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】
本专利技术涉及地震数据重建领域,具体是一种基于掩码指导注意力卷积神经网络的地震数据重建方法。
技术介绍
1、地震数据在油气勘探、地质勘探等领域发挥着至关重要的作用。但因为经济成本和地理障碍等原因阻碍了地震检波器在野外的规则排列,导致最终采集到的数据经常包含缺失的地震道,这给后续的处理步骤带来了困难。为了提高地震数据的完整性和质量,有必要对缺失的地震数据进行重建。
2、目前,常用的地震数据重建的方法分为三类:传统方法、基于理论驱动方法、基于数据驱动方法。传统方法依赖于一定的物理假设,如spitz在地震事件的线性假设下,提出利用从频率空间(f-x)域的低频分量估计出来的滤波器来恢复混叠的高频数据。然而传统方法需要先验知识和较高的计算成本,限制了在实际中的应用。理论驱动方法和数据无关,利用数学或物理性质,例如稀疏变换和低秩假设,基于稀疏变换的方法如trickett等提出主要利用稀疏约束,该约束假设变换域中的地震道是稀疏的,通过剔除小幅度系数,逐步恢复缺失的地震道。
3、近年来,随着深度学习在图像处理和自然语言处理方面显示出的巨大潜力,以深度学习算法为代表的数据驱动方式得到了广泛的研究。例如wang b等人利用残差网络、fang等人利用u-net网络,oliveira等人利用生成对抗网络分别实现了地震数据插值。但是,这些方法主要针对随机缺失任务,然而连续缺失地震道的情况经常发生,这对大多数插值方法来说都是一个难题,因为当地震数据连续缺失较大间隙时,网络只能捕捉到局部关系。为解决这个问题,pan s等人使用部分卷积
技术实现思路
1、针对现有技术的不足,本专利技术拟解决的技术问题是,提供一种基于掩码指导注意力卷积神经网络的地震数据重建方法。
2、本专利技术解决所述技术问题的技术方案是,提供一种基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,该方法包括以下步骤:
3、步骤1、对原始地震数据集进行处理,生成统一尺寸的地震数据图像,并进行可视化处理;将地震数据图像分为训练集、验证集和测试集;
4、地震数据图像包括完整地震图像以及与之对应的缺道地震图像;缺道地震图像以及对应的二进制掩码m作为掩码指导注意力卷积神经网络的输入,其对应的完整地震图像作为标签,在计算损失函数时使用;
5、步骤2、对缺道地震图像以及对应的二进制掩码m进行下采样,生成低分辨率地震图像lr以及对应的下采样后的二进制掩码m;
6、步骤3、将低分辨率地震图像lr以及对应的下采样后的二进制掩码m输入到掩码指导注意力卷积神经网络中进行特征提取,得到此次迭代的高分辨率重建地震图像fout;
7、掩码指导注意力卷积神经网络由依次顺序连接的若干个下采样卷积层、若干个残差块、一个掩码指导注意力模块和若干个上采样卷积层构成;
8、步骤4、得到此次迭代的高分辨率重建地震图像fout后,再通过损失函数对此次迭代的掩码指导注意力卷积神经网络进行优化;
9、步骤5、重复步骤2~步骤4,通过损失函数不断优化掩码指导注意力卷积神经网络,直至达到设定的迭代次数,得到训练好的掩码指导注意力卷积神经网络;再将测试集中的缺道地震图像以及对应的二进制掩码输入到训练好的掩码指导注意力卷积神经网络中完成地震数据重建,得到重建地震数据。
10、与现有技术相比,本专利技术有益效果在于:
11、(1)本专利技术将掩码更新机制和注意力相结合,通过掩码指导注意力机制建立上下文特征关系,通过计算不同局部特征之间的交叉相关度,建立局部特征之间的关系,使局部特征可以获取到全局信息,通过引入更多的上下文信息加强局部特征的学习能力。因此掩码指导注意力可以在不显著加大网络深度的同时建立长距离特征关系,有效融合局部特征和全局特征。
12、(2)本专利技术引入了掩码机制,确定了需要重建的区域,让网络只关注掩码中的区域,有效解决了之前插值方法中特征提取不足的问题;此外,掩码的迭代更新操作指导网络的重建过程,使得每个局部特征作为输入获得更多的全局信息,有效解决了目前深度学习插值方法中对全局特征利用不足的问题。
13、(3)本专利技术相较于传统的重建方法,深度学习能够自动更新参数,不需要其他的先验信息,并且可以学习复杂的地震数据特征,有效地避免空间假频问题,能够在gpu的环境下快速重建出清晰的高分辨率地震数据。
