【技术实现步骤摘要】
本专利技术涉及地震数据处理及地震监测，具体涉及一种地震数据的初至拾取方法、系统及计算机设备。
技术介绍
1、在地震数据处理和地震监测领域，精确的初至选取具有举足轻重的意义。
2、传统上，初至拾取任务由人工完成，但随着数据量的爆炸式增长，人工操作已无法满足地震数据处理的实际需求。因此，基于数据驱动的自动初至选取方法应运而生。
3、然而，基于数据驱动的初至拾取方法对大量人工标注数据依赖较高，需要花费大量人力和物力；此外，标注过程的操作不当引起标注初至时刻与实际初至时刻的误差会导致标签噪声问题，影响方法性能；同时，基于数据驱动的方法在面对不同的噪声特征和地质环境时存在泛化问题。
技术实现思路
1、针对现有数据驱动的拾取技术在面对不同的噪声特征和地质环境时存在泛化问题，本专利技术提出一种地震数据的初至拾取方法、系统及计算机设备，基于元学习的双循环训练方法，使用元学习数据集对深度神经网络模型进行迭代训练；利用训练后的深度神经网络模型对地震数据进行初至拾取，从而解决了现有数据驱动的拾取技术的泛化性问题。
2、一种地震数据的初至拾取方法，包括以下步骤：
3、采集地震数据；
4、使用自动初至拾取算法对地震数据中地震信号的初至时刻进行初步的拾取，生成元学习数据集；所述元学习数据集包括训练样本集和验证样本集；
5、根据元学习数据集的特征设计相应的深度神经网络模型；
6、基于元学习的双循环训练方法，使用元学习数据集对深度
7、利用训练后的深度神经网络模型对待检测的地震数据进行初至拾取；
8、其中，所述基于元学习的双循环训练流程，使用元学习数据集对深度神经网络进行迭代训练，每次迭代训练包括以下步骤：
9、从训练样本集中采样n个小批次样本；
10、将元网络权重赋予独立的子网络；
11、从验证样本集中采用m个小批次样本；
12、利用在线梯度更新方法，计算子网络损失值，反向传播优化权重矩阵；
13、利用n个小批次的训练样本以及优化权重矩阵处理后的权重矩阵，采用损失函数计算梯度，反向传播优化元网络的权重。
14、进一步地，所述采集地震数据后对地震数据进行滤波处理，再对处理后的地震数据进行裁剪、归一化和初至拾取操作。
15、进一步地，所述深度神经网络模型的输入数据为地震记录，每个地震记录包含64道地震数据，每道包含512个采样点，每个采样点间隔10毫秒；所述深度神经网络模型的输出为0-1的矩阵。
16、进一步地，所述深度神经网络模型采用u-net模型。
17、进一步地，所述使用自动初至拾取算法对地震数据中地震信号的初至时刻进行初步的拾取，生成元学习数据集，具体包括以下步骤：
18、将初至时刻拾取前后的采样点分为初至前和初至后两类，分别赋予不同的标签；
19、将自动初至拾取算法的存在误差的初至拾取结果作为噪声标签；
20、将通过人工修订的初至时刻作为干净标签；
21、根据噪声标签和干净标签生成元学习数据集。
22、进一步地，所述采用的损失函数表示为：
23、
24、其中，是权重矩阵，代表与噪声标签相关的损失函数，其中为深度神经网络模型中能够训练的参数。
25、进一步地，所述利用n个小批次的训练样本以及优化权重矩阵处理后的权重矩阵，采用损失函数计算梯度，反向传播优化元网络的权重，其具体表示为：
26、
27、其中，符号代表参数的最优值，代表与干净标签相关的损失函数。
28、进一步地，所述利用在线梯度更新方法，计算子网络损失值，反向传播优化权重矩阵，其权重矩阵的估计值表示为：
29、
30、其中，是的学习率，t代表当前迭代次数，m为m个小批次样本中的样本个数；
31、对所述估计值进行归一化处理，其表示为：
32、
33、
34、其中，是防止全部为零的极小值。
35、进一步地，一种地震数据的初至拾取系统，包括：
36、采集模块，用于采集地震数据；
37、数据集生成模块，用于使用自动初至拾取算法对地震数据中地震信号的初至时刻进行初步的拾取，生成元学习数据集；所述元学习数据集包括训练样本集和验证样本集；
38、训练模块，用于基于元学习的双循环训练方法，使用元学习数据集对深度神经网络模型进行迭代训练；其中，每次迭代训练包括以下步骤：
39、从训练样本集中采样n个小批次样本；
40、将元网络权重赋予独立的子网络；
41、从验证样本集中采用m个小批次样本；
42、利用在线梯度更新方法，计算子网络损失值，反向传播优化权重矩阵；
