【技术实现步骤摘要】
本专利技术涉及地震资料处理，具体涉及基于特征融合网络的低信噪比地震数据初至自动拾取方法。
技术介绍
1、地震初至拾取对于震源定位、静较正等处理有着至关重要的作用。其中低信噪比地震资料的初至拾取效率和精度更是备受关注的问题。
2、在过去几十年里，针对初至自动拾取问题，众多学者进行了大量分析和研究，提出了多种解决办法。传统初至拾取方法主要从地震资料的时间域及频率域出发，研究初至在不同域中存在的特征，通过数学算法实现初至的自动拾取。stevenson等人首先提出长短时窗平均能量比方法，通过计算单个地震道上地震信号的短时窗平均能量值与长时窗平均能量值的比值来判别地震数据的初至，进而完成初至的自动拾取。在此基础上，许多学者进行了改进。另一种常用的方法是分形方法。fabio等人提出了分维方法，分析地震道的分维，根据分维随时间的变化实现初至波的自动拾取。并且许多学者在此基础上进行了大量的研究工作。此外，许多学者基于小波变换、s变换和多时间窗等方法对初至拾取工作做出了贡献。
3、近年来，机器学习和深度学习目前广泛应用于地震处理和解释领域，在一些任务中提供自动化性能，包括初至拾取任务。袁三一等用cnn对初至信号和非初至信号进行分类，然后自动拾取初至信号。tsai等人提出用深度半监督神经网络完成自动初至拾取。这种方法可以用较少的样本数据完成训练，并具有连续学习的优点。akram等人提出了k-meanscf算法，并基于幅度和能量比较了特征函数。该方法在噪声数据上取得了较好的检测效果。
4、目前传统初至波自动拾取方法
5、基于此，本专利技术设计了基于特征融合网络的低信噪比地震数据初至自动拾取方法以解决上述问题。
技术实现思路
1、为了提高低信噪比地震资料自动初至拾取结果的准确度，本专利技术提供了基于特征融合网络的低信噪比地震数据初至自动拾取方法。改善了低信噪比、初至变化较大地震资料初至拾取的准确性和连续性。该方法分析了初至波的单道边界特征和二维边界特征。基于初至波的两个特征，分别采用lstm网络和re-ag-unet网络从地震数据中提取初至波特征和位置。然后将多网络学习的思想引入初至拾取工作中，设计了特征融合网络。最后，融合lstm和re-ag-unet网络提取的多视角初至特征，有效提高了网络拾取的准确性，适宜于大规模数据处理。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：
3、基于特征融合网络的低信噪比地震数据初至自动拾取方法，包括以下步骤：
4、一、利用地震数据制作训练数据的标签，然后剔除拾取的异常结果，并对地震数据进行预处理得到初至特征值，构建出大量的样本数据对，样本数据对分为训练样本数据对、验证样本数据对和测试样本数据对；
5、二、构建好用于提取初至单道特征的lstm网络，根据获得的训练样本数据对进行训练提取初至单道边界特征；
6、三、构建好用于提取初至二维边界特征的融入注意力通道和残差模块的re-ag-unet网络，根据获得的训练样本数据对进行训练提取初至二维边界特征；
7、四、设计特征融合模块，构建特征融合网络，将步骤二中提取的初至单道边界特征和步骤三中提取的初至二维边界特征进行融合，对训练好的特征融合网络模型进行保存；
8、五、根据步骤四中训练好的特征融合网络模型进行预测，得到较为准确的初至位置，完成初至自动拾取。
9、更进一步的，样本数据对分别按照80％、10％、10％分为训练样本数据对、验证样本数据对和测试样本数据对。
10、更进一步的，对地震数据进行一系列预处理，包括最大最小归一化、自动增益控制、异常道空道提出和初至特征值计算。
11、更进一步的，初至波特征值的计算公式如下:
12、
13、
14、式中，sp为该点振幅强度，a为当前点之前n个点的能量之和；b为当前点之后n个点的能量之和；si为第i个样点的初至特征值，b-a为边界监测因子，b/a为边界加强因子。
15、更进一步的，lstm网络输出的维度与unet网络输出的维度一致。
16、更进一步的，所述步骤四中，特征融合扩展模块主要包括一个用于融合多尺度特征的rsu模块。
17、更进一步的，在训练过程中，会产生三个损失值，记为l1、l2和l3，分别对应lstm网络损失值、re-ag-unet网络损失值和特征融合网络损失值。
