基于层序约束多任务层位自动追踪方法技术

本发明专利技术涉及地震层位追踪技术领域，公开了一种基于层序约束多任务层位自动追踪方法，所述方法包括：获取地震数据；构建序列约束多任务层位追踪模型；将地震数据输入至序列约束多任务层位追踪模型中进行处理，得到层位追踪结果。本发明专利技术追踪方法能提高的追踪精度，并且序列约束多任务层位追踪模型能够防止出现跨层位现象，能获得准确的层位追踪结果。能获得准确的层位追踪结果。能获得准确的层位追踪结果。

【技术实现步骤摘要】
基于层序约束多任务层位自动追踪方法


[0001]本专利技术涉及地震层位追踪
，具体涉及基于层序约束多任务层位自动追踪方法、基于层序约束多任务层位自动追踪装置、一种电子设备和一种计算机可读存储介质。

技术介绍

[0002]在地震勘探中，地震层位追踪是一个基础和关键的步骤，因为它直接影响到后续的解释、反演和其他应用。
[0003]现有的传统的自动或半自动地震层位追踪方法可分为三种类型。第一种类型基于波形相似性，其中相邻轨迹之间的相干性或相关性用于层位追踪。另一种类型是基于相对地质时间值，其中相对地质时间等值线用于层位追踪。最常用的类型是基于地震反射斜率，如结构张量反演、平面波破坏、相似扫描、动态图像变形和2D log
‑
Gabor滤波。然而，这些方法在噪声和故障位置上表现不佳。
[0004]随着深度学习在计算机视觉和图像处理领域的成功，它在地震层位自动追踪中的普及领域迅速蔓延。深度学习优于传统的自动或半自动层位追踪方法，深度学习在地震层位自动追踪中的应用还存在至少以下问题：
[0005](1)、传统的深度学习自动层位追踪方法属于单阶段单任务网络，缺乏其他相关信息作为指导；
[0006](2)、在传统的深度学习自动层位追踪方法中，地震数据的处理方式与自然图像相同，没有充分考虑地震数据特征和地震数据所包含的地质信息。
[0007]由于上述问题，传统的深度学习自动层位追踪容易出现精度不足的追踪结果和严重的跨层位现象。

