速度拾取方法、装置和计算机设备制造方法及图纸

本说明书实施例公开了一种速度拾取方法、装置和计算机设备。所述速度拾取方法包括：根据工区的速度谱获取训练样本，所述训练样本包括特征数据和标签，所述特征数据包括人工所指定控制点处的地震波旅行时，所述标签包括人工所指定控制点处的叠加波速；根据训练样本训练速度预测模型；根据训练后的速度预测模型，预测叠加速度；根据预测的叠加速度，对速度谱进行数据清洗处理；采用谱聚类方法从数据清洗处理后的速度谱中拾取叠加速度。本说明书实施例可以提高拾取精度和效率。可以提高拾取精度和效率。可以提高拾取精度和效率。

【技术实现步骤摘要】
速度拾取方法、装置和计算机设备


[0001]本说明书实施例涉及地球物理勘探
，特别涉及一种速度拾取方法、装置和计算机设备。

技术介绍

[0002]速度是地震波传播过程中的重要参数，是地震勘探需要获取的重要属性。速度分析是常规地震资料处理的基础。速度谱是速度分析的重要表现形式，其中叠加速度的拾取是速度分析的一项重要内容。拾取速度的精度影响着动校正、叠加、甚至地震资料偏移成像的效果。
[0003]基于速度谱的速度分析是地震资料处理中求取叠加速度的一个重要手段，是速度分析的一个基本工具。这种方法依据速度谱中能量团的强弱拾取叠加速度。拾取工作通常通过手工拾取来实现。手工拾取较为灵活，这是因为人的眼睛对聚焦性不是很高的速度谱具有较强的识别能力。但是手工拾取也存在一定的不足，主要表现为处理人员凭经验拾取。这也是目前常规地震资料处理中人工操作量最大的一个环节，人工效率低下、成本高昂且精确度不高。

