一种基于对抗模型的成像方法以及设备技术

本说明书实施例公开了一种基于对抗模型的成像方法以及设备。通过获取对于待成像剖面的逆时偏移成像；将所述逆时偏移成像输入预先训练好的对抗模型，生成对于所述待成像剖面的最小二乘逆时偏移成像，其中，所述对抗模型基于如下方式预先训练生成：对训练剖面进行逆时偏移成像，生成第一图像，构建包括所述第一图像的源域数据X；对所述训练剖面进行最小二乘逆时偏移成像，生成第二图像，构建包括所述第二图像的目标域数据Y；采用所述源域数据和目标域数据对包含生成器和判别器的初始模型进行对抗训练，生成所述预先训练好的对抗模型；从而实现对于任意的逆时偏移成像，可以通过预先训练的对抗模型将其转换为高精度的最小二乘逆时偏移成像。乘逆时偏移成像。乘逆时偏移成像。

【技术实现步骤摘要】
一种基于对抗模型的成像方法以及设备


[0001]本说明书涉及油气物探工程领域，尤其涉及一种基于对抗模型的成像方法以及设备。

技术介绍

[0002]目前，勘探与开发的需求导致地震资料采集数据量增大、处理难度增加，常规的偏移成像方法速度较快，只能提供模糊的成像结果，且振幅属性不可靠。最小二乘逆时偏移成像虽然精度更高，但需要大量的计算资源，若数据量较大时，效率太低。
[0003]基于此，需要一种可以快速的高精度成像方案。

技术实现思路

[0004]本说明书实施例提供一种基于对抗模型的成像方法以及设备，用以解决如下技术问题：需要一种可以快速的高精度成像方案。
[0005]为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
[0006]在第一方面，本说明书实施例提供一种基于对抗模型的成像方法，包括：获取对于待成像剖面的逆时偏移成像；将所述逆时偏移成像输入预先训练好的对抗模型，生成对于所述待成像剖面的最小二乘逆时偏移成像，其中，所述对抗模型基于如下方式预先训练生成：
[0007]对训练剖面进行逆时偏移成像，生成第一图像，构建包括所述第一图像的源域数据X；对所述训练剖面进行最小二乘逆时偏移成像，生成第二图像，构建包括所述第二图像的目标域数据Y；采用所述源域数据和目标域数据对包含生成器和判别器的初始模型进行对抗训练，生成所述预先训练好的对抗模型；其中，所述生成器用于获取所述目标域数据的分布特征，并基于所述分布特征和所述第一图像生成待预测图像，所述判别器用于判断所述待测图像来自于源域数据或者目标域数据。
[0008]在第二方面，本说明书一个或多个实施例提供一种电子设备，包括：
[0009]至少一个处理器；以及，
[0010]与所述至少一个处理器通信连接的存储器；其中，
[0011]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
[0012]本说明书一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果：通过获取对于待成像剖面的逆时偏移成像；将所述逆时偏移成像输入预先训练好的对抗模型，生成对于所述待成像剖面的最小二乘逆时偏移成像，其中，所述对抗模型基于如下方式预先训练生成：对训练剖面进行逆时偏移成像，生成第一图像，构建包括所述第一图像的源域数据X；对所述训练剖面进行最小二乘逆时偏移成像，生成第二图像，构建包括所述第二图像的目标域数据Y；采用所述源域数据和目标域数据对包含生成器和判别器的初始模型进行对抗训练，生成所述预先训练好的对抗模型；其中，所述生成器用于获取所述目标
域数据的分布特征，并基于所述分布特征和所述第一图像生成待预测图像，所述判别器用于判断所述待测图像来自于源域数据或者目标域数据，从而实现对于任意的逆时偏移成像，可以通过预先训练的对抗模型将其转换为高精度的最小二乘逆时偏移成像，实现快速的高精度成像，提高成像效果。
附图说明
[0013]为了更清楚地说明本说明书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，下面描述中的附图仅仅是本说明书中记载的一些实施例，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。
[0014]图1为本专利技术的一个实施例的流程框图；
[0015]图2为本专利技术的一个实施例的网络原理图；
[0016]图3为本专利技术的一个实施例的生成器结构图；
[0017]图4为本专利技术的一个实施例的鉴别器结构图；
[0018]图5为本专利技术的组成训练集的常规逆时偏移成像剖面；
[0019]图6为本专利技术的组成训练集的最小二乘逆时偏移成像剖面；
[0020]图7为本专利技术的组成测试集的速度模型；
[0021]图8为本专利技术的组成测试集的成像剖面；
[0022]图9为本专利技术的一个实施例的成像效果提升后的结果对比图。
具体实施方式
[0023]本说明书实施例提供一种基于对抗模型的成像方法以及设备。
[0024]为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。
[0025]如图1所示，图1为本说明书实施例所提供的一种基于对抗模型的成像的流程示意图，包括以下步骤：
[0026]S101，获取对于待成像剖面的逆时偏移成像。
[0027]这里的待成像剖面可以是任意模型或者任意的观测数据的待成像剖面，所述剖面可以包括任意的时间点或者空间维度，例如，可以是在实际生产中对于任意的观测数据进行逆时偏移成像后从中截取的任意的时空剖面。
[0028]S103，将所述逆时偏移成像输入预先训练好的对抗模型，生成对于所述待成像剖面的最小二乘逆时偏移成像。
[0029]本申请中的对抗模型基于如下方式预先训练得到：对训练剖面进行逆时偏移成像，生成第一图像，构建包括所述第一图像的源域数据X；对所述训练剖面进行最小二乘逆时偏移成像，生成第二图像，构建包括所述第二图像的目标域数据Y；采用所述源域数据和目标域数据对包含生成器和判别器的初始模型进行对抗训练，生成所述预先训练好的对抗
模型；其中，所述生成器用于获取所述目标域数据的分布特征，并基于所述分布特征和所述第一图像生成待预测图像，所述判别器用于判断所述待测图像来自于源域数据或者目标域数据。
[0030]具体而言，可以预先采用一些模型进行成像或者已经成像好的地下图像来构建源域数据X和目标域数据Y。例如，可以通过同一观测数据首先进行逆时偏移成像和最小二乘逆时偏移成像，得到对于该观测数据的逆时偏移成像结果和最小二乘逆时偏移成像结果。进而，从逆时偏移成像结果和最小二乘逆时偏移成像结果中对于任意的剖面进行成像截取，得到对应的第一图像和第二图像，从而构建得到源域数据X和目标域数据Y。
[0031]如图5和图6中所示，图5为对于模型进行逆时偏移方法的成像剖面(即第一图像)，图6为对于模型进行最小二乘逆时偏移方法得到的对应同一时空的成像剖面(即第二图像)，从而可以构建训练集。
[0032]在具体的训练过程中，可以构建包含有训练数据子集和测试数据子集的训练集。训练数据子集和测试数据子集中均含有源域数据和目标域数据，源域数据是由得到的逆时偏移成像剖面组成，成像效果一般。目标域数据由得到的最小二乘逆时偏移成像剖面组成，成像效果较好。
[0033]在本申请实施例中，所述初始模型中包括一个源域数据到目标域数据的单向生成对抗网络GAN1和一个目标域数据到源域数据的单向GAN2，所述GAN1和GAN2共享两个生成器G
XY
...