技术实现思路

[0008]本专利技术的目的在于提供基于层序约束多任务层位自动追踪方法、装置、电子设备及存储介质，解决传统的深度学习自动层位追踪容易出现精度不足的追踪结果和严重的跨层位现象的问题。
[0009]为实现上述专利技术目的，本专利技术所采用的技术方案是：基于层序约束多任务层位自动追踪方法，所述方法包括：
[0010]获取地震数据；
[0011]构建序列约束多任务层位追踪模型；
[0012]将地震数据输入至序列约束多任务层位追踪模型中进行处理，得到层位追踪结果。
[0013]优选地，所述序列约束多任务层位追踪模型包括：层位标签自动富集单元、多任务层位追踪网络和层位序列约束损失函数。
[0014]优选地，所述多任务层位追踪网络包括共享层、辅助任务层、主要任务层和层位优化层。
[0015]优选地，将地震数据输入至序列约束多任务层位追踪模型中进行处理，得到层位追踪结果，包括：
[0016]自动生成地震数据的层位标签，所述层位标签包括：目标层位标签、以及与目标层位标签相邻的上辅助层位标签和下辅助层位标签；
[0017]扩展层位标签，得到层位区域标签，所述层位区域标签包括：目标层位区域标签、上辅助层位区域标签和下辅助层位区域标签；
[0018]根据层位区域标签计算层位概率标签；
[0019]将层位标签作为多任务层位追踪网络的辅助任务层的标签，预测三个层位的区域；
[0020]将层位概率标签作为多任务层位追踪网络的主要任务层的标签，基于语义分割算法获取高精度层位；
[0021]根据三个层位区域和高精度层位计算层位追踪结果。
[0022]优选地，根据三个层位区域和高精度层位计算层位追踪结果，包括：
[0023]构建层位序列约束损失函数；
[0024]将三个层位区域和高精度层位的乘积作为层位优化层的输入，将层位标签作为层位优化层的标签；
[0025]基于层位序列约束损失函数对层位优化层的输出进行处理，得到精确的层位追踪结果。
[0026]优选地，构建层位序列约束损失函数，包括：
[0027]根据地震层位的序列形成层位序列约束惩罚函数；
[0028]根据层位序列约束惩罚函数、辅助任务层的损失函数、主要任务层的损失函数和层位优化层的损失函数构建层位序列约束损失函数。
[0029]优选地，所述层位序列约束惩罚函数的表达式为：
[0030][0031][0032]式中，F5为层位序列约束惩罚函数，h
k
(i)∈[0,1](k＝1,2,3)为层位优化层的输出，w
k
(i)为目标层位的相邻层位区域，并且m＝1,2,3，u
k
(i)反映了h
k
(i)的串层程度，z
m
(i)为层位区域标签，M为最终训练地震数据中的总像素。
[0033]优选地，所述层位序列约束损失函数的表达式为：
[0034]F6＝F1+F2+(1
‑
r)
×
F3+r
×
F5；
[0035]式中，F6为层位序列约束损失函数，F1为辅助任务层的损失函数，F2为主要任务层的损失函数，F3为层位优化层的损失函数，r为加权参数。
[0036]优选地，所述加权参数r的取值为0.6。
[0037]本专利技术还提供一种基于层序约束多任务层位自动追踪装置，所述装置用于实现上述的基于层序约束多任务层位自动追踪方法，所述装置包括：
[0038]获取模块，用于获取地震数据；
[0039]构建模块，用于构建序列约束多任务层位追踪模型；
[0040]追踪模块，用于将地震数据输入至序列约束多任务层位追踪模型中进行处理，得到层位追踪结果。
[0041]本专利技术还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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的基于层序约束多任务层位自动追踪方法。
[0042]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权上述的基于层序约束多任务层位自动追踪方法。
[0043]本专利技术的有益效果集中体现在：
[0044]本专利技术追踪方法能提高的追踪精度，并且序列约束多任务层位追踪模型能够防止出现跨层位现象，能获得准确的层位追踪结果。
附图说明
[0045]图1是本专利技术一种实施方式提供的基于层序约束多任务层位自动追踪方法的流程图；
[0046]图2是本专利技术一种可选实施方式提供的基于层序约束多任务层位自动追踪装置的框图。
具体实施方式
[0047]为了使本领域的技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施例对本专利技术作进一步的详细说明。
[0048]实施例一
[0049]图1是本专利技术一种实施方式提供的基于层序约束多任务层位自动追踪方法的流程图，如图1所示，基于层序约束多任务层位自动追踪方法，所述方法包括：
[0050]步骤S101：获取地震数据；
[0051]步骤S102：构建序列约束多任务层位追踪模型；
[0052]在本实施例中，所述序列约束多任务层位追踪模型包括：层位标签自动富集单元、多任务层位追踪网络和层位序列约束损失函数。
[0053]其中，所述多任务层位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于层序约束多任务层位自动追踪方法，其特征在于，所述方法包括：获取地震数据；构建序列约束多任务层位追踪模型；将地震数据输入至序列约束多任务层位追踪模型中进行处理，得到层位追踪结果。2.根据权利要求1所述的基于层序约束多任务层位自动追踪方法，其特征在于，所述序列约束多任务层位追踪模型包括：层位标签自动富集单元、多任务层位追踪网络和层位序列约束损失函数。3.根据权利要求2所述的基于层序约束多任务层位自动追踪方法，其特征在于，所述多任务层位追踪网络包括共享层、辅助任务层、主要任务层和层位优化层。4.根据权利要求3所述的基于层序约束多任务层位自动追踪方法，其特征在于，将地震数据输入至序列约束多任务层位追踪模型中进行处理，得到层位追踪结果，包括：自动生成地震数据的层位标签，所述层位标签包括：目标层位标签、以及与目标层位标签相邻的上辅助层位标签和下辅助层位标签；扩展层位标签，得到层位区域标签，所述层位区域标签包括：目标层位区域标签、上辅助层位区域标签和下辅助层位区域标签；根据层位区域标签计算层位概率标签；将层位标签作为多任务层位追踪网络的辅助任务层的标签，预测三个层位的区域；将层位概率标签作为多任务层位追踪网络的主要任务层的标签，基于语义分割算法获取高精度层位；根据三个层位区域和高精度层位计算层位追踪结果。5.根据权利要求4所述的基于层序约束多任务层位自动追踪方法，其特征在于，根据三个层位区域和高精度层位计算层位追踪结果，包括：构建层位序列约束损失函数；将三个层位区域和高精度层位的乘积作为层位优化层的输入，将层位标签作为层位优化层的标签；基于层位序列约束损失函数对层位优化层的输出进行处理，得到精确的层位追踪结果。6.根据权利要求5所述的基于层序约束多任务层位自动追踪方法，其特征在于，构建层位序列...

【专利技术属性】
技术研发人员：张固澜，罗一梁，梁晨曦，李勇，段景，吴骐，杨丰驰，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：