含断层标记地震数据样本集增广方法，其特征在于，具体包括以下步骤：步骤1，获取实测地震数据，从实测地震数据中提取断层地震数据及其标签，构建断层地震数据样本集；步骤2，构建对抗网络模型，利用断层地震数据样本集训练对抗网络模型的生成器和判别器；步骤3，对抗网络模型训练完成后，采用训练后的对抗网络模型构建地震数据增广模型，将断层地震数据样本集输入地震数据增广模型中，利用地震数据增广模型批量生成断层地震数据，对断层地震数据样本集进行数据增广；步骤4，采用Wasserstein距离作为对抗网络模型训练效果的评价指标，评价地震数据增广模型生成断层地震数据的质量。2.根据权利要求1所述的一种基于生成对抗网络的含断层标记地震数据样本集增广方法，其特征在于，所述步骤2中，具体包括以下步骤：步骤2.1，构建包含生成器和判别器的对抗网络模型，初始化设置对抗网络模型中的权重和超参数，再分别设置生成器和判别器；步骤2.2，在断层地震数据样本集中选取断层地震数据输入生成器中，利用生成器生成假断层地震数据形成假图像；步骤2.3，保持对抗网络模型中判别器的参数不变，设置对抗网络模型的收敛条件为判别器能够判断出生成器生成的假图像，根据步骤2.2中选取的断层地震数据获取真实地层的地震图像样本，将生成器生成的假图像和真实地层的地震图像样本共同输入判别器中，若判别器能够判断出生成器生成的假图像，则调整生成器的参数，返回步骤2.2中继续训练生成器，若判别器无法判断出生成器生成的假图像，则进入步骤2.4中；步骤2.4，保持对抗网络模型中生成器的参数不变，设置对抗网络模型的收敛条件为判别器能够判断出生成器生成的假图像，在断层地震数据样本集中选取断层地震数据输入生成器中生成假图像，同时，将根据选取的断层地震数据获取真实地层的地震图像样本，判别器根据真实地层的地震图像样本对生成器生成的假图像进行判断，若判别器无法判断出生成器生成的假图像，则返回步骤2.4中继续训练判别器；若判别器能够判断出生成器生成的假图像，则进入步骤...

【专利技术属性】
技术研发人员：丁仁伟，赵硕，韩天娇，赵俐红，支鹏遥，张玉洁，杨晶，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：