14、(4)本专利技术实现了端到端的图像重建方法,避免了过多的超参数和人工操作。
15、(5)本专利技术在损失函数部分引入均方误差损失函数进行优化。
本文档来自技高网...【技术保护点】
1.一种基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,步骤1中,生成地震数据图像的过程中,通过对原始地震数据集中的地震数据进行随机翻转和旋转90°、180°、270°来进行图像增强。
3.根据权利要求1所述的基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,步骤3的具体操作为:低分辨率地震图像LR以及对应的下采样后的二进制掩码M首先经过若干次下采样;然后经过若干个连续的残差块引入跳跃连接;然后经过掩码指导注意力模块,根据相关性聚集全局信息,输出全局特征;再对全局特征进行若干次上采样,得到此次迭代的高分辨率重建地震图像Fout。
4.根据权利要求1所述的基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,步骤3中,掩码指导注意力模块的计算公式为:
5.根据权利要求1或4所述的基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,步骤3中,掩码指导注意力模块的具体过程为:
7.根据权利要求5所述的基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,步骤S3.3中,与hi的上下文区域中最接近的第i个已知斑块vi按照如下方法确定:首先选择低分辨率地震图像LR中的完整部分V中的全部已知斑块v作为卷积过滤器,在低分辨率地震图像LR中的缺道部分H中对hi进行应用,得到V中所有已知斑块v与hi之间的所有交叉相关度Dβ;取所有Dβ中的最大值所对应的v作为与hi的上下文区域中最接近的第i个已知斑块vi。
8.根据权利要求1或3所述的基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,步骤3中,下采样卷积层的卷积核大小为4×4的空洞卷积层,将空间大小缩小一半并保持通道数不变。
9.根据权利要求1所述的基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,步骤4和步骤5中,损失函数均采用均方误差损失函数:
10.根据权利要求1所述的基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,在步骤5的训练过程中,使用验证集中的地震数据图像通过式(4)来计算SNR,通过观察SNR的值来确定迭代次数;
...【技术特征摘要】
1.一种基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,步骤1中,生成地震数据图像的过程中,通过对原始地震数据集中的地震数据进行随机翻转和旋转90°、180°、270°来进行图像增强。
3.根据权利要求1所述的基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,步骤3的具体操作为:低分辨率地震图像lr以及对应的下采样后的二进制掩码m首先经过若干次下采样;然后经过若干个连续的残差块引入跳跃连接;然后经过掩码指导注意力模块,根据相关性聚集全局信息,输出全局特征;再对全局特征进行若干次上采样,得到此次迭代的高分辨率重建地震图像fout。
4.根据权利要求1所述的基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,步骤3中,掩码指导注意力模块的计算公式为:
5.根据权利要求1或4所述的基于掩码指导注意力卷积神经网络的地震数据重建方法,其特征在于,步骤3中,掩码指导注意力模块的具体过程为:
6.根据权利要求5所述的基于掩码指导注意力卷积神经网络的地震数据重...
【专利技术属性】
技术研发人员:贾永娜,刘洋,杨赫博,陈燃,杨亮,
申请(专利权)人:河北工业大学,
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。