一种海底水合物丘形状演变预测方法、系统、设备及介质技术方案

本发明专利技术公开一种海底水合物丘形状演变预测方法、系统、设备及介质，涉及海洋地质领域。该方法包括：获取目标海底水合物丘的原始图像和对应的甲烷气体流量数据；利用海底水合物丘演变预测模型，根据目标海底水合物丘的原始图像和对应的甲烷气体流量数据，预测目标海底水合物丘的发展阶段、积聚阶段的形状类别和分解阶段的开始时间；其中，海底水合物丘演变预测模型包括串联连接的图像数据压缩模块、图像特征提取模块和演变预测模块，能够对原始图像进行数据压缩、特征提取，并基于特征向量和对应的甲烷气体流量数据，预测目标海底水合物丘的发展阶段、积聚阶段的形状类别和分解阶段的开始时间，实现对海底水合物丘形状演变的准确预测。测。测。

【技术实现步骤摘要】
一种海底水合物丘形状演变预测方法、系统、设备及介质


[0001]本专利技术涉及海洋地质领域，特别是涉及一种海底水合物丘形状演变预测方法、系统、设备及介质。

技术介绍

[0002]海底水合物丘的形成与浅层天然气水合物的聚集有密切关系，海底水合物丘表面通常覆盖有裸露的块状的水合物，形成较大规模的海底水合物丘需要相对高通量的烃类流体运移条件，因此海底水合物丘的形成可能指示了大陆边缘汇聚型流体运移以及下部可能赋存的油气藏或天然气水合物藏。对海底水合物丘演化的预测对油气藏或天然气水合物藏的勘探与开采工作具有重要意义。
[0003]目前，中国内外学者主要采用声学探测、地震探测、海底原位观测以及钻孔取芯后进行地球化学分析等方法来对海底水合物丘进行观测，已经具有原位数据采集和积累能力，但少有方法利用这些原位数据对海底水合物丘演变进行预测。

