一种用于深度学习的地震数据标签的制作方法技术

本发明专利技术属于勘探地球物理学技术领域，涉及一种用于深度学习的地震数据标签的制作方法。所述方法包括以下步骤：步骤1.载入地震数据及其现有的解释成果，并对地震数据进行切割处理；步骤2.根据解释成果确定在地震数据中的位置并进行赋值标注；步骤3.对地震数据进行切片处理对地震数据进行切片处理，对切片后的标签数据体进行局部变换，实现对训练样本的扩充。本发明专利技术制作方法借助于现有的人工解释成果可以有效的提高标签制作效率，切片操作可以减少多余的背景信息，局部变换可以实现样本扩展。本发明专利技术方法能够实现地震标签的高效标注。本发明专利技术方法能够实现地震标签的高效标注。本发明专利技术方法能够实现地震标签的高效标注。

【技术实现步骤摘要】
一种用于深度学习的地震数据标签的制作方法


[0001]本专利技术属于勘探地球物理学
，涉及一种用于深度学习的地震数据标签的制作方法。

技术介绍

[0002]深度学习是近年来发展迅速的一种新技术，通过构建复杂的神经网络可以有效地构建输入到输出的非线性映射关系，因此被广泛应用于医学影像、无人驾驶、自然语言处理等领域。
[0003]按照是否有专家标签，深度学习大体可以分为有监督类和无监督类两类。无监督类事先无专家标签加以约束，有监督类则通过专家标签对模型效果加以引导。虽然理论上无监督类的上限更高，但目前来说有监督类的实际效果更加理想。
[0004]在勘探地球物理领域，有监督类深度学习可用于断层识别、初至拾取、地震相划分等问题，通过合适的模型训练可以大大节省人力物力，降低处理和解释人员的工作负担。同时，训练完备的深度学习网络相较解释人员能有效避免主观性的错误，在提高效率的同时也能有相当的准确度。
[0005]有监督深度学习网络模型的效果取决于训练过程，理想的训练过程应该有较好的训练样本与标签，合适的损失函数、优化手段和超参数，这其中又数训练样本与标签的质量最为重要。训练样本既要有足够的数量，又要尽可能多的包含潜在的特征信息；对应的样本标签应准确无误，有清楚的地质或地球物理含义。
[0006]然而，地球物理数据的特殊性使得有监督深度学习的标签制作较为困难，尤其是对于三维地震数据的有监督深度学习标签，大量的数据使用人力逐像素地进行标注是不现实的。
[0007]中国专利申请CN112034512A一种基于深度学习模型的地震数据不连续性检测方法，所述方法包括将地震数据分为简单、中等和困难三类，并根据地震数据的不同类别对其进行不同的处理，生成简单地震数据的初始数据标签建立初始深度学习模型，并通过简单地震数据的初始数据标签对初始深度学习模型进行训练，获得最终的深度学习模型；将待检测地震波信号代入最终的深度学习模型，并对待检测地震波信号的不连续性进行检测。
[0008]中国专利技术专利CN111562611B公开了一种基于波动方程驱动的半监督深度学习地震数据反演方法，能够实现对部分地震数据缺少对应地质模型情况下的深度学习反演网络。首先针对叠前地震数据特征采用道卷积
‑
全连接网络，对地震数据进行增强，并通过提取特征图并最终得到地质波速模型，完成地震数据与地下多层介质模型的映射关系；同时在网络结构中加入了波动方程，对无对应地质模型的地震数据，以数据损失函数替代波速损失函数，引入了物理规律，并实现了半监督学习策略。通过半监督深度学习地震数据反演网络，提高了在有标签数据较少时深度学习网络反演效果。
[0009]然而，目前尚未有关高效制作用于深度学习的地震数据标签的制作方法。