技术实现思路

[0004]本说明书实施例提供一种速度拾取方法、装置和计算机设备，以提高拾取精度和效率。
[0005]本说明书实施例的第一方面，提供了一种速度拾取方法，包括：
[0006]根据工区的速度谱获取训练样本，所述训练样本包括特征数据和标签，所述特征数据包括人工所指定控制点处的地震波旅行时，所述标签包括人工所指定控制点处的叠加波速；
[0007]根据训练样本训练速度预测模型；
[0008]根据训练后的速度预测模型，预测叠加速度；
[0009]根据预测的叠加速度，对速度谱进行数据清洗处理；
[0010]采用谱聚类方法从数据清洗处理后的速度谱中拾取叠加速度。
[0011]本说明书实施例的第二方面，提供了一种速度拾取装置，包括：
[0012]获取单元，用于根据工区的速度谱获取训练样本，所述训练样本包括特征数据和标签，所述特征数据包括人工所指定控制点处的地震波旅行时，所述标签包括人工所指定控制点处的叠加波速；
[0013]训练单元，用于根据训练样本训练速度预测模型；
[0014]预测单元，用于根据训练后的速度预测模型，预测叠加速度；
[0015]清洗单元，用于根据预测的叠加速度，对速度谱进行数据清洗处理；
[0016]拾取单元，用于采用谱聚类方法从数据清洗处理后的速度谱中拾取叠加速度。
[0017]本说明书实施例的第三方面，提供了一种计算机设备，包括：
[0018]至少一个处理器；
[0019]存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如第一方面所述方法的指令。
[0020]本说明书实施例提供的技术方案，可以根据速度谱获取训练样本；可以根据训练样本训练速度预测模型；可以根据训练后的速度预测模型对速度谱进行数据清洗处理；可以采用谱聚类方法从数据清洗处理后的速度谱中拾取叠加速度。这样，可以将人工经验通过深度学习引入作为约束条件对速度谱进行数据清洗处理，从而可以基于有经验处理员的认识，有效的避开多次波发育区的能量团，消除多次波能量团的影响，保证了速度拾取时的精度和效率。
附图说明
[0021]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，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。
[0022]图1a为某一速度谱的示意图；
[0023]图1b为采用谱聚类方法直接对速度谱进行聚类后的聚类结果的示意图；
[0024]图2为本说明书实施例中速度拾取过程的示意图；
[0025]图3为本说明书实施例中速度拾取方法的流程示意图；
[0026]图4为本说明书实施例中神经网络模型的架构示意图；
[0027]图5为训练集和测试集所对应的损失函数曲线示意图；
[0028]图6a和图6b分别为以不同角度所显示的三维速度场的示意图；
[0029]图6c为以栅状图的形式所显示的三维速度场的示意图；
[0030]图7为对第二样本点进行聚类处理的示意图；
[0031]图8a为某一数据的数据分布示意图；
[0032]图8b为采用k
‑
means聚类所获得的聚类结果的示意图；
[0033]图8c为采用小批量k
‑
means聚类所获得的聚类结果的示意图；
[0034]图8d为采用小批量K均值
‑
谱聚类算法所获得的聚类结果的示意图；
[0035]图9a为清洗处理前的速度谱的示意图；
[0036]图9b为清洗处理后的速度谱的示意图；
[0037]图9c为对清洗处理后的速度谱进行谱聚类处理后的聚类结果的示意图；
[0038]图10为最终拾取的速度所形成的曲线的示意图；
[0039]图11a为速度谱以及最终拾取的速度所形成的曲线的示意图；
[0040]图11b为利用最终拾取的速度对地震道集进行动校正后的结果的示意图；
[0041]图12为本说明书实施例中速度拾取装置的结构示意图；
[0042]图13为本说明书实施例中计算机设备的结构示意图。
具体实施方式
[0043]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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
[0044]机器学习和深度学习正在成为地球科学各个领域中极具吸引力的工具。在地震数据处理期间，速度的自动拾取可以大量减少地震数据处理所消耗的时间，并大幅增加三维地震资料处理中分析速度谱点的个数，从而提高地震资料成像的精度。但是，地下介质复杂多样，导致速度谱千变万化，特别是在低信噪比区和多次波发育区，需要基于处理经验拾取合理的速度。目前基于机器学习和基于深度学习的速度自动拾取方法较多。但是，单纯的机器学习方法(例如聚类分析方法)很难实现低信噪比区和多次波发育区的速度谱自动拾取。例如，图1a为速度谱的示意图，图1b为采用谱聚类方法直接对所述速度谱进行聚类后的聚类结果。从图1b中可以看出，聚类结果较差，没有规律性，无法实现速度的自动拾取。而单纯的深度学习方法则面临着在低信噪比区和多次波发育区速度谱标签难建立的问题，导致速度拾取的不准确。为此，本说明书实施例结合机器学习和深度学习的特点，提供了一种基于有监督深度学习和无监督机器学习的新型速度自动拾取的方法，从而可以提高拾取的精度和效率。
[0045]请参阅图2和图3，本说明书实施例提供一种速度拾取方法。所述速度拾取方法可以应用于计算机设备。所述速度拾取方法可以包括以下步骤。
[0046本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种速度拾取方法，包括：根据工区的速度谱获取训练样本，所述训练样本包括特征数据和标签，所述特征数据包括人工所指定控制点处的地震波旅行时，所述标签包括人工所指定控制点处的叠加波速；根据训练样本训练速度预测模型；根据训练后的速度预测模型，预测叠加速度；根据预测的叠加速度，对速度谱进行数据清洗处理；采用谱聚类方法从数据清洗处理后的速度谱中拾取叠加速度。2.根据权利要求1所述的方法，所述根据工区的速度谱获取训练样本，包括：获取人工指定的一个或多个控制点作为指定控制点；从速度谱中获取指定控制点处的地震波旅行时作为训练样本中的特征数据；从速度谱中获取指定控制点处的叠加速度作为训练样本中的标签。3.根据权利要求1所述的方法，所述速度预测模型包括神经网络模型。4.根据权利要求1所述的方法，所述预测叠加速度，包括：从速度谱中获取一个或多个控制点处的地震波旅行时；将地震波旅行时输入至训练后的速度预测模型，得到控制点处的叠加速度。5.根据权利要求1所述的方法，所述对速度谱进行数据清洗处理，包括：根据预测的叠加速度，计算速度区间范围作为约束条件；对速度谱中不满足约束条件的叠加速度进行删除。6.根据权利要求1所述的方法，所述采用谱聚类方法从数据清洗处理后的速度谱中拾取叠加速度，包括：根据速度谱确定多个第一样本点；对所述多个第一样本点进行聚类处理，得到多个第一聚类中心；根据所述多个第一聚类中心构建相似度矩阵，所述相似度矩阵用于表示第一聚类中心之间的相似程度；根据相似度矩阵计算度矩阵；根据度矩阵和相似度矩阵计算拉普拉斯矩阵；对拉普拉斯矩阵进行特征分解，得到拉普拉...

【专利技术属性】
技术研发人员：宋炜，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：