技术实现思路

[0004]本专利技术的目的是提供一种海底水合物丘形状演变预测方法、系统、设备及介质，以实现对海底水合物丘形状演变的准确预测。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种海底水合物丘形状演变预测方法，包括：
[0007]获取目标海底水合物丘的原始图像和对应的甲烷气体流量数据；
[0008]利用海底水合物丘演变预测模型，根据所述目标海底水合物丘的原始图像和对应的甲烷气体流量数据，预测所述目标海底水合物丘的发展阶段、积聚阶段的形状类别和分解阶段的开始时间；所述发展阶段包括：成核阶段、积聚阶段和分解阶段；所述形状类别包括：圆形陡峭丘状体、圆形缓坡丘状体、椭圆形陡峭丘状体、椭圆形缓坡丘状体、细长形陡峭丘状体和细长形缓坡丘状体；
[0009]其中，所述海底水合物丘演变预测模型包括串联连接的图像数据压缩模块、图像特征提取模块和演变预测模块；
[0010]所述图像数据压缩模块用于对所述目标海底水合物丘的原始图像进行数据压缩，得到所述目标海底水合物丘的压缩数据；
[0011]所述图像特征提取模块用于对所述目标海底水合物丘的压缩数据进行特征提取，得到所述目标海底水合物丘的特征向量；
[0012]所述演变预测模块用于根据所述目标海底水合物丘的特征向量和对应的甲烷气体流量数据，预测所述目标海底水合物丘的发展阶段、积聚阶段的形状类别和分解阶段的开始时间。
[0013]可选地，所述海底水合物丘演变预测模型的确定方法，具体包括：
[0014]获取样本数据集；所述样本数据集包括若干幅带标签的样本海底水合物丘的原始
图像和对应的甲烷气体流量数据；所述标签包括：样本海底水合物丘的发展阶段、积聚阶段的形状类别和分解阶段的开始时间；
[0015]对所述带标签的样本海底水合物丘的原始图像进行数据增强，得到带标签的样本海底水合物丘的增强图像；
[0016]将所述带标签的样本海底水合物丘的原始图像和对应的甲烷气体流量数据，以及所述带标签的样本海底水合物丘的增强图像和对应的甲烷气体流量数据确定为训练数据集；
[0017]构建初始神经网络模型；所述初始神经网络模型包括基于MobileNet架构的图像数据压缩网络、基于Inception模块的图像特征提取网络和演变预测网络；所述图像数据压缩网络、所述图像特征提取网络和所述演变预测网络串联连接；
[0018]利用所述训练数据集对所述初始神经网络模型进行训练，得到海底水合物丘演变预测模型。
[0019]可选地，所述图像数据压缩网络包括串联连接的深度可分离卷积层、第一残差网络模块和第二残差网络模块；所述深度可分离卷积层包括串联连接的深度卷积层和逐点卷积层；
[0020]其中，所述深度卷积层的卷积核大小为3
×
3，卷积步长为5。
[0021]可选地，所述图像特征提取网络包括串联连接的若干个Inception模块和全连接层；各所述Inception模块均包括第一卷积层、第二卷积层、第三卷积层、池化层和通道连接层；所述通道连接层分别与所述第一卷积层、所述第二卷积层、所述第三卷积层和所述池化层连接；所述通道连接层用于对所述第一卷积层、所述第二卷积层、所述第三卷积层和所述池化层的输出进行拼接；
[0022]其中，所述第一卷积层的卷积核大小为1
×
1，卷积步长为1，填充方式为same；所述第二卷积层的卷积核大小为3
×
3，卷积步长为1，填充方式为same；所述第三卷积层的卷积核大小为5
×
5，卷积步长为1，填充方式为same；所述池化层为最大池化。
[0023]可选地，所述演变预测网络包括归一化处理层、第一分类器、第二分类器和多元线性回归层；所述归一化处理层与所述第一分类器连接；所述第一分类器分别与所述第二分类器和所述多元线性回归层连接；
[0024]所述归一化处理层用于对输入的特征向量和甲烷气体流量数据进行归一化处理，得到归一化数据；
[0025]所述第一分类器用于根据所述归一化数据确定发展阶段；
[0026]所述第二分类器用于在所述发展阶段为积聚阶段时，根据所述归一化数据确定积聚阶段的形状类别；
[0027]所述多元线性回归层用于在所述发展阶段为积聚阶段时，采用多元线性回归法，根据所述归一化数据预测分解阶段的开始时间。
[0028]可选地，对所述带标签的样本海底水合物丘的原始图像进行数据增强，得到带标签的样本海底水合物丘的增强图像，具体包括：
[0029]根据所述样本海底水合物丘的原始图像确定所述样本海底水合物丘的镜像图像；
[0030]分别对所述样本海底水合物丘的原始图像和镜像图像进行裁剪，得到所述样本海底水合物丘的裁剪图像；
[0031]采用主成分分析方法，对所述样本海底水合物丘的裁剪图像进行色彩增强，得到所述样本海底水合物丘的增强图像；
