基于深度学习M-DeepLab网络的智能速度建模方法技术

技术编号：39968934 阅读：6 留言：0更新日期：2024-01-09 00:38

本发明专利技术属于地球物理勘探数据处理技术领域，公开了一种基于深度学习M‑DeepLab网络的智能速度建模方法，首先，构建M‑DeepLab网络，该网络使用轻量级MobileNet网络作为主体网络框架，融合了ASPP模块、Attention模块；然后，通过多种速度模型正演出地震记录，并进行预处理，最终完成数据集制作；然后将数据按照训练集和验证集进行分配，为网络参数训练做好准备；依据已有的实验环境，用训练数据库训练网络，采用均方误差损失函数和Adam优化函数优化模型参数，并根据训练结果不断调整超参数，最终获得性能良好的网络模型；通过测试数据对网络性能进行测试，获得良好的速度模型预测结果。本发明专利技术具有良好的预测效果和计算效率，对于地震数据处理提供了支持和帮助。

全部详细技术资料下载

【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：

<p>3、步骤1、构建m-deeplab网络模型；

4、步骤2、设计地震速度模型并正演获得地震炮集数据；

5、步骤3、制作数据集，将正演出的地震数据与相应的地震速度模型进行预处理，获取二维数据体，并将其按照训练集和验证集进行划分，完成数据集制作；

6、步骤4、对m-deeplab网络模型进行训练和超参数确定，获得可用于地震速度建模的m-deeplab网络；

7、步骤5、模型泛化性测试，利用训练好的模型进行泛化性试验，验证网络的泛化性。

8、

9、进一步的，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。

10、进一步的，所述m-deeplab网络网络的具体操作流程为：

11、(1)对地震炮集数据进行预处理，获取128*256*21的地震数据体作为输入数据，同时，将128*256大小的地震速度模型作为标签一并输入；

12、(2)输入数据进入主干网络，在mobilenetv3网络中分别获取浅、中、深三部分的特征信息，并输出为low-level features、middel-level features 1和middel-levelfeatures 2；

13、(3)数据经主干网络输出为high-level features，并进入到aspp模块，在此模块分别将数据进行1×1卷积运算、3×3卷积运算、空洞率为5的3×3卷积运算、空洞率为9的3×3卷积运算和全局池化运算，获得5张特征图；

14、(4)将aspp模块处理后的5张特征图进行拼接，随后进入通道域注意力机制，获取不同权重信息并输出到解码层；

15、(5)将middel-level features 1与编码层输出进行拼接，再经1×1卷积运算调整通道数为高级拼接信息，同时将low-level features与middel-level features 2进行拼接，后经1×1卷积运算调整通道数为低级拼接信息；

16、(6)将high-level features与高级拼接信息进行拼接，后经4倍上采样与低级拼接信息再次拼接；

17、(7)将最终拼接信息做3×3卷积运算，并进行4倍上采样处理；最后，输出为地震速度模型。

18、进一步的，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。

19、更进一步的，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；

20、更进一步的，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。

21、更进一步的，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。

22、进一步的，所述步骤3中，训练集与测试集按9:1的比例进行划分，

23、进一步的，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，

24、进一步的，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。

25、综上，本专利技术公开了一种基于m-deeplab网络的速度建模技术及应用，首先，构建m-deeplab网络，该网络使用轻量级mobilenet网络作为主体网络框架，融合了aspp模块、attention(注意力机制)模块；然后，通过多种速度模型正演出地震记录，并进行预处理，最终完成数据集制作；将预处理完成的正演模拟数据按照训练集和验证集9:1的比例进行分配，为网络参数训练做好准备；依据已有的实验环境，用训练数据库训练网络，采用均方误差损失函数和adam优化函数优化模型参数，并本文档来自技高网...

【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：

全部详细技术资料下载我是这个专利的主人