基于卷积神经网络地震数据重建方法技术

本发明专利技术提供一种基于卷积神经网络地震数据重建方法，该基于卷积神经网络地震数据重建方法包括：步骤1：随机初始化网络参数θ，输入噪声Z；步骤2：重建网络f将Z作为输入，将具有相同大小的初步重建数据f<subgt;θ</subgt;(Z)作为输出；步骤3：计算网络的局部最优参数；步骤4：基于训练好的网络模型进行测试数据的重建；步骤5：评估该方法在不规则和规则地震数据重建中的性能。该基于卷积神经网络地震数据重建方法用于叠前和叠后地震数据中不规则和规则缺失的道进行插值，实验结果表明，该方法优于传统的奇异频谱分析和重建此类数据时常用的处理型Cadzow方法。

【技术实现步骤摘要】

本专利技术涉及地震学，特别是涉及到一种基于卷积神经网络地震数据重建方法。

技术介绍

1、地震数据采集为地质构造的特征和地层单元的分布提供了可操作的地球物理信息。从接收器获得的数据的质量直接影响到后续的地震处理和解释操作，如迁移和反演。由于物理或资金方面的限制，地震数据往往在空间上采样不足，实际上造成了所获数据中的痕迹缺失，这增加了后续地震数据处理的难度。因此，有必要对地震数据进行重建，以便后续的数据处理能够更好地描述复杂的地质结构。

2、随着机器学习的发展，深度学习(dl)方法在地震数据重建中引起了极大的关注。生成式对抗网络已被探索用于地震噪声衰减和不规则地震道重建。神经网络的训练标签(即训练数据集中的原始完整数据)是使用有限差分建模引擎生成的具有真实数据几何的合成镜头。wang等人(2018)提出了一种基于dl的方法，用训练过的残差网络来重建定期缺失的痕迹。然而，当测试数据集中的特征与训练数据集中的特征不同时，这种方法的性能就会下降，而且随着这种差异的增加，重建误差也会增加。为了重建地震数据，无论收集数据的采样方法是什么类型，s iahkoo本文档来自技高网...

【技术保护点】

1.基于卷积神经网络地震数据重建方法，其特征在于，该基于卷积神经网络地震数据重建方法包括：

2.根据权利要求1所述的基于卷积神经网络地震数据重建方法，其特征在于，在步骤1，地震数据都归一化到0-1的范围；输入的噪声Z是一个随机数列，范围0-0.1，具有均匀分布，大小即维度与X相似。

3.根据权利要求1所述的基于卷积神经网络地震数据重建方法，其特征在于，在步骤2，采用了CNN网络输出重建数据fθ(Z)；CNN网络为具有带跳跃连接的编码器-解码器结构，加入归一化算法和非线性激活函数；这些能够加快训练速度。

4.根据权利要求3所述的基于卷积神经网络地震数据重...

【技术特征摘要】

1.基于卷积神经网络地震数据重建方法，其特征在于，该基于卷积神经网络地震数据重建方法包括：

2.根据权利要求1所述的基于卷积神经网络地震数据重建方法，其特征在于，在步骤1，地震数据都归一化到0-1的范围；输入的噪声z是一个随机数列，范围0-0.1，具有均匀分布，大小即维度与x相似。

3.根据权利要求1所述的基于卷积神经网络地震数据重建方法，其特征在于，在步骤2，采用了cnn网络输出重建数据fθ(z)；cnn网络为具有带跳跃连接的编码器-解码器结构，加入归一化算法和非线性激活函数；这些能够加快训练速度。

4.根据权利要求3所述的基于卷积神经网络地震数据重建方法，其特征在于，在步骤2，cnn网络具有以下特点:(1)通过卷积进行下采样，卷积核为3×3，加入归一化算法和非线性激活函数；这些加快了训练速度；滤波器的数量是16、32、64、128和128；(2)通过双线性插值进行上采样，卷积核为3×3；滤波器的数量为128、128、64、32和16；(3)跳跃连接是通过复制左侧编码器路径的特征并将其添加到右侧解码器路径上形成的，因此改变了少量的超参数；输入的高度和宽度可以根据需要随机选择；拟合网络时使用了基于噪声的正则化；也就是说，在每次迭代时，使用加性正态噪声来扰动输入z；这种正则化可以帮助更好地拟合网络并实现预期目标。

...

【专利技术属性】
技术研发人员：李凌云，秦宁，田坤，张学涛，徐鑫，王锋，王蓬，
申请(专利权)人：中国石油化工股份有限公司，
类型：发明
国别省市：