【技术保护点】

【技术特征摘要】
1.一种基于对抗模型的成像方法，包括：获取对于待成像剖面的逆时偏移成像；将所述逆时偏移成像输入预先训练好的对抗模型，生成对于所述待成像剖面的最小二乘逆时偏移成像，其中，所述对抗模型基于如下方式预先训练生成：对训练剖面进行逆时偏移成像，生成第一图像，构建包括所述第一图像的源域数据X；对所述训练剖面进行最小二乘逆时偏移成像，生成第二图像，构建包括所述第二图像的目标域数据Y；采用所述源域数据和目标域数据对包含生成器和判别器的初始模型进行对抗训练，生成所述预先训练好的对抗模型；其中，所述生成器用于获取所述目标域数据的分布特征，并基于所述分布特征和所述第一图像生成待预测图像，所述判别器用于判断所述待测图像来自于源域数据或者目标域数据。2.如权利要求1所述的方法，其中，包含生成器和判别器的初始模型中包括一个源域数据到目标域数据的单向生成对抗网络GAN1和一个目标域数据到源域数据的单向GAN2，所述GAN1和GAN2共享两个生成器G
XY
和G
YX
，以及，所述GAN1包含判别器D
X
，所述GAN2包含判别器D
Y
。3.如权利要求2所述的方法，其中，用所述源域数据和目标域数据对包含生成器和判别器的初始模型进行对抗训练，包括：S41，设置学习率、训练批次，将所述源域数据和目标域数据输入所述初始模型，对所述生成器和判别器进行交替训练；S42，当训练批次小于阈值时，更新生成器和判别器的网络参数并继续训练；否则，跳转至S44；S43，确定所述生成器和判别器的损失函数的梯度，并将所述梯度传递回生成器和判别器，并返回步骤S42；S44，训练终止。4.如权利要求3所述的方法，其中，所述生成器的损失函数为：loss_G＝loss_adv+λ
cyc
loss_cycle+λ
id
...

【专利技术属性】
技术研发人员：黄建平，刘博文，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：