技术实现思路

[0010]本专利技术主要目的在于提供一种用于深度学习的地震数据标签的制作方法，借助于现有的人工解释成果可以有效的提高标签制作效率，切割处理可以减少多余的背景信息，局部变换可以实现样本扩展，实现地震标签的高效标注。
[0011]为实现上述目的，本专利技术采用以下技术方案：
[0012]本专利技术提供一种用于深度学习的地震数据标签的制作方法，包括以下步骤：
[0013]步骤1.载入地震数据及其现有的解释成果，并对地震数据进行切割处理；
[0014]步骤2.根据解释成果确定在地震数据中的位置并进行赋值标注；
[0015]步骤3.对地震数据进行切片处理，对切片后的标签数据体进行局部变换，实现对训练样本的扩充。
[0016]进一步地，在步骤1中，载入的地震数据包括叠后振幅数据及由其得到的各种地震属性，既可为单通道数据，也可为多通道复合数据。
[0017]进一步地，在步骤1中，所述现有的解释成果包括层位解释信息、断层解释信息、盐丘解释信息。
[0018]进一步地，在步骤1中，通过遍历求得包络所有解释成果的最小数据体并从原数据体切割，从而尽可能去除多余的背景信息，降低目标类与背景类的不平衡性。
[0019]进一步地，在步骤2中，对地震数据进行像素级赋值标注，对地震数据赋予不同值以表示不同背景类，多个背景类需彼此区分且与目标类严格区分。
[0020]进一步地，在步骤2中，对无解释区域进行遮罩处理赋予其异常值，在后续的训练中加以忽略。
[0021]进一步地，在步骤3中，对标签数据体进行切片处理时根据模型的输入要求进行，其中，三维模型对应相同大小的长方体切片，二维模型对应相同大小的长方形切片。
[0022]进一步地，步骤3中所述局部变换包括旋转、反转、复制和局部变形，从而达到数据增强的效果，实现对训练样本的扩充。
[0023]与现有技术相比，本专利技术具有以下优势：
[0024]本专利技术提供了一种用于深度学习的地震数据标签的制作方法，填补了现有技术空白。本专利技术制作方法可实现地震数据的高效标注。
附图说明
[0025]图1为本专利技术实施例所述用于深度学习的地震数据标签的制作方法的流程示意图；
[0026]图2为本专利技术实施例1所提供的原始三维地震数据体示意图；
[0027]图3为本专利技术实施例1所提供的原始三维地震数据体示意图；
[0028]图4为本专利技术实施例1所述切割后的三维地震数据体示意图；
[0029]图5为本专利技术实施例替换完成后与三维数据体对应的三维标签数据体示意图；
[0030]图6为本专利技术实施例1所所提供的形变后三维数据体与形变前三维数据体的对比图：(a)形变前三维地震数据体，(b)形变前三维标签数据体，(c)形变后三维地震数据体，(d)形变后三维标签数据体；
[0031]图7为本专利技术实施例1所提供的二维地震标签切片；
[0032]图8为本说明书实施例2所提供的原始三维地震数据体示意图；
[0033]图9为本说明书实施例2所提供的替换完成后与三维数据体对应的三维标签数据体示意图；
[0034]图10为本说明书实施例2所提供的二维地震标签切片。
具体实施方式
[0035]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0036]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。
[0037]图1为本专利技术的一种深度学习用地震标签的制作方法的流程图，具体步骤如下：
[0038]步骤101，载入训练样本的地震数据和解释成果。输入的地震数据包括叠后振幅数据及由其得到的各种地震属性，既可为单通道数据也可为多通道复合数据。输入的先前解释成果包括层位解释信息、断层解释信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于深度学习的地震数据标签的制作方法，其特征在于，包括以下步骤：步骤1.载入地震数据及其现有的解释成果，并对地震数据进行切割处理；步骤2.根据解释成果确定在地震数据中的位置并进行赋值标注；步骤3.对地震数据进行切片处理对地震数据进行切片处理，对切片后的标签数据体进行局部变换，实现对训练样本的扩充。2.根据权利要求1所述的制作方法，其特征在于，在步骤1中，载入的地震数据包括叠后振幅数据及由其得到的各种地震属性，既可为单通道数据，也可为多通道复合数据。3.根据权利要求1所述的制作方法，其特征在于，在步骤1中，所述现有的解释成果包括层位解释信息、断层解释信息、盐丘解释信息。4.根据权利要求1所述的制作方法，其特征在于，在步骤1中，通过遍历求得包络所有解释...

【专利技术属性】
技术研发人员：罗红梅，郑文召，周伟，王长江，韦欣法，马骥，初春光，邹文勇，
申请(专利权)人：中国石油化工股份有限公司胜利油田分公司勘探开发研究院，
类型：发明
国别省市：