[0032]将所述样本海底水合物丘的原始图像的标签确定为所述样本海底水合物丘的增强图像的标签，得到带标签的样本海底水合物丘的增强图像。
[0033]可选地，利用所述训练数据集对所述初始神经网络模型进行训练，得到海底水合物丘演变预测模型，具体包括：
[0034]利用所述训练数据集对所述初始神经网络模型进行训练，将训练好的所述图像数据压缩网络确定为所述图像数据压缩模块，将训练好的所述图像特征提取网络确定为所述图像特征提取模块，将训练好的所述演变预测网络确定为所述演变预测模块，得到海底水合物丘演变预测模型。
[0035]一种海底水合物丘形状演变预测系统，包括：
[0036]数据获取模块，用于获取目标海底水合物丘的原始图像和对应的甲烷气体流量数据；
[0037]演变预测模块，用于利用海底水合物丘演变预测模型，根据所述目标海底水合物丘的原始图像和对应的甲烷气体流量数据，预测所述目标海底水合物丘的发展阶段、积聚阶段的形状类别和分解阶段的开始时间；所述发展阶段包括：成核阶段、积聚阶段和分解阶段；所述形状类别包括：圆形陡峭丘状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海底水合物丘形状演变预测方法，其特征在于，包括：获取目标海底水合物丘的原始图像和对应的甲烷气体流量数据；利用海底水合物丘演变预测模型，根据所述目标海底水合物丘的原始图像和对应的甲烷气体流量数据，预测所述目标海底水合物丘的发展阶段、积聚阶段的形状类别和分解阶段的开始时间；所述发展阶段包括：成核阶段、积聚阶段和分解阶段；所述形状类别包括：圆形陡峭丘状体、圆形缓坡丘状体、椭圆形陡峭丘状体、椭圆形缓坡丘状体、细长形陡峭丘状体和细长形缓坡丘状体；其中，所述海底水合物丘演变预测模型包括串联连接的图像数据压缩模块、图像特征提取模块和演变预测模块；所述图像数据压缩模块用于对所述目标海底水合物丘的原始图像进行数据压缩，得到所述目标海底水合物丘的压缩数据；所述图像特征提取模块用于对所述目标海底水合物丘的压缩数据进行特征提取，得到所述目标海底水合物丘的特征向量；所述演变预测模块用于根据所述目标海底水合物丘的特征向量和对应的甲烷气体流量数据，预测所述目标海底水合物丘的发展阶段、积聚阶段的形状类别和分解阶段的开始时间。2.根据权利要求1所述的海底水合物丘形状演变预测方法，其特征在于，所述海底水合物丘演变预测模型的确定方法，具体包括：获取样本数据集；所述样本数据集包括若干幅带标签的样本海底水合物丘的原始图像和对应的甲烷气体流量数据；所述标签包括：样本海底水合物丘的发展阶段、积聚阶段的形状类别和分解阶段的开始时间；对所述带标签的样本海底水合物丘的原始图像进行数据增强，得到带标签的样本海底水合物丘的增强图像；将所述带标签的样本海底水合物丘的原始图像和对应的甲烷气体流量数据，以及所述带标签的样本海底水合物丘的增强图像和对应的甲烷气体流量数据确定为训练数据集；构建初始神经网络模型；所述初始神经网络模型包括基于MobileNet架构的图像数据压缩网络、基于Inception模块的图像特征提取网络和演变预测网络；所述图像数据压缩网络、所述图像特征提取网络和所述演变预测网络串联连接；利用所述训练数据集对所述初始神经网络模型进行训练，得到海底水合物丘演变预测模型。3.根据权利要求2所述的海底水合物丘形状演变预测方法，其特征在于，所述图像数据压缩网络包括串联连接的深度可分离卷积层、第一残差网络模块和第二残差网络模块；所述深度可分离卷积层包括串联连接的深度卷积层和逐点卷积层；其中，所述深度卷积层的卷积核大小为3
×
3，卷积步长为5。4.根据权利要求2所述的海底水合物丘形状演变预测方法，其特征在于，所述图像特征提取网络包括串联连接的若干个Inception模块和全连接层；各所述Inception模块均包括第一卷积层、第二卷积层、第三卷积层、池化层和通道连接层；所述通道连接层分别与所述第一卷积层、所述第二卷积层、所述第三卷积层和所述池化层连接；所述通道连接层用于对所述第一卷积层、所述第二卷积层、所述第三卷积层和所述池化层的输出进行拼接；
其中，所述第一卷积层的卷积核大小为1
×
1，卷积步长为1，填充方式为same；所述第二卷积层的卷积核大小为3
×
3，卷积步长为1，填充方式为same；所述第三卷积层的卷积核大小为5
×
5，卷积步长为1，填充方式为same；所述池化层为最大池化。5.根据权利要求2所述的海底...

【专利技术属性】
技术研发人员：陈家旺，葛勇强，张春月，周朋，朱海，方玉平，
申请(专利权)人：浙江大学，
类型：发明
国别省市：