18、更进一步的，l1、l2用于监控子网络的训练进度，l3用于对整个特征融合网络进行质量控制；总损失函数定义如下:
19、
20、bceloss＝-(label*log(p)+(1-label)*log(1-p))
21、其中，p是预测值，label是真实值。
22、有益效果
23、第一、本专利技术方法原理具有可靠性。主要使用理论基础较为成熟、应用效果较好的lstm网络和unet网络。同时在unet的基础上引入了注意力通道和残差模块，构建了re-ag-unet。基于初至具备的单道边界特征和二维边界特征，充分利用深度学习网络挖掘大数据特征的能力，将两个分网络提取的不同特征进行融合，整合两个网络的优点以提高初至拾取任务的预测精度，在原理上具有较高的可靠性。同常规初至自动拾取网络相比，其中的特征融合扩展模块将不同初至特征进行融合能够更好地挖掘初至特征，使网络收敛更好，预测精度更高。
24、第二、本专利技术操作简单、效率高。由现有技术的商业软件拾取初至再进行异常初至的剔除可以快速生产大量标签直接进行训练，并对其中的输入数据进行预处理计算出初至特征值，具有一定的噪音压制作用，突出了初至位置，能有效节约网络的训练时间，有助于提高网络训练准确度。
25、第三、本专利技术拾取结果具有可靠性。在训练过程中，网络充分学习到了初至的单道边界特征和二维边界特征。对于lstm网络，不会出现太多偏差较大的异常点。对于re-ag-unet网络，在信噪比较好的区域拾取的结果更加连续稳定，也可以补充空道和坏道的拾取结果。特征融合网络有效地结合了两个子网络的优点，能够成功地拾取更准确的初至波位置。相比较其他初至自动拾取算法，该算法有较高的处理效率，拾取结果更加精确。
本文档来自技高网...【技术保护点】
1.基于特征融合网络的低信噪比地震数据初至自动拾取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于特征融合网络的低信噪比地震数据初至自动拾取方法，其特征在于，样本数据对分别按照80％、10％、10％分为训练样本数据对、验证样本数据对和测试样本数据对。
3.根据权利要求2所述的基于特征融合网络的低信噪比地震数据初至自动拾取方法，其特征在于，对地震数据进行一系列预处理，包括最大最小归一化、自动增益控制、异常道空道提出和初至特征值计算。
4.根据权利要求3所述的基于特征融合网络的低信噪比地震数据初至自动拾取方法，其特征在于，初至波特征值的计算公式如下:
5.根据权利要求4所述的基于特征融合网络的低信噪比地震数据初至自动拾取方法，其特征在于，LSTM网络输出的维度与UNet网络输出的维度一致。
6.根据权利要求5所述的基于特征融合网络的低信噪比地震数据初至自动拾取方法，其特征在于，所述步骤四中，特征融合扩展模块主要包括一个用于融合多尺度特征的RSU模块。
7.根据权利要求6所述的基于特征融合网络的低信噪
8.根据权利要求7所述的基于特征融合网络的低信噪比地震数据初至自动拾取方法，其特征在于，L1、L2用于监控子网络的训练进度，L3用于对整个特征融合网络进行质量控制；总损失函数定义如下:
...【技术特征摘要】
1.基于特征融合网络的低信噪比地震数据初至自动拾取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于特征融合网络的低信噪比地震数据初至自动拾取方法，其特征在于，样本数据对分别按照80％、10％、10％分为训练样本数据对、验证样本数据对和测试样本数据对。
3.根据权利要求2所述的基于特征融合网络的低信噪比地震数据初至自动拾取方法，其特征在于，对地震数据进行一系列预处理，包括最大最小归一化、自动增益控制、异常道空道提出和初至特征值计算。
4.根据权利要求3所述的基于特征融合网络的低信噪比地震数据初至自动拾取方法，其特征在于，初至波特征值的计算公式如下:
5.根据权利要求4所述的基于特征融合网络的低信噪比地震数据初至自动拾...
【专利技术属性】
技术研发人员：吴映和，潘树林，陈耀杰，王毓玮，闵帆，宋国杰，罗浩然，王畅，
申请(专利权)人：西南石油大学，
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。