【技术实现步骤摘要】
本专利技术属于计算机科学与地震勘探交叉研究的方法，涉及计算机视觉和地震勘探的。
技术介绍
1、近年来，深度学习逐渐应用到不同领域并且取得了重大突破，比如图像识别、语音识别、自然语言处理等。深度学习是一种特征学习方法，把原始数据通过非线性的模型转变成为更高层次的、更加抽象的表达，通过足够多的转换的组合，非常复杂的函数也可以被学习。地球物理勘探存在着大量的异构多模态数据，如果能够将深度学习技术引入到油气勘探领域的大数据分析之中，利用数据驱动的方法来对多模态数据进行深入挖掘，以提取大数据中隐含的可以学习的复杂结构和规律，将在一定程度上会有助于解决传统速度建模问题的瓶颈问题。
2、地震速度是地震勘探中地震波形反演的最重要参数之一。精确的速度模型是逆时偏移和其他高分辨率地震成像技术的关键前提。随着采集数据的增加，速度建模的工作量剧增。常规的反演方法进行速度建模时强烈依赖于初始模型和先验信息，并且过程繁琐、稳定性低且耗时严重。尤其是在地表、地下结构复杂的低信噪比探区，速度谱能量团的聚焦性非常差，速度拾取非常困难。另外，随着研究区域的不断扩展和检波器的更新换代，地球物理观测数据呈指数增长，因此发展一种更加高效智能化的速度建模方法迫在眉睫，深度学习为其提供了新的处理工具。
3、速度模型的建立在地震勘探中至关重要，因为它贯穿了整个地震勘探过程，包括地震数据的采集、处理和解释。为了建立更准确的速度模型，已经探索了几种技术，如移位速度分析、层析成像和全波形反演。其中，全波形反演是一种非线性优化问题，它的目标就是通过使地震勘测记
4、地震反演是通过对地下简单的先验模型进行波浪反演和利用反向传播环路来推断地下地质构造。随着采集数据的增加，速度建模的工作量剧增。常规的速度建模通常需要在速度谱上根据能量团精细拾取时间-速度对，这个过程需要花费大量时间和精力来手动拾取速度谱。尤其是在地表、地下结构复杂的低信噪比探区，速度谱能量团的聚焦性非常差，速度拾取非常困难。因此，适应复杂低信噪比的智能化速度建模非常迫切。直接用卷积提取特征，忽视采样过程中不同维度特征之间的关联性；训练过程中只用清晰地地震波数据作为输入，在测试野外数据集(含噪音)时模型效果不好；缺乏对低频、高频、中低频之间的理解，很难发现丰富的信息等问题。这些问题都增加了地震波速度建模的难度，所以如何有效精确的反演速度模型一直是多年来人们研究的重要问题。
5、因此我们目前迫切需要开展基于随深度学习的地震波速度建模方法研究，重点突破地震波特征的提取与表达、基于随机噪音模块降低噪音影响等方面的理论方法和关键技术。研究成果在理论上将形成包括地震波特征提取、噪音地震波速度建模、实验论证等完整的方法体系，推进深度学习在地质勘探的发展，在地震资料的采集、处理、解释等众多领域具有广泛的应用前景。
技术实现思路
1、本专利技术的目的是为了解决夹杂噪音的炮记录难以得到良好建模效果这一问题。针对夹杂噪音地震波数据难以反演的特点，采用双边蒸馏架构，将炮记录分为“有-无”噪音两条路径，通过他们之间的相互学习，来提高反演结果的质量和鲁棒性。基于地震波的局部信息基础特征，利用多感受野模块挖掘地震波频率的关联性，根据学习到的关联度，构建新的地震波特征，实现地震波优质速度建模。
2、本专利技术为解决上述技术问题采取的技术方案是：
3、s1.采用双边蒸馏架构，将炮记录分为“有-无”噪音两条路径，通过他们之间的相互学习，来提高反演结果的质量和鲁棒性。
4、s2.结合s1中的局部信息基础特征，利用多感受野模块挖掘地震波频率的关联性，根据学习到的关联度，构建新的地震波特征。
5、s3.结合s1中的网络和s2中的网络构建一种多感受野知识蒸馏的地震波速度建模网络架构。
6、与其他编码器不同的是，多感受野模块可以根据地震波的局部信息基础特征，利用多感受野模块挖掘地震波频率的相关性，并根据学习到的相关性构建新的地震波特征。此外，使用sr transformer block作为解码器可以捕捉地震波特征之间的长程依赖关系，也能更好地捕捉特征的全局上下文信息。原始地震波记录的维度为c0×w0×h0(c0＝29,w0＝1800,h0＝301)，通过cnn网络提取特征，将原始数据变为维度为c1×w1×h1(c1＝29,w1＝360,h1＝301)的s和snoise。特征s和snoise作为网络的输入，首先经过编码器，然后由srtransformer block解码，最后得到维度为cout×wout×h1(cout＝1,wout＝201)的速度模型v和vnoise作为输出。这一过程的计算方法如下：
7、v＝de(en(s)) (1)
8、vnoise＝de(en(snoise)) (2)
9、其中de()、en()和分别表示向解码器和编码器。
10、网络由四个编码器组成，每个编码器由一个多感受野模块组成。每层编码器的输出数据高度和宽度都是前一层的一半，通道数是前一层的两倍。这个过程的计算方法是：
11、sen＝en(sen-1),n＝1,2,3,4,se0＝s (3)
12、
13、其中，se1的维度为c2×w2×h2(c2＝64,w2＝180,h2＝151)；当n≥1时，sen的维度为特征的维度与特征sen的维度相同。最终输出特征se4和经过一层3×3卷积核，得到中间特征sc和scnoise，作为解码器处理过程的输入特征：
14、sc＝center(se4) (5)
15、
16、其中sc的维度为c6×w5×h5(c6＝1024)。scnoise的维度与sc的维度相同。
17、与编码器同步，网络包含四个数据解码器阶段。每次特征扩展时，宽度和高度都是上一层的两倍，通道数则是上一层的一半。第一次数据扩展的计算过程如下：
18、sd4＝de(sc) (7)
19、
20、其中，sd4的维度为c5×w4×h4，当n＝[1,2,3]时，sdn的维度为cn+1×wn×hn。的维度与sdn的维度相同。
21、多感受野模块与蒸馏网络相结合，对含有噪声的地震波特征具有积极的编码作用。由于参数在整个蒸馏网络中共享，包含噪声的编码路径可通过损失函数从无噪声特征编码中学习。
22、我们将x定义为多感受野模块的输入，将y定义为输出。x的维度是c×w×h，而y的维度是多感受野模块由三个并行分支组成，每个分支通过一系列具有不同感受野的扩张卷积来实现。具体来说，第一个分支使用一个3×3的卷积进行特征映射；第二个分支使用一个3×3的卷积和一个1×1的卷积进行特征映本文档来自技高网...
【技术保护点】
1.一种多感受野知识蒸馏的地震波速度建模方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种多感受野知识蒸馏的地震波速度建模方法，其特征在于，
【技术特征摘要】
1.一种多感受野知识蒸馏的地震波速度建模方法，其特征在于，所述方法包括以下步骤：
【专利技术属性】
技术研发人员：吴春雷，路静，赵文琪，李冉，袁韶祖，朱牧青，
申请(专利权)人：中国石油大学华东，
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。