System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于勘探地球物理学领域,尤其涉及一种基于深度学习m-deeplab网络的智能速度建模方法。
技术介绍
1、速度建模一直是地震资料处理重要环节,常规速度建模方法大多都无法对复杂速度模型进行精确建模。全波形反演对地下速度高精度反演效果较好,但是实测数据低频信息缺失将会使其陷入局部极小,此外庞大的计算量消耗的时间也是其不可忽视的局限性之一。
2、近年来人工智能深度学习发展迅速,在图像处理领域,随着卷积神经网络的快速发展,图像分割、目标检测等任务取得惊人的突破。将深度学习方法与地震勘探技术相结合以解决实际问题也是地震勘探领域热点之一,目前在地震勘探处理解释的大部分流程都有成功的应用。随着深度学习方法在地震初至波拾取、断层识别等方面取得良好效果,近些年国内外专家学者将目光投入到地震速度建模方面。深度学习在地震速度建模中也得到了较为成功的应用,具有很好的自适应性,网络训练完成后,建模效率高。市面上应用较为广泛的网络(如u-net网络),在简单模型上能有较好效果,但在复杂模型和实际资料处理上就不能表现出良好的效果。为使基于深度学习方法的速度建模工作在复杂模型甚至实际资料上取得更好的效果,需要选用更为适用有效的网络模型。
技术实现思路
1、针对现有技术的不足,本专利技术提供了一种基于深度学习m-deeplab网络的智能速度建模方法。
2、为实现上述目的,本专利技术采取的技术方案是:一种基于深度学习m-deeplab网络的智能速度建模方法,其包括如下步骤:
< ...【技术保护点】
1.一种基于深度学习M-DeepLab网络的智能速度建模方法,其特征在于包括如下步骤:
2.根据权利要求1所述的一种基于深度学习M-DeepLab网络的智能速度建模方法,其特征在于,所述步骤1中,构建的M-DeepLab网络由主干网络MobileNetV3、ASPP模块、注意力机制模块组成;其中MobileNetV3网络中分别获取浅、中、深三部分的特征信息;在ASPP模块中,将数据进行卷积运算和全局池化运算;ASPP模块处理后数据进行拼接进入通道域注意力机制;再对输出数据进行拼接,做卷积运算,并进行上采样处理。
3.根据权利要求1或2所述的一种基于深度学习M-DeepLab网络的智能速度建模方法,其特征在于,所述M-DeepLab网络网络的具体操作流程为:
4.根据权利要求1所述的一种基于深度学习M-DeepLab网络的智能速度建模方法,其特征在于,所述步骤2中,模型的设计分为两个大类:一种是简单速度模型,包括两层平层、六层平层模型、断层模型、经典地震速度模型;另一种是复杂速度模型,包括盐丘模型、Marmousi模型;模型确定后,基于有限差分方
5.根据权利要求4所述的一种基于深度学习M-DeepLab网络的智能速度建模方法,其特征在于,通过正演程序的模拟生成了80个两层速度模型、200个六层模型、100个断层模型、200个盐丘模型以及500个经典地震速度速度模型。
6.根据权利要求5所述的一种基于深度学习M-DeepLab网络的智能速度建模方法,其特征在于,地震速度模型正演的观测系统设置为:炮点设置在地表,共有21炮,从水平位置5米处到1265米处均匀分布,炮间距为63米;检波点同样设置在地表,共有128道,从水平位置0米到1270米均匀分布,道间距为10米;采用128道检波器固定接收,炮点移动的方式;使用主频30赫兹的雷克子波模拟声波进行地震激发;以8ms的采样间隔进行采样,最终获取到21*128*256的地震炮集数据。
7.根据权利要求5所述的一种基于深度学习M-DeepLab网络的智能速度建模方法,其特征在于,复杂模型设置中,将盐丘模型进行切割,以获得更多小模型单元扩充数据样本;通过对盐丘模型进行裁剪,并按比例进行抽取,保证模型单元大小为128*256个采样点;按该方式,获取200个小的复杂模型单元,用来进行下一步的模型正演。
8.根据权利要求1所述的一种基于深度学习M-DeepLab网络的智能速度建模方法,其特征在于,所述步骤3中,训练集与测试集按9:1的比例进行划分。
9.根据权利要求1所述的一种基于深度学习M-DeepLab网络的智能速度建模方法,其特征在于,所述步骤4中,首先对简单模型进行网络训练,训练参数设置如下:最大学习次数(MAX_EPOCH)=500,批次大小(BATCH_SIZE)=64,学习误差(LR)=0.0005,按照该参数进行网络学习,并不断对网络参数优化,使误差趋于稳定,维持在0.0008左右;同样,复杂模型的网络训练参数设置为:最大学习次数(MAX_EPOCH)=1000,批次大小(BATCH_SIZE)=16,学习误差(LR)=0.001,按照该参数进行网络学习,并不断对网络参数优化,使误差趋于稳定。
10.根据权利要求1所述的一种基于深度学习M-DeepLab网络的智能速度建模方法,其特征在于,所述步骤5中,选择断层速度模型与Marmousi模型对训练完成的网络性能进行测试,同时将U-net网络与M-DeepLab网络的预测结果进行对比。
...【技术特征摘要】
1.一种基于深度学习m-deeplab网络的智能速度建模方法,其特征在于包括如下步骤:
2.根据权利要求1所述的一种基于深度学习m-deeplab网络的智能速度建模方法,其特征在于,所述步骤1中,构建的m-deeplab网络由主干网络mobilenetv3、aspp模块、注意力机制模块组成;其中mobilenetv3网络中分别获取浅、中、深三部分的特征信息;在aspp模块中,将数据进行卷积运算和全局池化运算;aspp模块处理后数据进行拼接进入通道域注意力机制;再对输出数据进行拼接,做卷积运算,并进行上采样处理。
3.根据权利要求1或2所述的一种基于深度学习m-deeplab网络的智能速度建模方法,其特征在于,所述m-deeplab网络网络的具体操作流程为:
4.根据权利要求1所述的一种基于深度学习m-deeplab网络的智能速度建模方法,其特征在于,所述步骤2中,模型的设计分为两个大类:一种是简单速度模型,包括两层平层、六层平层模型、断层模型、经典地震速度模型;另一种是复杂速度模型,包括盐丘模型、marmousi模型;模型确定后,基于有限差分方法对模型进行正演获得地震炮集数据,为下一步的网络模型训练构建多样化的数据集。
5.根据权利要求4所述的一种基于深度学习m-deeplab网络的智能速度建模方法,其特征在于,通过正演程序的模拟生成了80个两层速度模型、200个六层模型、100个断层模型、200个盐丘模型以及500个经典地震速度速度模型。
6.根据权利要求5所述的一种基于深度学习m-deeplab网络的智能速度建模方法,其特征在于,地震速度模型正演的观测系统设置为:炮点设置在地表,共有21炮,从水平位置5米处到1265米处均匀分布,炮间距为63米;检波点同样设置在地表,共...
【专利技术属性】
技术研发人员:苏燕,刘斌,谢金平,段伟伟,王海峰,杨晨莹,张倩慧,颜晓霞,陈良,颜富宇,
申请(专利权)人:中石化石油工程技术服务股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。