基于深度学习的数据五维插值方法技术

本发明专利技术公开了一种基于深度学习的数据五维插值方法，包括：根据3D卷积构造5D卷积，并设计5D卷积层；构建五维全卷积神经网络模型FCNN5D，其中，五维全卷积神经网络FCNN5D包括堆叠的多个5D卷积层；从仿真数据中随机截取N个大小N1×

【技术实现步骤摘要】
基于深度学习的数据五维插值方法


[0001]本专利技术属于数据处理的
，具体涉及一种基于深度学习的数据五维插值方法。

技术介绍

[0002]由于工区地表环境、地表障碍物以及禁采区等情况限制，通常会存在震源和检波器排布不均匀或无法排布的情况，导致数据缺失。空间不规则采样导致数据处理中出现空间假频或偏移画弧等情况。因此，利用数据插值技术对地震道集进行高精度、高分辨率、高效的规则化重建是获取高质量地震资料，降低勘探成本和提高成像精度的关键。
[0003]三维地震数据勘探使数据维度达到五维(5
‑
Dimension,5D)。不同数据域下五个维度的表示不同：炮检域通常包括时间，震源横、纵坐标，检波器横、纵坐标；共中心点域通常包括时间，共中心点横、纵坐标，共偏移距横纵坐标，或者时间，共中心点横、纵坐标，炮检距，方位角。五维地震数据包含更多的空间信息特点。相较于常规的二维或三维插值，五维插值能充分利用高维数据中不同方位角、偏移距等的相关特性及空间信息特点，能够更准确的预测缺失道。目前，五维插值已经成为老资料重新处理中提高成像精本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的数据五维插值方法，其特征在于，包括如下步骤：步骤1：根据3D卷积构造5D卷积，并设计5D卷积层；步骤2：构建五维全卷积神经网络模型FCNN5D，其中，五维全卷积神经网络FCNN5D包括堆叠的多个5D卷积层；步骤3：从仿真数据中随机截取N个大小为N1×
N2×
N3×
N4×
N5的5D数据块作为数据集D，其中一部分作为训练集D
train
，一部分作为验证集D
val
；步骤4：将步骤3中的训练样本输入到步骤2构建的FCNN5D中进行训练，并构建损失函数，通过最小化损失函数训练网络模型参数，再将训练的网络参数在验证数据集上验证FCNN5D性能，选择验证集上FCNN5D性能最优对应的参数作为优化后的FCNN5D参数；步骤5：采用步骤4中优化后的FCNN5D对其他工区数据进行插值。2.根据权利要求1所述的基于深度学习的数据五维插值方法，其特征在于，步骤1具体方法为：记网络共M层，第i层的5D卷积算子为大小为f
i1
×
f
i2
×
f
i3
×
f
i4
×
f
i5
，第i层的输入特征层为大小为B
×
N1×
N2×
N3×
N4×
N5×
C
in
，其中B为批次维度，C
in
为输入通道数，输出为大小为B
×
X1×
X2×
X3×
X4×
X5×
C
out
，C
out
为输出通道数；当f
i4
＝，f
i5
＝时，5D卷积算子大小为f
i1
×
f
i2
×
f
i3
×1×
1，删减单一维度后记为对应的5D输入特征层大小为N1×
N2×
N3×1×
...

【专利技术属性】
技术研发人员：徐婉婷，付丽华，方文倩，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：