43、利用n个小批次的训练样本以及优化权重矩阵处理后的权重矩阵，采用损失函数计算梯度，反向传播优化元网络的权重；
44、初至拾取模块，用于将待检测的地震数据输入训练后的深度神经网络模型，输出待检测的地震数据的初至拾取结果。
45、进一步地，一种地震数据的初至拾取计算机设备，包括：存储器、处理器以及存储在所述存储器内的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述的地震数据的初至拾取方法的步骤。
46、本专利技术提供了一种地震数据的初至拾取方法、系统及计算机设备，具备以下有益效果：
47、本专利技术通过使用自动初至拾取算法对地震数据中地震信号的初至时刻进行拾取，生成元学习数据集，利用基于元学习的双循环训练方法对深度神经网络模型进行训练；利用训练后的深度神经网络模型对地震数据进行初至拾取，显著减少了数据驱动方法所需的人力和资源，降低了成本，提高了效率和精度，并且通过内外双循环训练方法和在线梯度更新法，成功地解决了噪声标签和训练成本等问题；与现有方法相比，本方法能够与各种深度学习模型无缝适配，满足各种端到端需求，具备比基于模型驱动的初至拾取方法更高的效率，同时解决了现有数据驱动拾取技术的泛化性问题，提高了数据驱动方法的拾取精度和成本效益。
本文档来自技高网...【技术保护点】
1.一种地震数据的初至拾取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种地震数据的初至拾取方法，其特征在于，所述采集地震数据后对地震数据进行滤波处理，再对处理后的地震数据进行裁剪、归一化和初至拾取操作。
3.根据权利要求1所述的一种地震数据的初至拾取方法，其特征在于，所述深度神经网络模型的输入数据为地震记录，每个地震记录包含64道地震数据，每道包含512个采样点，每个采样点间隔10毫秒；所述深度神经网络模型的输出为0-1的矩阵。
4.根据权利要求1所述的一种地震数据的初至拾取方法，其特征在于，所述深度神经网络模型采用U-Net模型。
5.根据权利要求1所述的一种地震数据的初至拾取方法，其特征在于，所述使用自动初至拾取算法对地震数据中地震信号的初至时刻进行初步的拾取，生成元学习数据集，具体包括以下步骤：
6.根据权利要求5所述的一种地震数据的初至拾取方法，其特征在于，所述采用的损失函数表示为：
7.根据权利要求6所述的一种地震数据的初至拾取方法，其特征在于，所述利用N个小批次的训练样本以及优化权
8.根据权利要求7所述的一种地震数据的初至拾取方法，其特征在于，所述利用在线梯度更新方法，计算子网络损失值，反向传播优化权重矩阵，其权重矩阵的估计值表示为：
9.一种地震数据的初至拾取系统，其特征在于，包括：
10.一种地震数据的初至拾取计算机设备，其特征在于，包括：存储器、处理器以及存储在所述存储器内的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述的地震数据的初至拾取方法的步骤。
...【技术特征摘要】
1.一种地震数据的初至拾取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种地震数据的初至拾取方法，其特征在于，所述采集地震数据后对地震数据进行滤波处理，再对处理后的地震数据进行裁剪、归一化和初至拾取操作。
3.根据权利要求1所述的一种地震数据的初至拾取方法，其特征在于，所述深度神经网络模型的输入数据为地震记录，每个地震记录包含64道地震数据，每道包含512个采样点，每个采样点间隔10毫秒；所述深度神经网络模型的输出为0-1的矩阵。
4.根据权利要求1所述的一种地震数据的初至拾取方法，其特征在于，所述深度神经网络模型采用u-net模型。
5.根据权利要求1所述的一种地震数据的初至拾取方法，其特征在于，所述使用自动初至拾取算法对地震数据中地震信号的初至时刻进行初步的拾取，生成元学习数据集，具体包括...
【专利技术属性】
技术研发人员：董宏丽，李含阳，孙宇航，李佳慧，李学贵，张岩，
申请(专利权)人：东北石油大学三亚海洋油气研究院，
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。